CN111738342B - 一种受电弓异物检测方法、存储介质及计算机设备 - Google Patents
一种受电弓异物检测方法、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111738342B CN111738342B CN202010589402.5A CN202010589402A CN111738342B CN 111738342 B CN111738342 B CN 111738342B CN 202010589402 A CN202010589402 A CN 202010589402A CN 111738342 B CN111738342 B CN 111738342B
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- outline
- threshold
- foreign matter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000000877 morphologic effect Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 40
- 230000009467 reduction Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 15
- 238000003672 processing method Methods 0.000 abstract description 2
- 206010070245 Foreign body Diseases 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 25
- 239000013598 vector Substances 0.000 description 12
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种受电弓异物检测方法、存储介质及计算机设备,涉及弓网检测技术领域。本发明将输入的图像进行二值化处理,对二值化处理后的图像进行形态学处理,对形态学处理后的图像进行去噪处理,从去噪处理之后的图像中提取轮廓,并计算轮廓参数,对轮廓参数进行多维度阈值筛选并轮廓原始灰度图进行灰度参数阈值筛选,从而排除一部分非异物图像,然后再经过SVM分类处理,最终识别到受电弓异物图像。本申请的受电弓异物检测方法能适应异物的多样性,适应图像背景的复杂性,在训练SVM模型之前,先通过图像处理方法确定异物候选框,再由形态学筛选和灰度特征筛选滤除部分候选框,保证了漏检率低,提高了SVM的分类效率和精度。
Description
技术领域
本发明涉及弓网检测技术领域,尤其涉及受电弓检测技术领域,更具体地说涉及一种受电弓异物检测方法、存储介质及计算机设备。
背景技术
所有轨道交通列车都通过列车受电弓与接触网之间的滑动接触从外部获取电能,弓网间接触关系对列车安全、正常运营至关重要。由于受电弓与接触网特殊的接触关系及结构特点,不便于在运营列车受电弓或接触网上安装测试设备,而且,运营列车一旦发生严重的弓网异常接触或附着异物,在线路区段也不便于登乘车顶检查,需要借助于专门附着设备登乘车顶检查,或者列车换弓维持运行,直接影响到列车正点运行。
现有技术中,受电弓运行状态的维护和监测主要是在每天列车入库后由专门技术人员人工检查、登记,判断受电弓外形结构尺寸、升降状态是否正常。但是这种维护方式只能确保受电弓本身是否出现显著异常,不能确保投入运营后能够实现正常的弓网接触关系。另外也可以通过在车顶安装高清摄像机,记录列车运行过程中受电弓状态,但是只能通过人工视频回放方式查看是否出现异常,无法实时评估弓网接触关系状态、是否撞击或附着异物。
目前,针对受电弓的异物检测,主要通过图像识别的方式进行检测。当前接触网和受电弓滑板区域的异物检测识别主要有以下缺点:(1)识别率低,由于异物种类的多样性,单独采用传统图像处理方式很难做到识别出不同的异物;(2)误报率高,同样由于异物形式各样,理论上有无限多种可能的异物出现,且异物很可能与检测图像的背景非常相似,同时图像背景相对复杂,如果想用传统的方式去识别尽可能多的异物,将会造成大量的误识别。
发明内容
为了克服上述现有技术中存在的缺陷和不足,本申请提供了一种受电弓异物检测方法,本申请的发明目的在于解决上述现有技术中异物识别率低,误报率高和图像数据处理量大的问题。本申请的受电弓异物检测方法将输入的图像进行二值化处理,对二值化处理后的图像进行形态学处理,对形态学处理后的图像进行去噪处理,从去噪处理之后的图像中提取轮廓,并计算轮廓参数,对轮廓参数进行多维度阈值筛选并对轮廓原始灰度图进行灰度参数阈值筛选,从而排除一部分非异物图像,然后再经过SVM分类处理,最终识别到受电弓异物图像。本申请的受电弓异物检测方法能适应异物的多样性,适应图像背景的复杂性,经过两次阈值判断滤除了部分图像,大大减少了SVM模型分类的计算量,但同时确保漏检率变低,提高了SVM的分类效率和精度。
为了解决上述现有技术中存在的问题,本发明是通过下述技术方案实现的:
一种受电弓异物检测方法,包括以下步骤:
图像处理步骤:采集并读入受电弓滑条区域灰度图像,采用局部自适应二值化方法对受电弓滑条区域图像进行二值化处理,对二值化处理后得到的图像进行形态学处理,对形态学处理后的图像进行去噪处理,在经去噪处理后的图像中搜索连通域,并将连通域的外边界作为轮廓输出;对输出的轮廓的轮廓参数进行计算,所述轮廓参数包括轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高和轮廓宽高比;
阈值Ⅰ判断步骤,将图像处理步骤中计算得到的轮廓参数与预先设定的轮廓参数阈值进行对比判断,若输出的轮廓的轮廓参数全部位于轮廓参数阈值内,则将该轮廓判定为疑似异物轮廓并输出至下一步骤,若有任一轮廓参数不在其对应的轮廓参数阈值内,则判定为非异物轮廓;若输入的图像中的轮廓均为非异物轮廓,则更新数据输入下一幅图像重复图像处理步骤和本步骤进行检测;
阈值Ⅱ判断步骤,将阈值Ⅰ判断步骤中判定的疑似异物轮廓对应到与其对应的原始输入图像中,在原始输入图像中计算对应该轮廓中的像素灰度均值和方差;并将计算出的灰度均值和方差分别与预先设定的灰度均值阈值和方差阈值进行对比判断,若疑似异物轮廓的灰度均值和方差均位于灰度均值阈值和方差阈值中,则判定该疑似异物轮廓为近似异物轮廓;灰度均值和方差中任一要素不满足灰度均值阈值和方差阈值,则判定该疑似异物轮廓为非异物轮廓;若输入的图像中的疑似异物轮廓均为非异物轮廓,则更新数据输入下一幅图像重复图像处理步骤、阈值Ⅰ判断步骤和本步骤进行检测;
SVM分类步骤,对样本图像利用主成分分析法进行降维,利用降维后的数据训练得到SVM分类决策函数;将阈值Ⅱ判断步骤中判定的近似异物轮廓对应到原始图像中,并根据该近似异物轮廓框在原始图形中的位置设置感兴趣区域,然后对感兴趣区域代入到SVM分类决策函数中进行异物或非异物的二分类。
所述阈值Ⅰ判断步骤中,预先设定的预先设定的轮廓参数阈值包括轮廓面积阈值、轮廓面积与轮廓框面积比阈值、轮廓宽阈值、轮廓高阈值和轮廓宽高比阈值;轮廓参数阈值、灰度均值阈值和方差阈值是通过在若干张样品图像中手动框出每一张图像中的异物区域,然后经过图像处理步骤得到异物轮廓的轮廓参数、灰度均值和方差,并利用统计学进行统计得到的。
所述阈值Ⅰ判断步骤中和阈值Ⅱ判断步骤中的预先设定的轮廓参数阈值、灰度均值阈值和方差阈值是通过下述过程得到的:
在若干张样品图像中手动框出每一张图像中的异物区域,然后进行二值化处理、形态学处理、去噪处理和提取轮廓处理,得到若干张异物小图像,再对异物小图像的轮廓进行轮廓参数计算步骤计算轮廓面积Ack、轮廓面积与轮廓框面积比ARck、轮廓宽RWck、轮廓高RHck和轮廓宽高比RWck/RHck;经灰度参数计算步骤计算出异物小图像轮廓在原始图像中对应轮廓的像素灰度均值和方差,利用统计学进行统计进而得到各参数的最大统计值MaxSto和最小统计值MinSto,在统计得到的最大统计值MaxSto和最小统计值MinSto中加入冗余量,即ThrMax=MaxSto*(1+Ratio1),ThrMin=MinSto*(1-Ratio2),其中Ratio1∈(0,1),Ratio2∈(0,1),从而得到轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高、轮廓宽高比、灰度均值和灰度方差的阈值。
所述SVM分类决策函数的具体训练过程如下所示:
(a)根据已有受电弓图像样本,在其上手动框出异物区域和非异物区域,生成待训练的正负样本,并将每个样本的大小重新调整为M*N,待训练样本集为D=[D0,D1,...,Di,...,DI-1],样本标签为y=[y0,y1,...,yi,...,yI-1],共有I个样本,且yi∈{-1,+1},-1表示非异物样本,+1表示异物样本;
(b)将Di按行重构为首位相接的M*N维列向量xi,从而待训练样本集可写为X=[x1,x2,...,xI-1];
(c)利用数据集X求取PCA降维矩阵,首先计算出数据集的中心向量u,再用每一个样本减去中心向量,得到去中心样本其中再对去中心样本的协方差矩阵进行特征值分解,其中λ=[λ0,λ1,...,λM*N-1]为协方差矩阵的特征值,且λ0>λ1>...>λM*N-1,Q=[q1,q2,...,qM*N-1]为协方差矩阵的特征向量矩阵,且λi对应qi,然后设定一阈值Tλ=λ0*Rat,Rat∈(0,1),然后选取大于Tλ的特征值对应的特征向量组成降维矩阵;
s.t.1-yi(wTφ(xi)+b)-ξi≤0,ξi≥0,i=0,1,2,...,I-1,其中w,b为分类超平面的参数,ξi为软间隔参数,C为惩罚系数,φ(·)为映射关系,φ(·)通过核函数进行运算;通过构造拉格朗日函数以及对偶转换,将上述模型转换如下:
s.t.λi≥0,μi≥0;
通过对各参数求偏导,并令其为0,可得:
C=λi+μi,
并将上述关系代入拉格朗日函数中,则得到优化模型,
所述图像处理步骤中,对受电弓滑条区域图像进行二值化处理,具体是指:将输入图像分成若干不重叠的小块,每一小块根据其相应的灰度变化特征进行二值化;具体过程如下:
输入图像I分为4个不重叠小块,记为IA、IB、IC和ID,则EA=f(IA,thrA)
i=0,1,2,...,IAH-1,j=i=0,1,2,...,IAW-1;其中,EA为IA经过二值化后的图像,thrA为二值化时使用的阈值,该阈值根据IA的灰度直方图得到,IAH为IA的高,IAW为IA的宽;同理可以求得EB、EC、ED,然后将其按分割时的方式拼接在一起就得到输入图像I的二值化图像E。采用局部自适应二值化方法得到二值化图像E克服了受电弓在线监测获取的图像受到不同时间不同光照条件导致的图像不同区域亮度、对比度差异对于二值化提取目标的影响,为后续形态学处理有效筛选异物图像提供了基础。
所述图像处理步骤中,形态学处理包括图像腐蚀、图像膨胀、开运算和闭运算;所述图像处理步骤中对二值化处理后得到的图像进行形态学处理,具体是指,对二值化处理后的图像进行了两次开运算,在进行了一次腐蚀得到处理后的图像M。
所述图像处理步骤中,对形态学处理后的图像进行去噪处理的方式为中值滤波或高斯滤波。
所述SVM分类步骤中,φ(·)通过核函数进行运算,以及φ(xi)·φ(xj)通过核函数进行运算中的核函数包括有线性核、多项式核和高斯核中的一种。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,执行上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本申请所带来的有益的技术效果表现在:
1、本发明结合传统的图像处理与机器学习的方法,检测准确率高、误检率低、漏检率低、运行速度快。本申请在训练SVM模型之前,先通过图像处理的方式,确定异物候选框,再由形态学筛选和灰度特征筛选滤除部分候选框,这部分候选框是在尽量保证滤除非异物候选框的前提下进行的,保证了漏检率低,提高了SVM的分类效率和精度。
2、本发明采用综合阈值判断法先将部分非异物候选框滤除,给后续SVM分类模型处理降低了处理数据量,使得SVM分类效率和精度可以得到有效地提高。同时本申请的参数阈值是对大量样本数据进行数据挖掘与统计得到的,且为避免将异物滤除,在设定阈值时增加了一定的冗余量,尽可能降低异物被误滤除的风险。同时针对不同场景的监测图像,可以自适应修改阈值,从而使得本申请方法、***或计算机设备或存储介质中的计算机程序,均可以很好地适应场景的切换,从而确保异物检测的准确度和检测效率,如白天和黑夜的场景切换。此外,对于冗余量的阈值拓展结合了样本参数的统计分布,以达到兼顾筛选效率和保留有效异常数据的效果。
3、本发明在SVM分类建立过程中结合了主成分分析(PCA)对待分类数据进行训练,利用降维后的数据训练SVM模型,保证了SVM模型识别精度的基础上提高了SVM模型的训练效率。
4、本发明采用训练统计的方式设置判断阈值,其能适应异物的多样性,能适应图像背景的复杂性,将本方法设置成计算机程序之后,算法参数修改方便,只需要修改判断阈值与相应的SVM分类模型即可使得本***、设备可以更好的适应当前环境的检测。无需专业人员,其他非专业人员也可进行相关参数的修改。
5、本发明中将阈值判断与SVM分类结合,阈值判断步骤作出初步的粗选,SVM分类进行精确识别,若直接进行SVM分类识别,则造成SVM分类处理数据量庞大,处理效率较低,无法实现实时在线监测中的受电弓异物识别;而单独的采用图像特征阈值判断,则无法精确识别出异物,易出现误检的情况。本申请将阈值判断与SVM分类相结合,检测准确率高、误检率低、漏检率低、运行速度块。
6、由于包含受电弓的检测图像背景相对复杂,异物图像很可能与背景图像具有相似性,采用先两次开运算再一次腐蚀的方式可有效凸显异物的图像。
附图说明
图1为本发明受电弓异物检测方法的流程图。
具体实施方式
下面结合说明书附图,对本申请的技术方案作出进一步详细地阐述。
参照说明书附图1,本实施例公开了一种受电弓异物检测方法,具体流程描述如下:
图像输入:输入受电弓滑条区域灰度图像,记为I。
图像二值化:本文采用局部自适应二值化方法,即将输入图像分成若干不重叠的小块,每一小块根据其相应的灰度变化特征进行二值化。
比如将输入图像I分为4个不重叠小块,记为IA、IB、IC、ID,则EA=f(IA,thrA)
i=0,1,2,...,IAH-1,j=0,1,2,...,IAW-1,其中EA为IA经过二值化后的图像,thrA为二值化时使用的阈值,该阈值可根据IA的灰度直方图得到,IAH为IA的高,IAW为IA的宽。同理可以求得EB,EC,ED,然后将其按分割时的方式拼接在一起就得到了输入图像I的二值化图像E。
形态学处理:对二值化图像E进行形态学处理,主要包括图像腐蚀、膨胀、开运算、闭运算等。上述几种操作可根据实际情况配合使用,比如本文先对二值化图像进行了两次开运算,再进行了一次腐蚀,记输出图像为M。
计算轮廓参数:其中包括轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高、轮廓宽高比。详细地,轮廓面积计算方式为统计轮廓内的像素点个数,记为Ack。
轮廓框是轮廓的外接矩形,理论上轮廓的外接矩形有无穷多个,简单地选取矩形边分别为水平和垂直的外接矩形进行后续计算,其面积等于轮廓框的宽高之积,因此轮廓面积与轮廓框面积比的计算方式为轮廓面积除以轮廓框面积,记为ARck。
轮廓宽即轮廓框的宽,记为RWck,也就是轮廓最右侧和最左侧的像素点的水平距离;轮廓高即轮廓框的高,记为RHck,也就是轮廓最上侧和最下侧像素点的垂直距离;轮廓宽高比的计算方式为轮廓宽除以轮廓高。
参数是否满足阈值Ⅰ:该步骤是对提取到的轮廓进行初步筛选,过滤掉明显非异物的轮廓。若某一轮廓面积在(AreaMin,AreaMax)之间,且轮廓面积与轮廓框面积比在(AreaRatioMin,AreaRatioMax)之间,且轮廓宽在(WidthMin,WidthMax)之间,且轮廓高在(HeiMin,HeiMax)之间,且轮廓宽高比在(WidHeiRatioMin,WidHeiRatioMax)之间,则判定该轮廓可能为异物轮廓,若不满足上述任意一个条件,则判定该轮廓为非异物轮廓,直接剔除,如本文由统计得到的判断区间:(AreaMin,AreaMax)=(387,20471),(AreaRatioMin,AreaRatioMax)=(0.34,0.83),(HeiMin,HeiMax)=(18,163),(WidHeiRatioMin,WidHeiRatioMax)=(0.27,3.91)。
若该输入图像中提取到的所有轮廓均被剔除,则更新数据输入下一幅图像进行检测。若有轮廓通过该次初步筛选,则进入下一步计算。上述阈值均由统计得到,比如将大量图像处理到提取轮廓这一步,然后手动区分异物轮廓和非异物轮廓,再分别计算上述各项参数,根据计算出的参数值设定相应的最佳阈值,该阈值可以允许将非异物判定为异物,但尽量不能漏掉真正的异物,这只是初步筛选,后续步骤会进一步筛选及最终判定。
计算灰度参数:将初步筛选后的轮廓对应到原始输入图像,然后在原始输入图像中计算对应轮廓中的像素灰度均值和方差。
参数是否满足阈值Ⅱ:该步骤是根据灰度参数进一步过滤掉非异物轮廓。若某一轮廓中的灰度均值在(AveMin,AveMax)之间,且灰度方差在(VarMin,VarMax)之间,则进一步判定该轮廓可能为异物轮廓,若不满足上述两者任意一个条件,则判定该轮廓为非异物轮廓,直接剔除。若输入到此步骤中的所有轮廓被全部剔除,则判定该幅输入图像中无异物,然后更新数据输入下一幅图像进行检测。若有轮廓通过此次筛选,则进行下一步骤。同样地,该次筛选的阈值通过统计手段得到,具体方式可参照第一次过滤的阈值统计。该步骤的阈值设定同样在尽量保证不漏掉真正异物轮廓的同时,允许部分非异物轮廓通过筛选,如本文中(AveMin,AveMax)=(116,203),(VarMin,VarMax)=(3.66,13.42)。
本文参数阈值Ⅰ和参数阈值Ⅱ的具体统计方式如下:
根据某次监测得到的36925张受电弓图像,手动框出每一张图像中的异物区域,得到了2189个异物小图像,然后分别按照上述计算方式计算每一张小图的轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高、轮廓宽高比、轮廓中的灰度均值、轮廓中的灰度方差,进而得到每个参数的最大统计值MaxSto、最小统计值MinSto,为了尽可能降低将异物滤除的风险,因此加入部分冗余量,因此上述参数区间的最大最小滤除阈值如下设置:
ThrMax=MaxSto*(1+Ratio1)
ThrMin=MinSto*(1–Ratio2)
SVM分类:将经过两次筛选过后的轮廓对应到原始图像中,并根据轮廓框在原始图像中设置感兴趣区域(ROI),然后对该感兴趣区域进行异物或非异物的二分类。
在SVM分类过程中,本文结合了主成分分析(PCA)先对待分类数据进行降维,具体训练过程如下:
1)根据已有受电弓图像样本,手动分别框出异物区域和非异物区域,生成待训练的正负样本,并将每个样本的大小重新调整为M*N,待训练样本集记为D=[D0,D1,...,Di,...,DI-1],样本标签记为y=[y0,y1,...,yi-1,...,yI-1],共有I个样本,且yi∈{-1,+1},-1表示非异物样本,+1表示异物样本;
2)将Di按行重构为首尾相接的M*N维列向量xi,从而待训练样本集可写为X=[x1,x2,…,xI-1];
3)利用数据集X求取PCA降维矩阵,首先计算出数据集的中心向量u,
再对去中心样本的协方差矩阵进行特征值分解,
其中λ=[λ0,λ1,...,λM*N-1]为协方差矩阵的特征值,且λ0>λ1>...>λM*N-1,Q=[q1,q2,...,qM*N-1]为协方差矩阵的特征向量矩阵,且λi对应qi,然后设定一阈值Tλ=λ0*Rat,Rat∈(0,1),然后选取大于Tλ的特征值对应的特征向量组成降维矩阵。另外,也可直接选取大于0的特征值对应的特征向量或者按原始维度M*N一定比例进行选取,比如选取前int(M*N*Rat)个特征值对应的特征向量作为降维矩阵,记为P,加入按上述方式选取K个特征向量,则P=[q0,q1,...,qK],K<<M*N;
s.t.1-yi(wTφ(xi)+b)-ξi≤0,ξi≥0,i=0,1,2,...,I-1
其中w,b为分类超平面的参数,ξi为软间隔参数,C为惩罚系数,φ(·)为某种映射关系,φ(·)后续可直接通过核函数进行运算;
通过构造拉格朗日函数以及对偶转换,可对上述模型转换如下:
s.t.λi≥0,μi≥0
通过对各参数求偏导,并令其为0,可得:
C=λi+μi,
并将上述关系带入拉格朗日函数中,则优化模型可得
其中φ(xi)·φ(xj)可通过核函数进行运算,常用的核函数有线性核、多项式核、高斯核,本文使用高斯核函数:
实施例2
作为本发明又一较佳实施例,参照说明书附图1,本实施例公开了:
一种受电弓异物检测方法,包括以下步骤:
图像处理步骤:采集并读入受电弓滑条区域灰度图像I,采用局部自适应二值化方法对受电弓滑条区域图像进行二值化处理,得到得到二值化处理后的图像E;对二值化处理后得到的图像E进行形态学处理,得到图像M;对形态学处理后的图像M进行去噪处理,得到图像在经去噪处理后的图像中搜索连通域,并将连通域的外边界作为轮廓输出,输出的某一轮廓为ck;对输出的轮廓的轮廓参数进行计算,所述轮廓参数包括轮廓面积Ack、轮廓面积与轮廓框面积比ARck、轮廓宽RWck、轮廓高RHck和轮廓宽高比RWck/RHck。
阈值Ⅰ判断步骤,将图像处理步骤中计算得到的轮廓参数与预先设定的轮廓参数阈值进行对比判断,若输出的轮廓的轮廓参数全部位于轮廓参数阈值内,则将该轮廓判定为疑似异物轮廓并输出至下一步骤,若有任一轮廓参数不在其对应的轮廓参数阈值内,则判定为非异物轮廓;若输入的图像中的轮廓均为非异物轮廓,则更新数据输入下一幅图像重复图像处理步骤和本步骤进行检测;即对轮廓参数计算步骤中计算得到的轮廓面积Ack、轮廓面积与轮廓框面积比ARck、轮廓宽RWck、轮廓高RHck和轮廓宽高比RWck/RHck进行判断,若某一轮廓ck的轮廓面积Ack在(AreaMin,AreaMax)之间,轮廓面积与轮廓框面积比ARck在(AreaRatioMin,AreaRatioMax)之间,轮廓宽RWck在(WidthMin,WidthMax)之间,轮廓高RHck在(HeiMin,HeiMax)之间,轮廓宽高比RWck/RHck在(WidHeiRatioMin,WidHeiRatioMax),则判断该轮廓ck为异物候选轮廓;若不满足上述任一条件,则判定该轮廓为非异物轮廓,直接剔除;若该输入图像中提取到的所有轮廓均被剔除,则更新数据输入下一幅图像进行检测;若该输入图像中提取到的轮廓符合上述判断为异物候选轮廓,则进行下一步骤。
阈值Ⅱ判断步骤,将阈值Ⅰ判断步骤中判断出的异物候选轮廓对应到与对应的原始输入图像中,在原始输入图像中计算对应轮廓中的像素灰度均值和方差;并将计算出的灰度均值和方差分别与预先设定的灰度均值阈值和方差阈值进行对比判断,若疑似异物轮廓的灰度均值和方差均位于灰度均值阈值和方差阈值中,则判定该疑似异物轮廓为近似异物轮廓;灰度均值和方差中任一要素不满足灰度均值阈值和方差阈值,则判定该疑似异物轮廓为非异物轮廓;若输入的图像中的疑似异物轮廓均为非异物轮廓,则更新数据输入下一幅图像重复图像处理步骤、阈值Ⅰ判断步骤和本步骤进行检测;
即对灰度参数计算步骤中计算得到的异物候选轮廓在原始输入图像中对应轮廓的像素灰度均值和方差进行判断,若其灰度均值在(AveMin,AveMax)之间,灰度方差在(VarMin,VarMax)之间,则进一步判定该轮廓为异物轮廓;若不满足上述两者任意一个条件,则判定该轮廓为非异物轮廓,直接剔除;若输入到本步骤中的所有轮廓被全部剔除,则判定该幅输入图像中无异物,然后更新数据输入下一幅图像进行检测;若有轮廓通过本步骤的判定,则进行下一步骤。
SVM分类步骤,对样本图像利用主成分分析法进行降维,利用降维后的数据训练得到SVM分类决策函数;将阈值Ⅱ判断步骤中判定的近似异物轮廓对应到原始图像中,并根据该近似异物轮廓框在原始图形中的位置设置感兴趣区域,然后对感兴趣区域代入到SVM分类决策函数中进行异物或非异物的二分类。
实施例3
作为本发明又一较佳实施例,参照说明书附图1,本实施例公开了:
一种受电弓异物检测方法,包括以下步骤:
图像处理步骤:采集并读入受电弓滑条区域灰度图像,采用局部自适应二值化方法对受电弓滑条区域图像进行二值化处理,对二值化处理后得到的图像进行形态学处理,对形态学处理后的图像进行去噪处理,在经去噪处理后的图像中搜索连通域,并将连通域的外边界作为轮廓输出;对输出的轮廓的轮廓参数进行计算,所述轮廓参数包括轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高和轮廓宽高比;
阈值Ⅰ判断步骤,将图像处理步骤中计算得到的轮廓参数与预先设定的轮廓参数阈值进行对比判断,若输出的轮廓的轮廓参数全部位于轮廓参数阈值内,则将该轮廓判定为疑似异物轮廓并输出至下一步骤,若有任一轮廓参数不在其对应的轮廓参数阈值内,则判定为非异物轮廓;若输入的图像中的轮廓均为非异物轮廓,则更新数据输入下一幅图像重复图像处理步骤和本步骤进行检测;
阈值Ⅱ判断步骤,将阈值Ⅰ判断步骤中判定的疑似异物轮廓对应到与其对应的原始输入图像中,在原始输入图像中计算对应该轮廓中的像素灰度均值和方差;并将计算出的灰度均值和方差分别与预先设定的灰度均值阈值和方差阈值进行对比判断,若疑似异物轮廓的灰度均值和方差均位于灰度均值阈值和方差阈值中,则判定该疑似异物轮廓为近似异物轮廓;灰度均值和方差中任一要素不满足灰度均值阈值和方差阈值,则判定该疑似异物轮廓为非异物轮廓;若输入的图像中的疑似异物轮廓均为非异物轮廓,则更新数据输入下一幅图像重复图像处理步骤、阈值Ⅰ判断步骤和本步骤进行检测;
SVM分类步骤,对样本图像利用主成分分析法进行降维,利用降维后的数据训练得到SVM分类决策函数;将阈值Ⅱ判断步骤中判定的近似异物轮廓对应到原始图像中,并根据该近似异物轮廓框在原始图形中的位置设置感兴趣区域,然后对感兴趣区域代入到SVM分类决策函数中进行异物或非异物的二分类。
所述阈值Ⅰ判断步骤中,预先设定的预先设定的轮廓参数阈值包括轮廓面积阈值、轮廓面积与轮廓框面积比阈值、轮廓宽阈值、轮廓高阈值和轮廓宽高比阈值;轮廓参数阈值、灰度均值阈值和方差阈值是通过在若干张样品图像中手动框出每一张图像中的异物区域,然后经过图像处理步骤得到异物轮廓的轮廓参数、灰度均值和方差,并利用统计学进行统计得到的。
所述阈值Ⅰ判断步骤中和阈值Ⅱ判断步骤中的预先设定的轮廓参数阈值、灰度均值阈值和方差阈值是通过下述过程得到的:
在若干张样品图像中手动框出每一张图像中的异物区域,然后进行二值化处理、形态学处理、去噪处理和提取轮廓处理,得到若干张异物小图像,再对异物小图像的轮廓进行轮廓参数计算步骤计算轮廓面积Ack、轮廓面积与轮廓框面积比ARck、轮廓宽RWck、轮廓高RHck和轮廓宽高比RWck/RHck;经灰度参数计算步骤计算出异物小图像轮廓在原始图像中对应轮廓的像素灰度均值和方差,利用统计学进行统计进而得到各参数的最大统计值MaxSto和最小统计值MinSto,在统计得到的最大统计值MaxSto和最小统计值MinSto中加入冗余量,即ThrMax=MaxSto*(1+Ratio1),ThrMin=MinSto*(1-Ratio2),其中Ratio1∈(0,1),Ratio2∈(0,1),从而得到轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高、轮廓宽高比、灰度均值和灰度方差的阈值。
所述阈值Ⅰ判断步骤和阈值Ⅱ判断步骤中参数阈值中,Ratio1和Ratio2为0.05、0.1或0.2。
所述SVM分类决策函数的具体训练过程如下所示:
(a)根据已有受电弓图像样本,在其上手动框出异物区域和非异物区域,生成待训练的正负样本,并将每个样本的大小重新调整为M*N,待训练样本集为D=[D0,D1,...,Di,...,DI-1],样本标签为y=[y0,y1,...,yi,...,yI-1],共有I个样本,且yi∈{-1,+1},-1表示非异物样本,+1表示异物样本;
(b)将Di按行重构为首位相接的M*N维列向量xi,从而待训练样本集可写为X=[x1,x2,...,xI-1];
(c)利用数据集X求取PCA降维矩阵,首先计算出数据集的中心向量u,再用每一个样本减去中心向量,得到去中心样本其中再对去中心样本的协方差矩阵进行特征值分解,其中λ=[λ0,λ1,...,λM*N-1]为协方差矩阵的特征值,且λ0>λ1>...>λM*N-1,Q=[q1,q2,...,qM*N-1]为协方差矩阵的特征向量矩阵,且λi对应qi,然后设定一阈值Tλ=λ0*Rat,Rat∈(0,1),然后选取大于Tλ的特征值对应的特征向量组成降维矩阵;
s.t.1-yi(wTφ(xi)+b)-ξi≤0,ξi≥0,i=0,1,2,...,I-1,其中w,b为分类超平
面的参数,ξi为软间隔参数,C为惩罚系数,φ(·)为映射关系,φ(·)通过核函数进行运算;通过构造拉格朗日函数以及对偶转换,将上述模型转换如下:
s.t.λi≥0,μi≥0;
通过对各参数求偏导,并令其为0,可得:
C=λi+μi,
并将上述关系代入拉格朗日函数中,则得到优化模型,
所述图像处理步骤中,对受电弓滑条区域图像进行二值化处理,具体是指:将输入图像分成若干不重叠的小块,每一小块根据其相应的灰度变化特征进行二值化;具体过程如下:
输入图像I分为4个不重叠小块,记为IA、IB、IC和ID,则EA=f(IA,thrA)
i=0,1,2,...,IAH-1,j=i=0,1,2,...,IAW-1;其中,EA为IA经过二值化后的图像,thrA为二值化时使用的阈值,该阈值根据IA的灰度直方图得到,IAH为IA的高,IAW为IA的宽;同理可以求得EB、EC、ED,然后将其按分割时的方式拼接在一起就得到输入图像I的二值化图像E。
所述图像处理步骤中,形态学处理包括图像腐蚀、图像膨胀、开运算和闭运算;所述图像处理步骤中对二值化处理后得到的图像进行形态学处理,具体是指,对二值化处理后的图像进行了两次开运算,在进行了一次腐蚀得到处理后的图像M。
所述图像处理步骤中,对形态学处理后的图像进行去噪处理的方式为中值滤波或高斯滤波。
所述SVM分类步骤中,φ(·)通过核函数进行运算,以及φ(xi)·φ(xj)通过核函数进行运算中的核函数包括有线性核、多项式核和高斯核中的一种。
实施例4
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述受电弓异物检测方法的步骤。
在本实施例中处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例1-3中的方法。
实施例5
作为本发明又一较佳实施例,本实施例公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例1或实施例2或实施例3的步骤:
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种受电弓异物检测方法,其特征在于:包括以下步骤:
图像处理步骤:采集并读入受电弓滑条区域灰度图像,采用局部自适应二值化方法对受电弓滑条区域图像进行二值化处理,对二值化处理后得到的图像进行形态学处理,对形态学处理后的图像进行去噪处理,在经去噪处理后的图像中搜索连通域,并将连通域的外边界作为轮廓输出;对输出的轮廓的轮廓参数进行计算,所述轮廓参数包括轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高和轮廓宽高比;
阈值Ⅰ判断步骤,将图像处理步骤中计算得到的轮廓参数与预先设定的轮廓参数阈值进行对比判断,若输出的轮廓的轮廓参数全部位于轮廓参数阈值内,则将该轮廓判定为疑似异物轮廓并输出至下一步骤,若有任一轮廓参数不在其对应的轮廓参数阈值内,则判定为非异物轮廓;若输入的图像中的轮廓均为非异物轮廓,则更新数据输入下一幅图像重复图像处理步骤和本步骤进行检测;
预先设定的轮廓参数阈值包括轮廓面积阈值、轮廓面积与轮廓框面积比阈值、轮廓宽阈值、轮廓高阈值和轮廓宽高比阈值;阈值Ⅱ判断步骤,将阈值Ⅰ判断步骤中判定的疑似异物轮廓对应到与其对应的原始输入图像中,在原始输入图像中计算对应该轮廓中的像素灰度均值和方差;并将计算出的灰度均值和方差分别与预先设定的灰度均值阈值和方差阈值进行对比判断,若疑似异物轮廓的灰度均值和方差均位于灰度均值阈值和方差阈值中,则判定该疑似异物轮廓为近似异物轮廓;灰度均值和方差中任一要素不满足灰度均值阈值和方差阈值,则判定该疑似异物轮廓为非异物轮廓;若输入的图像中的疑似异物轮廓均为非异物轮廓,则更新数据输入下一幅图像重复图像处理步骤、阈值Ⅰ判断步骤和本步骤进行检测;
预先设定的轮廓参数阈值、灰度均值阈值和方差阈值是通过下述过程得到的:
在若干张样品图像中手动框出每一张图像中的异物区域,然后进行二值化处理、形态学处理、去噪处理和提取轮廓处理,得到若干张异物小图像,再对异物小图像的轮廓进行轮廓参数计算步骤计算轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高和轮廓宽高比;经灰度参数计算步骤计算出异物小图像轮廓在原始图像中对应轮廓的像素灰度均值和方差,利用统计学进行统计进而得到各参数的最大统计值和最小统计值,在统计得到的最大统计值和最小统计值中加入冗余量,即,,其中,,,其中Sto f 为统计分布满足最大频数的参数值从而得到轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高、轮廓宽高比、灰度均值和灰度方差的阈值;
SVM分类步骤,对样本图像利用主成分分析法进行降维,利用降维后的数据训练得到SVM分类决策函数;将阈值Ⅱ判断步骤中判定的近似异物轮廓对应到原始图像中,并根据该近似异物轮廓框在原始图形中的位置设置感兴趣区域,然后对感兴趣区域代入到SVM分类决策函数中进行异物或非异物的二分类。
3.如权利要求1所述的一种受电弓异物检测方法,其特征在于:所述图像处理步骤中对二值化处理后得到的图像进行形态学处理,具体是指:对二值化处理后的图像进行多次腐蚀、膨胀、开运算或闭运算。
5.如权利要求1所述的一种受电弓异物检测方法,其特征在于:所述图像处理步骤中,对形态学处理后的图像进行去噪处理的方式为中值滤波或高斯滤波。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时,执行上述权利要求1-5 任意一项所述的一种受电弓异物检测方法中的步骤。
7.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-5 任意一项所述的一种受电弓异物检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589402.5A CN111738342B (zh) | 2020-06-24 | 2020-06-24 | 一种受电弓异物检测方法、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589402.5A CN111738342B (zh) | 2020-06-24 | 2020-06-24 | 一种受电弓异物检测方法、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738342A CN111738342A (zh) | 2020-10-02 |
CN111738342B true CN111738342B (zh) | 2022-06-28 |
Family
ID=72651002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010589402.5A Active CN111738342B (zh) | 2020-06-24 | 2020-06-24 | 一种受电弓异物检测方法、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738342B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991294A (zh) * | 2021-03-12 | 2021-06-18 | 梅特勒-托利多(常州)测量技术有限公司 | 异物检测方法、装置及计算机可读介质 |
CN113487561B (zh) * | 2021-07-02 | 2023-06-30 | 成都唐源电气股份有限公司 | 基于灰度梯度异常投票的受电弓异物检测方法及装置 |
CN113298059A (zh) * | 2021-07-27 | 2021-08-24 | 昆山高新轨道交通智能装备有限公司 | 受电弓异物入侵检测方法、装置、计算机设备、***及存储介质 |
CN113763491B (zh) * | 2021-08-26 | 2024-03-12 | 浙江中烟工业有限责任公司 | 一种烟丝桶残余物的视觉检测方法 |
CN114140731B (zh) * | 2021-12-08 | 2023-04-25 | 西南交通大学 | 一种牵引变电所异常检测方法 |
CN115100580A (zh) * | 2022-08-23 | 2022-09-23 | 浙江大华技术股份有限公司 | 一种异物检测方法、装置、终端及计算机可读存储介质 |
CN115147770B (zh) * | 2022-08-30 | 2022-12-02 | 山东千颐科技有限公司 | 基于图像处理的皮带异物视觉识别*** |
CN116468729B (zh) * | 2023-06-20 | 2023-09-12 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、***及计算机 |
CN117315493B (zh) * | 2023-11-29 | 2024-02-20 | 浙江天演维真网络科技股份有限公司 | 一种田间杂草的识别分辨方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012015698A (ja) * | 2010-06-30 | 2012-01-19 | Meidensha Corp | パンタグラフ検出装置及びその方法 |
CN103984961A (zh) * | 2014-05-30 | 2014-08-13 | 成都西物信安智能***有限公司 | 一种用于检测车底异物的图像检测方法 |
JP2016192863A (ja) * | 2015-03-31 | 2016-11-10 | 公益財団法人鉄道総合技術研究所 | パンタグラフの異状検出装置、検出方法、及び、パンタグラフ異状検出時の対処方法 |
CN110378897A (zh) * | 2019-07-25 | 2019-10-25 | 中车青岛四方机车车辆股份有限公司 | 一种基于视频的受电弓运行状态实时监测方法及装置 |
CN110458126A (zh) * | 2019-08-16 | 2019-11-15 | 上海仁童电子科技有限公司 | 一种受电弓状态监测方法及装置 |
CN111260629A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 基于图像处理的受电弓结构异常检测算法 |
-
2020
- 2020-06-24 CN CN202010589402.5A patent/CN111738342B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012015698A (ja) * | 2010-06-30 | 2012-01-19 | Meidensha Corp | パンタグラフ検出装置及びその方法 |
CN103984961A (zh) * | 2014-05-30 | 2014-08-13 | 成都西物信安智能***有限公司 | 一种用于检测车底异物的图像检测方法 |
JP2016192863A (ja) * | 2015-03-31 | 2016-11-10 | 公益財団法人鉄道総合技術研究所 | パンタグラフの異状検出装置、検出方法、及び、パンタグラフ異状検出時の対処方法 |
CN110378897A (zh) * | 2019-07-25 | 2019-10-25 | 中车青岛四方机车车辆股份有限公司 | 一种基于视频的受电弓运行状态实时监测方法及装置 |
CN110458126A (zh) * | 2019-08-16 | 2019-11-15 | 上海仁童电子科技有限公司 | 一种受电弓状态监测方法及装置 |
CN111260629A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 基于图像处理的受电弓结构异常检测算法 |
Non-Patent Citations (4)
Title |
---|
A Pantograph Horn Detection Method Based on Deep Learning Network;Yuan Shen等;《2018 the 3rd Optoelectronics Global Conference》;20181112;85-89 * |
A Robust Pantograph–Catenary Interaction;Dongkai Zhang等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20200531;1920-1929 * |
机车受电弓及其车顶状态检测***;曹蔡旻;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190215;C033-71 * |
高速列车接触网悬挂***缺陷图像识别技术研究;刘建宏;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20180915;C033-99 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738342A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738342B (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
Bautista et al. | Convolutional neural network for vehicle detection in low resolution traffic videos | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
Sen-Ching et al. | Robust techniques for background subtraction in urban traffic video | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
Khalifa et al. | Malaysian Vehicle License Plate Recognition. | |
CN115063421B (zh) | 极片区域检测方法及***及装置及介质及缺陷检测方法 | |
CN112766195B (zh) | 一种电气化铁路弓网燃弧视觉检测方法 | |
JP2007510993A (ja) | 画像中のオブジェクト検出 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN114581388A (zh) | 接触网零部件缺陷检测方法及装置 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN111368742B (zh) | 基于视频分析的双黄交通标线的重建识别方法及*** | |
Daniel et al. | Automatic road distress detection and analysis | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及*** | |
CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
CN112084957B (zh) | 一种移动目标滞留检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |