CN113028999B - 基于卷积神经网络的接触线抬升量测量方法及*** - Google Patents
基于卷积神经网络的接触线抬升量测量方法及*** Download PDFInfo
- Publication number
- CN113028999B CN113028999B CN202110208278.8A CN202110208278A CN113028999B CN 113028999 B CN113028999 B CN 113028999B CN 202110208278 A CN202110208278 A CN 202110208278A CN 113028999 B CN113028999 B CN 113028999B
- Authority
- CN
- China
- Prior art keywords
- neural network
- contact line
- convolutional neural
- layer
- lifting amount
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于卷积神经网络的接触线抬升量测量方法及***,方法包括:利用磁钢检测来车;利用高速线阵相机采集图像序列;利用卷积神经网络模型检测每幅图像中的接触线抬升量;最终提取出接触线振动的时域和频域参数,卷积神经网络包括:1个数据输入层、2个卷积计算层、2个池化层、2个全连接层和1个输出层。本发明提供的神经网络利用卷积层抽取目标特征,利用池化层压缩数据和参数,利用全连接层和输出层回归出测量值,它能够学习大量的输入和输出之间的映射关系,只要用已知的模式对卷积神经网络加以训练,网络就具有输入输出对之间的映射能力,从而克服了人工对图像进行预处理和额外的特征抽取等复杂操作。
Description
技术领域
本发明涉及一种接触线抬升量的测量方法,属于高铁供电安全监测领域,具体的说,涉及了一种基于卷积神经网络的接触线抬升量测量方法及***。
背景技术
高铁供电安全检测监测***是伴随高铁(客专)的供电安全和质量应运而生的,是对高铁的牵引供电***进行全方位、全覆盖的综合检测监测。其中的接触网及供电设备地面检测装置(6C),用于监测接触网的张力、振动、抬升量、线索温度、补偿位移及供电设备绝缘状态和温度等运行状态参数,以指导接触网及供电设备的维修。
接触线抬升量的测量在当前高铁接触网的检测中具有重要的参考意义,通过对抬升量的测量能够认定或确定受电弓或者某车型允许的最大速度。同时,能为弓网关系、接触线的振动规律等提供必要的参考。但由于对接触线抬升量的测量,在现实中受多重因素影响而增加了测量的难度:(1)接触网***加装传感器接触式测量需要对设备改造,难度过大或者对现有设备的工作状态有附加影响;(2)车顶加装传感器测量,属于移动式非接触测量,数据难以匹配或误差较大。
通过安装在支柱上的相机,拍摄采集接触线图像,通过传统的图像处理方式获取接触线位置,在一定程度上改进了现有测量方法,但是通过人为选取的特征进行检测,适应性较差,误检概率较大。
为了解决以上存在的问题,人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足,引入人工智能技术来定位图像中接触线位置,提供一种基于卷积神经网络的接触线抬升量测量方法及***。
为了实现上述目的,本发明所采取的技术方案是:
本发明第一方面提供了一种基于卷积神经网络的接触线抬升量测量方法,包含以下步骤:
步骤1、来车检测
根据接收到的磁钢输出数据,对火车进行判向判量与计轴测速,当火车驶来时触发图像采集装置开启,当火车驶离时触发图像采集装置停止;
步骤2、图像序列采集
图像采集装置的高速线阵相机以1000FPS的帧率间隔采集1920*32大小的灰度图像,得到待测量图像序列;
步骤3、接触线抬升量测量
利用预训练的卷积神经网络模型逐个检出每幅图像的抬升量,形成抬升量数值序列;
步骤4、接触线振动参数提取
对抬升量序列进行时域和频域分析,获取特征参数。
基于上述,步骤3中,利用预训练的卷积神经网络模型对每幅图像的抬升量进行预测,逐个检出每幅图像的抬升量后,对抬升量进行回归分析获得抬升量数值序列。
基于上述,所述卷积神经网络模型包含1个数据输入层、2个卷积计算层、2个最大池化层、2个全连接层和1个输出层;
输入层为1920*32大小的灰度图像;
输入层后为两个卷积计算层,卷积核大小分别为11*11、5*5,参数分别为[1,32]、[32,64],每个卷积层后紧跟一个1*4大小的最大池化层;
全连接层参数分别为3840和1920;
输出层经过自定义激励函数激励,得到测量值。
基于上述,对卷积计算层和全连接层采用Relu函数激励,公式为f(x)=max(0,x);输出层采用自定义激励函数激励,公式为f(x)=min(max(x,0),1920),训练过程中采用最小二乘损失函数,公式为:
基于上述,所述卷积神经网络模型进行训练时,先对训练数据进行归一化处理,将像素值映射到0~1之间,并随机增加噪声和模糊处理。
基于上述,所述特征参数包括时域的最大抬升量和最小抬升量,频域的主振动频率和高频振动频率。
本发明第二方面提供了一种基于卷积神经网络的接触线抬升量测量***,包括来车检测装置、图像采集装置、接触线抬升量测量装置和接触线振动参数提取装置;进行接触线抬升量检测时,执行所述的基于卷积神经网络的接触线抬升量测量方法。
本发明相对现有技术具有突出的实质性特点和显著的进步,具体地说,本发明提供的神经网络利用卷积层抽取目标特征,利用池化层压缩数据和参数,利用全连接层和输出层回归出测量值,它能够学习大量的输入和输出之间的映射关系,而不需要任何输入输出之间的精确数学表达式,只要用已知的模式对卷积神经网络加以训练,网络就具有输入输出对之间的映射能力,从而克服了人工对图像进行预处理和额外的特征抽取等复杂操作。本发明充分发挥了卷积神经网络在图像特征抽取上的优势和输入输出之间超强的映射关系,克服了传统图像处理中特征抽取的困难,具有较高的适应性和检测准确性。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面通过具体实施方式,对本发明的技术方案做进一步的详细描述。
如图1所示,一种基于卷积神经网络的接触线抬升量测量***,包括来车检测装置、图像采集装置、接触线抬升量测量装置和接触线振动参数提取装置;进行接触线抬升量检测时,执行基于卷积神经网络的接触线抬升量测量方法,包括以下步骤:
步骤1:来车检测
来车检测设备为安装在测量区域两端轨道上的磁钢,根据接收到的磁钢输出数据,对火车进行判向判量与计轴测速,当火车驶来时触发图像采集装置开启,当火车驶离时触发图像采集装置停止。
步骤2:图像序列采集
图像采集装置为安装在支柱上高速工业线阵相机,线阵相机最高可采1920*1080大小的图像,由于采用某一点的接触线信息即可用于识别,故设置采集大小为1920*32,设置采样频率为1000FPS。
步骤3、接触线抬升量测量
利用预训练的卷积神经网络模型逐个检出每幅图像的抬升量,形成抬升量数值序列。利用预训练的卷积神经网络模型对每幅图像的抬升量进行预测,逐个检出每幅图像的抬升量后,对抬升量进行回归分析获得抬升量数值序列。
步骤4、接触线振动参数提取
把每帧的抬升量参数综合在一起,形成抬升量曲线,计算最大抬升量、最小抬升量,并对抬升量曲线进行现代谱分析,获取主振动频率和高频振动频率。
采用卷积神经网络模型检测接触线抬升量,首先要设计出适合当前***条件的神经网络模型,采用卷积神经网络进行数值测量有别于常规应用,且图像的长宽相差较大,就需要对卷积神经网络模型进行特殊设计。
预训练的卷积神经网络模型包含1个数据输入层、2个卷积计算层、2个最大池化层、2个全连接层和1个输出层;
输入层为1920*32大小的灰度图像;
输入层后为两个卷积计算层,卷积核大小分别为11*11、5*5,参数分别为[1,32]、[32,64],每个卷积层后紧跟一个1*4大小的最大池化层;
全连接层参数分别为3840和1920;
输出层经过自定义激励函数激励,得到测量值。
对卷积计算层和全连接层采用Relu函数激励,公式为f(x)=max(0,x);输出层采用自定义激励函数激励,公式为f(x)=min(max(x,0),1920),训练过程中采用最小二乘损失函数,公式为:
在进行卷积神经网络模型训练之前,首先要准备训练数据,要对训练数据进行标注,另外还要对训练数据进行归一化处理,将像素值映射到0~1之间,并随机增加噪声、模糊处理进行训练样本的扩充。训练完成后的卷积神经网络模型即可以对新采集的接触线图像序列进行预测,得到抬升量数值序列。
对抬升量数值序列进行时域分析,分析出时域的最大抬升量和最小抬升量,进行频域分析得到主振动频率和高频振动频率。主振动频率和高频振动频率的分析采用现代谱估计方法,利用Burg算法先估计反射系数Km,再利用Levinson关系式求得AR模型参数,然后根据求得随机信号的功率谱密度。
最后应当说明的是:以上实施方式用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (2)
1.一种基于卷积神经网络的接触线抬升量测量方法,其特征在于,包含以下步骤:
步骤1、来车检测
根据接收到的磁钢输出数据,对火车进行判向判量与计轴测速,当火车驶来时触发图像采集装置开启,当火车驶离时触发图像采集装置停止;
步骤2、图像序列采集
图像采集装置的高速线阵相机以1000FPS的帧率间隔采集1920*32大小的灰度图像,得到待测量图像序列;
步骤3、接触线抬升量测量
利用预训练的卷积神经网络模型逐个检出每幅图像的抬升量,形成抬升量数值序列;
利用预训练的卷积神经网络模型对每幅图像的抬升量进行预测,逐个检出每幅图像的抬升量后,对抬升量进行回归分析获得抬升量数值序列;
所述卷积神经网络模型包含1个数据输入层、2个卷积计算层、2个最大池化层、2个全连接层和1个输出层;
输入层为1920*32大小的灰度图像;
输入层后为两个卷积计算层,卷积核大小分别为11*11、5*5,参数分别为[1,32]、[32,64],每个卷积层后紧跟一个1*4大小的最大池化层;
全连接层参数分别为3840和1920;
输出层经过自定义激励函数激励,得到测量值;
训练过程中采用最小二乘损失函数,公式为:
所述卷积神经网络模型进行训练时,先对训练数据进行归一化处理,将像素值映射到0~1之间,并随机增加噪声和模糊处理;
步骤4、接触线振动参数提取
对抬升量序列进行时域和频域分析,获取特征参数;
所述特征参数包括时域的最大抬升量和最小抬升量,频域的主振动频率和高频振动频率;
2.一种基于卷积神经网络的接触线抬升量测量***,其特征在于:包括来车检测装置、图像采集装置、接触线抬升量测量装置和接触线振动参数提取装置;进行接触线抬升量检测时,执行权利要求1所述的基于卷积神经网络的接触线抬升量测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208278.8A CN113028999B (zh) | 2021-02-24 | 2021-02-24 | 基于卷积神经网络的接触线抬升量测量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208278.8A CN113028999B (zh) | 2021-02-24 | 2021-02-24 | 基于卷积神经网络的接触线抬升量测量方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113028999A CN113028999A (zh) | 2021-06-25 |
CN113028999B true CN113028999B (zh) | 2023-01-17 |
Family
ID=76461470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110208278.8A Active CN113028999B (zh) | 2021-02-24 | 2021-02-24 | 基于卷积神经网络的接触线抬升量测量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113028999B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521651A (zh) * | 2011-12-22 | 2012-06-27 | 北京交通大学 | 基于narx神经网络的弓网接触力预测方法 |
CN103020430B (zh) * | 2012-11-28 | 2015-06-03 | 西南交通大学 | 谱互相关系数的弓网匹配性能评估方法 |
DE102014208734A1 (de) * | 2014-05-09 | 2015-11-12 | DB Systemtechnik GmbH | Verfahren zur Messung des Anhubs elektrischer Fahrleitungen auf Fahrwegen des schienengebundenen Verkehrs |
CN109784480B (zh) * | 2019-01-17 | 2022-11-18 | 武汉大学 | 一种基于卷积神经网络的电力***状态估计方法 |
CN209820406U (zh) * | 2019-04-28 | 2019-12-20 | 河南辉煌科技股份有限公司 | 一种铁路接触线抬升量监测*** |
CN111311591A (zh) * | 2020-03-07 | 2020-06-19 | 西南交通大学 | 一种高速铁路接触网抬升量检测方法 |
-
2021
- 2021-02-24 CN CN202110208278.8A patent/CN113028999B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113028999A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564005A (zh) | 一种基于卷积神经网络的人体跌倒辨识方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110231395B (zh) | 一种钢丝绳断丝损伤识别方法及*** | |
CN112541480B (zh) | 一种隧道异物入侵事件在线识别方法及*** | |
CN113988326A (zh) | 一种地铁设备维修优化方法及*** | |
CN112160761A (zh) | 一种基于现场参数的硬岩tbm刀盘滚刀磨损实时评估方法 | |
CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
CN116297841A (zh) | 一种基于光纤分布式振动检测的铁路轨道病害识别方法 | |
CN113028999B (zh) | 基于卷积神经网络的接触线抬升量测量方法及*** | |
CN115758258A (zh) | 一种基于振动信号和领域知识的牵引变压器故障诊断方法 | |
CN115371724A (zh) | 轨道状态评价方法及装置 | |
CN111753877A (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN114330096A (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN110197120B (zh) | 用于无人值守传感器***的人员目标识别方法 | |
CN116644304A (zh) | 基于相似性的货车轴承异常特征提取与分类方法 | |
CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及*** | |
CN115575508A (zh) | 一种基于列车振声复合特征的轨道交通钢轨波磨识别方法 | |
CN116773001A (zh) | 一种面向油气管道的光纤振动误识别改进方法 | |
CN105083916A (zh) | 输送带纵向撕裂故障在线检测方法 | |
CN110459197A (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
CN113919396B (zh) | 一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法 | |
CN110555457A (zh) | 发动机润滑油磨损信号特征处理***及方法 | |
CN105389579A (zh) | 一种列车截断塞门把手丢失故障自动识别方法 |
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 |