CN113297940A - 一种高铁受电弓工作状态检测方法 - Google Patents
一种高铁受电弓工作状态检测方法 Download PDFInfo
- Publication number
- CN113297940A CN113297940A CN202110534957.4A CN202110534957A CN113297940A CN 113297940 A CN113297940 A CN 113297940A CN 202110534957 A CN202110534957 A CN 202110534957A CN 113297940 A CN113297940 A CN 113297940A
- Authority
- CN
- China
- Prior art keywords
- pantograph
- image
- alarm
- speed rail
- data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Current-Collector Devices For Electrically Propelled Vehicles (AREA)
Abstract
本发明公开了一种高铁受电弓工作状态检测方法,所述方法为:S1、利用高速摄像机采集受电弓位置图像,创建实时图像线程,逐帧读取每一帧图像数据;S2、将读取的图像转换为RGB格式,筛选出清晰的图像;S3、将RGB格式图像送入图像分析模块中进行识别,识别出受电弓并判断其尺寸缺陷,同时计算受电弓与高压输电线路的接触间隙距离是否超过阈值,如果超出阈值,则判定为存在故障;S4、获取分析结果,针对受电弓的异常状态和故障进行报警。本发明解决了现有高铁受电弓状态不能实时准确检测、故障无法及时上报的问题。
Description
技术领域
本发明涉及铁路运输安全技术领域,具体涉及一种高铁受电弓工作状态检测方法。
背景技术
高铁行驶里程长,速度快,在高速行驶过程中,需要通过车顶上方高压电线通过受电弓给车身输送电能,造成受电弓不断与输电线接触摩擦,同时高铁变轨行驶时,受电弓还需要切换到对应输电线路上,摩擦必然产生磨损和变形,为了保障高铁的安全行驶,必须要对受电弓的状态进行实时监控
为保证高铁的电弓不被磨断,目前都是采用定时的检查更换电弓,但是这都是在高铁停下来的时候进行的,运行起来时无法更换,只能在提高受电弓材料、受电弓结构和实时监控层面去改善的特种石墨材料,高铁轨道两侧都有电塔,交叉间隔,所以高压线连接起来其实是蛇形的,也就是Z型的,这样做的好处是电弓的同一处不会长时间的接触电线,电线在电弓上左右移动,能够保证同一接触点的温度不会过高,引发过大磨损和明火,也让耐磨材料的磨损面积增大,增加可磨损时间,同时,在车顶部安装一个监控摄像头,安排专门的高铁安全员通过人眼去查看受电弓的实时状态,从而起到对受电弓状态的实时掌控。受电弓的石墨不断的磨损变薄,下面的支架每上升一毫米,就代表高铁又运行了上万千米,只要定期更换这些石墨,电弓就不会磨断,除非轨道高低起伏,让电弓和电线的接触不稳定,造成放电击坏了电弓。现有技术方案主要依靠经验和人工去实现,因为受电弓状态关系到高铁运营安全,必须在出现隐患后第一时间就及时发现,而现有技术方案无法实现快速发现问题并上报。
发明内容
为此,本发明提供一种高铁受电弓工作状态检测方法,以解决现有高铁受电弓状态不能实时准确检测、故障无法及时上报的问题。
为了实现上述目的,本发明提供如下技术方案:
本发明公开了一种高铁受电弓工作状态检测方法,所述方法为:
S1、利用高速摄像机采集受电弓位置图像,创建实时图像线程,逐帧读取每一帧图像数据;
S2、将读取的图像转换为RGB格式,筛选出清晰的图像;
S3、将RGB格式图像送入图像分析模块中进行识别,识别出受电弓并判断其尺寸缺陷,同时计算受电弓与高压输电线路的接触间隙距离是否超过阈值,如果超出阈值,则判定为存在故障;
S4、获取分析结果,针对受电弓的异常状态和故障进行报警。
进一步地,所述高速摄像机安装在高铁顶部,斜向上45°角度倾斜,拍摄受电弓与输电线的图像。
进一步地,所述高速摄像机拍摄的图像经过图像处理设备转换为RGB格式,图像处理设备对于图像质量进行判断,过滤掉质量差的图像,对图像质量好的图像进行图像校正和图像增强。
进一步地,所述图像分析模块对校正和增强后的RGB格式图像进行区域分割,对每个区域利用卷积神经网络来获取一个特征向量,使用一个RoI Pooling Layer在全图特征上摘取每一个RoI对应的特征,分别经过为68维和180维的全连接层,从目标图像中预测出受电弓的位置,并计算出其中心点位置。
进一步地,所述图像分析模块针对输电线与受电弓重叠区域,先得到受电弓的图像区域作为参考,对输电线位置进行预定位,对定位出来的感兴趣区域进行抠出,做局部高分辨率精细检测,在针对此区域进行分割检测。
进一步地,所述图像分析模块从目标图像中识别出受电弓的位置,通过识别模型判断受电弓的形态,以及受电弓与输电线接触点的紧密度判断是否存在故障。
进一步地,所述识别模型预先录入大量标准数据进行训练,将受电弓正常形态的数据和受电弓与输电线接触点紧密度数据导入识别模型,识别模型在接收到实时图像数据后与标准数据进行比对,判断是否出现异常。
进一步地,所述图像分析模块分析得到的结果判断受电弓和输电线出现状态异常,则通过报警模块发出报警信号,并把识别有故障的报警图片、视频保存到指定的目录。
进一步地,所述报警模块产生的报警数据持久化到数据库,如果入库失败删除保存后的报警图片及视频信息,如果报警信息入库成功,则删除报警数据解析队列中对应的报警数据包。
进一步地,所述报警模块通过声音、光线发出报警信息,同时相高铁调度平台和对应管理人员的移动终端推送相应的报警信息,及时进行处理。
本发明具有如下优点:
本发明公开了一种高铁受电弓工作状态检测方法,通过在高铁顶部受电弓后方安装高速摄像机,实时采集受电弓位置的图像,将图像进行解码后送至运行在计算单元上的分析算法模块进行识别,分析受电弓是否有变形、并判断受电弓和高压电线是否接触良好,一旦发现受电弓变形超出阈值、或者受电弓和高压电线接触间隙超出阈值,立即通知设备状态检测和报警模块。实现了对受电弓和输电线运行状态的实时自动检测,及时上报故障,降低人工劳动强度,实现故障及时处理。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种高铁受电弓工作状态检测方法的流程图;
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本实施例公开了一种高铁受电弓工作状态检测方法,所述方法为:
S1、利用高速摄像机采集受电弓位置图像,创建实时图像线程,逐帧读取每一帧图像数据;
S2、将读取的图像转换为RGB格式,筛选出清晰的图像;
S3、将RGB格式图像送入图像分析模块中进行识别,识别出受电弓并判断其尺寸缺陷,同时计算受电弓与高压输电线路的接触间隙距离是否超过阈值,如果超出阈值,则判定为存在故障;
S4、获取分析结果,针对受电弓的异常状态和故障进行报警。
高速摄像机安装在高铁顶部,斜向上45°角度倾斜,拍摄受电弓与输电线的图像;高速摄像机拍摄的图像经过图像处理设备转换为RGB格式,图像处理设备对于图像质量进行判断,过滤掉质量差的图像,对图像质量好的图像进行图像校正和图像增强。高铁运行过程中,会存在逆光、光线不足、背景复杂多变等实际环境干扰源,导致采集到的图像存在不适合做算法判断的情况,为了提高识别的准确率,降低误判率,需要过滤掉质量差的图像,通过引入图像质量评估算法,逐帧判断采集到的图像的质量,筛选出质量好的图像。由于是在运动状态下采集受电弓实时数据,高速摄像机的数据会不断通过网络发给计算单元并转发给分析算法模块,如果数据出现阻塞,将会导致计算单元压力很大甚至会宕机,这对分析算法模块的处理速度提出了很高要求,必须满足实时处理的要求。
从图像质量模块里筛选出的的视频图像里逐帧检测受电弓,并输出其位置,实际情况下由于受电弓位置并不固定,因此无法采用固定区域检测。本实施例中将采集到的图像进行区域分割,对每个区域利用卷积神经网络来获取一个特征向量,使用一个RoIPooling Layer在全图特征上摘取每一个RoI对应的特征,分别经过为68维和180维的全连接层,68维和180维是并列的,前者是分类输出,后者是回归输出,从目标图像中预测出受电弓的位置,并计算出其中心点位置。
高铁运行环境中会存在多条高压输电线的情况,但同时只会有一条或者两条高压输电线与受电弓接触,高压输电线是否与受电弓相交,需要考虑到实际场景复杂的环境,以及高压输电线相对于受电弓的空间视角,采用深度学习的方法,使得算法有足够的泛化性。
实际情况下高压输电线目标尺寸小,输电线只占整个图像很少一部分,输电线与受电弓易出现重叠,如果不经过特殊处理,很难通过神经网络提取其特征,为了解决高压输电线目标尺寸小而且绵延细长的问题,需要对全局有很好的感知才能实现良好的定位,而高压输电线部分区域必定会出现在受电弓区域范围内,必须依靠受电弓位置区域这种全局信息才能很好的定位,先得到受电弓的图像区域作为参考,对输电线位置进行预定位,将定位出来的感兴趣区域,抠出来,做局部高分辨率精细检测,然后在针对此区域进行分割检测,从而提高检测速度。图像分析模块从目标图像中识别出受电弓的位置,通过识别模型判断受电弓的形态,以及受电弓与输电线接触点的紧密度判断是否存在故障。
识别模型预先录入大量标准数据进行训练,将受电弓正常形态的数据和受电弓与输电线接触点紧密度数据导入识别模型,识别模型在接收到实时图像数据后与标准数据进行比对,判断是否出现异常。图像分析模块分析得到的结果判断受电弓和输电线出现状态异常,则通过报警模块发出报警信号,并把识别有故障的报警图片、视频保存到指定的目录。
报警模块产生的报警数据持久化到数据库,如果入库失败删除保存后的报警图片及视频信息,如果报警信息入库成功,则删除报警数据解析队列中对应的报警数据包。报警模块通过声音、光线发出报警信息,同时相高铁调度平台和对应管理人员的移动终端推送相应的报警信息,及时进行处理。
铁路调度平台和管理人员的移动终端接收到报警信息后,结合报警数据中的图片和视频信息,判断具体的故障类型,进行抢修准备工作,能够提升维修效率。
本实施例公开的一种高铁受电弓工作状态检测方法,通过在高铁顶部受电弓后方安装高速摄像机,实时采集受电弓位置的图像,将图像进行解码后送至运行在计算单元上的分析算法模块进行识别,分析受电弓是否有变形、并判断受电弓和高压电线是否接触良好,一旦发现受电弓变形超出阈值、或者受电弓和高压电线接触间隙超出阈值,立即通知设备状态检测和报警模块。实现了对受电弓和输电线运行状态的实时自动检测,及时上报故障,降低人工劳动强度,实现故障及时处理。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种高铁受电弓工作状态检测方法,其特征在于,所述方法为:
S1、利用高速摄像机采集受电弓位置图像,创建实时图像线程,逐帧读取每一帧图像数据;
S2、将读取的图像转换为RGB格式,筛选出清晰的图像;
S3、将RGB格式图像送入图像分析模块中进行识别,识别出受电弓并判断其尺寸缺陷,同时计算受电弓与高压输电线路的接触间隙距离是否超过阈值,如果超出阈值,则判定为存在故障;
S4、获取分析结果,针对受电弓的异常状态和故障进行报警。
2.如权利要求1所述的一种高铁受电弓工作状态检测方法,其特征在于,所述高速摄像机安装在高铁顶部,斜向上45°角度倾斜,拍摄受电弓与输电线的图像。
3.如权利要求2所述的一种高铁受电弓工作状态检测方法,其特征在于,所述高速摄像机拍摄的图像经过图像处理设备转换为RGB格式,图像处理设备对于图像质量进行判断,过滤掉质量差的图像,对图像质量好的图像进行图像校正和图像增强。
4.如权利要求1所述的一种高铁受电弓工作状态检测方法,其特征在于,所述图像分析模块对校正和增强后的RGB格式图像进行区域分割,对每个区域利用卷积神经网络来获取一个特征向量,使用一个RoIPooling Layer在全图特征上摘取每一个RoI对应的特征,分别经过为68维和180维的全连接层,从目标图像中预测出受电弓的位置,并计算出其中心点位置。
5.如权利要求1所述的一种高铁受电弓工作状态检测方法,其特征在于,所述图像分析模块针对输电线与受电弓重叠区域,先得到受电弓的图像区域作为参考,对输电线位置进行预定位,对定位出来的感兴趣区域进行抠出,做局部高分辨率精细检测,在针对此区域进行分割检测。
6.如权利要求4所述的一种高铁受电弓工作状态检测方法,其特征在于,所述图像分析模块从目标图像中识别出受电弓的位置,通过识别模型判断受电弓的形态,以及受电弓与输电线接触点的紧密度判断是否存在故障。
7.如权利要求6所述的一种高铁受电弓工作状态检测方法,其特征在于,所述识别模型预先录入大量标准数据进行训练,将受电弓正常形态的数据和受电弓与输电线接触点紧密度数据导入识别模型,识别模型在接收到实时图像数据后与标准数据进行比对,判断是否出现异常。
8.如权利要求1所述的一种高铁受电弓工作状态检测方法,其特征在于,所述图像分析模块分析得到的结果判断受电弓和输电线出现状态异常,则通过报警模块发出报警信号,并把识别有故障的报警图片、视频保存到指定的目录。
9.如权利要求8所述的一种高铁受电弓工作状态检测方法,其特征在于,所述报警模块产生的报警数据持久化到数据库,如果入库失败删除保存后的报警图片及视频信息,如果报警信息入库成功,则删除报警数据解析队列中对应的报警数据包。
10.如权利要求8所述的一种高铁受电弓工作状态检测方法,其特征在于,所述报警模块通过声音、光线发出报警信息,同时相高铁调度平台和对应管理人员的移动终端推送相应的报警信息,及时进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110534957.4A CN113297940A (zh) | 2021-05-17 | 2021-05-17 | 一种高铁受电弓工作状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110534957.4A CN113297940A (zh) | 2021-05-17 | 2021-05-17 | 一种高铁受电弓工作状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297940A true CN113297940A (zh) | 2021-08-24 |
Family
ID=77322370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110534957.4A Pending CN113297940A (zh) | 2021-05-17 | 2021-05-17 | 一种高铁受电弓工作状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297940A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113859312A (zh) * | 2021-09-30 | 2021-12-31 | 中车青岛四方机车车辆股份有限公司 | 基于车载phm的受电弓故障报警方法、装置及轨道车辆 |
-
2021
- 2021-05-17 CN CN202110534957.4A patent/CN113297940A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113859312A (zh) * | 2021-09-30 | 2021-12-31 | 中车青岛四方机车车辆股份有限公司 | 基于车载phm的受电弓故障报警方法、装置及轨道车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507308B (zh) | 一种基于视频识别技术的变电站安全监控***及方法 | |
CN109842787B (zh) | 一种监测高空抛物的方法及*** | |
CN111432179A (zh) | 基于计算机视觉的输煤皮带智能巡检***及方法 | |
CN102842211B (zh) | 一种基于图像识别的输电线路防外力监控预警***及方法 | |
CN110127479B (zh) | 一种基于视频分析的电梯门开关异常检测方法 | |
CN111222478A (zh) | 一种工地安全防护检测方法和*** | |
KR102207393B1 (ko) | 인공지능을 이용한 교통정보센터 cctv 도로 상황 감시 시스템 | |
US20230005176A1 (en) | Throwing position acquisition method and apparatus, computer device and storage medium | |
CN113139482A (zh) | 交通异常检测的方法和装置 | |
CN106454330B (zh) | 视频信号的模糊异常检测方法 | |
Aydın et al. | Particle swarm based arc detection on time series in pantograph-catenary system | |
CN112560816A (zh) | 一种基于YOLOv4的设备指示灯识别方法及*** | |
CN109488383B (zh) | 智能视频分析***及其应用方法 | |
Ketcham et al. | The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes | |
CN113297940A (zh) | 一种高铁受电弓工作状态检测方法 | |
CN114022846A (zh) | 作业车辆的防碰撞监控方法、装置、设备和介质 | |
CN117197713A (zh) | 一种基于数字视频监控***的提取方法 | |
CN112818753A (zh) | 采坑坠物检测方法、装置及*** | |
CN111160321A (zh) | 一种电瓶车上梯检测与预警*** | |
CN115631625A (zh) | 一种基于大数据平台的智慧矿山管控*** | |
CN111523386A (zh) | 一种基于机器视觉的高速铁路站台门监测防护方法及*** | |
CN114179866A (zh) | 轨道道岔开向安全检测***及检测方法 | |
CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及*** | |
CN113222548A (zh) | 一种社区物业鹰眼监控***及使用方法 | |
CN114387542A (zh) | 一种基于便携布控球的视频采集单元异常识别*** |
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 |