System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及弓网检测,尤其涉及一种基于深度学习的弓网接触网导线磨耗测量方法。
技术介绍
1、在轨道交通系统中,钢轨上空架设的输电线路称为接触网,其作用是把从牵引变电所获得的电能直接输送给电力机车,为电力机车提供行驶动力。电力机车通过安装在车顶的受电弓与接触网导线直接接触获取电流,因此长期运行会使接触网导线产生磨损,如果磨损严重可导致接触网导线断裂,从而威胁电力机车的安全运行。
2、近年来经济的快速发展提升了人们对便捷出行的需求,因此国内各大城市加快发展城市轨道交通,地铁、轻轨等新型交通工具在全国范围内快速普及,因此地铁牵引供电系统设备的可靠性、运行安全性成为城市管理者关注的重点。
3、地铁牵引供电系统设备的可靠性、运行安全性是整个地铁系统安全运行的重要保障。为提升运营车辆的安全运行,采用智能、快速、非接触、可靠的检测技术对接触网导线进行磨耗检测显得尤为重要,如图2接触网导线图(弓的正上方即为接触网导线)。
4、传统的接触网导线磨耗测量方法是用游标卡尺人工测量。再进行人工测量前,首先应检查游标卡尺各部件是否有损伤、弯曲或变形,电子屏是否显示正常;然后用软布将游标卡尺的测量爪擦拭干净,并使其并拢并使显示屏的读数归零;之后将游标卡尺两端对准磨耗界面,并保持卡尺与尺寸方向平行;最后读出游标卡尺上的读数并记录。这种方法的优点便是操作简单,只需人工手动测量;与此同时这种测量方法存在着巨大的局限性。一、由于轨道交通接触网导线的架设高度普遍在4~6米范围内,因此使用传统接触网导线磨耗测量方法进行测量的难度较
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的弓网接触网导线磨耗测量方法,以解决现有传统的接触网导线磨耗测量方法存在精度低、实时性差等缺点,不能满足智能化轨道交通安全、可靠运营的技术要求问题。
2、本专利技术提供一种基于深度学习的弓网接触网导线磨耗测量方法,包括;
3、s101、获取检测配置信息以及惯导信息,所述检测配置信息包括udp参数信息、相机配置信息、惯导配置信息、视频保存参数信息以及算法参数;
4、s102、根据所述惯导信息判断机车的行驶状态,根据机车行驶状态开启硬件设备,所述硬件设备包括线阵相机,通过所述线阵相机拍摄并回传图片,得到线阵相机回传图像;
5、s103、采用预设算法对线阵相机回传图像进行预处理,得到待检测图像,所述线阵相机回传图像进行预处理包括相机异常检测、图像格式转换以及图像旋转;
6、s104、从上到下对所述待检测图像进行扫描,得到亮点的坐标值,进行图像坐标到实际坐标的转换,将物理拉出值和导高值通过udp播报的形式发出,根据预设算法接收并解析udp中包含的高度信息,并根据高度范围阈值判断接触网导线类型为柔性接触网导线或刚性接触网导线,得到接触网导线类型判断结果;
7、s105、根据接触网导线类型判断结果,进行接触网导线磨耗计算,得到接触网导线磨耗计算结果;
8、s106、根据所述接触网导线磨耗计算结果对图片进行信息标注,并将信息标注对应的数据存储至数据库,根据存储至数据库中的磨耗信息,生成对应的时序图、空间图。
9、进一步地,s105、根据接触网导线类型判断结果,进行接触网导线磨耗计算,包括;
10、通过预先设定算法根据拉出值数据计算得到接触网导线的位置,得到位置数据,根据位置数据生成roi区域;
11、在roi区域内找亮度值最大的点,然后根据亮度值最大的点的位置生成roi2,根据roi2的区域计算roi2区域的灰度均值;
12、对待检测图像进行卷积,并根据所述灰度均值对卷积得到的图像进行二值化,得到二值化后的图像;
13、根据以下公式对二值化后的图像分别乘对应的卷积核,进行左右梯度的计算;
14、
15、其中,为像素点(x,y)的梯度值,x为像素点的横坐标,y为像素点的纵坐标。
16、进一步地,s105、根据接触网导线类型判断结果,进行接触网导线磨耗计算,包括;
17、在进行模型训练前,对检测对象进行分析,并根据检测对象建立标签,然后对收集到的样本集进行标注;
18、在模型文件中根据图片尺寸合理调整输入网络的尺寸大小,并根据标签个数设置网络的输出类别个数,完成模型的训练准备工作;
19、在训练过程中神经网络首先会对输入图像进行图像数据增强处理,所述图像数据增强处理包括光度畸变:调整图像的亮度、对比度、色调、饱和度和噪声以及几何畸变,得到增强图像数据:
20、对增强图像数据进行随机缩放、剪切、翻转和反旋转以及模拟对象遮挡;
21、随机选择图像中的矩形区域,并随机填充一个随机的或互补的零值,然后再经过卷积、池化操作获得图像特征,并将图像特征获取过程中的参数保存为权重文件;
22、最后计算损失函数值,当损失函数值最小时,则保存权重信息到权重文件。
23、本专利技术的有益效果如下:本专利技术提供的一种基于深度学习的弓网接触网导线磨耗测量方法,本专利方案解决了接触网导线磨耗人工测量存在的精度低、实时性差的问题。此外,人工检测存在的安全问题和时间成本也成为本专利进行技术替代和技术普及的必要条件。
24、与现有技术相比,本专利的有益效果是:该方法充分利用安装在机车车顶的专用高可靠性激光和线阵相机,可以在列车工作的时间段内不间断地收集接触网导线图片信息。结合工控机强大的计算能力,本专利算法可以对相机回传的接触网导线图像根据类别进行实时分析,并将数据结果保存在数据库中。连续不断地分析得到大量的接触网导线磨耗数据,而这些精确的数据信息为后续的分析研判和接触网导线的替换工作打下了坚实的基础。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的弓网接触网导线磨耗测量方法,其特征在于,包括;
2.如权利要求1所述的基于深度学习的弓网接触网导线磨耗测量方法,其特征在于,S105、根据接触网导线类型判断结果,进行接触网导线磨耗计算,包括;
3.如权利要求1所述的基于深度学习的弓网接触网导线磨耗测量方法,其特征在于,S105、根据接触网导线类型判断结果,进行接触网导线磨耗计算,包括;
【技术特征摘要】
1.一种基于深度学习的弓网接触网导线磨耗测量方法,其特征在于,包括;
2.如权利要求1所述的基于深度学习的弓网接触网导线磨耗测量方法,其特征在于,s105、根据接触网导线类型判断结...
【专利技术属性】
技术研发人员:吕登登,王洪亮,
申请(专利权)人:上海天链轨道交通检测技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。