本申請涉及列車安全檢測領(lǐng)域，更具體地說，涉及一種受電弓升降弓狀態(tài)檢測方法和裝置。

背景技術(shù)：

受電弓是指列車(含動車、機車、車輛、地鐵、有軌電車等)頂部與供電導(dǎo)線接觸，以獲取電力驅(qū)動列車運行的關(guān)鍵部件，其工作狀態(tài)直接影響列車運行安全。對受電弓升降弓狀態(tài)進行監(jiān)控能夠有效避免因為升降弓問題而引起的行車安全事故。

目前通常利用信號傳感器對受電弓升降弓狀態(tài)進行監(jiān)控，如當(dāng)信號傳感器輸出第一感應(yīng)信號時，確定受電弓為升弓狀態(tài)；當(dāng)信號傳感器輸出第二感應(yīng)信號時，確定手電工為降弓狀態(tài)。由于信號傳感器容易受到外部信號的干擾，因而當(dāng)前的受電弓升降狀態(tài)的檢測精度較低。

技術(shù)實現(xiàn)要素：

有鑒于此，本申請?zhí)峁┮环N受電弓升降弓狀態(tài)檢測方法和裝置，以提高受電弓升降狀態(tài)的檢測精度。

為了實現(xiàn)上述目的，現(xiàn)提出的方案如下：

一種受電弓升降弓狀態(tài)檢測方法，包括：

獲取受電弓的狀態(tài)圖像；

提取所述狀態(tài)圖像中的局部特征；

基于預(yù)先建立的人工神經(jīng)網(wǎng)絡(luò)模型對所述局部特征進行識別，并根據(jù)識別結(jié)果判斷受電弓的升降弓狀態(tài)以及對所述人工神經(jīng)網(wǎng)絡(luò)模型進行更新。

優(yōu)選的，所述獲取受電弓的狀態(tài)圖像，包括：

獲取受電弓的二維狀態(tài)圖像。

優(yōu)選的，所述獲取受電弓的狀態(tài)圖像包括：

獲取受電弓的三維狀態(tài)圖像。

優(yōu)選的，所述提取所述狀態(tài)圖像中的局部特征，包括：

提取受電弓二維狀態(tài)圖像的sift特征、邊緣特征、亮度結(jié)構(gòu)等局部信息。

優(yōu)選的，所述提取所述狀態(tài)圖像中的局部特征，包括：

提取受電弓三維狀態(tài)圖像的深度信息、邊緣結(jié)構(gòu)信息、目標(biāo)梯度信息。

優(yōu)選的，所述基于預(yù)先建立的人工神經(jīng)網(wǎng)絡(luò)模型對所述局部特征進行識別，并根據(jù)識別結(jié)果判斷受電弓的升降弓狀態(tài)以及對所述人工神經(jīng)網(wǎng)絡(luò)模型進行更新，包括：

比較所述人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)局部特征與所述狀態(tài)圖像的局部特征，其中所述預(yù)設(shè)局部特征包括預(yù)設(shè)升弓狀態(tài)局部特征和預(yù)設(shè)降弓狀態(tài)局部特征；

當(dāng)所述狀態(tài)圖像的局部特征與所述預(yù)設(shè)升弓狀態(tài)局部特征的相似度達到預(yù)設(shè)閾值時，確定所述受電弓為升弓狀態(tài)；

基于所述狀態(tài)圖像的局部特征對所述人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)升弓狀態(tài)局部特征進行更新；

當(dāng)所述狀態(tài)圖像的局部特征與所述預(yù)設(shè)降弓狀態(tài)局部特征的相似度達到預(yù)設(shè)閾值時，確定所述受電弓為降弓狀態(tài)；

基于所述狀態(tài)圖像的局部特征對所述人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)降弓狀態(tài)局部特征進行更新。

一種受電弓升降狀態(tài)檢測裝置，包括：

圖像采集單元，用于獲取受電弓的狀態(tài)圖像；

特征提取單元，用于提取所述狀態(tài)圖像中的局部特征；

圖像識別單元，用于基于預(yù)先建立的人工神經(jīng)網(wǎng)絡(luò)模型對所述局部特征進行識別，并根據(jù)識別結(jié)果判斷受電弓的升降弓狀態(tài)以及對所述人工神經(jīng)網(wǎng)絡(luò)模型進行更新。

優(yōu)選的，所述圖像采集單元包括：二維圖像采集模塊和/或三維圖像采集模塊。

優(yōu)選的，當(dāng)所述狀態(tài)圖像為二維圖像時，所述特征提取單元用于提取受電弓二維狀態(tài)圖像的sift特征、邊緣特征、亮度結(jié)構(gòu)等局部信息。

當(dāng)所述狀態(tài)圖像為三維圖像時，所述特征提取單元用于提取受電弓三維狀態(tài)圖像的深度信息、邊緣結(jié)構(gòu)信息、目標(biāo)梯度信息。

優(yōu)選的，所述圖像識別單元包括：

比較模塊，用于比較所述人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)局部特征與所述狀態(tài)圖像的局部特征，其中所述預(yù)設(shè)局部特征包括預(yù)設(shè)升弓狀態(tài)局部特征和預(yù)設(shè)降弓狀態(tài)局部特征；

受電弓狀態(tài)檢測模塊，用于當(dāng)所述狀態(tài)圖像的局部特征與所述預(yù)設(shè)升弓狀態(tài)局部特征的相似度達到預(yù)設(shè)閾值時，確定所述受電弓為升弓狀態(tài)；

當(dāng)所述狀態(tài)圖像的局部特征與所述預(yù)設(shè)降弓狀態(tài)局部特征的相似度達到預(yù)設(shè)閾值時，確定所述受電弓為降弓狀態(tài)；

人工神經(jīng)網(wǎng)絡(luò)模型更新模塊，用于基于所述狀態(tài)圖像的局部特征對所述人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)局部特征進行更新。

經(jīng)由上述技術(shù)方案可知，本申請公開了一種受電弓升降狀態(tài)檢測方法和裝置。該方法獲取受電弓的狀態(tài)圖像，繼而提取狀態(tài)圖像中的局部特征，并基于預(yù)先建立的人工神經(jīng)網(wǎng)絡(luò)模型對所述局部特征進行識別，以判斷受電弓的升降弓狀態(tài)以及對所述人工神經(jīng)網(wǎng)絡(luò)模型進行更新。本發(fā)明采用人工神經(jīng)網(wǎng)絡(luò)模型對受電弓狀態(tài)圖像進行識別的方式確定受電弓的升降狀態(tài)，與現(xiàn)有技術(shù)采用信號傳感器的方式相比，本發(fā)明不受外部信號的干擾，提高了受電弓的狀態(tài)檢測精度。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1示出了本發(fā)明一個實施例公開的一種受電弓升降弓狀態(tài)檢測方法的流程示意圖；

圖2示出了本發(fā)明另一個實施例公開的一種受電弓升降弓狀態(tài)檢測方法的流程示意圖；

圖3示出了本發(fā)明另一個實施例公開的一種受電弓升降弓狀態(tài)檢測裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

參見圖1示出了本發(fā)明一個實施例公開的一種受電弓升降弓狀態(tài)檢測方法的流程示意圖。

由圖1可知，該方法包括：

S101：獲取受電弓的狀態(tài)圖像。

采用檢測相機拍攝列車受電弓圖像，以獲得受電弓的狀態(tài)圖像。其中，該狀態(tài)圖像可為二維狀態(tài)圖像，也可以是三維狀態(tài)圖像。

S102：提取所述狀態(tài)圖像中的局部特征。

當(dāng)獲取到的狀態(tài)圖像為二維狀態(tài)圖像時，提取受電弓二維狀態(tài)圖像的sift特征、邊緣特征、亮度結(jié)構(gòu)等局部信息。

當(dāng)獲取到的狀態(tài)圖像為三維狀態(tài)圖像時，提取受電弓三維狀態(tài)圖像的深度信息、邊緣結(jié)構(gòu)信息、目標(biāo)梯度信息。

S103：基于預(yù)先建立的人工神經(jīng)網(wǎng)絡(luò)模型對所述局部特征進行識別，并根據(jù)識別結(jié)果判斷受電弓的升降弓狀態(tài)以及對所述人工神經(jīng)網(wǎng)絡(luò)模型進行更新。

預(yù)先建立人工神經(jīng)網(wǎng)絡(luò)模型，其中所述人工神經(jīng)網(wǎng)絡(luò)模型中包括預(yù)設(shè)升弓狀態(tài)局部特征和預(yù)設(shè)降弓狀態(tài)局部特征。在實際應(yīng)用中為了保證人工神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性，需要實時對人工神經(jīng)網(wǎng)絡(luò)模型中的預(yù)設(shè)升弓狀態(tài)局部特征和預(yù)設(shè)降弓狀態(tài)局部特征進行更新。

由上述技術(shù)方案可知，本申請公開了一種受電弓升降狀態(tài)檢測方法和裝置。該方法獲取受電弓的狀態(tài)圖像，繼而提取狀態(tài)圖像中的局部特征，并基于預(yù)先建立的人工神經(jīng)網(wǎng)絡(luò)模型對所述局部特征進行識別，以判斷受電弓的升降弓狀態(tài)以及對所述人工神經(jīng)網(wǎng)絡(luò)模型進行更新。本發(fā)明采用人工神經(jīng)網(wǎng)絡(luò)模型對受電弓狀態(tài)圖像進行識別的方式確定受電弓的升降狀態(tài)，與現(xiàn)有技術(shù)采用信號傳感器的方式相比，本發(fā)明不受外部信號的干擾，提高了受電弓的狀態(tài)檢測精度。

參見圖2示出了本發(fā)明另一個實施例公開的一種受電弓升降弓狀態(tài)檢測方法的流程示意圖。

由圖2可知，該方法包括：

S201：獲取受電弓的狀態(tài)圖像。

采用檢測相機拍攝列車受電弓圖像，以獲得受電弓的狀態(tài)圖像。其中，該狀態(tài)圖像可為二維狀態(tài)圖像，也可以是三維狀態(tài)圖像。

S202：提取所述狀態(tài)圖像中的局部特征。

當(dāng)獲取到的狀態(tài)圖像為二維狀態(tài)圖像時，提取受電弓二維狀態(tài)圖像的sift特征、邊緣特征、亮度結(jié)構(gòu)等局部信息。

當(dāng)獲取到的狀態(tài)圖像為三維狀態(tài)圖像時，提取受電弓三維狀態(tài)圖像的深度信息、邊緣結(jié)構(gòu)信息、目標(biāo)梯度信息。

S203：比較人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)局部特征與所述狀態(tài)圖像的局部特征。

S204：當(dāng)所述狀態(tài)圖像的局部特征與人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)升弓狀態(tài)局部特征的相似度達到預(yù)設(shè)閾值時，確定所述受電弓為升弓狀態(tài)。

S205：當(dāng)所述狀態(tài)圖像的局部特征與所述預(yù)設(shè)降弓狀態(tài)局部特征的相似度達到預(yù)設(shè)閾值時，確定所述受電弓為降弓狀態(tài)。

S206：基于所述狀態(tài)圖像的局部特征對所述人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)局部特征進行更新。

如，當(dāng)確定受電弓的狀態(tài)為降弓狀態(tài)，且受電弓的狀態(tài)圖像和預(yù)設(shè)人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)降弓狀態(tài)局部特征中同時存在局部特征A時，對人工神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進行更新，以增加局部特征A的權(quán)重。

參見圖3示出了本發(fā)明另一個實施例公開的一種受電弓升降弓狀態(tài)檢測裝置的結(jié)構(gòu)示意圖。

由圖3可知，該裝置包括：圖像采集單元1、特征提取單元2、圖像識別單元3。

其中，圖像采集單元1用于獲取受電弓的狀態(tài)圖像并將獲取到的狀態(tài)圖像發(fā)送至特征提取單元2中。

可選的，該圖像采集單元包括：二維圖像采集模塊21和/或三維圖像采集模塊22。

特征提取單元2接收圖像采集單元1發(fā)送的狀態(tài)圖像，并提取所述狀態(tài)圖像中的局部特征。

具體的，當(dāng)所述狀態(tài)圖像為二維圖像時，所述特征提取單元用于提取受電弓二維狀態(tài)圖像的sift特征、邊緣特征、亮度結(jié)構(gòu)等局部信息。

當(dāng)所述狀態(tài)圖像為三維圖像時，所述特征提取單元用于提取受電弓三維狀態(tài)圖像的深度信息、邊緣結(jié)構(gòu)信息、目標(biāo)梯度信息。

圖像識別單元3用于基于預(yù)先建立的人工神經(jīng)網(wǎng)絡(luò)模型對所述局部特征進行識別，并根據(jù)識別結(jié)果判斷受電弓的升降弓狀態(tài)以及對所述人工神經(jīng)網(wǎng)絡(luò)模型進行更新。

可選的，在本發(fā)明公開的其他裝置實施例匯中，該圖像識別單元3具體包括：比較模塊31、受電弓狀態(tài)檢測模塊32以及人工神經(jīng)網(wǎng)絡(luò)更新模塊33。

其中，比較模塊31用于比較所述人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)局部特征與所述狀態(tài)圖像的局部特征。所述預(yù)設(shè)局部特征包括預(yù)設(shè)升弓狀態(tài)局部特征和預(yù)設(shè)降弓狀態(tài)局部特征。

受電弓狀態(tài)檢測模塊32用于當(dāng)所述狀態(tài)圖像的局部特征與所述預(yù)設(shè)升弓狀態(tài)局部特征的相似度達到預(yù)設(shè)閾值時，確定所述受電弓為升弓狀態(tài)；當(dāng)所述狀態(tài)圖像的局部特征與所述預(yù)設(shè)降弓狀態(tài)局部特征的相似度達到預(yù)設(shè)閾值時，確定所述受電弓為降弓狀態(tài)。

人工神經(jīng)網(wǎng)絡(luò)模型更新模塊33用于基于所述狀態(tài)圖像的局部特征對所述人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)局部特征進行更新。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。