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。