[发明专利]一种受电弓碳滑板表面病害自动识别系统及方法

说明书

本发明提供了一种受电弓碳滑板表面病害自动识别系统及方法，包括：采集模块；处理模块；建模模块；训练模块；调取模块。本发明提供了一种受电弓碳滑板表面病害自动识别系统及方法，通过网络对图像数据的自主学习与特征提取，免除了传统手段的一系列图像预处理‑图像增强‑边缘检测‑特征提取‑目标识别等繁杂流程；网络对低级特征的非线性融合使得模型对病害高级特征的识别能够不受光照、位移、尺度等变化的影响，具有更好的鲁棒性；模型一旦训练完成，即可直接用于图像识别，且训练与使用过程均无需依赖人工对图像与模型进行复杂操作，具有更高的自动化与智能化程度。

技术领域

本发明涉及轨道交通车辆设备故障诊断技术领域。更具体地，涉及一种受电弓碳滑板表面病害自动识别系统及方法。

背景技术

城市轨道交通对城市交通出行与对城市发展的引导有着重要的作用。随着城市轨道交通的快速发展，对车辆部件的安全性提出了更高的要求。受电弓作为城轨列车供电系统的重要部件，因其复杂的工作环境，强烈的力学与电气作用，一直存在较高的故障率。因此，对受电弓故障的及时检测，对保障列车正常安全运营具有重大意义。受电弓出现严重故障时，可能会发生部件断裂缺失，阻碍弓网间正常受流，甚至对接触线造成损耗，从而对行车安全与线路设备造成重大危害。

现有的对于受电弓碳滑板表面磨耗的检测还多通过人工登车顶的方式进行，虽然可以实现对多种故障类型的综合识别，但对检测人员的技术水平与工作态度有较高的要求，且停车登顶的检修模式对行车也存在较大的干扰。开发行车干扰较小、识别功能多样、准确率高的受电弓滑板表面病害识别方法，实现对受电弓滑板磨耗情况进行在途高效检测，从而在不影响正常车辆运营的情况下，保障列车部件可靠与车辆的运营安全。

目前对于受电弓滑板表面磨耗自动化检测，按照其工作方式，可将其分为接触式检测与非接触式检测两种；对于非接触式检测，则可以按照检测信号的不同分为激光检测，超声波检测与图像检测这三种。相较之接触式检测，非接触式检测测对行车的干扰更少，且对弓网间的力学与电气作用基本无影响，进一步提高了检测的效率与准确性。而在非接触式检测手段中，利用激光的检测往往具有很高的精度，但是功能较为单一；超声波检测具有更广泛的功能，但是检测精度较为不足。

发明内容

为了解决上述技术问题中的至少一个，本发明的一个方面提供了一种受电弓碳滑板表面病害自动识别系统，包括：

采集模块，采集受电弓滑板表面缺陷图像；

处理模块，所述处理模块包括：

归一单元，对采集的图像数据进行归一化操作；

转换单元，将归一化后的图像转换为数据集；

建模模块，构建网络模型，设置网络模型的参数；

训练模块，根据经过数据集的数据训练所述网络模型，所述网络模型生成保存有训练完成的参数和权值信息的文件；

调取模块，调用所述文件。

优选地，所述归一化包括：

尺寸归一化、色彩模式归一化、全局特征标准化以及图像去均值。

优选地，所述建模模块包括：

网络视觉层配置单元，通过配置卷积神经网络的视觉层中的卷积层、池化层、全连接层，实现数据集的数据特征的提取与识别；

网络超参数配置单元，在solver.prototxt文件中配置网络模型的超参数。

优选地，所述网络视觉层配置单元进一步配置卷积神经网络的视觉层中的Dropout层。

优选地，所述建模模块进一步包括：

网络结构配置单元，配置网络结构的参数。