[发明专利]一种基于图像识别的弓网视频分析系统及方法

说明书

本发明公开了一种基于图像识别的弓网视频分析系统及方法，属于城市轨道交通智能运维领域。本发明的基于图像识别的弓网视频分析系统包括数据源层、平台支撑层、核心功能层和访问层，核心功能层包括作业管理模块、分析引擎模块、模型管理模块和输出模块。本发明还提供一种基于图像识别的弓网视频分析方法，步骤为S1：数据标注；S2：模型训练；S3：数据接入；S4：视频解析；S5：火花识别；S6：数据融合分析；S7：结果输出。本发明利用人工智能技术，结合深度学习算法训练火花识别模型，对海量弓网监控视频进行离线分析，精准识别打火现象，减少了人工主观判断的误差，提高了故障监测的准确度。

技术领域

本发明涉及城市轨道交通智能运维领域，具体涉及为一种基于图像识别的弓网视频分析系统及方法。

背景技术

城市轨道交通是复杂的系统工程，涉及车辆、信号、供电、通信、自动售检票等多个系统，包括众多子系统及产品部件，系统的安全、稳定运行需要各专业设施设备处于良好的服役状态。随着网络规模的快速扩张，城市轨道交通设备数量迅速增加。一个城市的地铁全网有上万台(套)设施设备，分布于线网延伸区域。由于设备种类繁多、数量庞大，长时间运行带来的不可预期故障对运营服务影响很大，如此大体量的设备设施维修目前主要依靠传统人工检修模式进行，需要投入大量人力成本。

其中，接触网系统是城市轨道交通牵引供电系统最重要的关键环节之一，地铁通过车顶受电弓与接触网上的良好接触取流，从而给牵引电机供电，给地铁提供动力，接触网与受电弓之间的匹配关系直接影响地铁的取流质量，频繁的运输任务使得机车受电弓与接触网频繁的磨损，接触网与受电弓发生机械脱开，我们称这种现象为“离线”，离线发生时伴随着有火花的产生，通过统计整条线路火花发生位置，发生大小，火花持续时间等信息，评估整条线路的健康状况。

当前传统方法是通过人工观看视频，记录火花发生时间，预估火花发生的位置，然后定期反馈给接触网维修班定期检查弓网线路。传统的方法工作效率低，反馈时效性差，火花大小完全取决于主观判断，缺少量化衡量指标，对整个线路健康状况评估效果差。

发明内容

本发明的目的是为了解决传统弓网检修方法中人力投入大、精确度低、检修效率差、缺乏量化评估指标的问题而提出一种基于图像识别的弓网视频分析系统及方法。

为解决上述技术问题，本发明采用的技术方案如下：

一种基于图像识别的弓网视频分析系统，包括：

数据源层，用于支持接入图片、视频和结构化文件数据；

平台支撑层，用于大数据云平台提供数据存储、模型训练和模型计算的基础存算功能；

核心功能层，包括作业管理模块、分析引擎模块、模型管理模块和输出模块；

所述作业管理模块用于对视频分析进行新建作业、作业排序、作业删除、作业检索、权限管理和用户管理；

所述分析引擎模块用于图像智能识别和视频解析，将视频按照帧数拆分成图片，同时提供CPU和GPU两种驱动管理；

所述模型管理模块用于火花识别模型的训练、优化、更新以及应用；

所述输出模块用于输出打火分析信息；

访问层，用于面向运营管理人员和供建中心提供系统访问入口。

进一步的是，所述结构化文件包括列车时速表和站区公里表。

进一步的是，所述打火分析信息包括打火截图、打火位置、打火时间、区间打火率和告警信息。

一种基于图像识别的弓网视频分析方法，应用于一种基于图像识别的弓网视频分析系统，包括以下步骤：

S1：数据标注；

S2：模型训练；