[发明专利]一种用于受电弓故障的车载图像识别方法

说明书

本发明公开了一种用于受电弓故障的车载图像识别方法，通过设计基于Faster R‑CNN目标检测器原理的弓头定位模型实现弓头定位，通过应用ResNet、FPN实现了在途检测中，复杂背景干扰，与受电弓多尺度检测问题，解决了传统图像方法在复杂且变化的环境中目标检测效果不好的问题，在一些极端的条件下检测结果表明，本发明设计的弓头检测模型具有很好的鲁棒性、泛化性，且实现了快速检测定位。本发明解决当下定点检测系统对受电弓状态检测不足问题，并将深度学习的图像处理技术与传统的图像模板匹配等技术结合，解决随车图像检测中的复杂背景干扰问题，实现具有良好鲁棒性的故障随车在线检测算法，提高图像监测识别效率，具有推广应用的价值。

技术领域

本发明涉及受电弓故障检测技术领域，尤其涉及一种用于受电弓故障的车载图像识别方法。

背景技术

受电弓安装在列车顶部，通过受电弓碳滑板与接触网摩擦接触为列车提供电能。受电弓的工作环境复杂，在列车的长期运行中，受到电磁、高温、振动的持续作用，极易出现故障而引发列车运行安全事故。因此，开展受电弓的故障检测显得特别必要。

早期受电弓故障检测主要以人工检测为主，通过人工检测的方法对受电弓的各个重要部件进行观测和测量，在停车入库断电时工作人员登上车顶，使用测量工具对碳滑板损耗情况进行测量，检查各个部件是否有诸如裂纹、变形、缺失等异常状态。

通过人工检测方式存在检测时间长、耗费人力，以及对受电弓重要部件监测度不够的缺点，不能满足在线监测要求，也不适应铁路发展的需求。经过数十年的发展，对受电弓故障在线自动检测主要形成了接触式与非接触式两种方法。其中非接触式检测为目前技术发展的主流方向，分为定点检测与随车检测两种方式。接触式检测方法主要是通过测量压力、温度、加速度、位移、应变等的传感器，直接获得弓网关键部件的力学特性、电气参数、材料性能、热工学性能等信息，通过对采集的这些信息的进一步分析，判别当前弓网设备的运行状态，如结构失效、参数退化、性能不达标等。

接触式检测缺点是检测设备通常只能实现对单一检测项目，部分检测装置还需要对受电弓进行改造，会影响受电弓动力学性能；此外传感器测量数据包含环境噪声，传统的数字信号处理的时域、频域分析方法在有大量不确定噪声的情况下，不具有很好的鲁棒性，影响检测结果。

非接触式检测主要采用高分辨率相机、激光传感器等获取受电弓外观形貌特征并进行异常状态检测，以检测设备安装位置不同，有定点检测与随车检测两种方式。激光检测器检测精度高但功能比较单一，通常与图像检测技术配合使用实现多种检测功能，在车站、车辆出入库段安装检测设备，实现定点检测。图像检测与激光检测方式相比具有更高的灵活性，通过不同的相机组合可实现不同检测项目，在定点检测与随车检测上均有应用，但传统图像处理方法通常利用基于灰度值的低级特征，不具有很好的鲁棒性，难以适应复杂的检测环境。

受电弓故障非接触式检测方法无论是从检测功能、灵活性，还是性能上都有极大的优势，为目前受电弓检测的主流技术方向。非接触式定点检测方法中，单靠激光定点检测存在功能单一缺点，更多是采用激光与图像结合的定点检测方式，虽然这种检测方式有着检测精度高、检测项目多的优点，但检测系统复杂，无法实现在途实时检测，且激光检测器制造成本高，而仅依靠图像检测的定点检测系统虽然避免了行车中的复杂背景的干扰，提高了检测精度，有成本上优势，但同样无法满足在线实时检测的要求。