[发明专利]一种基于深度学习的断路器动触头运动特性测量方法

权利要求书

1.一种基于深度学习的断路器动触头运动特性测量方法，其特征在于，具体步骤如下：

步骤S1：设置辅助标志物，采集高速图像序列；

步骤S2：将高速图像序列输入至训练好的深度学习模型中，跟踪辅助标志物的运动轨迹；

步骤S3：根据辅助标志物的轨迹计算得出断路器动触头行程时间曲线。

2.根据权利要求1所述的一种基于深度学习的断路器动触头运动特性测量方法，其特征在于，步骤S1具体为：

步骤S11：在与断路器动触头同步运动的绝缘拉杆和转轴上分别设置第一辅助标志物和第二辅助标志物，直线运动的绝缘拉杆上设置有一个所述第一辅助标志物，旋转运动的转轴上设置有两个第二辅助标志物；

步骤S12：调整高速摄像机的位置和视野采集辅助标志物运动图像，生成高速图像序列。

3.根据权利要求2所述的一种基于深度学习的断路器动触头运动特性测量方法，其特征在于，步骤S2具体为：

步骤S21：特征提取，将高速图像序列输入到改进的ResNet50网络提取多层特征图；

步骤S22：特征融合，对提取的多层特征图通过金字塔特征增强网络融合多层特征；

步骤S23：特征增强，将融合后的多层特征输入至特征增强网络得到特征增强的融合向量；

步骤S24：将融合向量输入预测头得到跟踪辅助标志物的运动轨迹。

4.根据权利要求3所述的一种基于深度学习的断路器动触头运动特性测量方法，其特征在于：

改进的ResNet50网络为将传统ResNet50网络中的输入部分第一层的7*7卷积换成了3个3*3卷积；

金字塔特征增强网络为双层金字塔结构，双层金字塔结构是在传统金字塔结构中增加一条自下而上再自上而下的路径，利用侧向连接融合各层特征；

特征增强网络包括CECA/CCFA结构和CCFA结构，CECA/CCFA结构包括两个CECA结构和两个CCFA结构，融合后的多层特征输入至CECA/CCFA结构中并重复四次后两个输出分支通过CCFA结构进行融合；

预测头包括用于预测每个位置是否含有辅助标志物的分类分支和用于预测回归框的回归分支，分类分支和回归分支均由3个线性层和RELU激活函数组成，分类分支用来预测每个位置的是否含有跟踪目标，回归分支用来预测回归框。

5.根据权利要求4所述的一种基于深度学习的断路器动触头运动特性测量方法，其特征在于：CECA结构和CCFA结构中均设置有二次采样层，二次采样的过程如下：

首先将一维向量重塑成二维特征图；

然后使用深度可分离卷积对特征图进行二次采样，深度可分离卷积具体分为：在每个通道遍历3*3的卷积核，得到与原特征图通道数一致的输出，使用1*1*通道数的点卷积扩大深度。

6.根据权利要求5所述的一种基于深度学习的断路器动触头运动特性测量方法，其特征在于：步骤S3中，

当跟踪绝缘拉杆的运动情况时，第一辅助标志物作直线运动，用欧式距离计算质心坐标的变化情况，计算公式如下：

其中，D为第一辅助标志物质心初始位置到结束位置的距离，(x₁,y₁)为初始位置第一辅助标志物质心的坐标，(x₂,y₂)为结束位置第一辅助标志物质心的坐标，结合相机拍摄速率，生成断路器动触头行程时间曲线图；

当跟踪转轴的运动情况时，两个第二辅助标志物质心连线的旋转角度即转轴的旋转角度，直线a为初始位置的两个第二辅助标志物质心连线，直线a的斜率为k₁，直线b为结束位置的两个第二辅助标志物质心连线，直线b的斜率为k₂，直线a和直线b的夹角为θ，θ∈[0,π)，θ为断路器动触头的角位移，

当k₁和k₂均存在时，计算公式如下：

当k₁和k₂均不存在时，直线a与直线b平行，θ＝0；

当k₁不存在时，且直线b与横轴的夹角α₂＜π/2时，θ＝α₂+π/2；

当k₁不存在时，且直线b与横轴的夹角α₂＞π/2时，θ＝α₂-π/2；

当k₂不存在时，且直线a与横轴的夹角α₁＜π/2时，θ＝α₁-π/2；

当k₂不存在时，且直线a与横轴的夹角α₁＞π/2时，θ＝α₁+π/2。