[发明专利]接触网视频图像云端智能监测与故障识别方法

权利要求书

1.接触网视频图像云端智能监测与故障识别方法，其特征在于：

所述方法包括以下步骤：

（1）模型训练：

采集高铁线路接触网正常状态图像和部件异常图像，建立正常状态标准图像库和部件异常图像库；然后构造两种类型算法，一种是基于正常状态标准图像库构建接触网状态比对算法，用于发现接触网整体异常情况；另一种是接触网部件故障识别算法，该算法是基于深度学习方法通过部件异常图像库训练的故障识别模型所形成的算法；

（2）视频图像采集与传输；

运营列车或接触网作业车上的摄像机拍摄接触网全景和部件局部图像，将本地缓存的图像数据上传到云中心；

（3）视频图像数据分布式存储：

系统接收步骤（2）上传的图像数据，并将其存储于HBase数据库中；

（4）智能监测与故障识别任务调度：

系统监测接收到待识别的图像，调度系统分配计算资源，以Docker容器运行智能监测与故障识别算法，并将监测与故障识别结果保存数据库中；

（5）接触网状态检修流程化操作；

步骤（1）具体为：

(1.1)建立接触网正常状态标准数据集：具体地，在运营列车驾驶室安装摄像头，摄取线路全部视频图像，每一跨段抽取三帧图片：按里程抽取存储支柱近处拍摄的接触网全貌图片，以接触网支柱编号为文件名存储；每跨段支柱近处拍摄的接触网全貌图像，每一跨段内提取两帧图片，反映本跨段内承力索、接触线和吊弦的部件状态；

(1.2)训练基于正常接触网状态图像的监测模型，利用高铁2C系统采集接触网吊弦、定位器、绝缘子的部位图像，与其历史正常图像进行比对，监测当前结构件是否变化、变化的趋势和变化的类型，实现异常检测，具体流程如下：

(1.2a)以支柱为基准对不同时间采集的图像进行对齐配准，最大程度消除由于车速、光线的外部因素造成的图像错位问题；

(1.2b)进行图像预处理，以消除噪声对图像特征信息的混淆；

(1.2c)采用深度网络自编码器提取特征，并进行特征匹配，通过粗略局部比对找寻与接触网历史正常图像无法匹配的特征区域，将其作为待识别故障区域；

(1.2d)将待识别故障区域作为模板，搜寻整幅接触网历史正常图像，精准定位故障位置；

(1.2e)若匹配成功，表明该部位无异常，否则该部位发生异常；

(1.3)建立接触网部件故障识别数据集，具体地，从4C获取的接触网图片中，按部件选取正常图片和异常图片，再通过GAN对抗网络技术生成异常样本，使得其总数基本与正常图片个数相同；

(1.4) 训练接触网部件故障识别模型，具体地，以I-RFCN深度网络训练接触网关键部件故障识别模型，具体步骤如下：

(1.4a)接触网图像预处理模块输出的图片随机划分为三组数据集，分别作为训练集、验证集和测试集；

(1.4b)利用训练集及其标注信息，对接触网I-RFCN网络模型进行训练，并基于贝叶斯优化的思想，根据训练集、验证集识别率关系对模型的参数进行调整，初步得到接触网关键部件识别的网络模型；

(1.4c)利用得到的模型对验证集测试集进行测试，设定阈值，统计接触网部件识别准确率是否达到阈值，若达到则保存接触网I-RFCN网络模型，否则，根据测试集、训练集、验证集准确率及通过扩充接触网关键部件图像样本对模型参数进行调整。

2.根据权利要求1所述的接触网视频图像云端智能监测与故障识别方法，其特征在于：

步骤（2）中，接触网图像数据传输模块基于4G/5G高速传输接触网视频图像数据到分布式存储系统，2C和 4C系统在机车上安装本地高速SSD缓存，将拍摄的视频和图像暂存于本地；2C系统增加边缘计算，将需要识别的图片从视频中遴选出来缓存于本地存储中，边缘服务器通过高速网络定时将缓存中的2C和4C图片通过Aspera FASP™高效协议传输到云平台服务器的分布式存储中。