[发明专利]一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法

说明书

本发明公开了一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法。方法为：制作原始图像数据集，在原始图像碳滑板的位置进行人工标定；用无监督学习算法k‑means来对数据集中标注好的边界框进行聚类，获得大小和形状满足要求的Anchor Box，在深度学习daknetk框架下训练Yolo模型，得到受电弓碳滑板定位模型；利用受电弓碳滑板定位模型确定完整包括受电弓碳滑板的矩形区域，将矩形区域坐标在原图像进行截取；利用自适应阈值的边缘检测算法提取图像边缘，利用投影法确定碳滑板上下边界的最小距离，计算出滑板厚度。本发明能够适应复杂环境，提高了定位速率，并且提高了受电弓碳滑板磨耗检测算法的鲁棒性和精确度。

技术领域

本发明涉及交通安全工程技术领域，特别是一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法。

背景技术

随着轨道交通近年来的飞速发展，轨道列车的行车安全受到了越来越高的重视。受电弓是安装于电力机车或电动车组车顶上,从一条或多条接触导线上汲取电流的电器设备。受电弓与接触导线直接接触，长时间反复摩擦，会导致受电弓碳滑板磨损慢慢变薄。受电弓滑板的厚度过小，不仅影响城轨列车的正常供电，而且由此产生的电弧放电还会进一步加剧受电弓滑板和接触线的磨耗，因此受电弓碳滑板的磨耗检测是列车检修不可或缺的一个环节，受电弓碳滑板厚度到了一定限度必须更换。

目前国内主要采用人工检测的方法进行的受电弓碳滑板的磨耗检测，需要人工攀登至车顶检测受电弓和接触网，灵活性较强，但效率低，且检测时列车必须断电挂地线停车。基于机器视觉的受电弓磨耗检测方法利用数字图像采集和图像处理技术对弓网进行检测，是不断发展的趋势。基于机器视觉的受电弓磨耗检测方法是通过传统的图像处理方式提取受电弓碳滑板的边缘，传统的图像处理算法对图片质量要求较高，图片明暗变化对受电弓碳滑板的边缘提取影响较大，受电弓碳滑板定位精度不高，所以受电弓碳滑板磨耗检测的准确度较低。

中车青岛四方车辆研究所有限公司电气事业本部的冯勇、西安交通大学电子与信息工程学院的宋天源、钱学明在《基于深度学习的高铁受电装置安全状态快速检测方法》一文中提出了一种快速而且准确的检测高铁受电弓的方法，该方法首先利用在高铁受电弓前的摄像头捕捉到的10000余张图片作为训练样本，生成预测模型，然后利用YOLOv2算法对摄像头的实时监控图像进行在线检测，对受电弓缺失、严重形变等现象进行预警，但该方法只能粗略定位受电弓大致位置，无法精确计算碳滑板的磨耗值。

发明内容

本发明的目的在于提供一种能够适应复杂环境、定位速率高、准确性高、鲁棒性与精确度高的基于深度学习目标检测的受电弓碳滑板磨耗检测方法。

实现本发明目的的技术解决方案为：一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法，包括以下步骤：

步骤1、图片标注：由相机获取到原始图像，使用labelimg标注软件对图像中的受电弓碳滑板区域进行人工标定，生成标准的xml格式的label文件；利用voc制作数据集，用于模型训练；

步骤2、训练模型：用无监督学习算法k-means对数据集中标注好的边界框进行聚类，获得大小和形状满足要求的Anchor Box，使用Anchor Box训练yolo深度学习模型，得到受电弓碳滑板定位模型；

步骤3、确定受电弓碳滑板的上下左右边界：利用受电弓碳滑板定位模型对采集系统保存的图片进行实时在线检测，返回矩形区域坐标，将矩形区域坐标定位到原图中进行截取；

步骤4、图像处理：对步骤3中的矩形区域进行图像处理和边缘检测，提取受电弓碳滑板的轮廓边缘，根据受电弓碳滑板的上下边缘计算滑板的剩余厚度。

进一步地，步骤1所述的图片标注：由相机获取到原始图像，使用labelimg标注软件对图像中的受电弓碳滑板区域进行人工标定，生成标准的xml格式的label文件；利用voc制作数据集，用于模型训练，具体如下：