[发明专利]一种基于计算机视觉的受电弓结构异常检测方法

说明书

本发明公开一种基于计算机视觉的受电弓结构异常检测方法，包括如下步骤：利用受电弓的在线运行图片数据作为训练集数据，训练集数据基于深度学习网络模型训练获得受电弓位置检测模型；通过受电弓位置检测模型检测正常的受电弓图像和待检测图像，分析处理后分别获取模板特征数据和待检测图像的受电弓特征数据；将模板特征数据与待检测图像的受电弓特征数据进行相关性计算，并将相关性计算结果与预设阈值进行对比，大于预设阈值，则判定为正常；反之，则判定为异常。本发明利用少量的受电弓异常素材，实现受电弓结构异常的自动检测，提高检测的准确性和实时性。

技术领域

本发明涉及检测装置技术领域，尤其涉及一种基于计算机视觉的受电弓结构异常检测方法。

背景技术

目前，受电弓结构异常情况多种多样，据不完全统计，主要的受电弓结构异常包括：受电弓碳滑板打断、受电弓打翻、受电弓倾斜、受电弓羊角异常等。针对各种异常情况需要设计特定的检测方法，导致很难做到实时检测。

高铁，动车在运行过程中的背景环境复杂，比如有车站，隧道，桥梁，接触网，夜间高亮灯光等复杂环境，设计一种通用的检测方法难度较大。

受电弓结构异常素材的短缺。不同的列车受电弓类型可能不同，且受电弓与摄像机的距离，焦距，角度都有可能不同，导致需要收集全一类受电弓的所有异常数据类型非常困难。

现有的受电弓异常检测一般通过以下几种方式：

(1)人工定期检查，定期更换受电弓；

(2)通过受电弓摄像机进行人工监视；

(3)通过深度学习技术对异常受电弓和正常受电弓进行图像分类；

前两种方式不仅不能保证受电弓结构异常的实时报警，而且耗时耗力，浪费了大量人工。第三种方式由于需要大量的包含各种异常类型的数据作为训练样本，而受电弓异常素材的短缺导致分类效果很差，漏检误报较多，无法满足应用。

发明内容

为了解决上述技术问题，本发明提出一种基于计算机视觉的受电弓结构异常检测方法。

为了达到上述目的，本发明的技术方案如下：

一种基于计算机视觉的受电弓结构异常检测方法，包括如下步骤：

利用受电弓的在线运行图片数据作为训练集数据，训练集数据基于深度学习网络模型训练获得受电弓位置检测模型；

通过受电弓位置检测模型检测正常的受电弓图像，提取受电弓位置，将受电弓位置所在的区域图像二值化，二值化后的图像校正后进行水平投影，通过投影后的数值曲线获取模板特征数据；

通过受电弓位置检测模型检测待测的受电弓图像，提取待测受电弓位置，校正后将待测受电弓位置所在的区域图像二值化，待测图像预处理后进行水平投影，通过投影后的数值曲线获得待检测图像的受电弓特征数据；

将模板特征数据与待检测图像的受电弓特征数据进行相关性计算，并将相关性计算结果与预设阈值进行对比，大于预设阈值，则判定为正常；反之，则判定为异常。

优选地，所述受电弓的在线运行图片数据是从实时监控视频中提取的受电弓图片，所述实时监控视频中的拍摄时间为白天和夜间，所述实时监控视频中的拍摄场景包括隧道、桥梁。

优选地，所述二值化采用的方法为使用大津阈值对受电弓区域进行二值分割。

优选地，所述相关性计算方法与协方差计算方法一致，假设模板特征数据序列为M,待检测受电弓特征数据序列为S,数据序列长度均为n,则模板特征数据与待检测特征数据的协方差计算公式为：

其中，cov为协方差，i为特征序列号，E(M)、E(S)分别为M和S的均值。