[发明专利]基于级联式神经网络的受电弓在线检测装置及方法

权利要求书

1.一种基于级联式神经网络的受电弓在线检测装置，其特征在于，包括图像采集单元、图像传输单元和图像处理单元；

图像采集单元获取受电弓前后图像，对获取的图像进行图像增强处理并标注，构建受电弓图像数据集；利用受电弓图像数据集对级联式神经网络模型进行训练，得到受电弓检测模型和模型参数；将受电弓检测模型加载至终端图像处理单元，并利用图像采集单元对列车运行进行实时监测；列车经过时触发图像采集单元获取受电弓图像，利用一级神经网络模型对受电弓羊角进行定位和状态检测，并计算受电弓中心位置,同时返回受电弓羊角状态信息；再利用二级神经网络模型对接触网进行分割，并结合其结构特征确定接触网中心线；最后利用受电弓中心线与接触网中心线计算中心线偏移量，若偏移量超出安全阈值则发出异常警报，否则返回待检测状态等待下一列通过；

所述受电弓检测模型是以Faster-RCNN网络作为一级模神经网络型，U-net网络作为二级神经网络模型串联构成；其中Faster-RCNN网络在Fast-RCNN网络的基础上增加了候选区域推荐网络，包含13个卷积层、13个relu激活层和4个池化层；U-net网络由4个正向卷积池化层和4个反向卷积池化层构成，通过正向卷积进行图像特征提取和特征融合，通过反向卷积进行维度恢复以实现像素级分割。

2.根据权利要求1所述的基于级联式神经网络的受电弓在线检测装置，其特征在于，所述图像采集单元包括第一～第四磨耗相机，第一、第二中心线相机，第一～第八滑板闪光灯，第一、第二光电传感器；第二光电传感器设置在第一光电传感器后方；

当第一光电传感器检测到受电弓时，第一磨耗相机、第一中心线相机、第二磨耗相机对受电弓进行拍摄，并且第一～第四滑板闪光灯与上述三个相机同步，对目标受电弓进行补光；

当第二光电传感器检测到受电弓时，第三磨耗相机、第二中心线相机、第四磨耗相机对受电弓进行拍摄，并且第五～第八滑板闪光灯与上述三个相机同步，对目标受电弓进行补光。

3.一种基于级联式神经网络的受电弓在线检测方法，其特征在于，包括以下步骤：

步骤1、通过图像采集单元获取受电弓前后图像，对获取的图像进行图像增强处理并标注，构建受电弓数据集；

步骤2、构建基于级联式神经网络的受电弓检测模型，利用受电弓数据集对级联式神经网络模型进行离线训练获得受电弓检测模型和模型参数，并将受电弓检测模型加载至终端图像处理单元；

步骤3、利用图像采集单元对列车运行进行实时监测，列车经过时触发图像采集单元获取该列车受电弓图像并进行图像预处理；

步骤4、利用一级神经网络模型对图像中受电弓羊角进行定位和状态检测，若检测到羊角状态异常，则发出异常警报；否则继续计算受电弓中心接触点位置；

步骤5、利用步骤4中羊角的定位信息从图像中提取受电弓主体位置，利用二级神经网络模型对接触网进行分割，并结合其结构特征确定接触网中心线；

步骤6、利用受电弓中心接触点与接触网中心线计算中心线偏移量，若偏移量超过安全阈值则发出异常警报，否则返回步骤3等待下一列车通过。

4.根据权利要求3所述的基于级联式神经网络的受电弓在线检测方法，其特征在于：步骤1中所述对获取的图像进行图像增强处理，采用单尺度视网膜增强算法以增强图像中的边缘信息。

5.根据权利要求3所述的基于级联式神经网络的受电弓在线检测方法，其特征在于：步骤2中所述的基于级联式神经网络的受电弓检测模型是以Faster-RCNN网络作为一级模型，U-net网络作为二级模型串联构成；其中Faster-RCNN网络在Fast-RCNN网络的基础上增加了候选区域推荐网络，包含13个卷积层、13个relu激活层和4个池化层；U-net网络由4个正向卷积池化层和4个反向卷积池化层构成，通过正向卷积进行图像特征提取和特征融合，通过反向卷积进行维度恢复以实现像素级分割。