[发明专利]一种利用类脑技术识别受电弓缺陷的装置

权利要求书

1.一种利用类脑技术识别受电弓缺陷的装置，其特征在于，包括图像视频采集设备、边缘处理板、存储单元和供电模块，图像视频采集设备采集列车在运行状态下的图像视频，通过传输系统传输至边缘处理板中进行处理并识别特征，并将识别结果通过数据输出。

2.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述存储单元与边缘处理板连接，为边缘处理板提供存储空间，用于存储图像文件和视频文件，存储单元采用NVR硬盘。

3.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述供电模块用于对边缘处理板进行供电，供电模块使用UPS稳压器。

4.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述图像视频采集设备可采用高清可见光相机、热红外相机。

5.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述边缘处理板采用灵汐KA200类脑处理板，其自带视频图像编解码和图像预处理功能模块，通过基于SNN架构的图像处理和识别算法模型，对Al识别进行硬件加速。

6.根据权利要求5所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述边缘处理板通过将图像视频采集设备采集到的图片文件和视频文件进行视频图像编解码、图像预处理后提取目标区域，再提取目标特征，并进行特征识别，判断受电弓状态，并将结果输出。

7.根据权利要求6所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述受电弓状态包括受电弓正常、受电弓出现裂纹、受电弓倾斜、受电弓磨损。

8.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述装置处理过程可分为SNN推理流程和SNN训练流程。

9.根据权利要求8所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述SNN推理流程包括：

(1)视频图像采集，图像视频采集设备采集在不同场景下的列车运行的视频，采集数据阶段，可以直接存储成JPG图片；

图像视频采集设备由拍摄触发同步单元、视频拍摄单元、控制单元、数据传输单元、供电单元、照明单元和视频数据存储单元等构成，视频图像采集可以输出H.264、H.265、VP9、MPEG4标准格式视频数据流，用于后续的人工智能识别和NVR存储；

(2)灵汐KA200芯片处理：

使用KA200芯片自带的图像预处理模块，对视频和图像完成编解码以及前期的图像预处理，并对图片进行识别；

1)Host到Device通信，即H2D：视频数据由CPU输入，经过PCle接口输入到Device侧，PCle接口可实现数据输入输出；

2)预处理：将图像视频数据进行预处理，并转化为APU模块支持的数据格式；

3)SNN推理：数据进入APU模块进行推理；

4)后处理：推理结果返回CPU进行处理；

5)Device到Host通信，即D2H：推理结果经过PCle接口，返回Host CPU端；

(3)SNN模型推理过程：

使用训练好的模型根据输入的数据完成模型推理，并输出推理结果，可针对视频完成目标检测和预警。

10.根据权利要求8所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述SNN训练流程包括：

(1)模型搭建：使用LIF搭建AI识别模型；

(2)数据标准：受电弓图像使用专用的图像标注软件标注出受电弓轮廓、接触导线的轮廓以及受电弓特殊位置的点区域轮廓，得到原始的数据集和标注的label数据集，作为训练集；

(3)模型训练与适配：利用标注好的数据去训练SNN模型，SNN神经网络模型训练好后，将训练好的SNN神经网络适配成灵汐KA200上的加速网络，验证模型的识别准确率、识别速度是否满足要求，调到最优后即可；

(4)最后生成模型文件，并放到KA200的模型运行文件内。