[發明專利]基于卷積神經網絡的接觸線抬升量測量方法及系統

有效

• 申請號: 202110208278.8
• 申請日: 2021-02-24
• 公開（公告）號: CN113028999B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 何秋奇;程傳斌;程建兵;韓玉慶
• 申請（專利權）人: 河南輝煌科技股份有限公司
• 主分類號: G01B11/02
• 分類號: G01B11/02;G06N3/04;G06N3/08
• 代理公司: 鄭州德勤知識產權代理有限公司 41128
• 代理人: 黃紅梅

1.一種基于卷積神經網絡的接觸線抬升量測量方法，其特征在于，包含以下步驟：

步驟1、來車檢測

根據接收到的磁鋼輸出數據，對火車進行判向判量與計軸測速，當火車駛來時觸發圖像采集裝置開啟，當火車駛離時觸發圖像采集裝置停止；

步驟2、圖像序列采集

圖像采集裝置的高速線陣相機以1000FPS的幀率間隔采集1920*32大小的灰度圖像，得到待測量圖像序列；

步驟3、接觸線抬升量測量

利用預訓練的卷積神經網絡模型逐個檢出每幅圖像的抬升量，形成抬升量數值序列；

利用預訓練的卷積神經網絡模型對每幅圖像的抬升量進行預測，逐個檢出每幅圖像的抬升量后，對抬升量進行回歸分析獲得抬升量數值序列；

所述卷積神經網絡模型包含1個數據輸入層、2個卷積計算層、2個最大池化層、2個全連接層和1個輸出層；

輸入層為1920*32大小的灰度圖像；

輸入層后為兩個卷積計算層，卷積核大小分別為11*11、5*5，參數分別為[1,32]、[32,64]，每個卷積層后緊跟一個1*4大小的最大池化層；

全連接層參數分別為3840和1920；

輸出層經過自定義激勵函數激勵，得到測量值；

對卷積計算層和全連接層采用Relu函數激勵，公式為；輸出層采用自定義激勵函數激勵，公式為

訓練過程中采用最小二乘損失函數，公式為：

；

所述卷積神經網絡模型進行訓練時，先對訓練數據進行歸一化處理，將像素值映射到0~1之間，并隨機增加噪聲和模糊處理；

步驟4、接觸線振動參數提取

對抬升量序列進行時域和頻域分析，獲取特征參數；

所述特征參數包括時域的最大抬升量和最小抬升量，頻域的主振動頻率和高頻振動頻率；

所述頻域分析包括：采用現代譜估計方法，利用Burg算法先估計反射系數Km，再利用Levinson關系式求得AR模型參數，然后根據,求得隨機信號的功率譜密度，進而獲得主振動頻率和高頻振動頻率。

2.一種基于卷積神經網絡的接觸線抬升量測量系統，其特征在于：包括來車檢測裝置、圖像采集裝置、接觸線抬升量測量裝置和接觸線振動參數提取裝置；進行接觸線抬升量檢測時，執行權利要求1所述的基于卷積神經網絡的接觸線抬升量測量方法。