[發明專利]一種用于受電弓故障的車載圖像識別方法

有效

• 申請號: 202110678726.0
• 申請日: 2021-06-18
• 公開（公告）號: CN113436157B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 丁建明;周敬堯
• 申請（專利權）人: 西南交通大學
• 主分類號: G06V10/75
• 分類號: G06V10/75;G06V20/52;G06V10/764;G06V10/82;G06V10/26;G06V10/44;G06N3/04;G06N3/08
• 代理公司: 成都眾恒智合專利代理事務所(普通合伙) 51239
• 代理人: 趙健淳

1.一種用于受電弓故障的車載圖像識別方法，其特征在于，包括以下步驟：

S1：應用針對弓頭定位設計的深度學習模型檢測弓頭位置坐標，以縮小檢測范圍，同時對受電弓的異常降弓、毀壞的檢測；具體包括以下步驟：

S11：通過車載受電弓圖像采集設備獲取受電弓原始圖像；

S12：對采集的實時圖像，采用間隔u幀進行受電弓位置檢測，更新位置；若參數u未達到指定幀數i，受電弓位置坐標沿用上一次檢測結果，參數迭代u＝u+1，故障檢測直接進入步驟S2；

S13：當u＝i時，將采集到的原始圖像輸入到受電弓定位檢測設計的深度學習目標檢測模型，檢測圖像中存在的受電弓及其位置坐標；

S14：根據設置的類別置信度閾值，去除檢測結果中低于該閾值的目標，由非極大值抑制去除冗余定位框，最終獲得正確弓頭定位結果；記錄下該幀圖像檢測結果，迭代參數u＝0；

S15：若當前受電弓位置檢測幀，沒有檢測到受電弓，則u＝i，重新執行步驟S1流程，并用歷史檢測中的前n-1幀檢測結果，與當前幀檢測結果對比，若為連續n幀圖像沒有檢測到受電弓，則判定為受電弓異常降弓與毀壞；

S2：根據弓頭定位框坐標及大小擴張區域邊界，裁剪出受電弓弓頭區域；

S3：應用針對受電弓分割的深度學習圖像分割模型對弓頭區域圖像分割，獲得代表弓角及碳滑板的像素區域分割掩碼；

S4：對分割后的掩碼二值化，得到二值圖，并做相應的平滑處理；

S5：應用弓角及碳滑板的標準模板在二值圖中進行模板匹配，通過模板匹配實現故障識別與定位分析，得到相關坐標；

S6：將受電弓目標檢測結果、故障識別結果、圖像分割掩碼到原圖進行綜合檢測結果標識，并記錄檢測日志；

所述針對弓頭定位設計的深度學習模型為：受電弓弓頭定位網絡采用Faster R-CNN的基本構架，檢測網絡采用ResNet50作為共享特征提取網絡，在res3、res4、res5的輸出層上構建3層的特征圖金字塔用于預測候選區域，每層設計3種預設窗口，通過特征映射與ROIAlign池化獲取目標特征，再經全連接層后實現弓頭識別與定位，模型中，特征提取網絡初段采用7×7卷積濾除無用信息，其余特征提取采用1×1、3×3組合卷積獲取詳細局部信息，在所有卷積層后添加批歸一化層，在其后添加Relu激活層；

所述針對受電弓分割的深度學習圖像分割模型為：圖像特征提取的主干架構采用ResNet-50網絡，模型輸入圖像尺寸設置為608×608，能適應200萬像素或500萬像素相機采集圖像，弓頭區域不會過度縮放；通過弓頭定位后獲得的弓頭待檢測區域圖像縮放統一尺寸后，目標沒有多尺度特性，因此候選區域推薦網絡，采用單層預測結構，anchor框設置只1種面積大小，長寬比為{2:1，3:1，4:1}，總共僅有3種候選框；檢測頭包含分類、定位、分割的結構，設定輸出掩碼尺寸為84×84，由14×14大小的特征圖反卷積到28×28，再經反卷積到84×84，對輸出特征圖逐像素應用Sigmoid單分類器后只輸出一類分割掩碼，輸出特征圖為84×84×1，分類與定位分支的全連接層采用平均池化計算。

2.根據權利要求1所述的用于受電弓故障的車載圖像識別方法，其特征在于：所述步驟S2具體包括以下步驟：

S21：目標檢測模型最終輸出結果包含目標置信度，目標矩形邊界框的左上角坐標以及邊界框的框與高，用(x，y，w，h)向量表示，以該邊界框為基準，擴展邊界框，保證擴展后的邊界框在任何情況下有完整的受電弓弓角圖像，迭代坐標參數向量；

(x，y，w，h)＝(x-a，y-b，w+2a，h+2b)

式中，a，b為邊界擴張量；

S22：采用步驟S21中擴展后的邊界框參數，裁剪出弓頭區域圖像。

3.根據權利要求1所述的用于受電弓故障的車載圖像識別方法，其特征在于：所述步驟S3具體包括以下步驟：

S31：將弓頭區域圖像輸入到弓角及碳滑板分割的深度學習實例分割模型，模型實時輸出可能的弓角與碳滑板整體的分割掩碼、置信度、位置坐標；

S32：根據設置的類別置信度閾值，去除檢測結果中低于該閾值的目標，由非極大值抑制去除冗余定位框及其目標掩碼，最終獲得正確弓的弓角及碳滑板分割掩碼、整體位置坐標。