[發明專利]一種基于深度學習的斷路器動觸頭運動特性測量方法

在審

• 申請號: 202210401874.2
• 申請日: 2022-04-18
• 公開（公告）號: CN114693741A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 崔克彬;崔葉微;劉智萍;牛為華;袁和金
• 申請（專利權）人: 華北電力大學（保定）
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/764;G06V10/766;G06V10/80;G06V10/44;G06V10/82;G06N3/04;G06K9/62
• 代理公司: 北京圣州專利代理事務所(普通合伙) 11818
• 代理人: 徐晟逸

1.一種基于深度學習的斷路器動觸頭運動特性測量方法，其特征在于，具體步驟如下：

步驟S1：設置輔助標志物，采集高速圖像序列；

步驟S2：將高速圖像序列輸入至訓練好的深度學習模型中，跟蹤輔助標志物的運動軌跡；

步驟S3：根據輔助標志物的軌跡計算得出斷路器動觸頭行程時間曲線。

2.根據權利要求1所述的一種基于深度學習的斷路器動觸頭運動特性測量方法，其特征在于，步驟S1具體為：

步驟S11：在與斷路器動觸頭同步運動的絕緣拉桿和轉軸上分別設置第一輔助標志物和第二輔助標志物，直線運動的絕緣拉桿上設置有一個所述第一輔助標志物，旋轉運動的轉軸上設置有兩個第二輔助標志物；

步驟S12：調整高速攝像機的位置和視野采集輔助標志物運動圖像，生成高速圖像序列。

3.根據權利要求2所述的一種基于深度學習的斷路器動觸頭運動特性測量方法，其特征在于，步驟S2具體為：

步驟S21：特征提取，將高速圖像序列輸入到改進的ResNet50網絡提取多層特征圖；

步驟S22：特征融合，對提取的多層特征圖通過金字塔特征增強網絡融合多層特征；

步驟S23：特征增強，將融合后的多層特征輸入至特征增強網絡得到特征增強的融合向量；

步驟S24：將融合向量輸入預測頭得到跟蹤輔助標志物的運動軌跡。

4.根據權利要求3所述的一種基于深度學習的斷路器動觸頭運動特性測量方法，其特征在于：

改進的ResNet50網絡為將傳統ResNet50網絡中的輸入部分第一層的7*7卷積換成了3個3*3卷積；

金字塔特征增強網絡為雙層金字塔結構，雙層金字塔結構是在傳統金字塔結構中增加一條自下而上再自上而下的路徑，利用側向連接融合各層特征；

特征增強網絡包括CECA/CCFA結構和CCFA結構，CECA/CCFA結構包括兩個CECA結構和兩個CCFA結構，融合后的多層特征輸入至CECA/CCFA結構中并重復四次后兩個輸出分支通過CCFA結構進行融合；

預測頭包括用于預測每個位置是否含有輔助標志物的分類分支和用于預測回歸框的回歸分支，分類分支和回歸分支均由3個線性層和RELU激活函數組成，分類分支用來預測每個位置的是否含有跟蹤目標，回歸分支用來預測回歸框。

5.根據權利要求4所述的一種基于深度學習的斷路器動觸頭運動特性測量方法，其特征在于：CECA結構和CCFA結構中均設置有二次采樣層，二次采樣的過程如下：

首先將一維向量重塑成二維特征圖；

然后使用深度可分離卷積對特征圖進行二次采樣，深度可分離卷積具體分為：在每個通道遍歷3*3的卷積核，得到與原特征圖通道數一致的輸出，使用1*1*通道數的點卷積擴大深度。

6.根據權利要求5所述的一種基于深度學習的斷路器動觸頭運動特性測量方法，其特征在于：步驟S3中，

當跟蹤絕緣拉桿的運動情況時，第一輔助標志物作直線運動，用歐式距離計算質心坐標的變化情況，計算公式如下：

其中，D為第一輔助標志物質心初始位置到結束位置的距離，(x₁,y₁)為初始位置第一輔助標志物質心的坐標，(x₂,y₂)為結束位置第一輔助標志物質心的坐標，結合相機拍攝速率，生成斷路器動觸頭行程時間曲線圖；

當跟蹤轉軸的運動情況時，兩個第二輔助標志物質心連線的旋轉角度即轉軸的旋轉角度，直線a為初始位置的兩個第二輔助標志物質心連線，直線a的斜率為k₁，直線b為結束位置的兩個第二輔助標志物質心連線，直線b的斜率為k₂，直線a和直線b的夾角為θ，θ∈[0,π)，θ為斷路器動觸頭的角位移，

當k₁和k₂均存在時，計算公式如下：

當k₁和k₂均不存在時，直線a與直線b平行，θ＝0；

當k₁不存在時，且直線b與橫軸的夾角α₂＜π/2時，θ＝α₂+π/2；

當k₁不存在時，且直線b與橫軸的夾角α₂＞π/2時，θ＝α₂-π/2；

當k₂不存在時，且直線a與橫軸的夾角α₁＜π/2時，θ＝α₁-π/2；

當k₂不存在時，且直線a與橫軸的夾角α₁＞π/2時，θ＝α₁+π/2。