1.一种用于受电弓故障的车载图像识别方法,其特征在于,包括以下步骤:S1:应用针对弓头定位设计的深度学习模型检测弓头位置坐标,以缩小检测范围,同时对受电弓的异常降弓、毁坏的检测;
S2:根据弓头定位框坐标及大小扩张区域边界,裁剪出受电弓弓头区域;
S3:应用针对受电弓分割的深度学习图像分割模型对弓头区域图像分割,获得代表弓角及碳滑板的像素区域分割掩码;
S4:对分割后的掩码二值化,得到二值图,并做相应的平滑处理;
S5:应用弓角及碳滑板的标准模板在二值图中进行模板匹配,通过模板匹配实现故障识别与定位分析,得到相关坐标;
S6:将受电弓目标检测结果、故障识别结果、图像分割掩码到原图进行综合检测结果标识,并记录检测日志。
2.根据权利要求1所述的用于受电弓故障的车载图像识别方法,其特征在于:所述步骤S1具体包括以下步骤:
S11:通过车载受电弓图像采集设备获取受电弓原始图像;
S12:对采集的实时图像,采用间隔u帧进行受电弓位置检测,更新位置;若参数u未达到指定帧数i,受电弓位置坐标沿用上一次检测结果,参数迭代u=u+1,故障检测直接进入步骤S2;
S13:当u=i时,将采集到的原始图像输入到受电弓定位检测设计的深度学习目标检测模型,检测图像中存在的受电弓及其位置坐标;
S14:根据设置的类别置信度阈值,去除检测结果中低于该阈值的目标,由非极大值抑制去除冗余定位框,最终获得正确弓头定位结果;记录下该帧图像检测结果,迭代参数u=
0;
S15:若当前受电弓位置检测帧,没有检测到受电弓,则u=i,重新执行步骤S1流程,并用历史检测中的前n‑1帧检测结果,与当前帧检测结果对比,若为连续n帧图像没有检测到受电弓,则判定为受电弓异常降弓与毁坏。
3.根据权利要求1所述的用于受电弓故障的车载图像识别方法,其特征在于:所述步骤S2具体包括以下步骤:
S21:目标检测模型最终输出结果包含目标置信度,目标矩形边界框的左上角坐标以及边界框的框与高,用(x,y,w,h)向量表示,以该边界框为基准,扩展边界框,保证扩展后的边界框在任何情况下有完整的受电弓弓角图像,迭代坐标参数向量;
(x,y,w,h)=(x‑a,y‑b,w+2a,h+2b)式中,a,b为边界扩张量;
S22:采用步骤S21中扩展后的边界框参数,裁剪出弓头区域图像。
4.根据权利要求1所述的用于受电弓故障的车载图像识别方法,其特征在于:所述步骤S3具体包括以下步骤:
S31:将弓头区域图像输入到弓角及碳滑板分割的深度学习实例分割模型,模型实时输出可能的弓角与碳滑板整体的分割掩码、置信度、位置坐标;
S32:根据设置的类别置信度阈值,去除检测结果中低于该阈值的目标,由非极大值抑制去除冗余定位框及其目标掩码,最终获得正确弓的弓角及碳滑板分割掩码、整体位置坐标。
5.根据权利要求1所述的用于受电弓故障的车载图像识别方法,其特征在于:所述步骤S4由获得的目标掩码信息得到相应的二值图,并使用中值滤波平滑图像边缘,去除目标边界处的“锯齿”不平滑效果。
6.根据权利要求1所述的用于受电弓故障的车载图像识别方法,其特征在于:所述步骤S5具体包括以下步骤:
S51:确定左弓角、右弓角、碳滑板检测搜索区域,以减少计算量,用左上角及右下角坐标限定矩形区域,搜索区域限定计算如下:(a)左弓角搜索区域限定
式中:(Lxl,Lyl)、(Lxr,Lyr)分别表示左弓角搜索区域左上角、右下角坐标,x、y、w、h表示分割模型输出的弓角与碳滑板组合体的定位框的左上角坐标及宽、高,δx=80、δy=40表示扩展余量, 表示比例系数;
(b)碳滑板搜索区域限定
式中:(Mxl,Myl)、(Mxr,Myr)表示碳滑板搜索区域左上角、右下角坐标,(c)右弓角搜索区域限定
式中:(Rxl,Ryl)、(Rxr,Ryr)表示右弓角搜索区域左上角、右下角坐标,其余参数同上;
S52:分别使用左弓角、右弓角、碳滑板标准图像的二值图作为模板,在S51中相应的区域匹配检测,获得并记录下弓角、碳滑板的位置坐标及匹配度信息,位置坐标用于标识部件位置,匹配度用于判断部件状态的异常或正常。
7.根据权利要求1所述的用于受电弓故障的车载图像识别方法,其特征在于:所述步骤S6具体包括以下步骤:
S61:通过弓角、碳滑板模板匹配检测的数据记录,将该帧图像的检测结果与前面m‑1帧图像检测记录对比,若弓角与碳滑板中某一个或全部连续出现m帧结果为异常,则确定受电弓的该部件出现故障;
S62:根据S61检测结果,结合S52的检测坐标及匹配度在原图标识,保存数据,检测系统调用预留的接口,获取数据并在系统客户端现实实时监测结果,为维护人员查看与分析提供实时的检测结果可视化。