一种基于深度学习的受电弓滑板磨损状态检测方法与流程

本申请涉及受电弓滑板受损检测，尤其涉及一种基于深度学习的受电弓滑板磨损状态检测方法。

背景技术：

1、列车运行时，列车的受电弓滑板一直处于高速运动状态，弓网系统出现的任何轻微损伤，如受电弓滑板的过度磨耗、阶梯状磨耗、缺口、凹槽等不仅影响列车的正常供电，由此产生的电弧放电还会进一步加剧受电弓滑板和接触网的磨耗，同时还会产生无线电干扰，导致弓网故障，对轨道交通系统运输生产造成的损失和影响较严重。因此对受电弓状态进行在线检测，掌握滑板的磨耗规律、监控滑板的表面状态、滑板姿态等，在保证机车正常运行和电网安全等方面都具有非常重要的意义。

2、目前，针对列车受电弓滑板的关键参数检测，传统的方案是采用2d相机来采集图像，但受限于拍摄视场范围及检测方向，通常需要配置较多相机数量及补光灯，使得系统安装、维护复杂。该技术通常通过面阵ccd采集受电弓滑板二维图像，通过边缘提取、形态学图像处理方法等提取碳滑板边缘，通过相机标定实现碳滑板磨耗及剩余磨耗检测，不仅检测精度较低，而且该方法无法实现滑板掉块、凹槽等缺陷检测及受电弓姿态检测。在一些场景中，工作人员把相机架设分别在受电弓滑板的左右两侧，会得到受电弓滑板左右两侧的图像，然而同一个受电弓的滑板需要分别对左侧图像和右侧图像检测两次，会增加检测的时间，导致检测效率降低。

3、综上所述，现有的列车受电弓状态检测方法存在检测精度低、检测效率低的问题。

技术实现思路

1、本申请提供了一种基于深度学习的受电弓滑板磨损状态检测方法，解决了现有的列车受电弓状态检测方法存在功能单一、检测精度低、检测效率低的技术问题。

2、本申请采用的技术方案如下：

3、一种基于深度学习的受电弓滑板磨损状态检测方法，包括：

4、采集受电弓滑板的图像，对采集的受电弓滑板的图像进行边缘检测，获得第一图像；

5、采用深度学习模型对第一图像进行分割，获得受电弓滑板的mask图像；

6、对受电弓滑板的mask图像进行拼接，获得第二图像；

7、获取第二图像中受电弓滑板的上边缘数据和下边缘数据，采用最小二乘法对受电弓滑板的下边缘数据进行拟合，获得拟合后的下边缘数据；

8、根据受电弓滑板的上边缘数据和拟合后的下边缘数据，计算受电弓滑板底部和顶部所有边缘点的距离，获得受电弓滑板的磨损状态。

9、在一种可行的实现方式中，所述方法还包括：

10、获取受电弓滑板原始厚度，将受电弓滑板的底部到顶部距离的最大值记为最小磨损处；

11、根据受电弓滑板的最小磨损处与受电弓滑板原始厚度的比值dn，绘制受电弓滑板的磨损曲线。

12、在一种可行的实现方式中，所述方法还包括：判断受电弓滑板的最小磨损处与受电弓滑板原始厚度的比值是否小于预设的阈值，如果是，则判定受电弓滑板为重度磨损；如果否，则判定受电弓滑板为轻度磨损。

13、本申请的有益效果为：本申请通过采用深度学习模型对第一图像进行分割，并且将分割后的图像对齐，进行拼接的方法，提高了检测精度；本申请将受电弓滑板的左侧图像和右侧图像拼接后，再进行检测，将检测的工作量减半，提高了检测效率。

技术特征：

1.一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，包括：

2.如权利要求1所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，所述方法还包括：

3.如权利要求2所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，所述方法还包括：判断受电弓滑板的最小磨损处与受电弓滑板原始厚度的比值dn是否小于预设的阈值，如果是，则判定受电弓滑板为重度磨损；如果否，则判定受电弓滑板为轻度磨损。

4.如权利要求1所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，所述对采集的受电弓滑板的图像进行边缘检测包括：

5.如权利要求4所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，若存在像素点的幅值大于低阈值且小于高阈值，则根据该像素点与被确定为边缘像素点的连通性，判断该像素点是否为边缘像素点。

6.如权利要求5所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，若该像素点与被确定为边缘像素点邻接，则该像素点为边缘像素点；反之，则该像素点为非边缘像素点。

7.如权利要求1所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，对受电弓滑板的mask图像进行拼接包括：

8.如权利要求1所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，所述获取第二图像中受电弓滑板的下边缘数据，包括：分别在左侧图像的右下角和右侧图像的左下角开始，对每个像素点的灰度值与该像素点在垂直向上的n各像素点的灰度值进行检测，若存在像素点坐标(x，y)的灰度值和在该像素点沿y轴向上n个像素点的灰度值，差值均大于50，则将该像素点的坐标(x，y)作为受电弓滑板下边缘的其中一个像素点。

9.如权利要求7所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，基于受电弓滑板的mask图像，选取受电弓滑板的左侧图像和右侧图像，包括：

10.如权利要求7所述的一种基于深度学习的受电弓滑板磨损状态检测方法，其特征在于，将左侧图像与右侧图像在新图像中拼接完成后，删除新图像中除去左侧图像和右侧图像的剩余部分。

技术总结本申请实施例提供一种基于深度学习的受电弓滑板磨损状态检测方法，包括：采集受电弓滑板的图像，对采集的受电弓滑板的图像进行边缘检测，获得第一图像；采用深度学习模型对第一图像进行分割，获得受电弓滑板的mask图像；对受电弓滑板的mask图像进行拼接，获得第二图像；获取第二图像中受电弓滑板的上边缘数据和下边缘数据，采用最小二乘法对受电弓滑板的下边缘数据进行拟合，获得拟合后的下边缘数据；根据受电弓滑板的上边缘数据和拟合后的下边缘数据，计算受电弓滑板底部和顶部所有边缘点的距离，获得受电弓滑板的磨损状态。本申请利用基于深度学习的方法，实现了受电弓滑板受损状态的高精度检测。技术研发人员：李骏,汤安杰,魏翼飞受保护的技术使用者：苏州立创致恒电子科技有限公司技术研发日：技术公布日：2024/7/29