公开/公告号CN103837087A
专利类型发明专利
公开/公告日2014-06-04
原文格式PDF
申请/专利权人 中国科学院遥感与数字地球研究所;
申请/专利号CN201310217622.5
申请日2013-06-04
分类号G01B11/06;
代理机构
代理人
地址 100101 北京市朝阳区大屯路中科院奥运园区遥感地球所B105
入库时间 2024-02-19 23:58:24
法律状态公告日
法律状态信息
法律状态
2018-06-26
未缴年费专利权终止 IPC(主分类):G01B11/06 授权公告日:20161228 终止日期:20170604 申请日:20130604
专利权的终止
2016-12-28
授权
授权
2014-07-02
实质审查的生效 IPC(主分类):G01B11/06 申请日:20130604
实质审查的生效
2014-06-04
公开
公开
技术领域
本发明属于计算机数字图像处理与模式识别技术领域,主要涉及 电动牵引机车使用的受电弓在线自动检测方法,具体涉及一种基于主 动形状模型的受电弓在线自动检测方法。
背景技术
电力牵引机车受电弓是电气化铁路电力机车从接触网上受取电 源的装置。在实际机车运行过程中,受电弓碳滑板与接触网导线直接 接触,从接触网导线上受取电流供机车使用。在高速电气化铁路系统 中,机车必须保持稳定的受流状态。受电弓弓头破损、碳滑板过度磨 耗不仅影响电力机车的正常供电,甚至会造成轨道交通的中断。因此 作为直接与接触网接触的取流关键设备-受电弓碳滑板的状态极为关 键,它关系到机车能否稳定、可靠地从接触线取电。实际管理中,相 关部门需要对受电弓碳滑板运行状态进行定期检测,以保证机车的稳 定、安全运行。随着我国轨道交通和高速铁路的飞速发展,对受电弓 的可靠运行提出了更高的要求,实现对受电弓运行状态的在线自动检 测具有重要意义。
目前国内外受电弓状态的检测方法主要包括入库静态检测、机载 检测系统和在线定点式检测3种方式。入库静态检测即在机车进入检 修库停车后,降下受电弓,截断接触网电源,检修人员登上车顶通过 测量仪器手工测量碳滑板磨损和变形状况。该检测方法存在一定的局 限性,首先要求接触网必须在受电弓检测前断电,且通常只能在机车 入库停车后才能检测,属于一种静态检测方法。不能实现受电弓的在 线自动检测。在实际运作中需要投入较大规模的人力、成本较高。详 见文献:谢力.基于图像处理的受电弓状态检测技术研究:[硕士学位 论文]:西南交通大学,2009。
机载受电弓检测方法属于一种在线自动检测方法。主要包括2种 方式,其一是通过在机车上安装光、电、力学等多种传感器采集受电 弓位置、碳滑板的磨耗,以及受电弓弓头左右偏移量状态等信息对受 电弓进行检测,但传感器获取的受电弓运行状态信息容易受机车运行 过程中产生的震动的干扰;其二是将光纤内埋式磨损传感器嵌入受电 弓滑板中,当受电弓滑板收到接触网的冲击作用而产生磨损时或者产 生缺失时,传感器给出相应的磨损信号。根据不同的信号强度给出不 同等级的报警信号,从而获得受电弓滑板的磨损状态。该方法的主要 缺点是:一是对于材料的要求比较高,要在受电弓滑板中内嵌传感器, 材料工艺要求高,受电弓滑板材料结构改变可能会降低受电弓的使用 寿命,提高了成本;二是传感器不能布满整个受电弓碳滑板,因此得 到的数据是几个点的,不能得到各个点的磨损状态;三是整个系统装 置比较多,比较复杂,系统安装维修不方便。
在线定点式自动检测方式,国内外主要有基于超声波传感器的检 测和基于图像的检测方法。超声波传感器检测方法多见于国外机车系 统,其基本方法是:在机车行驶的路段上安装多个超声波传感器发送 超声波,超声波通过空气传输到达被测受电弓碳滑板上,然后超声波 反射返回到传感器上。根据超声波的传输时间与当时的波速,经计算 后获得受电弓碳滑板的厚度信息,进而实现对受电弓碳滑板的磨损状 态进行在线检测。该方法存在的显著不足是超声波信号容易受超声波 工作距离、超声波信号强弱和受电弓运行中的姿态的影响。近年来, 国内外出现了许多基于在线获取图像的受电弓检测方法。该方法核心 包括拍照和检测2部分,首先将在线拍照系统安装在机车行驶的路段 上方,待机车受电弓行驶通过拍照系统时,同步触发相机和闪光灯对 受电弓进行拍照,完成受电弓图像的在线采集,然后采用数字图像处 理方法对采集到的图像进行仔细分析,最终获取受电弓在线运行状态。 该方法的优势非常明显,可以在机车行驶过程中做到在线自动检测; 缺点是检测精度依赖于拍照系统采集图像的质量,对受电弓在线拍照 系统精度要求比较高。国内目前已有厂商和科研单位正在研发基于图 像的受电弓在线运行状态的检测系统,存在的问题主要集中于:1) 受电弓图像采集质量较低,不利于后续图像处理与分析;2)对机车 运行速度有限制,难以实现真正的在线检测;3)采集到的受电弓图 像背景复杂、不统一,图像处理方法难以进行精确的受电弓定量检测, 相关方法亟需进一步改进。详见南京大学于2012年公开的专利《高 速机车受电弓滑板磨损自动检测装置》,专利公开号:CN102507600A。
基于可变模型对目标物体特征点定位的研究取得了很大成就,特 别是对于图像中的目标物体变化很大的情况。可变模型的基本思想是: 建立一个目标物体的通用模型,对于任意给定图像,如果图像中有与 该模型相同的目标物体,则可以根据物体图像的内部和外部特征与模 型之间的差异,通过调整模型参数将模型进行变化,其形状和纹理能 够与目标物体在一定误差内实现匹配,详见文献:Cootes T.F. Deformable Object Modelling and Matching.In:Kimmel R,Klette R,Sugimoto A,eds.Computer Vision-Accv2010,Pt I.Berlin:Springer-Verlag Berlin; 2011:1-10.
英国曼彻斯特大学(University of Manchester)的Tim.Cootes 等人提出的主动形状模型ASM(Active Shape Models)是实现上述 思想的一个典型代表。该方法已成为当前主流的目标定位方法,在目 标对象的定位中,特别是在人脸检测、手势识别和医学人体器官图像 检测方面得到了广泛的应用,详见文献:Cootes T.F.,C.J.Taylor,D.H. Cooper,et al.Active Shape Models-Their Training and Application.Computer Vision and Image Understanding.1995,61(1):38-59.
ASM是一种基于统计学的灰度和形状分离的可变形模型,允许 待定位目标有一定程度的形变,同时采用灰度和梯度信息指导形状模 型收敛,其收敛速度较快。其主要方法是通过对样本图像中的目标物 体进行关键特征点手动标定,进而形成样本集目标点分布模型(Point Distribution Model),然后对点分布模型进行训练、统计分析建立 ASM模型,再以此模型作为依据,在测试图像中与目标特征进行快 速匹配,找到被定位目标的位置。其优点是容易选择目标轮廓特征点 作为建模基础,但ASM的匹配精度与匹配起始位置密切相关,因此 获取ASM匹配起始位置的目标定位方法是影响ASM最终匹配结果 优劣的一个重要因素。实际应用ASM方法进行目标精确定位时,需 要首先进行目标的初略定位,否则匹配过程容易陷入局部最优,导致 匹配不到实际的目标上。
随着我国高速铁路建设的不断发展,机车的行驶速度越来越快, 对受电弓运行质量的要求越来越高,同时也对受电弓在线自动检测的 精确性、稳定性提出了更高的要求。针对目前国内基于图像的受电弓 在线检测方法精度差的问题,迫切需要研发一种新型的受电弓运行状 态在线自动检测方法。
发明内容
(一)发明目的
本发明的目的是:针对基于图像的受电弓检测,提供一种基于主 动形状模型的受电弓在线自动检测方法,在机车正常行驶过程中,能 够对受电弓碳滑板厚度进行定量检测。
(二)技术解决方案
本发明提供了一种基于主动形状模型的受电弓自动检测方法,包 括以下步骤:
步骤10、获取受电弓图像学习样本集;
步骤20、构建受电弓主动形状模型;
步骤30、对新获取、待检测的图像进行受电弓初始定位;
步骤40、结合初始定位和主动形状模型的受电弓精确匹配;
步骤50、受电弓定量检测和分析。
所述步骤10中获取受电弓图像学习样本集,具体通过安装于电 力牵引车接触网上方的受电弓在线拍照系统采集若干受电弓图像,形 成受电弓图像学习样本集,学习样本集至少包含50张受电弓图像, 且各受电弓图像的分辨率保持一致。
所述步骤20中构建受电弓主动形状模型,具体步骤是:
采用形态学滤波运算方法对步骤10采集的受电弓图像逐一进行 图像降噪预处理;
在每张图像中选取受电弓轮廓的角点、边界点作为特征点,通过 人工手动的方式,对受电弓特征点进行标记,且每张受电弓图像中的 特征标记点必须相互对应、数量保持一致;
将标记完成的受电弓特征点的图像坐标保存于文本文件中,不同 受电弓图像的特征点分开保存,且受电弓图像文件名称与对应的特征 点文件名称保持一致。图像坐标指以图像左上角为坐标原点,水平向 右方向为X轴,垂直向下方向为Y轴的坐标体系的像素坐标。此时, 所有受电弓图像可以采用特征点的点分布模型(Point distribution model,PDM)对受电弓形状进行描述,即受电弓图像i的形状可以通 过其所有特征点数学表示为:N为受电弓 图像的特征点总数。受电弓图像学习样本集可以表示为: ,i=1,2,3,…,M,M为受电弓图像总数目;
基于受电弓图像和相应的特征点,根据主动形状模型(Active Shape Model,ASM)算法原理,建立受电弓主动形状模型,该模型 以文件的形式存在。具体步骤包括:
1、采用Generalized Procrustes analysis(GPA)方法对所有受电弓 图像的点分布模型进行对齐(Align)。对齐步骤如下:
(1)对于受电弓形状xi,i=2,3,…,M,逐个进行旋转、缩放和平 移,并与形状x1做对齐,得到变换后的形状集合
(2)计算变换后的所有受电弓图像形状的平均值m;
其中:
(3)将平均形状m进行旋转、缩放和平移,与样本做对齐;
(4)将进行旋转、缩放和平移,与调整后的平均形状 进行对齐匹配;
(5)如果平均形状收敛,停止。否则跳至第(2)步。
最终收敛的判定是依据重新对齐的各个受电弓形状与平均形状 之间的差别,即寻找到变换(Ti),使得下式取值最小。
∑|m-Ti(xi)|2
所述受电弓形状之间通过旋转、缩放和平移进行对齐描述为:以 两个受电弓形状为例,每个形状有N个坐标对:
首先定义一个变换T,T是由一个平移(tx,ty),旋转θ和尺度s组 成,则形状x2的变换可以表示为:
设
将形状x2经过变换T对齐到x1,最佳的变换可以通过最小化下面 的表达式得到:
E=[x1-Rx2-(tx,ty)T]T[x1-Rx2-(tx,ty)T]
这个最小化是最小二乘法的常规应用:E对未知变量θ,s,tx,ty的偏 微分可以计算出来,并令它们为零,联立这些方程,既可求解得变换 T。
2、ASM模型建立:假设目前已经存在经过对齐处理的M个训练 形状每个形状可以由N对坐标给出: 平均形状设为:
P=(p1 p2 p3 …p2N)
则对于任何向量X,存在向量b(形状模型参数),满足
也可表示为:
特征值较大的特征向量描述了训练形状变化最大的方向,在描述 “合理”的形状与平均形状偏差有多大时,p2N,p2N-1,…方向上的贡献是 微不足道的。因此可以设:
Pt=(p1 p2 p3 …pt) t≤2N
bt=(b1,b2,…,bt)T
可以得到估计
如果X是与训练集相关的合理形状,对于足够大的t,该估计可 以很好地拟合真实形状。
向量bt定义了一组可变模型参数,不同的bt可以拟合出不同变化 的形状。研究表明,bi在训练集上的方差将会与特征值λi相关;相应 地,对于较好的形状,bi通常要求满足下面的不等式
所述步骤30待检测受电弓图像受电弓初始定位包括一系列图像 处理方法,具体步骤是:
利用形态学滤波运算方法对待检测受电弓图像进行图像降噪预 处理;
采用canny算子对待检测受电弓图像进行处理,提取受电弓边缘 信息,边缘信息结果形式为与待检测受电弓图像尺寸一致的二值图像, 其中检测到的受电弓边缘像素用255表示,其他像素则用0表示;
对受电弓边缘像素提取结果进行矢量化:存储各个边缘所有像素 的位置,对于边缘存在分叉的情况,则分别进行存储;
采用曲线数据压缩算法(Douglas-Peucker算法)对上述边缘进行 简化,简化后的canny边缘由若干不同长度、方向的折线段组成, Douglas-Peucker算法原理描述如下:
1、对给定一系列顶点:(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)和距离 阈值threshold,选定初始起点(x1,y1)和终点(xn,yn)作为边缘线的两端 点,见图2(a);
2、连接两端点形成一条直线段,检测所有边缘线上的点与直线段 的最大距离。即计算剩余各顶点到直线段的垂直距离,在所有距离大 于阈值threshold的点集中搜索最大距离对应的顶点(xm,ym),见图2(b);
3、从最大点处开始将其分为两个部分。分别将原来的初始起点和 终点与此顶点(xm,ym)相连,生成两条新的直线段,见图2(c);
4、重复2,3过程,不断对每一条新的直线段进行下一轮的逼近, 直至所有点到相应直线段的距离小于事先定义阈值threshold即终止, 当所有边缘线都处理完毕时,依次连接各个分割点形成的折线,即可 以作为边缘线的近似,见图2(d)。
去除较短的边缘线段,并根据受电弓边缘趋于水平方向的特性, 去除边缘线段方向与受电弓方向差异较大的边缘线段;
基于剔除了较短边缘和方向不一致边缘的像素,采用霍夫变换 (Hough)检测直线段;
最后基于直线段检测结果,采用模板匹配的思路,寻找趋于水平 方向的直线段高密集区域对受电弓进行初始定位。
所述步骤40中结合初始定位和主动形状模型的受电弓精确匹配, 具体采用单分辨率搜索算法精确匹配受电弓形状,具体步骤包括:
1、根据步骤20建立受电弓主动形状模型过程中生成的平均形状 和待检测图像中受电工的初始位置,初始化受电弓形状,表示如下:
2、在初始化受电弓形状的每一个标记点处,在边界附近沿边界 的法向进行搜索,确定具有最高梯度的像素点,给该点打上最佳目标 位置的标志,将标记点向这个标志点移动,如果没有明显的新目标点, 标记点位置不作移动,算法示意如图3所示。
3、通过上述标记点移动后,形状发生了改变,发生改变的形状 与初始化受电弓形状之间存在一个位移向量由上述知:发生位移后可以表示为:
可得
4、重复第2、3步,直到姿态参数变化可以忽略不计。
所述步骤50中受电弓定量检测和分析,指在精确匹配结果基础 上对受电弓碳滑板厚度进行定量检测和分析。具体步骤是:
根据受电弓精确匹配结果,获取受电弓厚度;
由于受电弓支架厚度与受电弓类型相关,且对于特定的受电弓类 型,受电弓支架厚度是固定已知的,可作为先验知识。因此,碳滑板 厚度可以通过受电弓厚度与受电弓支架厚度相减得到。
(三)技术效果
本发明与现有的技术方案相比具有如下的优点及有益效果:本发 明对受电弓进行图像检测仅需一张图像,不必要求拍照系统对同一受 电弓成像多次;由于受电弓图像具有复杂多变的背景,不能简单地通 过边缘提取、模版匹配常规方法对受电弓进行定量检测。本发明提出 的基于主动形状模型的受电弓自动检测方法,事先通过受电弓形状的 学习,结合受电弓边缘提取初始定位,能保证受电弓在运行状态下有 较大角度、大小变化情况下的检测准确率。实验结果表明:本发明提 出的基于主动形状模型的受电弓自动检测方法准确率比边缘提取、模 版匹配等常规方法明显提高,且能更好地为后续的受电弓的定量检测 分析打下基础。
附图说明
图1是本发明实施例的基于主动形状模型的受电弓自动检测方法 流程图
图2是曲线数据压缩Douglas-Peucker算法示意图
图3是ASM单分辨率搜索算法示意图
图4是采集的若干受电弓图像集(部分)
图5是受电弓特征点标记示意图
图6是受电弓初始定位结果
图7是受电弓厚度定量检测结果
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,是本发明实施例的基于主动形状模型的受电弓自动 检测方法流程图,本实施例包括如下步骤:
步骤10:获取受电弓图像学习样本集;
本实施例受电弓图像至少包含50张,部分采集的受电弓图像如 图4所示,各受电弓图像的分辨率保持一致。
步骤20:构建受电弓主动形状模型;
本实施例构建受电弓主动形状模型步骤是:
21:采用形态学滤波运算方法对步骤10采集的受电弓图像逐一 进行图像降噪预处理;
22:在每张图像中选取受电弓轮廓的角点、边界点作为特征点, 通过人工手动的方式,对受电弓特征点进行标记,且每张受电弓图像 中的特征标记点必须相互对应、数量保持一致;
23:将标记完成的受电弓特征点的图像坐标保存于文本文件中, 不同受电弓图像的特征点分开保存,且受电弓图像文件名称与对应的 特征点文件名称保持一致,标记结果如图5所示。图像坐标指以图像 左上角为坐标原点,水平向右方向为X轴,垂直向下方向为Y轴的 坐标体系的像素坐标。此时,所有受电弓图像可以采用特征点的点分 布模型(Point distribution model,PDM)对受电弓形状进行描述,即 受电弓图像i的形状可以通过其所有特征点数学表示为: N为受电弓图像的特征点总数。受电弓图 像学习样本集可以表示为:,i=1,2,3,…,M,M 为受电弓图像总数目;
24:基于受电弓图像和相应的特征点,根据主动形状模型(Active Shape Model,ASM)算法原理,建立受电弓主动形状模型。具体步 骤包括:
241:采用Generalized Procrustes analysis(GPA)方法对所有受电 弓图像的点分布模型进行对齐(Align)。对齐步骤如下:
(1)对于受电弓形状xi,i=2,3,…,M,逐个进行旋转、缩放和平 移,并与形状x1做对齐,得到变换后的形状集合
(2)计算变换后的所有受电弓图像形状的平均值m;
其中:
(3)将平均形状m进行旋转、缩放和平移,与样本做对齐;
(4)将进行旋转、缩放和平移,与调整后的平均形状 进行对齐匹配;
(5)如果平均形状收敛,停止。否则跳至第(2)步。
最终收敛的判定是依据重新对齐的各个受电弓形状与平均形状 之间的差别,即寻找到变换(Ti),使得下式取值最小。
∑|m-Ti(xi)|2
所述受电弓形状之间通过旋转、缩放和平移进行对齐描述为:以 两个受电弓形状为例,每个形状有N个坐标对:
首先定义一个变换T,T是由一个平移(tx,ty),旋转θ和尺度s组 成,则形状x2的变换可以表示为:
设
将形状x2经过变换T对齐到x1,最佳的变换可以通过最小化下面 的表达式得到:
E=[x1-Rx2-(tx,ty)T]T[x1-Rx2-(tx,ty)T]
这个最小化是最小二乘法的常规应用:E对未知变量θ,s,tx,ty的偏 微分可以计算出来,并令它们为零,联立这些方程,既可求解得变换 T。
242:ASM模型建立:假设目前已经存在经过对齐处理的M个训 练形状每个形状可以由N对坐标给出: 平均形状设为:
P=(p1 p2 p3…p2N)
则对于任何向量X,存在向量b(形状模型参数),满足
也可表示为:
特征值较大的特征向量描述了训练形状变化最大的方向,在描述 “合理”的形状与平均形状偏差有多大时,p2N,p2N-1,…方向上的贡献是 微不足道的。因此可以设:
Pt=(p1 p2 p3…pt) t≤2N
bt=(b1,b2,…,bt)T
可以得到估计
如果X是与训练集相关的合理形状,对于足够大的t,该估计可 以很好地拟合真实形状。
向量bt定义了一组可变模型参数,不同的bt可以拟合出不同变化 的形状。研究表明,bi在训练集上的方差将会与特征值λi相关;相应 地,对于较好的形状,bi通常要求满足下面的不等式
步骤30:对新获取、待检测的图像进行受电弓初始定位;
本实施例对待检测受电弓图像受电弓初始定位包括一系列图像 处理方法,具体步骤是:
31:利用形态学滤波运算方法对待检测受电弓图像进行图像降噪 预处理;
32:采用canny算子对待检测受电弓图像进行处理,提取受电弓 边缘信息,边缘信息结果形式为与待检测受电弓图像尺寸一致的二值 图像,其中检测到的受电弓边缘像素用255表示,其他像素则用0表 示;
33:对受电弓边缘像素提取结果进行矢量化:存储各个边缘所有 像素的位置,对于边缘存在分叉的情况,则分别进行存储;
34:采用曲线数据压缩算法(Douglas-Peucker算法)对上述边缘 进行简化,简化后的canny边缘由若干不同长度、方向的折线段组成, Douglas-Peucker算法原理描述如下:
341:对给定一系列顶点:(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)和距 离阈值threshold,选定初始起点(x1,y1)和终点(xn,yn)作为边缘线的两 端点,见图2(a);
342:连接两端点形成一条直线段,检测所有边缘线上的点与直线 段的最大距离。即计算剩余各顶点到直线段的垂直距离,在所有距离 大于阈值threshold的点集中搜索最大距离对应的顶点(xm,ym),见图 2(b);
343:从最大点处开始将其分为两个部分。分别将原来的初始起点 和终点与此顶点(xm,ym)相连,生成两条新的直线段,见图2(c);
344:重复342,343过程,不断对每一条新的直线段进行下一轮 的逼近,直至所有点到相应直线段的距离小于事先定义阈值threshold 即终止,当所有边缘线都处理完毕时,依次连接各个分割点形成的折 线,即可以作为边缘线的近似,见图2(d)。
35:去除较短的边缘线段,并根据受电弓边缘趋于水平方向的特 性,去除边缘线段方向与受电弓方向差异较大的边缘线段;
36:基于剔除了较短边缘和方向不一致边缘的像素,采用霍夫变 换(Hough)检测直线段;
37:最后基于直线段检测结果,采用模板匹配的思路,寻找趋于 水平方向的直线段高密集区域对受电弓进行初始定位。
步骤40:结合初始定位和主动形状模型的受电弓精确匹配;
本实施例结合初始定位和主动形状模型的受电弓精确匹配,具体 采用单分辨率搜索算法精确匹配受电弓形状,具体步骤包括:
41、根据步骤20建立受电弓主动形状模型过程中生成的平均形 状和待检测图像中受电工的初始位置,初始化受电弓形状,表示如下:
42、在初始化受电弓形状的每一个标记点处,在边界附近沿边界 的法向进行搜索,确定具有最高梯度的像素点,给该点打上最佳目标 位置的标志,将标记点向这个标志点移动,如果没有明显的新目标点, 标记点位置不作移动,算法示意如图3所示。
43、通过上述标记点移动后,形状发生了改变,发生改变的形状 与初始化受电弓形状之间存在一个位移向量由上述知:发生位移后可以表示为:
可得
44、重复第42、43步,直到姿态参数变化可以忽略不计。
步骤50:受电弓定量检测和分析。
本实例在精确匹配结果基础上对受电弓碳滑板厚度进行定量检 测和分析。具体步骤是:
51:根据受电弓精确匹配结果,获取受电弓厚度;
52:由于受电弓支架厚度与受电弓类型相关,且对于特定的受电 弓类型,受电弓支架厚度是固定已知的,可作为先验知识。因此,碳 滑板厚度可以通过受电弓厚度与受电弓支架厚度相减得到。
最后,通过设定受电弓碳滑板厚度磨损的标准,与检测结果进行 对比,若判断检测受电弓碳滑板磨损超出标准,则发出报警并提示更 换受电弓。
实验结果表明,通过本技术方案,可以对复杂背景下、不同角度 和不同尺度变化的受电弓作出更加精确的定位和识别。相比现有的相 关算法,本发明在保证精确率的同时,增强了算法的鲁棒性,实现了 受电弓的线上自动检测。
本发明跳出了传统多图像、安装检测装置的受电弓在线检测设计 思路,提出一种全新的基于主动形状模型的受电弓自动检测方法。该 方法只需在线获取一张受电弓图像,加入基于主动形状模型的学习算 法,从而能够自适应地把具有形状可变性的受电弓精确检测出来,可 更加快速地进行车辆维护,节约受电弓检测成本。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领 域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以 做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
机译: 基于列车电源系统的受电弓弧的检测方法和系统
机译: 基于列车供电系统的受电弓弧检测方法及系统
机译: 基于列车供电系统的受电弓弧检测方法及系统