一种接触网定位器坡度检测系统的制作方法

本发明涉及电气化铁路安全检测领域，具体地，涉及一种定位器坡度检测系统。

背景技术：

发展电气化铁路是铁路现代化建设的必然趋势。而电气化铁路均采用电力牵引，电力机车必须在高速运行条件下可靠地从接触网上取得电能，否则将影响列车运行和电气驱动系统的性能。为了降低在接触网在列车运行过程中的磨损，接触网通常沿钢轨上空“之”字形架设的。接触网架设系统一般由接触悬挂、支持装置、定位装置、支柱与基础几部分组成。

定位装置是固定接触线，保证接触线在合理范围内架设的重要装置，它的安装精度直接影响接触线的几何参数，关系到接触网持续稳定的向受电弓供电。定位器是定位装置中直接与接触线接触的部件，定位器坡度是受电弓运行安全密切相关的接触网自身结构参数。为了避免受电弓滑动运行过程中与定位器碰撞而造成的打弓事件，对定位器坡度范围应有一定要求。

目前铁路行业内较多使用的是接触网静态测量仪器，一般通过手持或者车载可调制检测距离的激光器测量定位器两点垂直投影高差的方法计算定位器坡度。然而，这种测量方式需要在铁路非运营时段开展工作，且测量效率低。由于我国高速铁路快速发展，接触网安装精度要求不断提高，对接触网日常维护工作日益增长。因此，传统的接触网静态检测方法无法满足当前快速发展高速铁路网的接触网系统定位器检测需求。

综上所述，本申请发明人在实现本申请发明技术方案的过程中，发现上述技术至少存在如下技术问题：

在现有技术中，现有的定位器坡度检测方法存在检测效率和准确率较差的技术问题。

技术实现要素：

本发明提供了一种接触网定位器坡度检测系统，解决了现有的定位器坡度检测方法存在检测效率和准确率较差的技术问题，实现了高效准确的对定位器坡度进行检测的技术效果。

为解决上述技术问题，本申请提供了一种接触网定位器坡度检测系统，所述系统包括视频采集单元和主机单元，其中：

视频采集单元安装于列车车顶，图像采集单元用于实时采集接触网运行状态视频，并将视频图像实时传输到车内主机单元进行数据分析；

主机单元安装于车厢内部，接收视频采集单元的视频信号并进行压缩存储，并根据获得弓网图像数据计算定位器坡度。

进一步的，视频采集单元包括：安装底座、相机、补光光源；安装底座与车顶接口固定连接；补光光源和相机均固定于所述安装底座上，且相机和补光光源的射出光对准接触网系统支架及定位器。

进一步的，所述系统还包括电源管理模块和通讯控制模块；所述电源管理模块用于为视频采集单元和主机单元供电；所述通讯控制模块用于将视频采集单元采集的视频图像传输到主机单元。

进一步的，所述系统还包括数据存储模块；所述数据存储模块用于保存视频采集单元采集的视频图像。

进一步的，所述主机单元中设有第一GPU模块；所述第一GPU模块用于通过深度学习算法对定位器进行粗检测，具体包括：

步骤1：首先获得定位器图像信息，然后基于定位器图像信息构建深度学习模型；

步骤2：基于弓网图像，构建定位器训练样本；

步骤3：基于步骤2中的训练样本训练深度学习模型；

步骤4：基于训练后的深度学习模型，对含有待检测定位器的图像进行处理，获得待检测定位器的位置信息；

步骤5：基于步骤4中的位置信息，对包含定位器的局部图像区域，对图像中的定位器进行精确定位，拟合定位器直线；

步骤6：对定位器图像进行投影变换，计算定位器在世界坐标系下的坐标，得到世界坐标系下定位器坡度。

进一步的，所述步骤1具体包括：

步骤1.1：构建包含若干个隐藏层的深度卷积网络，其中：包括卷积层，降采样层和全连接层；通过卷积计算提取图像的局部特征；

步骤1.2：通过池化对图像的局部特征做降采样处理；

步骤1.3：通过全连接层做进一步的逐层特征提取处理；

步骤1.4：通过分类器层预测定位器的类别概率和精确位置

步骤1.5：定义分类器损失函数，包括类别损失和位置损失。

进一步的，所述步骤4具体包括：

步骤4.1：对于待检测图像输入优化参数后的深度卷积网络；

步骤4.2：得到测试图像的网络输出值

步骤4.3：依据网络输出值可得到定位器类别和位置信息；

进一步的，所述主机单元中还设有第二CPU模块；所述第二CPU模块用于对定位器区域进行细检测，并通过单目视觉立体几何关系计算定位器在世界坐标系下的坡度，具体包括：

对包含定位器的局部图像区域，利用基于hough直线检测算法对图像中的定位器进行精确定位，拟合定位器直线，具体包括：

首先，Canny提取图像边缘：

(a)图像使用带有指定标准偏差的高斯滤波器来平滑；

(b)在每一点处计算局部梯度和边缘方向；

(c)针对步骤(b)中出现的图像脊，考虑Canny算法追踪所有脊的顶部，并将所有不在脊的顶部的像素设为零，在输出中给出一条线；脊像素使用两个阈值T₁和T₂做阈值处理，其中，T₁<T₂，像素值大于T₂的脊像素成为强边缘像素，T₁和T₂之间的脊像素成为弱边缘像素；

(d)通过将8连接的弱像素集成到强像素，执行边缘链接；

然后，Hough拟合定位器直线：

(a1)在经过Canny算子变换的图像中，进行hough直线变换，得到全部可能的直线段；

(b1)在全部直线段中选取长度大于阈值，且角度符合预设条件的直线作为定位器拟合实现。

进一步的，所述步骤6具体包括：

首先，对相机进行标定：

(a2)绘制摄像机标定盘，按照相机在车顶的位置固定相机；

(b2)从不同距离和角度对标定盘成像，且满足标定盘与相机平面夹角小于45°；

(c2)将获取的图像导入计算机，得到相机的内参数(f_x,f_y,u₀,v₀)与外参数(R,t)；

然后，利用投影矩阵计算定位器坐标：

(a3)建立图像坐标系与世界坐标系的转换关系：

(b3)将相机标定获得的内参数和外参数带入转换矩阵中，得到定位器世界坐标转换关系；

(c3)对定位器进行采样，由图像坐标计算定位器在真实世界坐标系中的坐标，其中，定位器下端点坐标为(X_w1,Y_w1)和上端点坐标为(X_w2,Y_w2)；

然后，根据定位器坐标得到坡度，计算得到定位器坡度为：

进一步的，所述系统还包括异常报警模块和控制系统模块；所述异常报警模块用于输出定位器坡度异常信息；所述控制系统模块用于对视频采集单元和主机单元进行综合控制。

其中，本申请中的接触网定位器坡度检测方法包括：

首先，利用图像采集装置获得列车接触网运行图像信息；

然后，对列车接触网运行图像信息进行处理，获得定位器图像信息；

然后，基于定位器图像信息，对定位器进行分析计算，获得世界坐标系下定位器坡度。

其中，对定位器进行分析计算是利用车载接触网运行检测装置的运行主机，通过基于深度学习的定位器线检测算法，对图像中的定位器进行检测定位，然后利用立体单目视觉对定位器进行坡度计算。

其中，本申请中的图像采集装置可以为相机、摄像机、摄像头等，如：是通过安装于车顶的高分辨率高速摄像装置采集接触网运行环境视频(如图3所示)。

并且，基于本申请中的方法对应的提供了一种接触网定位器坡度检测系统，该系统包括：

车载接触网视频采集装置，其包括于高速动车车顶安装的高分辨率高速摄像装置，实时采集接触网运行状态视频，并将视频图像实时传输到车内主机进行数据分析；

主机单元，包括电源管理，视频直播，操控界面，异常报警，通讯控制，数据分析以及控制系统模块。其中在数据分析模块中，利用深度学习算法对图像进行分析，得到定位器的准确位置并拟合定位器直线，在成功获得定位器拟合直线后，利用立体单目视觉处理得到定位器在世界坐标系下的坡度。异常报警模块针对前述得到的定位器坡度进行分析，当定位器坡度超过规定阈值时输出报警信息，并给出定位器坡度超标时高速动车的位置信息。

其中，摄像装置的安装位置，方向，视野大小，图像采集频率满足系统能针对每个接触网支柱采集到足够数量，适合进行定位器检测的图像，并且成像模型满足使用立体单目视觉进行定位器坡度计算条件。

其中，本申请中的方法采用相机和计算机结合，自动对定位器坡度进行检测，避免了传统的人工手持设备进行检测，检测效率较高，且在检测时间上没有限制，无需在列车停运时检测，检测效率较高，并且采用了深度学习模型、图像处理结合进行计算，能够获得准确的检测结果。

本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请中的定位器坡度检测系统，基于深度学习对复杂环境下不同定位器进行了精确的检测；并且基于直线拟合的思路，可以在局部区域内精确的拟合定位器直线；进一步的基于投影方程的解决办法，可以给出定位器在世界坐标系下的精确值；所以，有效解决了现有的定位器坡度检测方法存在检测效率和准确率较差的技术问题，进而实现了高效准确的对定位器坡度进行检测的技术效果。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

图1是本申请中定位器坡度检测方法的流程示意图；

图2是本申请中定位器坡度检测系统的组成示意图；

图3是本申请中定位器坡度检测系统的视频采集装置安装示意图。

具体实施方式

本发明提供了一种接触网定位器坡度检测系统，解决了现有的定位器坡度检测方法存在检测效率和准确率较差的技术问题，实现了高效准确的对定位器坡度进行检测的技术效果。

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

请参考图1-图3，本申请提供了一种定位器坡度检测方法，所述方法包括：

首先，利用图像采集装置获得列车接触网运行图像信息；

然后，对列车接触网运行图像信息进行处理，获得定位器图像信息；

然后，基于定位器图像信息，对定位器进行分析计算，获得世界坐标系下定位器坡度。

其中，对定位器进行分析计算是利用车载接触网运行检测装置的运行主机，通过基于深度学习的定位器线检测算法，对图像中的定位器进行检测定位，然后利用立体单目视觉对定位器进行坡度计算。

其中，本申请中的图像采集装置可以为相机、摄像机、摄像头等，如：是通过安装于车顶的高分辨率高速摄像装置采集接触网运行环境视频。

并且，基于本申请中的方法对应的提供了一种定位器坡度检测系统，请参考图2，所述系统包括视频采集单元和主机单元，其中：

视频采集单元安装于列车车顶，图像采集单元用于实时采集接触网运行状态视频，并将视频图像实时传输到车内主机单元进行数据分析；

主机单元安装于车厢内部，接收视频采集单元的视频信号并进行压缩存储，并根据获得弓网图像数据计算定位器坡度。

进一步的，视频采集单元包括：安装底座、相机、补光光源；安装底座与车顶接口固定连接；补光光源和相机均固定于所述安装底座上，且相机和补光光源的射出光对准接触网系统支架及定位器。

其中，所述系统还包括电源管理模块和通讯控制模块；所述电源管理模块用于为视频采集单元和主机单元供电；所述通讯控制模块用于将视频采集单元采集的视频图像传输到主机单元。

其中，所述系统还包括数据存储模块；所述数据存储模块用于保存视频采集单元采集的视频图像。

其中，所述主机单元中设有第一GPU模块；所述第一GPU模块用于通过深度学习算法对定位器进行粗检测，具体包括：

步骤1：首先获得定位器图像信息，然后基于定位器图像信息构建深度学习模型；

步骤2：基于弓网图像，构建定位器训练样本；

步骤3：基于步骤2中的训练样本训练深度学习模型；

步骤4：基于训练后的深度学习模型，对含有待检测定位器的图像进行处理，获得待检测定位器的位置信息；

步骤5：基于步骤4中的位置信息，对包含定位器的局部图像区域，对图像中的定位器进行精确定位，拟合定位器直线；

步骤6：对定位器图像进行投影变换，计算定位器在世界坐标系下的坐标，得到世界坐标系下定位器坡度。

其中，所述步骤1具体包括：

步骤1.1：构建包含若干个隐藏层的深度卷积网络，其中：包括卷积层，降采样层和全连接层；通过卷积计算提取图像的局部特征；

步骤1.2：通过池化对图像的局部特征做降采样处理；

步骤1.3：通过全连接层做进一步的逐层特征提取处理；

步骤1.4：通过分类器层预测定位器的类别概率和精确位置

步骤1.5：定义分类器损失函数，包括类别损失和位置损失。

其中，所述步骤4具体包括：

步骤4.1：对于待检测图像输入优化参数后的深度卷积网络；

步骤4.2：得到测试图像的网络输出值

步骤4.3：依据网络输出值可得到定位器类别和位置信息；

其中，所述主机单元中还设有第二CPU模块；所述第二CPU模块用于对定位器区域进行细检测，并通过单目视觉立体几何关系计算定位器在世界坐标系下的坡度，具体包括：

对包含定位器的局部图像区域，利用基于hough直线检测算法对图像中的定位器进行精确定位，拟合定位器直线，具体包括：

首先，Canny提取图像边缘：

(a)图像使用带有指定标准偏差的高斯滤波器来平滑；

(b)在每一点处计算局部梯度和边缘方向；

(c)针对步骤(b)中出现的图像脊，考虑Canny算法追踪所有脊的顶部，并将所有不在脊的顶部的像素设为零，在输出中给出一条线；脊像素使用两个阈值T₁和T₂做阈值处理，其中，T₁<T₂，像素值大于T₂的脊像素成为强边缘像素，T₁和T₂之间的脊像素成为弱边缘像素；

(d)通过将8连接的弱像素集成到强像素，执行边缘链接；

然后，Hough拟合定位器直线：

(a1)在经过Canny算子变换的图像中，进行hough直线变换，得到全部可能的直线段；

(b1)在全部直线段中选取长度大于阈值，且角度符合预设条件的直线作为定位器拟合实现。

其中，所述步骤6具体包括：

首先，对相机进行标定：

(a2)绘制摄像机标定盘，按照相机在车顶的位置固定相机；

(b2)从不同距离和角度对标定盘成像，且满足标定盘与相机平面夹角小于45°；

(c2)将获取的图像导入计算机，得到相机的内参数(f_x,f_y,u₀,v₀)与外参数(R,t)；

然后，利用投影矩阵计算定位器坐标：

(a3)建立图像坐标系与世界坐标系的转换关系：

(b3)将相机标定获得的内参数和外参数带入转换矩阵中，得到定位器世界

坐标转换关系；

(c3)对定位器进行采样，由图像坐标计算定位器在真实世界坐标系中的坐

标，其中，定位器下端点坐标为(X_w1,Y_w1)和上端点坐标为(X_w2,Y_w2)；

然后，根据定位器坐标得到坡度，计算得到定位器坡度为：

其中，所述系统还包括异常报警模块和控制系统模块；所述异常报警模块用于输出定位器坡度异常信息；所述控制系统模块用于对视频采集单元和主机单元进行综合控制。

其中，利用深度学习算法对图像进行分析，得到定位器的准确位置并拟合定位器直线，在成功获得定位器拟合直线后，利用立体单目视觉处理得到定位器在世界坐标系下的坡度。异常报警模块针对前述得到的定位器坡度进行分析，当定位器坡度超过规定阈值时输出报警信息，并给出定位器坡度超标时高速动车的位置信息。图3为定位器坡度检测系统中车载接触网视频采集装置的安装示意图，将采集装置安装在列车的顶部。

请参考图1，定位器检测步骤，利用深度学习算法，实时处理视频图像并检测图像中出现的定位器；

1构建深度学习模型：

如图1所示，构建包含若干个隐藏层的深度卷积网络，其中包括卷积层，降采样层、全连接层和输出层。其中卷积层、降采样层和全连接层用于逐层提取图像特征；输出层包含分类器用于得到图像定位器类别和区域。

步骤1.1：通过卷积计算提取图像的局部特征，并对局部特征进行非线性变换。

步骤1.2：通过池化对图像的局部特征做降采样。

步骤1.3：通过全连接层做进一步的逐层特征提取。

步骤1.4：通过输出层预测定位器的类别概率和精确位置。其中类别概率包括定位器的正定位与反定位；精确位置包括定位器区域的中心点坐标与长度和宽度。

步骤1.5：定义输出层分类器损失函数，包括类别损失和位置损失。其中损失函数定位器真实类别和位置与深度卷积网络输出值的最小均方误差。

上述卷积层，降采样层，全连接层和分类器层的构建方法在Lecun等人1998年发表在IEEE上的文章“Gradient-based learning applied to document recognition”有具体介绍

2选择样本。

通过3C采集设备获取大量的弓网图像，从图像中扣去定位器样本，构建定位器训练样本集。选择图像中包含定位器区域，选择定位器类别：正定位和反定位。记录定位器在图像中的位置，包含图像块的中心位置在全图的坐标和图像块的长和宽。

3训练深度学习模型；

利用梯度下降算法来最小化输出层分类器损失函数，从而以迭代的方式对深度卷积网络参数进行调整。求解方法在Rumelhart等人1986年发表在Nature上的文章″Learning representations by back-propagating errors″中有具体介绍。

4检测定位器。

步骤4.1：对于待检测图像输入优化参数后的深度卷积网络，；

步骤4.2：得到所述测试图像的网络输出值。

步骤4.3：对输出层中的图像块目标概率进行排序，选择满足阈值要求的图像块作为目标区域。

步骤4.4：依据输出层得到目标区域计算类别概率，判别正定位与反定位。

步骤4.5：依据输出层得到目标区域的中心的坐标与区域长度和宽度。

5直线拟合步骤，对包含定位器的局部图像区域，利用基于hough直线检测算法对图像中的定位器进行精确定位，拟合定位器直线；

Canny提取图像边缘

a图像使用带有指定标准偏差的高斯滤波器来平滑，从而可以减少噪声；

b在每一点处计算局部梯度和边缘方向α(x,y)＝arctan(G_y/G_x)。边缘点定义为梯度方向是其强度为局部最大的点。

c针对步骤b中出现的图像脊，考虑算法追踪所有脊的顶部，并将所有不在脊的顶部的像素设为零，从而在输出中给出一条细线。脊像素使用两个阈值T₁和T₂做阈值处理，其中T₁<T₂。像素值大于T₂的脊像素成为强边缘像素，T₁和T₂之间的脊像素成为弱边缘像素。

d通过将8连接的弱像素集成到强像素，执行边缘链接。

Hough拟合定位器直线

在经过Canny算子变换的图像中，进行hough直线变换[]，得到全部可能的直线段；

在全部直线段中选取长度大于阈值，且角度在[0°,45°]和[135°，180°]之间的直线作为定位器拟合实现；(对于正定位和反定位两种安装模式，定位器的安装与水平面的夹角在5°～20°之间，由于相机的安装角度和距离定位器的远近不同，定位器在图像中的角度通常是不同的，为了避免误检，要求定位器拟合直线段在图像中的角度为[0°,45°]和[135°，180°])

坡度计算步骤，对定位器图像进行投影变换，计算定位器在世界坐标系下的坐标，得到世界坐标系下定位器坡度。

对相机进行标定：

绘制摄像机标定盘，按照相机在车顶的位置固定相机；

从不同距离和角度对标定盘成像，且满足标定盘与相机平面夹角小于45°；

将获取的图像导入程序，利用opencv中“CalibrateCamera2”函数得到相机的内参数与外参数。

利用投影矩阵计算定位器坐标；

如公式所示，建立图像坐标系与世界坐标系的转换关系：

将相机标定获得的内参数(f_x,f_y,u₀,v₀)和外参数(R,t)带入转换矩阵中，得到定位器世界坐标转换关系；

对定位器进行采样，由图像坐标计算定位器在真实世界坐标系中的坐标，其中定位器下端点坐标为(X_w1,Y_w1)和上端点坐标为(X_w2,Y_w2)。

根据定位器坐标得到坡度

根据公式，计算得到定位器坡度为：

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

本申请中的定位器坡度检测系统，基于深度学习对复杂环境下不同定位器进行了精确的检测；并且基于直线拟合的思路，可以在局部区域内精确的拟合定位器直线；进一步的基于投影方程的解决办法，可以给出定位器在世界坐标系下的精确值；所以，有效解决了现有的定位器坡度检测方法存在检测效率和准确率较差的技术问题，进而实现了高效准确的对定位器坡度进行检测的技术效果。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。