受电弓羊角实时检测方法、装置、计算机设备及存储介质与流程

1.本发明属于轨道交通技术领域，具体地涉及一种受电弓羊角实时检测方法、装置、计算机设备及存储介质。


背景技术：

2.在我国电气化铁路系统的停电及停运事故中，弓网事故占总事故的80%。弓网系统（英文pantograph
‑
ocs system）是指由受电弓和接触网组成的电力系统，用于将接触网上的电力经受电弓输送至列车上，进而为高速列车的行驶提供动力。作为受电弓的重要组成部分，羊角（即指电力火车受电弓两边的弯曲状金属，其形状与自然羊的角相似，故而行业中通称为羊角）的作用主要是保证受电弓平稳地通过接触网线叉处，防止受电弓钻入接触网线叉而发生弓网事故。因此，为了列车的行车安全，有必要对受电弓的羊角进行检测。
3.目前，针对受电弓羊角的检测主要有人工检测方式和自动检测方式，前者主要是通过人工登顶，在车辆上进行羊角的检测，该方法工作量较大，并且比较繁琐；而后者主要是基于激光位移传感器的方式，即通过激光测量得到整个受电弓的廓形，然后分析得到羊角的异常。虽然自动检测方式可以减少人力工作量，但是也存在设备庞大、安装复杂和成本较高的缺点；同时由于传感器易受振动、阳光和列车速度等干扰，导致经常出现检测不准确和误报警等情况，给检修人员带来了额外的复核工作。尤其是在城市轨道交通隧道内，由于光照效果不良、隧道洞口内外交界处亮度突变、滑板碳粉覆盖传感器的激光信号收发端和隧道内环境复杂等原因，往往不能取得比较好的检测效果。


技术实现要素：

4.为了解决现有受电弓羊角自动检测方式所存在的设备庞大、安装复杂、成本较高和检测常不准确的问题，本发明目的在于提供一种受电弓羊角实时检测方法、装置、计算机设备及存储介质，其相对于现有自动检测方式，可以简化检测系统、便于安装布置和降低硬件成本，同时可使检测结果避免受到外界环境干扰，保障检测结果的准确性，减少误报警情况的发生，避免给检修人员带来额外的复核工作量，特别适用于城市轨道交通隧道内场景中。
5.第一方面，本发明提供了一种受电弓羊角实时检测方法，包括：获取由监控相机实时采集的视频，其中，所述监控相机安装在车顶并使相机视野涵盖受电弓的所在区域；对所述视频中的最新图像进行直方图均衡化处理，得到待测样本图像；将所述待测样本图像导入已完成训练的目标检测模型中，识别出所述受电弓的羊角在所述待测样本图像中的所在区域位置；根据所述所在区域位置，从所述待测样本图像中截取得到羊角图像；对所述羊角图像进行二值化处理，得到二值化图像；对所述二值化图像进行开闭运算操作处理，得到新羊角图像；
根据所述新羊角图像，拟合得到所述羊角的实时几何轮廓；根据所述实时几何轮廓获取羊角几何参数的实时值，其中，所述羊角几何参数包含有羊角宽度、羊角高度和/或羊角面积；根据所述羊角几何参数的实时值与设计许可变动范围的对比结果，判断所述羊角在当前状态下是否合格。
6.基于上述发明内容，可先基于机器视觉目标检测方法对车顶实时获取的受电弓羊角视频，进行羊角区域的识别和定位，然后对识别所得羊角图像进行二值化处理、开闭运算操作处理和轮廓拟合提取，可得到羊角几何轮廓及羊角几何参数的实时值，最后根据所述羊角几何参数的实时值与设计许可变动范围的对比来判断所述羊角在当前状态下是否合格，实现对受电弓羊角的实时检测目的，本方案相对于现有自动检测方式，由于只需配置车顶相机和车内计算机设备，可以简化检测系统、便于安装布置和降低硬件成本，同时可使检测结果避免受到外界环境干扰，保障检测结果的准确性，减少误报警情况的发生，避免给检修人员带来额外的复核工作量，特别适用于城市轨道交通隧道内场景中。此外，由于会进行羊角几何参数的精确测量，可相对于现有自动检测方式，大大提高检测精度；以及还可以在检测的同时直接查看源监控视频（即所述视频），方便复核检测结果。
7.在一个可能的设计中，在将所述待测样本图像导入已完成训练的目标检测模型中之前，所述方法还包括：获取由所述监控相机在一趟行程中历史采集的受电弓监控视频；针对所述受电弓监控视频中的各帧图像，分别进行直方图均衡化处理，得到多份训练样本图像；获取与所述多份训练样本图像中各份训练样本图像一一对应的羊角区域标注数据；将所述训练样本图像以及与所述训练样本图像对应的所述羊角区域标注数据导入所述目标检测模型进行训练，得到所述已完成训练的目标检测模型。
8.在一个可能的设计中，将所述训练样本图像以及与所述训练样本图像对应的所述羊角区域标注数据导入所述目标检测模型进行训练，得到所述已完成训练的目标检测模型，包括：将所述训练样本图像以及与所述训练样本图像对应的所述羊角区域标注数据导入yolo
‑
v4目标检测模型中，并在所述yolo
‑
v4目标检测模型中执行如下训练步骤：将所述训练样本图像调整为具有目标尺寸大小且划分有个网格的方形图像，其中，表示不小于5的自然数；判断目标中心是否落在所述个网格中的某个网格中，其中，所述目标中心为所述受电弓的羊角区域中心；若是，则该网格负责预测多个目标边框，并计算得到所述多个目标边框中各个目标边框在边框参数上的预测值，其中，所述边框参数包含有边框中心横坐标、边框中心纵坐标、边框宽度、边框高度、边框类别和与所述边框类别对应的置信度；根据所述预测值和所述羊角区域标注数据，进行损失函数的迭代寻优，得到已完成目标训练的检测模型。
9.在一个可能的设计中，根据所述预测值和所述羊角区域标注数据，进行损失函数
的迭代寻优，得到已完成目标训练的检测模型，包括：根据所述羊角区域标注数据提取真实边框在所述边框参数上的真实值，其中，所述真实边框包含有在所述方形图像中的羊角标注边框；根据所述预测值和所述真实值，按照如下公式计算框体位置损失值：式中，表示所述目标边框，表示所述真实边框，表示所述目标边框与所述真实边框的交并比，表示所述目标边框的中心与所述真实边框的中心的欧式距离，表示包围所述目标边框和所述真实边框的最小包围边框的对角线长度，表示计算中间量，表示所述真实值中的边框宽度真实值，表示所述真实值中的边框高度真实值，表示所述预测值中的边框宽度预测值，表示所述预测值中的边框高度预测值，表示圆周率；根据所述预测值和所述真实值，按照如下公式计算框体置信度损失值：式中，表示预设的权重参数，分别表示正整数，表示所述多个目标边框的边框总数，表示与第个网格对应的第个目标边框是否预测所述羊角的逻辑值，并在是时取值为1，而在否时取值为0，表示所述第个目标边框包含有所述羊角的概率得分，表示所述第个目标边框包含有所述羊角的概率得分预测值；根据所述预测值和所述真实值，按照如下公式计算类别预测损失值：式中，分别表示正整数，表示所述多个目标边框的边框总数，表示与第个网格对应的第个目标边框是否负责预测所述羊角的逻辑值，并在是时取值为1，而在否时取值为0，表示边框类别，表示边框类别集合，表示与所述第个目标边框对应的边框类别的实际编码值，表示与所述第个目标边框对应的边框类别的预测编码值；将所述框体位置损失值、所述框体置信度损失值和所述类别预测损失值的和作为损失函数计算结果，以便进行损失函数的迭代寻优，得到所述检测模型。
10.在一个可能的设计中，对所述二值化图像进行开闭运算操作处理，得到新羊角图像，包括:按照如下公式进行开运算操作处理：
式中，表示经过开运算操作处理后得到的新羊角图像，表示在开运算操作处理前的二值化图像，表示开运算的结构元素，表示做腐蚀处理，表示做膨胀处理；和/或，按照如下公式进行闭运算操作处理：式中，表示经过闭运算操作处理后得到的新羊角图像，表示在闭运算操作处理前的二值化图像，表示闭运算的结构元素，表示做腐蚀处理，表示做膨胀处理。
11.在一个可能的设计中，在根据所述羊角几何参数的实时值与设计许可变动范围的对比结果，判断所述羊角在当前状态下是否合格之后，所述方法还包括：若判定所述羊角在当前状态下不合格，则计算所述羊角几何参数的实时值与设计许可变动范围边界值的差值，并输出包含有所述差值的警示信息。
12.在一个可能的设计中，所述目标检测模型采用faster r
‑
cnn目标检测模型、ssd目标检测模块或yolo目标检测模型。
13.第二方面，本发明提供了一种受电弓羊角实时检测装置，包括有依次通信连接的视频获取模块、均衡化处理模块、羊角区域识别模块、羊角图像截取模块、二值化处理模块、开闭运算处理模块、羊角轮廓拟合模块、羊角参数获取模块和羊角合格判断模块；所述视频获取模块，用于获取由监控相机实时采集的视频，其中，所述监控相机安装在车顶并使相机视野涵盖受电弓的所在区域；所述均衡化处理模块，用于对所述视频中的最新图像进行直方图均衡化处理，得到待测样本图像；所述羊角区域识别模块，用于将所述待测样本图像导入已完成训练的目标检测模型中，识别出所述受电弓的羊角在所述待测样本图像中的所在区域位置；所述羊角图像截取模块，用于根据所述所在区域位置，从所述待测样本图像中截取得到羊角图像；所述二值化处理模块，用于对所述羊角图像进行二值化处理，得到二值化图像；所述开闭运算处理模块，用于对所述二值化图像进行开闭运算操作处理，得到新羊角图像；所述羊角轮廓拟合模块，用于根据所述新羊角图像，拟合得到所述羊角的实时几何轮廓；所述羊角参数获取模块，用于根据所述实时几何轮廓获取羊角几何参数的实时值，其中，所述羊角几何参数包含有羊角宽度、羊角高度和/或羊角面积；所述羊角合格判断模块，用于根据所述羊角几何参数的实时值与设计许可变动范围的对比结果，判断所述羊角在当前状态下是否合格。
14.第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发数据，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计所述的方法。
15.第四方面，本发明提供了一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如上第一方面或第一方面中任意一种可能设计的所述方法。
16.第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如上第一方面或第一方面中任意一种可能设计的所述方法。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明提供的受电弓羊角实时检测方法的流程示意图。
19.图2是本发明提供的监控相机采集所得视频的画面示例图。
20.图3是本发明提供的截取所得羊角图像的示例图。
21.图4是本发明提供的根据新羊角图像拟合得到羊角轮廓的示例图。
22.图5是本发明提供的受电弓羊角实时检测装置的结构示意图。
23.图6是本发明提供的计算机设备的结构示意图。
具体实施方式
24.下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
25.应当理解，尽管本文可能使用术语第一、第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
26.应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a、单独存在b或者同时存在a和b等三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，a/和b，可以表示：单独存在a或者同时存在a和b等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
27.如图1～4所示，本实施例第一方面提供的所述受电弓羊角实时检测方法，可以但不限于由布置在车内机箱中且通信连接车顶监控相机的计算机设备执行。所述受电弓羊角实时检测方法，可以但不限于包括有如下步骤s1～s9。
28.s1.获取由监控相机实时采集的视频，其中，所述监控相机安装在车顶并使相机视野涵盖受电弓的所在区域。
29.在所述步骤s1中，由于所述相机视野涵盖受电弓的所在区域，因此可在所得视频中获取到完整的受电弓画面，如图2所示。此外，由于所述计算机设备是通信连接所述监控相机的，因此所述视频可在采集后实时传输而来。
30.s2.对所述视频中的最新图像进行直方图均衡化处理，得到待测样本图像。
31.在所述步骤s2中，所述直方图均衡化处理为常规的图像预处理方式，其为增强图像对比度(image contrast)的方法，主要思想是将一副图像的直方图分布变成近似均匀分布，从而增强图像的对比度。
32.s3.将所述待测样本图像导入已完成训练的目标检测模型中，识别出所述受电弓的羊角在所述待测样本图像中的所在区域位置。
33.在所述步骤s3中，所述目标检测模型是一种用于在图片中将里面的物体识别出来且标记出物体位置的现有人工智能识别模型，具体可以但不限于采用faster r
‑
cnn（faster regions with convolutional neural networks features，由何凯明等在2015年提出目标检测算法，该算法在2015年的ilsvrv和coco竞赛中获得多项第一）目标检测模型、ssd（single shot multibox detector，单镜头多盒检测器，是wei liu在eccv 2016上提出的一种目标检测算法，是目前流行的主要检测框架之一）目标检测模块或yolo（you only look once，目前最新已经发展到v4版本，在业界的应用也很广泛，其基本原理是：首先对输入图像划分成7x7的网格，对每个网格预测2个边框，然后根据阈值去除可能性比较低的目标窗口，最后再使用边框合并的方式去除冗余窗口，得出检测结果）目标检测模型等。由此在完成所述目标检测模型对羊角图像的识别训练后，可以在所述待测样本图像中识别出羊角，并标记出羊角位置。
34.在所述步骤s3之前，为了完成对所述目标检测模型进行的训练，所述方法还包括但不限于有如下步骤s21～s24。
35.s21.获取由所述监控相机在一趟行程中历史采集的受电弓监控视频。
36.在所述步骤s21中，由于所述受电弓监控视频是在一趟行程中历史采集的，因此可确保后续多份训练样本图像中的羊角图像是非静态的，更符合实时检测情况，保障训练所得目标检测模型的实时检测准确性。
37.s22.针对所述受电弓监控视频中的各帧图像，分别进行直方图均衡化处理，得到多份训练样本图像。
38.s23.获取与所述多份训练样本图像中各份训练样本图像一一对应的羊角区域标注数据。
39.在所述步骤s23中，所述羊角区域标注数据由人工标注得到。
40.s24.将所述训练样本图像以及与所述训练样本图像对应的所述羊角区域标注数据导入所述目标检测模型进行训练，得到所述已完成训练的目标检测模型。
41.在所述步骤s24中，将所述训练样本图像以及与所述训练样本图像对应的所述羊角区域标注数据导入yolo
‑
v4目标检测模型（即yolo目标检测模型的v4版本，包括有输入层input、骨干层backbone、颈部层neck和预测层prediction，最后由预测层prediction输出目标检测结果，包括检测目标位置和置信度，其中，所述检测目标位置是指检测目标在整个图像中的坐标区域，所述置信度是指该坐标区域为检测目标的准确率）中，并在所述yolo
‑
v4目标检测模型中执行如下训练步骤s241～s244。
42.s241.将所述训练样本图像调整为具有目标尺寸大小且划分有个网格的方形图像，其中，表示不小于5的自然数。
43.在所述步骤s241中，图像的调整及网格的划分，均为yolo目标检测模型中的常规
方式。此外，的取值可以举例为7。
44.s242.判断目标中心是否落在所述个网格中的某个网格中，其中，所述目标中心为所述受电弓的羊角区域中心。
45.在所述步骤s242中，具体判断方式为yolo目标检测模型中的常规方式。
46.s243.若是，则该网格负责预测多个目标边框，并计算得到所述多个目标边框中各个目标边框在边框参数上的预测值，其中，所述边框参数包含但不限于有边框中心横坐标、边框中心纵坐标、边框宽度、边框高度、边框类别和与所述边框类别对应的置信度等。
47.在所述步骤s243中，所述多个目标边框的预测及所述预测值的计算，均为yolo目标检测模型中的常规方式。
48.s244.根据所述预测值和所述羊角区域标注数据，进行损失函数的迭代寻优，得到已完成目标训练的检测模型。
49.在所述步骤s244中，损失函数的迭代寻优为yolo目标检测模型中的常规方式。进一步详细的，包括但不限于有如下步骤s2441～s2445。
50.s2441.根据所述羊角区域标注数据提取真实边框在所述边框参数上的真实值，其中，所述真实边框包含有在所述方形图像中的羊角标注边框。
51.s2442.根据所述预测值和所述真实值，按照如下公式计算框体位置损失值：式中，表示所述目标边框，表示所述真实边框，表示所述目标边框与所述真实边框的交并比，表示所述目标边框的中心与所述真实边框的中心的欧式距离，表示包围所述目标边框和所述真实边框的最小包围边框的对角线长度，表示计算中间量，表示所述真实值中的边框宽度真实值，表示所述真实值中的边框高度真实值，表示所述预测值中的边框宽度预测值，表示所述预测值中的边框高度预测值，表示圆周率。
52.s2443.根据所述预测值和所述真实值，按照如下公式计算框体置信度损失值：式中，表示预设的权重参数，分别表示正整数，表示所述多个目标边框的边框总数，表示与第个网格对应的第个目标边框是否负责预测所述羊角的逻辑值，并在是时取值为1，而在否时取值为0，表示所述第个目标边框包含有所述羊角的概率得分，表示所述第个目标边框包含有所述羊角的概率得分预测值。
53.s2444.根据所述预测值和所述真实值，按照如下公式计算类别预测损失值：式中，分别表示正整数，表示所述多个目标边框的边框总数，表示与第个网格对应的第个目标边框是否负责预测所述羊角的逻辑值，并在是时取值为1，而在否时取值为0，表示边框类别，表示边框类别集合，表示与所述第个目标边框对应的边框类别的实际编码值，表示与所述第个目标边框对应的边框类别的预测编码值。
54.s2445.将所述框体位置损失值、所述框体置信度损失值和所述类别预测损失值的和作为损失函数计算结果，以便进行损失函数的迭代寻优，得到所述已完成训练的目标检测模型。
55.前述步骤s21～s24所描述的目标检测模型训练方法，可以在所述计算机设备上执行，也可以在其它计算机设备上执行，然后将所述已完成训练的目标检测模型部署在所述计算机设备上，以便顺利执行所述步骤s3。
56.s4.根据所述所在区域位置，从所述待测样本图像中截取得到羊角图像。
57.在所述步骤s4中，由于已通过所述已完成训练的目标检测模型在所述待测样本图像中识别出羊角，并标记出羊角位置，因此可以轻松地截取得到所述羊角图像，如图3所示。
58.s5.对所述羊角图像进行二值化处理，得到二值化图像。
59.在所述步骤s5中，所述二值化处理为常规的图像预处理方式，即是将图像上的像素点的灰度值设置为0(黑色)或255(白色)，具体为将值小于127的像素值设为0,将值大于等于127的像素值设为255，也就是将整个图像呈现出明显的黑白效果的过程。
60.s6.对所述二值化图像进行开闭运算操作处理，得到新羊角图像。
61.在所述步骤s6中，具体的，所述开闭运算操作处理包括但不限于有如下方式（a）和/或（b）。
62.（a）按照如下公式进行开运算操作处理：式中，表示经过开运算操作处理后得到的新羊角图像，表示在开运算操作处理前的二值化图像，表示开运算的结构元素，表示做腐蚀处理，表示做膨胀处理。
63.（b）按照如下公式进行闭运算操作处理：式中，表示经过闭运算操作处理后得到的新羊角图像，表示在闭运算操
作处理前的二值化图像，表示闭运算的结构元素，表示做腐蚀处理，表示做膨胀处理。
64.s7.根据所述新羊角图像，拟合得到所述羊角的实时几何轮廓。
65.在所述步骤s7中，由于对所述羊角图像依次进行了二值化处理和开闭运算操作处理，可以使羊角轮廓在所述新羊角图像中明显呈现出来，进而可以准确拟合得到所述羊角的实时几何轮廓，如图4所述。
66.s8.根据所述实时几何轮廓获取羊角几何参数的实时值，其中，所述羊角几何参数包含但不限于有羊角宽度、羊角高度和/或羊角面积。
67.在所述步骤s8中，如图4所示，由于已经得到所述羊角的实时几何轮廓，因此可以基于常规几何知识获取所述羊角几何参数的实时值。
68.s9.根据所述羊角几何参数的实时值与设计许可变动范围的对比结果，判断所述羊角在当前状态下是否合格。
69.在所述步骤s9中，所述设计许可变动范围为所述羊角的设计参数，若所述实时值位于所述设计许可变动范围内，则可判定所述羊角在当前状态下是合格的，符合设计要求，否则判定所述羊角在当前状态下是不合格的，从而可实现受电弓羊角实时检测目的。此外，在根据所述羊角几何参数的实时值与设计许可变动范围的对比结果，判断所述羊角在当前状态下是否合格之后，所述方法还可包括有：若判定所述羊角在当前状态下不合格，则计算所述羊角几何参数的实时值与设计许可变动范围边界值的差值，并输出包含有所述差值的警示信息。由此可以输出羊角缺失量，并进行预警，以免发生弓网事故，提升列车的行驶安全性。
70.由此通过前述步骤s1～s9所详细描述的受电弓羊角实时检测方案，可先基于机器视觉目标检测方法对车顶实时获取的受电弓羊角视频，进行羊角区域的识别和定位，然后对识别所得羊角图像进行二值化处理、开闭运算操作处理和轮廓拟合提取，可得到羊角几何轮廓及羊角几何参数的实时值，最后根据所述羊角几何参数的实时值与设计许可变动范围的对比来判断所述羊角在当前状态下是否合格，实现对受电弓羊角的实时检测目的，本方案相对于现有自动检测方式，由于只需配置车顶相机和车内计算机设备，可以简化检测系统、便于安装布置和降低硬件成本，同时可使检测结果避免受到外界环境干扰，保障检测结果的准确性，减少误报警情况的发生，避免给检修人员带来额外的复核工作量，特别适用于城市轨道交通隧道内场景中。此外，由于会进行羊角几何参数的精确测量，可相对于现有自动检测方式，大大提高检测精度；以及由于还可在发现不合格时，输出羊角缺失情况，并进行预警，可以避免发生弓网事故，提升列车的行驶安全性；以及还可以在检测的同时直接查看源监控视频（即所述视频），方便复核检测结果。
71.如图5所示，本实施例第二方面提供了一种实现第一方面或第一方面中任意一种可能设计所述受电弓羊角实时检测方法的虚拟装置，包括有依次通信连接的视频获取模块、均衡化处理模块、羊角区域识别模块、羊角图像截取模块、二值化处理模块、开闭运算处理模块、羊角轮廓拟合模块、羊角参数获取模块和羊角合格判断模块；所述视频获取模块，用于获取由监控相机实时采集的视频，其中，所述监控相机安装在车顶并使相机视野涵盖受电弓的所在区域；所述均衡化处理模块，用于对所述视频中的最新图像进行直方图均衡化处理，得
到待测样本图像；所述羊角区域识别模块，用于将所述待测样本图像导入已完成训练的目标检测模型中，识别出所述受电弓的羊角在所述待测样本图像中的所在区域位置；所述羊角图像截取模块，用于根据所述所在区域位置，从所述待测样本图像中截取得到羊角图像；所述二值化处理模块，用于对所述羊角图像进行二值化处理，得到二值化图像；所述开闭运算处理模块，用于对所述二值化图像进行开闭运算操作处理，得到新羊角图像；所述羊角轮廓拟合模块，用于根据所述新羊角图像，拟合得到所述羊角的实时几何轮廓；所述羊角参数获取模块，用于根据所述实时几何轮廓获取羊角几何参数的实时值，其中，所述羊角几何参数包含有羊角宽度、羊角高度和/或羊角面积；所述羊角合格判断模块，用于根据所述羊角几何参数的实时值与设计许可变动范围的对比结果，判断所述羊角在当前状态下是否合格。
72.本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
73.如图6所示，本实施例第三方面提供了一种执行第一方面或第一方面中任意一种可能设计所述受电弓羊角实时检测方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发数据，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计所述的受电弓羊角实时检测方法。具体举例的，所述存储器可以但不限于包括随机存取存储器（random
‑
access memory，ram）、只读存储器（read
‑
only memory，rom）、闪存（flash memory）、先进先出存储器（first input first output，fifo）和/或先进后出存储器（first input last output，filo）等等；所述处理器可以但不限于采用型号为stm32f105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
74.本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
75.本实施例第四方面提供了一种存储包含第一方面或第一方面中任意一种可能设计所述受电弓羊角实时检测方法的指令的存储介质，即所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计所述的受电弓羊角实时检测方法。其中，所述存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(memory stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
76.本实施例第四方面提供的前述可读存储介质的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
77.本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计所述的受电弓羊角实时检测方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他
可编程装置。
78.最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。