科研之友
微信
新浪微博
Facebook
分享链接
摘要
受电弓状态的检查是动车组日常检修的基本任务之一，常见的检查方式有人工目视检查、定点图像检测和车载图像检测3种方式。由于能够获取的受电弓故障样本数量很少，目前基于深度学习的受电弓异常识别算法表现不佳。为此，文章提出一种基于特征分析且不依赖故障样本数量的受电弓异常在线识别方法，其通过动车组3C装置实时采集受电弓的可见光图像，利用受电弓典型故障的视觉特征识别受电弓异常状态。首先，其通过图像灰度特征判别运行环境光照强度并通过跟踪匹配算法实现对受电弓感兴趣区域的分割；然后，提取每帧感兴趣区域中对象特征的阈值、轮廓线厚度、倾斜角度等特征，分别进行羊角缺失识别、前碳滑板缺陷识别和弓头倾斜识别；最后，根据设计的受电弓异常状态判定的特征规则，实现受电弓异常状态的识别。测试结果表明，在白天和夜晚环境下，文中所提方法都能够实现羊角缺失、前碳滑板掉块和弓头倾斜等受电弓异常状态的识别，缺陷平均检出率大于98%，具有较好的稳定性和实用性。
-
单位株洲中车时代电气股份有限公司
