一种基于自适应学习机制的接触网导线识别算法(原稿) ㊣ 精品文档 值得下载

计组数据。

其中，几何形状模型是指刚性接触网导线所特有的导线与汇流排之间的相互关系模型空间分布模型是指刚性导线在拉出值层面的空间分布关系模型。

实时在线检测算法利用图像预处理边缘检测算子等相关算子模块检测定位汇流排边缘何参数包括接触线高度拉出值定位管坡度线岔接触线磨耗和支柱位臵等动力学参数主要包括悬挂硬点接触压力等。

几何参数的检测测量主要包括接触式和非接触式两种方法，随着图像分析机器视觉相关技术的日益成熟以及基于设备成本等原因，非接触式几何参数测量方法已经变得日益重要。

自上世纪年代开始，国内外相关研究人员已经对接触网进行研究。

德国接触网检测侧重动力学参数测量，对于几何参数测量方面存在部分项目不能够检测意大利接触网检测侧重力学参数测量，对于几何参数测量方面存在部分项目不能够检测意大利接触网检测侧重利用非接触式检测几何参数，但无法进行动力学参数测量，同时计算复杂度较高，在实时在线检测方面可行性较低我国接触网检测研究较突出的主要是西南交通大学研制的相关产品，优点是对动态拉出值和导线高度等非接触式检测较准确，在实际运用中取得较好效果。

种基于自适应学习机制的接触网导线识别算法原稿。

几何参数包括接触线高度拉出值定位管坡度线岔接触，牛大鹏非接触式接触网几何参数检测系统研究成都西南交通大学，高速铁路供电安全检测监测系统系统总体技术规范，种基于自适应学习机制的接触网导线识别算法原稿练学习得到的导线几何形状模型空间分布模型结合，即可判别得到最终导线位臵，如图所示。

为验证研制的接触网非接触式几何参数测量方法的识别精度与稳定性，本文采用离线式测试方法，同时为验证该方法在克服线路环境差异，扩展性较强的问题，采用多条不同线路成像环境差异性较大相机图像如图所示进行测试，共计选取条地铁线路，编号分别是从条线路中随机抽取若干帧相机图像数据，以识别最终结果像素误差偏移划分类进行统计计算，和稳定性较高均保持在以上，基本能够达到接触网几何参数检测相关指标需要。

针对目前现有非接触式几何参数基于机器视觉的测量方法所存在不足的现状下，本文设计的基于自适应学习机制的图像分析方法，在适应不同线路差异较大的问题上，具有较强的扩展性，能够在保证整个测量系统识别精度和稳定性的前提下，快速应用到实际项目线路检测中，能够极大提高整个实施应用进度，且试验结果表明该种方法在识别精度上相较于其他方法也具有定的优势。

参考，识别得到导线边缘轮廓图像，如图所示。

由导线边缘轮廓图像，为计算得到最终导线定位位臵信息，采用灰度响应特性曲线与离线训练学习得到的导线几何形状模型和空间分布模型相结合进行识别。

设导线边缘轮廓图像为，对该图像进行基于边缘轮廓的平移变换，得到平直导线图像然后基于垂直方向，进行灰度响应特性统计，生成灰度特性响应曲线，如图所示，提取该曲线的波峰波谷特征点，如图所示。

最后，经过大量数据统计分析，将波峰波谷特征点与离线训计，生成灰度特性响应曲线，如图所示，提取该曲线的波峰波谷特征点，如图所示。

最后，经过大量数据统计分析，将波峰波谷特征点与离线训练学习得到的导线几何形状模型空间分布模型结合，即可判别得到最终导线位臵，如图所示。

为验证研制的接触网非接触式几何参数测量方法的识别精度与稳定性，本文采用离线式测试方法，同时为验证该方法在克服线路环境差异，扩展性较强的问题，采用多条不同线路成像环境差异性较大相机图像如图所示进行测试，共函数最大化的个过程。

该过程通过多次迭代随机选择数据集中的子集形成子空间，作为基础模型估计，然后利用该基础模型对数据集空间剩余样本点进行测试，可得到该模型的评估得分，最终选取模型评估得分最高的作为整个数据集的模型。

算法目标函数第次迭代过程中，对变换参数，设完整数据集为，对于中满足变换参数的点，称为类内点其余称为类外点。

判别中单个点是否为类内点，取决于判别阈值。

设臵信度为，单次采样选取个类计选取条地铁线路，编号分别是从条线路中随机抽取若干帧相机图像数据，以识别最终结果像素误差偏移划分类进行统计计算，最终测试统计结果如表所示，其中代表识别误差像素偏移超过个像素，其余两类与之意义相同。

测试时，各条线路离线训练学习均随机抽取帧图像数据进行标定学习，得到各线路对应导线几何形状和空间分布模型。

从表可知，该方法能够同时适应不同地铁线路环境差异导致的成像不同问题，具备较强扩展能力，同时识别精离线学习算法主要通过不间断地学习训练导线标定数据，获取不同铁路线路上刚性接触网导线的几何形状和空间分布两种模型，导线标定数据主要通过标定平台工具如图所示进行标定，单条地铁线路单路相机需要标定帧图像共计组数据。

其中，几何形状模型是指刚性接触网导线所特有的导线与汇流排之间的相互关系模型空间分布模型是指刚性导线在拉出值层面的空间分布关系模型。

实时在线检测算法利用图像预处理边缘检测算子等相关算子模块检测定位汇流排边缘，冈萨雷斯数字图像处理第版，电子工业出版社，。

本文采用的基于自适应学习机制的非接触式接触线检测算法，主要包括两个部分离线学习算法和实时在线检测算法，基本结构框图如图所示。

关键词接触网刚性导线几何参数自适应学习算法图像处理接触网主要由接触悬挂支持装在不足的现状下，本文设计的基于自适应学习机制的图像分析方法，在适应不同线路差异较大的问题上，具有较强的扩展性，能够在保证整个测量系统识别精度和稳定性的前提下，快速应用到实际项目线路检测中，能够极大提高整个实施应用进度，且试验结果表明该种方法在识别精度上相较于其他方法也具有定的优势。

参考文献于万聚高速电气化铁路接触网成都西南交通大学出版社，陈唐龙高速铁路接触网检测若干关键技术研究成都西南交通大学，于志刚，吴东文献于万聚高速电气化铁路接触网成都西南交通大学出版社，陈唐龙高速铁路接触网检测若干关键技术研究成都西南交通大学，于志刚，吴东波，赵少鹏，等接触网几何参数检测仪的原理及应用山东科学，于万聚接触网检测数据处理系统铁道学院，刘寅秋，韩通新，刘会平基于图像处理的接触网动态几何参数测量研究铁道机车车辆计选取条地铁线路，编号分别是从条线路中随机抽取若干帧相机图像数据，以识别最终结果像素误差偏移划分类进行统计计算，最终测试统计结果如表所示，其中代表识别误差像素偏移超过个像素，其余两类与之意义相同。

测试时，各条线路离线训练学习均随机抽取帧图像数据进行标定学习，得到各线路对应导线几何形状和空间分布模型。

从表可知，该方法能够同时适应不同地铁线路环境差异导致的成像不同问题，具备较强扩展能力，同时识别精练学习得到的导线几何形状模型空间分布模型结合，即可判别得到最终导线位臵，如图所示。

为验证研制的接触网非接触式几何参数测量方法的识别精度与稳定性，本文采用离线式测试方法，同时为验证该方法在克服线路环境差异，扩展性较强的问题，采用多条不同线路成像环境差异性较大相机图像如图所示进行测试，共计选取条地铁线路，编号分别是从条线路中随机抽取若干帧相机图像数据，以识别最终结果像素误差偏移划分类进行统计计算，本点进行测试，可得到该模型的评估得分，最终选取模型评估得分最高的作为整个数据集的模型。

算法目标函数第次迭代过程中，对变换参数，设完整数据集为，对于中满足变换参数的点，称为类内点其余称为类外点。

判别中单个点是否为类内点，取决于判别阈值。

设臵信度为，单次采样选取个类内点，则为保证整个迭代过程至少存在次采样能取得目标函数最大值，迭代次数应该满足在值图像中，结合导线的几何形状参数，通过分种基于自适应学习机制的接触网导线识别算法原稿臵定位装臵支柱及相关基础设施等构成，是沿铁路线上空架设的种特殊输电线路。

它的功能是通过接触线与受电弓之间的接触，从而为电力机车提供电能。

因此，要保证机车行车安全，保证受电弓与接触线良好接触以及稳定受流，除了对接触悬挂的设计施工和运营需要严格要求之外，对接触网各个设施设备进行状态检测也必不可少。

本文采用的基于自适应学习机制的非接触式接触线检测算法，主要包括两个部分离线学习算法和实时在线检测算法，基本结构框图如图所练学习得到的导线几何形状模型空间分布模型结合，即可判别得到最终导线位臵，如图所示。

为验证研制的接触网非接触式几何参数测量方法的识别精度与稳定性，本文采用离线式测试方法，同时为验证该方法在克服线路环境差异，扩展性较强的问题，采用多条不同线路成像环境差异性较大相机图像如图所示进行测试，共计选取条地铁线路，编号分别是从条线路中随机抽取若干帧相机图像数据，以识别最终结果像素误差偏移划分类进行统计计算，牛大鹏非接触式接触网几何参数检测系统研究成都西南交通大学，高速铁路供电安全检测监测系统系统总体技术规范，要通过标定平台工具如图所示进行标定，单条地铁线路单路相机需要标定帧图像共计组数据。

其中，几何形状模型是指刚性接触网导线所特有的导线与汇流排之间的相互关系模型空间分布模型是指刚性导线在拉出值层面的空间分布关系模型。

实时在线检测算法利用图像预处理边缘检测算子等相关算子模块检测定位汇流排边缘轮廓信息，如图所示，然后再结合离线训练学习得到的导线几何形状模型与空间分布模型，从而识别得到导线精准位臵关系，如图所示。

离线学波，赵少鹏，等接触网几何参数检测仪的原理及应用山东科学，于万聚接触网检测数据处理系统铁道学院，刘寅秋，韩通新，刘会平基于图像处理的接触网动态几何参数测量研究铁道机车车辆，计选取条地铁线路，编号分别是从条线路中随机抽取若干帧相机图像数据，以识别最终结果像素误差偏移划分类进行统计计算，最终测试统计结果如表所示，其中代表识别误差像素偏移超过个像素，其余两类与之意义相同。

测试时，各条线路离线训练学习均随机抽取帧图像数据进行标定学习，得到各线路对应导线几何形状和空间分布模型。

从表可知，该方法能够同时适应不同