一种弓网燃弧的识别方法及相关装置
文献发布时间:2023-06-19 12:13:22
技术领域
本申请涉及计算机应用技术领域,更具体地说,涉及一种弓网燃弧的识别方法及相关装置。
背景技术
在轨道车辆运行时,轨道车辆的受电弓需要与接触网接触以获取电能。受电弓可分单臂弓和双臂弓两种,均由滑板、上框架、下臂杆(双臂弓用下框架)、底架、升弓弹簧、传动气缸、支持绝缘子等部件组成。
在实际运行过程中,受电弓可能会与接触网脱离,造成弓网离线的情况,在弓网离线时会发生弓网燃弧,弓网燃弧是剧烈的放电现象,往往伴随着高温、强光、强电磁干扰、电离辐射等现象,直接影响列车取流、提速,对受电弓接触网造成侵蚀,对通讯带来干扰,给周围环境造成污染。燃弧持续时间过长还会导致接触线汽化,对运行安全带来重大风险,因此在轨道车辆运行过程中检测弓网燃弧现象具有重要意义。
发明内容
为解决上述技术问题,本申请提供了一种弓网燃弧的识别方法及相关装置,以实现提高所述弓网燃弧的识别准确性的目的。
为实现上述技术目的,本申请实施例提供了如下技术方案:
一种弓网燃弧的识别方法,包括:
获取待识别图像;
根据所述待识别图像中至少一个特定点的亮度参数,确定所述待识别图像的类别,所述待识别图形的类别包括第一类图像和第二类图像,所述第一类图像的特定点的亮度参数大于所述第二类图像的特定点的亮度参数;
当所述待识别图像为所述第一类图像时,基于机器学习方法获取所述待识别图像中的感兴趣区域,并在识别到所述第一类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧;
当所述待识别图像为所述第二类图像时,基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域,并在识别到所述第二类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧;所述感兴趣区域至少包括接触孔所在区域;
当基于机器学习方法无法获得所述第一类图像中的感兴趣区域或基于阈值分割和模板匹配的方法无法获得所述第二类图像中的感兴趣区域时,采用帧差法识别所述待识别图像中的弓网燃弧。
可选的,所述根据所述待识别图像中至少一个特定点的亮度参数,确定所述待识别图像的类别包括:
确定所述待识别图像中的N个特定点以及N个特定区域,所述特定区域包括一个所述特定点,N大于或等于3;
获取所述特定区域中像素点的平均灰度值;
判断像素点的平均灰度值大于第一预设灰度值的所述特定区域数量是否大于或等于预设数量,如果是,则将所述待识别图像确定为所述第一类图像,如果否,则将所述待识别图像确定为所述第二类图像;所述预设数量小于或等于N,且大于或等于1。
可选的,所述基于机器学习方法获取所述待识别图像中的感兴趣区域包括:
基于机器学习方法检测所述待识别图像中接触弓所在区域,在检测到所述接触弓所在区域后,判断所述待识别图像中是否包括接触网所在区域,如果否,则将所述接触弓所在区域确定为所述感兴趣区域;
如果是,则判断所述待识别图像中是否包括后碳滑板所在区域,若是,则将所述接触弓、接触网和所述后碳滑板所在区域确定为所述感兴趣区域,若否,则将所述接触弓和所述接触网所在区域确定为所述感兴趣区域。
可选的,在识别到所述第一类图像中的感兴趣区域后,所述判断所述感兴趣区域中是否包括弓网燃弧包括:
当所述感兴趣区域中包括所述接触弓所在区域时,利用预先训练的分类器判断所述接触弓所在区域是否存在弓网燃弧;
当所述感兴趣区域中包括所述接触弓所在区域和所述接触网所在区域时,利用预先训练的分类器判断所述接触弓和所述接触网的交点位置是否存在弓网燃弧;
当所述感兴趣区域包括所述接触弓所在区域、所述接触网所在区域和所述后碳滑板所在区域时,利用预先训练的分类器判断所述接触弓和接触网的交点位置是否存在弓网燃弧,并利用预先训练的分类器判断前碳滑板和所述后碳滑板之间的接触网是否存在弓网燃弧。
可选的,所述基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域包括:
提取所述待识别图像中平均亮度值大于第一亮度值的第一待定区域;
利用包括吊杆和号牌的模板图像在所述第一待定区域中进行模板匹配,获得与所述模板图像相匹配的屏蔽区域;
在所述第一待定区域中去除所述屏蔽区域,以获得所述感兴趣区域。
可选的,在识别到所述第二类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧包括:
在所述感兴趣区域中提取平均亮度值大于第二亮度值的区域作为待统计区域;
统计所述待统计区域的总面积,判断所述待统计区域的总面积与所述感兴趣区域的总面积的比值是否大于预设比值,如果是,则判定所述感兴趣区域中包括弓网燃弧,如果否,则判定所述感兴趣区域中不包括弓网燃弧。
可选的,所述采用帧差法识别所述待识别图像中的弓网燃弧包括:
获取多张待比对图像,将多张所述待比对图像与所述待识别图像构成图像组,至少存在两张待比对图像与所述待识别图像为相邻帧图像;
统计所述图像组中,每一张图像的第一类像素点数量以及第二类像素点数量,所述第一类像素点为该张图像相较于前一帧图像中对应像素点亮度的增加值大于预设差值的像素点,所述第二类像素点为该张图像相较于后一帧图像中对应像素点亮度的增加值大于所述预设差值的像素点;
在所述图像组中,当一张图像的第一类像素点的数量大于第一数量阈值时,计算该张图像的亮度变化参数,所述亮度变化参数表征该张图像相较于与其相邻的图像的亮度变化大小,将所述亮度变化参数大于亮度变化阈值的图像序号赋值给第一序号;
在所述图像组中,当一张图像的第二类像素点的数量大于第二数量阈值时,计算该张图像的亮度变化参数,所述亮度变化参数表征该张图像相较于与其相邻的图像的亮度变化大小,将所述亮度变化参数大于亮度变化阈值的图像序号赋值给第二序号;
当所述第一序号大于0,且第一序号小于第二序号时,判定所述待识别图像中包括弓网燃弧,且发生燃弧的区间为第一序号对应的图像到第二序号对应的图像。
一种弓网燃弧的识别系统,包括:
图像获取模块,用于获取待识别图像;
图像分类模块,用于根据所述待识别图像中至少一个特定点的亮度参数,确定所述待识别图像的类别,所述待识别图形的类别包括第一类图像和第二类图像,所述第一类图像的特定点的亮度参数大于所述第二类图像的特定点的亮度参数;
第一识别模块,用于当所述待识别图像为所述第一类图像时,基于机器学习方法获取所述待识别图像中的感兴趣区域,并在识别到所述第一类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧;
第二识别模块,用于当所述待识别图像为所述第二类图像时,基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域,并在识别到所述第二类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧;所述感兴趣区域至少包括接触孔所在区域;
第三识别模块,用于当基于机器学习方法无法获得所述第一类图像中的感兴趣区域或基于阈值分割和模板匹配的方法无法获得所述第二类图像中的感兴趣区域时,采用帧差法识别所述待识别图像中的弓网燃弧。
可选的,所述图像分类模块具体用于,确定所述待识别图像中的N个特定点以及N个特定区域,所述特定区域包括一个所述特定点,N大于或等于3;
获取所述特定区域中像素点的平均灰度值;
判断像素点的平均灰度值大于第一预设灰度值的所述特定区域数量是否大于或等于预设数量,如果是,则将所述待识别图像确定为所述第一类图像,如果否,则将所述待识别图像确定为所述第二类图像;所述预设数量小于或等于N,且大于或等于1。
可选的,所述第一识别模块基于机器学习方法获取所述待识别图像中的感兴趣区域的过程具体包括:
基于机器学习方法检测所述待识别图像中接触弓所在区域,在检测到所述接触弓所在区域后,判断所述待识别图像中是否包括接触网所在区域,如果否,则将所述接触弓所在区域确定为所述感兴趣区域;
如果是,则判断所述待识别图像中是否包括后碳滑板所在区域,若是,则将所述接触弓、接触网和所述后碳滑板所在区域确定为所述感兴趣区域,若否,则将所述接触弓和所述接触网所在区域确定为所述感兴趣区域。
可选的,在识别到所述第一类图像中的感兴趣区域后,所述第一识别模块判断所述感兴趣区域中是否包括弓网燃弧的过程具体包括:
当所述感兴趣区域中包括所述接触弓所在区域时,利用预先训练的分类器判断所述接触弓所在区域是否存在弓网燃弧;
当所述感兴趣区域中包括所述接触弓所在区域和所述接触网所在区域时,利用预先训练的分类器判断所述接触弓和所述接触网的交点位置是否存在弓网燃弧;
当所述感兴趣区域包括所述接触弓所在区域、所述接触网所在区域和所述后碳滑板所在区域时,利用预先训练的分类器判断所述接触弓和接触网的交点位置是否存在弓网燃弧,并利用预先训练的分类器判断前碳滑板和所述后碳滑板之间的接触网是否存在弓网燃弧。
可选的,所述第二识别模块基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域的过程具体包括:
提取所述待识别图像中平均亮度值大于第一亮度值的第一待定区域;
利用包括吊杆和号牌的模板图像在所述第一待定区域中进行模板匹配,获得与所述模板图像相匹配的屏蔽区域;
在所述第一待定区域中去除所述屏蔽区域,以获得所述感兴趣区域。
可选的,在识别到所述第二类图像中的感兴趣区域后,所述第二识别模块判断所述感兴趣区域中是否包括弓网燃弧的过程具体包括:
在所述感兴趣区域中提取平均亮度值大于第二亮度值的区域作为待统计区域;
统计所述待统计区域的总面积,判断所述待统计区域的总面积与所述感兴趣区域的总面积的比值是否大于预设比值,如果是,则判定所述感兴趣区域中包括弓网燃弧,如果否,则判定所述感兴趣区域中不包括弓网燃弧。
可选的,所述第三识别模块具体用于,获取多张待比对图像,将多张所述待比对图像与所述待识别图像构成图像组,至少存在两张待比对图像与所述待识别图像为相邻帧图像;
统计所述图像组中,每一张图像的第一类像素点数量以及第二类像素点数量,所述第一类像素点为该张图像相较于前一帧图像中对应像素点亮度的增加值大于预设差值的像素点,所述第二类像素点为该张图像相较于后一帧图像中对应像素点亮度的增加值大于所述预设差值的像素点;
在所述图像组中,当一张图像的第一类像素点的数量大于第一数量阈值时,计算该张图像的亮度变化参数,所述亮度变化参数表征该张图像相较于与其相邻的图像的亮度变化大小,将所述亮度变化参数大于亮度变化阈值的图像序号赋值给第一序号;
在所述图像组中,当一张图像的第二类像素点的数量大于第二数量阈值时,计算该张图像的亮度变化参数,所述亮度变化参数表征该张图像相较于与其相邻的图像的亮度变化大小,将所述亮度变化参数大于亮度变化阈值的图像序号赋值给第二序号;
当所述第一序号大于0,且第一序号小于第二序号时,判定所述待识别图像中包括弓网燃弧,且发生燃弧的区间为第一序号对应的图像到第二序号对应的图像。
一种弓网燃弧的识别系统,包括存储器和处理器,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,所述程序代码被执行时实现上述任一项所述的弓网燃弧的识别方法。
一种存储介质,所述存储介质存储有程序代码,所述程序代码被执行时实现上述任一项所述的弓网燃弧的识别方法。
从上述技术方案可以看出,本申请实施例提供了一种弓网燃弧的识别方法及相关装置,其中,所述弓网燃弧的识别方法将获取的待识别图像先依据亮度参数进行分类,将其分为亮度较高的第一类图像和亮度较低的第二类图像,然后针对第一类图像,基于机器学习方法获取所述待识别图像中的感兴趣区域,针对第二类图像,基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域,利用上述两种方法识别到感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧,当基于上述两种方法无法识别到感兴趣区域时,采用帧差法识别所述待识别图像中的弓网燃弧。即本申请实施例提供的弓网燃弧的识别方法针对不同的情况设计了不同的感兴趣区域的获取方法,提高了感兴趣区域以及弓网燃弧的识别准确性,实现了提高弓网燃弧识别准确性的目的。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种弓网燃弧的识别方法的流程示意图;
图2为本申请的一个实施例提供的弓网燃弧的识别方法的应用场景示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种弓网燃弧的识别方法,如图1所示,包括:
S101:获取待识别图像;
S102:根据所述待识别图像中至少一个特定点的亮度参数,确定所述待识别图像的类别,所述待识别图形的类别包括第一类图像和第二类图像,所述第一类图像的特定点的亮度参数大于所述第二类图像的特定点的亮度参数;
S103:当所述待识别图像为所述第一类图像时,基于机器学习方法获取所述待识别图像中的感兴趣区域,并在识别到所述第一类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧;
S104:当所述待识别图像为所述第二类图像时,基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域,并在识别到所述第二类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧;所述感兴趣区域至少包括接触孔所在区域;
S105:当基于机器学习方法无法获得所述第一类图像中的感兴趣区域或基于阈值分割和模板匹配的方法无法获得所述第二类图像中的感兴趣区域时,采用帧差法识别所述待识别图像中的弓网燃弧。
本申请实施例提供的弓网燃弧的识别方法的应用场景可参考图2,在图2中,地面服务器将从车载服务器中读取到的故障包存入服务器硬盘,并将故障包的存储地址传递给检测主机,检测主机中的弓网异常识别软件根据底面服务器传递的故障包地址读取相应的待识别图像并依据所述弓网燃弧的识别方法进行弓网燃弧的识别,将燃弧检测结果反馈给地面服务器。所述故障包中至少包括所述待识别图像。
下面对本申请实施例提供的弓网燃弧的识别方法中的各个步骤的可行执行方式进行描述。
可选的,所述根据所述待识别图像中至少一个特定点的亮度参数,确定所述待识别图像的类别包括:
S1021:确定所述待识别图像中的N个特定点以及N个特定区域,所述特定区域包括一个所述特定点,N大于或等于3。N的取值例如可以为3、4、5、6、7等等,在本申请的一个实施例中,N的取值可以为6,可选的,特定点的确定方法以均匀分布在所述待识别图像中为原则,例如,在本申请的一个实施例中,假设所述待识别图像的长宽分别为h和w,以待识别图像的一个端点为原点建立坐标系,则6个特定点可以为图像的(0,w/4),(0,w/2),(0,3*w/4),(h/2,w/4),(h/2,w/2),(h/2,w*3/4)处的像素点。所述特定区域可以是包括上述特定点的长宽分别为1×100个像素点的区域。
S1022:获取所述特定区域中像素点的平均灰度值。
S1023:判断像素点的平均灰度值大于第一预设灰度值的所述特定区域数量是否大于或等于预设数量,如果是,则将所述待识别图像确定为所述第一类图像,如果否,则将所述待识别图像确定为所述第二类图像;所述预设数量小于或等于N,且大于或等于1。
可选的,当N等于6时,所述预设数量的取值可以为3,当然地,在本申请的其他实施例中,所述预设数量还可以为2、4、5等。
可选的,所述基于机器学习方法获取所述待识别图像中的感兴趣区域包括:
S1031:基于机器学习方法检测所述待识别图像中接触弓所在区域,在检测到所述接触弓所在区域后,判断所述待识别图像中是否包括接触网所在区域,如果否,则将所述接触弓所在区域确定为所述感兴趣区域;
如果是,则判断所述待识别图像中是否包括后碳滑板所在区域,若是,则将所述接触弓、接触网和所述后碳滑板所在区域确定为所述感兴趣区域,若否,则将所述接触弓和所述接触网所在区域确定为所述感兴趣区域。
所述第一类图像可以认定为白天获取的图像,如果在白天的场景下,可通过识别接触线、识别受电弓,来划定燃弧检测的感兴趣区域,感兴趣区域为中心为接触线与受电弓轮廓的交点的矩形,矩形偏移的角度与受电弓轮廓偏移的角度相同。
具体地,可通过提取过曝或者过亮区域的圆度、膨胀度、矩形度、凸性、孔数等特征来确定燃弧区域的blob(Binary large object)特征,并设计专用代码对分类器进行训练。该分类器的具体训练过程可以包括如下:首先检测故障包所在目录下有无特征向量记录文件,如果有,读取特征向量记录文件中的记录存入训练记录队列,每条记录由故障包名、特征向量、燃弧检测结果组成。训练开始,如果用于训练的故障包名与已有记录中的故障包名相同,在训练记录队列中删除旧记录,提取过亮(过曝)区域的中心坐标偏移、圆度、膨胀度等特征组成特征向量,人工标记检测结果,将故障包名、特征向量、人工标记检测结果加入训练记录队列。依次读取训练记录队列中的特征向量及燃弧检测结果,通过mlp(多层感知器模型)训练函数训练mlp模型。将新的训练记录队列存入故障包目录下的特征向量记录文件中。当然地,在本申请的其他实施例中,分类器的训练过程还可以为其他方式,本申请对此并不做限定。
相应的,在识别到所述第一类图像中的感兴趣区域后,所述判断所述感兴趣区域中是否包括弓网燃弧包括:
S1032:当所述感兴趣区域中包括所述接触弓所在区域时,利用预先训练的分类器判断所述接触弓所在区域是否存在弓网燃弧;
S1033:当所述感兴趣区域中包括所述接触弓所在区域和所述接触网所在区域时,利用预先训练的分类器判断所述接触弓和所述接触网的交点位置是否存在弓网燃弧;
S1034:当所述感兴趣区域包括所述接触弓所在区域、所述接触网所在区域和所述后碳滑板所在区域时,利用预先训练的分类器判断所述接触弓和接触网的交点位置是否存在弓网燃弧,并利用预先训练的分类器判断前碳滑板和所述后碳滑板之间的接触网是否存在弓网燃弧。
在本实施例中,针对不同的感兴趣区域包括的内容,设计了不同的弓网燃弧识别内容,做到更全面地弓网燃弧识别。
可选的,所述基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域包括:
S1041:提取所述待识别图像中平均亮度值大于第一亮度值的第一待定区域;
S1042:利用包括吊杆和号牌的模板图像在所述第一待定区域中进行模板匹配,获得与所述模板图像相匹配的屏蔽区域;
S1043:在所述第一待定区域中去除所述屏蔽区域,以获得所述感兴趣区域。
在本实施例中,通过两次区域筛选和一次模板匹配实现感兴趣区域的确定,以实现感兴趣区域的精确定位。
相应的,在识别到所述第二类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧包括:
S1044:在所述感兴趣区域中提取平均亮度值大于第二亮度值的区域作为待统计区域;
S1045:统计所述待统计区域的总面积,判断所述待统计区域的总面积与所述感兴趣区域的总面积的比值是否大于预设比值,如果是,则判定所述感兴趣区域中包括弓网燃弧,如果否,则判定所述感兴趣区域中不包括弓网燃弧。
可选的,所述采用帧差法识别所述待识别图像中的弓网燃弧包括:
S1051:获取多张待比对图像,将多张所述待比对图像与所述待识别图像构成图像组,至少存在两张待比对图像与所述待识别图像为相邻帧图像;
S1052:统计所述图像组中,每一张图像的第一类像素点数量以及第二类像素点数量,所述第一类像素点为该张图像相较于前一帧图像中对应像素点亮度的增加值大于预设差值的像素点,所述第二类像素点为该张图像相较于后一帧图像中对应像素点亮度的增加值大于所述预设差值的像素点;
S1053:在所述图像组中,当一张图像的第一类像素点的数量大于第一数量阈值时,计算该张图像的亮度变化参数,所述亮度变化参数表征该张图像相较于与其相邻的图像的亮度变化大小,将所述亮度变化参数大于亮度变化阈值的图像序号赋值给第一序号;
S1054:在所述图像组中,当一张图像的第二类像素点的数量大于第二数量阈值时,计算该张图像的亮度变化参数,所述亮度变化参数表征该张图像相较于与其相邻的图像的亮度变化大小,将所述亮度变化参数大于亮度变化阈值的图像序号赋值给第二序号;
S1055:当所述第一序号大于0,且第一序号小于第二序号时,判定所述待识别图像中包括弓网燃弧,且发生燃弧的区间为第一序号对应的图像到第二序号对应的图像。
所述第一数量阈值和所述第二数量阈值根据所述待识别图像的种类的不同而不同,在全景图片中,所述第一数量阈值和所述第二数量阈值可以均为3000,在高清图片中,所述第一数量阈值和所述第二数量阈值可以均为5000。
所述亮度变化阈值的可行取值可以为9、10、11等。
在步骤S1054中,计算该张图像的亮度变化参数的具体方式可以包括如下:
当该张图像为第一帧时,则将第一帧的A值和第二帧的A值做比,记为ratioA,若ratioA大于亮度变化阈值,则将该帧的序号赋值给IndexA,若为最后一帧,则将最后一帧的A值和倒数第二帧的A值做比得ratioA,若ratioA大于10,则将该帧的序号赋值给IndexA,若该帧不是第一帧也不是最后一帧,设该帧序号为n,若第n-1帧的A值比第n+1帧的A值大,则将第n帧和第n+1帧的A值做比得ratioA,如果ratioA大于亮度变化阈值,则将该帧的序号赋值给IndexA,若第n-1帧的A值比第n+1帧的A值小,则将第n帧的A值和第n-1帧的A值做比得ratioA,如果ratioA大于亮度变化阈值,则将该帧的序号赋值给IndexA。其中,A值即为所述第一类像素点的数量,IndexA即为所述第一序号,ratioA即为所述亮度变化参数。
类似的,当一张图像的第二类像素点的数量大于第二数量阈值时,计算该张图像的亮度变化参数的具体方式可参考上文描述。
相应的,本申请实施例还提供了一种弓网燃弧的识别系统,包括:
图像获取模块,用于获取待识别图像;
图像分类模块,用于根据所述待识别图像中至少一个特定点的亮度参数,确定所述待识别图像的类别,所述待识别图形的类别包括第一类图像和第二类图像,所述第一类图像的特定点的亮度参数大于所述第二类图像的特定点的亮度参数;
第一识别模块,用于当所述待识别图像为所述第一类图像时,基于机器学习方法获取所述待识别图像中的感兴趣区域,并在识别到所述第一类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧;
第二识别模块,用于当所述待识别图像为所述第二类图像时,基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域,并在识别到所述第二类图像中的感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧;所述感兴趣区域至少包括接触孔所在区域;
第三识别模块,用于当基于机器学习方法无法获得所述第一类图像中的感兴趣区域或基于阈值分割和模板匹配的方法无法获得所述第二类图像中的感兴趣区域时,采用帧差法识别所述待识别图像中的弓网燃弧。
可选的,所述图像分类模块具体用于,确定所述待识别图像中的N个特定点以及N个特定区域,所述特定区域包括一个所述特定点,N大于或等于3;
获取所述特定区域中像素点的平均灰度值;
判断像素点的平均灰度值大于第一预设灰度值的所述特定区域数量是否大于或等于预设数量,如果是,则将所述待识别图像确定为所述第一类图像,如果否,则将所述待识别图像确定为所述第二类图像;所述预设数量小于或等于N,且大于或等于1。
可选的,所述第一识别模块基于机器学习方法获取所述待识别图像中的感兴趣区域的过程具体包括:
基于机器学习方法检测所述待识别图像中接触弓所在区域,在检测到所述接触弓所在区域后,判断所述待识别图像中是否包括接触网所在区域,如果否,则将所述接触弓所在区域确定为所述感兴趣区域;
如果是,则判断所述待识别图像中是否包括后碳滑板所在区域,若是,则将所述接触弓、接触网和所述后碳滑板所在区域确定为所述感兴趣区域,若否,则将所述接触弓和所述接触网所在区域确定为所述感兴趣区域。
可选的,在识别到所述第一类图像中的感兴趣区域后,所述第一识别模块判断所述感兴趣区域中是否包括弓网燃弧的过程具体包括:
当所述感兴趣区域中包括所述接触弓所在区域时,利用预先训练的分类器判断所述接触弓所在区域是否存在弓网燃弧;
当所述感兴趣区域中包括所述接触弓所在区域和所述接触网所在区域时,利用预先训练的分类器判断所述接触弓和所述接触网的交点位置是否存在弓网燃弧;
当所述感兴趣区域包括所述接触弓所在区域、所述接触网所在区域和所述后碳滑板所在区域时,利用预先训练的分类器判断所述接触弓和接触网的交点位置是否存在弓网燃弧,并利用预先训练的分类器判断前碳滑板和所述后碳滑板之间的接触网是否存在弓网燃弧。
可选的,所述第二识别模块基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域的过程具体包括:
提取所述待识别图像中平均亮度值大于第一亮度值的第一待定区域;
利用包括吊杆和号牌的模板图像在所述第一待定区域中进行模板匹配,获得与所述模板图像相匹配的屏蔽区域;
在所述第一待定区域中去除所述屏蔽区域,以获得所述感兴趣区域。
可选的,在识别到所述第二类图像中的感兴趣区域后,所述第二识别模块判断所述感兴趣区域中是否包括弓网燃弧的过程具体包括:
在所述感兴趣区域中提取平均亮度值大于第二亮度值的区域作为待统计区域;
统计所述待统计区域的总面积,判断所述待统计区域的总面积与所述感兴趣区域的总面积的比值是否大于预设比值,如果是,则判定所述感兴趣区域中包括弓网燃弧,如果否,则判定所述感兴趣区域中不包括弓网燃弧。
可选的,所述第三识别模块具体用于,获取多张待比对图像,将多张所述待比对图像与所述待识别图像构成图像组,至少存在两张待比对图像与所述待识别图像为相邻帧图像;
统计所述图像组中,每一张图像的第一类像素点数量以及第二类像素点数量,所述第一类像素点为该张图像相较于前一帧图像中对应像素点亮度的增加值大于预设差值的像素点,所述第二类像素点为该张图像相较于后一帧图像中对应像素点亮度的增加值大于所述预设差值的像素点;
在所述图像组中,当一张图像的第一类像素点的数量大于第一数量阈值时,计算该张图像的亮度变化参数,所述亮度变化参数表征该张图像相较于与其相邻的图像的亮度变化大小,将所述亮度变化参数大于亮度变化阈值的图像序号赋值给第一序号;
在所述图像组中,当一张图像的第二类像素点的数量大于第二数量阈值时,计算该张图像的亮度变化参数,所述亮度变化参数表征该张图像相较于与其相邻的图像的亮度变化大小,将所述亮度变化参数大于亮度变化阈值的图像序号赋值给第二序号;
当所述第一序号大于0,且第一序号小于第二序号时,判定所述待识别图像中包括弓网燃弧,且发生燃弧的区间为第一序号对应的图像到第二序号对应的图像。
相应的,本申请实施例还提供了一种弓网燃弧的识别系统,包括存储器和处理器,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,所述程序代码被执行时实现上述任一实施例所述的弓网燃弧的识别方法。
相应的,本申请实施例还提供了一种存储介质,所述存储介质存储有程序代码,所述程序代码被执行时实现上述任一实施例所述的弓网燃弧的识别方法。
综上所述,本申请实施例提供了一种弓网燃弧的识别方法及相关装置,其中,所述弓网燃弧的识别方法将获取的待识别图像先依据亮度参数进行分类,将其分为亮度较高的第一类图像和亮度较低的第二类图像,然后针对第一类图像,基于机器学习方法获取所述待识别图像中的感兴趣区域,针对第二类图像,基于阈值分割和模板匹配的方法获取所述待识别图像中的感兴趣区域,利用上述两种方法识别到感兴趣区域后,判断所述感兴趣区域中是否包括弓网燃弧,当基于上述两种方法无法识别到感兴趣区域时,采用帧差法识别所述待识别图像中的弓网燃弧。即本申请实施例提供的弓网燃弧的识别方法针对不同的情况设计了不同的感兴趣区域的获取方法,提高了感兴趣区域以及弓网燃弧的识别准确性,实现了提高弓网燃弧识别准确性的目的。
本说明书中各实施例中记载的特征可以相互替换或者组合,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 一种弓网燃弧的识别方法及相关装置
- 一种具有自启防护装置的弓网燃弧检测装置的高速相机