(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211026228.9 (22)申请日 2022.08.25 (71)申请人 成都骏盛科技有限责任公司 地址 610000 四川省成 都市双流区西南 航 空港经济开发区工业集中区(西航港 科技企业孵化园) (72)发明人 游诚曦　尹开华　陈守海　 (74)专利代理 机构 成都熠邦鼎立专利代理有限 公司 5126 3 专利代理师 殷桂亭 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/06(2012.01) (54)发明名称 车载接触网图像智能识别方法及装置 (57)摘要 本发明涉及接触网图像识别技术领域， 车载 接触网图像智能识别装置， 包括安装于车顶的I 端视频模 块、 II端视 频模块、 卫星定位模块、 WLAN 模块、 移动传输模块以及安装于车内的图像数据 主机和电源控制主机， 所述图像数据主机分别电 连接I端视频模块、 II端视频模块、 卫星定位模 块、 WLAN模块、 移动网络模 块， 上述所有模 块均接 入图像数据主机， 本发明通过车载接触网图像智 能识别装置实现吊弦检测、 鸟窝检测、 杆号检测、 异物检测和侵界检测， 无需人工添乘作业， 无需 人工全程视频分析， 采用图像深度学习技术， 智 能识别接触网存在的安全隐患， 自动对存在隐患 的缺陷精确定位， 对于指导接触网维修、 保障铁 路安全运行 具有重大意 义。 权利要求书2页 说明书10页 附图7页 CN 115439818 A 2022.12.06 CN 115439818 A 1.车载接触网图像智能识别方法， 其特征在于， 包括图像识别技术和深度 学习算法， 所 述图像识别技术和深度学习算法构成接触网图像智能识别方法， 基于接触网图像智能识别 方法对铁路接触网存在的安全隐患进行智能识别， 自动对接触网存在的安全隐患精确定 位， 其中， 安全隐患包括车 载网自身的质量、 车 载网周边的环境及外 侵物对车 载网的干扰。 2.根据权利要求1所述的一种车载接触网图像智能识别方法， 其特征在于， 包括吊弦检 测方法， 所述吊弦检测方法采用包含卷积层、 RPN网络、 Rol  Pooling层、 分类层和定位层的 网络模型进行吊弦检测； 其中由图像特征提取模块实现吊弦特征图提取， 所述图像特征提取模块通过卷积、 池 化、 归一化和relu  四个重复操作提取吊弦原图特征， 采用16个卷积层 进行卷积的过程中增 加边界填充和滤波器步长的条件得到对应原图点 位的等比例缩放特 征图； 使用3×3的滤波器对等比例缩放特征图进行滤波， 使滤波器的每个位置处产生一个锚 框即采用面积一定的方法通过3  个基本长度和  3 个基本比例在等比例缩放特征图上得到 9个区域候选锚框，  将产生的9个区域候选锚框的坐标乘以16得到区域候选锚框在原图所 框的区域， 由区域 候选锚框和原图框组成RPN网络； RPN网络输出多个ROI， ROI进入由全连接层组成且网络超参数固定的RoI  Pooling层， RoI Pooling层将ROI统一分成大小为H7 ×7的等份并对每一份进行Max  Pooling， 得到 大小 为H7×7W且具有建议框的特 征图并输入至全连接层； RoI Pooling层产生的H ×W的建议框经过全连接后进入分类层， 分类层根据建议框输 出一个概率向量， 通过概率向量将建议框中的特征进行分类， 同时建议框通过定位层进行 bounding box回归， 输出四个偏移量， 产生精准的定位框实现图像定位。 3.根据权利要求1所述的车载接触网图像智能识别方法， 其特征在于， 还包括鸟 窝检测 方法， 所述鸟窝检测方法在鸟窝图像预处理阶段采用图像剪裁将原始尺寸大小的鸟窝图像 裁剪为多份小图， 变相将鸟窝原图进行放大处 理， 提高鸟窝在原 始图中所占的面积。 4.根据权利要求1所述的车载接触网图像智能识别方法， 其特征在于， 还包括杆号检测 方法， 所述杆号检测方法采用CRNN算法构成杆号特征提取部分和杆号特征处理部分， 所述 杆号特征提取部分由卷积神经网络和循环神经网络组成， 所述卷积神经网络采用四层卷积 模块提取图像卷积特征图， 每层卷积模块包含1个卷积层和1个最大池化层， 其中， 卷积层 采 用3×3的卷积核， 最大池化层的算子大小为  2×2 ， 所述杆号特征提取部分提取到杆号的 特征向量序列后， 将特 征向量序列输入到循环神经网络层。 5.根据权利要求4所述的车载接触网图像智能识别方法， 其特征在于， 所述杆号检测方 法采用推断结果方法对杆号识别结果进行矫正， 所述推断结果方法将已知前根杆号设为 ， 并将寄存标志更新为 = ， 计算杆号的序列公差 为 ， 公差数值由依 靠待检测线路上下行确定， 则当前杆号为 ， 同时更新寄存标志为 = ， 由当前杆号迭代推断下一 根杆号。 6.根据权利要求1所述的车载接触网图像智能识别方法， 其特征在于， 还包括接触网异 物检测方法， 所述接触网异物检测方法利用异物与接触网的空间关系定位异物出现的潜在权　利　要　求　书 1/2 页 2 CN 115439818 A 2区域， 具体包括基于元学习的分类方法利用有限异物样本和大量正常样本， 构造交叉匹配 训练策略， 采用轻量级的卷积神经网络学习样本间的特征相似性度量， 通过比较潜在区域 图像与正负 样本的相似度大小 进行样本分类。 7.根据权利要求1所述的车载接触网图像智能识别方法， 其特征在于， 还包括侵界检测 方法， 所述侵界检测方法包括轨道关键区域的分割检测、 入侵目标识别检测、 入侵事件判定 检测和终端数据统计； 所述轨道关键区域的分割检测包括对轨道图片数据的收集、 筛选、 标注、 增强、 训练与 测试， 用于提供铁轨关键区域在图像中的位置信息， 为入侵目标识别检测及入侵事件判定 检测提供信息依据； 所述入侵目标识别检测包括入侵常见目标数据的筛选、 标注、 数据增强、 模型训练与改 进及测试， 用于提供铁轨关键区域图像数据中出现的入侵目标的类别和 位置信息， 入侵目 标识别检测的数据与轨道关键区域的分割检测数据同时进入 入侵事件判定检测； 所述入侵事件判定检测用于对入侵目标识别检测的数据与轨道关键区域的分割检测 数据进行分析与判定， 通过入侵目标识别检测与轨道关键区域的分割检测的检测结果设计 符合铁路系统规定的入侵检测执行逻辑判断图像数据是否发生入侵事件， 并将检测结果整 理输入至系统中的后台数据库中。 8.车载接触网图像智能识别装置， 其特征在于， 包括安装于车顶的I端视频模块、 II端 视频模块、 卫星定位模块、 WLA N模块、 移动传输模块以及安装于车内的图像数据主机和电源 控制主机， 所述图像数据主机 分别电连接I端视频模块、 II端视频模块、 卫星定位模块、 WLAN 模块、 移动网络模块， 所述图像数据主机无线连接车 载接触网图像智能识别数据管理系统。权　利　要　求　书 2/2 页 3 CN 115439818 A 3