本發(fā)明涉及軌道接觸網(wǎng)承力索交叉位置間距測量，特別是基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法。

背景技術(shù)：

1、軌道接觸網(wǎng)承力索交叉位置間距測量是指對鐵路或地鐵等軌道交通系統(tǒng)中，用于懸掛接觸線的承力索之間的相對距離進行精確測量的過程。因此，如何利用先進的技術(shù)手段提高軌道接觸網(wǎng)承力索交叉位置間距測量的智能化水平和安全性成為當前亟待解決的問題之一。

2、在軌道接觸網(wǎng)承力索交叉位置間距測量技術(shù)領(lǐng)域，傳統(tǒng)方法僅依賴單一類型的傳感器(如相機)進行數(shù)據(jù)采集，無法同時獲取深度信息和溫度分布等多維度數(shù)據(jù)，且傳統(tǒng)的三維重建方法無法精確捕捉到復(fù)雜的幾何形狀和細節(jié)特征，導致重建模型不夠準確，同時傳統(tǒng)方法需要大量人工干預(yù)來進行圖像標注、特征提取等工作，不僅耗時費力，還容易出錯。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法解決傳統(tǒng)方法僅依賴單一類型的傳感器(如相機)進行數(shù)據(jù)采集，無法同時獲取深度信息和溫度分布等多維度數(shù)據(jù)，且傳統(tǒng)的三維重建方法無法精確捕捉到復(fù)雜的幾何形狀和細節(jié)特征的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明提供了基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法，其包括：

5、采用高分辨率相機從多個角度拍攝軌道接觸網(wǎng)區(qū)域，并利用激光雷達和紅外傳感器采集深度信息和溫度分布數(shù)據(jù)，得到多視角圖像和深度溫度數(shù)據(jù)；

6、將多視角圖像和深度溫度數(shù)據(jù)通過高速數(shù)據(jù)傳輸通道匯集到中央處理單元，得到初始數(shù)據(jù)集；

7、對初始數(shù)據(jù)集進行預(yù)處理，得到高質(zhì)量數(shù)據(jù)集；

8、基于深度學習算法和高質(zhì)量數(shù)據(jù)集構(gòu)建承力索及交叉點的預(yù)測模型，輸入高質(zhì)量數(shù)據(jù)集中的樣本數(shù)據(jù)，并輸出承力索及交叉點的預(yù)測結(jié)果；

9、基于承力索及交叉點的預(yù)測結(jié)果，結(jié)合立體視覺和結(jié)構(gòu)光技術(shù)，對承力索交叉位置進行三維模型重建，并得到重建后的三維模型；

10、基于三維模型中的空間坐標計算承力索交叉位置之間的精確距離，得到距離測量結(jié)果；

11、對距離測量結(jié)果進行分析判斷是否存在安全隱患，并生成詳細的檢測報告，得到包含安全分析的檢測報告。

12、作為本發(fā)明所述基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的優(yōu)選方案，其中：所述采用高分辨率相機從多個角度拍攝軌道接觸網(wǎng)區(qū)域，并利用激光雷達和紅外傳感器采集深度信息和溫度分布數(shù)據(jù)，得到多視角圖像和深度溫度數(shù)據(jù)，具體步驟為：

13、準備高分辨率相機sony?imx，并配置激光雷達velodyne?vlp-16和紅外傳感器flir熱成像儀；

14、在軌道接觸網(wǎng)上方安裝至少三個高分辨率相機，同步啟動所有傳感器，包括高分辨率相機、激光雷達和紅外傳感器，開始數(shù)據(jù)采集；

15、每個相機拍攝一組照片，同時記錄對應(yīng)時刻激光雷達掃描得到的點云數(shù)據(jù)以及紅外傳感器測量的溫度分布圖；

16、利用標準目標板對相機進行幾何校準，確保不同視角下的圖像能夠精確對齊，得到多視角圖像和深度溫度數(shù)據(jù)。

17、作為本發(fā)明所述基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的優(yōu)選方案，其中：所述將多視角圖像和深度溫度數(shù)據(jù)通過高速數(shù)據(jù)傳輸通道匯集到中央處理單元，得到初始數(shù)據(jù)集，具體步驟為：

18、使用高速數(shù)據(jù)傳輸接口gige?vision連接傳感器至中央處理單元，并配置網(wǎng)絡(luò)參數(shù)；

19、將經(jīng)過初步整理的不同類型數(shù)據(jù)按照時間順序和空間位置關(guān)系進行關(guān)聯(lián)，得到初始數(shù)據(jù)集。

20、作為本發(fā)明所述基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的優(yōu)選方案，其中：所述對初始數(shù)據(jù)集進行預(yù)處理，得到高質(zhì)量數(shù)據(jù)集，具體步驟為：

21、應(yīng)用高斯濾波器對初始數(shù)據(jù)集中的多視角圖像進行平滑處理，去除圖像中的隨機噪聲；

22、對激光雷達采集的點云數(shù)據(jù)應(yīng)用雙邊濾波，在保留邊緣信息的同時減少噪聲干擾；

23、利用已知的相機內(nèi)外參數(shù)對多視角圖像進行幾何校準，并采用sift算法檢測并匹配特征點，通過ransac算法計算變換矩陣實現(xiàn)圖像間的配準；

24、針對多視角圖像的顏色偏差問題，采用白平衡算法調(diào)整各圖像的顏色，使其色彩一致；

25、將經(jīng)過上述處理的多源數(shù)據(jù)融合到統(tǒng)一空間模型中，并利用icp算法優(yōu)化點云配準精度，并結(jié)合溫度分布信息進行調(diào)整，并得到高質(zhì)量數(shù)據(jù)集。

26、作為本發(fā)明所述基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的優(yōu)選方案，其中：所述基于深度學習算法和高質(zhì)量數(shù)據(jù)集構(gòu)建承力索及交叉點的預(yù)測模型，輸入高質(zhì)量數(shù)據(jù)集中的樣本數(shù)據(jù)，并輸出承力索及交叉點的預(yù)測結(jié)果，具體步驟為：

27、對高質(zhì)量數(shù)據(jù)集中的圖像和三維空間數(shù)據(jù)進行標注，標記出所有承力索及其交叉點的確切位置；

28、將標注好的高質(zhì)量數(shù)據(jù)集劃分為訓練集、驗證集和測試集；

29、基于深度學習算法cnn和標注好的高質(zhì)量數(shù)據(jù)集，構(gòu)建承力索及交叉點的預(yù)測模型。

30、將高質(zhì)量數(shù)據(jù)集代入至承力索及交叉點的預(yù)測模型中，并輸出承力索及交叉點的預(yù)測結(jié)果。

31、作為本發(fā)明所述基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的優(yōu)選方案，其中：所述基于承力索及交叉點的預(yù)測結(jié)果，結(jié)合立體視覺和結(jié)構(gòu)光技術(shù)，對承力索交叉位置進行三維模型重建，并得到重建后的三維模型，具體步驟為：

32、利用多個視角下的高分辨率圖像，通過立體視覺算法計算視差圖；

33、使用結(jié)構(gòu)光設(shè)備向軌道接觸網(wǎng)區(qū)域投射已知模式的光線，并捕捉反射回來的圖案；

34、根據(jù)光線變形情況計算物體表面的三維坐標；

35、結(jié)合深度圖、通過結(jié)構(gòu)光技術(shù)獲取的三維點云數(shù)據(jù)，以及從承力索及交叉點的預(yù)測結(jié)果r中提取的承力索及其交叉點的位置信息；

36、使用icp算法進行數(shù)據(jù)融合與重建，并得到重建后的三維模型。

37、作為本發(fā)明所述基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的優(yōu)選方案，其中：所述基于三維模型中的空間坐標計算承力索交叉位置之間的精確距離，得到距離測量結(jié)果，具體步驟為：

38、提取重建后的三維模型m中的承力索交叉點的空間坐標；

39、對于任意兩個交叉點，根據(jù)空間坐標計算出兩者之間的歐幾里得距離；

40、輸出每個承力索交叉位置對之間的距離測量結(jié)果。

41、作為本發(fā)明所述基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的優(yōu)選方案，其中：所述對距離測量結(jié)果進行分析判斷是否存在安全隱患，并生成詳細的檢測報告，得到包含安全分析的檢測報告，具體步驟為：

42、收集計算得到的所有承力索交叉位置之間的精確距離值；

43、根據(jù)安全標準，設(shè)定每種類型的承力索交叉位置間距的安全閾值；

44、將每個測量的距離值與相應(yīng)的安全閾值進行比較，判斷是否存在安全隱患；

45、基于安全評估結(jié)果a，對每個檢測點進行詳細的安全分析，并得到包含安全分析的檢測報告。

46、第二方面，本發(fā)明提供了計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的任一步驟。

47、第三方面，本發(fā)明提供了計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于機器視覺的軌道接觸網(wǎng)承力索交叉位置間距測量方法的任一步驟。

48、本發(fā)明有益效果為：通過采用高分辨率相機從多個角度拍攝軌道接觸網(wǎng)區(qū)域，并利用激光雷達和紅外傳感器采集深度信息和溫度分布數(shù)據(jù)，實現(xiàn)了對軌道接觸網(wǎng)環(huán)境的全面感知，通過對初始數(shù)據(jù)集進行預(yù)處理，得到了高質(zhì)量數(shù)據(jù)集，顯著減少了數(shù)據(jù)中的干擾因素，提高了數(shù)據(jù)的可用性和一致性，達到了增強數(shù)據(jù)準確性和可靠性，為后續(xù)深度學習模型提供高質(zhì)量輸入的效果，基于深度學習算法和高質(zhì)量數(shù)據(jù)集構(gòu)建承力索及交叉點的預(yù)測模型，并輸入高質(zhì)量數(shù)據(jù)集中的樣本數(shù)據(jù)，輸出承力索及交叉點的預(yù)測結(jié)果，利用先進的深度學習技術(shù)自動識別和定位承力索及其交叉點的位置，大大提高了識別的精度和效率，在減少人工干預(yù)的同時，保證了位置識別的準確性，達到了自動化程度高、識別精度高的效果，極大地提升了工作效率和準確性。