一种受电弓滑板磨耗计算方法、存储介质和计算机设备

摘要

本发明涉及受电弓滑板磨耗计算领域，具体为一种受电弓滑板磨耗计算方法、存储介质和计算机设备，其利用滑板提取算法和滑板参考线提取算法，可实现对受电弓滑板的准确提取，利用深度学习配准算法和3D精配准算法可实现高精度的配准效果，本发明所提供的受电弓滑板磨耗计算方法所涉及算法流程简单，同时基于三维数据的检测算法可排除环境光及滑板边缘干扰，提升磨耗计算精度和稳定性。

说明书

技术领域

本发明涉及受电弓滑板磨耗计算领域，具体为一种受电弓滑板磨耗计算方法、存储介质和计算机设备。

背景技术

列车受电弓滑板一直处于高速运动状态，弓网系统出现的任何轻微损伤，如受电弓滑板的过度磨耗、阶梯状磨耗、缺口、凹槽等不仅影响列车的正常供电，由此产生的电弧放电还会进一步加剧受电弓滑板和接触网的磨耗，同时还会产生无线电干扰，导致弓网故障，对轨道交通系统运输生产造成的损失和影响较严重。因此对受电弓滑板磨耗进行在线检测，掌握滑板的磨耗规律，在保证机车正常运行和电网安全等方面都具有非常重要的意义。

在现有技术中，针对列车受电弓滑板的磨耗检测，目前通用的方案是采用2D相机来采集图像，该技术通常通过面阵CCD采集受电弓滑板二维图像，通过边缘提取、形态学图像处理方法等提取碳滑板边缘，通过相机标定实现碳滑板磨耗及剩余磨耗检测，该方法易受环境光及滑板边缘影响，稳定性较差，无法实现稳定的高精度测量。

发明内容

为解决上述背景技术中所存在的问题，本发明提出了一种受电弓滑板磨耗计算方法，所述方法包括：

获取受电弓三维数据，将所述受电弓三维数据转化为受电弓深度图，在所述受电弓深度图中提取待测滑板参考线；

获取标准滑板三维数据，将所述标准滑板三维数据转化为标准滑板深度图，在所述标准滑板深度图中提取标准滑板参考线；

将所述待测滑板参考线与所述标准滑板参考线进行三维配准，得到待测滑板参考线与标准滑板参考线的差异，根据所述差异计算受电弓磨耗。

进一步的，所述采集受电弓三维数据，将所述受电弓三维数据转化为受电弓深度图，在所述受电弓深度图中提取待测滑板参考线具体为：

获取受电弓三维数据，将所述受电弓三维数据转化为受电弓深度图；

根据滑板提取算法从所述受电弓深度图提取滑板深度图；

根据滑板参考线提取算法从所述滑板深度图中提取待测滑板参考线。

进一步的，所述根据滑板提取算法从所述受电弓深度图提取滑板深度图具体为：

对受电弓深度图进行预处理，剔除非滑板区域，得到第一受电弓深度图；

对所述第一受电弓深度图进行连通域查找，得到包含两个滑板及两个滑板对应中部连接轴的连通域；

去除所述连通域的中部连接轴，得到包含所述两个滑板的第二受电弓深度图；

对所述第二受电弓深度图滑板进行分类，得到包含滑板深度图的第三受电弓深度图。

进一步的，所述根据滑板参考线提取算法从所述滑板深度图中提取待测滑板参考线具体为：

提取所述滑板深度图的上下边缘，对所述上下边缘进行多项式拟合，得到滑板在所述滑板深度图中的上下边缘曲线；

通过所述滑板在所述滑板深度图中的上下边缘曲线得到滑板深度图中的上下边缘位置，进而得到滑板中心坐标；

将所述滑板中心坐标进行直线拟合，得到滑板参考线的直线表达式；

通过所述直线表达式，得到滑板参考线在所述滑板深度图的坐标，通过映射关系，得到滑板参考线的三维数据，进而得到所述待测滑板参考线。

进一步的，所述获取标准滑板三维数据，将所述标准滑板三维数据转化为标准滑板深度图，在所述标准滑板深度图中提取标准滑板参考线具体为：

重复基于权利要求4中，所述受电弓深度图提取所述待测滑板参考线的步骤，基于标准滑板深度图提取标准滑板参考线。

进一步的，所述将所述待测滑板参考线与所述标准滑板参考线进行三维配准，得到待测滑板参考线与标准滑板参考线的差异，根据所述差异计算受电弓磨耗具体为：

将所述待测滑板参考线与所述标准滑板参考线进行深度学习配准，得到第一校准待测滑板参考线；

对所述第一校准待测滑板参考线进行3D精准配准，得到第二校准待测滑板参考线；

根据所述第二校准待测滑板参考线与标准滑板参考线的差异计算受电弓磨耗。

进一步的，所述将所述待测滑板参考线与所述标准滑板参考线进行深度学习配准，得到第一校准待测滑板参考线具体为：

获取标准滑板参考线点云数据，将所述标准滑板参考线点云数据进旋转与平移，对所述两个滑板对应中部连接轴的连通域增加噪声，得到深度学习配准训练集；

根据所述深度学习配准训练集，使用MSE损失函数进行反向梯度计算对网络参数更新，得到深度学习配准训练网络；

获取待测滑板参考线点云数据，将所述标准滑板参考线点云数据与所述待测滑板参考线点云数据输入所述深度学习配准训练网络，得到所述待测滑板参考线相对于所述标准滑板参考线的第一旋转量与第一平移量；

计算所述第一旋转量与第一平移量得到第一校准待测滑板参考线点云数据，根据所述映射关系得到第一校准待测滑板参考线。

进一步的，所述对所述第一校准待测滑板参考线进行3D精准配准，得到第二校准待测滑板参考线具体为：

L1：对所述第一校准待测滑板参考线进行滤波降噪处理，得到降噪后的第一校准待测滑板参考线；

L2：计算所述降噪后的第一校准待测滑板参考线与所述标准滑板参考线对应点的距离；

设置阈值，所述距离大于阈值的部分认定为磨损区间，去除所述降噪后的第一校准待测滑板参考线和所述标准滑板参考线的磨损区间；

L3：按照公式(1)对去除磨损区间后的所述第一校准待测滑板参考线和所述标准滑板参考线进行运算，得到所述去除磨损区间后的所述第一校准待测滑板参考线到所述除磨损区间后的标准滑板参考线的距离，

其中X

L4：迭代L2、L3，当所述去除磨损区间后的所述第一校准待测滑板参考线到所述除磨损区间后的标准滑板参考线的距离小于设置阈值，停止迭代，得到第二校准待测滑板参考线。

一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项的方法。

一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项的方法。

有益效果：本发明提供了一种受电弓滑板磨耗计算方法，利用滑板提取算法和滑板参考线提取算法，可实现对受电弓滑板的准确提取，利用深度学习配准算法和3D精配准算法可实现高精度的配准效果，本发明所提供的受电弓滑板磨耗计算方法所涉及算法流程简单，同时基于三维数据的检测算法可排除环境光及滑板边缘干扰，提升磨耗计算精度和稳定性。

附图说明

图1为本发明实施例提供的一种受电弓滑板磨耗计算方法的流程示意图；

图2为本发明实施例提供的受电弓三维图；

图3为本发明实施例提供的受电弓点云深度图；

图4为本发明实施例提供的滑板参考线点云图；

图5为本发明实施例提供的花瓣上表面曲线图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的一种受电弓滑板磨耗计算方法，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分类方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种受电弓滑板磨耗计算方法。

本申请实施例提供一种受电弓滑板磨耗计算方法、计算机设备和存储介质，旨在解决现有技术中采用2D相机来采集图像，通过面阵CCD采集受电弓滑板二维图像，通过边缘提取、形态学图像处理方法等提取碳滑板边缘，通过相机标定实现碳滑板磨耗及剩余磨耗检测，易受环境光及滑板边缘影响，稳定性较差，无法实现稳定的高精度测量的问题。

下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请实施例提供的一种受电弓滑板磨耗计算方法，其中，其执行主体还可以是分类装置，其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为分类方法的部分或者全部。

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

在一个实施例中，如图1和图2所示，当列车经过时，通过3D数据采集系统采集受电弓及滑板三维数据，获取受电弓及滑板三维数据，通过滑板提取模块和三维配准模块对所述受电弓及滑板三维数据进行处理，其中，滑板提取模块包含滑板提取算法和滑板参考线提取算法，三维配准模块包括深度学习配准算法和3D精准配准算法。

图3为受电弓点云深度图，基于图3受电弓点云深度图的滑板提取算法如下：

1)对受电弓深度图进行预处理，即采用横向矩形内核对深度图进行腐蚀处理，腐蚀处理即将图像A与卷积模板B进行卷积计算，得到B覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值。本算法中卷积模板选用横向矩形内核，指卷积模板的大小为(N，1),即纵向宽度为1，横向长度为N(N>1)个像素，有利于腐蚀掉纵向无效的背景数据。再进行膨胀处理，即将图像与卷积模板进行卷积计算，得到模板覆盖区域的像素点最大值，并用该最大值替换参考点的像素值。经过腐蚀和膨胀处理可实现非滑板区域的剔除，得到第一受电弓深度图。

2)对所述第一受电弓深度图进行连通域查找，即将深度图二值化，遍历所述第一受电弓深度图，对非零点的邻域3*3区域进行查找，若该非零点邻域内有非零值(即二值化深度图中不为零的值)，则为同一连通域，再对邻域内任意一点进行相应查找，即可扩大连通域的范围，最终得到多个连通域，即可获得包含两个滑板及对应中部连接轴的连通域(连通域所含面积最大的三个区域即为包含两个滑板及两个滑板对应中部连接轴的连通域)，根据滑板和连接轴的深度值差异，去除中部连接轴，则可获得包含两个滑板的第二受电弓深度图。

3)对所述第二受电弓深度图滑板进行分类，得到包含滑板深度图的第三受电弓深度图。

提取第三受电弓深度图中滑板深度图的上下边缘，即滑板深度图中滑板边缘的像素坐标，并对上下边缘进行多项式拟合，即可得到滑板在深度图中的上下边缘曲线，通过滑板的上下边缘曲线获取滑板深度图中的上下边缘位置，从而得到滑板中心坐标(中心坐标即为上下边缘位置中点)；将获取的滑板中心坐标进行直线拟合，即可得到参考线的斜率k和截距b,即可得到滑板参考线的直线表达式y＝kx+b,其中(x,y)为图像像素坐标，通过该直线表达式，得到滑板参考线在所述滑板深度图的坐标。通过滑板深度图与点云的映射关系，即可得到滑板参考线的三维点云数据，进而得到所述待测滑板参考线，获取的点云参考线在受电弓的位置如图4所示。

基于标准滑板深度图提取标准滑板参考线的方法与基于受电弓深度图提取所述待测滑板参考线的方法相同，且在上文已经记载，在此不做赘述。

获取标准滑板参考线点云数据，将标准滑板参考线点云数据进行随机旋转(X、Y、Z三个方向)与平移(X、Y、Z三个方向)，对两个滑板对应中部连接轴的连通域增加噪声用以模拟滑板磨耗点云，所述噪声可以为随机噪声，进而得到深度学习配准的训练集；

将训练集中的数据进行归一化处理后送进基于PointNet为主干网络的孪生网络中，得到两个特征向量(每个特征向量分别是网络自动提取到的特征值是一个1×256的数值)；基于这两个特征向量再使用孪生网络进行融合最后回归六个量，这六个量分别代表X,Y,Z轴的三个旋转量以及三个平移量，使用MSE损失函数进行反向梯度计算对网络参数更新，得到深度学习配准训练网络；

获取待测滑板参考线点云数据，将标准滑板参考线点云数据与待测滑板参考线点云数据输入所述深度学习配准训练网络，得到所述待测滑板参考线相对于所述标准滑板参考线的第一旋转量与第一平移量；计算所述第一旋转量与第一平移量得到第一校准待测滑板参考线点云数据，根据所述映射关系得到第一校准待测滑板参考线。

通过深度学习配准算法获取的配准参考线和标准参考线在同一平面内，但由于滑板在实际使用过程中产生了磨损，深度学习配准后的数据与标准参考线存在一定偏差，需要再次进行更精确的配准，具体步骤如下：

L1：对所述第一校准待测滑板参考线进行滤波降噪处理，得到降噪后的第一校准待测滑板参考线；

所述滤波降噪处理中采用的是点云统计滤波算法，点云统计滤波算法可以理解为：明显离群点的特征是在空间中分布稀疏，每个点都表达一定信息量，某个区域点越密集则可能信息量越大。噪声信息属于无用信息，信息量较小。所以离群点表达的信息可以忽略不计。考虑到离群点的特征，则可以定义某处点云小于某个密度，即点云无效。计算每个点到其最近的k个点平均距离，即假设得到的结果是一个高斯分布，其形状是由均值和标准差决定，那么平均距离在标准范围之外的点，可以被定义为离群点并从数据中去除。

L2：计算所述降噪后的第一校准待测滑板参考线与所述标准滑板参考线对应点的距离；

设置阈值，所述距离大于阈值的部分认定为磨损区间，去除所述降噪后的第一校准待测滑板参考线和所述标准滑板参考线的磨损区间；

L3：按照公式(1)对去除磨损区间后的所述第一校准待测滑板参考线和所述标准滑板参考线进行运算，得到所述去除磨损区间后的所述第一校准待测滑板参考线到所述除磨损区间后的标准滑板参考线的距离，

其中X

L4：迭代L2、L3，当所述去除磨损区间后的所述第一校准待测滑板参考线到所述除磨损区间后的标准滑板参考线的距离小于设置阈值，停止迭代，得到第二校准待测滑板参考线。

通过上述算法获取的待测滑板参考线和标准参考线数据所成的滑板上表面曲线图如图5所示，图中横坐标为滑板坐标系(从左侧羊角最低点至右侧羊角最低点)，纵坐标为滑板上表面任意点到左侧羊角最低点与右侧羊角最低点所构直线的距离；上曲线为标准参考线，下曲线为待测滑板参考线。受电弓滑板磨耗值＝标准值-滑板值。且通过图5可知，待测滑板磨耗区域主要在滑板中部区域，越往两边磨耗越小，且羊角部分基本无磨耗，该结果与滑板实际磨耗完全相同。

需要说明的是，上文中所记载的深度图与三维点云数据的转换，均为常用的映射关系，且非本申请的核心技术内容，在此不做详细描述。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取受电弓三维数据，将所述受电弓三维数据转化为受电弓深度图，在所述受电弓深度图中提取待测滑板参考线；

获取标准滑板三维数据，将所述标准滑板三维数据转化为标准滑板深度图，在所述标准滑板深度图中提取标准滑板参考线；

将所述待测滑板参考线与所述标准滑板参考线进行三维配准，得到待测滑板参考线与标准滑板参考线的差异，根据所述差异计算受电弓磨耗。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取受电弓三维数据，将所述受电弓三维数据转化为受电弓深度图，在所述受电弓深度图中提取待测滑板参考线；

获取标准滑板三维数据，将所述标准滑板三维数据转化为标准滑板深度图，在所述标准滑板深度图中提取标准滑板参考线；

将所述待测滑板参考线与所述标准滑板参考线进行三维配准，得到待测滑板参考线与标准滑板参考线的差异，根据所述差异计算受电弓磨耗。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。