基于视频相机的接触网动态几何参数检测技术研究

图1 模板创建过程示意图
输入原图手动截取受电弓图像，提取图像中的边缘轮廓形成轮廓图像，进一步通过轮廓图像形成匹配模板，以同样的方式对多幅图像进行处理形成匹配模板集合，用于待测数据中进行多模板匹配。

假设共创建了N个匹配模板，如下所示：
其中，表示匹配模板集；
个匹配模板。

其中，表示第n个模板的匹配结果中得分最高的匹配目标；
表示第n个模板的所有匹配结果集合。

其中，表示当前图像的受电弓定位目标；
表示第n个模板的匹配结果中得分最高的匹配目标；表示对应的匹配分值。

进一步，根据受电弓匹配结果并结合所使用模板可最后，根据得到的受电弓中心坐标结合受电弓以及
、、
别为基于匹配中心的上下左右的偏移量。

图2 改进始残差块
软阈值化能够降低输入数据中的噪声，该方式可将绝对值小于某个阈值的特征去掉，将绝对值大于这个阈值的特征朝着0的方向收缩。

通过堆叠多个改进后的网络基本模块，即可形成改进后的残差网络。

在该网络中，每个基本模块包含一个子网络，该子网络可自动学习得到一组阈值，用于特征图的软阈值化。

通过该种方式，使得每个样本都有自适应的不同阈值，因此，也使得该网络结构最大程度适应样本间的差异性。

在使用残差网络进行训练时需要对ROI图像进行缩放，为了适应训练图像大小的改变，因此，本方案提出记录标记点在ROI中的相对位置。

对训练数据集中的每幅图像进行受电弓定位，并确定ROI区域后，在
像中，人工标记弓网接触点在ROI中的相对坐标，
其中，I
i
表示第i幅训练图像，x
i
表示第
练图像中弓网接触点的横坐标，y
i
表示第i
接触点的纵坐标，W表示ROI宽度，H 高度。

将以上述方式标记好的样本文件输入到改进的残差网络中进行训练，得到网路模型用于后续的推理工作。

中国设备工程 2023.05 （下）
其中，S为拉出值，H为导高，x
图3 标定系数计算示意图
和H为所示范围的像素尺寸，对应的实际得到物理尺寸为w和h，w和h为人工测量结果，则标定系数计算如下所示：
试验验证
以某线路数据为基础，对动态几何参数检测进行车载动态试验。

试验中利用视频监控装置采集受电弓图像，分析动态几何参数数据情况，验证算法的实时性和有效性。

的准确率。

当图像较差时，检测准确率也可达到90%，识别效果有待提升。

平均图片识别时间为
图4 动态拉出值分布图
检测结果中的导高分布如图5所示。

图5 动态导高分布图
如上述结果可知，拉出值分布均匀，导高呈正态分布，其符合线路架设。

5 结语
本文从弓网在线检测需求出发，将深度学习算法以及传统图像模板匹配的方法进行了有效的结合。

设计基于模板匹配的方法从图像中准确提取受电弓目标区域，进而利用残差网络实现弓网接触点的识别。

某线路车载现场试验结果显示弓网接触点检测具有较高的识别精度，且耗时较短，可满足在线实时检测需求。

但在特殊区域（如线岔、锚段）时的识别精度有待进。