(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 202211211060.9 (22)申请日 2022.09.30 (71)申请人 哈尔滨市科佳通用机电股份有限公 司 地址 150060 黑龙江省哈尔滨市经开区哈 平路集中区潍 坊路2号 (72)发明人 李哲林　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 张月航 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) G06V 10/24(2022.01)G06T 7/00(2017.01) G06N 3/04(2006.01) (54)发明名称 基于深度学习的地铁受电弓碳滑板剩余使 用量测量方法 (57)摘要 基于深度学习的地铁受电弓碳滑板剩余使 用量测量方法， 涉及地铁车辆检测技术技术领 域。 本发明是为了解决现有采用人工对地铁受电 弓碳滑板磨耗测量的方法， 测量误差大， 且需要 再地铁停靠时才能够实现的问题。 本发明用相机 采集地铁受电弓图像， 对受电弓图像进行数据预 处理构建目标识别数据集， 训练一个卷积神经网 络。 通过该卷积神经网络对图像中的碳滑板进行 定位， 并裁切出子图。 对裁切出的碳滑板子图进 行数据标注构建语义分割数据集， 训练另一个卷 积神经网络。 通过该卷积神经网络对碳滑板的截 面进行语义分割， 获得分割结果。 参照分割结果 计算得到磨耗最低点和碳滑板底 边缘直线方程， 求得的点到直线的垂直距离即为受电弓碳滑板 的剩余使用量。 权利要求书1页 说明书5页 附图1页 CN 115546483 A 2022.12.30 CN 115546483 A 1.基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 其特 征在于， 采集被测车辆受电弓位置的被测图像， 且该图像中包 含有碳滑板， 利用训练好的目标检测网络模型对被测图像的碳滑板 部分进行 标记， 将被标记出的部分截取 出来作为 碳滑板子图， 利用训练好的语义分割网络模型将碳滑板子图中的碳滑板截面与背景进行分割， 获得 碳滑板截面 点集， 将碳滑板截面点集中位于碳滑板截面下边缘的点进行拟合获得下边缘线， 分别测量碳 滑板截面点集中位于碳滑板截面上边缘的点至下边缘线之 间的距离， 将最短的距离作为碳 滑板剩余使用厚度。 2.根据权利要求1的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 其特征 在于， 目标检测网络模型为Cascade  R‑CNN卷积神经网络模型。 3.根据权利要求2的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 其特征 在于， Cascade  R‑CNN卷积神经网络模型的骨干网络采用含有4组残差单元的ResNet50来提 取被测图像中碳滑板 部分的特 征。 4.根据权利要求3的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 其特征 在于， 4组残差单 元的输出维度由浅 到深依次为25 6、 512、 1025、 2048。 5.根据权利要求1的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 其特征 在于， 语义分割网络模型为De eplabV3+模型。 6.根据权利要求5的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 其特征 在于， DeeplabV3+模 型采用ResNet50作为骨干网络来提取碳滑板子图中碳滑板截面部分的 特征， 利用辅助训练头计算ResNet50的第三组残差单元的输出损失， 并将该损失施加到解码 头中， 利用解码头计算ResNet50的第四组残差单元的输出损失， 并将该损失反馈到 DeeplabV3+模型中。 7.根据权利要求6的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 其特征 在于， 辅助训练头的损失函数为交叉熵损失函数。 8.根据权利要求1、 2、 3、 4、 5、 6或7的基于深度学习的地铁受电弓碳滑板剩余使用量测 量方法， 其特征在于， 在 对被测图像的碳滑板部分进 行标记后， 需要判断标记框和螺栓之间 的交并比是否大于0， 是则去掉标记框和螺栓交集的部 分， 然后将剩余的标记框作为目标检 测网络模型的输出， 否则将标记框作为目标检测网络模型的输出。 9.根据权利要求1、 2、 3、 4、 5、 6或7的基于深度学习的地铁受电弓碳滑板剩余使用量测 量方法， 其特征在于， 采集到被测图像之后， 需要对被测图像进行旋转， 使得受电弓碳滑板 呈水平状态。 10.根据权利要求9的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 其特征 在于， 采集到被测图像之后， 需要对被测图像进行调整处理， 以消除被测图像中的外界影 响， 调整处 理包括亮度调整、 直方图均衡化和图像缩放处 理中的一种或多种。权　利　要　求　书 1/1 页 2 CN 115546483 A 2基于深度学习的地铁受电弓碳滑板剩余使用量测量方 法 技术领域 [0001]本发明属于地铁车辆检测技 术领域， 尤其涉及地铁受电弓碳滑板剩余 量的检测。 背景技术 [0002]地铁是一种重要的城市轨道交通工具， 地铁在运行时电流从受电弓进入电机牵引 车辆运行， 而受电弓上的碳滑板是地铁车辆取流的关键部件。 随着地铁的长时间运行， 受电 弓碳滑板的磨耗问题日益突出， 过度磨耗与不均匀磨耗均会缩短碳滑板的使用寿命， 甚至 引起其他严重后果。 [0003]目前地铁受电弓磨耗后的剩余使用量均是以人工测量方式为主， 但是人工测量存 在误差较大， 且在这种测量方式下， 地铁必须处于停靠状态才能进行 人工检车。 发明内容 [0004]本发明是为了解决现有采用人工对地铁受电弓碳滑板磨耗测量的方法， 测量误差 大， 且需要再地铁停靠时才能够实现的问题， 现提供基于深度学习的地铁受电弓碳滑板剩 余使用量测量方法。 [0005]基于深度学习的地铁受电弓碳滑板剩余使用量测量方法， 具体为： 采集被测车辆 受电弓位置的被测图像， 且该图像中包含有碳滑板， 利用训练好的目标检测网络模型对被 测图像的碳滑板部分进行标记， 将被标记出 的部分截取出来作为碳滑板子图， 利用训练好 的语义分割网络模型将碳滑板子图中的碳滑板截面与背景进行分割， 获得碳滑板截面点 集， 将碳滑板截面点集中位于碳滑板截面下边缘的点进行拟合获得下边缘线， 分别测量碳 滑板截面点集中位于碳滑板截面上边缘的点至下边缘线之 间的距离， 将最短的距离作为碳 滑板剩余使用厚度。 [0006]进一步的， 上述目标检测网络模型为Cascade  R‑CNN卷积神经网络模型。 [0007]进一步的， 上述Cascade  R‑CNN卷积神经网络模型的骨干网络采用含有4 组残差单 元的ResNet5 0来提取被测图像中碳滑板 部分的特 征。 [0008]进一步的， 上述 4组残差单 元的输出维度由浅 到深依次为25 6、 512、 1025、 2048。 [0009]进一步的， 上述语义分割网络模型为De eplabV3+模型。 [0010]进一步的， 上述DeeplabV3 +模型采用ResNet50作为骨 干网络来提取碳滑板子图中 碳滑板截面部分 的特征， 利用辅助训练头计算ResNet50的第三组残差单元的输出损失， 并 将该损失施加到解码头中， 利用解码头计算ResNet50的第四组残差单元的输出损失， 并将 该损失反馈 到DeeplabV3+模型中。 [0011]进一步的， 上述辅助训练头的损失函数为交叉熵损失函数。 [0012]进一步的， 在对被测图像的碳滑板部分进行标记后， 需要判断标记框和螺栓之间 的交并比是否大于0， 是则去掉标记框和螺栓交集的部 分， 然后将剩余的标记框作为目标检 测网络模型的输出， 否则将标记框作为目标检测网络模型的输出。 [0013]进一步的， 在采集到被测图像之后， 需要对被测图像进行旋转， 使得受电弓碳滑板说　明　书 1/5 页 3 CN 115546483 A 3