Полимерный изолятор электрической железной дороги

Электрифицированные железнодорожные изоляторы являются важным оборудованием в устройстве подвески контактной поддержки, а их состояние влияет на стабильность системы питания тяги. Следовательно, необходимо изучать методы обнаружения в реальном времени и интеллектуального статуса. Точная и эффективная идентификация изоляторов является предпосылкой для реализации интеллектуального обнаружения плохого состояния изолятора, обеспечивая, чтобы последующие работы по обнаружению выполнялись в целевом локальном изображении, уменьшая сложность обнаружения состояний и расчет алгоритмов обнаружения, тем самым улучшая скорость скорости обнаружение и точность результатов обнаружения. Эта статья занимает высокоэффективность и четкие изображения, собранные железнодорожным комплексным инспекционным транспортным средством в качестве образца, и применяет соответствующие технологии компьютерного зрения, чтобы реализовать эффективную идентификацию электрифицированных железнодорожных изоляторов. Во -первых, вводятся основные два типа методов распознавания цели: соответствие шаблонов и распознавание статистического закономерности; Затем метод сопоставления изображений на основе функций используется для реализации распознавания изолятора; Наконец, метод распознавания статистического схема используется для извлечения трех характеристик изоляторов: HAAR, LBP и HOG. После обучения полученный классификатор используется для идентификации изолятора. Для идентификации электрифицированных железнодорожных изоляторов по сопоставлению шаблонов в этой статье используются три метода сопоставления функций, основанные на SIFT, SURF и ORB для реализации идентификации изолятора, а также сравнивает идентификационные эффекты трех методов, и приходит к выводу, что всеобъемлющие характеристики Surf это лучше. Анкет Чтобы сравнить эффекты распознавания трех методов соответствия, дружественный интерфейс MFC, который может полностью реализовать процесс распознавания. Для метода распознавания статистического схема алгоритм Adaboost и SVM используются для обучения классификатора. Для функций HAAR и функций LBP алгоритм Adaboost используется для обучения классификаторам, а посредством оценки сгенерированных классификаторов делается вывод, что изменение метода перехвата, размер и количество положительных и отрицательных выборок может значительно улучшить производительность классификатора Анкет Для функции HOG SVM используется для обучения классификатора, и изменение метода перехвата, размер и количество положительных и отрицательных выборок могут в определенной степени улучшить эффект распознавания. В эксперименте, в окружающей среде Visual Studio 2013 и OpenCV3.0, идентификация электрифицированных железнодорожных изоляторов реализуется путем программирования. Экспериментальные результаты показывают, что для распознавания изолятора на основе соответствия изображений производительность распознавания может быть значительно улучшена путем устранения несоответствия. Для идентификации изолятора, основанного на методе распознавания статистического схема, изменение метода перехвата, размер и количество положительных и отрицательных выборок может значительно улучшить эффект идентификации. При подходящем методе перехвата образца, размере и количестве получается каскадный классификатор функции LBP, который имеет высокую точность и скорость.

Группа Продуктов : Силиконовый резиновый изолятор > Железнодорожный изолятор