一种接触网几何参数计算自动标定像素比的方法
技术领域
本发明涉及铁路安全监测
技术领域
，具体涉及一种接触网几何参数计算自动标定像素比的方法。背景技术
国内大部分车载接触网监测装置生产厂家，计算接触网几何参数前采用的标定算法都是用固定的标定工装，通过加热电阻或者其他的特殊标识的方式来标定最终的像素比；在装置安装时，使用特制的标定工装固定在车顶受电弓位置处，调整标识的位置或者通过多点采集的方式，计算像素比。
由于标定工装需要固定在车顶受电弓处进行测量，安装时需要在车顶进行作业，标定过程中安全隐患较大，并且在系统运行过程中需要进行定期反复标定以保证几何参数的测量精度，同时也给车辆运营单位增加了维护成本。
发明内容
为此，本发明提供一种接触网几何参数计算自动标定像素比的方法，以解决现有接触网几何参数标定精度低、成本高的问题。
为了实现上述目的，本发明提供如下技术方案：
本发明公开了一种接触网几何参数计算自动标定像素比的方法，所述方法为：
进行特征点识别，选取多个固定的特征点通过识别装置进行识别，根据受电弓产厂家给出的结构参数或者人工精确测量特征点的实际距离，计算得出像素比；
深度学习训练，采集车辆运行过程中针对复杂背景以及不同受电弓型号下识别特征点，进行特征点自动识别训练，构建识别模型；
自动参数修正，按照设定周期自动进行特征点的识别，同时计算像素比，将计算得到的像素比值与之前的像素比值进行均方差修正，写入系统参数表。
进一步地，所述特征点通过识别装置进行识别，在识别装置出厂前预先进行样本训练，达到基本特征点识别能力。
进一步地，所述识别装置安装在识别位之前预先测量特征点的实际距离值，设定为L0，并写入系统配置参数表。
进一步地，所述识别装置在上电启动初始状态下，先检测特征点，计算像素比的初值记为P0，并写入系统参数表。
进一步地，所述像素比初值为初始特征点识别的值和实际测量结果之间的比值，设特征点为point1和point2，像素坐标分别为(x1，y1)和(x2，y2)，实际测量两个特征点的距离为L0；
后续像素比P1-Pn的计算方法同像素比初值P0计算方法。
进一步地，所述像素比初值P0计算完成后，通过像素比初值计算几何参数，几何参数用于识别弓网状态、实时报警、缺陷分析。
进一步地，所述识别模型通过实际样本训练和采样过程中的自动训练提高识别度，将实际识别结果不断代入识别模型，不断优化更新。
进一步地，所述自动参数修正采取迭代更新的方式，每次取前30日的像素比参数做均方差计算出误差范围，计算公式为：
公式中q为第一误差值，P’为历史30天的像素比值。
进一步地，所述第一误差值q计算完成后，将当天所得的像素比参数做均方差计算得到当前测量点误差值Qn，计算公式为：
公式中Qn为当前测量点误差值，Pn为当前测量点的像素比值，当时Pn参数有效，通过平均值的方式替换为P0，计算过程为：
本发明具有如下优点：
本发明公开了一种接触网几何参数计算自动标定像素比的方法，简化采集接触网几何参数采集模块的标定流程，采取自动标定，无人工干预，大幅度节省了产品安装、调试周期，避免了标定过程中可能发生的安全事故，同时产品使用方也无需定期标定，节省了维护成本。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种接触网几何参数计算自动标定像素比的方法流程图；
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种接触网几何参数计算自动标定像素比的方法，所述方法为：
进行特征点识别，选取多个固定的特征点通过识别装置进行识别，根据受电弓产厂家给出的结构参数或者人工精确测量特征点的实际距离，计算得出像素比；
深度学习训练，采集车辆运行过程中针对复杂背景以及不同受电弓型号下识别特征点，进行特征点自动识别训练，构建识别模型；
自动参数修正，按照设定周期自动进行特征点的识别，同时计算像素比，将计算得到的像素比值与之前的像素比值进行均方差修正，写入系统参数表。
特征点识别是指，针对与受电弓的固定特征点进行定向识别，由于在列车行进过程中受电弓的形态，弓头除外，基本保持固定不变，从而可以选取某几个固定的特征点进行识别，一般大于两个特征点，再根据受电弓生产厂家给出的结构参数或者人工精确测量特征点的实际距离，最后计算得出像素比。
深度学习是指在车辆运行过程中针对复杂背景以及不同受电弓型号下识别特征点的方法，主要是通过实际样本训练和采样过程中的自动训练来提高识别度，随着样本训练量的提高识别率也越高，本产品采用的深度学习算法识别率可达95％以上。自动修正参数是在产品运行过程当中，通过不断的数据采集和测量，计算所得像素比参数可在一定周期内进行自动修正，随着识别率的提高，计算参数精度也越高。
特征点通过识别装置进行识别，在识别装置出厂前预先进行样本训练，达到基本特征点识别能力；别装置安装在识别位之前预先测量特征点的实际距离值，设定为L0，并写入系统配置参数表，识别装置在上电启动初始状态下，先检测特征点，计算像素比的初值记为P0，并写入系统参数表。
像素比初值为初始特征点识别的值和实际测量结果之间的比值，设特征点为point1和point2，像素坐标分别为(x1，y1)和(x2，y2)，正常取两个特征点，如果多于2个，则分别每2个点计算求平均值，实际测量两个特征点的距离为L0；
后续像素比P1-Pn的计算方法同像素比初值P0计算方法。
像素比初值P0计算完成后，通过像素比初值计算几何参数，几何参数用于识别弓网状态、实时报警、缺陷分析。
识别模型通过实际样本训练和采样过程中的自动训练提高识别度，将实际识别结果不断代入识别模型，不断优化更新。在实际检测过程中，会出现不同的偏差，需要对偏差进行修正，通过修正后的参数代入识别模型，进行多轮训练，提升识别的精准度。
述自动参数修正采取迭代更新的方式，每次取前30日的像素比参数做均方差计算出误差范围，计算公式为：
公式中q为第一误差值，P’为历史30天的像素比值。
第一误差值q计算完成后，将当天所得的像素比参数做均方差计算得到当前测量点误差值Qn，计算公式为：
公式中Qn为当前测量点误差值，Pn为当前测量点的像素比值，当
时Pn参数有效，通过平均值的方式替换为P0，计算过程为：
本实施例公开了一种接触网几何参数计算自动标定像素比的方法，简化采集接触网几何参数采集模块的标定流程，采取自动标定，无人工干预，大幅度节省了产品安装、调试周期，避免了标定过程中可能发生的安全事故，同时产品使用方也无需定期标定，节省了维护成本。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
