Polymer -Isolator für elektrische Eisenbahn

Elektrisierte Eisenbahnisolatoren sind wichtige Geräte im Catenar -Support -Suspensionsgerät, und deren Status beeinflusst die Stabilität des Traktionstricks -Versorgungssystems. Daher ist es notwendig, Echtzeit- und Intelligent-Status-Erkennungsmethoden zu untersuchen. Genaue und effiziente Identifizierung von Isolatoren ist die Prämisse, die intelligente Erkennung des schlechten Zustands des Isolators zu realisieren und sicherzustellen Erkennung und Genauigkeit der Erkennungsergebnisse. Dieses Papier nimmt die hocheffizienten und klaren Bilder, die vom umfassenden Inspektionsfahrzeug der Eisenbahn gesammelt wurden, als Probe und wendet die zugehörigen Technologien der Computersicht an, um die effiziente Identifizierung elektrifizierter Eisenbahnisolatoren zu realisieren. Zunächst werden die beiden Haupttypen von Zielerkennungsmethoden eingeführt: Vorlagenübereinstimmung und statistische Mustererkennung; Anschließend wird die featurbasierte Bildanpassungsmethode verwendet, um die Erkennung der Isolator zu realisieren. Schließlich wird die statistische Mustererkennungsmethode verwendet, um drei Eigenschaften von Isolatoren zu extrahieren: Haar, LBP und HOG. Nach dem Training wird der erhaltene Klassifikator zur Identifizierung der Isolator verwendet. Für die Identifizierung elektrifizierter Eisenbahnisolatoren durch Vorlagenübereinstimmung verwendet dieses Papier drei Merkmalsanpassungsmethoden, die auf SIFT, SURF und ORB basieren, um die Identifizierung der Isolator zu realisieren. ist besser. . Um die Erkennungseffekte der drei Matching -Methoden zu vergleichen, ist eine freundliche MFC -Schnittstelle, die den Erkennungsprozess vollständig erkennen kann. Für die statistische Mustererkennungsmethode werden der Adaboost -Algorithmus und SVM verwendet, um den Klassifikator zu trainieren. Für Haarfunktionen und LBP -Merkmale wird der Adaboost -Algorithmus für das Klassifizierertraining verwendet. Durch die Bewertung der generierten Klassifizierer wird der Schluss gezogen, dass die Änderung der Abfangmethode, Größe und Anzahl der positiven und negativen Proben die Leistung des Klassifizierers erheblich verbessern kann . Für die HOG -Funktion wird SVM verwendet, um den Klassifizierer zu trainieren, und die Änderung der Abfangenmethode, Größe und Anzahl der positiven und negativen Proben kann den Erkennungseffekt in gewissem Maße verbessern. In dem Experiment wird in der Umgebung von Visual Studio 2013 und OpenCV3.0 die Identifizierung elektrifizierter Eisenbahnisolatoren durch Programmierung realisiert. Die experimentellen Ergebnisse zeigen, dass die Erkennungsleistung für die Isolatorerkennung basierend auf der Bildübereinstimmung erheblich verbessert werden kann, indem die Nichtübereinstimmung beseitigt wird. Für die Isolatoridentifikation basierend auf der statistischen Mustererkennungsmethode kann die Änderung der Abfangen -Methode, Größe und Anzahl der positiven und negativen Proben den Identifikationseffekt signifikant verbessern. Mit einer geeigneten Stichprobenabhörungsmethode, Größe und Menge wird ein LBP -Feature -Kaskadenklassifizierer erhalten, der eine hohe Genauigkeit und Geschwindigkeit aufweist.

Produktgruppe : Silikongummi -Isolator > Eisenbahnisolator