aislante polimérico de ferrocarril eléctrico

Los aisladores ferroviarios electrificados son equipos importantes en el dispositivo de suspensión de soporte catenario, y su estado afecta la estabilidad del sistema de fuente de alimentación de tracción. Por lo tanto, es necesario estudiar métodos de detección de estado en tiempo real e inteligente. La identificación precisa y eficiente de los aisladores es la premisa de realizar una detección inteligente del estado de aislante Bad State, asegurando que el trabajo de detección posterior se realice en la imagen local objetivo, reduciendo la dificultad de la detección de estado y el cálculo de los algoritmos de detección, mejorando así la velocidad de la velocidad de detección y precisión de los resultados de detección. Este documento toma la alta eficiencia y las imágenes claras recolectadas por el vehículo de inspección integral del ferrocarril como una muestra, y aplica las tecnologías relacionadas de la visión por computadora para realizar la identificación eficiente de los aisladores ferroviarios electrificados. Primero, se introducen los dos tipos principales de métodos de reconocimiento objetivo: coincidencia de plantillas y reconocimiento de patrones estadísticos; Luego, el método de coincidencia de imágenes basado en características se utiliza para realizar el reconocimiento de aislantes; Finalmente, el método de reconocimiento de patrones estadísticos se utiliza para extraer tres características de los aisladores: HaAR, LBP y HOG. Después del entrenamiento, el clasificador obtenido se usa para la identificación de aislantes. Para la identificación de aisladores ferroviarios electrificados por la coincidencia de plantillas, este documento utiliza tres métodos de coincidencia de características basados ​​en SIFT, Surf y Orb para realizar la identificación de aislantes, y analiza y compara los efectos de identificación de los tres métodos, y concluye que el rendimiento integral de Surf Surf es mejor. . Para comparar los efectos de reconocimiento de los tres métodos de correspondencia, se diseña una interfaz MFC amigable que puede darse cuenta de que el proceso de reconocimiento está diseñado. Para el método de reconocimiento de patrones estadísticos, el algoritmo Adaboost y SVM se utilizan para entrenar el clasificador. Para las características de HAAR y las características de LBP, el algoritmo Adaboost se usa para el entrenamiento de clasificadores, y a través de la evaluación de los clasificadores generados, se concluye que cambiar el método de intercepción, el tamaño y el número de muestras positivas y negativas pueden mejorar significativamente el rendimiento del clasificador de los clasificadores . Para la función HOG, SVM se usa para entrenar el clasificador, y cambiar el método de intercepción, el tamaño y el número de muestras positivas y negativas pueden mejorar el efecto de reconocimiento hasta cierto punto. En el experimento, en el entorno de Visual Studio 2013 y OpenCV3.0, la identificación de aisladores ferroviarios electrificados se realiza mediante programación. Los resultados experimentales muestran que para el reconocimiento de aislantes basado en la coincidencia de imágenes, el rendimiento de reconocimiento puede mejorarse significativamente al eliminar el desajuste. Para la identificación del aislante basado en el método de reconocimiento de patrones estadísticos, cambiar el método de intercepción, el tamaño y el número de muestras positivas y negativas pueden mejorar significativamente el efecto de identificación. Con el método de intercepción de muestra apropiado, el tamaño y la cantidad, se obtiene un clasificador en cascada de características LBP, que tiene alta precisión y velocidad.

PRODUCTOS POR GRUPO : Aislante de goma de silicona > Aislante ferroviario