典型文献
基于深度学习的弓网异常状态在线检测研究
文献摘要：
弓网系统作为电力机车的关键供能系统,其运行状态直接决定了电力机车的受流质量,影响列车运行的安全和效率.为了解决传统弓网检测方法效率低、实时性差等问题,文章设计了一种基于深度学习的弓网状态在线检测系统方案,采用英伟达(NVIDIA)的Xavier SoC模块进行图像处理,通过YOLOv4实现弓网检测并添加自适应图像增强模块,优化前后目标检测的mAP分别为0.950和0.961(IOU阈值为0.5);实现基于ViT轻量级注意力模型的吊弦状态分类,平均准确率为97.69％;使用NVIDIA的推理加速器Ten-sorRT加速后,检测模型和分类模型的推理时间分别为31.0 ms和2.2 ms.系统具有较高的鲁棒性与实用性,可为后续弓网异常在线检测功能拓展提供理论依据和设计参考.
文献关键词：
弓网状态检测;接触网;吊弦;深度学习;TensorRT;ViT;YOLO v4
中图分类号：
作者姓名：
周兆安;李树枝
作者机构：
中车青岛四方机车车辆股份有限公司,山东青岛 266111
文献出处：
引用格式：
[1]周兆安;李树枝-.基于深度学习的弓网异常状态在线检测研究)[J].机车电传动,2022(05):135-143
A类：
sorRT,弓网状态检测
B类：
异常状态,弓网系统,电力机车,供能系统,受流质量,列车运行,在线检测系统,系统方案,伟达,NVIDIA,Xavier,SoC,YOLOv4,自适应图像增强,目标检测,mAP,IOU,ViT,轻量级注意力,注意力模型,吊弦,状态分类,平均准确率,推理加速,加速器,检测模型,分类模型,推理时间,ms,功能拓展,接触网,TensorRT
AB值：
0.463744
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
