本技术属于图像处理与识别领域，具体是一种基于图像识别的受电弓实时检测方法。
背景技术：
1、随着城市轨道交通的快速发展，对列车运行的安全性和稳定性要求日益提高。受电弓作为列车电力供应的重要组成部分，其运行状态直接关系到列车的安全运行。然而，传统的受电弓检测方法主要依赖于人工检测，存在工作量大、效率低、受人为因素影响大等缺点，无法满足现代城市轨道交通对安全检测的高要求。
2、现有技术(公开号为cn117710858a的发明专利申请)公开了一种受电弓状态检测方法及其装置，包括：基于针对受电弓区域的视频流，识别弓头区域的位置信息；基于位置信息和预设运动规则，确定受电弓的运动状态信息；在确定运动状态信息表征升弓结束的情况下，生成启动指令，其中，启动指令用于启动边缘检测模型，边缘检测模型用于确定升弓开始至升弓结束时接触点的位移信息和碳滑板的偏转角信息；以及在确定状态信息表征降弓开始的情况下，生成终止指令，其中，终止指令用于终止边缘检测模型。
3、上述受电弓状态检测方法及其装置通过识别受电弓弓头区域的位置信息和预设运动规则确定受电弓的运动状态信息，根据受电弓的运动状态信息生成相应指令并操作相应边缘检测模型，实现受电弓状态检测；但由于上述方案只考虑到受电弓本身的状态检测，没有考虑到受电弓状态检测时存在的其他影响因素，导致受电弓检测方法的全面性不足，进而导致列车运行时的安全性较低的问题，因此对于受电弓的检测方法仍需进一步改进。
技术实现思路
1、本技术旨在至少解决现有技术中存在的技术问题之一；为此，本技术提出了一种基于图像识别的受电弓实时检测方法，用于解决现有技术只考虑受电弓本身的状态检测，没有考虑受电弓状态检测时存在的其他影响因素，，导致受电弓检测方法的全面性不足，进而导致列车运行时的安全性较低的技术问题，本技术通过获取检测视频数据，根据检测视频数据获得若干检测图像；对检测图像进行预处理得到预处理图像；将预处理图像输入受电弓识别模型，得到检测结果；根据检测结果进行报警；本技术中的受电弓识别模型由模糊识别模型和结构异常检测模型以及异物识别模型组合而成，通过对受电弓异常检测过程分开处理，增加了受电弓检测过程中存在的多种影响因素，进一步提升了列车运行时的安全性，解决了上述问题。
2、为实现上述目的，本技术的第一方面提供了一种基于图像识别的受电弓实时检测方法，包括：
3、s1：获取检测视频数据，根据检测视频数据获得若干检测图像；
4、s2：对检测图像进行预处理得到预处理图像；
5、s3：将预处理图像输入模糊识别模型得到其对应的模糊度标签；所述模糊识别模型基于随机森林算法构建得到；
6、s4：将模糊度标签为正常的预处理图像输入受电弓结构异常模型得到结构标签；所述受电弓结构异常模型基于kcf算法构建得到；
7、s5：将模糊度标签为正常的预处理图像输入异物识别模型得到类别标签；所述异物识别模型基于yolov5网络模型构建得到；
8、s6：基于若干模糊度标签、结构标签和类别标签生成警报信号。
9、本技术通过获取检测视频数据，根据检测视频数据获得若干检测图像；对检测图像进行预处理得到预处理图像；将预处理图像输入模糊识别模型得到其对应的模糊度标签；所述模糊识别模型基于随机森林算法构建得到；将模糊度标签为正常的预处理图像输入受电弓结构异常模型得到结构标签；所述受电弓结构异常模型基于kcf算法构建得到；将模糊度标签为正常的预处理图像输入异物识别模型得到类别标签；所述异物识别模型基于yolov5网络模型构建得到；基于若干模糊度标签、结构标签和类别标签生成警报信号，通过对受电弓异常检测过程分开处理，增加了受电弓检测过程中存在的其他影响因素，提升了列车运行时的安全性。
10、进一步的，所述对检测图像进行预处理得到预处理图像，包括：
11、获取检测图像，判断检测图像的分辨率是否大于设定的分辨率阈值；
12、是，则对所述检测图像进行数据清洗得到预处理图像，所述数据清洗包括缺失、冗余和不一致操作，最终得到预处理图像；
13、否，则丢弃所述检测图像。
14、进一步的，所述模糊识别模型基于随机森林算法构建得到，包括以下步骤：
15、步骤一：获取若干历史图像和其对应的模糊度标签；所述模糊度标签为模糊与正常；
16、步骤二：提取各个历史图像的识别特征，所述识别特征包括纹理特征和边缘特征；将所述历史图像与其对应的模糊度标签和识别特征按照一定比例划分训练集、验证集和测试集；
17、步骤三：设置决策树数量，构建随机森林模型；
18、步骤四：使用训练集训练随机森林模型；使用验证集调整训练后的随机森林模型；使用测试集修正验证后的随机森林模型；最终得到输入为预处理图像，输出为模糊度标签的模糊识别模型。
19、进一步的，所述受电弓结构异常模型基于kcf算法构建得到，包括以下步骤：
20、步骤一：获取标准帧图像，在标准帧图像中设置跟踪目标和初始跟踪框；
21、步骤二：将若干预处理图像采用kcf算法跟踪，得到与预处理图像对应的跟踪框；并将跟踪框的尺度标记为对应预处理图像的跟踪帧尺度；
22、步骤三：获取标准帧尺度，计算若干跟踪帧尺度与标准帧尺度之间的尺度差值；将若干尺度差值按照帧顺序进行排列拟合生成尺度差值离散函数c(i)；判断尺度差值离散函数是否为周期函数；
23、是，则通过公式dc1＝(α1×∑c(i))/n+α2×[max(c(i))-min(c(i))]计算得到尺度差值系数一dc1；其中，α1和α2为权重系数；i∈(0，n)，且i为正整数；当尺度差值系数一大于系数阈值一时，将结构标签设置为结构异常；否则，则将结构标签设置为结构正常；
24、否，则通过公式dc2＝max(c(i))-min(c(i))计算得到尺度差值系数二dc2；当尺度差值系数二大于系数阈值二时；将结构标签设置为结构异常；否则，则将结构标签设置为结构正常。
25、进一步的，所述标准帧尺度通过若干结构标签为正常的历史图像获得，包括：
26、获取若干模糊度标签为正常，且结构标签为正常的若干历史图像，以及其对应的结构标签；所述结构标签包括异常和正常；
27、采用kcf算法对若干历史图像进行跟踪得到其对应的跟踪框；将各个跟踪框对应尺度标记为正常帧尺度zcj；j为历史图像的编号；获取初始跟踪框的尺度标记为cc；
28、通过公式bc＝γ×cc+∑(βj×zcj)计算得到标准帧尺度bc；其中，γ和βj为权重系数，且γ>∑(βj)；j∈(0，m)，且j为正整数，m为模糊度标签为正常，且结构标签为正常的历史图像的总数。
29、本技术通过获取历史图像中的初始跟踪框的尺度和若干跟踪框对应尺度标记为正常帧尺度进行结合确定标准帧尺度，使得标准帧尺度更加符合现实情况，提升了判断受电弓是否发生结构异常的准确性。
30、进一步的，所述异物识别模型基于yolov5网络模型构建得到，包括以下步骤：
31、步骤一：获取若干模糊度标签为正常的若干历史图像和其对应的类别标签；所述类别标签包括无异物和异物类别；
32、步骤二：将所述历史图像和其对应的类别标签按照一定比例划分为训练集、验证集和测试集；
33、步骤三：选择yolov5网络模型作为基础模型；
34、步骤四：使用训练集训练基础模型；使用验证集调整训练后的基础模型；使用测试集修正验证后的基础模型；最终得到输入为预处理图像，输出为类别标签的异物识别模型。
35、进一步的，基于所述模糊度标签、结构标签和类别标签生成警报信号，包括：
36、当模糊度标签为模糊的数量大于上限阈值一时，则生成模糊警报信号；
37、当结构异常标签为结构异常时，则生成受电弓结构异常警报；
38、当类别标签为异物类别的数量大于上限阈值二时，则生成异物警报信号；所述警报信号包括模糊警报信号、受电弓结构异常警报和异物警报信号。
39、与现有技术相比，本技术的有益效果是：
40、1、本技术通过获取检测视频数据，根据检测视频数据获得若干检测图像；对检测图像进行预处理得到预处理图像；将预处理图像输入模糊识别模型得到其对应的模糊度标签；将模糊度标签为正常的预处理图像输入受电弓结构异常模型得到结构标签；将模糊度标签为正常的预处理图像输入异物识别模型得到类别标签；基于若干模糊度标签、结构标签和类别标签生成警报信号，通过对受电弓异常检测过程分开处理，增加了受电弓检测过程中存在的其他影响因素，提升了列车运行时的安全性。
41、2、本技术通过获取历史图像中的初始跟踪框的尺度和若干跟踪框对应尺度标记为正常帧尺度进行结合确定标准帧尺度，使得标准帧尺度更加符合现实情况，提升了判断受电弓是否发生结构异常的准确性。
1.一种基于图像识别的受电弓实时检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图像识别的受电弓实时检测方法，其特征在于，所述对检测图像进行预处理得到预处理图像，包括：
3.根据权利要求1所述的一种基于图像识别的受电弓实时检测方法，其特征在于，所述模糊识别模型基于随机森林算法构建得到，包括以下步骤，
4.根据权利要求1所述的一种基于图像识别的受电弓实时检测方法，其特征在于，所述受电弓结构异常模型基于kcf算法构建得到，包括以下步骤：
5.根据权利要求4所述的一种基于图像识别的受电弓实时检测方法，其特征在于，所述标准帧尺度通过若干结构标签为正常的历史图像获得，包括：
6.根据权利要求1所述的一种基于图像识别的受电弓实时检测方法，其特征在于，所述异物识别模型基于yolov5网络模型构建得到，包括以下步骤：
7.根据权利要求1所述的一种基于图像识别的受电弓实时检测方法，其特征在于，基于所述模糊度标签、结构标签和类别标签生成警报信号，包括：
