(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211298971.X (22)申请日 2022.10.24 (71)申请人 成都诺比侃科技有限公司 地址 610014 四川省成 都市青羊区光 华南 三路88号1栋15层15 34号 (72)发明人 林仁辉　苏茂才　李柯　雷开武　 廖峪　唐泰可　宋鹏光　李自旭　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 雷正 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/74(2022.01)G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于大数据的接触网验损缺陷数据管 理方法及系统 (57)摘要 本发明公开了一种基于大数据的接触网验 损缺陷数据管理方法及系统， 包括以下步骤： 利 用预先建立的缺陷类别识别模型对接触网验损 缺陷数据流进行缺陷数据的归类得到多组依缺 陷类别区分的验损缺陷数据集， 所述接触网验损 缺陷数据为在接触网中获取用于表征接触网验 损部位缺陷特征的特征数据； 基于所述验损缺陷 数据集构建定向识别模型。 本发 明基于所述验损 缺陷数据集构建定向识别模型， 以实现根据用户 自定义选 择进行接触网缺陷的定向识别， 提高用 户体验， 构建位置缺陷测算模型， 以实现根据接 触网位置进行缺陷类别测算的智能分析， 构建位 置缺陷关联模 型， 以实现根据缺陷类别进行接触 网位置关联的智能分析， 提供 管理智能化 程度。 权利要求书3页 说明书8页 附图2页 CN 115359307 A 2022.11.18 CN 115359307 A 1.一种基于大 数据的接触网验损缺陷数据管理方法， 其特 征在于： 包括以下步骤： 步骤S1、 利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进行缺陷数据的 归类得到多组依 缺陷类别区分的验损缺陷数据集， 所述接触网验损缺陷数据为在接触网中 获取用于表征接触网验损部位 缺陷特征的特征数据； 步骤S2、 基于所述验损缺陷数据集构建定向识别模型， 以实现根据用户自定义选择进 行接触网缺陷的定向识别； 步骤S3、 基于所述验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进 行测算分析得到位置缺陷测算模型， 以实现根据接触网位置进行缺陷类别测算的智能分 析， 基于所述验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进 行关联分 析得到位置缺陷关联模型， 以实现根据缺陷类别进行接触网位置关联的智能分析。 2.根据权利要求1所述的一种基于大数据的接触网验损缺陷数据管理方法， 其特征在 于： 所述利用预先建立的缺陷类别识别模型对接触网验损缺陷数据流进 行缺陷数据的归类 得到多组依缺陷类别区分的验损缺陷数据集， 包括： 将接触网验损缺陷数据流中每项接触网验损缺陷数据输入至预先建立的缺陷类别识 别模型中， 由缺陷类别识别模型输出每项接触网验损缺陷数据的缺陷类别， 并将同属于同 一个缺陷类别的接触网验损缺陷数据归类为同一验损缺陷数据集， 将验损缺陷数据集表征 的缺陷类别作为验损缺陷数据集的识别标签； 所述缺陷类别识别模型的构建包括： 在历史接触网验损日志中为每个缺陷类别均选取多个表征接触网验损部位处于损坏 状况的接触网验损缺陷数据作为样本验损缺陷数据， 并将样本验损缺陷数据作为分类器模 型的输入项， 将 样本验损缺陷数据对应的缺陷类别作为分类 器模型的输出项； 利用分类器模型在所述分类器模型的输入项和分类器模型的输出项中进行分类器训 练得到所述 缺陷类别识别模型， 所述 缺陷类别识别模型的函数表达式： type=Classifier(data)； 式中， type为接触网验损缺陷数据的缺陷类别， data为接触网验损缺陷数据， Classifier为分类 器模型。 3.根据权利要求2所述的一种基于大数据的接触网验损缺陷数据管理方法， 其特征在 于： 所述基于所述验损缺陷数据集构建定向识别模型， 包括： 在每个验损缺陷数据集中对每个接触网验损缺陷数据表征的缺陷位置和缺陷程度进 行标记； 将验损缺陷数据集中接触网验损缺陷数据作为神经网络模型的输入项， 将验损缺陷数 据集中接触网验损缺陷数据对应的缺陷位置和缺陷程度作为神经网络模型的输出项， 利用 神经网络模型在所述神经网络模型的输入项和所述神经网络模型的输出项中进行模型训 练得到所述定向识别模型； 所述定向识别模型的模型表达式为： [P,C]= networki(data)； 式中， P,C分别为缺陷位置和缺陷程度， data为接触网验损缺陷数据， networki为第i个 验损缺陷数据集中的神经网络模型， i为计量常数； 所述缺陷程度的量 化包括；权　利　要　求　书 1/3 页 2 CN 115359307 A 2获取接触网验损缺陷数据对应的接触网验损部位处表征接触网验损部位处于无损坏 状况的多个历史接触网验损缺陷数据， 将接触网验损缺陷数据与历史接触网验损缺陷数据 进行离散分析得到接触网验损缺陷数据表征的缺陷程度； 所述缺陷程度的量 化公式为： ； 式中， C为缺陷程度， dataj为第j个历史接触网验损缺陷数据， data为所述接触网验损缺 陷数据， m为历史接触网验损缺陷数据的总数量， j为计量常数； 所述缺陷位置由YOLO目标检测模型进行确定 。 4.根据权利要求3所述的一种基于大数据的接触网验损缺陷数据管理方法， 其特征在 于： 所述基于所述验损缺陷数据集构建出对同一缺陷位置在不同缺陷类别上的缺陷进 行测 算分析得到位置缺陷测算模型， 包括： 在各个验损缺陷数据集中提取出每个缺陷位置对应的接触网验损缺陷数据， 并统计每 个缺陷位置在所有验损缺陷数据集中对应的接触网验损缺陷数据的总数量， 依次利用每个 缺陷位置在每个验损缺陷数据集中对应的接触网验损缺陷数据占每个缺陷位置在所有验 损缺陷数据集中对应的接触网验损缺陷数据的总数量的比例作为每个缺陷位置在每个缺 陷类别中缺陷类别发生 率； 提取每个缺陷位置和缺陷类别作为CNN神经网络的输入项， 将缺陷位置的缺陷类别发 生率作为CNN神经网络的输出项， 利用CNN神经网络基于所述CNN神经网络的输入项和CNN神 经网络的输出项 进行网络训练得到所述 位置缺陷测算模型； 所述位置缺陷测算模型的模型表达式为： [pro]= CNN(P,type)； 式中， pro为缺陷类别发生 率， P,type分别为 缺陷位置、 缺陷类别， CN N为CNN神经网络 。 5.根据权利要求4所述的一种基于大数据的接触网验损缺陷数据管理方法， 其特征在 于： 所述基于所述验损缺陷数据集构建出对不同缺陷位置在同一缺陷类别上的缺陷进 行关 联分析得到位置缺陷关联模型， 包括： 在每个验损缺陷数据集中提取各个缺陷位置， 并将各个缺陷位置对应的接触网验损缺 陷数据进行关联分析 得到任意两个缺陷位置间的关联性， 其中， 若任意两个缺陷位置间的关联性高于预设关联阈值， 则将任意两个缺陷位置互相作为 对方的关联位置； 若任意两个缺陷位置间的关联性低于或等于预设关联阈值， 则将任意两个缺陷位置互 相作为对方的非关联位置； 统计每个缺陷位置的关联位置， 并将缺陷位置、 缺陷位置对应的缺陷类别作为BP神经 网络的输入项， 将缺陷位置的关联位置作为BP神经网络的输出项， 利用BP神经网络在所述 BP神经网络的输入项和BP神经网络的输出项中进行模型训练得到所述 位置缺陷关联模型； 所述位置缺陷关联模型的模型表达式为： [P_rel]= BP(P,type)； 式中， P_rel为关联位置， P,type分别为 缺陷位置、 缺陷类别， BP为BP神经网络 。权　利　要　求　书 2/3 页 3 CN 115359307 A 3