一种放线视频监控方法及设备与流程

1.本发明涉及一种监控设备，具体讲涉及一种放线视频监控方法及设备。


背景技术：

2.随着特高压建设的迅速发展，导线铺设已经进入常态化，但是在铺线的过程中，由于可视化程度低导致实际放线状况信息无法及时传达，问题故障无法及时处理。其中牵引机及张力机放线过程中卷筒及尾车排线是放线过程中非常重要的一个环节，难免会出现钢丝绳或尼龙绳的跳槽的现象，导致铺设停止，严重情况下会导致牵张设备的损坏，且一般在发现时，卡死现象非常严重，短时间难以恢复，导致施工过程无法顺利进行，另外，钢丝绳及纤维绳的损伤是放线过程中一个更大的隐患，可能会导致滑脱，放线失败。于是对放线过程中卷筒及尾车排线进行监测便显得尤为重要。
3.因此，解决放线施工的智能监控问题对降低施工故障率和提高施工效率至关重要。


技术实现要素：

4.本发明的目的是解决放线施工的智能监控问题。
5.本发明的目的是采取下述技术方案来实现的：
6.一种放线视频监控方法，其包括：通过视频采集设备获得放线图像；将所述放线图像导入到预先训练好的智能识别网络对所述放线图像进行分析得到放线图像的预警等级分类标签；其中，所述预先训练好的智能识别网络是采用历史放线图像和对应的预警等级分类标签对alexnet神经网络进行训练得到的。
7.优选的，所述智能识别网络的训练包括：获取历史放线图像，以及历史放线图像的预警等级分类标签，由所述历史放线图像和所述放线图像的预警等级分类标签构成样本集；将所述样本集按照设定比例划分为训练集和测试集；将所述训练集中的历史放线图像和所述放线图像的预警等级分类标签对所述alexnet网络进行训练，得到初始训练的智能识别网络；基于所述测试集结合交叉熵误差检测所述初始训练的智能识别网络分类准确率，将分类准确率达到设定阈值时的初始训练的智能识别网络作为训练好的智能识别网络。
8.优选的，所述设定比例为8:2。
9.优选的，所述基于所述测试集结合交叉熵误差检测所述初始训练的智能识别网络分类准确率，将分类准确率达到设定阈值时的初始训练的智能识别网络作为训练好的智能识别网络包括：将测试集中的历史放线图像输入到所述初始训练的智能识别网络得到预测的图像分类结果，采用交叉熵误差为损失函数评估预测的图像分类结果与图像实际分类标签之间的差异；根据所述差异计算得到智能识别网络的分类准确率；当所述分类准确率小于设定阈值时，根据所述差异修改网络参数以提高分类准确率；将所述分类准确率大于设定阈值时的初始训练的智能识别网络作为训练好的智能识别网络。
10.优选的，所述基于所述测试集结合交叉熵误差检测所述初始训练的智能识别网络分类准确率，将分类准确率达到设定阈值时的初始训练的智能识别网络作为训练好的智能识别网络包括：采用所述测试集中的历史放线图像k张导入alexnet模型中，图像经过alexnet网络中的卷积层、池化层及全连接层后输出分类结果，通过与k张历史放线图像对应的实际分类标签进行对比，得到智能识别网络的分类准确率。
11.优选的，所述当所述分类准确率小于设定阈值时，根据所述差异修改网络参数以提高分类准确率包括：通过链式求导法则将所述损失函数值通过求解偏导数逐步向上传递进而修改网络参数。
12.优选的，所述预测的图像分类结果与图像实际分类标签之间的差异按下式计算：
13.其中，n为样本总数，m为分类的数量，i为样本，p
ic
为模型预测的样本i属于类别c的概率，y
ic
取0或1，当i的真实类别为c时取1，否则取0，l为n个样本分别经alexnet分类预测并与真实标签对比计算后取平均得到的损失函数值。
14.优选的，所述智能识别网络包括alexnet网络，所述alexnet网络包括5个卷积层、3个池化层和3个全连接层，第一卷积层为输入层，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层与第三卷积层之间，第三卷积层、第四卷积层、第五卷积层依次连接，第三池化层连接第五卷积层，三个全连接层依次连接，第一全连接层与第三池化层连接，第三全连接层为输出层。
15.优选的，所述的一种放线视频监控方法还包括：根据所述预警等级给出操作或预警提示。
16.基于同一发明构思本发明还提供了一种放线视频监控设备，其包括：用于获得视频监控图像的视频采集设备，内置于所述视频采集设备内部或者通过通讯方式与所述视频采集设备连接的运算单元；所述运算单元用于实现所述放线视频监控方法。
17.优选的，所述视频采集设备包括：具有外部连接结构的设备外壳；安装于所述设备外壳前后两端的摄像头；安装于所述设备外壳内部的与所述摄像头电连接的视频处理模块，与所述视频处理模块电连接的通讯模块，与所述摄像头、视频处理模块和通讯模块连接的电源模块；以及与所述通讯模块连接的天线。
18.与现有技术相比，本发明的有益效果为：
19.1、一种放线视频监控方法，其包括：通过视频采集设备获得放线图像；将所述放线图像导入到预先训练好的智能识别网络对所述放线图像进行分析得到放线图像的预警等级；其中，所述预先训练好的智能识别网络是采用历史放线图像和对应的预警等级分类标签对alexnet神经网络进行训练得到的。本发明通过所述智能识别网络根据预警等级分类给出操作或预警提示，实现了放线施工的智能监控和预警，有效解决了放线施工的智能监控问题。
附图说明
20.图1为本发明实施例1一种放线视频监控方法的流程图；
21.图2为本发明实施例2一种放线视频监控设备的结构示意图；
22.图3为本发明实施例2一种放线视频监控设备在张力机上的安装示意图；
23.图4为本发明实施例2一种放线视频监控设备在牵引机上的安装示意图；
24.图5为本发明实施例2角度调节底座的结构示意图；
25.图6为本发明实施例2双视区视频采集组件下方视角的结构示意图；
26.其中：1-放线视频监控设备、2-张力机、3-牵引机、11-角度调节底座、12-高度调节组件、13-双视区视频采集组件、111-固定底板、112-角度调节板、113-后滑槽板、114-加强筋板、121-支撑杆、122-主体托架、131-设备外壳、132-摄像头、133-天线、134-防护罩、1111-长圆孔、1121-固定轴孔、1122-角度固定孔、1201-高度定位孔、1202-螺栓、1131-弧形滑槽。
具体实施方式
27.实施例1
28.如图1所示，为了实现放线过程的智能监控和故障智能分类预警，现提出一种放线视频监控方法，其包括：通过视频采集设备获得放线图像；将所述放线图像导入到预先训练好的智能识别网络对所述放线图像进行分析得到放线图像的预警等级；其中，所述预先训练好的智能识别网络是采用历史放线图像对alexnet神经网络进行训练得到的。
29.所述预先训练的智能识别网络的训练包括：获取历史放线图像，以及历史放线图像的预警等级分类标签，由所述历史放线图像和所述放线图像的预警等级分类标签构成样本集；将所述样本集按照设定比例划分为训练集和测试集；将所述训练集中的历史放线图像和所述放线图像的预警等级分类标签对所述alexnet网络进行训练，得到初始训练的智能识别网络；基于所述测试集结合交叉熵误差检测所述初始训练的智能识别网络分类准确率，将分类准确率达到设定阈值时的初始训练的智能识别网络作为训练好的智能识别网络。
30.所述设定比例为8:2，或者为5:5，或者为6:4，或者为7:3或者为9:1，可以根据放线图像的样本数量来和测试结果置信度来确定设定比例的划分。
31.将尺寸一致的放线图像导入alexnet网络得到网络所预测的图像分类结果；使用交叉熵误差为损失函数来评估所述预测的图像分类结果与图像实际分类标签之间的差异；根据所述差异修改网络参数；通过大量次数的迭代学习和参数调整后，根据模型预测分类结果与图像对应的实际分类标签进行对比得到计算模型分类准确率；评估所述模型分类准确率，当alexnet能够准确实现分类时，停止继续迭代和参数调整，得到完成训练的alexnet分类模型。
32.收集不同预警等级的放线图像，以图像总数量、分辨率、像素位置信息，以及预警等级为特征构建矩阵数据库并对所述预警等级设置为不同的分类标签。所述构建矩阵数据库包括：收集多张放线状态的图像[i1,i2,...,in]，并对应分类将图像设置为不同的标签[y1,y2,...,yn]，n为收集的图像总数量，in为大小x*y*3的矩阵；其中，x*y对应图像分辨率，in(x,y,1)代表第n张组塔图像在像素(x,y)位置的r值，in(x,y,2)代表第n张组塔图像在像素(x,y)位置的g值，in(x,y,3)代表第n张组塔图像在像素(x,y)位置的b值；yn表示第n张图像所对应的具体检测类别。
[0033]
所述使用交叉熵误差为损失函数评估预测的分类结果与图像实际标签之间的差
异包括如下公式：
[0034]
其中，n为样本总数，m为分类的数量，i为样本，p
ic
为模型预测的样本i属于类别c的概率，y
ic
取0或1，当i的真实类别为c时取1，否则取0，l即代表了n个样本分别经alexnet分类预测并与真实标签对比计算后取平均得到的损失函数值。
[0035]
根据所述差异修改网络参数包括：通过链式求导法则将所述损失函数值通过求解偏导数逐步向上传递进而修改网络参数。
[0036]
所述基于所述测试集结合交叉熵误差检测所述初始训练的智能识别网络分类准确率，将分类准确率达到设定阈值时的初始训练的智能识别网络作为训练好的智能识别网络包括：采用所收集的另一组实时放线监控图像共k张导入alexnet模型中，图像经过alexnet网络中的卷积层、池化层及全连接层后输出分类结果，通过与k张图像对应的实际分类标签进行对比，得到智能识别网络的分类准确率。
[0037]
所述不同预警等级的放线图像包括：正常放线导线图像、导线损伤图像、导线跳槽图像、异物卷入图像、导线盘放空图像。
[0038]
所述智能识别网络包括alexnet网络，其包括5个卷积层、3个池化层和3个全连接层，第一卷积层为输入层，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层与第三卷积层之间，第三卷积层、第四卷积层、第五卷积层依次连接，第三池化层连接第五卷积层，三个全连接层依次连接，第一全连接层与第三池化层连接，第三全连接层为输出层。
[0039]
所述智能识别网络包括：在第一卷积层中对输入的放线图像进行卷积，卷积后的结果经relu激活和局部响应归一化(lrn)后得到第一卷积层输出；第一池化层对所述第一卷积层输出进行重叠最大池化操作后得到第一池化层输出；第二卷积层对所述第一池化层输出分两组进行卷积，卷积后的结果经relu激活和局部响应归一化(lrn)后得到第二卷积层输出；第二池化层对所述第二卷积层输出进行重叠最大池化操作后得到第二池化层输出；第三卷积层以所述第二池化层输出为输入，经卷积得到第三卷积层输出；第四卷积层以所述第三卷积层输出为输入分两组卷积得到第四卷积层输出；第五卷积层以所述第四卷积层输出为输入分两组进行卷积，卷积后的结果经relu激活和局部响应归一化(lrn)后得到第五卷积层输出；第三池化层对所述第五卷积层输出进行重叠最大池化操作后得到第三池化层输出；第一全连接层对所述第三池化层输出进行卷积，经过relu激活和dropout环节得到第一全连接层输出；第二全连接层对所述第一全连接层输出进行卷积，经过relu激活和dropout环节得到第二全连接层输出；第三全连接层经对所述第二全连接层输出进行卷积，最终输出放线图像的预警等级分类。
[0040]
所述在第一卷积层中对输入的放线图像进行卷积，卷积后的结果经relu激活和局部响应归一化(lrn)后得到第一卷积层输出包括：设置过滤器的大小和数量，以固定的步长在图像上滑动，对输入的放线图像进行卷积操作，无填充；过滤器中的值与放线图像中的原始像素值分别相乘后加和成为新的特征图像中一点的值，而后在放线图像中滑动一个步长的像素间隔，再次进行图像与过滤器的数值相乘和加和，得到特征图像的另一个点值，进而当过滤器滑动经过整个图像后会得到一个新的特征图，得到第一卷积层输出。
[0041]
所述特征图的大小与输入图像大小具有如下关系：
[0042][0043]
本发明还公开了一种放线视频监控设备，用于实现上述放线视频监控方法，其包括：用于获得视频监控图像的视频采集设备，内置于所述视频采集设备内部或者通过通讯方式与所述视频采集设备连接的用于实现所述放线视频监控方法的运算单元。
[0044]
所述视频采集设备包括：具有外部连接结构的设备外壳；安装于所述设备外壳前后两端的摄像头；安装于所述设备外壳内部的与所述摄像头电连接的视频处理模块，与所述视频处理模块电连接的通讯模块，与所述摄像头、视频处理模块和通讯模块连接的电源模块；以及与所述通讯模块连接的天线。通过通讯模块及天线能够实现与服务器的无线连接，从而实行数据输送或指令传达，或者将图像处理或放线视频监控方法的计算任务发送到服务器进行运算，进而提供故障智能分类识别和报警。
[0045]
用alexnet深度神经网络进行放线监控图像智能分类的具体步骤
[0046]
s1、构建数据库
[0047]
收集多张放线状态的图像[i1,i2,...,in]，并对应分类将图像设置为不同的标签[y1,y2,...,yn]。n为收集的图像总数量，in为大小x*y*3的矩阵，其中，x*y对应图像分辨率，in(x,y,1)代表第n张组塔图像在像素(x,y)位置的r值，in(x,y,2)代表第n张组塔图像在像素(x,y)位置的g值，in(x,y,3)代表第n张组塔图像在像素(x,y)位置的b值；yn表示第n张图像所对应的具体检测类别，根据本发明所需求的视频监控及告警功能，n张图像中应包含：正常放线导线图像、导线损伤图像、导线跳槽图像、异物卷入图像、导线盘放空图像，将图像对应划分为5类，分别标记为1、2、3、4、5。
[0048]
s2、根据步骤s1中的图像及标签构成的数据库导入卷积神经网络中进行迭代学习；
[0049]
卷积神经网络选用alexnet网络，所述alexnet网络包括5个卷积层、3个池化层和3个全连接层，第一卷积层为输入层，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第二卷积层与第三卷积层之间，第三卷积层、第四卷积层、第五卷积层依次连接，第三池化层连接第五卷积层，三个全连接层依次连接，第一全连接层与第三池化层连接，第三全连接层为输出层。alexnet网络的具体结构如表1所示。
[0050]
表1
[0051]
[0052][0053]
在第一卷积层中，过滤器大小为11*11*3，数量为96，以步长为4在图像上滑动，对输入的227*227*3大小的图片进行卷积操作，无填充。过滤器中的值会与图像中的原始像素值分别相乘后加和成为新的特征图像中一点的值，而后在图像中滑动步长为4的像素间隔，再次进行图像与过滤器的数值相乘和加和，得到特征图像的另一个点值，进而当过滤器滑动经过整个图像后会得到一个新的特征图。特征图大小与原图像大小之间有关系式如：第一卷积层最后输出为55*55*96。
[0054]
第一卷积层的输出经relu激活和局部响应归一化(lrn)后至第一池化层，以3*3大小卷积核，步长为2进行重叠最大池化操作，最后输出为27*27*96。
[0055]
第二卷积层以上一层输出的27*27*96特征图为输入分两组卷积，每组卷积中过滤器大小为5*5*48，数量为128，步长为1，图像边缘填充2个像素扩展为31*31*48，最后输出为27*27*256。
[0056]
第二卷积层的输出经relu激活和局部响应归一化(lrn)后至第二池化层，以3*3大小卷积核，步长为2进行重叠最大池化操作，最后输出为13*13*256。
[0057]
第三卷积层以上一层输出的13*13*256特征图为输入，过滤器大小为3*3*256，数量为384，步长为1，图像边缘填充1个像素扩展为15*15*256，最后输出为13*13*384。
[0058]
第四卷积层以上一层输出的13*13*384特征图为输入分两组卷积，每组卷积中过滤器大小为3*3*192，数量为192，步长为1，图像边缘填充1个像素扩展为15*15*192，最后输出为13*13*384。
[0059]
第五卷积层以上一层输出的13*13*384特征图为输入分两组卷积，每组卷积中过滤器大小为3*3*192，数量为128，步长为1，图像边缘填充1个像素扩展为15*15*192，最后输
出为13*13*256。
[0060]
第五卷积层的输出经relu激活和局部响应归一化(lrn)后至第三池化层，以3*3大小卷积核，步长为2进行重叠最大池化操作，最后输出为6*6*256。
[0061]
第一全连接层对输入特征图以1*1大小卷积核进行卷积，最终输出为1*1*4096。经过了relu激活和50％的dropout环节，到达第二全连接层，再次以1*1大小卷积核进行卷积，输出的1*1*4096大小经过relu激活和50％的dropout环节到达第三全连接层。
[0062]
第三全连接层经过1*1大小的卷积核卷积后，根据分类要求，最终输出大小为1*1*5。
[0063]
具体地，利用alexnet进行分类训练的具体流程为：
[0064]
(1)将全部n张输电铁塔组塔过程的图像及其标签作为输入导入alexnet网络中，输入前将图像的尺寸大小统一调整为227*227*3。需要说明的是，将输入尺寸调整至统一大小是为了适应alexnet网络的网络架构。
[0065]
(2)图像经过alexnet网络中的卷积层、池化层及全连接层，从第三全连接层的输出会得到网络所预测的图像分类结果，使用交叉熵误差为损失函数评估预测的分类结果与图像实际分类标签之间的差异，多分类情况下交叉熵损失函数可表达为其中n为样本总数，m为分类的数量，i为样本，p
ic
为模型预测的样本i属于类别c的概率，y
ic
取0或1，当i的真实类别为c时取1，否则取0，l即代表了n个样本分别经alexnet分类预测并与真实标签对比计算后取平均得到的损失函数值。按公式求解后通过链式求导法则，将损失函数值通过求解偏导数逐步向上传递进而修改网络参数。通过大量次数的迭代学习和参数调整后，采用所收集的另一组实时放线监控图像共k张导入alexnet模型中，图像经过alexnet网络中的卷积层、池化层及全连接层，最后第三全连接层输出分类结果，通过与k张图像对应的实际分类标签进行对比，可以得到模型分类的准确率，体现了模型分类的性能。在alexnet可以以较高的准确率实现分类时，停止继续迭代和参数调整，得到alexnet分类模型。
[0066]
s3、利用训练后得到的alexnet模型对实际放线监控图像进行分类
[0067]
对于实时放线监控图像数据，以一定频率抽取视频中的图像帧调整尺寸大小后作为输入导入alexnet网络中，图像经过alexnet网络中的卷积层、池化层及全连接层，最后第三全连接层输出分类结果，进一步根据分类情况进行对应的告警等提示操作。
[0068]
整个卷积神经网络主要包括卷积、激活、池化三种操作，在卷积层当中利用卷积核对上一层输入的特征图做卷积运算，用来提取图像中的抽象特征信息，输出给下一层；激活函数的主要作用就是对卷积后的特征图进行非线性变换，提升非线性特征表达能力，池化层的主要作用是对输入进来的特征图进行降采样后再输入到下一层，从而减少后续卷积层运算的计算开销。网络中每一层的具体参数和步骤我们在文档里都已说明了，把一幅图像输入进来之后，经过一层层的运算最后就可以映射到最后一层的类别结果。
[0069]
如果要增加新的故障类别图像进行识别，智能识别网络的层级结构不需要改动，但需要使用新的包含所新的故障类别的训练图像数据集对网络参数进行重新训练，方法步骤还是跟上述过程一样(例如，图像由5类变为6类之后，无非就是把最后一层的分类节点数量由5个变为6个即可)，训练完成之后就可以用来对新类别图像做识别分类了。
[0070]
本发明通过将放线图像分为正常放线导线图像、导线损伤图像、导线跳槽图像、异物卷入图像、导线盘放空图像五个类型并输入预先训练的alexnet网络，从而不但实现了导线跳槽故障的智能识别和预警，而且还实现了对导线损伤、异物卷入、导线盘放空等问题的智能分类识别和预警的有益效果。
[0071]
本发明具备可安装于各个型号牵引机和张力机的优点；
[0072]
本发明具备多角度监测，监测角度可调节；
[0073]
本发明具备对导线、钢丝绳或尼龙绳的跳槽进行智能识别及报警功能；
[0074]
本发明具备对钢丝绳及尼龙绳的接头进行识别及预警，当连接部位的抗弯连接器快要进入牵引轮时，进行预警，牵引机自动减速功能；
[0075]
本发明具备对导线、钢丝绳及纤维绳的损伤进行监控，若出现损伤及时报警功能；
[0076]
本发明具备对绳盘的余量进行监控，当绳盘快要满时，进行预警，及时停机换盘功能；
[0077]
本发明具备对排线的均匀度进行监控，当绳盘排线不均匀时，进行报警，及时检查排线装置，排除故障功能；
[0078]
本发明具备监测违规触碰运行中的牵引轮、张力轮、钢丝绳卷绕装置、导线轴支撑装置功能；
[0079]
本发明具备识别穿戴可能被运动部件卷入的服饰功能；
[0080]
本发明具备监测人员或异物卷入，及时报警，立刻停机功能；
[0081]
本发明具备结合配套算法，进行智能识别功能。
[0082]
实施例2
[0083]
一种放线视频监控设备，用于实现实施例1所述的一种放线视频监控方法，所述设备包括：用于获得视频监控图像的视频采集设备，内置于所述视频采集设备内部或者通过通讯方式与所述视频采集设备连接的用于实现所述放线视频监控方法的运算单元。
[0084]
如图2所示，为了针对不同型号的牵引机和张力机在放线过程中其卷筒及尾车排线进行实时监测，本发明公开了一种放线视频监控设备1，其包括：具有多个连接位置的角度调节底座11，通过所述连接位置与所述角度调节底座11连接的高度调节组件12，固定于所述高度调节组件12上用于视频监控的双视区视频采集组件13。
[0085]
如图3和图4所示，本发明安装于架线施工中的放线设备上，通常为张力机2或牵引机3，通过双视区视频采集组件13实现对放线纵向作业区域的双向监控，不仅可以监控放线设备的放线过程，同时还能够监控接近放线设备人员；通过高度调节组件12和角度调节底座11相互配合来调整双视区视频采集组件13的监控范围，从而能够适应不同规格的放线设备。
[0086]
如图5所示，所述角度调节底座11包括：固定底板111，以及与所述固定底板111连接的具有多个不同角度连接位置的角度调节板112，所述固定底板111和角度调节板112均通过钣金冲压成型。
[0087]
所述角度调节板112包括用于连接所述高度调节组件12的固定轴孔1121(图中被螺母和螺栓遮挡)和多个以所述固定轴孔1121为旋转中心弧形分布的角度固定孔1122。所述固定轴孔1121与任意一个角度固定孔1122组成一个用于安装高度调节组件12的连接位置，通过使用不同的连接位置从而实现调整所述高度调节组件12的安装角度。
[0088]
所述角度调节底座11还包括：与所述角度调节板112平行设置且与所述固定底板111连接的后滑槽板113，所述所述后滑槽板113包括与所述固定轴孔1121贯通的螺栓通孔和与所述角度固定孔1122贯通的弧形滑槽1131，所述弧形滑槽1131能够限制所述支撑杆121的调节范围，所述弧形滑槽1131与所述角度固定孔1122配合以贯穿螺栓固定所述支撑杆121，通过所述后滑槽板113与所述角度调节板112夹持并通过螺栓紧固所述支撑杆121，从而实现所述支撑杆121的可靠固定，相对于单侧连接固定方式，这种双侧夹持固定具有更好的稳定性、强度和刚度，能够在强风条件下避免破坏性振动的发生。
[0089]
所述角度调节板112与所述固定底板111之间固定有加强筋板114；或者在所述固定底板111超出所述后滑槽板113外侧的情况下，所述后滑槽板113与所述固定底板111之间也可以设置加强筋板以进一步增强连接强度。
[0090]
所述固定底板111包括多个用于固定的长圆孔1111，所述固定螺栓孔1111采用长圆孔以降低对放线设备上固定螺孔的位置精度要求；其中一侧的两个长圆孔1111设置为纵向分布，另外一侧的两个长圆孔111设置为横向分布，从而使得所述固定底板111获得纵横两个方向上的位置容差能力。
[0091]
如图2所示，所述高度调节组件12包括：与所述角度调节底座11连接的具有多个高度定位孔1201的支撑杆121，以及通过螺栓1202贯穿所述高度定位孔1201连接固定的主体托架122。
[0092]
如图2和图6所示，所述双视区视频采集组件13包括：与所述高度调节组件12连接的设备外壳131；安装于所述设备外壳131前后两端的摄像头132；安装于所述设备外壳131内部的与所述摄像头132电连接的视频处理模块，与所述视频处理模块电连接的通讯模块，与所述摄像头132、视频处理模块和通讯模块连接的电源模块；以及与所述通讯模块连接的天线133以通过无线通讯方式与服务器进行数据传递，从而实行数据输送或指令传达，或者将图像处理或放线视频监控方法的计算任务发送到异地的服务器进行运算，进而提供故障智能分类识别和报警。
[0093]
所述双视区视频采集组件13还包括安装于所述摄像头132上方与所述设备外壳131连接的防护罩134，用于遮蔽雨水和来自上方的强光。
[0094]
如图4所示，所述固定底板111通过螺栓紧固在牵引机3顶部，通过所述固定底板111上的长圆孔1111进行位置调节以容纳空位误差，同时也能够实现一定范围内的平移或垂直轴线旋转方向上的位置调整。
[0095]
如图5所示，所述加强筋板114位于所述固定底板111和所述角度调节板112两侧，通过所述角度调节板112侧边弯折成型，通过焊接与所述固定底板111固定。所述支撑杆121通过螺栓固定在所述角度调节板112和所述后滑槽板113之间，通过所述角度调节板112上不同孔位与所述支撑杆121通过螺栓紧固实现多角度调节，通过所述后滑槽板113实现紧固螺栓的滑动及所述支撑杆121的固定。
[0096]
如图2所示，所述主体托架122通过螺栓将所述支撑杆121和所述设备外壳131进行连接。所述主体托架122和所述支撑杆121通过螺栓1202固定，所述支撑杆121设有多个高度定位孔1201方便进行高度调节。
[0097]
如图6所示，所述摄像头132位于所述设备外壳131两侧，并置于所述防护罩134下方，所述天线133位于所述设备外壳131顶部两端。
[0098]
优选的，所述后滑槽板113通过所述固定底板111端部弯折形成。
[0099]
优选的，所述设备外壳131结构对称。
[0100]
优选的，所述摄像头132对称分布于所述设备外壳131两侧。
[0101]
优选的，所述设备外壳131安装所述摄像头132的一面向下倾斜，以方便倾斜安装所述摄像头132，进而实现对纵向两个方向斜下方视区的同时监控。
[0102]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。