基于深度网络与分级测试的电力机车受电弓及电弧检测方法技术

本发明专利技术公开基于深度网络与分级测试的电力机车受电弓及电弧检测方法，包括：采集视频，并提取受电弓图片及其电弧和疑似电弧图片，分类作为神经网络训练样本集；分别建立可在CPU实现实时检测受电弓和检测电弧的卷积神经网络；对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型和电弧检测模型；利用改进型YOLO算法检测受电弓作为第一级检测，截取受电弓所在区域的局部图片，采用相邻帧预测方法进行提速；在受电弓局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测，保存异常图片。本发明专利技术能利用深度学习的方法快速而准确的检测到受电弓电弧，对潜在的危险进行预警，便于车辆故障检查并保障运行安全。

Pantograph and arc detection method for electric locomotive based on deep network and grading test

The invention discloses an electric locomotive pantograph and arc detection method based on deep network and grading test, including collecting video, extracting pantograph pictures, arc and suspected arc pictures, classifying as neural network training sample sets, and establishing convolution gods for real-time detection of pantograph and detecting arc in CPU. Through the network, the pantograph detection model, arc detection model and arc detection model are obtained by training samples of the convolution neural network, and the modified YOLO algorithm is used to detect the pantograph as the first stage detection, to intercept the local picture in the area of the pantograph, and to speed up by the adjacent frame prediction method; In the bow local picture, the improved YOLO algorithm is further used to detect the arc as the second level detection and preserve the abnormal picture. The invention can detect the pantograph arc quickly and accurately by the method of deep learning, and early warning of potential danger, which is easy to check the vehicle fault and ensure the safety of operation.

【技术实现步骤摘要】
基于深度网络与分级测试的电力机车受电弓及电弧检测方法
本专利技术属于计算机数字图像处理与模式识别
，特别涉及一种基于深度网络与分级测试的电力机车受电弓及电弧检测方法。
技术介绍
随着我国以高铁为代表的电气化铁路的快速发展，对牵引供电系统的安全性提出了更高的要求。作为牵引供电系统重要组成部分的受电弓—接触网关系，是电气化铁路的主要供电设备，对电气化铁路运营起着极其重要的作用。在正常状态下，空气是良好的绝缘体，但如果在气体两端施加足够大的电压，空气间隙将被击穿，导致气体两端的电流导通，这种现象称为气体放电。当受电弓在接触导线上滑动受电时，由于接触导线的不平顺、接触网悬挂设备的硬点、受电弓运行时弓头的振动和接触网波动、轨道平顺度等多种因素的影响，导致弓网分离而产生的气体放电现象称为弓网电弧。列车速度越高，越容易产生弓网电弧。EN50137:2002《轨道交通受流系统受电弓与接触网动态相互作用的测试要求和测量确认》将弓网电弧定义为：“击穿滑板(接触板)和接触线之间空气间隙的电流，通常表现为强烈放光现象”。受电弓滑行过程中出现电弧：容易产生如下不良影响：(1)电弧熄灭瞬间产生幅值很高的过电压，影响电力机车安全运行；(2)烧蚀受电弓碳滑板和接触导线，缩短其使用寿命。严重时将导致接触线断线，造成行车事故；(3)产生电磁辐射和干扰。现有的接触网检测主要是采用人工巡检的方式，在接触网沿线布设红外测温仪，由工作人员定时检测接触网的温度，取得了一定的效果，但是这种方法不具有实时性，而且人力损耗较大，属于单点式静态检测，存在很多盲点，无法有效及时发现铁路动态运行中的隐患。对于接触网系统中的受电弓状态检测方法主要包括入库静态检测和机载检测系统。入库静态检测要求接触网必须在受电弓检测前断电，且通常只能在机车入库停车后才能检测，不能实现受电弓的在线自动检测。在实际运作中要投入大规模的人力、成本较高。机载受电弓检测方法属于一种在线自动检测方法。主要包括两种方式，一种是通过在机车上安装光、电、力学等多种传感器采集受电弓位置、碳滑板损耗，以及受电弓弓头左右偏移量状态等信息对受电弓进行检测，但传感器获取的受电弓运行状态信息容易受机车运行过程中产生的振动干扰；另一种是将光纤内埋式磨损传感器嵌入受电弓滑板中，当受电弓滑板受到接触网的冲击作用而产生磨损或缺失时，传感器给出相应的磨损信号。该方法的主要缺点是对材料的要求比较高，要在受电弓滑板中内嵌传感器，材料工艺要求高，受电弓滑板材料结构的改变可能会降低受电弓的使用寿命，提高了成本。随着监控设备成像技术的提高，近年来国内外出现了许多基于在线获取图像的接触网和受电弓检测方法。首先通过监控摄像头进行接触网和受电弓的图像采集，然后进行识别分析。2013年10月10日公布的申请号为201310217622.5的中国专利技术专利申请，公布了一种“基于主动形状模型的受电弓自动检测方法”；该专利技术基于主动形状模型来完成对受电弓碳滑板厚度的线上自动定量检测，具有一定的检测分析效果，但缺陷在于，检测方法基于单幅图像分析，未充分利用受电弓系统内安装的监控摄像头所采集视频的帧间关联性，对动态运行过程中接触网和受电弓产生的电弧没有进行分析识别。2013年1月30日公布的申请号为201210359596.5的中国专利技术专利申请，公布了一种“一种电气化铁路接触网电弧捕捉及定位方法”，该专利技术集成高精度GPS/IMU定位定向装置和高速数码成像设备对电气化铁路接触网电弧捕捉及定位。该专利技术方法包括：基于高精度GPS/IMU定位定向技术和高速数码成像技术的电气化铁路接触网电弧捕捉及定位方法。该方法采用高速数码成像设备，聚焦与电力机车受电弓与接触网触电位置，连续记录拍摄运动中的影像，但是缺少关键的电弧分析方法，并且高速数码成像设备尤其是热红外高速数码成像设备价格昂贵，不属于电力机车的受电弓监控系统配套设备，实际应用具有很大局限性。深度学习近年来快速发展，其概念由Hinton等人于2006年提出，起源于对人工神经网络的研究，旨在模拟人脑来获取和辨别、学习外部事物、知识等。其特点是通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，在视觉、语音等多个领域深度学习相比于传统方法都表现出了极大的优势。YOLO算法是一种基于深度学习的目标检测算法，由JosephRedmon，SantoshDivvala，RossGirshick,AliFarhadi在2015年提出，详见文献RedmonJ,DivvalaS,GirshickR,etal.Youonlylookonce:Unified,real-timeobjectdetection[J].arXivpreprintarXiv:1506.02640,2015.作为基于深度学习的经典目标检测算法之一，相比于其他算法其主要特点是使用深度学习中的卷积神经网络技术的同时保持了很快的检测速度，使其精度上远高于传统算法而速度上又快于其他深度学习算法。卷积神经网络是近几年发展起来的一种高效识别方法，20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
技术实现思路
本专利技术的目的在于提供一种基于深度网络与分级测试的电力机车受电弓及电弧检测方法，在机车正常行驶过程中，能够对电弧进行检测记录及报警，以解决上述现有技术的不足。为了实现上述目的，本专利技术采用如下技术方案：基于深度网络与分级测试的电力机车受电弓及电弧检测方法，其特征在于，包括以下步骤：步骤1：通过安装在火车受电弓前方的在线拍照系统采集视频，并在视频中提取受电弓图片及其电弧和疑似电弧图片，并分类作为神经网络训练样本集；步骤2：分别建立能够在CPU实现实时检测受电弓和检测电弧的卷积神经网络；步骤3：对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型；步骤4：实时采集视频中的帧并利用改进型YOLO算法在图片内检测受电弓作为第一级检测，截取受电弓所在区域的局部图片；步骤5：在步骤4截取的局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测，保存异常图片获得检测结果。进一步的，步骤1在视频中提取受电弓图片及电弧和疑似电弧图片作为训练样本，其中受电弓样本不含负样本；电弧样本按照电弧和疑似电弧图片分为正样本和负样本，正样本为真实的电弧图片，负样本为疑似电弧图片，分为太阳、横梁、顶灯、房顶四类。进一步的，步骤2建立的神经网络包括检测受电弓所对应的网络结构和检测电弧所对应的网络结构，两种卷积神经网络结构和参数类似，但检测受电弓所对应的网络检测仅检测受电弓一类物体，检测电弧所对应的网络检测电弧和太阳、横梁、顶灯、房顶共五类物体，输出层数量也因此而不同。具体方法为在darknet框架下创建后缀为.cfg的文件开始对网络进行定义；采用的网络包括7个卷积层和5个最大池化层以及全连接层；分布顺序为前十层为卷积层和最大池化层交替，接着是两个卷本文档来自技高网...

【技术保护点】
1.基于深度网络与分级测试的电力机车受电弓及电弧检测方法，其特征在于，包括以下步骤：步骤1：通过安装在火车受电弓前方的在线拍照系统采集视频，并在视频中提取受电弓图片及其电弧和疑似电弧图片，并分类作为神经网络训练样本集；步骤2：分别建立能够在CPU实现实时检测受电弓和检测电弧的卷积神经网络；步骤3：对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型；步骤4：实时采集视频中的帧并利用改进型YOLO算法在图片内检测受电弓作为第一级检测，截取受电弓所在区域的局部图片；步骤5：在步骤4截取的局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测，保存异常图片获得检测结果。

【技术特征摘要】
1.基于深度网络与分级测试的电力机车受电弓及电弧检测方法，其特征在于，包括以下步骤：步骤1：通过安装在火车受电弓前方的在线拍照系统采集视频，并在视频中提取受电弓图片及其电弧和疑似电弧图片，并分类作为神经网络训练样本集；步骤2：分别建立能够在CPU实现实时检测受电弓和检测电弧的卷积神经网络；步骤3：对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型；步骤4：实时采集视频中的帧并利用改进型YOLO算法在图片内检测受电弓作为第一级检测，截取受电弓所在区域的局部图片；步骤5：在步骤4截取的局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测，保存异常图片获得检测结果。2.根据权利要求1所述的基于深度网络与分级测试的电力机车受电弓及电弧检测方法，其特征在于，步骤1在视频中提取受电弓图片及电弧和疑似电弧图片作为训练样本，其中受电弓样本不含负样本；电弧样本按照电弧和疑似电弧图片分为正样本和负样本，正样本为真实的电弧图片，负样本为疑似电弧图片，分为太阳、横梁、顶灯、房顶四类。3.根据权利要求1所述的基于深度网络与分级测试的电力机车受电弓及电弧检测方法，其特征在于，步骤2建立的神经网络包括检测受电弓所对应的网络结构和检测电弧所对应的网络结构；检测受电弓所对应的网络结构仅检测受电弓一类物体，检测电弧所对应的网络结构检测电弧、太阳、横梁、顶灯和房顶共五类物体；两种卷积神经网络结构和参数类似，仅有输出层数量不同；具体建立方法为：darknet框架下创建后缀为.cfg的文件开始对网络进行定义；采用的网络包括7个卷积层和5个最大池化层以及全连接层；分布顺序为前十层为卷积层和最大池化层交替，接着是两个卷积层，最后是全连接层；即整体结构为第1、3、5、7、9、11、12层为卷积层，每个卷积层对应的卷积核数量分别为8、16、32、64、128、512、128个，卷积核大小均为3×3，步长均为1，激活函数为LeakyReLU函数；第2、4、6、8、10层为最大池化层，卷积核大小均为2×2，步长均为2，第13层为全连接层，检测受电弓的网络输出为539，检测电弧的网络输出...

【专利技术属性】
技术研发人员：钱学明，宋天源，汪寒雨，侯兴松，邹屹洋，
申请(专利权)人：台州智必安科技有限责任公司，西安交通大学，
类型：发明
国别省市：浙江,33