基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法技术

本发明专利技术公开了一种基于级联Faster R‑CNN的高铁接触网等电位线不良状态检测方法，包括以下步骤：在等电位线定位识别过程中，通过第一级Faster R‑CNN对等电位线所在的定位器支座进行定位；在一级对象定位的基础上利用第二级Faster R‑CNN学习等电位线散股故障特征，实现正常与故障等电位线的分类；通过实验分析了Faster R‑CNN在不同训练样本数量、迭代次数等因素对检测时间及识别效果的影响，通过统计分析，确定了故障判断阈值，作为等电位线是否发生散股故障的判据。本发明专利技术减少了其它因素影响，提高等电位线故障检测准确性。

A method for detecting the poor condition of contours of high speed catenary based on cascaded Faster R-CNN

The invention discloses a method for detecting the undesirable state of the equipotential line of high-speed rail catenary based on cascaded Faster R_CNN, which comprises the following steps: in the process of identifying the equipotential line, the locator support of the equipotential line is located by the first stage Faster R_CNN, and the second stage is used on the basis of the first stage object positioning; Level-1 Faster R_CNN learns the characteristics of the breakdown of the equipotential lines and realizes the classification of the normal and the breakdown equipotential lines; analyzes the influence of Faster R_CNN on the detection time and the recognition effect in different training samples and iterations by experiments, and determines the threshold value of the breakdown judgment as the equipotential line by statistical analysis. Is there any criterion for whether the line is broken? The invention reduces the influence of other factors and improves the detection accuracy of equipotential lines.

【技术实现步骤摘要】
基于级联FasterR-CNN的高铁接触网等电位线不良状态检测方法
本专利技术涉及高速铁路接触网故障检测领域，尤其涉及一种基于级联FasterR-CNN的高铁接触网等电位线不良状态检测方法。
技术介绍
电气化铁路是铁路快速发展的重要标志之一。在铁路发展过程中，重载和高速技术的应用加速了铁路电气化的发展过程。相比于其他系统，弓网系统长期处于露天环境之下，并且机车存在力学和电气等对之间的关系对弓网产生影响，导致接触网和受电弓故障概率相对比其他系统要高，并且不良状态发生比较频繁且复杂。当弓网系统发生故障或存在故障隐患是，将会对人身安全和国家财产造成危害。因此，为了保证机车接受电流的稳定性，其状态监测和故障检测发挥着重要的作用。在电气化铁路的整个运行系统中，接触网悬挂装置很容易发生故障。沿铁路干线架设的接触网为受电弓提供高压的电流，使得电力机车具有足够的动力，接触网性能的好坏将直接影响电力机车受流质量，进一步影响电力机车运行的速度和安全。在高铁接触网支撑与悬挂装置中，等电位线起到防止烧损支持的作用，确保支持与定位零件的短路稳定性。当列车受电弓通过接触网时时，定位器会存在一定抬升，从而使其与定位器支座产生间隙。在间隙产生时，如果等电位线松脱或断裂，定位器支座将承受较大的电气冲击，造成电化学腐烛，严重时导致定位器与支座连接处断裂脱离，影响列车安全。原铁道部颁布的4C系统技术规范，包含对接触网的悬挂部分、腕臂部分的高清晰视频监测，涉及基于数字图像处理技术对接触网支撑及悬挂装置中零部件的故障检测。高铁接触网支撑及悬挂结构中涉及46种零部件的检测，分为ABC三类，其中A类故障最为严重。零部件在支撑与悬挂结构中分布较为分散，零部件的大小和结构多不相同。摄像机拍摄时，会有一定的光照和角度的影响。深度学习方法应用遍及人工智能各个领域，对于不同环境复杂背景下的检测有着良好的效果。由于现场采集的接触网支撑及悬挂装置图像普遍较复杂，采用图像处理技术对像等电位线这样微小部件进行故障检测存在较大的难度，目前此方面的研究极少见相关报道。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于级联FasterR-CNN的高铁接触网等电位线不良状态检测方法，能有效地针对接触网等电位线散股故障进行检测，正确检测率较高，简化了故障检测的难度，并首次为接触网等电位线部件的不良状态检测提出了一种解决方法。为解决上述技术问题，本专利技术采用的技术方案是：一种基于级联FasterR-CNN的高铁接触网等电位线不良状态检测方法，包括以下步骤：步骤1：采用专用综合列检车对高速铁路接触网支撑及悬挂装置进行成像；将上行和下行的高清图像分别存储在两个图像库中；步骤2：对采集的图像进行筛选，建立关于高铁接触网等电位线的样本库；样本库里包括对检测目标所在位置的坐标记录、及标记目标所属的类别；步骤3：搭建基于Faster-RCNN算法的深度卷积神经网络，得到基于深度卷积神经网络的第一模型，用于识别等电位线部件；步骤4：搭建基于Faster-RCNN算法的深度卷积神经网络，得到基于深度卷积神经网络的第二模型，用于在定位到的等电位线部件识别散股故障；步骤5：将待检测图像输入训练的第一模型，提取接触网支持装置图像中的等电位线零部件；步骤6：将提取得到的等点位线零部件图像输入第训练的二模型，识别散股故障。进一步的，在步骤2中，将样本库设为标准的VOC2007格式。进一步的，在步骤6中，散股故障类型包括：正常、轻微散股或严重散股。进一步的，用基于Faster-RCNN算法的深度卷积神经网络来训练模型具体包括以下步骤：1)对整张图片输进CNN，得到卷积特征图；2)卷积特征输入到区域建议网络，得到候选框的特征信息；3)对候选框中提取出的特征，使用分类器判别是否属于一个特定类；4)对于属于某一特征的候选框，用回归器进一步调整其位置，生成分类器模型。与现有技术相比，本专利技术的有益效果是：1、本专利技术直接通过深度学习的方法对高铁接触网等电位线部件的状态进行检测，给出客观、真实、准确的检测分析结果，克服了传统人工检测方法的缺陷。2、本专利技术根据深度学习的特征提取与分类特点，巧妙地级联卷积神经网络，对等电位线的状态检测简单、有效。附图说明图1为本专利技术现场采集图像中的高铁接触网支撑装置全局图像。图2为本专利技术中高铁接触网等电位线样本库示意图。图3为本专利技术所用神经网络基本框架。图4为本专利技术卷积神经网络提取特征的卷积示意图。图5为FasterR-CNN算法中候选区域网络。图6为本专利技术在不同样本数量、不同迭代次数下的训练损失。图7为本专利技术高铁接触网支撑装置等电位线识别结果示意图之全局图像中的识别结果图。图8为本专利技术高铁接触网支撑装置等电位线识别结果示意图之识别结果截图。图9为本专利技术高铁接触网支撑装置等电位线散股故障识别示意图。具体实施方式下面结合附图和具体实施方式对本专利技术做进一步详细的说明。本专利技术利用基于候选区域的深度卷积神经网络对待检测目标进行特征学习和目标分类，并级联两个模型，实现等电位线部件的定位提取。整个训练和检测过程均在深度学习开源框架Caffe下运行，显卡采用GTX1080GPU。图1为4C检测车现场采集图像中的高铁接触网支撑装置全局图像。零部件数量种类众多，且接触网图像在夜间拍摄时，容易受到光斑，拍摄角度等的干扰。并且在检测车获取的接触网支撑装置图像中，由于等电位线目标较小，故障特征不明显，因此需要训练一个基于深度卷积神经网络的模型，完成等电位线部件的识别工作。图2为建立等电位线识别的样本库。样本库的建立是手工框出接触网支撑装置图像中等电位线检测目标零部件，在建立样本库的时候，保留零部件的坐标信息，并人工标记该框的类别，将其样本库设为标准的VOC2007格式。本专利技术将等电位线的不良状态识别分成了两个阶段，第一阶段，在拍摄到的接触网支持装置图像中识别到等电位线零部件。第二阶段，在定位到的等电位线部件识别散股故障。两个阶段均采用基于Faster-RCNN的深度学习目标检测算法。该算法以ZF网络为基础，共享5层卷积层，如图3所示。本算法提取图片特征如图4所示，训练每一个卷积滤波器，让这些滤波器组对特定的模式有高的激活，以达到卷积神经网络的分类/检测等目的。如图5所示，在ZF网络的第五个卷积层进行候选区域的提取，将第五个卷积层的特征图作为候选区域网络的输入，在该卷积层特征图映射上滑动小网络，映射到低维向量上，每个滑动窗口有三种尺度和长宽比，每个滑动窗口产生9个包围框，对应在卷积层特征图中找到对应的位置，作为候选网络。采用候选区域网络的输出层作为ROI(ReigonOfInterest)生成网络的输入。将输入的候选区域特征图统一下采样的特征图再传入全连接层，通过通过丢弃部分网络参数的方法消除过拟合，输出目标包围框的坐标和大小和目标类别。将训练样本输入到搭建好的网络，完成模型的训练。训练模型的过程中，采用多任务损失函数，通过计算目标分类和位置损失，结合反向传播算法、随机梯度下降等方法，分别完成两个阶段模型的训练，总结来说分为以下几步：1：对整张图片输进CNN，得到卷积特征图；2：卷积特征输入到区域建议网络，得到候选框的特征信息；3：对候选框中提取出的特征，使用分类器判别是否属于一个特定类；4：对于属于某一本文档来自技高网...

【技术保护点】
1.一种基于级联Faster R‑CNN的高铁接触网等电位线不良状态检测方法，其特征在于，包括以下步骤：步骤1：采用专用综合列检车对高速铁路接触网支撑及悬挂装置进行成像；将上行和下行的高清图像分别存储在两个图像库中；步骤2：对采集的图像进行筛选，建立关于高铁接触网等电位线的样本库；样本库里包括对检测目标所在位置的坐标记录、及标记目标所属的类别；步骤3：搭建基于Faster‑RCNN算法的深度卷积神经网络，得到基于深度卷积神经网络的第一模型，用于识别等电位线部件；步骤4：搭建基于Faster‑RCNN算法的深度卷积神经网络，得到基于深度卷积神经网络的第二模型，用于在定位到的等电位线部件识别散股故障；步骤5：将待检测图像输入训练的第一模型，提取接触网支持装置图像中的等电位线零部件；步骤6：将提取得到的等点位线零部件图像输入第训练的二模型，识别散股故障。

【技术特征摘要】
1.一种基于级联FasterR-CNN的高铁接触网等电位线不良状态检测方法，其特征在于，包括以下步骤：步骤1：采用专用综合列检车对高速铁路接触网支撑及悬挂装置进行成像；将上行和下行的高清图像分别存储在两个图像库中；步骤2：对采集的图像进行筛选，建立关于高铁接触网等电位线的样本库；样本库里包括对检测目标所在位置的坐标记录、及标记目标所属的类别；步骤3：搭建基于Faster-RCNN算法的深度卷积神经网络，得到基于深度卷积神经网络的第一模型，用于识别等电位线部件；步骤4：搭建基于Faster-RCNN算法的深度卷积神经网络，得到基于深度卷积神经网络的第二模型，用于在定位到的等电位线部件识别散股故障；步骤5：将待检测图像输入训练的第一模型，提取接触网支持装置图像中的等电位线零部件；步骤6：将提取得到的等点位线零部件图像输入第训练的二模...

【专利技术属性】
技术研发人员：刘志刚，李长江，韩志伟，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51