一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法技术

本发明专利技术涉及一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法，属于接触网故障检测技术领域。本发明专利技术通过构建基于两层卷积神经网络的接触网吊弦缺陷检测模型，来提取接触网吊弦的图像特征并对吊弦的缺陷进行分类，利用卷积算法的优势，不受图像中吊弦几何形状、遮挡等客观情况的干扰，相比传统的利用人工看图的检测方式，鲁棒性与效率更高；同时，本发明专利技术基于吊弦的特征，利用聚类算法来设定初始的anchor，提高了图像检测的效率与准确度；另外本发明专利技术在检测缺陷时，为每一层模型的输出设定了相应的阈值，提高了最终吊弦缺陷检测的准确性。

A training method of catenary suspension string defect detection model and defect detection method

【技术实现步骤摘要】
一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法
本专利技术涉及一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法，属于接触网故障检测

技术介绍
吊弦是接触网系统重要的组成部分，接触网的状态关乎高速铁路的安全运行，需要定期对接触网系统巡检维护，因此排查故障和缺陷已经成为铁路安全运行中一项必不可少的工作流程。目前铁路相关部门对吊弦的巡检状态大多采用巡检车夜间拍照采集图像，离线人工确认缺陷或者采用简单图像分析的方式完成，在面对海量的吊弦图像数据，这种缺陷确认的方式效率低、误检漏检率高，且确认周期长。因此，目前亟需一种高效、准确的接触网吊弦缺陷检测方法。
技术实现思路
本专利技术的目的是提供一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法，以解决目前接触网吊弦缺陷检测效率低、容易漏检的问题。本专利技术为解决上述技术问题而提供一种接触网吊弦缺陷检测模型训练方法，包括以下步骤：1)建立用于训练在图像中定位接触网吊弦区域位置的卷积神经网络模型的第一训练样本集；2)采用聚类算法产生第一训练样本集的目标边界框，生成针对第一训练样本集的初始anchor的值；3)将所述第一训练样本集和初始anchor的值输入搭建好的YOLO-v3卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中定位接触网吊弦区域位置的YOLO-v3卷积神经网络模型；4)建立用于训练检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型的第二训练样本集；5)将第二训练样本集和初始设定参数输入搭建好的缺陷分类卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型。本方案通过构建基于两层卷积神经网络的接触网吊弦缺陷检测模型，来提取接触网吊弦的图像特征并对吊弦的缺陷进行分类，利用卷积算法的优势，不受图像中吊弦几何形状、遮挡等客观情况的干扰，相比传统的利用人工看图的检测方式，鲁棒性与效率更高；同时，本方案基于吊弦的特征，利用聚类算法来设定初始的anchor，提高了图像检测的效率与准确度。进一步地，整理现有的接触网吊弦图像，采用图像标注工具标注出接触网吊弦的组成部件，再通过数据增广的方式进行数据扩充，建立第一训练样本集；该接触网吊弦的组成部件包括吊弦拉线、承力索线夹和接触线线夹。本方案提供了一种较优的第一训练样本集的构建方案。进一步地，YOLO-v3卷积神经网络模型的训练过程包括以下步骤：i)提取不同分辨率尺度下的图像特征；ii)将输入包含识别目标的样本分为S1xS2块，其中S1为分割的行数，S2为分割的列数，设定每个块预测的C个类别和B个目标框的坐标及其置信度；iii)对YOLO-v3卷积神经网络模型进行迭代训练，迭代公式为：其中，cx、cy是网络的坐标偏移量，ρw、ρh是设定的Anchor边长，(tx,ty,tw,th,to)是该次迭代输入的目标框的坐标及其置信度，(bx,by,bw,bh)是该次迭代后的目标框坐标，Ρr(obj)是目标概率，IOU(b,obj)是预测框与真实框的重合程度；iv)当YOLO-v3卷积神经网络模型的损失函数满足设定目标时，训练完成。本方案提供了一种较优的YOLO-v3卷积神经网络模型的迭代训练方案。进一步地，整理训练好的YOLO-v3卷积神经网络模型的定位结果，采用图像标注工具标注出其中接触网吊弦的缺陷类型，再通过数据增广的方式进行数据扩充，建立第二训练样本集。本方案提供了一种较优的第二训练样本集的构建方案。进一步地，接触网吊弦的缺陷类型包括吊弦拉线不受力、吊弦拉线有异物、吊弦拉线绞拧、承力索线夹防脱销缺失、鸡心环位置偏移、止动垫片缺失和/或回流环断股散股。本方案给出了具体的吊弦缺陷分类。进一步地，步骤2)生成的初始anchor的值分别为(13.81，19.67)，(17.63，38.46)，(31.79，31.00)，(35.12，54.40)，(70.23，45.22)，(102.22，57.21)，(66.83，90.60)，(34.05，191.25)和(109.10，123.81)。每个anchor值分别代表一类目标的像素长宽值，这些初始anchor值是为了获取检测目标的先验尺寸，训练过程中参考该框的尺寸优化计算参数，同时不同的初始值代表不同类别的目标，如吊弦拉线对应的尺寸较大、宽高比较小，而承力索线夹和接触线线夹的尺寸小、宽高比大，最终经过大量的调试工作，得到最优的这9组数值，能够极大提高模型最后的识别精度。本方案根据吊弦的特征，经过大量测试实验，给出了一组最优的初始anchor的值，利用该组初始anchor的值，能够提高模型训练效率以及吊弦最终的定位准确度。本专利技术还提供了一种接触网吊弦缺陷检测方法，包括以下步骤：(1)采集接触网吊弦图像；(2)使用上述任一训练完成的YOLO-v3卷积神经网络模型定位出图像中的接触网吊弦区域；(3)当该接触网吊弦在图像中的位置置信度阈值超过第一设定阈值时，使用上述任一训练完成的缺陷分类卷积神经网络模型在该定位出的图像中的接触网吊弦区域中检测接触网吊弦的缺陷类型；(4)当该检测出的接触网吊弦的缺陷类型的置信度阈值超过第二设定阈值时，输出该接触网吊弦的检测结果。本方案使用训练好的两层卷积神经网络模型，实现对图像中吊弦的定位与缺陷分类，利用卷积算法的优势，不受图像中吊弦几何形状、遮挡等客观情况的干扰，相比传统的利用人工看图的检测方式，更加鲁棒与高效；同时，本方案还为每一层模型的输出设定了相应的阈值，以提高最终吊弦缺陷检测的准确性。进一步地，所述第一设定阈值为0.7。本方案通过深入研究吊弦在图像中的特征，经过大量实验后，得到了该最优的第一设定阈值，以提高图像中吊弦位置定位的准确性。进一步地，所述第二设定阈值为0.8。本方案通过深入研究吊弦在图像中的特征，经过大量实验后，得到了该最优的第二设定阈值，以提高图像中吊弦缺陷检测的准确性。附图说明图1是本专利技术一种接触网吊弦缺陷检测模型训练方法实施例中YOLO-v3卷积神经网络模型的训练流程图；图2是本专利技术一种接触网吊弦缺陷检测模型训练方法实施例中缺陷分类卷积神经网络模型的训练流程图；图3是本专利技术一种接触网吊弦缺陷检测方法实施例的流程图。具体实施方式接触网吊弦缺陷检测模型训练方法实施例如图1、图2所示为本实施例中YOLO-v3卷积神经网络模型和缺陷分类卷积神经网络模型的训练流程图，具体步骤如下所示。步骤1：整理以往设备巡检列车采集回的接触网吊弦图像，根据接触网吊弦的主要部件，准备相应的样本构建样本集，通过数据增广的方式扩展样本多样性，并标定样本。其中，通过数据增广的方式扩展样本量，使样本集中每类样本量不少于40000张；采用图像标注工具labelImg进行标注吊弦拉线、承力索线夹及接触线线夹。步骤2：确定目标检测的卷积神经网络结构及初始训练参数，用STEP1整理的样本集充分训练网络，为了保证检测模型的训练精度，需要根据吊弦独有的特征，计算初始anchor的值，对训练样本的目标边界框采用K-Means聚类算法产生，得到的9个anchor如下：(13.81，19.67)，(17.63，38.46)，(31.79，31.00)，(35.12，54.40)，(70.23，45.22)，(102.本文档来自技高网...

【技术保护点】
1.一种接触网吊弦缺陷检测模型训练方法，其特征在于，包括以下步骤：1)建立用于训练在图像中定位接触网吊弦区域位置的卷积神经网络模型的第一训练样本集；2)采用聚类算法产生第一训练样本集的目标边界框，生成针对第一训练样本集的初始anchor的值；3)将所述第一训练样本集和初始anchor的值输入搭建好的YOLO‑v3卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中定位接触网吊弦区域位置的YOLO‑v3卷积神经网络模型；4)建立用于训练检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型的第二训练样本集；5)将第二训练样本集和初始设定参数输入搭建好的缺陷分类卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型。

【技术特征摘要】
1.一种接触网吊弦缺陷检测模型训练方法，其特征在于，包括以下步骤：1)建立用于训练在图像中定位接触网吊弦区域位置的卷积神经网络模型的第一训练样本集；2)采用聚类算法产生第一训练样本集的目标边界框，生成针对第一训练样本集的初始anchor的值；3)将所述第一训练样本集和初始anchor的值输入搭建好的YOLO-v3卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中定位接触网吊弦区域位置的YOLO-v3卷积神经网络模型；4)建立用于训练检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型的第二训练样本集；5)将第二训练样本集和初始设定参数输入搭建好的缺陷分类卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型。2.根据权利要求1所述的接触网吊弦缺陷检测模型训练方法，其特征在于，整理现有的接触网吊弦图像，采用图像标注工具标注出接触网吊弦的组成部件，再通过数据增广的方式进行数据扩充，建立第一训练样本集；该接触网吊弦的组成部件包括吊弦拉线、承力索线夹和接触线线夹。3.根据权利要求2所述的接触网吊弦缺陷检测模型训练方法，其特征在于，YOLO-v3卷积神经网络模型的训练过程包括以下步骤：i)提取不同分辨率尺度下的图像特征；ii)将输入包含识别目标的样本分为S1xS2块，其中S1为分割的行数，S2为分割的列数，设定每个块预测的C个类别和B个目标框的坐标及其置信度；iii)对YOLO-v3卷积神经网络模型进行迭代训练，迭代公式为：其中，cx、cy是网络的坐标偏移量，ρw、ρh是设定的Anchor边长，(tx,ty,tw,th,to)是该次迭代输入的目标框的坐标及其置信度，(bx,by,bw,bh)是该次迭代后的目标框坐标，Ρr(obj)是目标概率，IOU(b,obj)是预测框与真实框的重合程度；iv)当YOLO-v...

【专利技术属性】
技术研发人员：陈召阳，申博，何秋奇，徐伟高，程传斌，刘大庆，
申请(专利权)人：河南辉煌科技股份有限公司，
类型：发明
国别省市：河南,41