一种基于Faster R-CNN的接触网静态几何参数检测方法技术

本发明专利技术公开了一种基于Faster R‑CNN的接触网静态几何参数检测方法。该方法通过检测装置的线扫描激光传感器以及相机装置对接触网进行图像数据采集，根据采集到的三维图像数据，利用Faster R‑CNN模型对图像关键部件进行有效识别。在识别出接触网定位器、定位器接触点、电线杆及电线杆的支撑杆所在区域后，利用坐标变换计算得到拉出值、导高值、定位器角度值以及线岔高差值，以此获取接触网静态几何参数，进而识别接触网是否发生故障。与现有检测方法相比，本发明专利技术的接触网静态几何参数检测方法能够较为精确地识别接触网关键部件，接触网几何参数检测耗时短且结果可靠度高。

A detection method of static geometric parameters of OCS based on fast r-cnn

The invention discloses a catenary static geometric parameter detection method based on faster R \u2011 CNN. This method collects the image data of OCS through the line scanning laser sensor and camera device of the detection device. According to the collected three-dimensional image data, it uses fast R \u2011 CNN model to effectively identify the key components of the image. After identifying the location of the contact net positioner, the contact point of the positioner, the pole and the supporting pole of the pole, the pull-out value, the lead height value, the angle value of the positioner and the height difference value of the switch are calculated by the coordinate transformation, so as to obtain the static geometric parameters of the contact net, and then identify whether the contact net is in fault. Compared with the existing detection methods, the static geometric parameter detection method of the contact network of the invention can accurately identify the key components of the contact network, and the detection time of the geometric parameter of the contact network is short and the result reliability is high.

【技术实现步骤摘要】
一种基于FasterR-CNN的接触网静态几何参数检测方法
本专利技术涉及铁路接触网领域，特别涉及接触网静态几何参数检测方法。
技术介绍
在各行各业中，安全始终是一个永恒的话题。随着国内外电气化铁路事业的蓬勃发展，其安全性和可靠性问题也得到了越来越多的关注。为了减少甚至杜绝危险事故的发生，需要开展相应设备检测技术，以此对铁路运行中潜在的问题进行及早排查，切实维护广大人民群众的生命财产安全。电气化铁路中，接触网是电气化铁路的重要设备，接触网由接触悬挂、支持装置、定位装置、支柱与基础几部分组成。为保证铁路机车的正常运行，需要定期对接触网进行检修维护。当前，我国对铁路机车的接触网进行检测需要进行断电检修，且检修时需要接触式检修方法，检修工作繁琐。随着中国以及世界铁路网上的铁路公路运输的发展，货物及乘客运输的速度不断提高，要求整个铁路运输设备必须具有安全性和可靠性，传统的接触网检测方法已经不适应铁路事业的高速发展。目前国内外对接触网静态几何参数的检测方法，除人工监控方法外，主要思路是应用工业相机对接触网进行图像获取，在此基础之上利用图像处理等先进技术得出接触网各项参数，并将所得结果与相应指标进行比对，以此判断接触网性能是否良好。这种方式可以极大地减少维护人员的劳动量，但目前已有的接触网静态参数检测方法，大都存在关于精度较低、耗时较长以及操作难度较大等问题，为进一步提高电气化铁路事业，接触网静态几何参数检测技术方面，需要进一步地探索。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于FasterR-CNN的接触网静态几何参数检测方法，利用改进的快速区域卷积神经网络对于图像识别方面的优势，对接触网图像信息进行精确快速识别，从而提升检测速度以及检测精度。为解决上述技术问题，本专利技术采用以下技术方案：一种基于FasterR-CNN的接触网静态几何参数检测方法，包括步骤：步骤(1)：利用接触网静态几何参数检测装置所包含的线扫描激光传感器以及相机装置对接触网进行图像数据采集工作，并将所获取的接触网三维图像数据反馈至计算机进行进一步数据处理；步骤(2)：通过步骤(1)所获取的图像资料，建立FasterR-CNN模型对待检测图片进行特征提取工作，识别图片中的定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，FasterR-CNN使用轮流训练方法，该训练过程为：e.输入接触网训练集图像，使用ImageNet预训练模型初始化各层参数，调整RPN网络参数用于候选区域的提取；f.根据步骤a生成的候选区域，训练FastR-CNN检测网络；g.根据步骤b训练好的检测网络训练RPN网络，网络中的共享卷积层固定不变；h.保持共享卷积层的固定，根据RPN网络重新生成候选区域，继续微调FastR-CNN的其他层；对于RPN网络的训练，RPN设置固定尺寸的滑动空间窗口，在共享卷积层输出的卷积特征映射上滑动，每滑动一次窗口都将窗内的高维特征向量映射成低维向量，在此基础之上进行卷积运算，并输出带有目标得分的候选区域集合，采用反向传播法和随机梯度下降进行端到端的训练，损失函数为分类误差和回归误差之和；对于FastR-CNN网络的训练，FastR-CNN网络首先利用输入的任意尺寸图片，向前传播到共享卷积层，然后卷积层一方面将特征映射传入RPN网络，另一方面在FastR-CNN网络内继续向前传播，得到更高维度的特征映射，对于筛选过后的候选区域和高维特征映射，其将会被传入RoI池化层，在RoI池化层内提取对应区域的特征后，内对图像进行卷积运算得到一个特征映射，最后将该区域特征和全连接层连接输出目标分类和得分，以及boundingbox目标定位框回归值，FastR-CNN同样采用反向传播法和随机梯度下降法进行训练，通过分类误差和回归误差构成的损失函数进行联合训练；步骤(3)：根据步骤(2)所识别定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，经过坐标变换计算得到拉出值、导高值、定位器角度值以及线岔高差值，以此获取接触网静态几何参数，进而识别接触网是否发生故障；识别出定位器、定位器接触点、电线杆及电线杆的支撑杆后，用opencv函数库中的findContours函数和drawContours函数识别图像轮廓并提取坐标信息；对于所获取的接触网关键部件坐标信息，其相应拉出值、导高值、定位器角度值以及线岔高差值的计算方法如下：(1)计算导高值导高值的含义是接触点到轨道平面的距离，其计算过程为：1、识别出接触点的坐标信息；2、提取y值；3、根据坐标系转换计算出实际数值并输出，y′＝y×k其中，y′为实际导高值，y为坐标值，k为y轴对比尺；(2)计算拉出值拉出值的含义是接触点到轨道中心点的距离，因为轨道中心点的位置是已知值，所以其计算过程为：1、识别出接触点的坐标信息；2、提取x值；3、根据坐标系转换计算出实际数值并与轨道中心点的数值相减，x′＝(x-x1)×k1其中，x′为实际拉出值，x为接触点的坐标值，x1为轨道中心点的坐标值，k1为x轴对比尺，(3)计算定位器角度定位器角度的计算过程为：1、拟合直线；2、取得斜率；3、角度补偿校正，因为图片有一定程度的倾斜角度，所以图中的角度并不是现实世界中的角度，要获得坡度需要经过一次角度补偿校正，c.拟合直线并取得斜率拟合方法选择最小二乘法，因为已经取得了定位器的坐标信息，所以拟合多项式为：yi＝axi+b式中，xi代表定位器在图像坐标系中的横坐标，yi代表定位器在图像坐标系中的纵坐标，a，b是常数，平方偏差和为：式中，n代表待拟合数据的总个数，对a、b求偏导：对上式进行求解即可获得a，b数值，若设相机拍摄仰角为δ，则其计算方式如下：δ＝arccos(b/a)d.角度补偿校正根据定位器角度定义，定位器实际坡度值与图像中测量得到的坡度值之间存在如下关系：其中，α补偿后定位器角度，β为所采集图像中测量得到的坡度值；(4)计算线岔高差值线岔高差是在要换线的时候两个要换线的电线杆上的接触点的导高值之差，所以其计算过程为：1、识别出需要计算线岔高度差的图像；2、识别出两个电线杆上接触点的坐标信息；3、提取y1、y2值；3、根据坐标系转换计算出实际值并输出：Y＝(y1-y2)×k其中，Y为实际高度差值，y1、y2分别为两接触点的坐标值，k为y轴对比尺。所述步骤(1)中，激光传感器用于发射激光脉冲，通过检测发射脉冲时间以及脉冲经过障碍物后反射脉冲到达的时间，计算出障碍物距离设备的距离；相机装置选用线阵传感器摄像机，用于获取待检测目标的三维图像，通过二者的共同工作，利用计算机算法获得待检测目标的精确三维数据图像。与现有技术相比，本专利技术具有以下优点：1.本专利技术利用线扫描激光传感器以及相本文档来自技高网...

【技术保护点】
1.一种基于Faster R-CNN的接触网静态几何参数检测方法，其特征在于，包括步骤：/n步骤(1)：利用接触网静态几何参数检测装置所包含的线扫描激光传感器以及相机装置对接触网进行图像数据采集工作，并将所获取的接触网三维图像数据反馈至计算机进行进一步数据处理；/n步骤(2)：通过步骤(1)所获取的图像资料，建立Faster R-CNN模型对待检测图片进行特征提取工作，识别图片中的定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，/nFasterR-CNN使用轮流训练方法，该训练过程为：/na.输入接触网训练集图像，使用ImageNet预训练模型初始化各层参数，调整RPN网络参数用于候选区域的提取；/nb.根据步骤a生成的候选区域，训练Fast R-CNN检测网络；/nc.根据步骤b训练好的检测网络训练RPN网络，网络中的共享卷积层固定不变；/nd.保持共享卷积层的固定，根据RPN网络重新生成候选区域，继续微调Fast R-CNN的其他层；/n对于RPN网络的训练，RPN设置固定尺寸的滑动空间窗口，在共享卷积层输出的卷积特征映射上滑动，每滑动一次窗口都将窗内的高维特征向量映射成低维向量，在此基础之上进行卷积运算，并输出带有目标得分的候选区域集合，采用反向传播法和随机梯度下降进行端到端的训练，损失函数为分类误差和回归误差之和；/n对于Fast R-CNN网络的训练，Fast R-CNN网络首先利用输入的任意尺寸图片，向前传播到共享卷积层，然后卷积层一方面将特征映射传入RPN网络，另一方面在Fast R-CNN网络内继续向前传播，得到更高维度的特征映射，对于筛选过后的候选区域和高维特征映射，其将会被传入RoI池化层，在RoI池化层内提取对应区域的特征后，内对图像进行卷积运算得到一个特征映射，最后将该区域特征和全连接层连接输出目标分类和得分，以及boundingbox目标定位框回归值，Fast R-CNN同样采用反向传播法和随机梯度下降法进行训练，通过分类误差和回归误差构成的损失函数进行联合训练；/n步骤(3)：根据步骤(2)所识别定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，经过坐标变换计算得到拉出值、导高值、定位器角度值以及线岔高差值，以此获取接触网静态几何参数，进而识别接触网是否发生故障；/n识别出定位器、定位器接触点、电线杆及电线杆的支撑杆后，用opencv函数库中的findContours函数和drawContours函数识别图像轮廓并提取坐标信息；对于所获取的接触网关键部件坐标信息，其相应拉出值、导高值、定位器角度值以及线岔高差值的计算方法如下：/n(1)计算导高值/n导高值的含义是接触点到轨道平面的距离，其计算过程为：1、识别出接触点的坐标信息；2、提取y值；3、根据坐标系转换计算出实际数值并输出，/ny′＝y×k/n其中，y′为实际导高值，y为坐标值，k为y轴对比尺；/n(2)计算拉出值/n拉出值的含义是接触点到轨道中心点的距离，因为轨道中心点的位置是已知值，所以其计算过程为：1、识别出接触点的坐标信息；2、提取x值；3、根据坐标系转换计算出实际数值并与轨道中心点的数值相减，/nx′＝(x-x...

【技术特征摘要】
1.一种基于FasterR-CNN的接触网静态几何参数检测方法，其特征在于，包括步骤：
步骤(1)：利用接触网静态几何参数检测装置所包含的线扫描激光传感器以及相机装置对接触网进行图像数据采集工作，并将所获取的接触网三维图像数据反馈至计算机进行进一步数据处理；
步骤(2)：通过步骤(1)所获取的图像资料，建立FasterR-CNN模型对待检测图片进行特征提取工作，识别图片中的定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，
FasterR-CNN使用轮流训练方法，该训练过程为：
a.输入接触网训练集图像，使用ImageNet预训练模型初始化各层参数，调整RPN网络参数用于候选区域的提取；
b.根据步骤a生成的候选区域，训练FastR-CNN检测网络；
c.根据步骤b训练好的检测网络训练RPN网络，网络中的共享卷积层固定不变；
d.保持共享卷积层的固定，根据RPN网络重新生成候选区域，继续微调FastR-CNN的其他层；
对于RPN网络的训练，RPN设置固定尺寸的滑动空间窗口，在共享卷积层输出的卷积特征映射上滑动，每滑动一次窗口都将窗内的高维特征向量映射成低维向量，在此基础之上进行卷积运算，并输出带有目标得分的候选区域集合，采用反向传播法和随机梯度下降进行端到端的训练，损失函数为分类误差和回归误差之和；
对于FastR-CNN网络的训练，FastR-CNN网络首先利用输入的任意尺寸图片，向前传播到共享卷积层，然后卷积层一方面将特征映射传入RPN网络，另一方面在FastR-CNN网络内继续向前传播，得到更高维度的特征映射，对于筛选过后的候选区域和高维特征映射，其将会被传入RoI池化层，在RoI池化层内提取对应区域的特征后，内对图像进行卷积运算得到一个特征映射，最后将该区域特征和全连接层连接输出目标分类和得分，以及boundingbox目标定位框回归值，FastR-CNN同样采用反向传播法和随机梯度下降法进行训练，通过分类误差和回归误差构成的损失函数进行联合训练；
步骤(3)：根据步骤(2)所识别定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，经过坐标变换计算得到拉出值、导高值、定位器角度值以及线岔高差值，以此获取接触网静态几何参数，进而识别接触网是否发生故障；
识别出定位器、定位器接触点、电线杆及电线杆的支撑杆后，用opencv函数库中的findContours函数和drawContours函数识别图像轮廓并提取坐标信息；对于所获取的接触网关键部件坐标信息，其相应拉出值、导高值、定位器角度值以及线岔高差值的计算方法如下：

【专利技术属性】
技术研发人员：曾晓红，李奇，高仕斌，陈维荣，谢生波，赵志刚，
申请(专利权)人：江苏新绿能科技有限公司，
类型：发明
国别省市：江苏;32