一种高铁接触网供电设备螺栓松动自动检测方法技术

一种高铁接触网供电设备螺栓松动自动检测方法，针对现有高铁接触网中各种供电设备螺栓松动多样性，而参考拧紧状态检测需要对螺栓位置先判断，过程繁琐，本发明专利技术利用基于深度学习的特征识别模型，集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。

【技术实现步骤摘要】
一种高铁接触网供电设备螺栓松动自动检测方法
本专利技术公开一种高铁接触网螺栓松动自动检测方法，属于图像识别设备缺陷的

技术介绍
近些年来，我国铁路运输高速持续发展，动车和高铁在国民经济发展中起着不可替代的作用。随着我国高铁的全面开通，高铁线路巡检显得尤其重要。传统的高铁线路设备巡检工作，依靠固定位置的摄像头定点拍摄照片，再传回至地面，由工作人员通过对视频图像分析判断设备缺陷。随着海量检测数据的生成，只靠工作人员人眼识别势必造成大量强度较高的重复性劳动，以及视觉疲劳造成的识别率下降和漏检率上升，因此急需采用一种方法，既能高于人眼的识别率，又能长时间保持一个效率，极大降低误检率，实践证明使用基于深度学习的特征识别模型是一个很好的选择。现有的螺栓松动方法基于拧紧的螺栓标记为参考标记，通过计算当前螺栓角度与参考螺栓角度差来判断螺栓是否松动。此方法只对固定位置的螺栓图片检测有效，而高压线路巡检中有多处螺栓，需要先对螺栓位置进行判别在进行松动检测，增加了设备异常检测的繁琐。因此在本
中，怎样对高铁接触网中各种供电设备螺栓松动准确检测，成为较为棘手的技术问题。
技术实现思路
针对现有技术的不足，本专利技术公开一种高铁接触网供电设备螺栓松动自动检测方法。本专利技术的技术方案如下：一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，包括：1)建立数据样本库：首先，采集高铁用电系统中的摄像机拍摄照片，通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系，形成训练数据；优选的，所述螺栓区域图像位置信息包括：螺栓坐标位置信息[x,y]及螺栓图像区域框宽度和高度[w,h]；优选的，所述螺栓松动状态包括：螺栓正常未松动时，用0表示；螺栓松动时，用1表示；形成训练数据；2)训练两个深度卷积神经网络：其中一个是：目标检测深度卷积神经网络Faster-RCNN，用于从步骤1)中的照片得到螺栓区域检测模型该检测模型选用基本的训练流程即可；另一个是：采用一个自编码器结构的网络架构，将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类，用于将步骤1)中的得到的螺栓区域图像进行重构和分类；3)开始测试：实时采集被测高铁用电系统中的设备定位器底座图像X，并将其导入步骤2)中的检测模型中，得到螺栓区域在图中所处位置坐标[Xmin,Ymin,Xmax,Ymax]；对本步骤中的所述螺栓区域Y进行提取，步骤为：Y＝X[Xmin:Xmax,Ymin:Ymax]；4)对设备区域进行设备外观异常检测，通过将裁剪得到的螺栓区域Y放到步骤2)中的自编码网络及全连接层中，得到螺栓松动状态分类结果。根据本专利技术优选的，所述高铁接触网供电设备螺栓松动自动检测方法还包括标签制作流程：人工标记出螺栓区域图像位置信息、螺栓松动状态表示。根据本专利技术优选的，所述自编码器的编码器包括4个卷积块，其特征层个数分别为[32,64,128,256]，每个卷积块由2个卷积层组成；其计算公式为：对于输入图像x，经自编码器结构的网络架构的编码器θ(·)后得到输入图像x的高层次表达θ(x)，则稀疏表达向量z通过对该高层次语义表达进行行列挤压得到。根据本专利技术优选的，所述稀疏表达向量z通过对该高层次语义表达进行行列挤压的具体实现步骤为：先将θ(x)经过一个1×1的卷积层f得到的空间向量f(θ(x))，其大小为256×W×H,再对f(θ(x))分别进行行列求平均，得到一个256×1×1的稀疏表达向量z：z＝Avg(f(θ(x)))其中Avg(·)表示行列求平均操作。根据本专利技术优选的，与所述编码器对应的解码器包括4个卷积块，其特征层个数分别为[256，128，64，32]，每个卷积块由2个卷积层组成；则重构后的图像x′通过将z输入解码器φ(·)获得。根据本专利技术优选的，所述解码的具体实现步骤为：先对稀疏表达向量z进行行列扩展，使其扩展为一个256×W×H的空间向量z′，然后将z′经过一个1×1的卷积层f′后再经过解码器φ(·)即可得到重构后的原图像x′：x′＝φ(z′)＝φ(f′(z′))＝φ(f′(Exp(z)))其中Exp(·)表示行列扩展操作。根据本专利技术优选的，在对螺栓状态分类时，由于稀疏表达向量z包含了输入图像x的关键信息，因此通过将z接入全连接层得到螺栓松动分类结果c′，表达式为：c′＝fc(z)其中fc(·)代表全连接层，该全连接层由两个线性层组成，其维度分别为[64,1]。根据本专利技术优选的，所述自编码器的损失函数包括：对螺栓状态识别的交叉熵和图像重构的最小均方差，具体实现公式为：L＝Lce(c,c′)+Lmse(x,x′)其中c为螺栓真实分类结果，Lce为交叉熵损失，Lmse为图像重构损失。本专利技术的技术优势在于：本专利技术针对现有高铁接触网中各种供电设备螺栓松动多样性，而参考拧紧状态检测需要对螺栓位置先判断，过程繁琐，本专利技术利用基于深度学习的特征识别模型，集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。本专利技术的检测效果好：流程简单且准确性高，利用基于深度学习的特征识别模型，集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。此外高铁接触网中各种供电设备的工作环境复杂多变，而深度学习在提取特征时聚焦于螺栓状态本身，可以降低由于光线环境等因素造成的误判率。附图说明图1是本专利技术所述方法中模型训练流程图；图2是本专利技术所述方法的流程图；图3是本专利技术实施例中的实际场景监测流程信息图，对螺栓正常状态分类结果的图像；图4是本专利技术实施例中的实际场景监测流程信息图，对螺栓松动状态分类结果的图像；图5是本专利技术中螺栓松动分类的步骤流程图。具体实施方式下面结合实施例和说明书附图对本专利技术做详细的说明，但不限于此。实施例如图1、2所示，一种高铁接触网供电设备螺栓松动自动检测方法，包括：1)建立数据样本库：首先，采集高铁用电系统中的摄像机拍摄照片，通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系，形成训练数据；还包括标签制作流程：人工标记出螺栓区域图像位置信息、螺栓松动状态表示。所述螺栓区域图像位置信息包括：螺栓坐标位置信息[x,y]及螺栓图像区域框宽度和高度[w,h]；所述螺栓松动状态包括：螺栓正常未松动时，用0表示；螺栓松动时，用1表示；形成训练数据；2)训练两个深度卷积神经网络：其中一个是：目标检测深度卷积神经网络Faster-RCNN，用于从步骤1)中的照片得到螺栓区域检测模型该检测模型选用基本的训练流程即可；另一个是：采用一个自编码器结构的网络架构，将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类，用于将步本文档来自技高网...

【技术保护点】
1.一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，包括：/n1)建立数据样本库：/n首先，采集高铁用电系统中的摄像机拍摄照片，通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系，形成训练数据；/n2)训练两个深度卷积神经网络：/n其中一个是：目标检测深度卷积神经网络Faster-RCNN，用于从步骤1)中的照片得到螺栓区域检测模型

【技术特征摘要】
1.一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，包括：
1)建立数据样本库：
首先，采集高铁用电系统中的摄像机拍摄照片，通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系，形成训练数据；
2)训练两个深度卷积神经网络：
其中一个是：目标检测深度卷积神经网络Faster-RCNN，用于从步骤1)中的照片得到螺栓区域检测模型该检测模型选用基本的训练流程即可；
另一个是：采用一个自编码器结构的网络架构，将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类，用于将步骤1)中的得到的螺栓区域图像进行重构和分类；
3)开始测试：
实时采集被测高铁用电系统中的设备定位器底座图像X，并将其导入步骤2)中的检测模型中，得到螺栓区域在图中所处位置坐标[Xmin,Ymin,Xmax,Ymax]；
对本步骤中的所述螺栓区域Y进行提取，步骤为：
Y＝X[Xmin:Xmax,Ymin:Ymax]；
4)对设备区域进行设备外观异常检测，通过将裁剪得到的螺栓区域Y放到步骤2)中的自编码网络及全连接层中，得到螺栓松动状态分类结果。


2.根据权利要求1所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，所述自编码器的编码器包括4个卷积块，其特征层个数分别为[32,64,128,256]，每个卷积块由2个卷积层组成；
其计算公式为：
对于输入图像x，经自编码器结构的网络架构的编码器θ(·)后得到输入图像x的高层次表达θ(x)，则稀疏表达向量z通过对该高层次语义表达进行行列挤压得到。


3.根据权利要求2所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，所述稀疏表达向量z通过对该高层次语义表达进行行列挤压的具体实现步骤为：
先将θ(x)经过一个1×1的卷积层f得到的空间向量f(θ(x))，其大小为256×W×H,再对f(θ(x))分别进行行列求平...

【专利技术属性】
技术研发人员：张方恒，王志强，石会莹，张文升，李增荣，白树军，吴勇，杨习习，吉越，陶可猛，张继洲，隋金雁，王明晗，
申请(专利权)人：和远智能科技股份有限公司，
类型：发明
国别省市：山东;37