基于目标检测和残差网络的导电线不受力识别方法及系统技术方案

本发明专利技术公开了基于目标检测和残差网络的导电线不受力识别方法及系统，属于接触网导电线识别技术领域。现有导电线受力识别方案，识别精度较差，存在较大误差。本发明专利技术的基于目标检测和残差网络的导电线不受力识别方法，利用目标检测算法和残差网络对导电线受力情况进行准确识别，相比现有的先验知识以及斜拉线角度差方案，识别精度更高，误差更小，并且数据处理更加客观、准确，高效。进一步，本发明专利技术能高效识别导电线状态并具有良好稳定性，能够有效避免接触网系统损坏，提高受电弓受流质量，方案简单、实用，切实可行，具有很高的经济价值。具有很高的经济价值。具有很高的经济价值。

【技术实现步骤摘要】
基于目标检测和残差网络的导电线不受力识别方法及系统


[0001]本专利技术涉及基于目标检测和残差网络的导电线不受力识别方法及系统，属于接触网导电线识别


技术介绍

[0002]在电气化铁路行业中，导电线对接触网的稳定运行起着至关重要的作用——在链型悬挂中，接触线通过导电线悬挂在承力索上，通过调节导电线长短保证接触悬挂的结构高度和接触线高度，从而改善接触悬挂的弹性，提高受电弓的受流质量。然而，受电弓与悬链线之间存在复杂的机械和电气相互作用，这不可避免地导致受电弓——接触网系统的高缺陷率，并严重影响操作安全性。
[0003]特别地，由于在长期操作中的振动和激励导致导电线松脱变形不受力，就会影响接触悬挂的结构高度和接触线高度，导致受电弓的受流质量下降，长此以往会对整个系统造成不可磨灭的损害。因此需要对导电线受力与否进行及时、准确的识别。
[0004]中国专利（公告号CN108734687B）公开了一种斜拉线不受力缺陷识别方法及装置。通过边缘检测，不感觉兴趣区域排除，直线检测算法等图像处理过程，获取全景图像的部件直线信息；然后通过先验知识对关键悬挂对应的直线进行推理判定，得到支柱、平腕臂、斜腕臂、定位管和定位器部件直线；然后判断斜拉线是否受力；进一步的，当斜拉线不受力时，对斜拉线所在区域进行直线拟合，提取构成拟合的参数作为不受力特征，并对弯曲进行判定，从而达到不受力缺陷识别。
[0005]上述方案根据先验知识以及斜拉线角度差，对拉线受力与否进行判断，但先验知识需要预先假定一些规则以及设定一些必要条件，存在一定主观性以及随意性，无法客观、准确的处理数据；同时由于受风力以及拉线的松紧度影响，利用斜拉线的角度差来判断受力与否，也会存在较大误差，因此上述方案识别精度较差，存在较大误差。

技术实现思路

[0006]针对现有技术的缺陷，本专利技术的目的在于提供一种识别精度高，误差小，并且数据处理更加客观、准确，高效，进而能够有效避免接触网系统损坏，提高受电弓受流质量的基于目标检测和残差网络的导电线不受力识别方法及系统。
[0007]为实现上述目的，本专利技术的技术方案为：基于目标检测和残差网络的导电线不受力识别方法，包括以下步骤：第一步，获取导电线的接触网样本图像；所述接触网样本图像包括导电线受力样本、导电线不受力样本；第二步，对第一步中的导电线受力样本、导电线不受力样本中的导电线分别进行标记，获得对应的标签文件，标签文件与导电线受力样本、导电线不受力样本共同构成图像数据集；
第三步，对第二步中的图像数据集中的图片进行比例缩放，形成缩放图像数据；第四步，根据第三步中的缩放图像数据，并通过目标检测网络，构建检测模型model1，输出接触网样本图像中导电线的位置坐标；第五步， 利用第四步中的位置坐标，从接触网样本图像中抠出导电线图像；第六步， 将第五步中的导电线图像，进行比较缩放，并结合残差网络ResNet，构建识别模型model2，输出导电线的受力与否的识别结果。
[0008]本专利技术通过不断探索以及试验，利用目标检测算法和残差网络对导电线受力情况进行准确识别，相比现有的先验知识以及斜拉线角度差方案，识别精度更高，误差更小，并且数据处理更加客观、准确，高效。
[0009]进一步，本专利技术能高效识别导电线状态并具有良好稳定性，能够有效避免接触网系统损坏，提高受电弓受流质量，方案简单、实用，切实可行，具有很高的经济价值。
[0010]同时，本专利技术也能用于接触网其他零部件的缺陷识别，具有一定通用性，便于推广使用。
[0011]更进一步，由于目标检测网络进行深度学习时，存在退化问题，使得目标检测网络不容易训练，因此需要设置残差网络ResNet来解决退化问题。
[0012]作为优选技术措施：所述第一步中的接触网样本图像的获取方式如下：通过摄像头拍摄接触网中的导电线获得；所述摄像头装配在巡逻车上；巡逻车根据设定路线移动到接触网附近，摄像头朝向接触网，以接触网为目标物进行拍摄；所述摄像头为监控摄像头或/和照相机摄像头或/和手机摄像头。
[0013]作为优选技术措施：所述第二步中，导电线标记方法如下:通过包围框进行标记，一个包围框对应一个导电线区域，每张导电线受力样本或导电线不受力样本标记1~3个包围框；所述包围框为一长方形框，其为1
×
4的行向量；所述行向量，用于记录长方形框的左上角和右下角对应的横纵坐标；所述横纵坐标的信息形成相应的标签文件；所述图像数据集按照N:1的比例划分训练集和验证集；2≤N≤8。
[0014]作为优选技术措施：所述第三步中，比例缩放的方法如下：将接触网样本图像中的导电线受力样本、导电线不受力样本尺寸调整为相同大小，具体尺寸为1024
×
800，其对应的标签文件也作相同比例缩放。
[0015]作为优选技术措施：所述第四步中，检测模型model1的构建方法，具体包括以下内容：步骤一，利用训练集对目标检测网络进行训练；步骤二，利用验证集对步骤一中的目标检测网络进行验证；
步骤三，利用步骤二中的目标检测网络，预测输出接触网样本图像中导电线的位置坐标。
[0016]作为优选技术措施：所述目标检测网络为单阶段目标检测FCOS模型（FCOS网络），用于将图像作为输入并输出相应输入图像的特征图，其包括骨干网络、特征层。
[0017]单阶段检测网络的最大优势就是速度快，而双阶段检测算法的最大优势就是精度高。 但随着目标检测算法的发展，单阶段目标检测算法的精度也得到了大幅度的提升，基本上可以和双阶段检测算法不相上下，特别FCOS算法，因此本专利技术使用单阶段目标检测FCOS模型能够满足本专利技术识别精度要求。
[0018]所述骨干网络为目标检测网络的基本特征提取器，其通过特征图C3、特征图C4、特征图C5进行表示；所述特征图C3，其大小为128*128*512，表示特征图的大小为128*128，设有512个提取后的接触网样本图像；所述特征图C4，其大小为64*64*1024，表示特征图的大小为64*64，设有1024个提取后的接触网样本图像；所述特征图C5，其大小为32*32*2048，表示特征图的大小为32*32，设有2048个提取后的接触网样本图像。
[0019]所述特征层包括特征P3、特征P4、特征P5、特征P6、特征P7，用于最终预测；所述特征P3、特征P4、特征P5利用特征图C3、特征图C4、特征图C5以及具有自上而下连接的卷积层生成；特征P6、特征P7通过在特征P5、特征P6上分别应用步长为2的一个卷积层来实现；特征图的高度为H，其宽度为W，其相对于输入的接触网样本图像下采样率为s；所述；优选的，特征层P3，P4，P5，P6和P7的步长分别为8、16、32、64和128。
[0020]作为优选技术措施：所述第五步中，导电线图像的抠出方法如下：根据位置坐标从接触网样本图像中裁剪出相应区域，然后对该相应区域进行图像缩放，使得该相应区域的尺寸为224
×
224。
...

【技术保护点】

【技术特征摘要】
1.基于目标检测和残差网络的导电线不受力识别方法，其特征在于，包括以下步骤：第一步，获取导电线的接触网样本图像；所述接触网样本图像包括导电线受力样本、导电线不受力样本；第二步，对第一步中的导电线受力样本、导电线不受力样本中的导电线分别进行标记，获得对应的标签文件，标签文件与导电线受力样本、导电线不受力样本共同构成图像数据集；第三步，对第二步中的图像数据集中的图片进行比例缩放，形成缩放图像数据；第四步，根据第三步中的缩放图像数据，并通过目标检测网络，构建检测模型model1，输出接触网样本图像中导电线的位置坐标；第五步，利用第四步中的位置坐标，从接触网样本图像中抠出导电线图像；第六步，将第五步中的导电线图像，进行比较缩放，并结合残差网络ResNet，构建识别模型model2，输出导电线的受力与否的识别结果。2.如权利要求1所述的基于目标检测和残差网络的导电线不受力识别方法，其特征在于，所述第一步中的接触网样本图像的获取方式如下：通过摄像头拍摄接触网中的导电线获得；所述摄像头装配在巡逻车上；巡逻车根据设定路线移动到接触网附近，摄像头朝向接触网，以接触网为目标物进行拍摄；所述摄像头为监控摄像头或/和照相机摄像头或/和手机摄像头。3.如权利要求1所述的基于目标检测和残差网络的导电线不受力识别方法，其特征在于，所述第二步中，导电线标记方法如下:通过包围框进行标记，一个包围框对应一个导电线区域，每张导电线受力样本或导电线不受力样本标记1~3个包围框；所述包围框为一长方形框，其为1
×
4的行向量；所述行向量，用于记录长方形框的左上角和右下角对应的横纵坐标；所述横纵坐标的信息形成相应的标签文件；所述图像数据集按照N:1的比例划分训练集和验证集；2≤N≤8。4.如权利要求1所述的基于目标检测和残差网络的导电线不受力识别方法，其特征在于，所述第三步中，比例缩放的方法如下：将接触网样本图像中的导电线受力样本、导电线不受力样本尺寸调整为相同大小，具体尺寸为1024
×
800，其对应的标签文件也作相同比例缩放。5.如权利要求3所述的基于目标检测和残差网络的导电线不受力识别方法，其特征在于，所述第四步中，检测模型model1的构建方法，具体包括以下内容：
步骤一，利用训练集对目标检测网络进行训练；步骤二，利用验证集对步骤一中的目标检测网络进行验证；步骤三，利用步骤二中的目标检测网络，预测输出接触网样本图像中导电线的位置坐标。6.如权利要求5所述的基于目标检测和残差网络的导电线不受力识别方法，其特征在于，所述目标检测网络为单阶段目标检测FCOS模型，其包...

【专利技术属性】
技术研发人员：梅冰笑，齐冬莲，闫云凤，陈强，韩睿，刘黎，王文浩，邵先军，
申请(专利权)人：浙江大学，
类型：发明
国别省市：