一种基于MaskScoringR-CNN网络的受电弓检测方法技术

本发明专利技术公开了一种基于Mask Scoring R

【技术实现步骤摘要】
一种基于Mask Scoring R
‑
CNN网络的受电弓检测方法


[0001]本专利技术涉及计算机数字图像处理与模式识别
，尤其涉及一种基于Mask Scoring R
‑
CNN网络的受电弓检测方法。

技术介绍

[0002]随着我国以高铁为代表的电气化铁路的快速发展，对牵引供电系统的安全性提出了更高的要求。受电弓滑板作为电力机车与接触网唯一接触的部件，是整个电力机车供电系统中最重要的取电设备，对电力机车能否安全平稳运行有着直接的影响。然而，在电力机车运行过程中，受电弓滑板不断与接触网接触造成损耗，若损耗严重，受电弓会与接触网供电线上的硬点产生碰撞，致使受电弓摇晃、变形甚至脱落造成机车故障，轻则造成列车晚点，重则引发铁路交通重大事故，引起群众恐慌和财产损失。因此，及时准确地检测和识别受电弓，对保证弓网安全运行和避免安全事故尤为重要。然而，当前对于受电弓检测的研究相对较少，一方面由于相关数据较少，另一方面因为没有优质算法提供技术支持。因此，受电弓检测仍是当前一大技术难题。
[0003]目前受电弓检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Mask Scoring R
‑
CNN网络的受电弓检测方法，其特征在于，该方法包括以下步骤：S1、采集弓网红外受电弓数据并进行数据预处理，将数据划分为训练样本集和测试样本集，构建受电弓目标数据库；S2、搭建受电弓检测网络，利用主干网络提取受电弓多尺度特征图，通过预测头和掩码头获得受电弓的类别信息、位置坐标和粗粒度分割结果，并提出一种边缘修复方法对受电弓粗粒度分割结果进行精细化修复；S3、将训练样本集的数据加载至受电弓检测网络中，反复迭代训练，并进行参数调整，获得优质受电弓检测模型；S4、加载优质受电弓检测模型，将测试样本集的数据输入模型，评价受电弓检测分割结果。2.根据权利要求1所述的基于Mask Scoring R
‑
CNN网络的受电弓检测方法，其特征在于，所述步骤S1具体包括：S11、通过红外相机采集弓网红外受电弓数据，并对数据进行解码和场景分类；S12、对数据进行预处理，并分配训练样本集和测试样本集，构建目标数据库。3.根据权利要求2所述的基于Mask Scoring R
‑
CNN网络的受电弓检测方法，其特征在于，所述步骤S11具体包括：通过安装在受电弓前的车载接触网运行状态检测装置中的红外相机进行弓网红外视频素材拍摄，并将视频进行解码，获得图像10000帧；采集到的弓网红外受电弓图像的场景包括山体、桥梁、隧道、铁架桥，天气状况包括和阴雨、大雾、阳光照射、大雪，满足受电弓检测数据的多样性，并将所有图片保存至指定路径的弓网红外图像文件夹。4.根据权利要求3所述的基于Mask Scoring R
‑
CNN网络的受电弓检测方法，其特征在于，所述步骤S12具体包括：统计10000张弓网红外图像中受电弓标定框的四个坐标点横纵坐标，并对横纵坐标值分别取并集，构成的最大区域即为受电弓所在范围；为防止受电弓在行驶过程中可能出现上下起伏的现象并提升鲁棒性，将受电弓所在范围对应的标定框上下边界扩大一定的像素值，并分别从原图像中裁剪出固定尺寸的子图像，进而构建受电弓模板数据库；利用深度学习开源标注工具LabelMe对受电弓模板数据库中的10000张图像进行标注，分配6000张图像作为训练集，其余4000张图像作为测试集，且训练数据和测试数据没有重复图像，进而成功构建受电弓目标数据库。5.根据权利要求1所述的基于Mask Scoring R
‑
CNN网络的受电弓检测方法，其特征在于，所述步骤S2建立受电弓检测网络具体包括：S21、主干网络Backbone使用残差网络ResNet101和特征金字塔网FPN提取受电弓多尺度特征图；S22、运用区域推荐网络RPN来提议候选窗口区域Proposals；检测头RCNN Head对RPN产生的每个候选区域进行感兴趣区域对齐RoIAlign操作；S23、针对RoIAlign后的特征图，通过一系列卷积层、全连接层对候选区域的受电弓目标进行分类和边界框回归操作；掩码头Mask Head用于获得实例像素级的特征，经过6层卷积操作实现特征图的上采样
和通道维度的改变，并生成对应的预测掩码；掩码交并比头MaskIoU Head使用预测掩码的输出和感兴趣区域对齐后RoIAlign的特征作为输入，经过4个卷积层实现特征图的降采样，并连接3个全连接层，最后一层输出C个类别的MaskIoU得分，并与检测头RCNN Head中的类别分数相乘获得更准确的掩码得分；S24、掩码边缘修复头对掩码头Mask Head获得的粗粒度掩码与真值掩码计算交并比，匹配训练集中最佳的受电弓边界，并获得受电弓边界精细化修复结果。6.根据权利要求5所述的基于Mask Scoring R
‑
CNN网络的受电弓检测方法，其特征在于，所述步骤S21具体包括：采用ResNet101和FPN作为主干网络，对受电弓特征进行多尺度提取；ResNet101是一个自下而上的结构，经过残差网络输出四层特征图，定义为C2、C3、C4和C5；FPN是一种自上而下的结构，结合ResNet101各层输出进行横向连接，获得的P2、P3、P4和P5四层融合的特征图；所述步骤S22具体包括：主干网络输出的各层特征图经过一个3*3的卷积产生两个分支，一个分支经过Reshape
‑
Softmax
‑
Reshape操作区分预先设定锚点框的正负，另一个分支通过1*1的卷积获得锚点框的偏移量，进而获得候选区域；对RPN产生的Proposals采用RoIAlign实现候选区域与特征图的对齐，主要使用双线性插值算法进行特征图扩展，并进行最大池化操作将Proposals调整到统一大小；RCNN Head经过将RoIAlign后的特征图经过全连接层输出为1024维，并对特征进行分类和回归操作输出受电弓类别和坐标信息；所述步骤S23具体包括：Mask Head使用RoIAlign后的特征经过6个卷积操作实现特征图的上采样和通道维度的改变，并生成对应的预测掩码；同时，使用预测掩码的输出与原始RoIAlign后的特征作为MaskIoU Head输入，经过4个卷积层实现特征图的降采样，并连接3个全连接层，最后一层输出...

【专利技术属性】
技术研发人员：洪汉玉，陈冰川，马雷，罗心怡，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：