一种采用四级级联架构的接触网紧固件故障检测方法技术

本发明专利技术公开了一种采用四级级联架构的接触网紧固件故障检测方法，包括图像预处理阶段，使用SCI图像增强算法对低光照接触网图像进行亮度增强；零部件定位阶段，采用TPH

【技术实现步骤摘要】
detection using the cascaded convolutional neural networks》一文中提出的级联卷积神经网络在两个阶段都是使用Faster R
‑
CNN模型，并没有根据每一阶段的零部件特点选择定位效果最好的模型，且该方法只能检测紧固件的缺失这一种状态。另外，Faster R
‑
CNN的速度很慢，导致检测时间较长。

技术实现思路

[0008]本专利技术的目的在于，提供一种采用四级级联架构的接触网紧固件故障检测方法，其可以实现多种紧固件的故障检测，摆脱了对数据集的依赖，避免了使用深度学习方法产生过拟合、泛化性差等缺陷。
[0009]为实现上述目的，本申请提出一种采用四级级联架构的接触网紧固件故障检测方法，包括：
[0010]图像预处理阶段，使用SCI图像增强算法对低光照接触网图像进行亮度增强；
[0011]零部件定位阶段，采用TPH
‑
YOLOv5算法对增强后接触网图像中的零部件进行定位；
[0012]紧固件定位阶段，使用改进的R
‑
FCN算法对依附在零部件上的紧固件定位识别，改进的R
‑
FCN算法包括回归损失函数改进、锚框改进、采用多尺度训练和在线硬样本挖掘策略；
[0013]故障检测阶段，先使用边缘检测算法中的自适应canny算子对紧固件的边缘进行检测，得到边缘特征图，再使用霍夫变换算法对不同状态紧固件的边缘特征图检测，获取紧固件正常、脱落、缺失状态下线、圆等形状特征值，从而实现对多种紧固件的故障判断。
[0014]进一步的，使用SCI图像增强算法对低光照接触网图像进行亮度增强，具体为：根据Retinex理论，存在一个低光图像与同场景正常清晰图像的对应，即其中y表示低光图像，z表示正常清晰图像，x表示照明分量；低光增强目的就是对照明分量x进行建模；SCI通过引入带有权重θ的映射H
θ
建立一种赋权的渐进视角实现对照明分量x的建模：
[0015][0016]其中，u
t
和x
t
分别代表第t阶段(t＝0,
…
,T
‑
1，T为阶段总数)的残余项和照度；映射H
θ
使用权重共享机制，在每一次更新中使用相同的H架构和权重θ。
[0017]进一步的，所述TPH
‑
YOLOv5算法使用CSPDarknet53作为骨干网络，使用PANet作为neck部分，输出部分包括四个检测头，分别用于微小、小、中、大物体的检测，采用卷积注意力模块CBAM沿着通道维度和空间维度依次生成注意力图。
[0018]进一步的，改进的R
‑
FCN算法主干网络为残差网络ResNet
‑
101，从残差网络ResNet
‑
101输出的特征图中，区域候选网络根据锚生成一系列感兴趣区域ROI，这些感兴趣区域ROI被输入到位置敏感的ROI池化层中，两个全局平均池化层分别用于产生每一类的分数图和边界框的预测图。
[0019]进一步的，所述回归损失函数CIoU为：
[0020][0021][0022][0023]其中，b和b
gt
分别代表紧固件预测框和紧固件真实框的中心点，ρ表示欧氏距离，c表示紧固件预测框和紧固件真实框的最小外接矩阵的对角线距离，α是权重参数，v是用来度量长宽比的相似性，和分别表示紧固件真实框和紧固件预测框的宽高比；IoU为R
‑
FCN算法原始损失函数。
[0024]更进一步的，锚框改进具体为：使用K
‑
Means聚类方法来调整从公共数据集中获得的锚框尺寸，使得锚框大小与紧固件尺寸相适应。
[0025]更进一步的，所述K
‑
Means聚类方法首先选取K个值作为聚类中心，然后得到紧固件的锚框点到每个聚类中心的距离，将锚框点加入离它最近的聚类中心，经过多次添加形成聚类。
[0026]更进一步的，采用多尺度训练和在线硬样本挖掘策略，具体为：在训练阶段使用多尺度训练策略，即把输入的图像最短边调整为1024；并在训练中每次迭代网络模型时，将在前一轮网络模型无法实现分类的负样本加入到训练数据中，或者相应的增加难例样本权重，并且对于已经在分类上表现良好的样本不需要再加入训练数据中；通过多次迭代得到一个能处理难例样本的模型，平衡正负样本。
[0027]作为更进一步的，故障检测阶段具体实现方法是：先使用自适应canny算子对正常、缺失、脱落状态的紧固件图像进行边缘检测，得到边缘特征图，然后使用霍夫变换算法来检测不同状态下紧固件的线、圆特征在边缘特征图上的数值k，通过分析统计正常、缺失、脱落状态下数值k的变化得到各状态临界值，最后根据正常临界值m和脱落临界值n判断紧固件是否故障。
[0028]作为更进一步的，所述canny算子是一种一阶微分算子检测算法，其在canny算子的基础上采用最大类间方差法，对紧固件图像进行边缘检测。
[0029]本专利技术采用的以上技术方案，与现有技术相比，具有的优点是：(1)图像预处理阶段引入图像增强算法SCI对接触网图像进行亮度增强，使得昏暗的图像变得清晰可见，为后续零部件的准确识别提供了更大的保证。
[0030](2)针对零部件多尺度的特点，采用TPH
‑
YOLOv5对零部件定位；在紧固件定位阶段，为了使算法更适合小目标，对R
‑
FCN算法做了改进：损失函数由IoU改为DIoU、K
‑
Means聚类引入更合适的锚框、采用多尺度训练和在线硬样本挖掘策略；改进后的R
‑
FCN算法在平均精确率(mAP)上提高了6个百分点，达到99％，并且检测速度比目前主流的定位算法快了3倍。
[0031](3)在故障样本不足的条件下，利用边缘检测算法和特征提取算法实现了对紧固件的故障检测。与其他传统方法相比，大大降低了模型的复杂性，并且提高了故障检测准确率。
附图说明
[0032]图1为接触网紧固件故障检测方法框架图；
[0033]图2为图像预处理阶段的框架图；
[0034]图3为零部件定位阶段的框架图；
[0035]图4为紧固件定位阶段的框架图；
[0036]图5为接触网紧固件故障检测方法流程图。
具体实施方式
[0037]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请，即所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
[0038]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采用四级级联架构的接触网紧固件故障检测方法，其特征在于，包括：图像预处理阶段，使用SCI图像增强算法对低光照接触网图像进行亮度增强；零部件定位阶段，采用TPH
‑
YOLOv5算法对增强后接触网图像中的零部件进行定位；紧固件定位阶段，使用改进的R
‑
FCN算法对依附在零部件上的紧固件定位识别，改进的R
‑
FCN算法包括回归损失函数改进、锚框改进、采用多尺度训练和在线硬样本挖掘策略；故障检测阶段，先使用边缘检测算法中的自适应canny算子对紧固件的边缘进行检测，得到边缘特征图，再使用霍夫变换算法对不同状态紧固件的边缘特征图检测，获取紧固件正常、脱落、缺失状态下线、圆形状特征值，从而实现对多种紧固件的故障判断。2.根据权利要求1所述一种采用四级级联架构的接触网紧固件故障检测方法，其特征在于，使用SCI图像增强算法对低光照接触网图像进行亮度增强，具体为：根据Retinex理论，存在一个低光图像与同场景正常清晰图像的对应，即其中y表示低光图像，z表示正常清晰图像，x表示照明分量；低光增强目的就是对照明分量x进行建模；SCI通过引入带有权重θ的映射H
θ
建立一种赋权的渐进视角实现对照明分量x的建模：其中，u
t
和x
t
分别代表第t阶段(t＝0,
…
,T
‑
1，T为阶段总数)的残余项和照度；映射H
θ
使用权重共享机制，在每一次更新中使用相同的H架构和权重θ。3.根据权利要求1所述一种采用四级级联架构的接触网紧固件故障检测方法，其特征在于，所述TPH
‑
YOLOv5算法使用CSPDarknet53作为骨干网络，使用PANet作为neck部分，输出部分包括四个检测头，分别用于微小、小、中、大物体的检测，采用卷积注意力模块CBAM沿着通道维度和空间维度依次生成注意力图。4.根据权利要求1所述一种采用四级级联架构的接触网紧固件故障检测方法，其特征在于，改进的R
‑
FCN算法主干网络为残差网络ResNet
‑
101，从残差网络ResNet
‑
101输出的特征图中，区域候选网络根据锚生成一系列感兴趣区域ROI，这些感兴趣区域ROI被输入到位置敏感的...

【专利技术属性】
技术研发人员：邹启杰，石潇月，高兵，王世杰，郭文娟，曹杰，
申请(专利权)人：大连大学，
类型：发明
国别省市：