[发明专利]基于深度卷积神经网络的高速铁路接触网故障诊断方法

权利要求书

1.一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，其特征在于，包括以下步骤：

获取高速铁路接触网支撑装置的二维灰度图像；

通过接触网训练集预训练深度卷积神经网络，并带入目标检测框架faster RCNN中训练，通过训练出的模型提取二维灰度图像中的等电位线并进行分割，获得等电位线区域图片；

将获得的等电位线区域图片依次进行如下处理，调整其亮度和对比度、递归最大类间方差法Otsu预分割、用条件迭代模型-最大边缘后验概率算法ICM/MPM分割、腐蚀膨胀图片，得到等电位线像素点，提取最大连通域并统计等电位像素点区域内的独立连通域个数N；

若N＞m则判断为等电位线零部件出现散股故障；

若N≤m则通过归一化公式后的等电位线的像素值的标准差值的大小得出潜在故障的可能性；

归一化方法如下：

标准差σ计算方法如下：

式中：w_i为等电位线的第i个位置像素值；w_min为等电位像素值中的最小值；w_max为等电位像素值中的最大值；为归一化后等电位线像均值；v_i为归一化后等电位线第i位置的像素值；N为等电位线像素点个数，σ为归一化后等电位像素标准差。

2.根据权利要求1所述的一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，其特征在于，所述最大类间方差法Otsu预分割的方法包括以下步骤：

获取等电位线区域图片；

计算图片中的灰度直方图；

计算每个像素值出现的概率；

遍历每个像素并计算类间方差；

获取类间方差最大时对应的像素值。

3.根据权利要求1所述的一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，其特征在于，所述ICM/MPM算法包括以下步骤：

式中：θ为模型参数矩阵，y和x分别为观测场和标号场的样本数据；p(x|y,θ)为观测场对标号场的条件概率；p(y)为观测场的先验概率；

U(x)＝∑_c∈CV_c(x_c) (5)

式中：为优化的目标方程，Z为归一化常数，C为所有势团集合，U(x)为势团集合内所有势团势能的和，T为常数，V_c(x_c)为势团势能，S为图片的第S位置，y_s为S位置观测图片的像素值，为拥有标号x_s的所有像素点的均值，为拥有标号x_s的所有像素点的方差；

使用ICM算法进行迭代，具体过程如下：

式中：μ_k(p)为观测场第p次迭代时属于第k类的像素点均值，σ_k(p)为观测场第p次迭代时属于第k类的像素点方差，N_k(p)为观测场第p次迭代时属于第k类像素点的个数，k为图像分割的类别数，p为第p次迭代。

4.根据权利要求1所述的一种基于深度卷积神经网络的高速铁路接触网故障诊断方法，其特征在于，所述深度卷积神经网络包括六个卷积层、二个池化层和二个全连接层，前两个卷积层后面分别接一个下采样池化层，第二个池化层后接4个卷积层，这四个卷积层依次相连，在第6个卷积层后接2个全连接层，最后的全连接层输出1000×1的向量。