[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

说明书

本发明公开了基于深度卷积神经网络的高速铁路接触网故障诊断方法，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Otsu预分割、用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；本发明可准确定位等电位线，提高了故障诊断准确率，符合实际生产需要。

技术领域

本发明涉及高速铁路接触网故障检测领域，具体涉及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。

背景技术

高速铁路作为重要的基础交通工具设施，其快速发展对安全问题提出了更高的要求；等电位线是接触网支撑装置的零部件之一，其作用是保证定位器支座和定位器之间的等电位连接；在高速铁路上，在定位器支座和定位器之间的正反面均安装等电位线，可见其重要性；基于图像处理的非接触式检测技术在铁路上的应用主要集中在接触网几何参数测量和弓网不良状态检测，如对定位器倾斜度的检测、导高于拉出值的测量、接触网风偏量检测、受电弓滑板裂纹检测等；针对接触网支撑装置的零部件故障检测，采用的均是传统特征提取方法对接触网零部件定位；由于等电位线属于非刚体、形态较多，利用已有的HOG特征或者SIGT特征，采用传统的模板匹配方式不能取得令人满意的效果。

发明内容

本发明提供一种具有较高检测精度的基于深度卷积神经网络的高速铁路接触网等电位线的散股故障诊断方法。

本发明采用的技术方案是：基于深度卷积神经网络的高速铁路接触网故障诊断方法，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方法预分割、用条件迭代模型-最大边缘后验概率算法(Iterationcondition model/maximization of the posterior marginal，ICM/MPM)算法分割、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。

进一步的，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。

进一步的，所述最大类间方差法Otsu方法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；