[发明专利]基于卷积神经网络的接触网关键部件目标检测方法

说明书

本发明公开了一种基于卷积神经网络的接触网关键部件的目标检测方法，通过接触网悬挂状态检测监测装置(4C)所拍摄到的图像建立样本库，该样本库中的图像数据分别经过数据增强、人工标注两个步骤完成建立。搭建基于YOLOv3模型的深度卷积神经网络，并将上述样本库中的训练样本送入YOLOv3模型中训练，训练好的模型将用于接触网关键部件的目标检测与定位。本发明通过使用目标检测算法，结合接触网悬挂状态检测监测装置(4C)系统，可以实现高速铁路接触网的关键部件的快速检测和分类，减少人工查图的工作量。该方法具有处理速度快、泛化能力强、精度高、抗干扰能力强等优点，一定程度上节省人力物力，从而提高检测的效率。

技术领域

本发明涉及接触网自动检测技术领域，具体为基于深度卷积神经网络的电气化铁路接触网关键部件的目标检测方法。

背景技术

接触网系统作为列车动力来源是电气化铁路系统中最重要的部分之一，其沿线架设，由支柱、支持装置、定位装置以及接触悬挂装置组成，其性能的好坏直接影响着列车的运行安全。接触网本身是一个部件众多的复杂系统，不仅受高速运行的受电弓的冲击与振动，并且常年遭受恶劣的自然天气的考验，所以容易发生故障。然而接触网系统沿线架设无备用，一旦发生故障对铁路的安全运行存在巨大的隐患。因此对接触网悬挂状态进行有效的检测与监测具有极其重要的意义。

现阶段接触网支持与悬挂装置的检测，主要采用人工巡视检测和技术人员查看零部件所在区域图像的方式。这种方法劳动强度大，工作效率低，工作周期长，隐患不易发现，而且不能及时发现故障。为对接触网进行有计划地检测以便及时发现隐患、保证电气化铁路安全运营，中国铁路总公司于2012年7月发布实施了《高速铁路供电安全检测监测系统(6C系统)总体技术规范》。其中接触网悬挂状态检测监测系统(4C)通过安装在检测车上的高速工业相机得到接触网高清图像，以此形成维修建议，指导接触网维修。相对于人工巡线的方式，通过查看图像的方式检测装置故障可大大缩短工作周期。然而，通过高清成像系统获得的接触网关键悬挂图像数量巨大，人工查看易发生误检漏检。因此采用自动化的非接触式手段实现接触网关键部件的自动检测与分类是现阶段急需解决的重要问题。

早期接触网自动化检测手段多采用基于图像处理技术来实现接触网关键部位的目标检测，然而在不同环境下接触网悬挂状态检测监测系统(4C)所采集的照片在图像背景、环境噪声、对比度及曝光度方面都有很大的不同，导致基于单一种类的图像处理技术难以实现多场景下的目标检测，且一种图像处理算法只能定位一种部件，多种部件的定位和分类则需要多种图像处理算法共同协作完成，因此存在计算量大、耗时长、泛化能力差、识别精度低等问题，无法从根本上实现接触网关键部件的自动检测。

随着人工智能浪潮的推进，深度学习方法越来越清晰地浮现在人们的视野中。深度学习方法尤其是卷积神经网络这部分在图像识别与处理方面具有着先天优势，基于卷积神经网络的目标识别算法大都采用较高层神经网络实现端到端的目标检测，相比于人工识图和传统图像处理方法，基于卷积神经网络的目标检测模型具有检测速度快、精度高等优点，能够实现有效且快速的目标检测。

发明内容

针对上述问题，本发明提出了一种基于卷积神经网络的接触网关键部件目标检测方法。利用TensorFlow框架平台，结合图像数据增强技术与深度学习中的YOLOv3目标检测模型方法并加以改进，改进后的目标检测模型能够快速定位高速铁路接触网中的关键部件，实现绝缘子及其支座、旋转双耳、定位线夹等关键部件的多目标分类，减少人工检测的环节，提高检测效率。

为实现上述目的，本发明技术方案如下：

基于卷积神经网络的接触网关键部件目标检测方法，包含以下步骤：

步骤1：图像数据采集：采集接触网高清图像，形成原始图像样本集；

步骤2：图像数据增强：对步骤1中所采集的接触网图像样本进行分类和测试，根据不同情景下所拍摄的接触网图像样本采用不同种类的数据增强方式，如灰度变换、加噪/减噪、剪切、旋转、镜像翻转等单一或组合方式，形成图像增强样本集；