[发明专利]一种基于深度多级优化的接触网螺母异常识别方法

说明书

本发明公开了一种基于深度多级优化的接触网螺母异常识别方法，包括如下步骤：获取接触网图像，利用训练得到的残差注意力卷积神经网络权重对其进行检测，获得铁路接触网螺母区域的位置信息；根据螺母区域的位置信息将螺母区域从原图中截取出，输入深度多级自编码网络中得到结果图；将原图与结果图使用最大类间方差法进行二值化处理，使用均方误差方法统计原图与结果图之间的差异程度，判断接触网螺母是否异常。本发明所需人工少，识别速度快，能够有效识别接触网螺母是否异常，大大提高检测效率，保障接触网供电安全。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于深度多级优化的接触网螺母异常识别方法。

背景技术

近年来，中国高铁里程数已经超过2.2万公里，连接了各大城市，方便快捷的为大众提供便捷的运输服务。但是，随着高铁网络的铺设，铁路接触网的分布越来越广，随之而来的各类故障检测也日益繁多，例如铁路接触网螺母异常等。通过对螺母异常的识别，能够快速准确地确定螺母是否缺失，以及缺失的位置，从而能够在确保铁路接触网正常工作的维护中起到重要作用。

通常传统的对铁路接触网螺母异常的检测和识别，都是先通过4C图像采集装置在夜间对接触网进行拍摄，再经过分析室工作人员肉眼看图的方式来判断是否存在螺母异常的情况，并记录其信息，该方法效率较低且漏检或错检现象时有发生。

近年来，有学者尝试利用目标检测的办法去进行铁路接触网的螺母异常的识别，但是相较于普通的目标检测，铁路接触网的螺母异常识别存在如下几个难点：1）图像的拍摄角度各异，螺母区域采集不完整；2）铁路接触网的螺母在整个图像中所占的比例小；3）铁路接触网的螺母在不同的图像中的位置和角度差异大；4）采集的4C图像质量不稳定。因此，普通的目标监测方法不能直接应用于铁路接触网4C图像中的螺母异常识别中。需要针对铁路接触网4C图像的特点，充分研究螺母在图像中的特征，设计铁路接触网的螺母自动识别技术。

通过上述描述，如何准确地找出铁路接触网螺母的位置以及确定是否存在螺母异常，是亟待解决的问题。

发明内容

本发明的目的是克服现有的铁路接触网螺母异常识别的相关问题，以高效精确的方式来解决这一问题。本发明的基于深度多级优化的接触网螺母异常识别方法，充分利用小目标区域鲁棒自动提取的特征学习深度神经网络进行螺母区域自动检测，并采用自动编码器提取螺母异常与否的图像特征，根据由自编码网络自动学习各种特征的权重，有效融合多级特征，得到高精度的铁路接触网螺母异常与否的识别结果，具有良好的应用前景。

为了达到上述目的，本发明采用的技术方案是：

一种基于深度多级优化的接触网螺母异常识别方法，包括如下步骤：

步骤（A），获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息；

步骤（B），根据螺母区域的位置信息将螺母区域从原图中截取出，作为输入值输入训练好的自编码网络中，经过自编码网络处理后得到结果图；

步骤（C），根据最大类间方差法将自编码网络处理后的结果图与未经处理的原图进行二值化，然后统计结果图与原图之间的差异程度，来判断螺母是否缺失。

优选步骤（A），获取接触网图像，利用训练得到的残差注意力卷积神经网络对其进行检测，获得铁路接触网螺母区域的位置信息，包括如下步骤：

（A1），在训练样本图片中人工框选出螺母所在的区域，获取训练样本图片中螺母所在的目标区域的位置信息作为标签保存；

（A2），将训练样本缩放为设定像素大小的训练样本矩阵，并与对应的位置信息的标签一同作为输入，训练残差注意力卷积神经网络，获得对应神经网络的参数；