[发明专利]一种高铁接触网绝缘子紧固件的异常检测方法

说明书

本发明公开了一种高铁接触网绝缘子紧固件的异常检测方法，通过4C系统采集接触网图像，并对部件进行标注，形成接触网图像数据集，接着基于此数据集训练Faster R‑CNN深度网络模型，再应用本模型识别并定位接触网图像中的部件；对识别出的接触网部件按照方位和是否异常标注为6类，形成接触网部件检测数据集，然后基于此数据集训练图像距离度量深度网络模型；最后应用图像距离度量深度网络模型提取待检测接触网部件的128维特征，构造接触网部件异常检测判别方法进行检测。本发明检测效率高、精度高，为接触网检测的智能化提供了一种有效的解决方案。

技术领域

本发明属于电气化铁路自动检测技术领域，具体涉及一种高铁接触网绝缘子紧固件的异常检测方法。

背景技术

高铁接触网系统是电气化铁路的关键组成部分，接触网的工作状况直接影响到机车的安全运行。接触网常年工作于露天环境，风吹日晒，并且受到受电弓的不断作用，容易发生故障。因此，铁路部门非常重视对接触网各关键部件的异常检测。

现阶段，我国各铁路公司对于接触网部件的异常检测主要以现场巡检和人工浏览接触网图像的方式进行。由于现场巡检工作效率低下，目前主要采用4C检测装置定期采集接触网高分辨率图像，通过人工浏览的方式对接触网部件进行检查，发现接触网部件缺陷。检测人员关注的重点部件包括接触网绝缘子固定件、双套管连接件、套管座、定位环连接件和定位器支座等支持装置紧固件的松动、脱落和变形等异常情况。而人工浏览图像工作量大，眼睛容易疲劳，检测周期长，且受个人情绪和责任心等因素影响。如何利用机器学习与人工智能技术，实现对高铁4C系统获取的接触网图像进行智能化检测，是铁路部门非常重视的一项技术问题。

早期的接触网异常检测的智能化方法主要是基于传统计算机视觉技术，通过人工设计特征进行机器学习建立故障检测模型，对接触网关键部件识别与定位，然后判断其是否发生异常。但是实际操作中，由于高铁4C系统采集到的图像受拍摄位置、天气等因素的影响，各部件在图像中呈现多样性，这种方法容易出现漏检和误判。近年来，随着深度学习技术的飞速发展，运用深度学习技术进行接触网关键部件异常检测成为关注的热点。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种高铁接触网绝缘子紧固件的异常检测方法，利用Faster R-CNN对接触网绝缘子紧固件进行识别与定位，然后通过度量绝缘子紧固件图像之间的相对距离，来判断对应绝缘子紧固件是否出现异常。

本发明采用以下技术方案：

一种高铁接触网绝缘子紧固件的异常检测方法，包括以下步骤：

S1、采集接触网图像数据形成原始图像样本集；

S2、将步骤S1构建的接触网数据集中的图像统一调整至1280*1280像素，构建接触网数据集；

S3、利用步骤S2构建的接触网数据集训练用于接触网绝缘子紧固件识别与定位的Faster R-CNN网络模型，对Faster R-CNN网络模型应用测试集进行测试，保存模型参数；

S4、构建绝缘子紧固件数据集；

S5、构建图像距离度量深度网络，利用步骤S4构建的绝缘子紧固件数据集训练图像距离度量网络模型；

S6、利用步骤S3训练的绝缘子紧固件识别Faster R-CNN网络模型识别并定位绝缘子紧固件位置，得到待检测的绝缘子紧固件图像；然后利用步骤S5获得的图像距离度量深度网络模型对待检测的绝缘子紧固件图像进行异常检测，判定绝缘子紧固件是否出现异常。

具体的，步骤S2中，按照7:3的比例将接触网数据集分成训练集和测试集。

具体的，步骤S3中，Faster R-CNN网络模型使用ResNet50作为基础特征提取网络，学习率设置为0.001，使用随机梯度下降法，设置动量为0.9，权值衰减为0.0001。