[发明专利]一种基于Mask Scoring R-CNN网络的受电弓检测方法

说明书

本发明公开了一种基于Mask Scoring R‑CNN网络的受电弓检测方法，包括以下步骤：S1、采集弓网红外受电弓数据并进行数据预处理，将数据划分为训练样本集和测试样本集；S2、搭建受电弓检测网络，利用主干网络提取受电弓多尺度特征图，通过预测头和掩码头获得受电弓的类别信息、位置坐标和粗粒度分割结果，提出一种边缘修复方法对受电弓粗粒度分割结果进行精细化修复；S3、将训练样本集的数据加载至受电弓检测网络中，反复迭代训练，进行参数调整，获得优质受电弓检测模型；S4、加载优质受电弓检测模型，将测试样本集的数据输入模型，评价受电弓检测分割结果。本发明受电弓检测精度更高，鲁棒性更强，且不需要其它价格昂贵的设备作为辅助，可以大大节约检测成本。

技术领域

本发明涉及计算机数字图像处理与模式识别技术领域，尤其涉及一种基于MaskScoring R-CNN网络的受电弓检测方法。

背景技术

随着我国以高铁为代表的电气化铁路的快速发展，对牵引供电系统的安全性提出了更高的要求。受电弓滑板作为电力机车与接触网唯一接触的部件，是整个电力机车供电系统中最重要的取电设备，对电力机车能否安全平稳运行有着直接的影响。然而，在电力机车运行过程中，受电弓滑板不断与接触网接触造成损耗，若损耗严重，受电弓会与接触网供电线上的硬点产生碰撞，致使受电弓摇晃、变形甚至脱落造成机车故障，轻则造成列车晚点，重则引发铁路交通重大事故，引起群众恐慌和财产损失。因此，及时准确地检测和识别受电弓，对保证弓网安全运行和避免安全事故尤为重要。然而，当前对于受电弓检测的研究相对较少，一方面由于相关数据较少，另一方面因为没有优质算法提供技术支持。因此，受电弓检测仍是当前一大技术难题。

目前受电弓检测主要有三种方式：地面在线检测、人工登顶检测和车载设备检测，但这些方法均存在一定的局限性。地面在线检测只能检测受电弓滑板厚度，功能单一，应用范围有限；人工登顶检测只能在列车入库和接触网断电时才能检测，耗费人力和资源，不及时且效率低；车载设备检测要求每台机车都安装车载设备，成本高且不适合大规模推广。近年来，随着监控设备成像技术的提高以及相关算法的推进，深度学习技术在目标检测领域取得卓越的成效。基于深度学习的目标检测算法主要分为两方面，一阶段(one-stage)目标检测和二阶段目标检测(two-stage)。一阶段目标检测主要分为：YOLO和SSD等，这些方法速度较快，精度相对较低；二阶段目标检测主要分为：R-CNN、Fast R-CNN和Faster R-CNN等，这些方法速度较慢，精度相对较高。虽然，这些方法对处理简单、单一的目标而言效果较为明显，但对于受电弓这种复杂背景下目标的检测性能并不突出。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于MaskScoring R-CNN网络的受电弓检测方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于Mask Scoring R-CNN网络的受电弓检测方法，该方法包括以下步骤：

S1、采集弓网红外受电弓数据并进行数据预处理，将数据划分为训练样本集和测试样本集，构建受电弓目标数据库；

S2、搭建受电弓检测网络，利用主干网络提取受电弓多尺度特征图，通过预测头和掩码头获得受电弓的类别信息、位置坐标和粗粒度分割结果，并提出一种边缘修复方法对受电弓粗粒度分割结果进行精细化修复；

S3、将训练样本集的数据加载至受电弓检测网络中，反复迭代训练，并进行参数调整，获得优质受电弓检测模型；

S4、加载优质受电弓检测模型，将测试样本集的数据输入模型，评价受电弓检测分割结果。

进一步地，本发明的所述步骤S1具体包括：

S11、通过红外相机采集弓网红外受电弓数据，并对数据进行解码和场景分类；

S12、对数据进行预处理，并分配训练样本集和测试样本集，构建目标数据库。