[发明专利]一种基于深度学习的高铁受电弓运行监测方法

说明书

本发明公开了一种基于深度学习的高铁受电弓运行监测方法，将受电弓检测专业人员的业务技能和深度学习相结合，专业的技术人员通过对样本图片按照具体的类别进行标注，在利用深度学习对专业人员标注完成的图像进行自动特征提取及分类训练，通过高铁受电弓检测网络的学习率采用余弦退火方式进行更新，同时采用了改进的Focal Loss损失函数处理不同类别之间存在数据样本不平衡的问题，用标注完好的数据集来训练模型，通过反向传播机制，调整模型的参数值，得到高铁受电弓检测模型，最终利用训练好的模型来实现对高铁受电弓运行监测。

技术领域

本发明涉及铁路运输安全技术领域，特别涉及一种基于深度学习的高铁受电弓运行监测方法。

背景技术

在铁路运输进行高速智能化的时代，高铁、地铁等电气化机车在我国交通系统中起到了重要作用。目前，高铁以平均300km/h的速度稳定运行，都要通过受电弓装置获取动力。高速铁路牵引供电安全检测监测系统(6C系统)的一部分，高铁受电弓会受到外力撞击而断裂，造成受电弓结构损坏，会因为电弧打火而脱离高压线而使高铁失去动力，会因为受电弓悬挂异物而存在运行隐患。因此，为保证行车安全，对受电弓运行状态的快速监测具有十分重要的意义。通过检测的方法，对处于运行状态中的受电弓进行监测，而一旦受电弓发生结构损坏、火花频繁、悬挂异物等异常情况时，此时检测程序会及时报警，让驻车机师第一时间知道受电弓出现故障。

目前受电弓检测技术主要有接触式和非接触式的检测方式。传统的受电弓检测大都是基于人工登车或利用综合检测车进行检测，这类接触式检测方法极大地提高了检测精度。但主要的缺点是人工检测或利用综合检测车进行接触式检测需要占用线路，干扰正常行车；近年来，非接触式图像检测以其行车干扰小、通用性好、便于安装使用等优点成为受电弓检测领域中的研究热点。当前在基于图像的受电弓状态检测和预警方面，常用边缘检测结合经验阈值的判断方法。由于受电弓在线监测系统运行环境复杂，多处于户外，采集的图像图片质量受光线、环境、天气等条件影响很大。相同的受电弓在不同时刻获取的图片光线、阴影、色相和背景物都不一样。受电弓检测算法就是从复杂多变的图片中把受电弓实体完整地提取出来，并监测到结构损坏、火花频繁、悬挂异物等异常情况，保证图像分析的结果和整个系统的精度、稳定性不受环境变化的影响。在实际运用中，图像目标和背景之间并不具备截然不同的灰度，随着自然光照射角度的不同，目标和背景的亮度均要发生变化。当前的边缘检测结合经验阈值的监测方法难以实现对长持续时间实时监测和安全报警。现有方法在受电弓的运行状态监控应用中存在较大的安全隐患。因此，如何解决上述问题，是本领域技术人员需要研究的内容。

发明内容

本发明的主要目的在于克服现有技术的不足，本发明提出了采用深度学习进行高铁受电弓运行状态的监测方法，通过对训练样本进行深度学习获取检测模型来检测高铁受电弓运行状态，实现对高铁受电弓运行状态的自动监测，检测结果稳定，通用性强，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：一种基于深度学习的高铁受电弓运行监测方法，包括以下步骤：

步骤(1)、对获取到了高铁运行离线视频进行抽帧并保存相应的帧图，需要收集结构损坏、火花频繁、悬挂异物等异常情况的图片。然后数据集进行数据标注，构建用于检测算法训练的数据集，并将数据集划分为训练集和验证集；

步骤(2)、对于构建好的高铁受电弓数据集进行预处理，包含数据归一化以及图像数据增强的操作；

步骤(3)、构建基于yolov5的高铁受电弓检测模型，根据分类要求对最后的SoftMax层进行调整，使模型输出每一种标签的概率结果；

步骤(4)、对于高铁受电弓检测网络，学习率采用余弦退火(Cosine annealing)方式进行更新，同时针对不同类别之间存在数据样本不平衡的问题，采用了改进的FocalLoss损失函数；