详情

原文传递基于两阶段的铁路管帽细粒度检测研究与应用

论文题名：	基于两阶段的铁路管帽细粒度检测研究与应用
关键词：	铁路接触网;管帽细粒度检测;图片预处理;目标识别;图像分割
摘要：	如今中国高速铁路发展迅猛，高铁已经成为中国交通运输的主要方式之一。为了适应铁路运营日益增加的复杂性，铁路总公司提出了建设高速铁路供电安全检测监测系统(6C系统)的总体目标。其中高铁接触网作为沿铁路线架设的为电力机车提供电源的特殊供电装置，高铁接触网悬挂状态检测监测(4C系统)是保障接触网整体安全的关键一环。目前铁路部门通过接触网悬挂状态检测监测系统对包括管帽在内的接触网零部件进行现场的拍照收集并通过人工进行故障筛查，工作量大且检测效率低。管帽作为接触网装置中故障率较高的关键部位，一种智能检测管帽状态的方法对维护铁路接触网的正常工作有着重要的意义。基于以上考量，本文在对国内外相关研究进行总结的基础上，提出了一种两阶段由粗到细的管帽缺陷检测算法，可以细粒度的检测出管帽的三种类别，满足当前高铁接触网管帽检测任务的需求。　　本文提出的检测算法首先通过图像处理技术对现场收集到的图片进行预处理改善图像质量并丰富信息量，之后通过目标检测算法对图片中的目标进行识别，可以分为有管帽和管帽缺失两类。为了对管帽的状态进一步的区分，使用图像分割算法对检测到的管帽区域进行实例分割，根据分割出的结果判断出管帽的状态。　　其中，目标检测模块主要用于解决管帽在现场图片中比例小，特征信息较少，难以提取到足够的特征进行识别的问题。为了使目标检测方法更加适用于管帽的检测，本文提出改进的YOLOv4算法。通过将主干网络替换为MobileNetv3降低运算量的同时也更加充分的提取管帽的特征;通过将模型中SPP模块最大池化修改为平均池化的方式保留更多管帽的特征信息，降低误报和漏报;通过对管帽数据集使用K-means聚类方法重设先验框可以使模型更加适配于管帽检测任务从而提升模型的速度与精度。　　图像分割模块主要用于细粒度区分管帽正常和管帽松脱两类，本文提出改进的SOLOv2算法对管帽区域中的管帽和腕臂进行实例分割，通过对分割结果图中两者相对位置的判定来确定管帽的状态。在改进的SOLOv2模型主干网络使用ResNet50vd-DCN进行特征提取，通过可变形卷积(DCN)提升模型精度;为了改善SOLOv2模型因消除边界框带来的小目标物体难以检测的问题，本文在掩膜特征分支的特征融合的基础上融合多尺度特征信息;另外在训练过程中采用了EMA滑动平均方案，提升模型训练的收敛效果。　　最后为了验证本文提出算法的有效性，本文收集构建出包含有28，246张图片，53，771个目标的管帽数据集。通过大量实验在多种实验指标下进行对比实验验证本文提出的改进YOLOv4和SOLOv2算法相对基准模型的优异性。之后通过消融实验验证本文提出的基于两阶段细粒度检测算法中每个模块的有效性。最终，在本文构建的管帽数据集上，本文提出的管帽检测方法对管帽三种类别的检测准确率均在90％以上，平均准确率达到了98.2％。
作者：	苗纯源
专业：	计算机技术
导师：	甘甜
授予学位：	硕士
授予学位单位：	山东大学
学位年度：	2022