详情

原文传递基于图像处理的接触网管帽与定位线夹螺母缺陷识别

论文题名：	基于图像处理的接触网管帽与定位线夹螺母缺陷识别
关键词：	接触网管帽;接触网定位线夹;缺陷识别;深度学习;图像处理
摘要：	接触网支持、定位装置是组成接触网的重要部分，其正常运行与否直接关系到高速铁路能否正常运行，在铁路安全运营中具有重要意义。管帽、定位线夹是组成接触网支持、定位装置的重要零部件，螺母是定位线夹中的重要部分之一。管帽起着保护支持装置腕臂与定位管绝缘性的作用。定位线夹起着固定接触网接触线的重要作用。由于列车长期处于高速运行的状态，会不可避免地对支持、定位装置产生冲击，从而可能引起支持、定位装置零部件故障，进而导致列车不正常运行。因此，及时发现并排除接触网零部件缺陷尤为重要。目前针对接触网零部件故障主要的检测手段为人工巡线、人工检查4C装置拍摄的高清图片、传统算法进行缺陷识别，这些识别方法不仅准确率无法保证，而且检测时间过长，无法满足实时性，并且传统算法还存在鲁棒性差的缺点。近些年深度学习的方法也出现在了接触网零部件缺陷识别中，深度学习有着速度快、准确率高、鲁棒性好等特点，但是在现有的研究中针对于接触网管帽、定位线夹螺母这类小目标的故障识别较少，研究仍存在困难。本文采用深度学习的方法来定位管帽与定位线夹，并将定位得到的区域中的螺母、管帽进行缺陷识别。　　本文研究内容建立在4C系统拍摄的高清图片上，以管帽、定位线夹螺母图片为研究对象，利用改进FasterR-CNN算法实现管帽、定位线夹螺母的缺陷识别，主要的工作内如下：　　(1)在制作管帽、定位线夹定位样本集的过程中，利用DCGAN生成对抗网络扩充样本，并利用旋转、添加椒盐噪声的方式增加样本多样性；随后用Labelimg标注工具进行管帽、定位线夹标注，训练目标定位模型；将定位到的管帽、定位线夹区域进行裁剪，并用建立定位样本集相同的方法建立缺陷样本集；接着训练缺陷样本识别模型。　　(2)在目标定位模型中，通过K-means聚类算法对FasterR-CNN算法中的anchorboxes的比例以及面积进行改进，并更换原始FasterR-CNN算法中的VGG16特征提取网络，分别用ResNet50、ResNet101、ResNet152替换VGG16特征提取网络。通过比较识别的准确率、召回率、F1值、单张检测时间等指标选择管帽定位最优特征提取网络为ResNet50、定位线夹定位最优特征提取网络为ResNet101。最后将本文改进算法与SSD、YOLOv3的识别效果进行比较，验证了本文改进定位模型的有效性。　　(3)在缺陷识别模型中，提出一种改进的FasterR-CNN算法，将特征金字塔网络FPN层加入以ResNet101为特征提取网络的FasterR-CNN主干网络中，以此来提高特征提取层对目标的特征提取能力，用K-means算法对缺陷样本的标注框比例进行聚类，得出适合本文缺陷识别的anchorboxes比例并替换原始算法RPN层的anchorboxe比例，并增加两种anchorboxes面积，将ROIpooling算法改为ROIAlign算法。对本文改进缺陷识别算法进行仿真实验，仿真实验证明，本文改进算法可以有效、快速的识别出管帽、定位线夹螺母缺陷。随后将本文改进的缺陷识别算法与SSD、YOLOv3算法进行对比，验证了本文算法的有效性。
作者：	陈充
专业：	电力系统及其自动化
导师：	顾桂梅
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2022