详情

原文传递基于深度学习的接触网吊弦缺陷识别

论文题名：	基于深度学习的接触网吊弦缺陷识别
关键词：	接触网吊弦;缺陷识别;FasterR-CNN;注意力机制;InceptionResNet-V2网络;目标识别
摘要：	随着我国电气化高速铁路的迅速发展，接触网设备的安全与稳定越来越受到人们的关注。接触网设备作为铁路基础设施的重要组成部分之一，它的运转情况直接影响到高速列车的正常运行。接触网吊弦作为接触悬挂中的重要部件之一，安装在承力索和接触线之间，改善接触线的弛度和弹性均匀度，调节接触线与轨面之间的工作高度，提高电力机车受电弓的取流质量。由于长期受到车辆的机械振动，风吹日晒，会使吊弦部件出现异常，这将影响高速铁路的正常运行。因此，对接触网吊弦进行缺陷识别显得尤为重要。目前已将智能算法应用于吊弦的故障检测中，但准确率较低，还需人工复查，费时费力，有一定的局限性。因此本文研究接触网吊弦缺陷检测的智能识别算法，以提高识别的准确率，给接触网的检修提供指导，排除安全隐患。主要研究内容如下：　　首先，本文以4C系统（接触网悬挂状态检测监测装置）采集的接触网吊弦图像为研究对象，对吊弦图像进行预处理。针对图像采集过程中，受光照、高清相机视角、金属元件反光等因素导致的图片质量不佳问题，采用限制对比度的直方图均衡化来增强图像，改善图像的视觉效果；针对图像采集过程中出现的运动模糊现象，用维纳滤波复原运动模糊的图像；接触网吊弦常年处于户外，易受雨雪天气因素的影响，而从现场采集到的此类样本很少，由于椒盐噪声是图像中随机出现的离散分布的纯白色或者黑色像素点，所以添加椒盐噪声来模拟这种环境。由于从现场采集的图像是十分有限的，因此通过旋转、随机亮度变化、随机噪声添加、图像的对称变换来增加样本数量，提升算法训练的质量。　　然后，本文以FasterR-CNN为主要算法对吊弦的几种缺陷状态采用分而治之的方式进行处理。对吊弦断裂和明显松弛的缺陷，用该算法直接检出，对于可能正常的吊弦用该算法先将其从原图中定位出来，再将定位到的吊弦区域从原图中裁剪出来，减少其他背景的干扰，以备对吊弦的零部件做进一步的检测。针对FasterR-CNN对接触网零部件中小目标识别效果较差的问题，提出用特征金字塔(FeaturePyramidNetworks,FPN)和K-means算法对FasterR-CNN进行改进，完成对吊弦线夹和鸡心环的目标识别。用残差网络ResNet101代替原始算法中的VGG16网络，使提取到的特征包含更丰富的信息，接着用特征金字塔网络将不同尺度下的特征进行融合，得到具有丰富语义信息的多尺度特征，随后加入K-means算法对数据进行聚类，用得到的聚类中心替换原始算法中由经验设置的锚框尺寸，以优化锚框的大小和长宽比，最终实现吊弦线夹和鸡心环的定位。通过仿真验证，改进后的算法相比于原始的FasterR-CNN算法，吊弦线夹的定位精度从89.4%提高到94.7%，鸡心环的定位精度从85.6%提高到95.3%，为后续吊弦线夹和鸡心环的缺陷识别奠定了基础。　　最后，将定位到的吊弦线夹裁剪出来，建立数据集，对吊弦线夹螺母的状态进行分类识别。由于注意力机制模仿的是人类的信息处理过程，它将注意力更多的集中于图像中感兴趣的区域而忽略其他部分，所以本文提出将通道注意力机制中的SENet网络(Squeeze-and-ExcitationNetworks,SENet)嵌入到InceptionResNet-V2分类网络中。SENet网络更多的关注特征通道，通过自动学习各个通道的权重信息，增大与目标相关通道的权重系数，弱化无关特征通道的权重系数，使提取的特征图表达能力更强，能对接触网吊弦线夹螺母的缺失、松脱、正常三种状态进行高效准确的自动分类，达到计算机辅助检查的效果。仿真实验结果表明：该方法对吊弦线夹三种状态的分类准确率较高，平均准确率达到了96.61%，为接触网零部件的缺陷检测任务奠定了必要的基础。　　基于上述研究，本文利用4C采集的接触网吊弦图像自制数据集，对本文算法进行验证。通过实际图像的测试，本文算法可以实现对鸡心环的精确定位，对接触网吊弦断裂、明显松弛和吊弦线夹螺母缺失和松脱的缺陷进行有效识别，为接触网的检修提供一定的指导。
作者：	梅小云
专业：	控制理论与控制工程
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