详情

原文传递高速铁路供电安全检测监测系统图像智能识别方法研究

论文题名：	高速铁路供电安全检测监测系统图像智能识别方法研究
关键词：	高速铁路;供电安全检测系统;图像智能识别;目标检测;迁移学习
摘要：	高速铁路的发展对我国综合运输系统的构建带来了巨大的推动作用并且极大地改变了人们的出行方式。接触网供电是我国高速铁路普遍采用的供电方式，由于接触网工作环境恶劣且无备用线路，一旦发生故障就会直接影响车辆的正常运营。随着供电安全检测监测系统（6C系统）在各个路局的广泛应用，为接触网零部件状态监测、开展接触网状态维修提供了数据支撑。但是现有的检测系统存在检测效率低、图像理解能力差等问题。因此，充分利用6C系统数据开展智能化检测监测任务，对高速铁路的运营和维护具有重要意义。　　随着近年来深度学习技术的快速发展，中国铁路的发展也从数字化向智能化转变。将深度学习与6C系统图像场景结合，可以实现基于图像的接触网零部件检测、状态识别、故障判断等功能。本文重点研究6C系统图像智能识别方法及应用，主要研究如下：　　（1）基于2C装置的接触网鸟巢智能识别方法。针对铁路接触网鸟巢检测效率低的问题，提出一种改进SSD鸟巢检测算法。利用深层特征与浅层特征相融合的方法提高小目标检测能力，加入通道注意力模块提高模型泛化能力，并使网络在复杂背景下进一步提升小目标的检测能力，利用深度可分离卷积降低网络参数使模型轻量化。通过实际铁路场景数据集测试，改进的SSD算法的准确率提高了1.19%，在鸟巢检测任务中获得了较高的性能表现。　　（2）基于5C装置的受电弓定位与滑板结构异常智能识别方法。根据受电弓在线检测需求改进YOLOv4算法。利用ShuffleNetv2主干网络替换CSPDarkNet53网络提升网络的运行速度，选用LeakyRelu激活函数代替Mish函数进一步节约时间开销和计算开销，使用NAS-FPN代替原有的路径搜索模块PANet提高特征融合的效率。在受电弓结构异常检测任务中，利用图像处理方法，通过滤波去噪、轮廓提取、滑板精细提取等方法对受电弓滑板异常进行判断。通过现场数据集的试验结果表明，改进的YOLOv4算法能够较好满足受电弓实时定位的要求进而实现受电弓滑板结构异常检测。　　（3）基于卷积神经网络的受电弓滑板缺陷智能识别方法。基于铁路受电弓图像数据，利用YOLOv5卷积神经网络建立受电弓滑板缺陷识别模型。针对受电弓滑板区域缺陷多样性的特征，选用高标注质量的样本对YOLOv5神经网络进行训练。针对受电弓图像采集场景的多变性，将cosFormer引入YOLOv5卷积神经网络的优化中，利用优化后的神经网络模型识别受电弓滑板缺陷。通过实际铁路受电弓图像数据集测试，试验表明改进后的YOLOv5方法对比其他方法取得了最好的检测结果。　　（4）基于4C装置的腕臂支撑开口销缺失智能识别方法。针对接触网悬挂状态检测监测图像中开口销状态难以检测的问题，结合接触网缺陷检测需求，提出级联YOLOv5-SVM用以检测腕臂支撑开口销缺失问题。首先设计了特征提取模块、特征融合模块以及分类预测模块组成的开口销检测模型，其次利用SVM分类器对开口销运行状态做出精细识别。通过现场数据的试验表明本文方法的准确率能够达到96.30%，能够满足实际工程需要。
作者：	王科理
专业：	载运工具运用工程
导师：	陆阳
授予学位：	博士
授予学位单位：	中国铁道科学研究院
学位年度：	2023