原文传递
基于深度学习接触网设备缺陷识别的研究
| 论文题名： | 基于深度学习接触网设备缺陷识别的研究 |
| 关键词： | 深度学习;卷积神经网络;高铁接触网设备;缺陷识别;目标检测 |
| 摘要： | 高速铁路接触网供电是一个复杂的系统，包含零部件巨多，种类各不相同，各自起着不同的功能，保证高速动车能够正常的获得动力，任何设备发生故障都会危及高铁的运行安全。目前高铁接触网设备检修方式就是派人上杆进行目视检查，在检修过程中，主要是利用眼睛进行查看设备，检查设备有无缺陷，检修的速度较慢，每年根据设备的检修周期进行检修，设备的缺陷不易及时被发现。为解决上述存在的问题，各个路局都引进6C系统，对接触网设备的运行状态进行监测，4C系统主要检测接触悬挂的状态，图片数据量极大，全部依靠人工分析图片，查找设备存在的缺陷，人员的劳动强度极大，劳动效率也不高。 为了解决作业人员的劳动强度以及提高劳动效率的问题，我们可以考虑利用科技手段来解决。目前，图像处理技术发展迅速，在许多行业许多领域都得到了应用推广，在帮助人类解决一些难题上取得了喜人的成效，所以我想借助卷积神经网络处理接触网设备缺陷上的一些工作，把图像识别技术应用于收集的接触网设备图像，然后识别设备图片中的缺陷，达到检测监测高速铁路接触网设备的状态的目的，实现对设备安全隐患进行排查以及对设备缺陷进行定位。 本文主要研究卷积神经网络缺陷识别所常用的方法，并学习其中常用的模型，然后吸收消化，针对接触网设备方面的缺陷建立新的模型，通过对比分析我们在这个问题上可以考虑以目标检测为基础，在这个框架上，引入轻量级网络来进行提取特征，通过这个网络得到的特征图后，就在网络中添加全局注意力模块，对网络参数进行优化，然后在整个模型中引入起相互增强作用的分类器，同时针对分类器匹配相对应的检测器，最后通过模型训练以及验证，对接触网零部件缺陷识别方法进行检验，效果较好，准确率也很可观，根据检测结果对生产有知道作用，另外方面大大缩减了人力，降低了劳动强度，同时提高了劳动效率，同时保证了接触网设备缺陷能及时发现并及时处理，消除安全隐患，保证高铁运行安全。 |
| 作者： | 杨自华 |
| 专业： | 能源动力 |
| 导师： | 蒋秋华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国铁道科学研究院 |
| 学位年度： | 2022 |
检索历史
应用推荐
