原文传递
基于深度学习的接触网零部件缺陷检测研究
| 论文题名： | 基于深度学习的接触网零部件缺陷检测研究 |
| 关键词： | 电气化铁路;接触网;缺陷检测;深度学习 |
| 摘要： | 我国电气化铁路里程不断增长，客运与货运量也在逐年增长，这对牵引供电系统设备安全提出了更高的要求。由于接触网没有备用，所以接触网的运维就显得至关重要。运维最主要工作就是对接触网进行检测，及时发现缺陷并消除。近年来，铁路已广泛采用接触网悬挂状态检测监测装置（4C装置）来实行接触网缺陷检测，通过采集接触网图像，然后对图像进行分析形成报告，但4C装置中的图像分析仍没有脱离人工实现智能化，限制了4C装置检测能力的进一步发挥。 本文以接触网图像作为研究对象，探讨使用图像处理算法实现机器视觉，代替人工分析图像工作，从而实现4C装置能够真正集采集图像、分析图像和形成报告于一体。目前，最具发展潜力的图像处理算法就是深度学习，其拥有自动学习参数和泛化性好的特点，因此，本文对使用深度学习实现接触网零部件缺陷检测任务进行了研究。 论文完成工作主要有以下五点：首先是对接触网图像进行预处理，通过限制对比度直方图均衡化实现图像增强，以便提高后续检测任务的准确度；然后是选用深度学习中FasterR-CNN和YOLOv2两种经典算法来实现接触网零部件的定位，为了提升模型特征提取能力，使用ResNet-50替换原有的特征提取网络，经过达成线接触网图像的训练和测试，发现两种算法均可实现目标定位，且能够满足实际使用；再是使用FasterR-CNNResNet-5与YOLOv2ResNet-50模型对零部件缺陷进行定位，发现对绝缘子的缺陷检测效果较差；接下来是针对绝缘子缺陷识别进行研究，由于缺陷样本不足，采用无监督学习中的生成式对抗网络，使用深度编码器对输入图像进行特征提取，再使用残差模块对特征图进行优化，然后使用深度解码器根据特征图进行还原，得到重构图像，通过对比分析重构图像与输入图像，实现缺陷与否的判断，通过定位出的绝缘子样本进行测试，验证了模型对绝缘子缺陷检测的有效性。最后是将网络进行级联，使用接触网图像进行测试，验证了模型检测零部件缺陷的可行性。 实验中除了模型搭建，最重要的就是模型训练，训练结果直接关系到模型的检测结果，本文采用人工标注的方式制作数据集，梯度下降算法采用使用Adma优化器，训练过程中监测验证集验证结果的变化，防止模型过拟合。 |
| 作者： | 王亚男 |
| 专业： | 电气工程 |
| 导师： | 韩通新 |
| 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： | 2023 |
检索历史
应用推荐
