基于深度学习的高铁接触网绝缘子图像分析技术研究

• 作 者: 胡立
• 出 处: 浙江大学
• 发表日期: 2020年11期
• 关键词: 接触网 绝缘子 深度学习 卷积神经网络 目标检测 缺陷识别

接触网是铁路电气化中的重要组成部分,其状态关系到铁路的安全运行和可靠性。现今,接触网悬挂状态检测监测装置(4C)被广泛用于接触网状态监测。它利用安装在巡检车上的高清工业相机采集接触网图像,通过分析图像来判断接触网部件的表面状态。人工排查由于成本高、效率低、结果不稳定等原因已经被淘汰,智能图像分析技术成为接触网状态检测的必然需求。近年来,深度学习尤其是卷积神经网络的研究成果斐然,给计算机视觉领域带来了巨大的技术革新,在互联网、安防等领域中创造了巨大的应用价值。而在接触网图像分析领域,现有技术仍然停留在传统图像处理算法和一些直接应用的通用深度学习算法,缺少与场景相适应的深入研究。因此,研究基于深度学习的接触网图像分析技术是一个重要的课题。本论文以接触网上的绝缘子为对象,研究基于深度学习的绝缘子缺陷分析算法。分析绝缘子缺陷前需要从接触网图像中得到绝缘子图像本身,这要求一个结果不含背景的绝缘子检测算法。以此为目标,本论文提出绝缘子精准检测算法InsulatorDet。该算法用MobileNetV3和特征金字塔网络构建网络主体。训练时以局部像素点来进行正负样本建模,根据绝缘子形状特征来定义正样本像素的回归目标,同时设计基于注意力机制的先验区域增强模块作为并行支路来提取图像的重要区域。测试时对各像素的网络输出做非极大值抑制得到带角度的矩形检测框结果。实验结果表明InsulatorDet在准确度和实用性上都胜过其它通用目标检测算法。在绝缘子缺陷分析问题上,本论文从数据和算法两个层面来进行研究。在数据层面,为解决有缺陷绝缘子的训练图像数量不足的问题,本论文提出利用生成对抗网络来进行数据集扩充。在算法层面,本论文提出绝缘子缺陷识别算法DefectNet。该算法以VGG网络为基础,提出了三点改进。第一,设计精细化表达网络,对列状特征进行约束和重组。第二,提出中心三元组损失来监督中间特征,对特征度量空间进行优化。第三,提出利用自监督学习进行局部特征建模,自动学习最能表达图像的局部区域特征。实验结果表明三个改进点都能有效提升缺陷识别的结果。