基于深度学习的接触网腕臂支撑装置细小零部件缺失检测方案研究与实现

• 作 者: 王立有
• 出 处: 西南交通大学
• 发表日期: 2020年03期
• 关键词: 斜支撑套筒螺钉 Faster R-CNN beta 高速铁路 卡尔曼滤波 神经网络

近年来,高速铁路在中国快速发展,已经成为最重要的交通手段,这对高速铁路的安全性能提出了更高的要求。接触网是当前高速铁路的唯一供电网络,因此接触网腕臂支撑装置的零部件检测对高速铁路安全运行具有重要意义。接触网腕臂支撑装置零部件中有许多细小零部件,如斜支撑套筒螺钉、销钉等,由于其尺寸小,传统计算机视觉方法定位效果差,目前依然需要人工辅助定位。因此,使用计算机视觉技术定位像斜支撑套筒螺钉这样的细小零部件具有重要意义。首先,本文以接触网腕臂支撑装置斜支撑套筒螺钉为细小零部件代表,简要介绍检触网悬挂状态检测监测装置以及常见的接触网腕臂支撑装置零部件的样子和名称。其次,根据接触网4C装置拍摄的国内某条线路的夜间图片,制作接触网零部件数据集—Catenary-5000。基于Catenary-5000,使用Faster R-CNN方法,探索Anchor大小、图片尺寸,网络结构三个因素对定位结果的影响。然后,本文得出三种影响斜支撑套筒螺钉定位精度的因素并从数学角度解释斜支撑套筒螺钉在Catenary-5000上定位精度低。基于其中一个因素,在Faster R-CNN算法基础上,本文提出Faster R-CNN beta算法,引入Proposal maps和Feature maps概念。在最佳Anchor尺度配置下,Faster R-CNN beta使用高分辨率Feature maps用于判别物体种类,使用低分辨率Proposal maps生成区域候选框。实验结果表明以VGG-16和Res-101为骨架的Faster R-CNN beta提高螺钉定位精度约8个百分点。接着,获得Faster R-CNN beta定位结果后,利用斜支撑套筒与斜支撑套筒螺钉之间相对位置固定这一关系,使用卡尔曼滤波修正斜支撑套筒螺钉的长和宽与斜支撑套筒的长和宽的比例,根据这一比例以及预测的斜支撑套筒的位置估计出斜支撑套筒螺钉的位置,将该位置作为最终的定位结果。同时本文还使用神经网络对Faster R-CNN beta算法的定位结果做进一步回归修正,使回归结果更加接近真实边框的位置。实验结果表明这两种修正方法均可以略微提高斜支撑套筒螺钉的定位精度。最后,利用上述改进的定位算法制作了一个简易斜支撑套筒螺钉缺失检测软件,利用该软件可以获得斜支撑套筒螺钉缺失检测报告,辅助巡检人员检测。