论文部分内容阅读
在高铁越来越普及的现在，实现高铁接触网的实时监测是保障其安全运营的重要手段。吊弦作为接触网悬挂装置的重要组成部件，随着工作时间的加长很容易出现故障而直接影响高铁系统的安全，准确识别其缺陷显得尤为重要。本文结合日趋成熟的深度学习技术，将不同缺陷的吊弦当作不同类，用目标检测的思路实现了对吊弦异常状态的检测。两阶段检测模型在检测吊弦脱落、断裂、形变缺陷中以90.60%的检测精度脱颖而出，验证了深度神经网络在解决吊弦明显缺陷识别问题的优越性。
但是，仅仅靠数据驱动的神经网络模型泛化能力较差，而且过于依赖多且优质的数据集，而收集数据、人工标注的成本十分昂贵。因此，本文针对接触网场景知识进行结构化分析与建模，研究了接触网部件之间存在的几何构型关系、空间拓扑关系和部件自身具备的图像特征，并将其融入神经网络的架构设计中，提出了方向敏感的神经网络(Da-CNN)以同时确定目标的位置和方向角。旋转的矩形框减少了背景冗余，提高了感兴趣区域占比，因此Da-CNN以93.17%的检测精度更好的检测出紧密排列和不完整的目标。进一步的，为了增加检测模型对吊弦尺度变化的适应性而设计了多尺度特征融合的特征提取网络，使得检测性能再次提升了1.66%。
同时，在识别吊弦更加细微的缺陷时，如弯曲、散股，集定位识别于一体的检测模型性能大幅下降，这主要是由于接触网图像的分辨率太大而缺陷太小的关系。为了平衡图像过大导致的资源压力和缺陷过小引起的性能下降，本文提出了由粗到精的检测-分类级联神经网络(DCC-CNNs)，将目标检测问题解耦成吊弦定位和缺陷识别两个子问题，最终检测模型的精度为94.85%，分类模型的识别率为98.34%。为了进一步加强分类网络的特征提取能力，本文设计了跨级注意力模块(CAM)，使得网络能够聚焦于更加具有判别性的区域，识别率因而提升了1.09%。
但是，仅仅靠数据驱动的神经网络模型泛化能力较差，而且过于依赖多且优质的数据集，而收集数据、人工标注的成本十分昂贵。因此，本文针对接触网场景知识进行结构化分析与建模，研究了接触网部件之间存在的几何构型关系、空间拓扑关系和部件自身具备的图像特征，并将其融入神经网络的架构设计中，提出了方向敏感的神经网络(Da-CNN)以同时确定目标的位置和方向角。旋转的矩形框减少了背景冗余，提高了感兴趣区域占比，因此Da-CNN以93.17%的检测精度更好的检测出紧密排列和不完整的目标。进一步的，为了增加检测模型对吊弦尺度变化的适应性而设计了多尺度特征融合的特征提取网络，使得检测性能再次提升了1.66%。
同时，在识别吊弦更加细微的缺陷时，如弯曲、散股，集定位识别于一体的检测模型性能大幅下降，这主要是由于接触网图像的分辨率太大而缺陷太小的关系。为了平衡图像过大导致的资源压力和缺陷过小引起的性能下降，本文提出了由粗到精的检测-分类级联神经网络(DCC-CNNs)，将目标检测问题解耦成吊弦定位和缺陷识别两个子问题，最终检测模型的精度为94.85%，分类模型的识别率为98.34%。为了进一步加强分类网络的特征提取能力，本文设计了跨级注意力模块(CAM)，使得网络能够聚焦于更加具有判别性的区域，识别率因而提升了1.09%。