[发明专利]一种基于深度学习的接触网关键部件识别方法

说明书

本发明公开了一种基于深度学习的接触网关键部件识别方法，包括主要步骤有：(1)目标图像采集；(2)图像数据增强；(3)图像分层识别；(4)关键部件及部件特征识别；所述步骤(3)包括(3a)图像区域识别和(3e)关键部件识别网络模型训练两个步骤。针对接触网图像集的特点，本发明采用了多种数据增强、分层次识别和错误集微调等方法，主要有以下优点：提高对小部件的识别率；减少了计算上的损耗；减少标注量，提高标注效率；提高了网络的泛化能力；显著提高接触网图像网络识别率，建立的模型在不同线路之间可方便转化，当模型应用于新线路时，可以仅进行针对性的微调，节省了大量的设计、标注、训练工作，方便人工、自动检测工作。

技术领域

本发明涉及接触网缺陷检测领域，具体涉及一种基于深度学习的接触网关键部件识别方法。

背景技术

铁路运输事业一直处于不断发展的过程中，近年来，为了满足中国社会高速发展的需要，铁路系统在不断提速，提速的同时所带来的便是越来越重要的安全问题：接触网系统分布广泛、且通常位于露天系统下，由于其工作环境恶劣，支撑悬挂部件易出现各类缺陷，一旦发生一些即使细小的问题，也很容易发生连锁反应，造成严重的安全事故，威胁国民的安全与社会生产的发展。

目前各铁路局主要采用人工查看的方式对“接触网悬挂状态检测监测装置”(4C)采集的海量图像进行分析，人工甄别出线路出那些地方存在安全隐患。由于人的一些因素，再加上接触网图片存在过度曝光、对比度较低等问题，对于海量的离线图片人工很难做到高效率、高可靠性的检测，同时检测的频率也很难得到有效提升。另外，目前采用的传统的自动检测算法往往通过人工设计特征，再将特征送入较为复杂的分类器中进行分类，但是由于图像中各零件尺寸差异大，图片存在过度曝光、对比度较低，图片量大等问题，导致人工提取的特征难度高，识别结果的可靠性低，无法胜任接触网这样复杂的环境。因此，传统的算法存在误检率和漏检率较高的情况，且算法泛化能力较差。

深度学习在图像识别领域得到了飞速的发展，取得了较好的效果，但是现有技术都是只搭建了单层Faster R-CNN网络模型，没有进行分层识别，图像数据增强得到的样本多样性不足，对复杂的接触网关键部件的识别率达不到要求，泛化能力较差，且由于没有配合图像缩放处理，训练识别效率相对较低。

发明内容

针对现有技术的不足，本发明在于提出一种基于深度学习的接触网关键部件识别方法，该方法基于深度学习的方法，利用Caffe框架平台，通过图像数据增强、图像分层识别以及利用错误集来产生训练集等方式，丰富了训练样本集的多样性，增强了算法泛化能力，搭建了双层识别网络模型，解决了由于接触网各部件尺寸差异大造成的识别率低的问题，合理利用图像缩放算法配合训练，减少了训练时间，提高了训练识别效率。

为了达到上述的目的，本发明所采用的技术方案是：

一种基于深度学习的接触网关键部件识别方法，包括以下几个步骤：

(1)目标图像采集：采集目标图像，形成原始图像样本集；

(2)图像数据增强：对原始图像样本集进行测试和探索，根据测试结果，选择合适的灰度变换、剪切、旋转、镜像、加噪声图像处理方法的一种或几种进行数据处理，形成增强后图像样本集，并将增强图像样本集与原始图像样本集进行整合，组成训练集，从训练集中抽取一部分作为验证集与测试集，训练集在训练过程中，可以随着模型对未标注图片识别得到错误集的方式而以较低成本扩充；

(3)图像分层识别：利用训练集进行图像区域识别和关键部件识别的网络模型训练，得到针对不同目标区域的网络模型，用该训练得到的模型对训练集以外的4C图片(未训练图片)进行识别；

(4)关键部件及部件特征识别：先使用网络模型一对目标图片进行识别，并得到不同区域坐标；根据区域坐标得到目标区域；利用与目标区域标号所对应的网络模型二对区域内零部件及零件特征进行检测与识别，从而得到零部件坐标以及零部件长度等特征。