[发明专利]一种基于深度学习的高铁接触网防风拉线故障检测方法

权利要求书

1.一种基于深度学习的高铁接触网防风拉线故障检测方法，其特征在于，包括以下步骤：

步骤A：对高速铁路接触网支撑及悬挂装置进行图像采集；

步骤B：对采集的图像进行筛选，建立关于高铁接触网防风拉线样本库，样本库里包括防风拉线的位置坐标及类别；

步骤C：搭建基于Faster-RCNN算法的深度卷积神经网络，训练网络防风拉线定位检测的模型，实现防风拉线的识别与定位，从高铁接触网全局图像中截取防风拉线零部件；

步骤D：在提取的防风拉线零部件中，标注防风拉线故障类型：缺失、断裂、松脱；

步骤E：通过仿射变换进行图像配准，以消除或减小目标的位置关系及噪声引起的畸变，通过图像形态学运算和防风拉线曲率判断实现高铁接触网防风拉线的故障检测。

2.根据权利要求1所述的基于深度学习的高铁接触网防风拉线故障检测方法，其特征在于，所述实现防风拉线的识别与定位的具体步骤包括：

Step 1：将采集到的接触网支撑悬挂装置图像输入所述深度卷积神经网络中，采用5个可共享的卷积层提取特征；

Step 2：在conv1的图片周围补充像素，所得的卷积图像大小为：

s＝(a-b+pad)/c+1

其中，s为卷积得到图像大小，a为卷积层中输入图片尺寸，b为卷积滤波器大小，pad为填充的像素，c为步长；

Step3：对卷积得到的结果进行下采样以降低网络参数选择复杂度；

Step 4：对conv2、conv3、conv4和conv5做Step 2和Step3的操作，前一层的输出作为下一层的输入；

Step 5：最后取conv5的输出的特征向量输入到区域建议网络搭建候选区域网络，第五个共享的卷积层输出的卷积特征映射上滑动小网络，每个滑动窗口有三种尺度和长宽比，产生9个anchor，映射到一个低维向量上；

Step 6：采用候选区域网络的输出层作为ROI生成网络的输入，将输入的候选区域特征图统一下采样的特征图再传入全连接层；

Step 7：CNN分类识别：将得到的ROI输入CNN分类网络，经过两个全连接层，即分类层和回归层，分别用于分类和边框回归；通过丢弃部分网络参数的方法消除过拟合，输出目标包围框的坐标和大小和目标类别。