[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

说明书

本发明公开了一种基于深度学习的高铁接触网防风拉线故障检测方法，包括以下步骤：对高速铁路接触网支撑及悬挂装置进行图像采集，建立关于高铁接触网防风拉线样本库；为减少其它因素影响，提高防风拉线故障检测准确性，在防风拉线定位识别过程中，通过Faster R‑CNN对防风拉线进行识别定位；在一级对象定位的基础上利用图像配准及图像形态学运算实现防风拉线不良状态识别，实现正常与故障防风拉线的分类，通过实验统计分析，确定了故障判断阈值，作为防风拉线是否发生松脱故障的判据。本发明减少了人工识别的巨大工作量，实现现场图像的自动分析，具有较高的识别准确性。

技术领域

本发明涉及高速铁路接触网故障检测技术领域，具体为一种基于深度学习的高铁接触网防风拉线故障检测方法。

背景技术

电气化铁路是铁路快速发展的重要标志之一。在铁路发展过程中，重载和高速技术的应用加速了铁路电气化的发展过程。相比于其他系统，弓网系统长期处于露天环境之下，并且机车存在力学和电气等对之间的关系对弓网产生影响，导致接触网和受电弓故障概率相对比其他系统要高，并且不良状态发生比较频繁且复杂。当弓网系统发生故障或存在故障隐患是，将会对人身安全和国家财产造成危害。因此，为了保证机车接受电流的稳定性，其状态监测和故障检测发挥着重要的作用。在电气化铁路的整个运行系统中，接触网悬挂装置很容易发生故障。沿铁路干线架设的接触网为受电弓提供高压的电流，使得电力机车具有足够的动力，接触网性能的好坏将直接影响电力机车受流质量，进一步影响电力机车运行的速度和安全。

在高铁接触网支撑与悬挂装置中，防风拉线用于正线限位定位器处，本零件将定位器与定位管相连，起防风作用。原铁道部颁布的4C系统技术规范，包含对接触网的悬挂部分、腕臂部分的高清晰视频监测，涉及基于数字图像处理技术对接触网支撑及悬挂装置中零部件的故障检测。

高铁接触网支撑及悬挂结构中涉及46种零部件的检测，分为ABC三类，其中A类故障最为严重。零部件在支撑与悬挂结构中分布较为分散，零部件的大小和结构多不相同。摄像机拍摄时，会有一定的光照和角度的影响。深度学习方法应用遍及人工智能各个领域，对于不同环境复杂背景下的检测有着良好的效果。由于现场采集的接触网支撑及悬挂装置图像普遍较复杂，采用图像处理技术对像防风拉线这样微小部件进行故障检测存在较大的难度，目前此方面的研究极少见相关报道。

发明内容

针对上述问题，本发明的目的在于提供一种能够有效减少人工识别的巨大工作量，实现现场图像的自动分析，具有较高的识别准确性的基于深度学习的高铁接触网防风拉线故障检测方法。技术方案如下：

一种基于深度学习的高铁接触网防风拉线故障检测方法，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。

进一步的，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