基于神經(jīng)網(wǎng)絡(luò)的接觸懸掛裝置多目標(biāo)定位算法研究

董建明

（北京市軌道交通運(yùn)營管理有限公司，北京100000）

1 引言

隨著我國高速鐵路事業(yè)的快速發(fā)展，為滿足其運(yùn)營品質(zhì)需求，對弓網(wǎng)系統(tǒng)的安全運(yùn)行提出了更高的要求。其中，接觸線通過一些懸掛支撐裝置實(shí)現(xiàn)與受電弓接觸，來達(dá)到為列車提供電能的目的。接觸網(wǎng)懸掛裝置一旦出現(xiàn)該情況，會(huì)影響受流質(zhì)量，嚴(yán)重情況下甚至?xí)斐山煌ㄊ鹿?。因此，有必要對接觸網(wǎng)的支持與懸掛裝置進(jìn)行狀態(tài)檢測，這對于列車的安全運(yùn)營具有十分重要的意義[1]。

采用非接觸式檢測技術(shù)對接觸網(wǎng)的支持與懸掛裝置進(jìn)行檢測，首要的環(huán)節(jié)需要對各子部件進(jìn)行準(zhǔn)確的定位。目前，采用傳統(tǒng)的圖像處理技術(shù)對其進(jìn)行檢測的研究較多，如文獻(xiàn)[2]結(jié)合光射特點(diǎn)和模板匹配技術(shù)，完成對絕緣子支撐裝置的定位。通過模板匹配實(shí)現(xiàn)對于旋轉(zhuǎn)雙耳的定位，進(jìn)而來分析耳斷裂故障。文獻(xiàn)[3]將提取的HOG 特征經(jīng)支持向量機(jī)，來判定候選區(qū)域是否包含線夾部分。但這些方法主要對某一單一部件進(jìn)行定位檢測，且定位算法的準(zhǔn)確率較低，此外，這些算法步驟冗余，算法的運(yùn)行效率較低。而隨著深度學(xué)習(xí)的出現(xiàn)，具有高效率、普適性和可塑性強(qiáng)等特點(diǎn)的方法出現(xiàn)，可有效解決上述不足。

本文介紹了一種基于Faster R-CNN 模型的接觸網(wǎng)懸掛裝置多目標(biāo)定位方法。首先，分別采用卷積神經(jīng)網(wǎng)絡(luò)完成對于候選框的確定和各部件特征圖譜的獲取，然后，利用Softmax完成各部件識(shí)別定位，完成Faster R-CNN 模型的構(gòu)建。最后將訓(xùn)練集和測試集輸入Faster R-CNN 模型完成定位模型的訓(xùn)練和測試。

2 基于Fas t er R-CNN的接觸網(wǎng)支撐與懸掛裝置多目標(biāo)定位

2.1 Fas t er R-CNN

Ross Girshick 團(tuán)隊(duì)在R-CNN 和Fast R-CNN 的基礎(chǔ)上進(jìn)行優(yōu)化提出了Faster R-CNN 算[4]，基于R-CNN，其將候選框映射值CNN 提取特征的特征圖上，進(jìn)而避免重復(fù)計(jì)算，同時(shí)，采用CNN 替代SVM 來實(shí)現(xiàn)分類的作用[5]。并且，F(xiàn)aster R-CNN將候選框提取由區(qū)域建議網(wǎng)絡(luò)（RPN）完成，RPN 采用卷積核為3×3 的卷積層在特征圖上滑窗操作，來確定候選框的位置。Faster R-CNN 整個(gè)計(jì)算步驟如圖1 所示。

2.2 定位原理

采用基于Faster R-CNN 模型對接觸網(wǎng)支撐和懸掛部件進(jìn)行定位。首先，將待檢測圖像輸入CNN 網(wǎng)絡(luò)獲得特征圖譜，并輸入至RPN 網(wǎng)絡(luò)，將獲取的備選區(qū)域連接至ROI 池化層，并將獲取的特征圖譜輸入全連接層。最后采用多任務(wù)分類器實(shí)現(xiàn)特征分類和邊界框的定位。

圖1 計(jì)算步驟

2.3 訓(xùn)練策略的確定

Faster R-CNN 算法需要訓(xùn)練兩種不同任務(wù)的訓(xùn)練模型。

交替訓(xùn)練首先訓(xùn)練RPN 網(wǎng)絡(luò)，然后將訓(xùn)練好的參數(shù)作為Fast R-CNN 的初始參數(shù)，并將RPN 的輸出作為Fast R-CNN的輸入，通過不斷迭代來訓(xùn)練網(wǎng)絡(luò)。

不同交替訓(xùn)練模式，近似聯(lián)合訓(xùn)練模式，將RPN 和Faster R-CNN 融合于一個(gè)網(wǎng)絡(luò)。由于每次隨機(jī)梯度下降迭代時(shí)，前向傳播時(shí)，RPN 產(chǎn)生的proposal 是固定的，可提前計(jì)算，來訓(xùn)練Faster R-CNN 網(wǎng)絡(luò)。

近似聯(lián)合訓(xùn)練模式使用內(nèi)存較少，會(huì)縮短訓(xùn)練時(shí)間，本文采用近似聯(lián)合訓(xùn)練模式來對定位模型進(jìn)行訓(xùn)練。

3 實(shí)驗(yàn)和分析

3.1 定位目標(biāo)

根據(jù)接觸網(wǎng)缺陷的故障率和部件的重要度，本文定位了6個(gè)部件，分別為承力索支座、定位器支座、套管雙耳、絕緣子、斜/平腕壁底座和線夾。

3.2 樣本來源和預(yù)處理

本文采用某鐵路線段4C 高清圖像作為訓(xùn)練樣本，共計(jì)1500 張，同時(shí)將3 條線路采集各150 張圖片作為測試樣本?；诖?，首先利用LabelImg 軟件對圖像的6 個(gè)區(qū)域做定位框標(biāo)注處理。

3.3 結(jié)果分析

采用150 張測試集輸入構(gòu)建的定位模型，測試定位算法的結(jié)果，定位效果如圖2 所示。

圖2 定位結(jié)果

卷積層和池化層可視為一個(gè)特征提取網(wǎng)絡(luò)，本文實(shí)現(xiàn)主流的VGGNet-16、ResNet-101、MobileNet 3 種特征提取網(wǎng)絡(luò)，獲得結(jié)果如表1 所示。

表1 不同特征模型下的定位結(jié)果

如表1 所示，由于ResNet-101 網(wǎng)絡(luò)深度較高，為此，其準(zhǔn)確率最高。MobileNet 由于采用了卷積分解思想，在準(zhǔn)確率超過VGGNet-16 情況下，真?zhèn)€模型大小僅為ResNet-101 的1/12。綜合考慮運(yùn)行效率和準(zhǔn)確率等因素，本文選取特征網(wǎng)絡(luò)為MobileNet。

在特征網(wǎng)絡(luò)選取MobileNet 后，將本文算法同應(yīng)用廣泛的YOLO、SSD 目標(biāo)檢測算法進(jìn)行了對比，獲得如表2 所示。

表2 不同檢測算法下的定位結(jié)果

從表2 可以看出，本文采用的算法相比YOLO 有大幅度提升，相比SSD 算法，準(zhǔn)確率也有略微的提升，體現(xiàn)了本文算法的優(yōu)越性。

為驗(yàn)證本文算法的通用性，對京廣線、杭長線、和京九線150 張標(biāo)注樣本進(jìn)行了測試，將預(yù)測結(jié)果和標(biāo)注結(jié)果對比，如表3 所示。

根據(jù)表3 所示，杭長線和京廣線具有較好的檢測準(zhǔn)確性，而對于吐庫線具有較差的檢測準(zhǔn)確性。原因在于杭長線和京廣線地處內(nèi)陸，吐庫線地處邊疆，由于防風(fēng)要求不同，杭長線和京廣線采用德式接觸網(wǎng)結(jié)構(gòu)，吐庫線采用日式腕臂結(jié)構(gòu)。由于其結(jié)構(gòu)具有較大差距，造成吐庫線的定位準(zhǔn)確性較差。

表3 不同線路下定位結(jié)果

整體而言，采用京廣線采集圖像作為訓(xùn)練集情況下，杭長線具有較好的準(zhǔn)確性，相比京廣線定位結(jié)果，下降幅度不是很多。說明本文所介紹的定位檢測算法具有良好的普適性。而吐庫線由于采用日式剛腕臂結(jié)構(gòu)，可單獨(dú)訓(xùn)練一個(gè)使用日式剛腕臂結(jié)構(gòu)定位識(shí)別模型，來實(shí)現(xiàn)其準(zhǔn)確定位。

4 結(jié)論

本文介紹了一種基于Faster R-CNN 模型的接觸網(wǎng)懸掛裝置多目標(biāo)定位方法。測試結(jié)果表明，相比YOLO 和SSD 目標(biāo)檢測算法，基于Faster R-CNN 模型的目標(biāo)檢測算法定位精度分別提高了12%和0.7%，具有較好的準(zhǔn)確性和運(yùn)行效率，同時(shí)，針對不同線路的采集圖像進(jìn)行測試，檢測結(jié)果表明，不同線路下本文方法均能較好定位六大區(qū)域部件，具有較好的通用性。