论文部分内容阅读
接触网维护事关铁路运营安全,为了提高铁路运营的可靠性,中国铁路总公司研发了高速铁路供电安全检测监测系统（6C系统）。在6C系统中,已投入运行的接触网悬挂状态检测监测装置（4C装置）通过人工排查和传统的模板匹配方法进行接触网零部件状态检测,难以满足接触网实时检测需求。近年来,基于深度学习的目标识别方法发展迅速。本文采用深度学习框架下的加速区域卷积神经网络（Faster Region Convolutional Neural Networks,Faster R-CNN）算法完成绝缘子的精确快速定位。由于绝缘子故障维护及时,缺陷样本稀缺,采用改进的深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）对绝缘子缺陷样本进行扩充。在绝缘子缺陷检测中,采用改进的深度学习目标检测算法Mask R-CNN（Mask Region with Convolutional Neural Networks）对绝缘子缺陷进行故障识别,实现了绝缘子表面缺陷的多目标检测。首先,分别介绍了YOLO,SSD,R-CNN一系列深度学习目标检测算法,分析总结了各个算法的优劣性,选用Faster R-CNN算法作为本文绝缘子定位的网络结构,选用Mask R-CNN算法作为本文绝缘子缺陷检测的网络结构。其次,根据接触网绝缘子特征相对单一的特点,选用简单高效的VGG16网络提取绝缘子特征,并在Faster R-CNN框架下完成绝缘子定位。通过对比分析当前主流深度学习算法的实验结果,验证了本文定位算法的可行性与有效性。然后,针对接触网绝缘子缺陷样本稀缺的难题,选用深度卷积生成对抗网络对绝缘子缺陷样本进行扩充。结合DCGAN算法用于绝缘子缺陷样本扩充时存在的不足,通过改进生成网络和判别网络解决了模型训练不稳定,梯度消失和无监督条件下生成绝缘子分辨率低的问题。最后,结合绝缘子缺陷的特点,选用具有掩膜功能的Mask R-CNN算法对绝缘子缺陷进行故障识别。本文Mask R-CNN算法采用改进的特征金字塔网络（Feature Pyramid Networks,FPN）,充分利用所有尺度特征信息,提高了绝缘子缺陷检测精度。再进一步利用非极大值软抑制算法（Soft-NMS）替代非极大值抑制算法（NMS）,提高了绝缘子缺陷的检测性能。最后通过对比实验得出结果为:本文算法在Io U阈值为0.5时的m AP值提高了6.2个百分点,在Io U阈值为0.7时的m AP值提高了7.2个百分点,在检测精度上有了大幅提升。实验结果表明,本文基于深度学习的接触网绝缘子表面缺陷图像式检测方法具有一定的可行性和有效性,可以推广到接触网其他零部件,从而提高接触网检测的准确率和效率。