[发明专利]一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法

权利要求书

1.一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法，其特征在于，包括以下步骤：

步骤A：采集高速铁路接触网支撑及悬挂装置的图像；

步骤B：对采集的图像进行筛选，构建接触网腕臂连接件的样本库；

步骤C：采用基于卷积神经网络结构的Faster R-CNN算法，完成高铁接触网各类腕臂连接件的定位与提取；

步骤D：在提取到的腕臂连接件图像上标记出各类紧固件，并构建各类紧固件的样本库；

步骤E：采用基于卷积神经网络结构的Faster R-CNN算法，完成高铁接触网各类紧固件的定位与提取。

2.根据权利要求1所述的高铁接触网支撑装置腕臂连接件紧固件识别检测方法，其特征在于，所述腕臂连接件的样本库包括上斜撑套筒、下斜撑套筒、旋转双耳和双套管连接器的样本库，样本库中包括各腕臂连接件所在位置的坐标记录，及其所属的类别。

3.根据权利要求1所述的高铁接触网支撑装置腕臂连接件紧固件识别检测方法，其特征在于，所述各类紧固件的样本库包括大螺母、A类螺钉、B类螺钉、螺栓、α销钉和β销钉的样本库。

4.根据权利要求1所述的高铁接触网支撑装置腕臂连接件紧固件识别检测方法，其特征在于，所述步骤C和步骤E中的基于卷积神经网络结构的Faster R-CNN算法的具体过程包括：

步骤1：搭建基于Faster-RCNN算法的深度卷积神经网络，网络采用ZF的模型，共有5个可共享的卷积层，分为三个部分：候选区域网络，ROI生成，CNN分类；

步骤2：将训练样本输入搭建好的Faster-RCNN网络，完成模型的训练。

5.根据权利要求4所述的高铁接触网支撑装置腕臂连接件紧固件识别检测方法，其特征在于，所述步骤1中搭建基于Faster-RCNN算法的深度卷积神经网络的具体过程如下：

步骤11：搭建候选区域网络：将一个图像作为输入，输出矩形目标建议框的集合，每个框有一个目标得分；ZF网络采用全卷积层，为了生成区域候选框，在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，每个滑动窗口产生9个anchor，映射到一个低维向量上；

步骤12：采用候选区域网络的输出层作为ROI生成网络的输入：缩放输入候选区域的尺度得到金字塔，对于每个尺度的每个ROI，求取映射关系，对应在网络第五个卷积层的特征图中裁剪出对应块；随后用一个单层的ROI下采样层，将输入的候选区域特征图统一下采样为6×6的特征图再传入全连接层；

步骤13：CNN分类识别：将得到的ROI输入CNN分类网络，经过两个全连接层和矫正激活层，并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。