[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

说明书

技术领域

本发明涉及高铁接触网支持装置零部件检测技术领域，具体为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。

背景技术

弓网系统是电气化铁路系统中关键的组成部分，承担将牵引网中的电能输送给电力机车的重要工作。由于受电弓与接触网装置之间存在复杂的力学、电气交互影响，在电气化铁道的各种设备故障中，接触网故障所占比例大，严重影响电气化铁路的安全工作。同时接触网故障分布范围广，检测难度大。传统的接触网支撑悬挂装置检测依靠人工检测，这些方式虽然能保证一定准确性，但效率低、工作量大且易受检修人员的主观影响。随着高速铁路的快速发展和运营质量的逐渐提升，接触网系统必须满足动车组“高速度、高密度、高可靠性”的运行要求。先进的检测技术能提高牵引供电系统维修质量和效率，是实现电气化铁路状态检测和状态维修的重要手段，因此有必要研究自动检测方法。为确保高速铁路动车组运营秩序，提高其供电安全性、可靠性，满足高速铁路快速发展和运营品质的需求，原铁道部发布了自2012年实施《高速铁路供电安全检测监测系统(6C系统)总体技术规范》的通知。根据该规范对接触网悬挂状态检测(4C部分)的要求，接触网检测系统应当具有利用高速相机实现高速接触网的腕臂结构与零部件的定位检测和接触网的静态几何参数测量的等基本功能。

今年我国有19台高铁接触网4C检测车投入测试，这标志着我国的4C成像技术已经进入了批量化生产。目前，4C装置现状是，对于4C装置获取的海量图像，依赖人工判图识别故障、缺陷与隐患。这种人工海量判图识别的方式，不可避免会产生视觉疲劳，容易造成漏判。而且从采集获得图像到给出判图识别结果的判识周期长，影响故障的及时维修处理，在此过程中故障可能进一步发展成事故，甚至带来重大损失与不利影响。

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。目前某些单一零部件的检测已经能够实现，但定位与检测的效率与正确率仍有较大提升空间。针对多个零部件的同时定位与检测则存在着一定的难度，尤其是对于腕臂连接件的紧固件等小尺度零部件。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。对于腕臂连接件的紧固件等微小目标，采用级联的卷积神经网络，可以提高检测精确度。

发明内容

针对上述问题，本发明的目的在于提供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，可减少人工识别的巨大工作量，实现现场图像的自动分析，可对多种接触网支持装置腕臂连接件的紧固件进行识别分类，具有较高的识别准确性，技术方案如下：

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，并构件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。

进一步的，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。

更进一步的，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。

更进一步的，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。

更进一步的，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；