[发明专利]基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法

说明书

本发明公开了一种基于级联Faster R‑CNN的高铁接触网等电位线不良状态检测方法，包括以下步骤：在等电位线定位识别过程中，通过第一级Faster R‑CNN对等电位线所在的定位器支座进行定位；在一级对象定位的基础上利用第二级Faster R‑CNN学习等电位线散股故障特征，实现正常与故障等电位线的分类；通过实验分析了Faster R‑CNN在不同训练样本数量、迭代次数等因素对检测时间及识别效果的影响，通过统计分析，确定了故障判断阈值，作为等电位线是否发生散股故障的判据。本发明减少了其它因素影响，提高等电位线故障检测准确性。

技术领域

本发明涉及高速铁路接触网故障检测领域，尤其涉及一种基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法。

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，等电位线起到防止烧损支持的作用，确保支持与定位零件的短路稳定性。当列车受电弓通过接触网时时，定位器会存在一定抬升，从而使其与定位器支座产生间隙。在间隙产生时，如果等电位线松脱或断裂，定位器支座将承受较大的电气冲击，造成电化学腐烛，严重时导致定位器与支座连接处断裂脱离，影响列车安全。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等电位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

本发明所要解决的技术问题是提供一种基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法，能有效地针对接触网等电位线散股故障进行检测，正确检测率较高，简化了故障检测的难度，并首次为接触网等电位线部件的不良状态检测提出了一种解决方法。

为解决上述技术问题，本发明采用的技术方案是：

一种基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法，包括以下步骤：

步骤1：采用专用综合列检车对高速铁路接触网支撑及悬挂装置进行成像；将上行和下行的高清图像分别存储在两个图像库中；

步骤2：对采集的图像进行筛选，建立关于高铁接触网等电位线的样本库；样本库里包括对检测目标所在位置的坐标记录、及标记目标所属的类别；

步骤3：搭建基于Faster-RCNN算法的深度卷积神经网络，得到基于深度卷积神经网络的第一模型，用于识别等电位线部件；

步骤4：搭建基于Faster-RCNN算法的深度卷积神经网络，得到基于深度卷积神经网络的第二模型，用于在定位到的等电位线部件识别散股故障；

步骤5：将待检测图像输入训练的第一模型，提取接触网支持装置图像中的等电位线零部件；