首页 > 论文范文 > 社会科学论文 > 科技论文 > 自动化论文 > 基于深度学习的轨道交通弓网电弧检测方法

基于深度学习的轨道交通弓网电弧检测方法

2024-09-27 119 上传者：管理员

摘要：轨道交通弓网系统是保证列车平稳运行的关键。弓网电弧会严重影响列车获取电能，对弓网系统造成很大危害。为及时检测电弧的发生，提出了一种基于深度学习的轨道交通弓网电弧检测方法。采用改进的Inception V3网络作为主干网络，以更快、更准地提取电弧特征，选用引导锚框以适应电弧检测中存在的电弧尺寸差异性大的问题。结果表明，基于深度学习方法的轨道交通弓网电弧检测模型的均值平均精度为94.57%，处理速度为0.28 s/幅，远优于其他模型。

关键词：
Inception V3网络
弓网电弧检测
引导锚框
深度学习
轨道交通
加入收藏

在城市轨道交通列车行驶过程中，由于轮轨不平顺、硬点等因素引起的振动可能导致受电弓和接触网离线，离线瞬间易产生受电弓电弧。电弧会加大受电弓滑板和接触线的损耗、烧伤分段绝缘器和电连接线等设备，出现电网稳定性问题甚至引发火灾等严重后果，影响轨道交通运营的安全性和可靠性。常用的检测方法是通过摄像头记录监控弓网系统的运行情况，从监控视频中提取准确有效的电弧信息。这是提高接触网维护效率的重要环节。

随着计算机视觉和图像处理技术的迅猛发展，越来越多学者致力于采用深度学习对弓网电弧进行检测[1]。李斌等[2]提出利用海鸥算法和优化支持向量机的弓网电弧识别方法来识别接触网电弧，但该方法无法区分系统产生的异常值是由模型误差引起的还是由尖锐的火花引起的，且对复杂场景的适用能力有待提高。李斌等[3]同时提出一种电流时间序列编码技术，该方法可在不同条件下准确识别弓网电弧避免视频图像背景变化的问题，但这种编码转换技术存在丢失重要时序系列问题。

本文提出了一种基于深度学习的弓网电弧检测与识别的新方法，以改进的Inception V3网络为主干网络，对电弧图像进行特征提取，以提高模型的检测精度。针对电弧尺度变化的不确定性，采用引导锚框以减少冗余锚框，提高检测速度。为降低不良样本的影响，采用限制对比度的自适应直方图均衡化（CLAHE）对图像进行预处理操作，从而实现对电弧快速且精确的检测。

1、方法描述

1.1电弧数据集

建立电弧数据集的全过程如下：首先逐帧提取电弧视频中的图像，然后对所得图像进行灰度化处理，最后采用CLAHE进行图像预处理。电弧数据集建立过程见图1。

图1 电弧数据集建立过程

为减少不良样本对电弧识别的影响，更好地突出电弧图像的纹理细节，增强图像的对比度，对灰度化后的图像进行CLAHE处理，在图像的局部区域内进行直方图均衡化，以保留图像内的局部细节信息。具体实施步骤如下：

1）将原始图像分成多个子图像，每个子图像大小为N×N。

2）计算每个子图像的直方图，然后对其进行均衡化处理，得到映射函数。

3）将每个子图像的映射函数与其对应的像素值进行变换。

4）为避免像素值之间的不连续变化，进行插值处理，以保持整个图像对比度的连续性。

1.2整体网络结构

以电弧数据集的图像作为输入图像，采用改进的Inception V3网络作为模型的主干网络，对输入图像进行特征提取获得特征图，并将该特征图应用于后续的网络。网络利用这些特征图生成候选区域，将候选区域统一为相同的大小，全部输入到全连接层中进行目标识别和定位，并利用归一化指数函数Softmax进行具体类别的分类，以完成回归操作获得物体的精确位置。

1)Inception V3网络的改进。Inception V3采用多尺度并行的思路，采用多个并行的卷积层和池化层，使网络在不同尺度上进行特征提取，以更好地捕捉不同大小的图像结构和细节。同时，通过使用大量1×1的卷积核，达到降维的目的，降低网络计算量。由于列车运行范围广，电弧图像采集场景复杂，当图像中出现云、太阳、月亮等类似电弧边缘、纹理、颜色的物体时，模型易产生错误的判断，因此对Inception V3网络进行改进。具体改进内容如下：

(1）在输入端，用1个3×3卷积核替换了第2个Max Pool，以防止特征被过度压缩而导致照片分辨率过低。

(2）在Inception-module模块内采用35×35、17×17、8×8这3种不同大小的区域网格来优化模型，在保证模型训练精度的同时提高模型的训练速度。

(3）将原始的复杂模块部分替换成一个简化的模块。适当减少冗余的网络层数，提高模型的训练速度，同时增强电弧识别的时效性。替换模块见图2。

(4）用均匀池化（Avg Pool）代替部分最大池化（Max Pool），增强模型对背景信息的敏感度，提高模型对电弧的识别度，从而减少其他光源对电弧的干扰，降低误判率。

图2 替换模块

2）融合引导锚框的锚框生成算法。与常规的检测目标相比，电弧的横纵比更不固定。电弧的形状是不规则的、任意的，且可能存在电弧相互交错和重叠的情况。为适应尺寸差异较大的锚框并增强算法的鲁棒性，采用引导锚框的方法来提升模型的准确率。

引导锚框是一种可以根据电弧特征自动做出调整的锚框，可以提高电弧检测精度和效率。改进后的网络将会生成一个预测图，预测图中每个点只生成一个锚框，代表对应特征图上的点存在电弧的概率。改进后的网络坐标定位分支将对特征图使用一个1×1的卷积核，然后在每个像素上使用sigmoid函数得到电弧的概率值。网络中的形状预测分支输出宽度和高度的导数dω和dh，根据映射式的非线性变换映射到宽度和高度（ω,h），并将偏移量输出到回归分支，利用此方法回归得到锚框的坐标和形状。映射式为：

式中：ω——宽度（px);

2、实验与分析

2.1数据集的预处理

本文所使用的电弧数据涵盖多种运行环境，包括不同的复杂背景和各种干扰。对原始图像采用旋转变换和翻转变换以扩大数据集，最终收集到9 263张电弧图像。在整个数据集中，选择80%的样本作为训练集和验证集，剩下的20%作为测试集。在网络训练中，模型迭代轮数为400次。用随机梯度下降作为模型参数优化器，初始学习率为0.002 0，动量因子为0.9，权重衰减系数为0.000 5，经验比例因子为8。

2.2对比实验

为验证改进的Inception V3网络、引导锚框和CLAHE是否使模型的性能得到优化，将本文所提模型与以下模型进行对比实验。实验方法见表1。

表1 实验方法

实验结果表明，本文所提出的方法具有最好的性能，其精确率、召回率、准确率分别达到了93.3%、95.7%和97.1%。将本文模型和模型一进行对比，采用引导锚框后模型的准确率提高了5.3%；相比于模型二，本文模型的准确率高出了4.7%；相比于模型三、模型四、模型五，本文模型的准确率高出7.4%。

2.3模型检测

为验证本文提出的基于深度学习的弓网电弧检测方法的可靠性和有效性，将本文提出的方法分别与传统的Faster R-CNN(Faster Regionbased Convolutional Neural Network）、Mask R-CNN(Mask Region-based Convolutional Neural Network）、Refine Det(Single-Shot Refinement Neural Network for Object Detection）和YOLO V3(You Only Look Once Version 3）在测试集上进行训练比较，选择检测的平均精度和运行时间作为评价指标。网络性能对比见表2。

表2 网络性能对比

如表2所示，本文所提方法与其他方法相比，拥有最高的平均精度（94.57%），比Faster R-CNN、Mask R-CNN、Refine Det和YOLO V3的均值平均精度分别高出9.59%、8.05%、2.90%和4.04%，表明本文所提方法具有良好的精度；本文所提方法处理速度为0.28 s/幅，相比于Faster R-CNN、Mask R-CNN、Refine Det和YOLO V3分别提高了0.25 s/幅、0.19 s/幅、0.11 s/幅和0.06 s/幅，表明本文所提方法能更快地识别与检测出弓网电弧现象，提升了识别速度。

3、结语

本文提出了一种基于改进的深度学习的轨道交通弓网电弧检测方法。采用改进的Inception V3网络作为模型的主干网络，采用引导锚框以解决识别电弧时锚框尺寸差异大的问题，引入CLAHE以减少不良样本对模型检测的影响，从而建立电弧模型，对轨道交通弓网电弧进行检测。实验结果表明，本文提出的基于深度学习的检测方法在轨道交通弓网电弧检测中优于其他方法，具有通用性好、复杂度低、准确率高等特点，进一步促进了弓网电弧检测技术的发展。

参考文献:

[1]韩彦青,王超.基于图像识别的受电弓与接触网运行状况检测系统方案研究[J].人民交通,2021(23):30-34.

[2]李斌,娄璟,杜典松.基于SOA-SVM的弓网电弧识别方法[J].电子测量与仪器学报,2022,36(10):83-91.

[3]李斌,阎君宇.基于GAF-CNN的弓网电弧识别方法研究[J].电子测量与仪器学报,2022,36(1):188-195.

文章来源:郭德龙,晏月,刘虎.基于深度学习的轨道交通弓网电弧检测方法[J].隧道与轨道交通,2024,(03):38-40+75.