深度學習在接觸網(wǎng)定位器缺陷檢測中的應用

張 毅

（中國鐵路沈陽局集團有限公司 供電處，沈陽 110001）

接觸網(wǎng)是電氣化鐵路上的主要供電裝置，它通過鋼筋混凝土支柱及軟橫跨、硬橫跨等，以一定的懸掛形式將高壓接觸線架設在鐵軌的上方。它的功能是通過與電力機車車頂受電弓之間的滑動接觸將電能傳遞給電力機車（或電力動車組）[1]。正常情況下，接觸線和受電弓之間采用滑動接觸連接，當列車行駛速度過快、道路不平順導致受電弓縱向起伏、強風導致接觸線上下左右舞動、定位裝置異常導致接觸線高度超限等情況下，將導致受電弓取流不均勻、打弓、燃弧、火花放電、拉出值超限等異常現(xiàn)象。因此，有必要在列車運營過程中對接觸網(wǎng)進行各種異常缺陷檢測和識別。

基于圖像處理技術的非接觸式接觸網(wǎng)缺陷檢測系統(tǒng)是建立在圖像處理、模式識別、計算機視覺、機器學習等技術之上的檢測系統(tǒng)[2-3]。這種系統(tǒng)所需的所有信息全部通過相機來獲取，具有檢測方法簡單、檢測設備無磨損、不需要高低電壓隔離、使用壽命長、易于維護、不必對受電弓進行改造、安全系數(shù)大等優(yōu)點。但是，傳統(tǒng)的基于圖像處理技術的方法在接觸網(wǎng)缺陷檢測過程中存在檢測精度低、誤檢率高等缺點。本文采用深度學習技術對接觸網(wǎng)圖像進行定位器缺陷的檢測識別，相比傳統(tǒng)圖像處理方法，可以大幅提高缺陷檢測的準確率[4-5]。

1　接觸網(wǎng)定位器故障分析

接觸網(wǎng)是通過接觸線和定位器直接與受電弓相互作用。定位器、接觸線與受電弓的動靜態(tài)空間位置關系、相互作用力是確保弓網(wǎng)平穩(wěn)受流的關鍵。

（1）定位器安裝完成后，定位系統(tǒng)、接觸網(wǎng)懸掛系統(tǒng)達到力學平衡，接觸導線處于平直狀態(tài)，此時定位器相對于受電弓平面的夾角為安裝坡度。定位器安裝坡度要考慮受電弓外形尺寸、受電弓最大擺動量、動態(tài)最大抬升量等因素的影響。

（2）定位器安裝后處于力平衡狀態(tài)，不可隨意調整，否則定位點會產(chǎn)生人為的抬高或降低，形成硬點。

（3）安裝坡度過小，可能發(fā)生受電弓與定位器碰撞；安裝坡度過大，則要減少拉出值或增加第一吊弦距定位點的距離。

（4）減小拉出值會加速受電弓的不均勻磨耗，增大第一吊弦距定位點的距離會影響弓網(wǎng)受流質量。

因此，接觸網(wǎng)定位器坡度應該保持在一個合理的范圍內，坡度偏大或偏小都會破壞受電弓和接觸線之間的力學平衡，嚴重時甚至會引起弓網(wǎng)事故。

2　深度學習原理

深度學習是通過構建具有很多隱層的機器學習模型和海量的訓練數(shù)據(jù)，從而自動學習更為有用的特征，并完成最終的分類識別功能。

深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，含多個隱層的多層感知器就是一種深度學習結構，如圖1和圖2所示。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學習采用了神經(jīng)網(wǎng)絡相似的分層結構，系統(tǒng)由輸入層、隱層（多層）、輸出層組成的多層網(wǎng)絡，只有相鄰層節(jié)點之間有連接，同層以及跨層之間相互無連接，每一層可以看作是一個邏輯回歸模型；這種分層結構，是比較接近人類大腦結構的[7-8]。

圖1　神經(jīng)網(wǎng)絡模型

圖2　深度學習模型

卷積神經(jīng)網(wǎng)絡是深度學習處理圖像問題的一種典型架構。它模擬生物神經(jīng)網(wǎng)絡通過權值共享網(wǎng)絡結構，降低了網(wǎng)絡模型的復雜性，減少了網(wǎng)絡參數(shù)的數(shù)量,提升了反向傳播算法的訓練性能，特別是卷積網(wǎng)絡在處理多維圖像時的表現(xiàn)更為優(yōu)越。網(wǎng)絡的結構與圖像的拓撲結構相匹配，使得圖像的原始像素點可以直接作為模型的輸入，降低了數(shù)據(jù)的預處理要求，避免了傳統(tǒng)模式識別算法中復雜的特征提取和數(shù)據(jù)重建過程。此外，卷積網(wǎng)絡通過圖像的小部分（局部感受區(qū)域）區(qū)域作為層級結構的最低層的輸入，將信息依次傳輸?shù)讲煌膶樱繉油ㄟ^一個卷積濾波器去獲得輸入數(shù)據(jù)的最顯著特征。因為圖像的局部感受區(qū)域允許神經(jīng)元或者處理單元可以訪問到最基礎的特征，例如定向邊緣或者角點，所以這個方法對平移、比例縮放、傾斜或者其他形式的變形具有高度不變性[9]。

基于區(qū)域的深度卷積網(wǎng)絡是對深度卷積網(wǎng)絡的進一步延伸。深度卷積網(wǎng)絡解決了圖像的分類問題，但無法得到圖像中感興趣目標的位置。基于區(qū)域的深度卷積網(wǎng)絡通過備選區(qū)域生成算法圖像中可能的目標區(qū)域，然后對可能存在的區(qū)域進行目標分類，實現(xiàn)了目標檢測功能。通過目標檢測，可以實現(xiàn)接觸網(wǎng)定位器的快速定位。在包含定位器的局部圖像區(qū)域內，對圖像進行精密分析和比對，可以快速得到可能存在的定位器缺陷[10]。

3　接觸網(wǎng)定位器缺陷檢測系統(tǒng)構成

接觸網(wǎng)定位器缺陷檢測系統(tǒng)可以安裝在接觸網(wǎng)檢測車上，也可以安裝在運營電力機車或動車組上。系統(tǒng)由數(shù)據(jù)采集、數(shù)據(jù)分析、數(shù)據(jù)存儲、報警缺陷傳輸、查詢檢索等模塊構成，如圖3所示。

圖3　定位器缺陷檢測系統(tǒng)結構

（1）數(shù)據(jù)采集：由工業(yè)相機、補光燈、信號觸發(fā)單元、圖像采集卡等構成。其中，工業(yè)相機用于圖像信息采集；補光燈在夜間、隧道等低照度環(huán)境下為接觸線及其電氣連接件提供照明；信號觸發(fā)單元提供觸發(fā)信號給補光燈和工業(yè)相機進行同步觸發(fā)抓拍操作；圖像采集卡接收來自工業(yè)相機的圖像數(shù)據(jù)并進行簡單的去噪、濾波、增強操作，同時還可以將圖像數(shù)據(jù)進行有損壓縮，從而節(jié)約數(shù)據(jù)存儲空間。

（2）數(shù)據(jù)分析：由工控機、圖形處理單元及相關的軟件和算法構成。其中，工控機用于接收圖像數(shù)據(jù)并運行相應的軟件和圖像處理、深度學習算法進行相應的數(shù)據(jù)分析處理操作。圖形處理單元通常指代GPU，它在傳統(tǒng)顯卡的基礎上增加了若干并行計算單元，非常適合深度學習算法的運行計算。

（3）數(shù)據(jù)存儲：將工業(yè)相機采集到的圖像信息、工控機、相機的溫度、網(wǎng)絡通信狀態(tài)等信息進行存儲，方便前端設備狀態(tài)的跟蹤與維護。

（4）報警缺陷傳輸：采用3G、4G等無線通信網(wǎng)絡，將數(shù)據(jù)分析模塊得到的缺陷報警信息傳輸?shù)胶蠖朔掌鳌?/p>

（5）查詢檢索：將車載端檢測生成的報警缺陷存儲至數(shù)據(jù)庫當中，方便后期查詢檢索和管理維護。

4　采用深度學習進行定位器檢測定位

本文提出的深度學習算法主要應用于數(shù)據(jù)分析模塊，具體來說，對數(shù)據(jù)采集模塊得到的圖像數(shù)據(jù)采用深度學習算法進行定位器的檢測定位，進而對其進行坡度計算，從而實現(xiàn)定位器坡度是否超限的判斷。

本文針對定位器的檢測與定位問題，提出了一種基于區(qū)域卷積神經(jīng)網(wǎng)絡的弓網(wǎng)圖像檢測算法。該算法可以高效地檢測定位器在圖像中的精確位置，而且該算法對圖像抖動、噪聲和光照等干擾都具有較好的魯棒性[13]。

4.1　定位器區(qū)域定位

基于深度學習的定位器區(qū)域定位算法流程如圖4所示。

圖4　定位器區(qū)域定位算法流程圖

（1）生成備選區(qū)域，通過選擇搜索算法實現(xiàn)，假設圖像上有n個預分割的區(qū)域，表示為R={R1,R2, ..., Rn}, 計算每個區(qū)域與它相鄰區(qū)域的相似度,這樣會得到一個n ? n的相似度矩陣(同一個區(qū)域之間和一個區(qū)域與不相鄰區(qū)域之間的相似度可設為無窮大)，從矩陣中找出最大相似度值對應的兩個區(qū)域，將這兩個區(qū)域合二為一，這時候圖像上還剩下n–1個區(qū)域；重復以上過程(只需要計算新的區(qū)域與它相鄰區(qū)域的新相似度,其他的不用重復計算)，重復一次，區(qū)域的總數(shù)目就少一個，直到最后所有的區(qū)域都合并稱為同一個區(qū)域，即此過程進行了n–1次,區(qū)域總數(shù)目最后變成了1。

（2）深度特征提取，通過深度卷積神經(jīng)網(wǎng)絡實現(xiàn)。

（3）特征降維，通過空間池化法來實現(xiàn)。假定備選區(qū)域池化層的輸入維數(shù)為H ? W，表示含有H行和W列。那么備選區(qū)域池化層可以表示為一族（r, c,h, w），它包括備選區(qū)域的位置（r, c）和它的長寬（h, w） 。為了得到確定的池化輸出（H′, W′），我們動態(tài)改變池化的步長。對于每一個備選輸出層而言，通常會基于（H′, W′）定義一個池化步長（s1, s2）=（h/H′, w/W′），那么就可以將不同尺度的輸入圖像歸一化到一個相同尺度的池化層輸出（H′, W′）。

（4）定位器檢測定位，采用基于區(qū)域的卷積神經(jīng)網(wǎng)絡通過多任務分類器來實現(xiàn)。與傳統(tǒng)神經(jīng)網(wǎng)絡類似，多任務分類器包含K+1個離散的神經(jīng)元節(jié)點p=(p0,…, pk)， 表示圖像有K+1個類別，其中k=0表示背景，并采用Softmax函數(shù)作為輸出函數(shù)。在目標檢測層中，網(wǎng)絡定義一個針對第k類別的區(qū)域邊界回歸問題tk=(tkx, tky, tkw, tkh)。tk表示第k類目標的備選區(qū)域與真實位置的中心點坐標(tx, ty)，高度tw和寬度th的偏差。多任務損失函數(shù)L定義為：

式中，k*表示目標真實類別； t表示目標檢測層輸出的偏差，t*表示備選區(qū)域的真實偏差，αk表示圖像中屬于第k類目標的個數(shù)。分類損失函數(shù)采用標準的交叉熵損失Lcls(p, k*)=–logpk，pk表示分類輸出層第k個節(jié)點的輸出。

4.2　定位器直線檢測

通過基于深度卷積網(wǎng)絡方法可以獲取包含定位器的局部區(qū)域，在局部區(qū)域內進行定位器輪廓提取可以高效的確定定位器的精確位置。主要方法如圖5所示：（1）對局部區(qū)域圖像進行Canny邊緣提取；（2）對提取的邊緣利用Hough變換進行直線檢測。

Canny邊緣檢測考慮了圖像噪聲的影響，因此是一種很好的邊緣檢測算法。Canny邊緣提取算法，它采用了一階導數(shù)Sobel算子并且力圖在抗噪聲干擾和精確定位之間尋找平衡。

Hough變換是一種常用的直線檢測方法，其基本原理在于利用點與線的對偶性，將原始圖像空間的給定的曲線通過曲線表達形式變?yōu)閰?shù)空間的一個點。將原始圖像中給定曲線的檢測問題轉化為尋找參數(shù)空間中的峰值問題，即把檢測整體特性轉化為檢測局部特性。

圖5　定位器直線擬合

通過定位器區(qū)域定位和定位器直線檢測兩個步驟，我們可以獲取定位器在圖像中的精確位置，從而為將來進一步研究定位器坡度計算、定位器導向拉出值和定位器缺陷檢測等工作打下了基礎。

5　接觸網(wǎng)定位器缺陷診斷

5.1　缺陷診斷方法

定位器一端固定在支座上，另一端用于固定接觸線，使得兩者安裝后達到力平衡狀態(tài)。直線區(qū)間定位器坡度應控制在8°～12°之間，超出該范圍就認為定位器超限，需要進行相應的報警提示。曲線區(qū)間定位器應控制在6°～16°之間，超過該范圍就存在定位線夾碰撞受電弓的風險，需要進行相應的報警提示。

5.2　故障診斷實例分析

這里先給出正常場景和隧道場景下的定位器檢測效果示意圖。從圖6中可以看出，本文提出的定位器檢測算法可以準確地給出定位器的局部區(qū)域并且精確檢測定位器直線。

圖6　典型場景下定位器檢測示意圖

在檢測到定位器局部區(qū)域，并精確檢測到定位器直線的情況下，就可以進行定位器坡度的計算了。圖7、圖8分別給出定位器坡度過大和過小的典型缺陷報警圖片。

（1）圖7所示為車輛通過直線區(qū)間時，定位器坡度為14°，超過規(guī)定的最大12°的限值。

（2）圖8所示為車輪通過硬橫跨時，定位器坡度為4°，超過規(guī)定的最小8°的限值。

6　結束語

本文利用深度學習技術進行接觸網(wǎng)定位器區(qū)域的檢測定位，利用Canny算子和Hough變換進行定位器直線擬合，進而計算得到定位器坡度，在此基礎上做出定位器坡度是否超限的判斷。然而，由于整個系統(tǒng)投入使用時間較短，尚需進一步改進優(yōu)化，使得系統(tǒng)對圖像過曝、欠曝、低照度、模糊等成像條件下的定位器檢測定位精度更高，直線擬合準確性更佳。

圖7　定位器坡度過大

圖8　定位器坡度過小

參考文獻：

[1]羅 健. 高速鐵路接觸網(wǎng)定位器坡度問題的深化研究[J]，鐵道工程學報，2013（1）：76-81.

[2]Nasrabadi N M. A stereo vision technique using curve-segments and relaxation matching[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1992(5): 566-572.

[3]Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International journal of computer vision, 2004,60(2): 91-110.

[4]Felzenszwalb P F, Girshick R B, McAllester D, et al. Object detection with discriminatively trained part-based models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1627-1645.

[5]LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE,1998, 86(11): 2278-2324.

[6]Krizhevsky A, Sutskever I, Hinton G E. Imagenet classi fi cation with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012: 1097-1105.

[7]Sermanet P, Kavukcuoglu K, Chintala S, et al. Pedestrian detection with unsupervised multi-stage feature learning[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2013: 3626-3633.

[8]Gu C, Lim J J, Arbeláez P, et al. Recognition using regions[C]//IEEE Conference on. IEEE on Computer Vision and Pattern Recognition, 2009. CVPR 2009: 1030-1037.

[9]李文輝. 航拍視頻中運動目標的檢測與跟蹤算法研究[D].西安：西安電子科技大學，2014.

[10]王海地. 基于顯著性檢測和分類器訓練的航拍圖像車輛檢測[D].北京：北京交通大學，2015.

[11]Jia Y, Shelhamer E, Donahue J, et al. Caffe: Convolutional architecture for fast feature embedding[C]//Proceedings of the ACM International Conference on Multimedia. ACM, 2014:675-678.