基于神經網絡的接觸懸掛裝置多目標定位算法研究

董建明

（北京市軌道交通運營管理有限公司，北京100000）

1 引言

隨著我國高速鐵路事業的快速發展，為滿足其運營品質需求，對弓網系統的安全運行提出了更高的要求。其中，接觸線通過一些懸掛支撐裝置實現與受電弓接觸，來達到為列車提供電能的目的。接觸網懸掛裝置一旦出現該情況，會影響受流質量，嚴重情況下甚至會造成交通事故。因此，有必要對接觸網的支持與懸掛裝置進行狀態檢測，這對于列車的安全運營具有十分重要的意義[1]。

采用非接觸式檢測技術對接觸網的支持與懸掛裝置進行檢測，首要的環節需要對各子部件進行準確的定位。目前，采用傳統的圖像處理技術對其進行檢測的研究較多，如文獻[2]結合光射特點和模板匹配技術，完成對絕緣子支撐裝置的定位。通過模板匹配實現對于旋轉雙耳的定位，進而來分析耳斷裂故障。文獻[3]將提取的HOG 特征經支持向量機，來判定候選區域是否包含線夾部分。但這些方法主要對某一單一部件進行定位檢測，且定位算法的準確率較低，此外，這些算法步驟冗余，算法的運行效率較低。而隨著深度學習的出現，具有高效率、普適性和可塑性強等特點的方法出現，可有效解決上述不足。

本文介紹了一種基于Faster R-CNN 模型的接觸網懸掛裝置多目標定位方法。首先，分別采用卷積神經網絡完成對于候選框的確定和各部件特征圖譜的獲取，然后，利用Softmax完成各部件識別定位，完成Faster R-CNN 模型的構建。最后將訓練集和測試集輸入Faster R-CNN 模型完成定位模型的訓練和測試。

2 基于Fas t er R-CNN的接觸網支撐與懸掛裝置多目標定位

2.1 Fas t er R-CNN

Ross Girshick 團隊在R-CNN 和Fast R-CNN 的基礎上進行優化提出了Faster R-CNN 算[4]，基于R-CNN，其將候選框映射值CNN 提取特征的特征圖上，進而避免重復計算，同時，采用CNN 替代SVM 來實現分類的作用[5]。并且，Faster R-CNN將候選框提取由區域建議網絡（RPN）完成，RPN 采用卷積核為3×3 的卷積層在特征圖上滑窗操作，來確定候選框的位置。Faster R-CNN 整個計算步驟如圖1 所示。

2.2 定位原理

采用基于Faster R-CNN 模型對接觸網支撐和懸掛部件進行定位。首先，將待檢測圖像輸入CNN 網絡獲得特征圖譜，并輸入至RPN 網絡，將獲取的備選區域連接至ROI 池化層，并將獲取的特征圖譜輸入全連接層。最后采用多任務分類器實現特征分類和邊界框的定位。

圖1 計算步驟

2.3 訓練策略的確定

Faster R-CNN 算法需要訓練兩種不同任務的訓練模型。

交替訓練首先訓練RPN 網絡，然后將訓練好的參數作為Fast R-CNN 的初始參數，并將RPN 的輸出作為Fast R-CNN的輸入，通過不斷迭代來訓練網絡。

不同交替訓練模式，近似聯合訓練模式，將RPN 和Faster R-CNN 融合于一個網絡。由于每次隨機梯度下降迭代時，前向傳播時，RPN 產生的proposal 是固定的，可提前計算，來訓練Faster R-CNN 網絡。

近似聯合訓練模式使用內存較少，會縮短訓練時間，本文采用近似聯合訓練模式來對定位模型進行訓練。

3 實驗和分析

3.1 定位目標

根據接觸網缺陷的故障率和部件的重要度，本文定位了6個部件，分別為承力索支座、定位器支座、套管雙耳、絕緣子、斜/平腕壁底座和線夾。

3.2 樣本來源和預處理

本文采用某鐵路線段4C 高清圖像作為訓練樣本，共計1500 張，同時將3 條線路采集各150 張圖片作為測試樣本。基于此，首先利用LabelImg 軟件對圖像的6 個區域做定位框標注處理。

3.3 結果分析

采用150 張測試集輸入構建的定位模型，測試定位算法的結果，定位效果如圖2 所示。

圖2 定位結果

卷積層和池化層可視為一個特征提取網絡，本文實現主流的VGGNet-16、ResNet-101、MobileNet 3 種特征提取網絡，獲得結果如表1 所示。

表1 不同特征模型下的定位結果

如表1 所示，由于ResNet-101 網絡深度較高，為此，其準確率最高。MobileNet 由于采用了卷積分解思想，在準確率超過VGGNet-16 情況下，真個模型大小僅為ResNet-101 的1/12。綜合考慮運行效率和準確率等因素，本文選取特征網絡為MobileNet。

在特征網絡選取MobileNet 后，將本文算法同應用廣泛的YOLO、SSD 目標檢測算法進行了對比，獲得如表2 所示。

表2 不同檢測算法下的定位結果

從表2 可以看出，本文采用的算法相比YOLO 有大幅度提升，相比SSD 算法，準確率也有略微的提升，體現了本文算法的優越性。

為驗證本文算法的通用性，對京廣線、杭長線、和京九線150 張標注樣本進行了測試，將預測結果和標注結果對比，如表3 所示。

根據表3 所示，杭長線和京廣線具有較好的檢測準確性，而對于吐庫線具有較差的檢測準確性。原因在于杭長線和京廣線地處內陸，吐庫線地處邊疆，由于防風要求不同，杭長線和京廣線采用德式接觸網結構，吐庫線采用日式腕臂結構。由于其結構具有較大差距，造成吐庫線的定位準確性較差。

表3 不同線路下定位結果

整體而言，采用京廣線采集圖像作為訓練集情況下，杭長線具有較好的準確性，相比京廣線定位結果，下降幅度不是很多。說明本文所介紹的定位檢測算法具有良好的普適性。而吐庫線由于采用日式剛腕臂結構，可單獨訓練一個使用日式剛腕臂結構定位識別模型，來實現其準確定位。

4 結論

本文介紹了一種基于Faster R-CNN 模型的接觸網懸掛裝置多目標定位方法。測試結果表明，相比YOLO 和SSD 目標檢測算法，基于Faster R-CNN 模型的目標檢測算法定位精度分別提高了12%和0.7%，具有較好的準確性和運行效率，同時，針對不同線路的采集圖像進行測試，檢測結果表明，不同線路下本文方法均能較好定位六大區域部件，具有較好的通用性。