基于改進(jìn)YOLO V3的接觸網(wǎng)絕緣子檢測(cè)方法

陳智羽，閔 鋒

武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，湖北 武漢430205

隨著科技的發(fā)展，我國(guó)鐵路里程數(shù)已經(jīng)一躍成為世界第一，高鐵營(yíng)業(yè)里程已達(dá)2.9×104km，超過(guò)世界高鐵總里程的2/3，成為世界上高鐵里程最長(zhǎng)、運(yùn)輸密度最高、成網(wǎng)運(yùn)營(yíng)場(chǎng)景最復(fù)雜的國(guó)家。在這種情況下，鐵路的安全維護(hù)便成為了一個(gè)難題。現(xiàn)階段，我國(guó)對(duì)于鐵路接觸網(wǎng)的維護(hù)和檢修，是依靠接觸網(wǎng)懸掛狀態(tài)檢測(cè)監(jiān)測(cè)裝置（4C）車［1］對(duì)支柱桿進(jìn)行拍攝，然后通過(guò)大量人工對(duì)每張圖像進(jìn)行查看，進(jìn)行故障的排查。4C系統(tǒng)采集的圖像均為高分辨率圖像，需要人工對(duì)圖像進(jìn)行多次縮放操作查看，這樣的檢測(cè)方式受限于技術(shù)人員的個(gè)人經(jīng)驗(yàn)水平、注意力的集中程度等諸多不可控因素，且存在故障篩查時(shí)間長(zhǎng)、漏檢風(fēng)險(xiǎn)高等問(wèn)題。對(duì)于我國(guó)鐵路的里程數(shù)來(lái)說(shuō)，人工的方式是無(wú)法及時(shí)發(fā)現(xiàn)故障，保證鐵路安全的。

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展［2］，各種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)［3-4］和目標(biāo)跟蹤算法［5］被提出。深度卷積神經(jīng)網(wǎng)絡(luò)可以通過(guò)收集大量目標(biāo)物體的圖像樣本，進(jìn)行訓(xùn)練，得到目標(biāo)物體的檢測(cè)模型，所以神經(jīng)網(wǎng)絡(luò)被運(yùn)用在各個(gè)領(lǐng)域中，如：人臉識(shí)別［6］、視網(wǎng)膜血管分割［7］等。而目前廣泛使用的目標(biāo)檢測(cè)算法分為雙步目標(biāo)檢測(cè)算法和單步目標(biāo)檢測(cè)算法兩種。雙步目標(biāo)檢測(cè)算法常用的有：快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（fast region-based convolutional neural networks，F(xiàn)ast R-CNN）［8］，加速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（faster region-based convolutional neural networks，F(xiàn)aster R-CNN）［9］，分割掩模的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（mask region-based convolutional neural networks，Mask R-CNN）［10］等，該類算法是先生成一系列樣本的候選框，再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)在這些候選框中進(jìn)行樣本分類，以此完成對(duì)目標(biāo)的檢測(cè)和識(shí)別。……