基于Mask R-CNN實現高速列車受電弓關鍵部件精準檢測

郭宇航 牛剛

摘要：針對當前受電弓目標檢測方法中對象檢測器的輸出是在圖像或視頻幀中檢測到的對象周圍的邊界框陣列，無法得到關于邊界框內關鍵部件形狀的任何線索。本文基于Mask R-CNN提出了一種檢測高鐵受電弓關鍵部件的方法，該方法首先利用在高鐵受電弓前的攝像頭捕捉到的10000余張圖片作為訓練樣本，并利用這些訓練樣本對自定義的Mask R-CNN算法進行離線訓練、生成預訓練好的模型，然后遷移到高鐵車頂單目攝像機系統，在高鐵運行過程中對攝像頭的監控圖像不僅可檢測出目標對象，還可獲得包含該對象的二進制掩碼，能夠對高鐵受電弓關鍵部件結構異常等情況進行及時檢測。

關鍵詞：目標檢測;目標分割;受電弓;精檢測

中圖分類號：TP391.41;U284.48?? 文獻標識碼：A?? 文章編號：1672-9129（2020）11-0041-01

在高速列車行駛過程中，對包括受電弓在內的牽引供電系統及列車自身關鍵部件及設備進行在線監測這一問題，鐵道部運輸局供電部、西南交通大學及中國鐵道科學研究院在2012年共同編制了《高速鐵路供電安全檢測監測系統（6C系統）總體技術規范》[1]，以完成對高速鐵路牽引供電系統進行全方位、全覆蓋的綜合檢測監測的目的。6C系統中的受電弓滑板監測裝置（C5裝置），主要功能就是采用視頻圖像監測動車組受電弓及滑板的技術狀態。近年來，深度學習領域取得突破性進展，將機器學習、深度學習結合圖像傳統處理手段應用于高速鐵路受電弓檢測是未來的趨勢。

現有的目標檢測框架，Faster R-CNN、YOLO以及SSD等，可應用于受電弓位置的粗檢測，可應用于受電弓位置的粗檢測。其中Faster R-CNN得益于其“區域建議網絡”的結構，在高精度定位方面遠勝于其他兩種網絡。因此，何凱明等人在Faster R-CNN目標檢測框架的基礎上，提出了目前精度最高的目標分割算法：Mask R-CNN。本論文采用Mask R-CNN系列算法作為基礎檢測算法，并對檢測網絡進行改進使其進一步提速。在保證檢測速度的前提下最大限度的提升檢測精度，可應用到現有的高鐵受電弓單目攝像機系統。

1 Mask R-CNN

1.1特征金字塔網絡。Mask R-CNN采用特征金字塔網絡作為其特征提取網絡。特征金字塔網絡是由Tsung-Yin Lin等人在 2016年時提出。其同時利用低層特征的高分辨率信息與高層特征的高語義信息，使特征能更好的適應不同尺度下的任務。該網絡準確度高，適用于對于準確度要求較高的目標分割算法框架。

1.2網絡結構設計。Mask R-CNN的基本結構是在Faster R-CNN算法基礎之上的擴展：應用了FPN的思想，將ResNet提取的特征圖同樣應用到RPN網絡中，這樣避免了把小目標特征過濾的情況。同時使用感興趣區域對齊的思想代替傳統的感興趣區域池化方法，使得回歸框能夠以小數方式移動。為實現像素級別的檢測分類，其并行地在定位框預測的分支上添加一個用于預測目標掩模的分支，經過全卷積神經網絡，把目標框內的像素逐一分類。

1.3區域建議網絡的調整。考慮到模型僅用于受電弓關鍵部件的檢測，受電弓寬高比數值較大，區域建議網絡中錨框的寬高比應該更接近受電弓的寬高比6：1。基于攝像頭位置固定，受電弓形狀不會變化的特點，使用寬高比為{4：1，5：1，6：1}的錨框來逐步滑動掃描整個圖像，在保證檢測功能的同時，減少預測層計算量，提高檢測速度。

2 受電弓關鍵部件檢測方法描述

本文中所提出的遷移學習及Mask R-CNN算法的受電弓關鍵部件檢測方法包括在線檢測和離線訓練兩大環節。接下來，分別對在線和離線系統中所采用的相關方法進行詳細介紹。

2.1受電弓樣本離線提取、標注和訓練。本文方法從高鐵受電弓監控視頻中提取受電弓圖片10000張。每張圖片包含1個完整的受電弓目標。在 10000 中隨機選取 8000 張圖片作為訓練集，其余2000張為測試集。然后通過手動對樣本圖片進行標注，標注時框出受電弓碳滑板所在位置，并最終制作成訓練集。最后基于Tensorflow深度學習框架對訓練集進行訓練。

2.2受電弓關鍵部件區域在線檢測。由于Tensorflow框架不適合部署在小型邊緣計算設備，而且目前高鐵車頂單目攝像機系統的處理器多為CPU，無法使用GPU加速檢測過程。本文采用遷移學習的方法，把離線訓練好的Tensorflow模型存儲在攝像機系統中。在線檢測時，通過Opencv Dnn模塊只需在啟動程序時加載一次模型，檢測過程即執行前向傳播過程，輸出結果為邊界框與掩模的坐標和置信度。

2.3受電弓關鍵部件結構異常檢測。在Mask R-CNN算法提取到碳滑板位置信息后，可進一步使用圖像處理方法做檢測分析。通過對碳滑板ROI區域進行灰度化、Canny邊緣檢測、Hough直線檢測檢測，可得到碳滑板的傾角。通過對碳滑板掩模面積與無損耗的掩模面積進行對比，可判斷碳滑板磨損程度。若碳滑板異常如斷裂、降落等情況發生時，系統會因檢測不到正常碳滑板而產生警告。

3 結論

本文提出了一種采用Mask R-CNN算法來實現對高鐵受電弓碳滑板在線檢測的方法。通過實際情況對Mask R-CNN檢測網絡的結構改進，并采用離線訓練與在線檢測相結合的方法，在保證檢測速度的同時提高了檢測精度。通過Mask R-CNN分割出部件后，可使用圖像處理的方法進行結構異常的檢測。

參考文獻：

[1]中國鐵路總公司，中國鐵道科學研究院，西南交通大學.高速鐵路供電安全檢測監測系統（6C 系統）總體技術規范[S]. 2012， 07.