基于弓網(wǎng)視頻的接觸網(wǎng)硬點檢測方法研究

魯堯

（深圳地鐵運營集團有限公司，廣東 深圳 518000）

1 概述

目前，國內(nèi)許多城市軌道交通已經(jīng)取得了長足發(fā)展。隨著地鐵牽引供電的飛速發(fā)展，其性能上的諸多缺陷和弊病也進一步出現(xiàn)，多數(shù)地鐵都是通過受電弓滑板和接觸線的滑動接觸獲取電能，因此，在該供電系統(tǒng)中，接觸網(wǎng)的安全、穩(wěn)定在地鐵安全運營中占據(jù)不可或缺的地位。

若接觸網(wǎng)中存在硬點，通常會導致弓網(wǎng)系統(tǒng)出現(xiàn)不同程度的機械損傷，甚至發(fā)生強烈抖動，進一步導致弓網(wǎng)離線、燃弧等現(xiàn)象，加劇相關設備的電氣損傷。

針對上述情況，本文提出了一種基于弓網(wǎng)視頻的非接觸式接觸網(wǎng)硬點檢測方法，即通過高清監(jiān)控相機對弓網(wǎng)接觸區(qū)域?qū)崟r錄像，進一步通過本文提出的算法檢測弓網(wǎng)硬點，該算法可分為四大步驟，分別為受電弓區(qū)域定位、弓網(wǎng)接觸區(qū)域定位、弓網(wǎng)接觸點定位、硬點計算。本文對該方法進行了較充分的驗證，滿足實際應用的水平，且由于是通過視頻采集原始圖像數(shù)據(jù)，在檢測到異常硬點值時，可通過相應位置對應的視頻信息確認，進一步大大提高了人工效率。

2 方法

本文所涉及的圖像數(shù)據(jù)由安裝在電客車車頂?shù)母咔灞O(jiān)控相機采集，該相機通常安裝在受電弓開口方向，并以一定幀率對受電弓區(qū)域進行實時錄像，進一步將采集到的每一幀圖像傳輸?shù)杰噧?nèi)工控機中，利用部署在該工控機中的智能檢測算法計算當前幀的硬點值。

2.1 受電弓區(qū)域粗定位

本文也嘗試過直接在整幅圖像中直接識別弓網(wǎng)接觸點，但識別精度和穩(wěn)定性都不盡如人意。而先定位受電弓區(qū)域，再進行后續(xù)處理時，其識別精度和穩(wěn)定性得到了大幅提升。

本文所述受電弓目標定位采用基于Yolov5n 的圖像目標檢測網(wǎng)絡作為算法模型。目前Yolov5 因其快速、準確、輕量等諸多優(yōu)點，被廣泛應用于工業(yè)界，本文在引入該模型時，增加了部分使用技巧，如數(shù)據(jù)增強方式、標簽平滑，提高了檢測精度，并在項目應用中達到了較好的結(jié)果。

2.1.1 數(shù)據(jù)集制作與增強

高清相機采集的原始圖像如圖1 所示，利用圖像標注工具Labelimg 對受電弓區(qū)域進行標注，標注結(jié)果如圖2 所示。

圖1 受電弓區(qū)域標記示意圖

圖2 弓網(wǎng)接觸區(qū)域標記示意圖

圖3 改進后的網(wǎng)絡基本模塊

神經(jīng)網(wǎng)絡在訓練的過程，通常都需要大量的數(shù)據(jù)，而獲取新的數(shù)據(jù)往往需要花費大量的時間和人工，而數(shù)據(jù)增強提供了一種有效地增加數(shù)據(jù)量的方式，如縮放、平移、翻轉(zhuǎn)、色彩變換等。

Yolov5n 中除了使用基本的數(shù)據(jù)增強方式以外，還使用了Mosaic 數(shù)據(jù)增強，即將4 張圖像進行隨機裁剪、縮放后再隨機排布成一張圖像。

本文為進一步提升定位準確性，采用Mosaic-9 方式進行數(shù)據(jù)增強，即對9 張圖像隨機裁剪、縮放、排列組合。

2.1.2 數(shù)據(jù)標簽平滑

標簽平滑最早應用于分類算法中，后引入目標檢測算法中。目標檢測算法分為分類和回歸兩個分支，其主要作用于分類，屬于正則化方法中的一種。其主要思想是對真實標簽的分布進行改造，使其不再遵循獨熱（one-hot）編碼形式，其轉(zhuǎn)化公式如下：

其中，q 表示真實標簽，c 是一個較小的常數(shù)，k 代表分類的類別數(shù)。

本文在Yolov5n 的預測層引入上述標簽平滑方法。經(jīng)過標簽平滑后能夠減少模型過渡以來標簽問題，有效改善標簽準確性不高的情況。

2.2 定位弓網(wǎng)接觸區(qū)域

本文所闡述的弓網(wǎng)接觸區(qū)域定位是為了提升弓網(wǎng)接觸點識別精度和穩(wěn)定性另一個關鍵步驟。該步驟需要在已經(jīng)定位到的受電弓區(qū)域中進行識別定位，并且同樣采用Yolov5n 定位網(wǎng)絡模型，其數(shù)據(jù)集制作與數(shù)據(jù)增強方式與受電弓區(qū)域定位類似，此處不贅述，僅僅是數(shù)據(jù)集制作時標記的原圖是已經(jīng)定位到的受電弓區(qū)域圖像，編輯區(qū)域是匯流排與受電弓接觸位置周圍一定區(qū)域，如圖2 所示。

在制作該步訓練數(shù)據(jù)時，標記范圍盡量包含整個匯流排寬度范圍以及碳滑板整個高度范圍，以保證有組足夠的特征訓練出性能更加穩(wěn)定準確的定位模型。

2.3 精確識別弓網(wǎng)接觸點

本文所闡述的弓網(wǎng)接觸點識別是采用改進的深度殘差網(wǎng)絡。

本文在原始殘差網(wǎng)絡中引入注意力機制與軟閾值化激活函數(shù)，使得原始網(wǎng)絡能夠發(fā)現(xiàn)有用信息并增強該部分信息，且抑制冗余信息。

軟閾值化能夠降低輸入數(shù)據(jù)中的噪聲，該方式可將絕對值小于某個閾值的特征去掉，將絕對值大于這個閾值的特征朝著0 的方向收縮。針對本方案所涉及的任務，其可通過以下方式實現(xiàn)。

上述軟閾值化的輸出對于輸入的導數(shù)為

該導數(shù)形式與Relu 激活函數(shù)性質(zhì)相同，能夠減小深度學習算法遭遇梯度彌散和梯度爆炸的風險。

原始殘差塊與引入注意力機制和軟閾值后的基本模塊如下。

通過堆疊多個上述基本模塊即可形成改進后的殘差網(wǎng)絡。

在制作訓練樣本時，訓練數(shù)據(jù)為已經(jīng)定位到的弓網(wǎng)接觸區(qū)域截圖，標記位置不同于直接定位，直接定位的標簽為矩形框，而本文在利用殘差網(wǎng)絡回歸識別弓網(wǎng)接觸點時，標記標簽相應為一個點坐標，如圖4 所示。

圖4 弓網(wǎng)接觸點標記示意（灰圈即接觸點）

2.4 接觸網(wǎng)硬點計算

在實時檢測階段，當識別到當前幀的弓網(wǎng)接觸點，根據(jù)相機標定參數(shù)可將像素坐標轉(zhuǎn)換為實際的世界坐標，進一步通過當前幀弓網(wǎng)接觸點的世界坐標與上一幀的世界坐標可計算出縱向?qū)嶋H位移，最終通過位移與兩幀時間間隔額關系可計算出加速度，即為硬點信息，即令pi 為第i 幀弓網(wǎng)接觸點坐標如下所示。

進一步，縱向位移可通過下式得到。

最后，通過位移與時間間隔的關系可得到硬點加速度信息ai，如下所示。

其中，t 為兩幀之間的時間間隔，因為視頻相機幀率始終恒定，所以t 是一個固定值，根據(jù)實際情況確定。

3 實驗

本文實驗所用數(shù)據(jù)為實際地鐵線路錄像數(shù)據(jù)，圖像分辨率大小為1936×1464。

在訓練受電弓區(qū)域定位模型時共標注樣本3000 張，其中2600 張作為訓練集，400 張作為驗證集。

在訓練弓網(wǎng)接觸區(qū)域定位模型時，標注樣本數(shù)量與受電弓模型基本一致，模型參數(shù)也基本一致。

在訓練弓網(wǎng)接觸點精確識別模型時，標注樣本數(shù)量與上述兩階段基本一致。

測試階段，對于受電弓區(qū)域定位模型，測試圖像總數(shù)108927，識別準確率為100%，誤識別和漏識別都是0，具體如表1。

表1 受電弓區(qū)域定位測試結(jié)果

對于受電弓區(qū)域定位模型，測試圖像總數(shù)108927，識別準確率為100%，誤識別和漏識別都是0，具體如表2。

表2 弓網(wǎng)接觸區(qū)域定位測試結(jié)果

對于弓網(wǎng)接觸點精確識別模型，測試圖像總數(shù)108927，正確識別數(shù)108921，識別準確率為99.994%，誤識別數(shù)6，誤識別率0.006%，漏識別0，具體如表3。

表3 弓網(wǎng)接觸點識別測試結(jié)果

4 結(jié)語

本文所提出的基于弓網(wǎng)視頻的硬點檢測技術(shù)經(jīng)過實驗驗證，弓網(wǎng)接觸點識別準確率達到99.994%，根據(jù)本方法的理論，只要弓網(wǎng)接觸點識別準確，硬點即可準確計算。本文所提出方法滿足實際應用的水平，相較一般的接觸式檢測方法，安裝簡單，檢測更穩(wěn)定，且由于是通過視頻采集原始圖像數(shù)據(jù)，在檢測到異常硬點值時，可通過相應位置對應的視頻信息確認，進一步大大提高了人工效率。