基于脈沖神經(jīng)網(wǎng)絡(luò)的鐵路接觸線異物檢測研究

關(guān)鍵詞：異物檢測；鐵路接觸線；脈沖神經(jīng)網(wǎng)絡(luò)；倒殘差結(jié)構(gòu)；自注意力機(jī)制

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A

0引言（Introduction）

鐵路接觸線是直接與火車接觸的設(shè)備，是為火車提供電能的關(guān)鍵設(shè)施。鐵路沿線的漂浮異物容易被大風(fēng)刮起纏繞到接觸線上，引發(fā)接觸網(wǎng)系統(tǒng)電路故障，進(jìn)而影響火車的正常行駛，甚至可能導(dǎo)致塌網(wǎng)、火災(zāi)等嚴(yán)重事故。日常巡檢是及時處理接觸線異物入侵事件的有效方法。隨著高速鐵路供電安全檢測監(jiān)測系統(tǒng)（6C系統(tǒng)）的逐步建立和完善，車載攝像機(jī)的普及，以及人工智能技術(shù)的發(fā)展，圖像識別技術(shù)在軌道交通巡檢等方面表現(xiàn)出強(qiáng)大的優(yōu)勢。目前，絕大部分圖像識別方法針對特定的異物進(jìn)行檢測且方法耗能較高。但是，接觸線異物的形狀、位置及時間具有較大的隨機(jī)性，使得數(shù)據(jù)采集面臨極大的挑戰(zhàn)。因此，本文提出了一種基于脈沖網(wǎng)絡(luò)的鐵路異物檢測模型。該模型利用脈沖神經(jīng)網(wǎng)絡(luò)低耗能的特點，以及圖像分類檢測方法的思路，有效減少了數(shù)據(jù)采集所需的資源。

1相關(guān)工作（Related work）

近年來，許多研究人員采用圖像識別技術(shù)對接觸線以及接觸網(wǎng)組件進(jìn)行異物檢測研究，旨在及時發(fā)現(xiàn)、警報及解決入侵的異物。曹春生等利用高清車載相機(jī)進(jìn)行圖像數(shù)據(jù)采集，并采用Faster R-CNN（Faster Region-based Convolutional Neural Networks）目標(biāo)檢測算法對接觸線上的異物進(jìn)行檢測，從而建立安全巡檢系統(tǒng)。LI等提出DF-YOLO（Domain-fusion You Only Look Once）接觸線異物檢測模型，通過可變形卷積模塊和SimAM注意力機(jī)制對模型進(jìn)行優(yōu)化，提高了模型的性能和檢測精度。WANG等采用通道注意力機(jī)制和SPD-Conv（Space-to-depth Convolution）模塊，提高了模型對小目標(biāo)和細(xì)節(jié)的特征提取能力，并通過加權(quán)雙向特征金字塔網(wǎng)絡(luò)實現(xiàn)跨層階的特征融合，進(jìn)一步提升模型的檢測性能。ZHENG等采用基于稀疏交叉注意力機(jī)制的Transformer模型，增強(qiáng)數(shù)據(jù)的時序特征，提高模型對異物特征的提取能力和訓(xùn)練迭代能力，實現(xiàn)對接觸線上異物的檢測。蔣欣蘭等利用鐵路系統(tǒng)和接觸網(wǎng)系統(tǒng)的運(yùn)行環(huán)境較為固定的特點，采用LSD（ LineSegment Detector）直線段檢測算法獲取異物可能出現(xiàn)的ROI（Region of interest）區(qū)域，并用YOLOv3（You Only Look Once v3）目標(biāo)檢測模型對接觸線上出現(xiàn)的異物進(jìn)行檢測。余沿臻掣采用Otsu（Otsu’s Method）自適應(yīng)閾值分割和形態(tài)學(xué)處理的方式，對存在異物的ROI區(qū)域進(jìn)行提取，并采用基于DenseNet201（Dense Convolutional Network 201）卷積神經(jīng)網(wǎng)絡(luò)和ECOC-SVM（Error-Correcting Output Codes SupportVector Machine）貧類器對接觸線上的異物進(jìn)行檢測與識別。劉虎等采用自監(jiān)督學(xué)習(xí)方式，以ResNet-50（Residual Network 50 layers）作為模型的主干網(wǎng)絡(luò)，建立具有強(qiáng)大特征提取能力的模型，用于學(xué)習(xí)接觸網(wǎng)系統(tǒng)中各零部件的圖像特征，如接觸線、吊弦等，其訓(xùn)練好的特征提取模型經(jīng)微調(diào)后，可實現(xiàn)對接觸線上異物的檢測。在上述研究中，所采用的常規(guī)卷積層和Transformer的自注意力機(jī)制方法的耗能較高，并且大部分的方法都是針對特定的異物進(jìn)行檢測，但由于異物的未知性強(qiáng)，因此采集到合適的異物圖像十分困難。

鑒于耗能較高的問題，本研究采用基于脈沖神經(jīng)網(wǎng)絡(luò)的自注意力機(jī)制和倒殘差結(jié)構(gòu)，降低了計算資源消耗、模型訓(xùn)練和推理成本。脈沖神經(jīng)網(wǎng)絡(luò)（Spiking Neural Network，SNN）是新一代人工神經(jīng)網(wǎng)絡(luò)（Artificial Neutral Network，ANN），是一種模擬生物神經(jīng)元工作原理的人工神經(jīng)網(wǎng)絡(luò)模型，具有硬件友好、節(jié)能等特點。目前，SNN在圖像分類、目標(biāo)識別等領(lǐng)域具有廣泛的應(yīng)用。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，SNN具有更強(qiáng)的適應(yīng)性和魯棒性；倒殘差結(jié)構(gòu)是一種輕量級的卷積神經(jīng)網(wǎng)絡(luò)模塊，旨在提高模型的效率和性能。

鑒于數(shù)據(jù)收集難度大和異物具有較強(qiáng)未知性的問題，本研究基于判斷正常（不存在異物）和異常（存在異物）接觸線圖像編碼得到的深度特征的差距，實現(xiàn)了對這兩類圖像的分類檢測。正常的接觸線圖像為正常采集的接觸線圖像，異常圖像可以是在任何時間、任何地點采集的各種含有異物的接觸線圖像，降低了收集數(shù)據(jù)的難度和異物未知性對模型的影響。

2鐵路接觸線異物檢測模型（Foreign object detection model for railway contact lines）

首先，鐵路接觸線異物檢測模型將靜態(tài)的圖像轉(zhuǎn)換為脈沖序列。其次，脈沖編碼器模塊對轉(zhuǎn)換后的脈沖序列進(jìn)行編碼，得到了編碼后數(shù)據(jù)的深度特征。最后，通過分類頭模塊對編碼結(jié)果進(jìn)行分類檢測，得到最后的分類檢測結(jié)果。鐵路接觸線異物檢測模型主要包括脈沖序列生成模塊和基于脈沖驅(qū)動自注意力（Spike-Driven Self-Attention，SDSA）的脈沖編碼器模塊兩個部分。鐵路接觸線異物檢測模型如圖1所示。

2.1脈沖序列生成模塊構(gòu)建

脈沖序列生成模塊通過卷積等操作將靜態(tài)圖像數(shù)據(jù)投影成維度為D的脈沖序列形式的特征數(shù)據(jù)，并將特征數(shù)據(jù)分割為固定大小的特征塊，如圖1左側(cè)所示。采用倒殘差結(jié)構(gòu)替代常規(guī)卷積，能夠提高模型的分類準(zhǔn)確率和運(yùn)行速度。

輸入的靜態(tài)2D圖像的維度為I∈R^T×C×H×W，其中T、C、H和W4個變量分別表示2D圖像序列的時間步長（在靜態(tài)圖中，會將圖像重復(fù)T次，將其組成一個帶有時間步長T的時間序列）、通道數(shù)、圖像高度和圖像寬度。首先，在脈沖序列生成模塊中對輸入數(shù)據(jù)進(jìn)行映射和分割，該模塊將數(shù)據(jù)投影并分割為大小固定、通道維度為D的N個脈沖序列形式的特征塊。其次，將相對位置信息嵌入對應(yīng)的特征塊中。最后，將嵌入結(jié)果和特征塊相加，完成對靜態(tài)圖像到脈沖序列的轉(zhuǎn)換。脈沖序列生成模塊的操作可以用公式（1）、公式（2）、公式（3）和公式（4）表示：