[發(fā)明專利]基于多尺度耦合卷積網(wǎng)的鐵路接觸網(wǎng)異常目標(biāo)自動(dòng)檢測法

有效

• 申請?zhí)枺?/td>: 201810132521.0
• 申請日: 2018-02-09
• 公開（公告）號: CN108288273B
• 公開（公告）日: 2021-07-27
• 發(fā)明（設(shè)計(jì)）人: 吳澤彬;徐洋;石林林;詹天明
• 申請（專利權(quán)）人: 南京智蓮森信息技術(shù)有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/187;G06K9/62
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林;閆方圓

本發(fā)明公開了一種基于多尺度耦合卷積網(wǎng)的鐵路接觸網(wǎng)異常目標(biāo)自動(dòng)檢測法，得到該圖像的多個(gè)最終候選區(qū)域；將最終候選區(qū)域與兩次下采樣的采樣結(jié)果輸入到多尺度耦合卷積網(wǎng)中，進(jìn)行參數(shù)訓(xùn)練和特征提取；將提取的特征輸入極限學(xué)習(xí)機(jī)ELM分類器，對提取的特征進(jìn)行分類；根據(jù)得到的候選框位置，通過使用回歸器進(jìn)行修正候選框的位置，從而得到圖像信息中異常目標(biāo)的位置，即修正后候選框的位置。本發(fā)明適用于鐵路接觸網(wǎng)的異常目標(biāo)自動(dòng)檢測，可以取得比人眼觀察更為準(zhǔn)確的異常檢測效果，檢測精度高，自動(dòng)化程度高。

技術(shù)領(lǐng)域

本發(fā)明涉及鐵路安全保障技術(shù)領(lǐng)域，具體涉及一種基于多尺度耦合卷積網(wǎng)的鐵路接觸網(wǎng)異常目標(biāo)自動(dòng)檢測法。

背景技術(shù)

電氣化鐵路普遍采用高架電纜的方式供電，接觸網(wǎng)的安全問題直接影響到鐵路列車的運(yùn)行安全，鳥巢等異常現(xiàn)象是直接威脅到鐵路電力線路安全可靠運(yùn)行的一個(gè)重要風(fēng)險(xiǎn)來源。目前，在鐵路電力線路上需要通過人工巡檢的方式發(fā)現(xiàn)并清除異常目標(biāo)，不僅浪費(fèi)人力，而且不能及時(shí)排除安全隱患。為了克服上述問題，于是開展基于鐵路接觸網(wǎng)的異常目標(biāo)檢測研究，然而，當(dāng)前針對異常目標(biāo)自動(dòng)檢測方面的研究才剛剛起步，異常檢測精度和效率都無法達(dá)到應(yīng)用需求。

對于人類來說目標(biāo)檢測并不困難，通過對圖片中不同顏色模塊的感知很容易定位并分類出其中目標(biāo)物體。但是，對于計(jì)算機(jī)來說，面對的是RGB像素矩陣，很難從圖像中直接得到狗或貓這樣的抽象概念并定位其位置，再加上有時(shí)候多個(gè)物體和雜亂的背景混雜在一起，目標(biāo)檢測更加困難。

針對異常目標(biāo)自動(dòng)檢測研究，傳統(tǒng)方法在檢測異常過程檢測存在三個(gè)主要問題，一個(gè)是滑動(dòng)窗口的區(qū)域選擇策略沒有針對性；二是手工設(shè)計(jì)的特征對于多樣性的變化并沒有很好的魯棒性；三是異常目標(biāo)自動(dòng)檢測精度中還需要進(jìn)一步優(yōu)化，效率也遠(yuǎn)遠(yuǎn)無法達(dá)到實(shí)時(shí)應(yīng)用的要求。

如何克服上述問題，是當(dāng)前需要解決的。

發(fā)明內(nèi)容

本發(fā)明的目的是克服現(xiàn)有的接觸網(wǎng)異常目標(biāo)自動(dòng)檢測方法所存在的問題。本發(fā)明的基于多尺度耦合卷積網(wǎng)的鐵路接觸網(wǎng)異常目標(biāo)自動(dòng)檢測法，適用于鐵路接觸網(wǎng)的異常目標(biāo)自動(dòng)檢測，可以取得比人眼觀察更為準(zhǔn)確的異常檢測效果，檢測精度高，自動(dòng)化程度高，具有良好的應(yīng)用前景。

為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是：

一種基于多尺度耦合卷積網(wǎng)的鐵路接觸網(wǎng)異常目標(biāo)自動(dòng)檢測法，包括以下步驟，

步驟(A)，獲取接觸網(wǎng)的圖像信息，使用均值漂移和歸一化割的方法分別得到該圖像信息對應(yīng)的多組候選區(qū)域，并通過共享區(qū)域合并方法，將得到的各候選區(qū)域進(jìn)行合并，得到該圖像的多個(gè)最終候選區(qū)域；

步驟(B)，將各最終候選區(qū)域歸一化處理，尺寸均為S*S，S表示歸一化后最終候選區(qū)域的長寬，對每個(gè)歸一化后的最終候選區(qū)域進(jìn)行兩次下采樣，并將最終候選區(qū)域與兩次下采樣的采樣結(jié)果輸入到多尺度耦合卷積網(wǎng)中，進(jìn)行參數(shù)訓(xùn)練和特征提取；

步驟(C)，將提取的特征輸入極限學(xué)習(xí)機(jī)ELM分類器，對提取的特征進(jìn)行分類；

步驟(D)，根據(jù)分類后的特征，通過使用回歸器進(jìn)行修正候選框的位置，從而得到圖像信息中異常目標(biāo)的位置，即修正后候選框的位置。

前述的基于多尺度耦合卷積網(wǎng)的鐵路接觸網(wǎng)異常目標(biāo)自動(dòng)檢測法，步驟(A)，通過共享區(qū)域合并方法，將得到的各候選區(qū)域進(jìn)行合并，得到該圖像的多個(gè)最終候選區(qū)域，包括以下步驟，

(A1)，對于通過均值漂移方法生成的候選區(qū)域，逐個(gè)進(jìn)行分析，將其的每個(gè)候選區(qū)域與歸一化割方法生成的對應(yīng)候選區(qū)域進(jìn)行逐個(gè)比對；