[發明專利]一種基于深度學習的高鐵接觸網拉線缺陷檢測方法

在審

• 申請號: 201910596625.1
• 申請日: 2019-07-04
• 公開（公告）號: CN110428398A
• 公開（公告）日: 2019-11-08
• 發明（設計）人: 鐘勝;劉慧敏;王建輝;李子沁;劉暢;楊博;昌毅
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/62;G06T7/73
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 曹葆青;李智

本發明公開了一種基于深度學習的高鐵接觸網拉線缺陷檢測方法，包括對拉線的缺陷進行分類，根據拉線的缺陷類別對包含待測目標的數據樣本進行標注；對所述標注好的數據樣本進行預處理并轉換格式；將轉換格式后的數據樣本輸入到搭建好的網絡模型中，輸出預測結果；對預測結果進行后處理得到最終的缺陷檢測結果。本發明通過對人造物體固有屬性的建模，提高了網絡對拉線角度的魯棒性，也提高了傳統正框目標檢測的準確率。同時本發明提出的方法摒棄了繁復地手工設計特征的過程，直接利用深度網絡強大的特征學習能力提取關鍵部件的缺陷特征，實現了端到端的缺陷檢測，并替代人工篩選缺陷圖像的過程，減輕了人的工作量，縮短了從發現缺陷到檢修的過程。

技術領域

本發明屬于目標檢測領域，更具體地，涉及一種基于深度學習的高鐵接觸網拉線缺陷檢測方法。

背景技術

接觸網是電氣化鐵路的重要組成部分，其主要作用是向電力機車提供牽引電能。接觸網支持與懸掛裝置擔負著支持接觸網的重要任務，其狀態的好壞與接觸網的安全狀態息息相關。其中，接觸網懸掛狀態監測系統是對接觸網懸掛及其部件的技術狀態檢測，特別的，拉線相當于是整個接觸網上的支架，是承力索與接觸線間振動和力的傳遞者。對于拉線的缺陷檢測，國內外的研究很少，目前其缺陷識別還處于人工查看階段。運用計算機視覺技術對其進行缺陷檢測十分必要。

隨著深度學習的日漸發展，特別是目標檢測領域的飛速發展，基于深度學習模型的方法已經開始應用到各個領域，但是將其用在高鐵接觸網領域的相關研究還很少。充分利用現有的歷史數據從中學習拉線的缺陷特征，將是一個十分高效的方法。

但是，目前更多研究者的目光都聚焦在一般目標檢測，但是接觸網部件均為人造物，不同于一般自然目標，針對于大部分的人造物，比如拉線、艦船等都是具有旋轉特性的，而且還具有很大的縱橫比。若沿用一般目標檢測的方法檢測正框的拉線，將會使被檢目標含有很多冗余的背景，不利于檢測的精度。在文本檢測領域，已經開始有學者將目光聚焦在檢測斜的文本，在基于遙感圖像的艦船檢測中，也有部分學者加以利用物體的旋轉角度信息，來提高檢測的準確率。

發明內容

針對現有技術的缺陷，本發明的目的在于提供一種基于深度學習的高鐵接觸網拉線缺陷檢測方法，旨在利用深度學習解決提高具有旋轉性拉線的高鐵接觸網的缺陷檢測準確率的問題。

為實現上述目的，本發明提供了一種基于深度學習的高鐵接觸網拉線缺陷檢測方法，包括以下步驟：

(1)對拉線的缺陷進行分類，根據所述拉線的缺陷類別對包含待測目標的數據樣本進行標注；

(2)對所述標注好的數據樣本進行預處理并轉換格式；

(3)將轉換格式后的數據樣本輸入到搭建好的網絡模型中，輸出檢測框和置信度；

(4)對所述預測結果進行后處理得到最終的檢測結果。

優選地，對于拉線，主要存在松動和脫落等故障，其中松動視覺上的表現為拉線彎曲，脫落可進一步分為上脫和下脫，上脫視覺上的表現為整條拉線基本看不見，只剩下雙耳，下脫視覺上的表現為下半部分的拉線看不見。因此將拉線的缺陷類別分為彎曲、上脫和下脫。由于實際的數據中缺陷的數據十分稀少，基本上每一類缺陷只有幾張圖像作為樣本，為了訓練出更好的深度學習缺陷檢測模型，豐富的數據是必不可少的。為此，仿照手中的樣本，依據上述總結的各缺陷所具備的特點，進行數據仿真。數據的仿真工具為Photo Shop，使用擦除、拖動等工具即可。

優選地，通過仿真得到豐富的缺陷數據之后，對包含待測目標的數據樣本進行標注包括真值框和缺陷類別的標注。拉線具有明顯的方向性，但是之前的方法都在集中研究通過正框檢測出目標。對此我們加以改進，以具有旋轉角度信息的矩形框來進行旋轉目標的檢測，以實現更緊湊的檢測框預測和更準確的定位精度。為此，在數據標注階段，舍棄了原始的正框標注，轉而使用帶有旋轉角度的矩形框進行拉線的真值框標注。與此同時，在記錄各真值框的坐標位置時，還需記錄各個目標的缺陷類別。真值框表示為：