一种高铁接触网绝缘子紧固件的异常检测方法与流程

本发明属于电气化铁路自动检测技术领域，具体涉及一种高铁接触网绝缘子紧固件的异常检测方法。

背景技术：

高铁接触网系统是电气化铁路的关键组成部分，接触网的工作状况直接影响到机车的安全运行。接触网常年工作于露天环境，风吹日晒，并且受到受电弓的不断作用，容易发生故障。因此，铁路部门非常重视对接触网各关键部件的异常检测。

现阶段，我国各铁路公司对于接触网部件的异常检测主要以现场巡检和人工浏览接触网图像的方式进行。由于现场巡检工作效率低下，目前主要采用4c检测装置定期采集接触网高分辨率图像，通过人工浏览的方式对接触网部件进行检查，发现接触网部件缺陷。检测人员关注的重点部件包括接触网绝缘子固定件、双套管连接件、套管座、定位环连接件和定位器支座等支持装置紧固件的松动、脱落和变形等异常情况。而人工浏览图像工作量大，眼睛容易疲劳，检测周期长，且受个人情绪和责任心等因素影响。如何利用机器学习与人工智能技术，实现对高铁4c系统获取的接触网图像进行智能化检测，是铁路部门非常重视的一项技术问题。

早期的接触网异常检测的智能化方法主要是基于传统计算机视觉技术，通过人工设计特征进行机器学习建立故障检测模型，对接触网关键部件识别与定位，然后判断其是否发生异常。但是实际操作中，由于高铁4c系统采集到的图像受拍摄位置、天气等因素的影响，各部件在图像中呈现多样性，这种方法容易出现漏检和误判。近年来，随着深度学习技术的飞速发展，运用深度学习技术进行接触网关键部件异常检测成为关注的热点。

技术实现要素：

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种高铁接触网绝缘子紧固件的异常检测方法，利用fasterr-cnn对接触网绝缘子紧固件进行识别与定位，然后通过度量绝缘子紧固件图像之间的相对距离，来判断对应绝缘子紧固件是否出现异常。

本发明采用以下技术方案：

一种高铁接触网绝缘子紧固件的异常检测方法，包括以下步骤：

s1、采集接触网图像数据形成原始图像样本集；

s2、将步骤s1构建的接触网数据集中的图像统一调整至1280*1280像素，构建接触网数据集；

s3、利用步骤s2构建的接触网数据集训练用于接触网绝缘子紧固件识别与定位的fasterr-cnn网络模型，对fasterr-cnn网络模型应用测试集进行测试，保存模型参数；

s4、构建绝缘子紧固件数据集；

s5、构建图像距离度量深度网络，利用步骤s4构建的绝缘子紧固件数据集训练图像距离度量网络模型；

s6、利用步骤s3训练的绝缘子紧固件识别fasterr-cnn网络模型识别并定位绝缘子紧固件位置，得到待检测的绝缘子紧固件图像；然后利用步骤s5获得的图像距离度量深度网络模型对待检测的绝缘子紧固件图像进行异常检测，判定绝缘子紧固件是否出现异常。

具体的，步骤s2中，按照7:3的比例将接触网数据集分成训练集和测试集。

具体的，步骤s3中，fasterr-cnn网络模型使用resnet50作为基础特征提取网络，学习率设置为0.001，使用随机梯度下降法，设置动量为0.9，权值衰减为0.0001。

具体的，步骤s4具体为：

s401、将步骤s2标注的绝缘子紧固件图像按方位分为3类，再将每一类按正常和异常分为两类，即将绝缘子紧固件图像共分为6个类，分别存储在6个文件夹内；

s402、将绝缘子紧固件图像大小统一调至128*128像素值；

s403、通过加高斯噪声、锐度变化和对比度变化进行数据增强，得到3008张绝缘子紧固件图像。

具体的，步骤s5具体为：

s501、构建包括inception-resnet-v1网络及其输出向量的l2归一化、三元组损失函数的图像距离度量深度网络；

s502、将步骤s4构建的绝缘子紧固件数据集按7:3分为训练集和测试集；

s503、用训练集训练图像距离度量深度网络，边际数值α＝0.2，特征向量维数n＝128，学习率为0.01，使用adagrad优化算法随机初始化网络参数；

s504、迭代训练50次后，保存图像距离度量深度网络模型参数；

s505、利用测试集对步骤s504训练完成的图像距离度量深度网络模型进行测试。

进一步的，步骤s501中，l2归一化为对向量x＝x1,x2,...,xn的每个分量除以l2范数得到一个新向量x2，具体为：

进一步的，步骤s501中，三元组损失对应的目标函数为：

其中，分别表示anchor，positive，negative的特征表示；α为大于零的常数；+表示[]内的值大于等于零时，取[]内表达式的值为损失函数的值，[]内表达式的值小于零时，损失函数的值为零。

具体的，步骤s6具体为：

s601、利用步骤s3训练的fasterr-cnn目标检测网络模型，在待检测的接触网原始图像中识别并定位绝缘子紧固件，作为待检测绝缘子紧固件图像；

s602、从步骤s4构建的数据集中3个正常类图像集中各随机选取3张图像，与待检测绝缘子紧固件图像一起构成10张图像，根据相对距离d判定绝缘子紧固件图像是否异常。

进一步的，步骤s602中，将10张图像经过l2特征归一化，得到各图像的128维特征向量，利用欧氏距离计算两两之间的距离；在9张正常图像中取与待检测图像距离最小的3张图像，将3张图像之间的两两距离记为p1、p2、p3，将待检测图像与3张图像之间的距离记为n1、n2、n3；计算相对距离d＝(n1+n2+n3)/(p1+p2+p3)，若d大于1.2，则判定待检测图像出现异常，否则认为待检测图像未出现异常，如果判定结果与标签一致，说明预测正确。

与现有技术相比，本发明至少具有以下有益效果：

本发明公布了一种基于深度网络学习图像距离度量的接触网绝缘子紧固件的异常检测方法，通过对接触网绝缘子紧固件的图像进行识别与定位，再将识别的接触网绝缘子紧固件的图像作为待检测图像，使用基于深度网络学习得到的图像距离度量模型，检测接触网绝缘子紧固件是否出现了异常情况。由于本方法对接触网绝缘子紧固件异常检测所使用的图像距离度量模型，是经过深度网络学习得到的距离度量模型，所以本方法对接触网绝缘子紧固件的异常检测速度快、精度高、稳健性强。

进一步的，通过训练fasterr-cnn网络模型进行接触网绝缘子紧固件识别与定位，其识别精度可达93.2％，为后续部件异常检测做好了前期准备。

进一步的，数据集学习得到了一种图像距离度量的网络模型，这种距离度量模型可有效地表达正常图像与正常图像、正常图像与异常图像之间的距离。

进一步的，在步骤s3和步骤s5学习得到的图像距离度量的网络模型的基础上，步骤s6构造了一种接触网绝缘子紧固件异常检测方法，该方法计算简单，检测精度可达到实际使用需求。

综上所述，本发明公布的一种高铁接触网绝缘子紧固件异常检测方法，是一种高效率、高精度的检测方法，为接触网检测的智能化提供了一种有效的解决方案。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例接触网绝缘子紧固件的标注示意图；

图3为本发明实施例fasterr-cnn网络模型结构图；

图4为本发明实施例图像距离度量网络模型示意图；

图5为本发明实施例基于三元组损失(tripletloss)的训练示意图；

图6为本发明实施例接触网绝缘子紧固件的正常、异常状态图。

具体实施方式

本发明提供了一种高铁接触网绝缘子紧固件的异常检测方法，建立原始接触网图像数据集，利用fasterr-cnn深度网络模型对接触网绝缘子紧固件进行识别与定位，通过度量绝缘子紧固件的图像之间相对距离判断对应绝缘子紧固件是否出现异常。

请参阅图1，本发明一种高铁接触网绝缘子紧固件的异常检测方法，包括以下步骤：

s1、从高铁4c系统采集接触网图像数据，包括检测车车顶安装的多台照相机从不同角度拍摄接触网的高分辨率图像，筛选剔除一些不符合要求的图像，形成原始图像样本集，本实施例中原始图像样本集为600张。

s2、将步骤s1构建的接触网数据集中的图像统一调整至1280*1280像素。如图2所示，利用图像标注工具labelimg对接触网绝缘子紧固件以矩形框标注，构建接触网数据集，将其按照7:3的比例分为训练集和测试集，其中训练集选取420张，测试集选取180张。

s3、用步骤s2形成的接触网数据集，训练用于接触网绝缘子紧固件识别与定位的fasterr-cnn网络模型。fasterr-cnn网络模型如图3所示，具体地，fasterr-cnn模型使用resnet50作为基础特征提取网络，学习率(learningrate)设置为0.001，使用随机梯度下降法(sgd)，设置动量(momentum)为0.9，权值衰减(weightdecay)为0.0001。利用fasterr-cnn绝缘子紧固件检测模型对测试集进行测试，召回率达98.0％，准确率为93.2％，保存模型参数。

s4、构建绝缘子紧固件数据集

s401、步骤s2标注的绝缘子紧固件图像一共752张，将其按照左上、上、右上三个方位分为3类，再将每一类按其正常和异常分为两类，如图6所示，即将绝缘子紧固件图像共分为6个类，分别存储在6个文件夹内；

s402、将绝缘子紧固件图像大小统一调至128*128像素值；

s403、由于异常数据较少，通过加高斯噪声、锐度变化和对比度变化进行数据增强，共得到3008张绝缘子紧固件图像。

s5、训练图像距离度量网络模型

s501、构建图像距离度量深度网络，包括inception-resnet-v1网络及其输出向量的l2归一化、三元组损失函数(tripletloss)两部分，如图4所示，同时将两张同类图像和一张异类图像输入inception-resnet-v1神经网络提取图像特征，经过l2特征归一化，得到n＝128维的向量作为其特征表示；所谓l2归一化，指对向量x＝(x1,x2,...,xn)的每个维度数据都除以l2范数得到一个新向量x2，即

利用三元组损失函数(tripletloss)，学习特征间的可分性，相同类别的特征距离要尽可能小于不同类别的特征距离；基于一维特征表示，计算三元组损失，所谓三元组就是三个样例，两个样例属于同一类，另一个样例属于其它类，分别记为anchor,positive,negative，其中anchor和positive是同一类，anchor和negative为不同类，那么学习的过程就是学到一种表示，对于尽可能多的三元组，使得anchor和positive的距离加上边际数值α小于anchor和negative的距离，如图5所示；此处的三元组损失对应的目标函数为：

其中，分别表示anchor，positive，negative的特征表示；α为大于零的常数；这里的距离用欧式距离度量，+表示[]内的值大于等于零的时候，取[]内表达式的值为损失函数的值，[]内表达式的值小于零的时候，损失函数的值为零；

s502、将步骤s4构建的绝缘子紧固件数据集按7:3分为训练集和测试集；

s503、用测试集训练图像距离度量深度网络，边际数值α设为0.2，特征向量维数设为128，学习率为0.01，使用adagrad优化算法，随机初始化网络参数，训练迭代次数(epoch)设为50。

s504、迭代训练完50次之后，保存图像距离度量深度网络模型参数；

s505、利用测试集对步骤s504训练完成的图像距离度量深度网络模型进行测试。在测试集中随机抽取一张图像，作为待检测图像，记其标签为正常或异常(正常为1，异常为0)，在3个正常类图像中分别随机选取3张图像，与待检测绝缘子紧固件的图像一起共10张，应用步骤s501中训练得到的特征提取网络，分别提取该10张图像的特征，经过l2特征归一化，得到各图像的128维特征向量，利用欧氏距离计算它们两两之间的距离；在9张正常图像中取与待检测图像距离最小的3张图像，将该3张图像之间的两两距离记为p1、p2、p3，将待检测图像与该3张图像之间的距离记为n1、n2、n3；计算相对距离d＝(n1+n2+n3)/(p1+p2+p3)，若d大于1.2，则判定待检测图像出现异常(记为0)，否则认为待检测图像未出现异常(记为1)，如果判定结果与标签一致，说明预测正确；

s506、经过测试，准确度达到90.67％，满足应用要求。

s6、利用步骤s5得到的图像距离度量深度网络模型判断绝缘子紧固件是否发生异常。

s601、利用步骤s3训练的fasterr-cnn目标检测网络模型，在待检测的接触网原始图像中识别并定位绝缘子紧固件，作为待检测绝缘子紧固件图像；

s602、步骤s4构建的数据集中，在3个正常类图像集中各随机选取3张图像，与待检测绝缘子紧固件图像一起共10张图像，应用步骤s505中的检测方法，计算相对距离d，若d大于1.2，则判定该绝缘子紧固件图像出现异常，否则认为其未出现异常。

实验结果表明，利用本方法对接触网原始图像中绝缘子紧固件的识别准确率达到93.2％以上，对绝缘子紧固件的的异常检测准确率达到90.67％。由此可见本方法可以很好的解决接触网关键绝缘子紧固件的的异常检测问题，相较于传统方法有较大的提升。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。