基于級(jí)聯(lián)Faster R-CNN的高鐵接觸網(wǎng)支撐裝置等電位線故障檢測(cè)

李長(zhǎng)江，韓志偉，鐘俊平，王立有，劉志剛

(西南交通大學(xué) 電氣工程學(xué)院，四川 成都 610031)

在高速鐵路接觸網(wǎng)支撐與懸掛裝置中，等電位線起到防止燒損支持的作用，確保支持與定位零件的短路穩(wěn)定性。當(dāng)列車受電弓通過接觸網(wǎng)時(shí)，定位器會(huì)存在一定抬升，從而使其與定位器支座產(chǎn)生間隙。在間隙產(chǎn)生時(shí)，如果等電位線松脫或斷裂，定位器支座將承受較大的電氣沖擊，造成電化學(xué)腐燭，嚴(yán)重時(shí)導(dǎo)致定位器與支座連接處斷裂脫離，影響行車運(yùn)行安全[1]。

近年來，接觸網(wǎng)非接觸式檢測(cè)由于安全、行車干擾小等優(yōu)勢(shì)，在接觸網(wǎng)故障檢測(cè)中獲得越來越廣泛的應(yīng)用[2-3]。目前已有的基于圖像處理技術(shù)的接觸網(wǎng)零部件檢測(cè)方法[4-7]，是基于局部特征匹配(SIFT、SURF、LBP等)和模板匹配等算法實(shí)現(xiàn)旋轉(zhuǎn)雙耳、絕緣子以及斜撐套筒等高鐵接觸網(wǎng)定位支撐裝置零部件的定位，并通過灰度分布規(guī)律、小波變換等算法實(shí)現(xiàn)零部件故障檢測(cè)。它們屬于傳統(tǒng)的圖像識(shí)別算法：圖像的特征提取與分類兩部分是分開進(jìn)行的，因此需要手工構(gòu)建選擇定位的目標(biāo)特征，不僅增大工作量，而且在面臨復(fù)雜陌生問題時(shí)，往往無法設(shè)計(jì)出足夠優(yōu)秀的特征；人工設(shè)計(jì)出的特征往往缺乏魯棒性，針對(duì)于諸如梯度、顏色、紋理等某一方面的淺層特征。這就使得傳統(tǒng)的圖像識(shí)別算法有很大的局限性，性能提高空間有限。

在檢測(cè)車獲取的接觸網(wǎng)支撐裝置圖像中，由于等電位線目標(biāo)較小，故障特征不明顯，如圖1中方框標(biāo)識(shí)所示。等電位線對(duì)于拍攝參數(shù)較為敏感，要檢測(cè)其缺失、散股等不良狀態(tài)存在較大困難。目前對(duì)等電位線散股問題檢測(cè)研究較少。

圖1 接觸網(wǎng)裝置等電位線圖

針對(duì)等電位線定位、故障監(jiān)測(cè)等研究的困難，提出一種基于級(jí)聯(lián)Faster R-CNN等電位線目標(biāo)提取與故障識(shí)別的算法，檢測(cè)等電位線的不良狀態(tài)。為減少其他因素影響，提高等電位線故障檢測(cè)準(zhǔn)確性，在等電位線定位識(shí)別過程中，通過第一級(jí)Faster R-CNN對(duì)等電位線所在的定位器支座進(jìn)行定位；在一級(jí)對(duì)象定位的基礎(chǔ)上利用第二級(jí)Faster R-CNN學(xué)習(xí)等電位線散股故障特征，實(shí)現(xiàn)正常與故障等電位線的分類，通過實(shí)驗(yàn)分析Faster R-CNN在不同訓(xùn)練樣本數(shù)量、迭代次數(shù)等因素對(duì)檢測(cè)時(shí)間及識(shí)別效果的影響。通過統(tǒng)計(jì)分析，確定故障判斷閾值，作為等電位線是否發(fā)生散股故障的判據(jù)。

1 卷積神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)目標(biāo)檢測(cè)算法，如SIFT[8]、HOG[9]等，一般人工設(shè)計(jì)目標(biāo)特征，再輸入到分類器中學(xué)習(xí)分類。傳統(tǒng)方法比較復(fù)雜、費(fèi)時(shí)費(fèi)力、精度不高，并且對(duì)設(shè)計(jì)者學(xué)術(shù)水平有較高要求。由于等電位線形狀不固定，故障特征不明顯，故采用級(jí)聯(lián)Faster R-CNN提取等電位線散股故障特征以實(shí)現(xiàn)不良狀態(tài)識(shí)別。Faster RCNN能夠直接將圖像數(shù)據(jù)作為輸入，與圖像像素進(jìn)行卷積、提取圖像特征，避免了圖像預(yù)處理和特征抽取等復(fù)雜操作[10]。網(wǎng)絡(luò)神經(jīng)元之間采用局部連接，簡(jiǎn)化了計(jì)算量，加快了特征提取的速度，并且神經(jīng)元之間能夠權(quán)值共享，簡(jiǎn)化了網(wǎng)絡(luò)模型，提高了訓(xùn)練效率。文獻(xiàn)[11]采用多層網(wǎng)絡(luò)構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)行人的檢測(cè)。文獻(xiàn)[12]基于卷積神經(jīng)網(wǎng)絡(luò)和SVM分類器實(shí)現(xiàn)高速公路上主要三種車型的分類。表1為RCNN系列方法對(duì)比。在標(biāo)準(zhǔn)集VOC2007中，在RCNN系列深度學(xué)習(xí)算法中，F(xiàn)aster R-CNN在檢測(cè)精度和時(shí)間上都有明顯提高。因此，采用級(jí)聯(lián)Faster RCNN對(duì)等電位線進(jìn)行故障識(shí)別。

表1 R-CNN系列方法對(duì)比

R-CNN算法[13]核心是對(duì)圖像中每個(gè)區(qū)域通過CNN提取特征，通過分類器預(yù)測(cè)區(qū)域中目標(biāo)對(duì)象的置信度，轉(zhuǎn)換成圖像分類問題，分類器可以是獨(dú)立訓(xùn)練的SVM[14]，也可以是簡(jiǎn)單的全連接分類。Fast R-CNN回避了R-CNN要對(duì)每個(gè)區(qū)域都使用一遍CNN，直接對(duì)全圖進(jìn)行卷積，獲得特征圖。而Faster R-CNN由特征提取+RPN(Region Proposal Networks)+Fast R-CNN構(gòu)成分類器，是一種多層監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，有輸入層、卷積層、下采樣層、全連接層和輸出層，通過反向傳播優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，求解未知參數(shù)。

1．1 特征提取

通過5層深度ZF網(wǎng)絡(luò)提取定位器支座特征。網(wǎng)絡(luò)構(gòu)建過程如圖2所示[15]。

深度卷積神經(jīng)網(wǎng)絡(luò)沒有一套有效理論來分析特定物體部件之間的關(guān)系，但深度網(wǎng)絡(luò)可以非顯示地計(jì)算這些特征[15]。通過深度 Faster R-CNN獲得特征具有辨別性，忽略背景信息，轉(zhuǎn)而提取關(guān)鍵信息。深度卷積神經(jīng)網(wǎng)絡(luò)從背景、顏色等低層特征開始學(xué)習(xí)，經(jīng)過多層卷積，得到具有辨別性的關(guān)鍵特征，訓(xùn)練分類器。

卷積神經(jīng)網(wǎng)絡(luò)首層是輸入層，由于Faster R-CNN能夠主動(dòng)學(xué)習(xí)二維圖像的特征，故將接觸網(wǎng)成像檢測(cè)車拍攝的高鐵接觸網(wǎng)支撐懸掛裝置圖像經(jīng)過灰度化處理作為網(wǎng)絡(luò)輸入。

網(wǎng)絡(luò)卷積層，即為特征提取層，每個(gè)神經(jīng)元的輸入與輸入圖像的局部接受域相連，通過96個(gè)大小7×7濾波器和可加偏置(可加偏置一般設(shè)為+1)積操作，提取該局部特征。特征被提取后，其與其他特征間的位置關(guān)系也隨之確定下來。不同卷積核得到不同的特征圖，卷積操作示意圖如圖3所示。

圖2 ZF網(wǎng)絡(luò)基本框架

圖3 卷積過程示意

網(wǎng)絡(luò)下采樣層，即為網(wǎng)絡(luò)特征映射層，每個(gè)特征映射為一個(gè)平面，通過權(quán)值共享，使得平面上所有神經(jīng)元的權(quán)值相等，減少了網(wǎng)絡(luò)自由參數(shù)的個(gè)數(shù)，進(jìn)而降低了網(wǎng)絡(luò)參數(shù)選擇的復(fù)雜度。通過影響函數(shù)核小的Sigmoid函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，使得特征映射具有位移不變性。

(1)接觸網(wǎng)成像檢測(cè)車采集的接觸網(wǎng)支撐懸掛裝置圖像大小為2 048×2 048。

(2)在矩陣計(jì)算中卷積核都是4維的，第一層的卷積核維度是7×7×3×96。CONV1得到的結(jié)果是110×110×96。為了能夠整除，要進(jìn)行填充操作，在圖片周圍補(bǔ)充像素得到卷積圖像的大小。

s=(a-b+pad)/c+1 (1)式中：s為卷積得到的圖像大??；a為卷積層中輸入的圖片尺寸；b為卷積濾波器大?。籶ad為填充像素；c為步長(zhǎng)。

(3)為了降低網(wǎng)絡(luò)參數(shù)選擇復(fù)雜度，對(duì)卷積得到的結(jié)果進(jìn)行下采樣，得到POOL1，池化核大小為3×3，池化后圖片維度為55×55×96。

(4)類似操作重復(fù)層2、3、4、5，前一層的輸出作為下一層的輸入。

(5)取CONV5輸出的特征向量輸入到區(qū)域建議網(wǎng)絡(luò)。

ZF網(wǎng)絡(luò)各層參數(shù)見表2。

表2 ZF網(wǎng)絡(luò)卷積過程參數(shù)

1．2 區(qū)域建議網(wǎng)絡(luò)

相對(duì)于 R-CNN系列其他網(wǎng)絡(luò)，F(xiàn)aster R-CNN 可以看做“區(qū)域生成網(wǎng)絡(luò)+Fast R-CNN”的系統(tǒng)，用區(qū)域生 成 網(wǎng) 絡(luò) (RPN)代 替 Fast R-CNN 中 Selective Search[16]方法，使得在精度不變的同時(shí)，速度變得更快。RPN核心思想是使用卷積神經(jīng)網(wǎng)絡(luò)直接產(chǎn)生區(qū)域建議，本質(zhì)就是滑動(dòng)窗口。RPN網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示[17]。假設(shè)給定600×100的輸入圖像，經(jīng)過一系列卷積操作得到最后一層大小約為40×60的卷積特征圖，最后一層卷積層共有256個(gè)卷積特征圖。

圖4 RPN網(wǎng)絡(luò)示意圖

在這個(gè)特征圖上使用3×3滑動(dòng)窗口與最后一層得到的特征圖進(jìn)行卷積，在這個(gè)3×3的區(qū)域上，每一個(gè)特征圖上得到1個(gè)1維向量，256個(gè)特性圖即可得到256維特征向量。

后邊接入到兩個(gè)全連接層，即分類層和回歸層，分別用于分類和邊框回歸。分類層包含2個(gè)元素，用于判別目標(biāo)和非目標(biāo)的估計(jì)概率，正樣本與真實(shí)區(qū)域重疊大于0．7，負(fù)樣本與真實(shí)區(qū)域重疊小于0．3?；貧w層包含4個(gè)坐標(biāo)元素(x，y，w，h)，用于確定目標(biāo)位置，返回區(qū)域位置。

根據(jù)建議區(qū)域得分高低，選取前300個(gè)建議區(qū)域，作為輸入進(jìn)行目標(biāo)檢測(cè)。

2 等電位線定位與識(shí)別

在運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)接觸網(wǎng)圖像提取特征對(duì)定位器支座定位過程中，分別輸入50，100，150和200張高鐵接觸網(wǎng)支撐懸掛裝置圖像，訓(xùn)練等電位線識(shí)別模型。輸入圖片分為訓(xùn)練和測(cè)試兩部分，其中訓(xùn)練圖像占總數(shù)量的70%，剩下的作為測(cè)試圖像，迭代次數(shù)分別為500、1 000、1 500、2 000次，學(xué)習(xí)率為0．01，表3為不同樣本數(shù)量以及在不同迭代次數(shù)情況下的訓(xùn)練時(shí)間。

表3 不同樣本數(shù)量、不同迭代次數(shù)的訓(xùn)練時(shí)間 s

通過輸入不同訓(xùn)練樣本數(shù)量和迭代次數(shù)組合，得到16個(gè)等電位線識(shí)別模型，通過輸入600張測(cè)試圖像分別檢測(cè)訓(xùn)練得到每張圖像的平均檢測(cè)時(shí)間和等電位線識(shí)別模型的準(zhǔn)確度。由表4可知，在模型訓(xùn)練完成之后，單張檢測(cè)時(shí)間隨訓(xùn)練數(shù)目和迭代次數(shù)的增加有所增長(zhǎng)。

表4 不同樣本數(shù)量、不同迭代次數(shù)的測(cè)試時(shí)間 s

表5 不同樣本數(shù)量、不同迭代次數(shù)的準(zhǔn)確度 s

由表5可知，在應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型時(shí)，需要數(shù)以萬計(jì)的圖像。由于接觸網(wǎng)圖像的特殊性，僅對(duì)等電位線單一物體特征提取，實(shí)行定位監(jiān)測(cè)，就可以通過訓(xùn)練較少圖像達(dá)到理想效果。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，迭代輸出lg信息中，一般包括迭代次數(shù)、訓(xùn)練損失代價(jià)、測(cè)試損失代價(jià)、測(cè)試精度等。通過繪制訓(xùn)練曲線(圖5)，不同訓(xùn)練圖像數(shù)目訓(xùn)練損失代價(jià)下降幅度不同，并且都隨迭代次數(shù)增加而不斷下降，200張圖片迭代2 000次，訓(xùn)練損失較小，達(dá)到較好的訓(xùn)練效果。

圖5 訓(xùn)練損失代價(jià)曲線

圖6為輸入200張圖像迭代2 000次訓(xùn)練得到的定位結(jié)果。圖6(a)是經(jīng)過第一級(jí)Faster R-CNN獲得的定位結(jié)果；圖6(b)是截取定位結(jié)果，用于下一步故障檢測(cè)。

圖6 定位器支座定位效果

3 等電位線散股故障檢測(cè)

在運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)上一步定位得到的接觸網(wǎng)定位器支座圖像中，200張散股故障圖片分為訓(xùn)練和測(cè)試兩部分，其中訓(xùn)練占總數(shù)量的70%，剩下圖像作為測(cè)試圖像，設(shè)其迭代次數(shù)為2 000次，學(xué)習(xí)率為0．01。

圖7 等電位線散股故障分類

依據(jù)經(jīng)驗(yàn)將等電位線散股故障分為兩類：局部嚴(yán)重散股，如圖7中標(biāo)識(shí)1的方框和輕微散股，標(biāo)識(shí)為2的方框。至于等電位線輕微散股故障，經(jīng)過多次實(shí)驗(yàn)分析，設(shè)SA為等電位線的全部面積，S1，S2，…，Sk為檢測(cè)故障方框面積且大小依次遞減，S為所有方框面積之和，統(tǒng)計(jì)圖像庫(kù)中輕微散股圖片，根據(jù)經(jīng)驗(yàn)取值可制定如下狀態(tài)判據(jù)：

(1)若S/SA≥0．072，則為等電位線輕微散股狀態(tài)。

(2)若S/SA<0．072，則為正常狀態(tài)。

以上判據(jù)中閾值數(shù)據(jù)均為經(jīng)驗(yàn)取值，能夠較準(zhǔn)確地判斷等電位線輕微散股故障，為維修工人提供維修依據(jù)。等電位線局部嚴(yán)重散股故障可直接由卷積神經(jīng)網(wǎng)絡(luò)定位得出發(fā)出預(yù)警，如圖8所示，防止等電位線故障引起其他接觸網(wǎng)問題，造成不可挽回的損失。

圖8 等電位線局部嚴(yán)重散股故障

4 實(shí)驗(yàn)分析

使用上述方法對(duì)接觸網(wǎng)成像檢測(cè)車拍攝到的2 000張高鐵接觸網(wǎng)支撐懸掛裝置圖像進(jìn)行實(shí)驗(yàn)檢測(cè)。含有等電位線部件的圖片有1 400張，其中等電位線出現(xiàn)散股故障的圖片有100張，實(shí)驗(yàn)檢測(cè)結(jié)果見表6。

表6 等電位線故障實(shí)驗(yàn)檢測(cè)數(shù)據(jù)

由表6可知，算法在等電位線部件的定位提取中有較高的準(zhǔn)確率，且檢測(cè)速度可滿足實(shí)時(shí)性。等電位線出現(xiàn)定位錯(cuò)誤主要是由于該處接觸網(wǎng)部件拍攝角度出現(xiàn)遮擋，發(fā)生遮擋重疊，如圖9所示，造成定位判斷錯(cuò)誤。

圖9 等電位線散股故障檢測(cè)算法實(shí)現(xiàn)框架

5 結(jié)束語(yǔ)

本文基于數(shù)字圖像處理技術(shù)，采用卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN實(shí)現(xiàn)等電位線的定位以及散股故障，成功率較高。實(shí)驗(yàn)結(jié)果表明，基于級(jí)聯(lián)Faster R-CNN能有效定位提取等電位線部件并正確判斷零件故障，相比傳統(tǒng)的人工篩查方式具有較高的檢測(cè)效率，為接觸網(wǎng)支撐裝置零部件故障判斷提供了技術(shù)參考。