基于深度學習的接觸網頂緊螺栓狀態(tài)智能檢測

程敦誠，王 倩，吳福慶，王昕鈺，牛英杰，葉 壯

(西南交通大學 電氣工程學院，四川 成都 611756)

高速鐵路接觸網是高速鐵路(以下簡稱“高鐵”)牽引供電系統(tǒng)中的關鍵基礎設備。在列車的長時間運行中，接觸網零部件等具有動態(tài)磨損的設備大都工作在自然環(huán)境中且無備用，不可避免地會遭受弓網系統(tǒng)的機械振動和電氣影響，是高鐵牽引供電系統(tǒng)中的薄弱環(huán)節(jié)[1]。高鐵接觸網斜腕臂套筒雙耳是弓網系統(tǒng)重要的承力部件，對于頂緊螺栓式套筒雙耳，頂緊螺栓是其重要的緊固件，由于列車的高頻振動等問題，會產生頂緊螺栓的松脫、脫落兩種不良狀態(tài)，從而降低腕臂的承力能力，增加事故發(fā)生率[2]。因此，對頂緊螺栓狀態(tài)進行高效檢測，及時對其不良狀態(tài)進行預警，給出維修建議，對保障高鐵牽引供電系統(tǒng)的穩(wěn)定運行非常重要。

中國是世界高速鐵路運營里程最長，運營速度最高，在建規(guī)模最大的國家。截至2020年底，中國高鐵路線長度已超3.5萬km，給出行帶來便利的同時增加了檢測的負荷和難度。人工巡檢、利用高清圖片線上人工判圖等檢測方式效率低下、需要大量人力。如何快速高效地實現(xiàn)鐵路接觸網零部件狀態(tài)的智能檢測已成為行業(yè)研究重點之一[3-4]。目前，接觸網懸掛狀態(tài)檢測監(jiān)測裝置(4C)已在全國18個鐵路局集團有限公司投入使用。為數據中心提供了海量的接觸網圖片，奠定了非接觸式圖像檢測的基礎[5]。

接觸網零部件的狀態(tài)檢測可以分為定位和分類兩步。隨著深度學習的快速發(fā)展，卷積神經網絡已成為接觸網零部件定位中的主流算法。文獻[6]通過Faster RCNN模型對接觸網等電位線進行定位；文獻[7]通過改進的SSD算法對接觸網吊弦和絕緣子進行定位。

在對接觸網零部件進行分類操作時，目前尚未得到魯棒性很好的分類模型。分類時若直接利用圖像分割，邊緣檢測等數字處理技術很容易產生錯誤的分割，對接觸網零部件的狀態(tài)進行誤判斷；分類時若直接利用深度學習的卷積分類模型對其不同狀態(tài)進行分類，在訓練過程中會出現(xiàn)嚴重的過擬合情況，訓練誤差遠小于測試誤差，無法達到實際應用的要求[8]。文獻[9]通過生成對抗網絡GANs(Generative Adversarial Networks)擴展了接觸網開口銷脫落狀態(tài)的樣本數量，之后，利用VGG16卷積分類模型實現(xiàn)開口銷正常、脫落狀態(tài)的檢測；與文獻[9]中的開口銷檢測不同，對于頂緊螺栓，需要定量判斷薄螺母的移動距離來對不同狀態(tài)進行定性檢測，螺母松動產生的微小位移使得頂緊螺栓的松脫和脫落狀態(tài)差別極小，所以僅僅擴展缺陷樣本后進行分類還是不能取得準確的檢測結果。

針對接觸網零部件數據缺陷樣本不足、狀態(tài)變化特征粒度差別小等問題，語義分割[10]有望解決這些難題。目前，語義分割模型已經在安全帶檢測和鐵軌路牌識別中得到了應用。文獻[11]提出的安全帶分割算法已經在公安監(jiān)控領域實現(xiàn)了應用；文獻[12]利用FCN語義分割模型實現(xiàn)了鐵軌路牌的字符分割，滿足了鐵路局集團有限公司的實際需求。文獻[13-14]利用語義分割分別實現(xiàn)了對接觸網開口銷和接觸網定位環(huán)的狀態(tài)檢測。

本文在上述研究的基礎上，結合接觸網頂緊螺栓的結構特征，提出了SSD512定位算法和U-net8語義分割模型，基于SSD512和U-net8這兩種深度學習算法設計了頂緊螺栓狀態(tài)智能檢測方法，并進行試驗驗證。

1 相關理論分析

1.1 SSD定位算法基本原理

單次多框檢測器(Single Shot Multibox Detector，SSD)是一種基于多尺度檢測的定位算法，它融合了Faster R-CNN的錨框思想和YOLO的回歸思想，在定位準確率和效率上都具有優(yōu)勢[15]。訓練過程中，通過對不同特征層上預設的Default Boxes進行回歸和類別預測來實現(xiàn)定位和分類。SSD采用300×300大小的輸入，在去除全連接層的基礎網絡VGG16[16]后添加多個卷積層，總共選取了6個不同尺度的特征層進行多尺度定位檢測。

假設SSD算法用于定位的特征圖有m個，則第k個特征層上預設的Default Boxes比例sk的計算式為

( 1 )

式中：smin通常設置為0.2；smax設置為0.9。計算出的sk即為第k個特征層上的Default Boxes的面積的開方值，每個特征層上都設有5個不同長寬比例的Default Boxes，長寬比ar∈[1,2,3,1/2,1/3],其中ar=1時，還增加了一種sk的計算方法為

( 2 )

( 3 )

如圖1所示,假設在定位過程中產生了一個大小為4×4的特征層，取ar∈[1,2,1/2]，則每個特征點可以生成4個Default Boxes用于匹配待定位部件，圖中用紅色框表示。

圖1 Default Boxes的示意

1.2 U-net語義分割模型基本原理

語義分割是一種基于像素級別的分類模型，它基于像素對圖片各部分進行分類標記。人工分類標記過的圖片稱為標簽圖片；語義分割模型保留了圖片分類模型用于特征提取的卷積池化操作，去除了模型最后的全連接層，不僅實現(xiàn)了對圖片特征的提取，還保留了輸入圖片的空間信息。

U-net[17]是一種語義分割所采用的優(yōu)秀模型，具有典型的從端到端的編碼-譯碼結構。訓練過程中采用了圖片彈性形變的方式進行數據增強。在模型的前半部分通過卷積池化處理對輸入圖片進行4次降采樣和特征提取，對圖片實現(xiàn)了16倍的降采樣；后半部分通過4次上采樣對圖片進行細節(jié)的還原，恢復圖片分辨率。模型的創(chuàng)新點在于將4個下采樣階段的不同特征層和上采樣階段的具有相同大小的特征層進行跨層連接，生成具有雙倍通道的特征圖，實現(xiàn)特征融合。充分地利用了原始輸入圖片的結構信息，幫助上采樣階段進行細節(jié)還原。

2 頂緊螺栓狀態(tài)智能檢測方法框架

本文設計的頂緊螺栓狀態(tài)智能檢測方法分包含三部分：頂緊螺栓的定位和截取；頂緊螺栓的語義分割；頂緊螺栓的狀態(tài)檢測。首先通過SSD512實現(xiàn)頂緊螺栓的快速定位和截?。恢笸ㄟ^U-net8對截取的頂緊螺栓圖片進行處理，得到頂緊螺栓語義分割后的圖片(語義圖片)，語義圖片將頂緊螺栓的語義信息分為螺桿和薄螺母，分別用綠、藍色塊表示，通過判斷語義圖片的差別來判斷頂緊螺栓的不同狀態(tài)。系統(tǒng)的整體框架見圖2。

圖2 頂緊螺栓狀態(tài)智能檢測方法框架

3 頂緊螺栓狀態(tài)智能檢測方法及試驗驗證

3.1 頂緊螺栓的定位和截取

SSD的算法是在VOC2012(Visual Object Classes Challenge2012)數據集上進行訓練和測試的，圖片都在500×500像素左右。雖然4C檢測車采集的接觸網支撐裝置腕臂結構圖片像素值為6 600×4 400，遠遠大于VOC圖片大小，但其中待定位的頂緊螺栓占全局像素還不足0.1%，根據國際光學工程學會(Society of Photo-Optical Instrumentation Engineers，SPIE)的定義，當待定位目標小于圖像像素的 0.12%時即劃為小目標，因此頂緊螺栓的定位是小目標定位。SSD算法對大目標定位效果很好，但對小目標的定位效果欠佳。根據式( 1 )～式( 3 )可以計算出SSD最底層用于定位小目標的特征層上的最小Default Boxes所占總體像素的值大于10%，難以對接觸網頂緊螺栓等小目標進行匹配和定位。模型的結構和參數的設計不能直接用于接觸網頂緊螺栓的定位。

3.1.1 SSD512定位算法設計

為了提高對頂緊螺栓等小目標的定位效果，基于1.1節(jié)所述的SSD基本原理，將網絡的輸入設計成512×512像素值，以此增加了各個用于檢測的特征層像素值的大?。籗SD的底層特征層映射到接觸網零部件檢測圖片的像素范圍較小，主要用于定位頂緊螺栓等小目標。為了實現(xiàn)小目標的定位，本文將底層的Default Boxes尺度設置的很小，smin設置為0.02，保證有多個底層特征層可以匹配定位到像素值較小的頂緊螺栓。隨著輸入的增大，用于檢測的特征層變大，導致各特征層的感受野減小。對此，本文增加了一層用于檢測的特征層，實現(xiàn)了在7個不同尺度的特征層上對頂緊螺栓的定位，增加了和小目標的匹配度。上述的設計也使得模型最后一層的特征層大小不變，可以在支撐裝置腕臂結構圖片中得到較大的像素映射范圍，保證了模型對大目標的定位也不受影響。將根據頂緊螺栓特點設計的SSD算法命名為SSD512，模型結構見圖3，其中輸入圖片的像素大小為512×512×1,第一個用于檢測的特征層conv4-2的大小為64×64×512，各特征圖的大小見圖3。

圖3 SSD512的結構

3.1.2 基于SSD512的頂緊螺栓的定位驗證及分析

試驗數據選取4C檢測車在京廣線采集的包含隧道內外等多種環(huán)境的德式一類接觸網支撐裝置腕臂結構圖片，共3 410張，保證了試驗數據的多樣性。標簽為包含位置信息的xml格式文件。其中，用2 900張圖片和對應的xml文件作為訓練集，410張圖片作為驗證集，剩下的100張圖片作為測試集。在支撐裝置腕臂結構圖片組成的數據集上迭代1 000次，前800次學習率為10-5，后200次學習率設置為10-6。訓練過程中，輸入的腕臂結構圖片先經過VGG16網絡后進行了一系列的卷積池化操作，對頂緊螺栓進行了特征提取。之后將conv4-2、fc7等7個特征層上的Default Boxes與預設標簽進行比對，并計算交并比IoU為

( 4 )

式中：G為螺栓在支撐裝置腕臂結構圖片中實際所處位置；D為SSD512算法特征層預測的該頂緊螺栓所處的位置，即眾多Default Boxes中的一個；交并此指標表示G、D兩者的重疊度。通過對該指標設置合理的閾值置信度，可以篩選掉絕大多數Default Boxes，SSD512中對該閾值設置為0.5。IoU符合要求的Default Boxes按從大到小的規(guī)則進行排序，留下前200個框，最后通過非最大值抑制算法(Non-Maximum Suppression，NMS)進一步篩選，得到最終的定位結果。

SSD512的損失函數為

( 5 )

式中：x為Default Boxes和實際標簽是否匹配，匹配的話將進行損失函數計算；c為Default Boxes對頂緊螺栓定位結果的置信度；l和g分別為符合要求的Default Boxes坐標偏移和對應的頂緊螺栓實際所在位置；N為匹配到的Default Boxes的個數;Lconf(x,c)為位置預測損失函數;Lloc(x,l,g)為類別預測損失函數；α為加權系數，為了強調對小目標的定位效果，將α設置為2?？偟膿p失函數由定位誤差和分類誤差的加權和組成。模型訓練過程中采用的優(yōu)化器的Adam優(yōu)化器。SSD512訓練過程中的損失值變化曲線見圖4。

圖4 SSD512訓練過程的loss變化

由圖4可見，當訓練到600次時已能取得良好的收斂效果。其中測試集的平均損失值穩(wěn)定在1.3，驗證集的平均損失值在0.8，能達到很好的定位效果。為了驗證SSD512算法的有效性和魯棒性，對100張支撐裝置腕臂結構圖片進行測試試驗，通過選擇算法模型輸入大小input、特征層層數d和最小Default Boxes比例smin三個主要參數來驗證提出的SSD512算法定位的有效性。SSD采用文獻[15]中的參數:Input=300，d=6，smin=0.2；模型1參數:Input=300，d=6，smin=0.02。SSD512的參數為Input=512，d=6,smin=0.02；模型2的參數為Input=512，d=7，smin=0.02。

在測試試驗中增加了對平腕臂絕緣子的定位，對比稍大目標的定位效果。通過控制變量法對算法結構和參數設計的合理性進行驗證。用ACC來對算法進行評估，準確率ACC表示算法定位的準確率，為定位到零部件的個數和實際零部件總數的比值。100張腕臂結構圖片中有100個平腕臂絕緣子和400個頂緊螺栓。

對比試驗的結果如表1所示。

表1 不同SSD算法參數的測試結果

由表1可見，對比表1中模型1和SSD試驗的結果可以看出，對smin的縮小處理增加了可用于匹配頂緊螺栓等小目標的Default Boxes的個數，明顯地增加了模型對小目標的定位效果；對比模型2和模型1以及SSD512和模型2的試驗結果表明，增加模型的輸入大小和用于檢測的特征層的個數，也能提升定位準確率。

SSD512的定位效果見圖5。

圖5 SSD512的定位效果

3.2 頂緊螺栓的語義分割

基于SSD512定位到頂緊螺栓后，可以得到頂緊螺栓所在Default Boxes邊框的四點坐標，并可以將其圖片截取出來(頂緊螺栓圖片)?？紤]到定位過程中Default Boxes的偏移、保證頂緊螺栓截取的完整性，將提取邊界適當放大，以96×96的像素大小截取出完整的頂緊螺栓部件，并將其邊長歸一化到224×224，用于保證語義分割的精度。

目前沒有用于接觸網零部件語義分割方面的公開數據集，參考VOC2012等語義分割數據集，隨機選取250張頂緊螺栓正常狀態(tài)圖片、150張頂緊螺栓松脫狀態(tài)圖片和80張頂緊螺栓脫落狀態(tài)圖片，使用Python開源的LabelMe等軟件對其進行標記，制作可用于接觸網頂緊螺栓語義分割模型訓練的標簽圖片，標記的標簽圖片見圖6。

圖6 頂緊螺栓圖片和對應的標簽圖片

圖6 展示了不同狀態(tài)下的頂緊螺栓圖片和其對應的標簽圖片。頂緊螺栓的薄螺母被標記為藍色，螺桿標記為綠色。正常狀態(tài)下，薄螺母緊貼接觸網腕臂支架插口；松脫狀態(tài)下，伴隨頂緊螺栓的松動，薄螺母與接觸網腕臂插口不再緊貼，具有一定的間距；脫落狀態(tài)伴隨著頂緊螺栓離開插口。

U-net采用彈性形變的數據增強方式可以減少標簽圖片標記的工作量，還可以增加模型的泛化能力，但是頂緊螺栓是剛性零部件，彈性形變的數據增強會產生不符合實際的頂緊螺栓圖片；U-net對輸入圖片進行了切割和邊緣鏡像操作，輸入的大小為572×572×1，輸出的語義圖片為388×388×2，和頂緊螺栓圖片大小相差數倍；U-net為像素點的二分類模型，頂緊螺栓圖片的語義分割是一個像素點三分類問題。所以，U-net的參數設計不能直接用于頂緊螺栓的語義分割，需要進行改進優(yōu)化。

3.2.1 U-net8語義分割模型設計

為了增加模型訓練速度，根據頂緊螺栓數據集的特點，基于1.2節(jié)所述U-net的基本原理對模型進行設計。訓練過程中改變了數據增強的方法，對輸入的頂緊螺栓原圖和標簽圖片做了相同的隨機翻轉、偏移等處理；為了提高語義的豐富性和辨識度，便于在之后的檢測過程中有效地將頂緊螺栓的不同狀態(tài)區(qū)分開來，將模型輸出的灰度語義圖，設計為三通道的標準RGB圖片格式，通過3個通道像素值的組合判斷語義信息。同時，改變了模型的輸入方式，降低了原始模型的輸入大小，使得模型的輸入輸出在同一尺度224×224×3；將16倍降采樣的U-net只進行了3次降采樣，新設計的模型按采樣倍率定義為U-net8和擁有更少參數的4倍降采樣的U-net4，大大加快了訓練時間。

U-net8具有對稱的結構，U形結構左側為降采樣過程，對特征進行提取，經過3次降采樣，特征層大小分別為112×112、56×56、28×28，特征層深度為128、256、512。右側為像素的恢復過程，各層參數均在圖7中進行了標注，3次上采樣后模型最終輸出的語義圖片為224×224×3。U-net8的模型結構見圖7。

圖7 U-net8的結構

3.2.2 頂緊螺栓語義分割模型性能驗證及分析

為了在所設計的U-net8和U-net4中選擇適合于頂緊螺栓語義分割的模型，本文進行了對比試驗。將340張截取的頂緊螺栓圖片用于訓練，140張組成驗證集。語義分割試驗階段優(yōu)化器采用Adam，學習率為0.000 1，采用IoU作為分割的準確度，對模型的分割效果進行評估，用交并比損失函數(1-IoU)加上圖片的交叉熵損失函數作為U-net8的總體損失函數。

∑[Alog2B+(1-A)log2(1-B)]

( 6 )

式中：A為語義分割模型的標簽圖片，在模型訓練過程幫助模型調參；B為訓練好的模型在驗證試驗中輸出的語義圖片。兩者的相似度反映了訓練好的模型性能的好壞。對3種模型均在480張截取的頂緊螺栓圖片和其對應的標簽圖片上面進行訓練和驗證，比較訓練過程中l(wèi)oss和IoU的變化曲線以及測試時的分割結果。

訓練過程中l(wèi)oss和IoU變化曲線見圖8。由圖8可見，對頂緊螺栓進行語義分割時，U-net8和U-net在訓練過程都表現(xiàn)出很好的性能。U-net由于過多的參數導致前期訓練較慢，U-net4則因為參數過少，導致IoU較低，loss最大。U-net8不僅能在分割精度上和U-net持平，訓練過程中也收斂更快。最后訓練得到的U-net8IoU穩(wěn)定在0.85，可以得到很好的分割結果。因此，本文選擇U-net8進行頂緊螺栓的語義分割。

圖8 U-net8訓練過程的loss和IoU變化

3.3 頂緊螺栓的狀態(tài)檢測

根據鐵路行業(yè)關于支撐裝置腕臂的相關標準，頂緊螺栓薄螺母的規(guī)格需要符合相關的國家標準[18]，薄螺母的寬度和直徑是統(tǒng)一的，可以由薄螺母和頂緊螺栓各部分的比例關系對頂緊螺栓的移動距離進行定量測量，進而對頂緊螺栓的不同狀態(tài)進行檢測。

訓練好U-net8后，通過輸入截取的頂緊螺栓圖片來獲得頂緊螺栓的語義圖片。為了實現(xiàn)對頂緊螺栓各部分的對比、定量測量，需要將語義圖片旋轉至同一平面進行投影比較。利用Canny邊緣檢測等算法可以將語義圖片旋轉至相同平面。

邊緣提取對比見圖9。圖9(b)為Canny算子提取的頂緊螺栓邊緣特征，圖9(c)為圖9(a)經U-net8語義分割處理后得到的頂緊螺栓語義圖片。圖9(d)為U-net8處理后再進行Canny邊緣檢測所得的結果。薄螺母、螺桿部件的輪廓都能進行很好的提取，方便了后續(xù)的旋轉操作。語義分割模型的引入為之后頂緊螺栓狀態(tài)檢測的可靠性提供了保證。

圖9 邊緣提取的對比

頂緊螺栓狀態(tài)檢測的具體步驟如下：

Step1語義圖片藍色、綠色像素的統(tǒng)計。根據圖片中藍色以及綠色連通域的有無判斷頂緊螺栓的脫落狀態(tài)。對語義信息中僅有黑色色塊(僅有插口)的語義圖片，判斷為缺失狀態(tài)。對頂緊螺栓脫落和其他狀態(tài)對應的分割圖片進行像素點統(tǒng)計時，發(fā)現(xiàn)緊螺栓脫落狀態(tài)對應的分割圖片的像素點小于100，其他狀態(tài)對應的分割圖片的像素點遠遠大于100。所以，可以將藍色和綠色像素值均少于閾值100的語義圖片判斷為松脫狀態(tài)。

Step2語義圖片旋轉至水平位置。如圖10所示，可以通過確定語義圖片中某一直線與水平面的夾角確定旋轉角度將其旋轉至水平位置。利用RGB三色像素值的明顯區(qū)別，可以很方便地對語義圖片中的特定顏色進行提取和處理。因此，可以對頂緊螺栓語義圖片進行藍色色塊提取，利用薄螺母計算旋轉角度。提取藍色語義后，先通過Canny算子描繪出薄螺母邊緣，結合Hough直線檢測[19]，獲得薄螺母邊緣線中長邊與水平面的傾角，利用該傾角將圖10(a)旋轉至水平位置。

圖10 旋轉角度的測量

Step3語義圖片的投影處理。如圖11所示，先對頂緊螺栓語義圖片進行綠色色塊提取并進行二值化處理，得到螺桿區(qū)域。之后，將二值化圖片進行像素值的水平投影，較短白色色塊的投影長度即為薄螺母和插口的距離，兩個白色色塊之間的長度即為薄螺母的厚度。對投影圖片中的白色色塊進行分析，若只有一個白色色塊，則證明頂緊螺栓處于正常的狀態(tài)，若出現(xiàn)兩個白色色塊，則需要通過比例關系判斷是否松脫。

圖11 水平投影處理

Step4定量測量。如圖12所示，圖中標識的線段a為薄螺母和插口距離，b為薄螺母寬度，c為螺桿頭部到薄螺母的長度，(a+b+c)表示螺桿突出的總長，通過b/(a+b+c)的比例關系和閾值的大小關系來確定頂緊螺栓是否松脫。頂緊螺栓在正常狀態(tài)時，薄螺母和螺桿螺母長度之和的比例接近0.2。列車振動導致螺桿和螺母突出距離增大，b/(a+b+c)的比例會減小，通過比例減小的程度判斷螺母的位置。試驗表明，當b/(a+b+c)<0.185時，判斷頂緊螺栓為松脫狀態(tài)，需要對該不良狀態(tài)進行預警。0.185能有效將頂緊螺栓兩種不同狀態(tài)的語義圖片進行區(qū)分。

圖12 間距的測量

4 頂緊螺栓狀態(tài)智能檢測方法對比驗證及分析

基于前文給出的頂緊螺栓智能檢測方法，采用TensorFlow-gpu的深度學習框架，試驗環(huán)境NVIDIA GeForce RTX2060顯卡，16 GB運行內存，CPU@2.9 GHz處理器，對方法的有效性進行驗證。

對測試集中包含400個頂緊螺栓的100張支撐裝置腕臂結構圖片，通過SSD512進行定位，并對定位到的頂緊螺栓與其他方法進行對比試驗，一共做了兩組對比試驗來驗證本文所提方法的有效性：灰度像素統(tǒng)計圖[2]，DCGAN+VGG[9]。對比試驗的結果如表2所示。

表2 不同模型下的測試結果對比

綜合準確率表示的是定位準確率和狀態(tài)識別準確率的乘積。分析表2試驗數據可知：通過灰度像素統(tǒng)計圖對頂緊螺栓狀態(tài)進行檢測時，頂緊螺栓圖片灰度變化過小，對狀態(tài)識別的結果影響較大。DCGAN+VGG能在一定程度上增加識別的準確率，卻無法定量判斷薄螺母的移動距離，導致狀態(tài)的定性判斷不準確。本文所提方法采用了基于深度學習的SSD512及U-net8，在對頂緊螺栓的狀態(tài)進行檢測時，利用其物理結構的特點，將其劃分為不同的語義信息。能夠判斷出大部分頂緊螺栓的狀態(tài)。

通過定量檢測對松脫狀態(tài)進行識別，可以在產生重大隱患前及時完成檢修工作，防患于未然。這一點剛好契合鐵路系統(tǒng)“超前診斷”的要求。在鐵路系統(tǒng)數據中心“一桿一檔”的數據存儲模式下，可以依據不同時段同一零部件語義分割結果的變化情況來判斷狀態(tài)的變化。不僅可以記錄、對比長度的變化，也可以依據不同時間點像素的比值來判斷狀態(tài)的變化，推廣應用于接觸網零部件覆冰狀態(tài)檢測等其他方面，具有良好的應用前景。

5 結束語

本文提出的基于深度學習實現(xiàn)頂緊螺栓狀態(tài)智能檢測的方法，實現(xiàn)了接觸網頂緊螺栓的定位、語義分割和狀態(tài)檢測，通過將所設計的SSD512和U-net8相結合，有效地解決了缺陷樣本不足帶來的分類精度低、魯棒性差的問題。同時對狀態(tài)變化特征粒度小時的狀態(tài)判定能夠取得良好的效果。試驗數據表明，本文提出的方法對接觸網頂緊螺栓的智能檢測具有良好的效果，為接觸網零部件的智能檢測提供了一種全新的思路。