技术摘要：
本发明公开了一种基于深度学习和迁移学习的2C设备高铁接触网吊弦缺陷检测方法，克服了现有技术中，高铁接触网吊弦缺陷检测精度有待提高的问题。该发明含有以下步骤：(1)输入拍摄的高分辨率图像；(2)将输入图像送入目标检测网络得到预测结果，用非极大值抑制算法过滤掉  全部
背景技术：
接触网是在电气化铁道中，沿钢轨上空“之”字形架设的，供受电弓取流的高压输 电线。接触网是铁路电气化工程的主构架，是沿铁路线上空架设的向电力机车供电的特殊 形式的输电线路。接触网吊弦相当于是整个接触网上的支架，是承力索与接触线间振动和 力的传递者，是列车安全运营的关键部分，吊弦缺陷将会对铁路的安全运行产生重大影响。 在接触网检测中，吊弦的检测任务繁重，通常一杆之间会有5组左右的吊弦，数量巨大并且 缺陷较细，从而难以察觉。随着我国的列车的不断提速，接触网疲劳断裂事故也时有发生。 目前，针对这一问题，主要有以下几种方案。 一是通过智能巡检车沿线路对接触网状态进行巡检。巡检车夜晚在高铁路段行驶 过程中采用摄像采集、激光扫描、计算机图像处理、RFID精确定位和智能化分析判断等技 术，对高铁钢轨面是否擦伤和磨损、钢轨扣件是否异常、供电接触网状态是否良好以及线路 有无障碍物侵入等多项内容进行实时记录，经过计算机分析处理，从而实现了接触网缺陷 检测的功能。 二是通过对2C(接触网安全巡检装置)或4C设备(接触网悬挂状态检测监测装置) 拍摄的图片进行人工分析。2C及4C检测装置采用都是摄像头对接触网设备进行全方位拍 摄。通过对接触网支撑装置、定位装置、附加悬挂等重要接触网关键设备进行高精度、高密 度地拍摄，拍摄图像经采集后经人工逐帧仔细查看，发掘出检测数据所反映的设备状态，及 时指导工区处理设备故障及安全隐患，确保接触网安全稳定运行。 三是基于计算机视觉的接触网吊弦缺陷检测。利用深度学习技术，通过高性能计 算机对2C或4C装置所拍摄的图片进行分析。使用图像处理技术以及目标检测技术完成对接 触网吊弦缺陷的定位、识别以及分类。 目前的接触网吊弦缺陷检测方案，不能在保证准确率的前提下还保证简易性。若 是通过智能巡检车来检测接触网状态，首先随着列车速度的提高，车辆运行频率和巡检频 率也需要提高，但是巡检车的速度有限且过多的巡检车会影响铁路运输工作的正常运行； 同时铁路运行的环境也越来越复杂，许多安全故障是接触式检测无法识别的。若是采用人 工分析2C(接触网安全巡检装置)或4C设备(接触网悬挂状态检测监测装置)拍摄图片的方 法来检测吊弦缺陷，存在工作量大、耗时长、时效性差等问题，其次，长期人工判读会导致准 确率降低，而这一原因主要因为分析人员每天需要分析的数据过多，而且分析过程单一枯 燥，直接造成分析人员注意力下降，会造成大量的误判、漏判。 所以以上方法仍然有很多问题需要解决。基于计算机视觉的接触网吊弦缺陷检 测，只需要随车安装2C或4C设备，无需巡检车的介入。利用计算机取代了人工，将分析人员 4 CN 111598855 A 说　明　书 2/8 页 从大量的重复性工作中解放出来。但是由于计算机视觉方法的学习能力较差，导致对一些 异常出现误判以及漏判。由于计算机视觉方法大多基于深度神经网络来实现，训练深度神 经网络需要大量的数据，而高铁接触网吊弦的缺陷数据是极少的，这就导致了基于计算机 视觉的接触网吊弦缺陷检测精度难以提升。
技术实现要素：
本发明克服了现有技术中高铁接触网吊弦缺陷检测精度有待提高的问题，提供一 种步骤合理、可靠性高的基于深度学习和迁移学习的2C设备高铁接触网吊弦缺陷检测方 法。 本发明的技术解决方案是，提供一种具有以下步骤的基于深度学习和迁移学习的 2C设备高铁接触网吊弦缺陷检测方法：含有以下步骤：(1)输入拍摄的高分辨率图像；(2)将 输入图像送入目标检测网络得到预测结果，用非极大值抑制算法过滤掉所有检测结果中重 叠部分过大的检测框；(3)对检测出的正常部位进行坐标匹配；(4)根据匹配结果对漏检的 部位进行定位；(5)利用分类网络对定位出的漏检部位进行分类；(6)输出所有异常检测结 果。 优选地，所述步骤1中高分辨率图像选取2C设备拍摄。 优选地，所述步骤2中利用目标检测网络提取吊弦3个部位，步骤如下： (2a)将输入图像送入目标检测网络，经过网络的前向预测，得到多个输入图像的 预测结果[tlx,tly,brx,bry,cls_idx,score]，其中(tlx,tly)分别代表物体在输入图像中 的左上角横纵坐标，(brx,bry)分别代表物体在输入图像中的右下角横纵坐标，cls_idx代 表物体所代表的类别的索引，score代表该物体的检测置信度；检测结果包含6种物体类型 {正常上载流环，正常吊弦主体，正常下载流环，异常上载流环，异常吊弦主体，异常下载流 环}；(2b)用非极大值抑制算法对所有检测结果进行过滤，将重叠部分过大的检测框过滤 掉。 优选地，所述步骤3中对检测出的正常部位进行匹配，步骤如下：(3a)在步骤2中得 到一张图像上所有正常部位的坐标，将正常部位中的上下载流环进行匹配，匹配之后将所 有正常部位划分为3部分{成功匹配的上下载流环对，未成功匹配的载流环，吊弦主体}； (3b)然后将{成功匹配的上下载流环对，未成功匹配的载流环，吊弦主体}中的吊弦主体与 匹配成功的载流环对进行匹配，将所有正常部位重新划分为4部分{成功匹配的吊弦，缺失 主体的吊弦，未成功匹配的载流环，未成功匹配的吊弦主体}；(3c)将{成功匹配的吊弦，缺 失主体的吊弦，未成功匹配的载流环，未成功匹配的吊弦主体}中没有成功匹配的载流环和 吊弦主体进行匹配，得到缺失上载流环的吊弦、缺失下载流环的吊弦；再将所有检测到的正 常部位划分成5部分{成功匹配的吊弦，缺失主体的吊弦，缺失上载流环的吊弦，缺失下载流 环的吊弦，未成功匹配的部位}。 优选地，所述步骤4中根据匹配结果对漏检的部位进行定位，步骤如下：(4a)将{成 功匹配的吊弦，缺失主体的吊弦，缺失上载流环的吊弦，缺失下载流环的吊弦，未成功匹配 的部位}中缺失主体的吊弦的坐标取出，根据吊弦3个部位的逻辑位置关系得到吊弦主体的 坐标{漏检吊弦主体}；(4b)将{成功匹配的吊弦，缺失主体的吊弦，缺失上载流环的吊弦，缺 失下载流环的吊弦，未成功匹配的部位}中缺失上载流环的吊弦的坐标取出，根据吊弦3个 5 CN 111598855 A 说　明　书 3/8 页 部位的逻辑位置关系得到上载流环的坐标{漏检上载流环}；(4c)将{成功匹配的吊弦，缺失 上载流环的吊弦，缺失下载流环的吊弦，未成功匹配的部位}中缺失下载流环的吊弦的坐标 取出，根据吊弦3个部位的逻辑位置关系得到下载流环的坐标{漏检下载流环}。 优选地，所述步骤5中利用分类网络对定位出的漏检部位进行分类，步骤如下： (5a)根据步骤4中得到的{漏检吊弦主体，漏检上载流环，漏检下载流环}的坐标在原图中裁 剪出对应区域的图像；(5b)将裁剪出的图像块送入图像分类网络；(5c)分类网络输出分类 结果{正常漏检吊弦主体，正常漏检上载流环，正常漏检下载流环，异常漏检吊弦主体，异常 漏检上载流环，异常漏检下载流环}。 优选地，所述步骤6中输出所有异常检测结果，步骤如下：(6a)将目标检测网络得 到的{异常上载流环，异常吊弦主体，异常下载流环}结果与图像分类网络得到的{异常漏检 上载流环，异常漏检吊弦主体，异常漏检下载流环}进行汇总；(6b)输出所有的异常部位检 测结果。 与现有技术相比，本发明基于深度学习和迁移学习的2C设备高铁接触网吊弦缺陷 检测方法具有以下优点：采用全卷积神经网络、多层卷积神经网络和全连接层技术解决高 铁接触网吊弦缺陷检测问题，鉴于高铁接触网吊弦检测需要较高的时效性，针对2C设备基 于深度学习提出了一种接触网吊弦缺陷检测方法，检测速度快，检测率高，设备简单，实现 容易，适合大规模应用。 为了提升遮挡情况下目标检测网络对吊弦定位的精度，本发明将一根吊弦分为三 部分：上载流环，吊弦主体以及下载流环，三部分分开检测，只需检测出其中两部分就可以 利用位置关系定位剩下的一部分。既提高了准确性，又增强了稳定性。同时利用大量实际环 境场景中的图像训练特征提取网络，增强了实际应用中的鲁棒性。 利用深度神经网络来实现目标检测网络以及图像分类网络，能够对更准确的提取 图像吊弦各部位的特征，使得本发明具有较强的学习能力以及泛化能力。 本发明使用2C设备，既大幅缩短了整条线路的检测周期，又省去了大量人工的重 复性工作。并且本发明合理设计的检测流程可以快速准确的检测接触网吊弦的缺陷。 本发明通过迁移学习来提升目标检测网络的性能，能够在吊弦缺陷数据不足的情 况下利用大量正常吊弦数据来帮助深度神经网络的训练，从而提升缺陷检测的精度。通过 采用基于深度学习以及迁移学习的目标检测技术和图像分类技术解决2C设备下接触网吊 弦缺陷检测问题。通过迁移学习来提升目标检测网络对异常载流环的检测性能，通过对目 标检测网络的中特征提取部分的重新设计来提升小目标的检测精度，通过对特征提取网络 的重新设计来提升目标检测网络对小目标(如载流环)的检测精度。。 附图说明 图1是本发明的流程结构示意图； 图2是本发明中异常的接触网吊弦二维灰度图像示意图； 图3是本发明中正常的接触网吊弦二维灰度图像示意图； 图4是本发明中将吊弦作为整体检测时的检测结果； 图5是本发明中将吊弦分段后载流环的检测结果； 图6是本发明中将吊弦分段后吊弦主体的检测结果； 6 CN 111598855 A 说　明　书 4/8 页 图7是本发明改进后的特征提取网络DLA-FPN。 其中图4(a)中可以看到在背景简单的情况下，吊弦的有较好的检测结果，(b)中在 复杂背景下，大部分吊弦由于被遮挡而检测不出来。图5(a)中为正常载流环检测结果示意 图，(b)为异常载流环检测结果示意图。图中大部分的载流环都可以被检测出来。图6中可得 大部分的吊弦主体都能被检测出来。