徐偉，吳澤彬，劉建新，丁道華，詹天明，徐洋

（1.中國鐵路上海局集團有限公司 南京供電段，江蘇 南京 210011；2.南京理工大學 計算機科學與工程學院，江蘇 南京 210094；3.南京智蓮森信息技術有限公司，江蘇 南京 210012）

1 概述

近十幾年來，我國鐵路為提高運輸效率和競爭力，對主要運輸線路實施了大量的技術改造和創(chuàng)新。其中，高速鐵路迅猛發(fā)展，經(jīng)過10余年的發(fā)展，“中國高鐵”被譽為中國經(jīng)濟發(fā)展的奇跡，頻頻刷新世界紀錄，“中國速度”在世界經(jīng)濟發(fā)展中起著非常重要的作用[1]。隨著我國高速鐵路的逐漸普及，高鐵線路的巡檢問題受到了越來越多的關注。接觸網(wǎng)作為電氣化鐵路的重要組成部分，是整個高鐵安全最受關注的部分。為了保證行車安全，必須及時排除鐵路沿線接觸網(wǎng)設備存在的安全隱患[2]。其中，接觸網(wǎng)上的異物是威脅高鐵安全運營的重要因素之一，但由于接觸網(wǎng)具有分布廣泛、數(shù)量眾多、異物不容易察覺等特點，導致傳統(tǒng)人工巡檢方式效率低、周期長、檢測成本高，不能有效滿足高鐵快速發(fā)展要求[3]。為了保證高鐵供電系統(tǒng)的正常安全運行，原中國鐵路總公司提出構建高速鐵路供電安全檢測監(jiān)測系統(tǒng)（6C系統(tǒng)），其中，接觸網(wǎng)安全巡檢裝置（2C）得到了廣泛應用。該設備在檢測時安裝在高鐵列車的駕駛室，對接觸網(wǎng)的狀態(tài)進行圖像采集，事后統(tǒng)計分析接觸網(wǎng)的安全狀態(tài)。但通過分析室人工觀看圖像判斷接觸網(wǎng)中的安全隱患既耗時又效率低，而且漏識別的情況也較多。

目前，人工智能技術快速發(fā)展，作為人工智能領域的一個重要研究熱點，深度學習（Deep Learning）展現(xiàn)了強大的學習數(shù)據(jù)本質(zhì)特征的能力[4]。近年來，深度學習在語音識別、文本分類、圖像視頻處理和自然語言處理等研究領域都取得了很大成功[5]。深度學習允許多個處理層的計算機模型來學習具有多層次抽象的數(shù)據(jù)表示，使其能夠發(fā)現(xiàn)高維數(shù)據(jù)中的復雜結構，并抽象出數(shù)據(jù)的典型特征。因此深度學習方法在圖像分類、檢索、識別等圖像處理領域得到了大量的應用并表現(xiàn)出非常優(yōu)異的性能[6-8]。這些深度學習方法大多基于卷積神經(jīng)網(wǎng)絡（CNN）建立的深度學習模型[9]。與傳統(tǒng)機器學習模型相比，卷積神經(jīng)網(wǎng)絡具有更深的結構、指數(shù)級增加的特征表達能力[10]、多任務協(xié)同優(yōu)化以及較強的自主學習能力。

隨著深度學習理論與技術的發(fā)展，產(chǎn)生了大量的智能化方法，這為接觸網(wǎng)設備的智能監(jiān)測研究提供了必要的理論基礎。目前，尚未有成熟的人工智能技術可以完善地解決接觸網(wǎng)異物的智能檢測問題。為此，針對接觸網(wǎng)設備的海量2C圖像數(shù)據(jù)自動化智能分析問題，充分考慮鐵路接觸網(wǎng)動態(tài)檢測的特點和需求，設計相關人工智能和深度學習的檢測和分析方法，不但可將技術人員從觀察海量視頻數(shù)據(jù)中解放出來，還能夠更及時地發(fā)現(xiàn)安全隱患，對高速鐵路的運行安全具有重大意義。針對上述重大需求，提出一種新的高鐵接觸網(wǎng)異物自動化智能檢測方法，以實現(xiàn)穩(wěn)健、可靠、精準的接觸網(wǎng)異物檢測。該方法面向2C圖像的特點以及接觸網(wǎng)安全運行需求，首先對圖像進行預處理，然后將異物檢測問題轉化為有監(jiān)督的目標檢測問題，設計基于深度神經(jīng)網(wǎng)絡的異物檢測方法，利用已標定樣本訓練異物檢測模型，并通過預訓練和重訓練步驟進行深度學習模型的優(yōu)化，最后將訓練好的模型應用于真實場景中對特定異物進行自動檢測。對中國鐵路上海局集團有限公司（簡稱上海局集團公司）南京供電段分析室采集的實際2C圖像進行試驗，試驗結果表明，該方法可以高速、高精度、自動化地從圖像中智能檢測出異物，異物檢測準確率達到96.5%以上，具有較高的實際應用價值。

2 基于深度學習的接觸網(wǎng)異物檢測方法

統(tǒng)計分析表明，高鐵接觸網(wǎng)中的異物主要包括鳥巢、風箏、氣球等。其中，鳥巢數(shù)量最多，而且形成快、具有一定遷徙性，對接觸網(wǎng)供電安全的影響較大。2C裝置作為一種便攜式視頻采集設備，通過對接觸網(wǎng)的狀態(tài)及其周邊環(huán)境進行拍攝，為接觸網(wǎng)的狀態(tài)監(jiān)控和運維提供圖像數(shù)據(jù)（見圖1）。2C圖像可以較為清晰地顯示高鐵運行方向左側的接觸網(wǎng)狀態(tài)，但由于2C設備架設時需要一定的仰角，導致接觸網(wǎng)在圖像中存在一定的旋轉。同時，2C設備采集圖像時列車處于高速運動狀態(tài)，再加上天氣影響和接觸網(wǎng)周圍背景相對復雜，如何保證接觸網(wǎng)異物檢測的精度是一個很大的挑戰(zhàn)。針對上述問題，提出一種新的高鐵接觸網(wǎng)異物自動化智能檢測方法（見圖2）。該方法先對圖像進行預處理提高圖像清晰度，再訓練深度神經(jīng)網(wǎng)絡用于異物初步檢測，并通過預訓練和重訓練步驟進行深度學習模型的迭代優(yōu)化。

圖1 高鐵接觸網(wǎng)2C檢測圖像

圖2 基于深度學習的接觸網(wǎng)異物自動化智能檢測方法

2.1 預處理

由于2C采集數(shù)據(jù)時，背景具有一定的相似性。因此根據(jù)該特點對2C設備采集的不同時間點圖像進行差分，差分圖像中較為顯著的區(qū)域即為不同時間點的變化區(qū)域。設I1和I2為前后2個時間點的圖像，差分圖像ΔI為：

支柱粗檢測區(qū)域可以通過如下閾值判定并進行二值化：

式中：?(I)為二值化后的圖像；τ為閾值。

再對支柱檢測圖像進行形態(tài)學開運算操作，去除孤立點和面積較小的孤立區(qū)域：

式中：?(I)為形態(tài)學操作后的圖像；⊙為形態(tài)學開運算；B為形態(tài)學結構元素。

預處理不同階段的圖像見圖3，其中（a）和（b）為2C設備采集到的不同時間點的原始圖像，（c）為差分圖像，（d）為閾值操作后的圖像，（e）為形態(tài)學操作后的圖像。

圖3 預處理不同階段的圖像

在形態(tài)學開運算后，利用邊緣檢測方法檢測支柱的縱向邊緣：

計算縱向邊緣的傾斜角，并選取傾斜角度較為相似的角度求平均值θ，對圖像進行旋轉：

式中：（x0，y0）為原始圖像I中的坐標；旋轉后的圖像記為IR，（x，y）則為旋轉后圖像IR中的坐標。旋轉和裁剪后的結果圖像見圖4。

圖4 旋轉和裁剪后的結果圖像

2.2 基于深度神經(jīng)網(wǎng)絡的異物檢測模型

在對圖像進行預處理后，從含異物的圖像中對異物進行檢測，收集后續(xù)深度學習模型所需的通用訓練樣本?，F(xiàn)以鳥巢目標為例進行詳細闡述。為保證模型精度，收集的鳥巢包括完整鳥巢、雛形鳥巢以及不同角度、不同位置的鳥巢（見圖5）。

在收集訓練樣本后，可將從圖像中檢測異物的問題轉化為經(jīng)典的目標檢測問題。在此將異物作為待檢測目標，設計基于深度學習的目標檢測模型和算法，從2C圖像中檢測異物。將2C圖像以及對應的邊框信息作為輸入信息訓練1個快速檢測卷積神經(jīng)網(wǎng)絡。異物檢測的深度神經(jīng)網(wǎng)絡架構見圖6。

該網(wǎng)絡首先用多層卷積、非線性映射和池化層對2C圖像進行處理，自動得到圖像深度特征，再根據(jù)異物檢測訓練區(qū)域提名回歸網(wǎng)絡得到候選區(qū)域，最后利用3層的全連接層和Softmax回歸對提取區(qū)域進行分類并檢測區(qū)域邊界。由于接觸網(wǎng)背景比較復雜，如果只將異物作為一個類別，其他正常區(qū)域作為另一個類別，背景中很多與鳥巢結構較為相似的樹枝和接觸網(wǎng)電線都會被誤檢出來，導致檢測結果的虛警率非常高。粗檢測結果見圖7，從圖中可以看到檢測結果中出現(xiàn)虛警目標。為此，在粗檢測基礎上進行改進，收集錯誤檢測區(qū)域，并將其作為除異物和正常區(qū)域之外的第3類目標，重新訓練深度神經(jīng)網(wǎng)絡，得到精檢測的異物檢測模型。精檢測結果見圖8，可以看出虛警目標得到了有效控制。

圖5 訓練樣本中的各種通用鳥巢圖像

圖6 異物檢測的深度神經(jīng)網(wǎng)絡架構

圖7 粗檢測結果

圖8 精檢測結果

2.3 算法步驟

（1）接觸網(wǎng)異物檢測模型訓練過程包括如下步驟：①輸入歷史2C圖像；②利用1.1中步驟對2C圖像進行預處理；③對預處理后的2C圖像中的異物進行檢測，收集訓練樣本；④訓練粗檢測深度神經(jīng)網(wǎng)絡；⑤對歷史2C圖像進行異物檢測，收集虛警樣本；⑥將虛警樣本加入原始訓練樣本中，訓練精檢測深度神經(jīng)網(wǎng)絡；⑦保存訓練參數(shù)，得到異物檢測模型。

（2）接觸網(wǎng)異物檢測方法的檢測過程包括如下步驟：①輸入剛采集的2C圖像；②利用1.1中步驟對2C圖像進行預處理；③將預處理后的2C圖像作為異物檢測模型的輸入；④根據(jù)異物檢測模型輸出的類別和位置信息檢測異物。

3 試驗驗證

為驗證該方法，從上海局集團公司南京供電段采集的實際2C圖像中選取1 000張進行測試。其中200張圖像含異物，800張圖像不含異物。在試驗中，預處理中的閾值τ選取50，形態(tài)學操作的結構元素B選取5×5的方形結構。深度神經(jīng)網(wǎng)絡中的卷積神經(jīng)網(wǎng)絡部分采用13層卷積層、13層非線性映射層和4層池化層。區(qū)域提名網(wǎng)絡先進行3×3的卷積，然后做2次全卷積，再用softmax 損失函數(shù)和平滑L1損失函數(shù)探測分類概率和邊框回歸。

2C圖像鳥巢檢測結果見圖9，其中第1行是待檢測圖像，第2行是粗檢測結果，第3行是精檢測結果。從圖中可以看出，該方法的粗檢測結果可以較好地檢測出2C圖像中各種類型的異物，但背景中有些與異物特征較為相似的區(qū)域也被檢測出來。經(jīng)過精檢測后，虛警部分被有效剔除，其檢測結果更加準確。

圖9 2C圖像鳥巢檢測結果

具體的異物檢測數(shù)據(jù)見表1，結果表明，該方法可以從2C圖像中有效地得到異物所在區(qū)域，并且通過精檢測可有效去除虛警，進一步提升其魯棒性、通用性以及實用性。

表1 測試集的異物檢測數(shù)據(jù)

4 結束語

針對高鐵接觸網(wǎng)異物檢測問題，基于人工智能和深度學習理論，提出高鐵接觸網(wǎng)異物自動化智能檢測方法。該方法在對2C圖像進行預處理的基礎上，設計基于深度神經(jīng)網(wǎng)絡的異物檢測模型和算法，并通過預訓練和重訓練進行模型優(yōu)化，實現(xiàn)了穩(wěn)健、可靠、精準的高鐵接觸網(wǎng)安全異常檢測。對實際2C圖像的試驗測試精度達96.5%，有效滿足了高鐵接觸網(wǎng)的安全檢測需求，具有廣闊的應用前景。后續(xù)工作將考慮在已提出的深度學習網(wǎng)絡中加入注意力機制，以進一步提高檢測精度。