白青林

（北京市軌道運營有限公司，北京 102412）

為更好地滿足乘客需求，必須在現(xiàn)有技術與運行模式的基礎上對城市軌道交通進行優(yōu)化[1]。北京大興機場線設計時速為160km，是全球時速最快的地鐵線路，是城市軌道交通一種新的突破。為保證地鐵的安全可靠穩(wěn)定運行，需要牽引供電系統(tǒng)可靠工作，而剛性接觸網(wǎng)是系統(tǒng)的重要組成部分，也是實現(xiàn)機車可靠供電的關鍵部件[2]。

由于剛性接觸網(wǎng)隨著地鐵運行時間的延續(xù)，運行壓力不斷增加，其運行狀態(tài)下滑嚴重，從而導致不同類型的故障出現(xiàn)，因此需要對剛性接觸網(wǎng)進行實時檢測，為檢修維護提供重要支撐尤其重要。其中剛性接觸網(wǎng)的懸掛狀態(tài)檢測更是重中之重，剛性接觸網(wǎng)懸掛狀態(tài)將直接決定剛性接觸網(wǎng)的工作性能，進而影響弓網(wǎng)受流質量，若剛性接觸網(wǎng)懸掛狀態(tài)不佳，將會威脅地鐵的穩(wěn)定運行[3-4]。

文章以北京大興機場線中的剛性接觸網(wǎng)為研究對象，基于圖像識別技術，引入深度學習理論對剛性接觸網(wǎng)懸掛狀態(tài)進行檢測，建立包含深度學習的剛性接觸網(wǎng)懸掛狀態(tài)檢測流程，并通過現(xiàn)場實驗，與傳統(tǒng)的圖像檢測方式進行對比來驗證該方法的準確性與優(yōu)越性，從而為快速地鐵的剛性接觸網(wǎng)懸掛狀態(tài)檢測提供一種新的嘗試。

1 深度學習理論

1.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（Convolution Neural Notwork,CNN）作為四大深度學習模型之一，在計算機視覺領域有著廣泛的應用。CNN主要由三部分組成，第一部分為輸入層，實現(xiàn)原始圖像數(shù)據(jù)的輸入；第二部分由卷積層和池化層組成，實現(xiàn)對輸入數(shù)據(jù)的特征提取；第三部分由全連接層和分類器組成，實現(xiàn)全連接的多層感知[5-6]。

卷積層：對圖像和濾波矩陣做內積運算的過程稱為卷積操作。通過改變卷積層深度等參數(shù)實現(xiàn)圖像特征提取。卷積運算公式如下：

池化層：一般存在于連續(xù)的卷積層間，通過對輸入的特征圖進行“壓縮”來減小下一層計算量，避免過擬合。平均池化和最大值池化為常用的兩種池化方式，池化運算公式如下：

式中：down函數(shù)為下采樣運算，將i-1層輸出特征圖xi分割為n×n的特征圖塊，并對其進行最大值或均值化處理，使得特征圖維度變?yōu)樵紙D塊的1/n2。

全連接層：其一般位于CNN的尾部，作用是對整個網(wǎng)絡的特征進行線性組合，計算公式如下：

式中：Wij為i-1層的第i個節(jié)點和i層第j個節(jié)點間的權重；b為i層第j個節(jié)點的偏置。

1.2 CNN學習過程

CNN本質上為實現(xiàn)輸入和輸出間的映射，利用已知模式對CNN進行訓練，使其具有輸入輸出間的映射能力，整個學習過程和人工神經(jīng)網(wǎng)絡類似，可歸納為向前傳播、反向傳播和權值更新部分[7]。

整個CNN的學習過程如下。（1）初始化網(wǎng)絡：對CNN的權重、偏置系數(shù)等參數(shù)進行隨機初始化；（2）向前傳播：將訓練樣本數(shù)據(jù)作為CNN輸入，獲得CNN的預測值；（3）誤差求解：計算實際值和預測值間的誤差；（4）反向傳播：根據(jù)所求解的誤差值，對各層網(wǎng)絡的權重和偏置的偏導數(shù)進行求解，實現(xiàn)對網(wǎng)絡參數(shù)的更新；（5）重復步驟2和4。

1.3 Faster R-CNN

Faster R-CNN算法是在改進Fast R-CNN的基礎上提出的，由于Fast R-CNN是通過選擇搜索算法實現(xiàn)候選框的特取，因此非常耗時[8]。而Faster R-CNN通過區(qū)域建議網(wǎng)絡（RPN）完成對候選框的特取，也可看成是RPN+Faster R-CNN的結合體，區(qū)域建議網(wǎng)絡采用卷積核為3×3的卷積層在特征圖上做滑窗處理，進而確定候選框的位置。

2 基于深度學習的剛性接觸網(wǎng)懸掛狀態(tài)檢測

2.1 剛性接觸網(wǎng)圖像獲取

剛性接觸網(wǎng)懸結構復雜，包含諸多部件，各部件雖然功能不同，但相互協(xié)作、相互耦合，共同保證了剛性接觸網(wǎng)的運行狀態(tài)。剛性接觸網(wǎng)的主要部件及功能如表1所示。

利用接觸網(wǎng)剛性懸掛監(jiān)測裝置（4C），對地鐵運行軌道途中的剛性接觸網(wǎng)進行拍攝，所得到的剛性接觸網(wǎng)懸定位裝置、支撐裝置、接觸懸掛、附加懸掛等的實際圖像，為后續(xù)圖像處理、故障識別提供基礎。

表1 剛性接觸網(wǎng)主要部件及功能明細表

2.2 懸掛狀態(tài)檢測流程

對剛性接觸網(wǎng)圖像中的故障進行識別需完成兩項工作，一是建立樣本模板，二是對圖像進行故障識別。具體流程如圖1所示。（1）待檢測圖像的采集：針對某鐵路路線，采集1500張圖像；（2）圖像預處理：對圖像進行像素處理，并對各位置進行框圖標注；（3）訓練集和測試集的劃分：劃分訓練集和測試集；（4）共享卷積層特征信息提?。簩D片數(shù)據(jù)輸入預訓練網(wǎng)絡，以此獲取圖片的特征圖譜；（5）區(qū)域建議：根據(jù)提取的特征，采用RPN網(wǎng)絡尋找相應數(shù)量的候選框圖；（6）分類和回歸：根據(jù)前向和反向傳播，完成網(wǎng)絡參數(shù)調整，并判斷部件類別。

圖1 樣本建模實現(xiàn)流程

2.3 訓練策略的確定

Faster R-CNN算法需要對兩種不同任務的訓練模型進行訓練，交替訓練和近似聯(lián)合訓練是Faster R-CNN算法的兩種常用訓練方式。

交替訓練首先對區(qū)域建議網(wǎng)絡進行訓練，并將訓練好的參數(shù)作為Fast R-CNN的初始化參數(shù)，同時將RPN的輸出作為Fast R-CNN的輸入，通過多次迭代來訓練網(wǎng)絡。

近似聯(lián)合訓練為另外一種訓練模式，不同于交替訓練中分別對RPN和Faster R-CNN進行訓練的方式，由于每次隨機梯度下降迭代時，RPN產(chǎn)生的proposal在前向傳播時為固定值，因此可提前計算并設置該值，進而對Faster R-CNN網(wǎng)絡進行訓練。反向傳播時，將RPN的誤差和Faster R-CNN的誤差結合，并且對RPN產(chǎn)生的cls_score忽略不計，進而更新參數(shù)。該設置可以保證反向傳播時，網(wǎng)絡只能獲得一個解析解[9-10]。與交替訓練模式相比，近似聯(lián)合訓練模式具有內存較少、訓練時間短等優(yōu)勢，故采用近似聯(lián)合訓練模式。

3 實驗與分析

3.1 樣本來源和預處理

選取北京線路大興機場線接觸網(wǎng)系統(tǒng)作為訓練對象，采集2000張4C高清、正常運行狀態(tài)下的圖像作為訓練樣本，分別選取另3條鐵路運營線路作為測試線路，各采集400張圖片作為測試樣本。同時，對標注過程中的一些模糊信息進行篩選，采用圖像處理技術（灰度處理、降噪處理等）豐富樣本數(shù)據(jù)。

3.2 參數(shù)設置

選用Caffe深度學習框架，其擁有較多經(jīng)典模型，且方便在模塊基礎上根據(jù)需要進行擴展，同時還具有運行速度較快的特點。硬件運行環(huán)境為Intel CoreI5-6300HQ，NVIDIA GTX1050Ti，4G顯存。訓練樣本集為2000張，測試樣本集為400×3張。

3.3 實驗驗證

采用600張測試集輸入構建的檢測模型，測試檢測算法的結果，檢測效果如圖2所示。

圖2 檢測結果

由圖2檢測結果可知，基于深度學習的剛性接觸網(wǎng)懸掛狀態(tài)檢測算法能夠準確識別剛性接觸網(wǎng)懸掛裝置中的缺陷，600張故障圖片中，準確識別出389張故障圖片，故障識別率為64.83%，且計算速度較快。為驗證該算法的廣泛適用性，對各部件選取了25張具有明顯故障的圖片，對剛性接觸網(wǎng)懸掛裝置各部件缺陷故障識別率進行統(tǒng)計，對圖像進行識別，統(tǒng)計各部件的識別結果，統(tǒng)計結果如圖3和表2所示。

圖3 故障識別結果

表2 剛性接觸網(wǎng)主要部件故障識別率

由表2可知，針對剛性接觸網(wǎng)主要部件的故障識別率存在差異，具體可知對定位線夾、中心錨結線夾等部件的識別率較高，對中間接頭、接地線夾等部件的識別率較低，是后期優(yōu)化檢測方法的重點；各部件故障檢測率的平均識別率為64%，與600張剛性接觸網(wǎng)故障檢測結果相近，表明檢測結果可信度較高。

為驗證基于深度學習的剛性接觸網(wǎng)懸掛狀態(tài)檢測算法的優(yōu)越性，設置實驗，將本算法同應用廣泛的YOLO、SSD目標檢測算法進行了對比，選取400張測試圖像，測試結果如表3所示。

表3 不同檢測算法下的定位結果

由表3可知，文章采用的基于Faster R-CNN模型的目標檢測算法與YOLO算法、SSD算法相比，定位精度分別提高了8%和4%，體現(xiàn)了本算法的優(yōu)越性。

4 結論

文章介紹了一種基于深度學習的剛性接觸網(wǎng)懸掛狀態(tài)檢測算法。測試結果表明，基于Faster R-CNN模型的目標檢測算法定位精度分別比YOLO算法和SSD算法提高了8%和4%，具有較好的準確性和運行效率。同時，針對不同線路的采集圖像進行測試，檢測結果表明不同線路下，此方法均能較好地定位六大區(qū)域部件，具有較好的通用性，為快速地鐵的剛性接觸網(wǎng)懸掛狀態(tài)檢測提供了一種新的嘗試。