吳 捷

（上海地鐵維護(hù)保障有限公司供電分公司，上海 201106）

0 引言

作為軌道交通列車主要的供電方式之一，接觸軌是弓網(wǎng)系統(tǒng)的重要組成設(shè)備，用于將電能傳輸?shù)杰壍澜煌ㄏ到y(tǒng)電力牽引車輛。處于服役狀態(tài)的接觸軌長(zhǎng)期與集電靴摩擦接觸，容易產(chǎn)生軌面擦傷、腐蝕、疤痕等表面缺陷。這些表面缺陷的產(chǎn)生會(huì)對(duì)供電的穩(wěn)定性產(chǎn)生嚴(yán)重影響，而穩(wěn)定的電源供應(yīng)是保證列車運(yùn)行的必要條件之一，因此如何及時(shí)、準(zhǔn)確的發(fā)現(xiàn)接觸軌表面缺陷是一個(gè)亟須解決的問題[1]。目前全國(guó)使用接觸軌供電的地鐵線路中，接觸軌的缺陷檢測(cè)主要依靠相關(guān)工作人員在線路上使用照明工具和反光鏡通過目視檢查的方法進(jìn)行，該方法存在效率低、勞動(dòng)強(qiáng)度大、方便性差、檢測(cè)周期長(zhǎng)等問題[2]。

近年來(lái)，基于機(jī)器視覺的缺陷檢測(cè)技術(shù)在工業(yè)中得到廣泛的應(yīng)用，文獻(xiàn)[3-6]利用利用深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)鋼軌表面缺陷檢測(cè)、螺釘定位、扣件檢測(cè)等。接觸軌表面缺陷具有類型多、尺寸跨度大等特點(diǎn)，為了實(shí)現(xiàn)接觸軌表面缺陷的高效自動(dòng)化檢測(cè)，本文在經(jīng)典目標(biāo)檢測(cè)模型YOLOv3 的基礎(chǔ)上對(duì)特征提取網(wǎng)絡(luò)和損失函數(shù)進(jìn)行了改進(jìn)，設(shè)計(jì)了一個(gè)基于改進(jìn)YOLOv3 模型的接觸軌表面缺陷檢測(cè)方法。該方法使用Ghost 組件代替Darknet-53 中的殘差模塊來(lái)減少模型尺寸、提高參數(shù)利用率、方便模型在低性能的設(shè)備上進(jìn)行部署，采用GIoU 作為邊界框回歸的損失函數(shù)對(duì)YOLOv3 的損失函數(shù)進(jìn)行優(yōu)化，提高模型的收斂速度。

1 相關(guān)模型

1.1 YOLOv3 模型

YOLOv3 模型的主要使用Darknet-53 作為新的主干網(wǎng)絡(luò)以及采用了特征金字塔網(wǎng)絡(luò)FPN[7，8]。YOLOv3 模型將輸入圖像劃分為S×S 網(wǎng)格，在主干網(wǎng)絡(luò)中使用殘差模塊來(lái)增加網(wǎng)絡(luò)深度并執(zhí)行全卷積操作提取圖像特征，同時(shí)使用類似FPN 的上采樣和融合方式以實(shí)現(xiàn)多尺度檢測(cè)，提高了對(duì)小目標(biāo)物體的檢測(cè)能力（圖1）。

YOLOv3 模型使用Darknet-53 作為特征提取網(wǎng)絡(luò)。該網(wǎng)絡(luò)由53 個(gè)1×1 和3×3 的卷積層組成，每個(gè)卷積層之后是一個(gè)BN層和一個(gè)LeakyReLU 層，這3 個(gè)層組成了1 個(gè)CBL 模塊。從圖1 中可以看出，CBL 模塊是YOLOv3 模型的重要組成部分，模型在原始Darknet-53 的基礎(chǔ)上添加了連接層和下采樣層使得一共由75 個(gè)卷積層。為了解決網(wǎng)絡(luò)深度加深帶來(lái)的梯度發(fā)散問題，Darknet-53 使用了殘差模塊。每個(gè)殘差模塊中包括兩個(gè)卷積層，第一個(gè)卷積層卷積核的大小為1×1，第二個(gè)卷積層卷積核大小為3×3，在輸入和第二個(gè)卷積層之后添加了一個(gè)短連接路徑，使用ReLU 函數(shù)作為模塊輸出的激活函數(shù)。這樣的結(jié)構(gòu)設(shè)計(jì)可以保證在網(wǎng)絡(luò)層數(shù)增加的時(shí)候模型可以繼續(xù)保持收斂和訓(xùn)練。隨著網(wǎng)絡(luò)深度的增加，可以提取到接觸軌表面更深層次的語(yǔ)義特征，使得識(shí)別精度可以提高。同時(shí)，在殘差模塊中使用1×1 卷積減少了卷積層的通道數(shù)，這可以大大減少模型的參數(shù)數(shù)量。此外，殘差模塊的使用使得網(wǎng)絡(luò)的計(jì)算量在一定程度上得到了減少，加快了模型的收斂速度。

圖1 原始的YOLOv3 模型結(jié)構(gòu)

1.2 改進(jìn)的特征提取網(wǎng)絡(luò)

選用輕量化的Ghost 組件來(lái)代替原始網(wǎng)絡(luò)中的殘差模塊，可以減少模型的大小并且增加網(wǎng)絡(luò)的推理速度。Ghost 組件包含兩個(gè)Ghost 模塊，網(wǎng)絡(luò)首先經(jīng)過一個(gè)Ghost 模塊來(lái)增加通道數(shù)量，然后通過深度可分離卷積對(duì)輸入圖像的特征進(jìn)行重新整合，最后再經(jīng)過一個(gè)Ghost 模塊使得通道數(shù)量與短連接路徑進(jìn)行匹配，兩者相加得到最后的輸出。改進(jìn)后的特征提取網(wǎng)絡(luò)如圖2 所示。

圖2 改進(jìn)后的特征提取網(wǎng)絡(luò)

1.3 優(yōu)化損失函數(shù)

模型采用均方誤差作為邊界框回歸的損失函數(shù)，使用物體真值框和模型預(yù)測(cè)框的交并比（IoU）作為距離度量。為解決IoU梯度為零無(wú)法利用反向傳播進(jìn)行優(yōu)化[9，10]的缺陷，提高接觸軌表面缺陷檢測(cè)的精度，本文使用廣義交并比GIoU 損失作為邊界框回歸損失：

式（1）中，C 表示同時(shí)包含A 和B 的最小矩形框。使用GIoU損失代替均方誤差來(lái)對(duì)參數(shù)進(jìn)行調(diào)整，模型的總損失函數(shù)為：

其中，Lcls和Lconf分別為接觸軌表面缺陷分類損失和缺陷判斷置信度損失，均使用交叉熵誤差作為損失函數(shù)。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集獲取及實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)用到的接觸軌表面圖像數(shù)據(jù)集來(lái)源于上海地鐵16 號(hào)線。對(duì)采集到的接觸軌表面圖像進(jìn)行篩選選出536 張圖像作為實(shí)驗(yàn)數(shù)據(jù)集，每張圖像中至少包含1 個(gè)缺陷。接觸軌表面缺陷檢測(cè)實(shí)驗(yàn)在Windows10 環(huán)境下使用Pycharm 程序進(jìn)行，深度學(xué)習(xí)模型搭建使用PyTorch 框架。硬件設(shè)備包括：Intel Xeon Silver 4214 處理器，RTX2080Ti 顯卡，32G 運(yùn)行內(nèi)存。挑選375張作為訓(xùn)練數(shù)據(jù)集，剩下的161 張作為測(cè)試集。訓(xùn)練時(shí)將輸入圖像調(diào)整到416×416 pixels，初始學(xué)習(xí)率設(shè)置為0.01，batch-size為6，最大迭代次數(shù)為300 次。

2.2 實(shí)驗(yàn)結(jié)果分析

改進(jìn)后的模型對(duì)接觸軌表面缺陷的檢測(cè)結(jié)果如圖3 所示?？梢钥闯觯Ｐ蛯?duì)3 種不同類型的接觸軌表面缺陷均能有效識(shí)別。

圖3 不同類型接觸軌表面缺陷檢測(cè)結(jié)果

為了進(jìn)一步定量驗(yàn)證模型的有效性，選用3 種目標(biāo)檢測(cè)模型進(jìn)行比較，包括原始的YOLOv3、Tiny-YOLOv3 和SSD。其中，SSD 模型的特征提取網(wǎng)絡(luò)選擇VGG16。本實(shí)驗(yàn)從模型的精確率（Precision）、召回率（Recall）、檢測(cè)速度（f/s）和尺寸方面進(jìn)行比較。

其中，TP 表示人工標(biāo)注為缺陷的樣本被正確識(shí)別的個(gè)數(shù)，F(xiàn)P 表示被模型錯(cuò)誤識(shí)別為缺陷的樣本個(gè)數(shù)，F(xiàn)N 表示未被檢測(cè)出來(lái)的缺陷個(gè)數(shù)；TP+FP 為被正確識(shí)別的樣本總數(shù)，TP+FN 為樣本總數(shù)。

實(shí)驗(yàn)結(jié)果如表1 所示，Tiny-YOLOv3 在模型大小和檢測(cè)速度上有明顯優(yōu)勢(shì)，但精確率和召回率較低，只有72.52%和68.29%，難以達(dá)到滿意的檢測(cè)結(jié)果。本文方法對(duì)YOLOv3 的特征提取網(wǎng)絡(luò)和損失函數(shù)進(jìn)行了優(yōu)化，使精確率和召回率提升了1.74%和0.47%。另外，使用了更輕量級(jí)的Ghost 組件代替殘差模塊將模型大小壓縮到了59.5 MB，同時(shí)檢測(cè)速度提升了16.7%。因此，比較3 種方法，本文方法最適合用于接觸軌表面的缺陷檢測(cè)。

表1 不同接觸軌表面缺陷檢測(cè)方法性能對(duì)比

3 結(jié)論

針對(duì)接觸軌表面缺陷類型繁多、尺寸跨度大等問題，提出了一種基于改進(jìn)YOLOv3 模型的接觸軌表面缺陷檢測(cè)算法：一方面，采用輕量化的Ghost 組件代替原始YOLOv3 模型特征提取網(wǎng)絡(luò)中的殘差模塊，來(lái)減少模型的尺寸以及提高參數(shù)利用率；另一方面，使用GIoU 解決IoU 在檢測(cè)框和真值框不相交時(shí)損失函數(shù)無(wú)法反向傳播的問題，并使用GIoU 損失作為邊界框損失加快模型收斂速度。在自制的接觸軌表面圖像數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，精確率和召回率達(dá)到90.21%和89.64%，檢測(cè)速度達(dá)到每張圖片0.015 s。與其他YOLOv3 系列模型進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，本文方法在維持高準(zhǔn)確率和召回率的同時(shí)，大幅減小模型尺寸，提高檢測(cè)速率。因此，本文設(shè)計(jì)的檢測(cè)模型有較強(qiáng)的實(shí)用價(jià)值，未來(lái)可靈活部署在性能較弱的軌檢車等檢測(cè)設(shè)備。