馮慶勝，董 琦，劉雨奇，付明雨

（1.大連交通大學 自動化與電氣工程學院，大連 116028；2.大連交通大學 計算機與通信工程學院，大連 116028）

受電弓是列車獲取電能的設(shè)備，弓網(wǎng)的正常工作對列車的安全運行有重要的保證作用。列車在運行過程中，由于弓網(wǎng)接觸不良而導致弓網(wǎng)系統(tǒng)震動脫離，造成弓網(wǎng)離線。這種現(xiàn)象會產(chǎn)生電火花，即燃弧現(xiàn)象。燃弧會加劇受電弓滑板的損耗，可能導致列車發(fā)生安全事故。因此，弓網(wǎng)系統(tǒng)燃弧檢測是保證列車安全運行的必要保證。

隨著我國高速鐵路的快速發(fā)展，許多學者開始關(guān)注弓網(wǎng)安全檢測方面的研究。文獻[1]使用改進Canny算法與求目標重心法，用于識別燃弧位置，訓練樣本種類少，模型易受環(huán)境影響；文獻[2]設(shè)計了一個紫外燃弧檢測裝置，來對弓網(wǎng)系統(tǒng)燃弧識別檢測，檢測樣本數(shù)量低，檢測結(jié)果容易出現(xiàn)較大差別；文獻[3]與文獻[4]分別運用改進的Otsu 算法和紫外相機提取弓網(wǎng)系統(tǒng)圖像特征，識別并進行燃弧判斷，均未考慮到燃弧識別檢測所需的時間是否滿足實際需要；文獻[5-6]使用的方法均基于可見光圖片，易受到光線干擾；文獻[7-8]使用SSD 算法分別對鐵路信號燈和道路目標進行識別與檢測。傳統(tǒng)的列車弓網(wǎng)系統(tǒng)燃弧檢測算法都是通過識別弓網(wǎng)系統(tǒng)圖像的顏色特征和幾何形狀特征來檢測是否發(fā)生燃弧，檢測的流程步驟復雜，檢測用時長，難以滿足列車在高速運行狀態(tài)下弓網(wǎng)系統(tǒng)燃弧檢測的要求，檢測效果不理想。

近年來，卷積神經(jīng)網(wǎng)絡(luò)與目標檢測算法[9]快速發(fā)展，在鐵路故障檢測系統(tǒng)領(lǐng)域的應用也越來越完善。本文將MobileNet 網(wǎng)絡(luò)的全局平均池化層、全連接層和Softmax 層去掉，與SSD 網(wǎng)絡(luò)的多尺度特征映射層相連接，把加噪處理后的數(shù)據(jù)集輸入受電弓燃弧檢測模型進行檢測。

1 SSD 算法模型

1.1 SSD 網(wǎng)絡(luò)模型

文獻[10]提出的目標檢測SSD（single shot multibox detector），其主干網(wǎng)絡(luò)采用的是VGG-16 的第5個卷積部分的第3 層及其之前部分的結(jié)構(gòu)，SSD 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。原始輸入圖像會被縮放成300×300 的RGB 圖像并視作卷積神經(jīng)網(wǎng)絡(luò)輸入圖像。通過增加4 個卷積層與1 個池化層，并去掉VGG-16網(wǎng)絡(luò)的全連接層FC6 和FC7，加入卷積層，在6 個卷積層的輸出圖像上進行特征提取，在提取特征的時候逐漸減小特征圖的尺寸，在6 個特征圖上分別進行卷積，輸出待檢測目標的位置信息和分類標簽，生成多個bbox（bounding box，即邊界矩形框），把不同特征圖生成的bbox 結(jié)合起來，使用非極大值抑制方法來濾去一部分重疊或者錯誤的bbox 得到最后的bbox 集合，也就是檢測結(jié)果。

圖1 SSD 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 SSD network structure

剛輸入圖像的尺寸大、感受野小，位置特征信息多，適合檢測受電弓燃弧發(fā)生時的單個電火花目標；即將輸出圖像的尺寸小、感受野大，全局特征信息多，適合檢測多個受電弓同時發(fā)生燃弧時的目標。在實際列車運行環(huán)境下，攝像頭與受電弓具有一定的距離，有較多的小目標圖像，SSD 算法具有良好的小目標檢測能力，因此適用于受電弓燃弧檢測場景。

1.2 深度可分離卷積

MobileNet[11]的基本單元是深度級可分離卷積，可分為深度卷積和點向卷積。深度卷積運算通過對各個輸入與輸出通道分別進行卷積運算產(chǎn)生單一的輸出，然后點向卷積運算通過1×1 的卷積運算核將深度卷積運算的輸入與輸出做點向卷積運算，從而得到深度層的輸入輸出。深度可分離卷積計算量將縮至原本的，其中標準卷積的卷積核為DK×DK。

1.3 MobileNet-SSD 網(wǎng)絡(luò)

針對高速列車弓網(wǎng)系統(tǒng)燃弧檢測所需的高精度、高效率要求，本文將MobileNet 網(wǎng)絡(luò)的全局平均池化層、全連接層和Softmax 層去掉，與SSD 的特征映射層相連接。通過加入感受野增大模塊，MobileNet 抽取6 個卷積層的輸出預測bbox 的位置和標簽來進行目標檢測，對特征圖進行卷積，得到輸出圖像的標簽信息和位置信息，而且模型可以檢測不同尺度的對象。

2 弓網(wǎng)燃弧檢測算法模塊

2.1 BN 算法

當神經(jīng)網(wǎng)絡(luò)的輸入層級特征值尺寸之間的差異很大時，將權(quán)重的矩陣大小相乘后，會出現(xiàn)部分偏離較大地差異值，在神經(jīng)網(wǎng)絡(luò)后續(xù)的訓練完善過程中會影響后層網(wǎng)絡(luò)，造成梯度發(fā)散，因此需要更多的訓練次數(shù)，來抵消層級變量特征值大小差異所產(chǎn)生的負面影響，從而降低訓練效率。因此，本文使用BN 算法來實現(xiàn)樣本數(shù)據(jù)的標準化處理，首先對樣本進行標準化處理，并且在輸入到卷積層和激活層之間時進行第2 次標準化處理。通過處理后的數(shù)據(jù)，特征尺寸間的差異降低至一個范圍內(nèi)，此時輸入模型后訓練，可以加快梯度收斂，提高訓練速度，并且降低對后層網(wǎng)絡(luò)的影響。BN 算法的計算公式如下：

2.2 感受野增大模塊

感受野是卷積層輸出特征圖上的一個點對應輸入圖上的區(qū)域，網(wǎng)絡(luò)層越深，其輸出特征的元素對應感受野越大。為了保證所利用的信息是全局信息，而不是局部信息，應該保證感受野較大。增大感受野需要用較大的卷積核或池化時設(shè)置較大的步長，前者會使計算量太大，后者會損失分辨率從而丟失圖像的邊界信息。本文通過加入空洞卷積，在卷積神經(jīng)網(wǎng)絡(luò)中增加空白區(qū)域，將原本的卷積核在保持相同訓練參數(shù)量的同時增加了感受野，獲得多尺度信息并不改變特征圖的尺寸?？斩淳矸e的計算公式如下：

式中：K 與K′分別為空洞卷積核和等效卷積核；D為設(shè)置的擴張率。感受野增大模塊的流程如圖2 所示，加入感受野增大模塊后的網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

圖3 MobileNet-SSD 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 MobileNet-SSD network structure

3 數(shù)據(jù)集圖像處理與評價指標

本文所使用的數(shù)據(jù)集圖片來自于攝像頭所拍攝受電弓的視頻。將收集到的高鐵列車運行時弓網(wǎng)系統(tǒng)工作視頻逐幀切割并保存為圖片，共收集了8000張弓網(wǎng)圖片，其中包括燃弧圖1592 張和未燃弧圖片6408 張。將收集到的圖片均勻混合后隨即抽取6400 張圖片作為弓網(wǎng)燃弧檢測模型訓練集，剩余的1600 張圖片作為測試集。為模擬現(xiàn)實環(huán)境中不同天氣環(huán)境對弓網(wǎng)燃弧檢測的影響，將訓練集和測試集圖片做數(shù)據(jù)增強處理。增強后的數(shù)據(jù)集使用LabelImg工具，對圖片中受電弓標注并得到位置信息，生成對應的標簽文件。在手動標注的過程中，若圖片中弓網(wǎng)系統(tǒng)發(fā)生燃弧現(xiàn)象，則將標注框命名為abnormal，否則將標注框命名為normal。標簽文件與受電弓照片分別存放于不同文件夾下，共同組成弓網(wǎng)系統(tǒng)燃弧檢測模型訓練集。MobileNet-SSD 燃弧檢測結(jié)構(gòu)流程如圖4 所示。

圖4 MobileNet-SSD 燃弧檢測結(jié)構(gòu)圖Fig.4 MobileNet-SSD arc detection structure diagram

3.1 數(shù)據(jù)集增強

列車在行駛過程中可能受到的由于天氣、隧道燈光、電磁干擾等非人為原因產(chǎn)生的干擾，本文對數(shù)據(jù)集做數(shù)據(jù)增強處理，具體為使用Python 中的OpenCV庫，對數(shù)據(jù)集圖片內(nèi)加入椒鹽噪聲、高斯噪聲、強光、弱光、旋轉(zhuǎn)、剪切等處理。經(jīng)過數(shù)據(jù)增強的數(shù)據(jù)集可以更好地增加模型的魯棒性，提高燃弧檢測的準確率，如圖5 所示。

圖5 數(shù)據(jù)集增強Fig.5 Data set enhancement

3.2 評價指標

考慮到弓網(wǎng)系統(tǒng)燃弧檢測不僅需要確保檢測的準確率，檢測的速度也是一項重要的指標。本研究使用FPS（每秒幀率）作為衡量檢測速度的指標，均值平均精度mAP（mean average precision）作為衡量檢測精度的指標，主要有Precision 和Recall，計算公式如下：

式中：TP、FP、FN 表示正確劃分為正例、錯誤劃分為正例和負例的數(shù)量。

4 模型訓練與實驗結(jié)果分析

4.1 模型訓練環(huán)境

本文實驗在Windows10 64 位操作系統(tǒng)上進行，選取Pycharm 作為環(huán)境編輯器、Python 作為編程語言。受電弓燃弧檢測試驗的仿真環(huán)境參數(shù)，如表1所示。

表1 仿真環(huán)境參數(shù)Tab.1 Simulation environment parameters

4.2 模型訓練

改進后的目標檢測SSD 模型，訓練時初始學習率設(shè)置為0.002，模型迭代次數(shù)設(shè)置為10000 次，為了防止過擬合，權(quán)值衰減率設(shè)置為6e-4。訓練結(jié)束后，得到訓練過程中訓練集（loss）與測試集（val_loss）的損失函數(shù)，繪制成收斂曲線如圖6 所示。大約接近8000 個epoch 后損失函數(shù)趨近于穩(wěn)定，此時測試集損失函數(shù)也趨近于穩(wěn)定。

圖6 訓練結(jié)果Fig.6 Training results

4.3 對比實驗與結(jié)果分析

本次試驗使用SSD 算法、Faster R-CNN 算法、YOLO 算法和改進SSD 算法分別用相同受電弓數(shù)據(jù)集迭代運算10000 次，運行后所得的均值平均精度mAP 與檢測幀率FPS 如表2 所示。

表2 不同算法目標檢測結(jié)果對比Tab.2 Comparison of target detection results of different algorithms

從表中各算法的檢測結(jié)果數(shù)據(jù)可以看出，就mAP 而言，F(xiàn)aster R-CNN 算法最高，為90.41%，改進SSD 算法略低于Faster R-CNN 算法，而YOLO 算法最低；就檢測幀率而言，改進SSD 算法最高，為46.19 幀/s，F(xiàn)aster R-CNN 最低。綜合這兩項數(shù)據(jù)來看，本文所使用的改進SSD 算法更適用于弓網(wǎng)系統(tǒng)燃弧檢測，檢測結(jié)果分為正常與異常，分別顯示“normal”和“abnormal”，如圖7 所示。

圖7 檢測結(jié)果Fig.7 Inspection result

SSD 算法與改進SSD 算法模型的召回率如圖8所示，改進SSD 算法檢測內(nèi)容 “normal” 和“abnormal”在召回率分別達到0.6 和0.8 時有下降的趨勢，而SSD 算法檢測內(nèi)容“normal”和“abnormal”在召回率分別達到0.4 和0.6 時就已經(jīng)有下降的趨勢。這表明改進SSD 算法在達到相同的準確率條件下召回率更高，也就是模型檢測出的正例占比全部的正例更大，具有更強的檢測能力。

圖8 不同算法召回率曲線對比圖Fig.8 Recall rate curve comparison of different algorithms

4.4 消融實驗分析

為了驗證改進模型的有效性，設(shè)置消融實驗進行對比，實驗結(jié)果如表3 所示。由表3 可得，在主網(wǎng)絡(luò)為MobileNet 網(wǎng)絡(luò)時，單獨引用BN 算法mAP 提升了2.39%，單獨引用感受野增大模塊mAP 提升了5.76%，而同時引用兩者提升最大，為7.73%。實驗證明了感受野增大模塊和BN 算法均可以提高受電弓燃弧檢測的精度，并且二者結(jié)合的檢測精度更高。

表3 不同模塊對受電弓燃弧檢測結(jié)果影響Tab.3 Influence of different modules on the detection results of pantograph arcing

5 結(jié)語

本文基于改進SSD 算法，針對高鐵列車在運行過程中受電弓燃弧現(xiàn)象檢測精度低和速度慢的問題，引入輕量型的MobileNet 網(wǎng)絡(luò)，使模型在保留SSD算法對小目標的高檢測精度高的同時兼具檢測速度快的優(yōu)點；加入感受野增大模塊和BN 算法，提高模型的檢測精度；最后將改進算法與幾種算法做受電弓燃弧檢測的對比分析，改進SSD 算法檢測精度為89.89%，接近Faster R-CNN 算法，并有著46.19幀/s 的最快檢測速度，相比原SSD 算法，提升了7.73%mAP 和12.47 幀/s，滿足高速列車弓網(wǎng)系統(tǒng)燃弧實時檢測的要求。