摘要
铁路接触网作为向高铁动车组、电力机车提供可靠、不间断电能的关键基础设施，其稳定的工作状态是铁路运输中的安全保障。在实际情况中，接触网容易受到外界环境及自身因素的影响而出现故障，导致列车的牵引供电出现问题最终引发一系列的安全事故。在接触网的结构中，开口销是接触网腕臂结构中起到紧固作用的部件，而户外的恶劣环境和列车长期运行中产生的振动可能会导致其脱落，造成腕臂结构松动，影响列车的安全运行，因此需要及时检测开口销的状态保证列车可以安全的行驶。传统的开口销缺陷检测方法是通过人工方式进行巡检作业，这样的方式常常伴随着效率低、容易出现漏检的问题。而基于机器视觉的缺陷检测方式可以有效地改善人工检测方式的不足，因此机器视觉的兴起给开口销缺陷检测工作提供了新的思路。本课题基于机器视觉中的深度学习技术，对接触网开口销的定位、缺陷数据集扩充、缺陷识别等问题进行了分析与研究，主要有以下几个方面: (1)通常情况下，通过采集得到的开口销图像普遍存在着分辨率比较高、开口销部位与背景区灰度值较为接近等问题，如果直接使用采集到的图像对网络进行训练会给网络带来巨大的计算量。为了节省计算资源、提升网络的检测效率，需要将原始图像中的开口销区域进行定位提取，避免网络对图像中非开口销部分进行无效的处理。针对开口销区域的定位问题，本文提出了一种融合高效注意力机制的SKNet和多尺度宽残差的网络模型，该模型通过提取原始图像的空间特征实现对开口销区域的精确定位，最后利用二源区域中心点法综合检测结果，完成开口销位置信息的输出，方便后续缺陷检测工作的进行。 (2)针对深度卷积生成对抗网络(DCGAN)在对开口销缺陷样本进行数据增强时存在的训练不稳定、收敛速度较慢等问题，对DCGAN的算法与结构两部分分别进行了针对性的优化。本文提出一种基于Canberra距离的深度残差生成对抗网络(CDRGAN),算法上，用Canberra距离替换原网络中的JS散度，并在Canbena距离上引入梯度惩罚优化，提升了模型在训练过程中的稳定性;结构上，在生成器中加入残差网络，加速模型的收敛过程。为了提升生成样本的质量，搭建了一个对图像局部特征差异敏感的轻量级CNN网络模型实现对生成样本的二次筛选。实验表明，与DCGAN生成的缺陷样本相比，改进后的模型在多个评估指标上的优化率均大于6.0％;并且，使用CDRGAN生成的缺陷样本进行训练的AlexNet的识别准确率提高了 4.0％，有效地改善了 DCGAN对于开口销缺陷样本的数据增强效果。 (3)为了克服以往研究中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大以及检测速度慢的局限性，使用改进的YOLOv5网络对开口销图片中的缺陷进行检测和定位。在CDRGAN展开数据集上训练网络，采用Ghost Module替换YOLOv5主干抽取网络常用卷积模块，减少了网络模型参数量;以确保检测性能好，在骨干网络中加入Squeeze-and-Excitation(SE)注意力模块，增强了算法对目标检测能力;将双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)的结构引入特征融合网络，进一步增强了网络特征融合能力。结果表明:模型对常见缺陷进行成功识别与定位，对比YOLOv5算法，模型体积缩小21％,单张检测速度提高17.4％。
NETL