摘要
城市轨道列车需要通过受电弓从架设在线路顶部的接触网获取电能以保证其正常运行。由于受电弓运行环境复杂，时常受各类外部因素的影响，其碳滑板表面不可避免存在掉块、裂纹等缺陷。这会影响弓网间的良好动态接触，降低受电弓的受流质量，甚至产生打火、拉弧继而损坏整个弓网系统。目前受电弓缺陷仍依赖人工检测，耗时费力。鉴于此，本文基于深度学习实现对受电弓碳滑板表面掉块及裂纹的特征检测、分割提取与量化，为构建城市轨道交通智能运维系统提供技术支持。本文的具体内容概括如下: (1)基于深度学习的受电弓碳滑板弓头定位与单根弓条提取。利用目标检测算法，从工业相机采集的原始图片中识别并定位弓头区域，之后通过边缘检测、连通域分析与Radon变换校正倾斜图像，并在此基础上分割单根弓条。最后对弓条表面的掉块和裂纹进行人工标注和数据增强从而构建碳滑板表面掉块及裂纹数据集。 (2)基于改进YOLOv5的受电弓碳滑板表面掉块检测算法研究。针对掉块目标小、样本少的问题，在YOLOv5框架上添加检测头以获取浅层网络的细节特征,同时使用高效双向跨尺度特征融合结构，并引入高效通道注意力机制，提出了EBF-YOLOv5。此外通过焦点损失函数解决掉块正负样本分布不均衡的问题。通过消融实验以及与其他单阶段网络的比较，EBF-YOLOv5在评价指标上表现更好,精确率和召回率分别达到99.9％和92.6％,在测试集上的误检率和漏检率均有明显改善，量化结果表明EBF-YOLOv5能准确识别12.6mm左右的掉块。 (3)基于改进U-Net的受电弓碳滑板表面裂纹分割算法研究。本文先后从面块级(patch-level)和像素级(pixel-level)对裂纹进行识别定位及语义分割。提出了适用于裂纹分割的CBAMU-Net,它是在U-Net编码环节的每个下采样模块后添加CBAM以提取更丰富的裂纹特征，融合了 Dice Loss和BCE Loss增强网络获取前景信息的能力。通过与U-Net对比，CBAMU-Net的精确率提升了 21.2％,召回率提高了 2.5％,并在其他公开的裂纹数据集上证明了算法的鲁棒性。 (4)受电弓碳滑板表面裂纹量化方法对比与结果分析。本文利用CBAMU-Net分割后的掩膜图片，分别使用了最小外接矩形法和骨架像素分析法估计裂纹长度;裂纹宽度通过正交骨架线法和最大内切圆直径法估算。其中骨架像素分析法和最大内切圆直径法的量化结果更好，与实际测量结果之间的相对误差均在9.2％以内。
NETL