高铁接触网异物侵入的机器视觉检测方法.pdfVIP

高铁接触网异物侵入的机器视觉检测方法 蒋欣兰; 贾文博 【期刊名称】《《计算机工程与应用》》 【年(卷),期】2019(055)022 【总页数】8 页(P250-257) 【关键词】异物入侵检测; 高铁接触网; 直线检测; 深度学习; YOLOv3 【作者】蒋欣兰; 贾文博 【作者单位】中国社会科学院大学 计算机教研部 北京 102488; 北京交通大学 计 算机与信息技术学院 北京 100044 【正文语种】中 文 【中图分类】TP391 1 引言 电力牵引机车是我国高速铁路的主要运行模式。高速铁路接触网是沿铁路线架设的 向电力机车供电的一种特殊形式的输电线路，它长时间暴露在空气中，上面很容易 附着一些异物，比如塑料袋、树枝、鸟巢、倾倒的大树等。2018 年 10 月 1 日， 受大风天气影响，京广高铁正定机场站至石家庄站间供电接触网多处被挂防尘网， 导致部分列车晚点。2019 年 3 月 22 日，受大风天气影响，京津城际铁路接触网 上悬挂异物，导致部分列车晚点。2019 年 4 月 14 日，由于大风天气，一块塑料 布被挂到了京沪高铁接触网上，导致大部分列车晚点。这些异物对高速铁路的安全 运行造成了严重威胁。此外，接触网电杆上搭建的鸟巢极易使输电线短路、绝缘子 击穿，必须对其进行频繁的巡检，一经发现立刻清除，从而保证列车的安全运行。 在过去的十几年中，铁路入侵异物的检测主要依靠定期的人工巡查来完成，通过工 人沿着铁路线巡视来发现异物并进行清理。这种人工巡检的方式具有费时费力、成 本高、可靠性差等缺点。目前可以利用视频分析技术对铁路入侵异物进行检测，但 是这种方法不仅实时性较差而且仍然需人工参与。随着人工智能技术的迅速发展 ， 基于人工智能的图像处理技术能够在大量视频图像中快速确定含有异物的图像 ，然 后对该图像中异物存在的区域进行定位 ，最后对定位区域的异物种类进行识别。可 以使用这种方法对铁路运营环境进行实时监测，一旦发现异物入侵，便立刻进行清 理，从而保证列车的安全运行。 2 相关工作 基于计算机视觉的智能视频检测技术在很多领域都有广泛应用。例如：自动驾驶技 术逐渐成熟 ，代替人进行驾驶 ，能避免酒驾醉驾对人们生命财产造成的威胁 ；基于 智能视频分析的车牌识别 ，能够从复杂背景中将运动汽车的牌照提取并识别出来 ； 基于智能视频分析的人脸识别可以协助公安部门对不法分子进行抓捕。但是该技术 在轨道交通异物入侵检测方面的应用比较少。随着人工智能技术的快速发展 ，基于 卷积神经网络的铁路入侵异物检测技术受到越来越多专家学者的青睐 ，在国内外都 进行了相应的研究。 在神经网络被广泛应用之前，国内的一些学者曾提出基于计算机视觉的铁路入侵异 物检测技术。例如段旺旺利用图像的 HOG （Histogram of Oriented Gradients ） 特征对铁路接触网上的鸟巢进行检测 [1]。首先根据先验知识对鸟巢在图像中可能 出现的区域进行粗提取 ，然后求出提取区域的 HOG 特征 ，最后通过支持向量机 （Support Vector Machine ，SVM ）[2] ，根据图像的 HOG 特征对图像中的鸟 巢进行精确的识别。因为神经网络在图像处理方面有着其他算法无可比拟的优势 ， 所以国内有部分学者把神经网络与传统的图像处理技术相结合，对图像中感兴趣的 目标进行检测。它在铁路入侵异物检测方面也有着广泛的应用。例如杨沛通过双判 别器生成对抗网络对铁路接触网区域的鸟巢进行定位和识别[3]。首先利用 Faster R-CNN 网络（Faster Region-CNN ）[4]对鸟巢在图像中的位置进行定位，提取 鸟巢在图像中出现的区域，然后使用生成式对抗网络（Generative Adversarial Networks ，GANs ）[5]对此区域的物体进行分类，进而判断鸟巢是否存在。 国外学者对铁路入侵异物检测方面的研究相对较少，但是他们提出的一些识别算法 可以用在目标检测上，很大程度上提高了检测速度和精度。Ullman 研究出了图像 块机制的目标检测算法[6] ，可以对图像的主要特征进行提取 ；Cao 等研究了以角 点特征为基础的目标识别算法[7] ；Dalal 与 Triggs 提出了 HOG 特征提取算法在 行人检测方面的运用[8] ；Freund 和 Schapire 在 Boosting 算法[9]的基础上提出 了 AdaBoost 算法[10] ，它不需要任何关于弱学习器的先验知识，更容易应用到 实际问题当中。 针对如图 1 （a ）所示的铁路环境视频图