基于深度卷积神经网络的铁路接触网鸟窝检测方法研究

鸟类在铁路接触网筑巢一直是造成接触网故障的一个重要原因,目前主要依靠人工巡检的方式确定是否存在鸟窝,不仅工作量大、漏检率高,而且效率低。因此提升接触网鸟窝的检测效率,及时排除隐患,对保障铁路安全运营具有重要的意义。针对此问题,提出了一种基于深度卷积神经网络的FasterR-CNN模型用于接触网鸟窝的自动识别。通过自定义合适的网络结构和参数,经过预训练、RPN网络训练、FastR-CNN网络训练以及对RPN和FastR-CNN的联合训练,建立了适合鸟窝检测的FasterR-CNN模型,实现对鸟窝的检测。经试验,FasterR-CNN的准确率为88.5%,每张图片的识别速度为79ms,通过与传统的HOG方法、DPM方法和卷积神经网络方法进行比较,验证了深度卷积神经网络对铁路接触网鸟窝检测高效性。