高速铁路接触网承力索座识别与辅助承力索缺失故障检测方法研究

针对高速铁路接触网承力索座辅助承力索缺失的问题,基于DHOG特征及离散余弦变换特征增强提出辅助承力索缺失故障检测方法。该方法首先需对样本库图像提取DHOG特征,在此基础上训练AdaBoost分类器并给出承力索座的精确定位;其次使用离散余弦变换滤除图像背景信息,实现辅助承力索目标特征信息增强;随后通过可接受圆弧检测、圆弧段聚类拟合实现图像内的圆形检测和统计,并根据统计数目,给出故障判据,最终实现高铁接触网辅助承力索缺失的故障判断。实验结果表明本文方法在目标定位上具有较好的尺度、旋转不变性,在故障检测上具有较高的检测精度。     

基于深度学习的高铁接触网旋转双耳开口销钉缺失故障检测

针对高速铁路接触网支撑装置中旋转双耳开口销钉缺失故障检测的问题,提出一种基于深度卷积神经网络和集成学习的故障检测方法。通过Faster R-CNN网络对旋转双耳整体进行精确定位;在整体定位结果的基础上,进一步完成对开口销钉的精确定位,最大程度上降低背景对故障检测的干扰;通过多个深度卷积神经网络提取开口销钉图像的多种特征,最终由多个线性SVM构成的集成分类器实现开口销钉缺失故障检测。实验结果表明:本方法能在复杂的接触网支撑装置图像中实现旋转双耳开口销钉的精确定位,并且在销钉的缺失故障检测中表现出较高的可靠性。     

基于卷积神经网络的接触网支柱号识别方法研究

接触网支柱号是铁路供电部门现场运营维护的重要定位参数。基于卷积神经网络的接触网支柱号自动识别方法结合接触网图像的实际特点,对视频图像进行了归一化图像预处理,并对实际的支柱图片进行了卷积神经网络的训练,在支柱号识别确定的过程中考虑了接触网支柱号的分布特点,提高了支柱号识别的准确性。利用实际线路数据进行测试,取得了较好的识别精度和较快的识别速度。通过实验验证,该方法能够辅助铁路基础设施检测系统中缺陷的定位,指导现场运营维修。     

基于HOG特征与二维Gabor小波变换的高铁接触网支撑装置耳片断裂故障检测

针对高速铁路接触网支撑结构中旋转双耳耳片断裂故障难以检测的问题,提出一种HOG(histogram of oriented gradients,梯度方向直方图)特征与二维Gabor小波相结合的图像检测方法。为实现旋转双耳在待检测图像中的定位,利用其正负样本的HOG特征对线性SVM分类器进行训练,对检测窗口内是否包含旋转双耳进行判别。为实现耳片断裂故障的可靠诊断,利用二维Gabor小波变换能量值对图像中的边缘信息进行筛选,进而对耳片断裂故障引起的故障裂痕进行识别。实验结果表明,本文提出的方法能在复杂的接触网支撑与悬挂装置图像中准确识别发生耳片断裂故障的旋转双耳部件,检测结果不受拍摄距离、拍摄角度以及曝光度等因素的影响,具有较高的使用价值。     

基于自编码器的接触网定位器底座开口销缺失识别算法研究

随着接触网故障检测技术的发展,接触网悬挂状态检测系统可得到接触网定位器的海量高清图像用于线下故障排查。为提高接触网定位器底座开口销缺失检测的准确性和效率,基于自编码器无监督网络模型,根据定位装置开口销区域的图像特征设计开口销缺失识别算法,并通过实际现场图像数据验证算法的有效性和通用性。试验分析表明,该算法对于背景复杂、光照不均等现场实际图像均具有良好的适应性,算法检测准确率达90%以上,可提高接触悬挂零部件缺陷检测效率,具有重要的实际工程意义。     

基于SIFT特征匹配的高速铁路接触网支撑装置耳片断裂检测研究

针对高速铁路接触网支撑结构中旋转双耳耳片断裂的问题,提出一种基于尺度不变特征变换(Scale-invariant Feature Transform,SIFT)的图像检测方法。利用待分析接触网支撑与悬挂装置图像和标准旋转双耳图像之间的局部特征点匹配,实现旋转双耳的定位与提取,通过分析旋转双耳上边界曲线上各点的弯曲度,判断是否存在耳片断裂故障。实验表明:本文所提方法能在复杂的接触网支撑与悬挂装置图像中准确识别耳片断裂故障,不受拍摄距离、拍摄角度以及曝光度等因素的影响,且具有较高的检测效率。     

基于图像处理和双BP神经网络的电气化铁路接触网立柱标识牌识别算法研究

故障位置点定位是实现轨道维护及保养的前提,利用接触网立柱标识牌实现定位是一种常用的轨道定位方法,但常规的识别方法存在识别率低且速度慢的缺点。针对该问题,提出一种基于图像处理和双神经网络的接触网立柱标识牌识别算法。首先利用Hough变换提取出接触网支柱区域,减小识别区域,其次通过形态学方法实现标识牌的定位与裁剪,再采用水平投影方法对字符进行分割,最后对字符中的字母和数字分别进行特征提取,利用两路并行的反向传播神经网络进行识别。通过实验验证了该算法的有效性,结果表明:该方法精度可达98.3%,相较于传统识别方法速度提高了17%。因此该识别算法能够实现轨道故障位置的快速精确定位,可用于轨道智能巡检系统。     

基于级联Faster R-CNN的高铁接触网支撑装置等电位线故障检测

在高速铁路接触网支撑与悬挂装置中,等电位线起到保证定位管与定位器间可靠电连接的作用。当其发生散股故障时,会对定位器支座造成电化学腐烛,甚至导致定位器与支座连接处断裂脱离,影响行车运行安全。针对高速铁路接触网支撑装置等电位线散股问题,提出一种基于级联Faster R-CNN目标定位的等电位线不良状态检测方法。通过分析接触网4C检测车采集到的接触网支撑及悬挂装置图像,利用第一级Faster R-CNN获得定位器支座部件特征并实现定位;利用第二级Faster R-CNN学习等电位线散股故障特征;通过对比分析等电位线正常及故障占比,实现等电位线正常与故障分类。实验表明,本方法能够较准确地实现等电位线不良状态检测,测试集识别准确率达到94.5%。     

基于几何特性的电气化铁路支撑装置管帽定位算法研究

针对接触网支撑装置图像(4C)中出现频率最高的管帽缺失故障,提出了一种基于几何特性的定位算法,实现了管帽区域的准确定位。首先对现场图像进行预处理;然后利用搜索阈值法二值化实现对支撑装置银色镀锌区域的提取;利用区域中心算法和最近像素定位法实现腕臂直线提取;最后根据支撑装置几何特性实现管帽区域的定位。实验表明,提出的定位算法能在复杂的接触网支撑装置图片中准确定位管帽区域。定位结果不受旋转、尺度、光照、支撑装置正反定位及图像中支撑装置主体结构是否完整等因素的影响,具有较高的实用价值和研究意义。     

基于图像处理的接触网定位线夹目标检测

随着接触网故障检测技术的发展,接触网悬挂状态检测监测装置可得到接触网定位装置的海量高清图像用于线下故障排查。为提高故障检测的效率和准确性,基于图像处理技术,根据定位线夹区域的结构特征设计定位线夹目标区域的检测算法,并通过实际图像数据验证算法的有效性和通用性。该算法对于背景复杂、光照不均、含噪声等现场实际图像均具有良好的适应性,算法检测准确率达90%以上,极大提高了检测效率并为进一步的缺陷检测奠定了基础,具有重要的实际工程意义。     

一种基于深度神经网络的腕臂底座开口销缺失检测算法

在接触网装置故障中,腕臂底座(包含平腕臂底座和斜腕臂底座)开口销缺失较常见,包括横向和垂直销钉开口销缺失两种.为对腕臂底座开口销缺失缺陷进行自动识别,本文提出一种基于深度神经网络的腕臂底座开口销缺失检测算法:首先采用YOLO算法对原始大图进行一级定位得到腕臂底座区域,然后对腕臂底座区域进行二级定位得到开口销区域小图,最...     

基于2阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法

基于高铁接触网悬挂运行状态监测图像,分析监测图像与普通图像的区别;将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别2个过程,提出基于2阶级联卷积神经网络的紧固件缺陷识别方法。首先,设计紧固件检测网络,由轻量级特征提取网络、全局注意力模块及相互增强的分类器和检测器组成,实现目标紧固件实例的高效检测;然后,搭建1个包含4个卷积层、2个池化层、1个全连接层和1个输出层的多标签分类网络,完成紧固件运行状态的精细分类,实现缺陷识别。运用紧固体缺陷识别方法,对某高铁线路接触网状态监测图像数据进行试验分析,结果表明:2阶级联卷积神经网络的方法可以快速准确地检测紧固件的缺陷,紧固件定位平均检出率达98.2%,紧固件缺陷平均识别精度达95.8%,较单一检测网络提高约21.5%。     

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Faster R-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、Fast R-CNN网络训练以及对RPN和Fast R-CNN的联合训练,建立了适合鸟窝检测的Faster R-CNN模型,实现对鸟窝的检测。经试验,Faster R-CNN的准确率为88.5%,每张图片的识别速度为79 ms,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。     

基于局部特征描述的高速铁路接触网斜撑套筒定位与故障检测

针对高速铁路接触网支撑装置斜撑套筒部件的螺钉松脱与脱落问题,提出一种基于采用局部特征描述的统计模式识别算法和螺钉灰度分布规律的图像检测方法。首先计算斜撑套筒部件正负样本的HOG特征,训练基于AdaBoost算法的级联分类器,实现接触网支撑装置图像中斜撑套筒部件的定位识别。为减少误匹配率,采用支持向量机分类器与AdaBoost分类器级联的方法完成目标的精确定位。对定位得到的斜撑套筒子图像利用Hough变换和边缘检测寻找分割直线分离螺钉和套筒,使螺钉可以被单独分析。实验表明,本文方法能够较准确地实现斜撑套筒2种不良状态的检测。     

高铁接触网旋转双耳销钉状态检测方法研究

针对高速铁路接触网支撑装置旋转双耳部件销钉的松脱与脱落问题,提出一种基于图像不变性目标定位及灰度分布规律特征的销钉不良状态检测方法。通过分析现场接触网支撑及悬挂装置图像,利用SIFT(Scale Invariant Feature transform)算法和改进的RANSAC(Random Sample Consensus)算法实现双耳部件的定位;采用Hough变换实现目标图像中双耳套筒倾角的提取,并将其旋转至水平方向,进而实现旋转双耳部分的分割;累加目标图像的竖直方向像素灰度值,确定销钉受力部分和两端非受力部分长度;归纳销钉正常工作及故障时这些长度间相关比值的范围,从而判断销钉的工作状态。实验表明,该方法能够较准确地实现销钉不良状态的检测。     

深度学习在接触网定位器缺陷检测中的应用

高速动车接触网运营安全的需求使得接触网关键零部件的缺陷自动检测成为一份有意义的工作。针对接触网巡检图像的定位器缺陷检测问题,本文提出了一种基于图像深度表示和直线检测的目标检测一体化算法。该算法采用选择搜索算法获得定位器在图像中可能存在的备选区域,利用深度卷积神经网络计算图像的深度特征,通过多任务学习的算法求得定位器的局部区域。随后,利用Canny边缘提取和Hough直线检测的方法在局部区域内精确检测定位器直线。针对接触网巡检图像的实际应用场景,对该算法在不同场景下进行验证,试验结果表明,该算法可以有效解决实际场景下的定位器缺陷检测问题。     

基于EfficientDet与Vision Transformer的接触网吊弦故障检测

针对传统检测方法在铁路接触网吊弦故障状态检测中存在识别率低,识别速度慢的问题,提出一种基于轻量型网络EfficientDet与Vision Transformer网络相结合的接触网吊弦状态检测算法。该算法包括目标定位和分类检测2个部分,利用改进EfficientDet进行吊弦定位,将定位出的吊弦送入改进Vision Transformer网络进行故障类别检测。首先,使用空洞卷积替代EfficientDet网络中第2层和第3层的普通卷积,以扩大感受野,并用CBAM代替原网络中的SE注意力机制,汇聚吊弦的高层语义信息,使得改进后的EfficientDet能有效定位出接触网中尺寸占比较小的吊弦;其次,为减少参数量并保留较大范围的特征相关性,应用4个3×3的小卷积替代Vision Transformer中Embedding的16×16的卷积层,以深度提取浅层与深层特征之间的联系,同时对比当Num-head取值不同时,分析注意力机制对空间信息的影响,以确定吊弦故障分类检测的最优模型;最后分别与定位网络YOLOv3,Faster R-CNN和分类网络AlexNet,VGG16进行对比分析,吊弦定位...     

基于曲波域移动平行窗的受电弓滑板裂纹识别

针对受电弓滑板非接触式裂纹故障检测问题,提出一种基于曲波域移动平行窗的受电弓滑板裂纹识别算法。算法利用曲波变换多方向性及各向异性特点,对受电弓滑板图像点状、线性和非线性特征进行分类。在曲波分解方向矩阵中使用移动平行窗口并计算窗口能量值,依据能量值区分线性平行接缝与背景噪声、螺钉和刮痕等其他非线性图像特征,最终获取滑板裂纹信息。实验结果表明,本文算法能有效地分类滑板图像特征,较准确地检测并定位滑板裂纹故障,识别率达到94.1%。     

电力机车接触网终端防护装置的设计与实现

在电气化铁路中接触网终端设置的警示标识功能单一,电力机车作业时易发生误闯接触网终端的事故,采用远距离高速射频识别定位技术,设计出一种对电力机车进入接触网终端区域进行自动提醒和防护的装置。该装置由接触网承力索上的电子标签、机车车顶的标签阅读器和机车车内的防护装置及指示组成,防护装置通过阅读器读取定位信号,并根据信号内容自动发出语音提醒或执行制动、断主断和降弓等动作,从而有效地达到接触网终端区域完全防护的目的,避免电力机车误闯接触网终端此类事故的发生。     

基于接触网成像技术的绝缘子故障检测方法

在电气化铁路接触网设备中,绝缘子是最易发生故障的零部件之一。文章运用接触网成像检测图片,采用SVM分类器,基于HOG特征对接触网成像数据中的绝缘子进行初步定位,再使用局部二值化实现绝缘子精确定位。针对绝缘子破损缺片、闪络放电、附着异物等3种典型缺陷,分别设计了故障识别算法,且该方法已在中国铁路广州局集团有限公司部分线路中进行实测,效果良好。