基于深度学习接触网电力设备老化检测网络

基于深度学习接触网电力设备老化检测网络

胡贵川

重庆市轨道交通(集团)有限公司

摘  要：由于铁路轨道交通接触网庞大且分布较为扩散，且不利于人工检测。因此本文提出了一种基于深度学习接触网电力设备老化检测网络，以典型的接触网电力设备老化问题——生锈为例，通过透射变换进行平移、翻转以及透视模拟等数据扩充，结合Mask RCNN对电力设备老化部分进行检测，结果表明数据扩充可以有效地提升检测精度。

关键词：透射变换；Mask RCNN

0  概述

接触网作为轨道交通的直接供电设备，其稳定安全可靠的运行对于城市轨道交通而言意义重大。对于接触网的故障巡检，主要包括人工巡检以及只能巡检，人工巡检较为耗时且效率低下。为此，智能巡检被各界学者广泛关注。就智能巡检而言，现有研究方法主要针对外部技术生成所需的大量的候选样本并根据样本判断是否出现接触网电气设备故障。对于所采集的图像而言，各个图像采集的视角是不一致的，本文主要研究基于深度学习的接触网电力设备老化检测网络，并以无人机所采集的电力设备接地线数据为研究对象，考虑到所采集数据的不足，利用图像透射变换对所采集数据进行模拟扩充，并结合Mask R-CNN对扩充后的数据以及图像增强后的数据进行模型的训练及预测。仿真表明，数据扩充可以有效地提高识别精度。

1数据预处理

透射变换是图像处理中最重要的变换之一，其表示视图空间位置到目标空间的位置映射[1]，假设视图空间X中任意向量 以及目标空间中任意向量，则视图空间与目标空间映射关系具体如式(1)所示。

式(1)所示映射关系可简化为式(2)矩阵表示：

式(2)表示视图空间向量乘以变换矩阵即可得到目标空间的向量，其中变换矩阵为,该矩阵由四部分组成即；其中表示线性变换关系，如旋转、反转等;为透视变换参数矩阵；为平移变换参数矩阵，该式可知透射变换实际上包含了图像的平移、缩放、翻转、旋转以及透视变换。

2 Mask RCNN接地线生锈检测

Mask RCNN是HE等[5]改进Faster R-CNN后产生的一种新的目标检测网络模型，其算法模型的结构如图1所示，相比于Faster RCNN而言，该网络增加了目标掩码分割任务并且将Faster RCNN中的ROI Pooling变成ROI Align以实现像素对齐。具体操作如下：首先将透射变换扩充的数据集映射成固定尺寸，并将其输入到主干网络进行特征提取（本文采用ResNet-101作为主干网络），然后将主干网络提取特征图经过RPN网络进行特征候选区域(ROI)的预筛选，接着将预选ROI经过ROI Align进行像素对齐，并将对齐后的特征图映射到固定尺寸，最后并行处理多分支任务，其中两个分支是把特征向量经全连接层（FC）进行分类与ROI区域的位置精修，另一个任务是将特征向量经过全卷积网络（FCN）进行像素掩码(Mask)分割。

3仿真分析

本文主要研究基于深度学习接触网电力设备老化检测网络，该仿真主要包括基于透射变换的仿真数据扩充以及结合扩充数据利用Mask RCNN进行接地线生锈检测仿真实验。

3.1数据预处理仿真实验

图2 透射变换

本文首先利用透射变换原理，分别研究了透射变换中的旋转、反转以及透视模拟，图2展示了透射变换处理的处理数据结果，由于本文图像较多不宜逐一展示。该图中第一行分别展示了图像的在0°、90°、180°以及270°下的旋转过程，第二行分别展示了图像的上下翻转、左右翻转以及上下左右的翻转过程，第三行分别展示了图像的左视图、右视图、俯视图以及仰视图。对于第一行与第二行的图像本文主要用于对原始无人机所采集的数据进行进一步扩充丰富化。对于第三行所处理的图像数据，由于无人机所采集的数据均是在一个视角下进行的，即原始数据中无人机不同视角的图像信息不均衡，因此视角模拟可减弱当前视角数据集的不平衡性问题。

3.2接触网电气设备生锈检测仿真实验

在接触网电气设备生锈检测实验中，本文首先需要整合仿真数据，将透射变换实验中各个图像作为本实验的样本集，其中训练集2600张，测试集1000张，共3600张。利用Labelme软件为训练数据集中的接地线生锈目标进行标定，并制作目标标签，完成训练集制作；实验环境以及仿真参数设置如下：实验平台显卡为NVIDIA GeForce RTX 2080Ti；处理器为英特尔 i9 9900k，主频3.6GHz；金士顿32G内存以及500G固态硬盘；编程软件为Pycharm，利用keras以及tensorflow框架实现Mask RCNN。本文利用COCO数据集上已经训练好的Mask RCNN权重作为本实验数据集Mask RCNN网络训练的初值。利用Adam算法对学习率进行修正，初始学习率为0.001。网络迭代次数为500次。

图4展示了MASK RCNN接地线生锈部分的检测结果，可以看出接地线生锈部分均被较好的识别出来，且精度均达到0.99以上；具体见图（1）~图（4）。总的来说，经过数据扩充可以有效的提高检测精度，该方法对于电力设备的巡检具有一定的参考性。

（1）                  （2）

（3）                   （4）

图4 Mask RCNN测试数据检测结果

4结束语

本文就无人机采集的接触网电力设备数据进行图像处理，包括基于透射变换的数据扩充，并结合Mask RCNN进行模型的训练以及仿真验证，监于上述结果得出以下结论：采用透射变换模拟无人机可能的拍照角度，该数据扩充可以提高模型的泛化性。

参考文献

[1]安玮,李宏,徐晖,等.模式识别中的透射变换与仿射变换[J].系统工程与电子技术,1999(1):57-62.

[2]HE K M,GKIOXARIG,DOLLAR P，et al. Mask R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision(ICCV).Venice,Itally,2017:2980-2988