基于加速区域卷积神经网络的高铁接触网承力索底座裂纹检测研究

发布时间：2024-04-17 19:57

　　针对高速铁路接触网支撑结构中承力索底座裂纹的问题,提出一种利用加速区域卷积神经网络与Beamlet变换相结合的图像检测方法。该方法使用加速区域卷积神经网络实现对承力索底座在待检测图像中的识别定位,然后根据定位的承力索底座图像特点,通过Radon变换等预处理操作对承力索底座疑似裂纹区域精确定位,最后使用基于Beamlet变换的局部链搜索算法快速得到裂纹信息,实现承力索底座裂纹故障的可靠诊断。实验表明:该方法能在复杂的接触网支撑与悬挂装置图像中准确定位识别承力索底座裂纹故障,对拍摄距离、拍摄角度以及曝光度等因素具有很好的适应性,且具有较高的检测效率。

【文章页数】：7 页

【部分图文】：

图1FasterR-CNN模型结构

式绝缘子的目的。这些通过提取特定局部特征实现目标匹配的方法具有直观快速的优点，但准确率不高。文献［５］提出计算接触网正负样本的方向梯度直方图（ＨｉｓｔｏｇｒａｍｏｆＯｒｉｅｎｔｅｄＧｒａｄｉｅｎｔ，ＨＯＧ）特征来训练支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ），....

图2ZF卷积神经网络结构(单位灌素)

量、大小、步长均不同。例如第１层包含９６个卷积核，每个核的大小为７×７像素，ｘ１和ｙ１的步长跨度均为２。②激励层：通过矫正激励函数使网络具有一定非线性，激励函数为ＲｅＬＵ（ｘ１）＝ｍａｘ（ｘ１，０）（１）式中：ＲｅＬＵ为激励函数；ｘ１为输入的卷积值。③池化层：各池化层均对卷积得到....

图3RPN网络原理

图5卷积神经网络部分层可视化结果

可能的类别（承力索底座或背景）与对应目标的位置，通过输入样本图片进行前向传播以及反向传播不断修正各模块各层卷积核等计算参数来达到代价函数最小的目的，实现对接触网样本图片的准确分类与定位。２．２基于ＦａｓｔｅｒＲ－ＣＮＮ的承力索底座定位识别高速铁路现场拍摄的支撑悬挂装置图像作为Ｆａ....

本文编号：3956854