双判别器生成对抗网络及其在接触网鸟巢检测的应用研究

摘要

高速铁路电气化建设与运营管理中，接触网异常检测是目前业界特别关注的关键技术，基于智能视频分析的检测方法是其中的主要技术途径，我们采用了多种数据分析方法对该智能视频分析问题进行了研究。鸟巢检测是接触网异常检测中的一种典型状况，搭建于电气化铁路接触网支架上的鸟巢极易引起接触网跳闸、绝缘子击穿等严重故障。目前主要依靠人工巡检方式进行鸟巢检测，成本高、效率低。利用视频图像处理进行自动巡检是业界十分重视的技术发展方向。但在接触网图像数据中含有鸟巢的图像只占总数据很小的一部分，属一类典型的不平衡数据分类问题。使用机器学习模型解决该类不平衡数据问题，模型对于数据特征的学习能力非常关键。生成对抗网络GANs可以无监督的学习到丰富的数据特征，其优异的数据特征捕获能力被越来越多的证实和应用。 本文结合接触网鸟巢检测的应用背景，从图像数据预处理、目标检测、不平衡数据分类三方面出发展开了论文的研究工作。 在接触网巡检视频中，存在大量有雾、曝光不足或过度的问题图像，针对该问题本文使用暗通道先验去雾算法(Dark Channel Prior，DCP)对图像进行增强，获得了非常显著的曝光修复以及去雾的效果。 为了有效提取巡检图像中的关键部分，本文使用了Faster R-CNN对巡检图像中的接触网支柱进行目标检测及提取，通过使用迁移学习的方法，基于少量标签样本达到了较理想的目标检测准确度。 由于GANs模型自身结构及原理所限，直接将其用作图像分类模型效果并不理想。针对图像分类任务对 GANs 模型进行了研究和改进，提出了双判别器生成对抗网络DDGANs。在接触网鸟巢检测中取得了令人满意的分类效果。同时DDGANs也是一种有效的半监督学习模型，对MNIST标准数据集的实验表明，与其他模型相比，准确率和收敛速度获得了明显提高。

目录

第一个书签之前

第 1 章 绪论

1.1 研究背景及意义

1.2 国内外接触网巡检研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 接触网视频巡检装置

1.4 生成对抗网络简介与研究现状

1.5 基于视频的接触网鸟巢检测的关键技术和识别难点

1.5.1 基于视频的接触网鸟巢检测的关键技术

1.5.2 基于视频的接触网鸟巢检测的识别难点

1.6 本论文的主要内容及结构安排

1.6.1 论文主要内容

1.6.2 论文结构安排

第 2 章 接触网图像预处理及接触网支柱定位

2.1 接触网巡检图像获取

2.2 接触网巡检图像预处理

2.3 接触网图像去雾及曝光补偿

2.3.1 去雾算法原理

2.3.2 接触网巡检图像增强过程

2.4 接触网巡检图像倾斜校正

2.4.1 高速列车轨道超高

2.4.2 接触网图像倾斜校正

2.5 接触网支柱检测定位

2.5.1 Faster R-CNN简介及基本原理

2.5.2 制作训练数据集

2.5.3 模型结构

2.5.4 接触网支柱检测

2.5.5 实验结果及分析

2.6 本章小结

第 3 章 双判别器生成对抗网络

3.1 生成对抗网络

3.1.1 模型结构

3.1.2 算法实现

3.1.3 GANs分类实验分析

3.1.4 分类性能理论分析

3.2 双判别器生成对抗网络

3.2.1 模型结构

3.2.2 收敛特性的理论分析

3.2.3 算法实现

3.2.4 分类及生成性能分析

3.3 本章小结

第 4 章 双判别器生成对抗网络在接触网鸟巢异常的检测的应用

4.1 基于MNIST数据集的半监督学习图像分类

4.2 基于DDGANs的接触网鸟巢异常检测

4.2.1 DDGANs训练过程

4.2.2 DDGANs鸟巢检测实验结果及分析

4.3 本章小结

第 5 章 总结

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果