基于神经网络的接触网定位线夹状态检测方法研究

摘要

接触网定位装置是电气化铁路系统中接触网的重要组成部分，起着固定接触线位置、传递受力载荷等作用。接触网定位线夹是固定接触线的主要部件，在列车受流时直接承受接触力，容易产生塑性变形、松动、脱落等问题。其工作状态直接影响受电弓碳滑板工作状态，可能影响列车整体受流情况和受流质量，甚至危及列车行车安全。因此，接触网定位线夹的状态检测对保障行车安全具有重要意义。　　随着计算机处理能力的提升与神经网络技术广泛应用，针对接触网的智能检测方法大量涌现。但在接触网定位线夹检测方面，现有研究相对较少，且其技术智能化程度略有不足。针对这一现象，提出一种基于神经网络的接触网定位线夹状态检测的智能化检测方法，可以在快速精确定位接触网定位线夹的基础上，进行定位线夹图像优化，进一步准确检测接触网定位线夹的不同状态情况。　　首先，对比分析现有的定位识别检测网络技术及Backbone前端网络技术，构建MobileNet-SSD定位识别检测网络，并制作数据集完成网络训练，实现对接触网原始图像中存在的定位线夹进行定位识别工作，直观地展示出接触网定位线夹定位识别效果，实现定位线夹定位检测后在检测效果图中显示出相应的检测匹配度。　　对比多种图像预处理方式在接触网定位线夹图像中所取得的效果后，通过双边滤波、拉普拉斯锐化和全局固定阈值二值化系列数字图像处理技术，对接触网定位线夹原始图像进行预处理，有效消除在图像采集过程中产生的噪声与高光等不良影响因素；后进一步通过代码进行图像格式转换，生成包含多种定位线夹状态图像的训练数据集与测试数据集。　　根据实际检测需求，搭建CNN卷积神经网络和CapsNet胶囊网络，针对接触网定位线夹状态检测，进一步提出融合两种神经网络优势的CNN+CapsNet融合网络，利用池化机制与动态路由算法相结合并考量图像特征相对位置等因素在内的矢量胶囊检测方式，高效准确地实现接触网定位线夹的状态检测，完成网络模型训练，并对比在训练中三种网络模型的训练效率与资源占用率。　　实验数据验证表明，本文提出的接触网定位线夹状态检测方法，首先在使用MobileNet-SSD网络进行的定位线夹定位识别上有良好的表现；同时，本文提出的CNN+CapsNet融合网络在接触网定位线夹状态检测方面，在检测精度、训练效率上对比单一的卷积神经网络和胶囊网络，整体都表现出了明显优势。综合考量，本文在接触网定位线夹状态检测更精确、更高效、更智能方面做出了有益尝试与研究。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 研究历史及发展现状

1.2.1 国外研究历史及发展现状

1.2.2 国内研究历史及发展现状

1.3 研究主要内容及工作安排

第二章接触网定位线夹定位识别

2.1 目标检测算法概述

2.1.1 目标检测算法

2.1.2 Backbone特征提取网络

2.2 MobileNet-SSD目标检测网络

2.3 样本数据集制作与网络训练

2.3.1 LabelImg 图像标注

2.3.2 csv格式转换及tfrecords文件生成

2.4 定位线夹定位检测

2.5 本章小结

第三章接触网定位线夹图像处理

3.1 数字图像处理技术理论介绍

3.2 图像预处理

3.2.1 双边滤波

3.2.2 拉普拉斯锐化

3.2.3 全局固定阈值二值化

3.3 状态检测数据集选取与生成

3.4 本章小结

第四章接触网定位线夹状态检测

4.1 卷积神经网络

4.1.1 池化与激活函数

4.1.2 卷积神经网络结构与参数配置

4.2 胶囊网络

4.2.1 动态路由算法

4.2.2 胶囊网络结构与参数配置

4.3 胶囊网络结合卷积神经网络

4.3.1 融合网络结构与参数配置

4.3.2 融合网络训练

4.4 本章小结

第五章检测结果与数据分析

5.1 定位线夹定位识别检测数据分析

5.2 定位线夹状态检测数据对比分析

5.3 本章总结

总结与展望

工作总结

未来展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果

攻读硕士学位期间参加的科研项目

学位论文数据集