基于SSD的受電弓拉弧在線檢測方法

馮慶勝，牛學慧

（大連交通大學 電氣信息工程學院，大連116028）

在高速列車運行中，受電弓拉弧存在會增大受電弓滑板和接觸網的損耗，影響列車穩定運行，最終可能會影響整個列車安全運行狀態。因此，對受電弓拉弧的監測是列車安全狀態監測的重要部分。受電弓拉弧產生和消失的時機具有很大的隨機性，而且周圍的干擾環境比較復雜，所以弓網監控數據圖像是否有拉弧比較困難。隨著高速鐵路供電安全檢測監測（6C 系統）系統的提出，越來越多學者開始關注受電弓拉弧檢測方面的研究。文獻[1]運用邊緣檢測、圖像自適應閾值分割等方法對弓網拉弧強度檢測進行研究；文獻[2]結合圖像處理技術等算法，檢測出拉弧的位置；文獻[3]利用紫外輻射能來檢測受電弓拉弧的強度；文獻[4]以Haar 特征為基礎設計了一套受電弓視頻智能監控算法；文獻[5-6]利用SSD 算法分別對航空發動機內部缺陷和道路目標進行檢測與識別。現有方法大多只采用傳統的圖像處理算法判斷運行狀態是否存在拉弧，弓網狀態檢測流程復雜，檢測速度慢，難以滿足高速列車受電弓拉弧實時檢測分析。近兩年卷積神經網絡在目標檢測中取得的成績顯著，越來越多目標檢測算法應用到高速鐵路系統故障檢測領域。針對現有弓網拉弧檢測存在的問題，本文將通過圖像處理算法與SSD目標檢測算法相結合，運用輕量級的MobileNet-SSD模型對受電弓拉弧圖像進行目標檢測，檢測精度高，硬件資源消耗低，檢測速度快，便于加載到列車車載設備中，能滿足現場受電弓拉弧在線檢測要求，受電弓拉弧檢測結構如圖1所示。

圖1 SSD 受電弓拉弧檢測結構圖Fig.1 SSD pantograph arc detection structure diagram

1 SSD 算法模型

1.1 SSD 模型網絡結構

SSD（single shot multibox detector）目標檢測框架[7]是在ECCV2016 會議上提出的，通過把Faster R-CNN 的候選區域anchor 機制和YOLO 的回歸思想結合在一起得到的模型，其網絡模型檢測在目標檢測速度上比Faster R-CNN 快，在檢測精度上比YOLO 高，把兩者的優點進行了比較好的結合。SSD把原始輸入圖像縮放為固定大小作為卷積神經網絡模型的輸入，300×300 網絡結構如圖2所示，其基礎網絡使用了VGG16 網絡結構。SSD 把VGG16 全連接方式的2 個網絡層的FC6 層、FC7 層改為卷積層，然后繼續添加若干卷積層直到Conv10_2 層，最后接一個Pooling 層。當定義完網絡結構后，SSD 網絡采用了特征金字塔結構對物體進行回歸檢測，及檢測時會利用多個不同卷積層產生的特征圖，提取特征層作為Detection 層的輸入。在不同尺寸的特征圖上產生多個Prior box，假設特征圖大小為m×m，一張特征圖上產生了k 個Prior box，一個Prior box對應產生c 個分類和4 個邊框信息。

圖2 SSD 網絡結構圖Fig.2 SSD network structure diagram

當SSD 網絡模型對數據集進行回歸訓練，是同時對目標的種類和目標位置進行訓練的。在整個訓練過程中也會產生損失量，其網絡模型的總目標損失函數是由置信損失函數（conf）和位置損失函數（loc）組成，其兩者的加權求和得到式（1）為

式中：x 參數表示實際檢測框和默認框是否匹配成功；參數α 用來平衡置信損失和位置損失；c 是分類置信度；l 代表預測框；g 代表真實標簽框；N 是與該類別的校準框匹配的默認框數量。

1.2 MobileNet 網絡

MobileNet 網絡[8]是一個典型的輕量級網絡，它將傳統的標準卷積分解為兩部分，包括深度卷積和點向卷積。深度卷積對輸入的特征圖產生單一的輸出，然后使用點向卷積大小為1×1 的卷積核與輸入的特征圖進行卷積運算，最后產生深度層的輸出，卷積網絡結構如圖3所示。

圖3 卷積網絡結構圖Fig.3 Convolutional network structure diagram

傳統標準卷積被分解為深度卷積和點向卷積，計算量如公式（2）所示，如果按照3×3 的卷積核進行計算量的計算，通過公式計算可得MobileNet 網絡計算量減小了8～9 倍。由于網絡計算量小，模型的尺寸小，所以檢測模型網絡對硬件系統要求比較低，方便在移動設備上應用。

1.3 MobileNet-SSD 網絡結構

當前卷積神經網絡計算量大，越來越復雜，把卷積神經網絡加載到移動車載設備中去，則對硬件設備有很高的要求。結合受電弓拉弧檢測模型應用場景，選擇一個比較輕量化的模型，便于加載到列車上是很有必要的。MobileNet-SSD[9]模型如圖4所示，將MobileNet 網絡與SSD 基本模型組合，通過卷積分解操作計算輸出，模型計算量和參數量大大減少，模型的尺寸也縮小了。本網絡模型包含了MobileNet 占用空間小的優勢，又包含了SSD 速度快的優點。

圖4 MobileNet-SSD 網絡模型Fig.4 MobileNet-SSD network model

2 弓網數據圖像處理

本文受電弓拉弧檢測所用的圖片數據集全部提取于攝像頭監控的視頻，該攝像頭安裝在受電弓的前方。共提取了受電弓圖片6000 張，其中包含沒有受電弓拉弧5000 張和存在受電弓拉弧1000 張。弓網圖像隨機抽取測試圖像1200 張，訓練圖像4800 張。為了保證在不同的環境下都能對受電弓拉弧準確的檢測，提高模型的魯棒性和檢測精度，對檢測模型訓練集和測試集都做了圖像預處理[10]操作。圖像處理后手動運用LabelImg 標注工具對樣本進行標注，標注是框出受電弓拉弧所產生的位置，并制作成數據集。在對弓網數據進行訓練模型時，如果受電弓沒有產生拉弧，則標為normal 正常；如果存在拉弧，則標為abnormal 異常。

2.1 訓練數據圖像處理

由于天氣、機器抖動、隧道燈光、電磁干擾等原因容易產生干擾噪聲，影響目標檢測的檢測精度。因此，在訓練集中加入強光、旋轉、暗光、模糊噪聲、椒鹽噪聲等，來模擬列車受電弓運行在不同環境中和受到的各種干擾如圖5所示。通過使用圖像處理后擴充的數據集訓練模型，可增強受電弓拉弧檢測模型的魯棒性。

圖5 圖像處理后結果Fig.5 Results of image processing

2.2 測試數據圖像預處理

目前大部分圖像在濾波之前，都需要先將圖像灰度化，然后再運用各種濾波算法進行圖像濾波分析。但是弓網灰度化之后會導致部分顏色信息丟失，影響后續的受電弓拉弧目標檢測。本文為了保留圖像的彩色信息，采用彩色圖像空間平滑濾波和銳化方法對待測數集集進行預處理，以此來減小圖像噪聲，增強檢測圖像目標的特征信息，提高受電弓拉弧檢測平均精度。

本文處理弓網彩色圖像時用空間掩模平滑，圖像處理時用處理灰度圖像的相同方法來表達，只是替代單個像素。令Sxy表示彩色圖像中以（x，y）為中心的鄰域中的一組坐標。在該鄰域中，向量的平均值為

式中：K 是鄰域中像素的數量，附加的向量特性為

當平滑弓網彩色圖像時，線性空間濾波一般包括3 個步驟，首先是抽取3 個分量圖像；然后分別過濾每個分量圖像；最后重建濾波過的弓網圖像。本文弓網圖像使用的是拉普拉斯算子。通過向量分析，1 個向量Laplace 算子定義為1 個向量，其分量等于輸入向量的標量分量的Laplace 算子。

在RGB 彩色制式中，向量c 的Laplace 算子為

式（5）可以看出，彩色圖像的拉普拉斯算子可以由每個分量圖像的拉普拉斯算子計算得出。拉普拉斯銳化原理是某像素與它所在的領域內的像素的平均灰度作比較，當區域內中心像素灰度高于或低于其他像素平均灰度時，其區域內的中心像素灰度會提高或降低處理，這就是圖像的銳化處理。數據圖像平滑濾波、銳化后的結果如圖6所示。

圖6 平滑濾波和銳化后結果Fig.6 Smoothing filtering and sharpening results

3 實驗環境與評價指標

3.1 實驗環境

本文受電弓拉弧檢測實驗的仿真環境參數如表1所示。

表1 仿真設備環境參數Tab.1 Simulation equipment environmental parameters

3.2 評價指標

本文使用平均精度均值mAP（mean average precision）作為受電弓拉弧目標檢測中衡量檢測性能的指標。平均精度均值是多個類別平均精度的均值，Precision、Recall、AP 計算公式如下：

受電弓拉弧檢測性能的評價，不僅需要較高的檢測精度，還需要較高的檢測速度，這樣才能在大量的數據集中快速檢測出弓網狀態是否存在拉弧。本實驗采用FPS（每秒幀率）用于評價受電弓拉弧的檢測速度。

4 拉弧檢測實驗分析

SSD 算法模型對受電弓拉弧檢測性能無論是檢測精度還是檢測速度都有一定的改善，尤其是檢測速度得到了很大的提升。通過測試可以看出改進SSD 算法模型可以準確地定位出目標的位置。本文實驗的結果分為正常無拉弧和異常有拉弧2 類。每次實驗網絡模型訓練將迭代100000 次，設置初始學習率為0.0002。本文做了2 個對比實驗，一是在測試圖像沒有進行預處理的情況下，不同目標檢測算法之間的檢測性能對比；二是用本文SSD 目標檢測模型分析對比測試圖像預處理和預處理的目標檢測性能。

4.1 SSD 檢測結果分析

本次實驗在只對訓練集圖像進行加噪等預處理，擴充了數據集，對測試目標圖像集未使用圖像預處理的情況下，Faster R-CNN、SSD、YOLO 和本文改進SSD 對受電弓拉弧檢測性能對比如表2所示。

表2 不同算法檢測性能的對比Tab.2 Comparison of detection performance of different algorithms

在相同的數據集和訓練迭代次數下運用不同的網絡模型進行比較。從表2 中可以看出，Faster R-CNN 平均精度均值mAP 為81.14%，高于SSD、YOLO 及本文算法的檢測精度，但FPS 太低。相比于其他3 種檢測算法，YOLO 算法檢測精度mAP 最低。本文改進SSD 算法的mAP 為81.29%，相比于原始SSD 和YOLO 的檢測精度mAP 相差不大，但是相比較其他3 種算法圖像傳輸速率FPS 方面有了很大的提升，FPS 提升為45 幀/s，該算法在拉弧實時檢測方面具有很大的速度優勢。通過運用本文SSD 算法對受電弓拉弧進行檢測，當檢測結果正常受電弓沒有拉弧時，檢測結果為normal。當檢測異常受電弓有拉弧時，檢測結果為abnormal，圖像檢測結果如圖7所示。

圖7 圖像檢測結果Fig.7 Image inspection result

4.2 測試圖像預處理后檢測分析

本次實驗通過彩色圖像平滑和銳化相結合，對待檢測的受電弓拉弧數據集進行預處理，并且使用了上節本文改進的SSD 算法。圖像處理后的檢測結果如表3所示，可以看出當弓網數據集結合圖像預處理的方法，確實能夠提高改進SSD 算法的檢測精度，當測試集通過平滑加銳化處理后經過訓練，平均檢測精度mAP 提高了2.46%。由此可知，數據集中由于各種原因確實存在許多噪聲，這些噪聲干擾目標檢測的結果，將圖像預處理適當的結合可以提高算法的檢測效果。從而驗證了數據集通過彩色圖像平滑加銳化的方法，保留了原圖彩色信息，增強了特征信息，可以提高受電弓拉弧的檢測精度。

表3 圖像處理后檢測結果對比Tab.3 Comparison of test results after image processing

實驗結果表明，SSD 算法模型通過將基礎網絡替換為MobileNet 網絡，提高了對受電弓拉弧圖像檢測速度和精度，再結合彩色圖像平滑濾波和拉普拉斯銳化，進一步提高了目標圖像的檢測精度，并且提高了對復雜環境不同光照干擾下的魯棒性和泛化能力。

5 結語

本文針對復雜環境下受電弓拉弧在線檢測難的問題，首先通過采用幾種深度學習檢測算法模型對受電弓拉弧檢測比較分析，得出利用改進SSD 算法對受電弓拉弧的檢測精度高，計算量小，并且檢測速度快；然后通過對測試數據圖像進行平滑濾波加銳化預處理，結果顯示對待檢測數據預處理可以提高檢測精度。本文實驗結果驗證了圖像處理與深度學習相結合的受電弓拉弧檢測模型有效性，檢測速度快，計算量小，便于加載到列車中應用，同時具有一定的魯棒性和實用性，為今后高速列車弓網拉弧狀態弧檢測提供了新思路。