試論高鐵接觸網鳥窩檢測識別方法

武斯全，田震，廖開沅，徐嘉勃

（北京交通大學計算機與信息技術學院，北京 100044）

高速鐵路接觸網是指沿著鐵路干道在其上方所搭設的為來往列車輸送電能的特殊供電線路。隨著中國鐵路的高速發展以及運營里程的快速增長，有關于高速鐵路接觸網的安全問題日益突出。其中，由于鐵路周圍鳥類活動而引起的關于接觸網安全事故頻頻發生。為減少接觸網上鳥窩搭建鳥類停留所造成的不良影響，主要還是采用結構優化、封堵以及驅趕等方式進行防護，此外，類似視覺驚嚇法這樣的民間防治方法也因其操作方便、資金較低的優點而被采用。由于接觸網的位置較為分散，異物位置并不固定，所以單一依靠人工巡檢的方式存在高成本及低可靠性等缺點。目前主要采用視頻分析技術從而對接觸網入侵異物進行檢測的方法，但這項工作仍然需要有人工的參與并且具有較差的實時性。為改進高速鐵路接觸網的智能識別技術，提高檢測效率，本文提出了一種新的高鐵接觸網鳥窩識別算法。

1 基于級聯神經網絡的接觸網鳥窩檢測模型

1.1 模型概述

針對接觸網鳥窩的體積較小，缺乏顯著的形狀和紋理特征，采用已有的人工設計特征對條紋圖像進行分類難以得到理想的結果。對此，深度學習提供了一種可行的解決方案，YOLO神經網絡作為一種常見的目標檢測網絡具有強大的檢測性能。本研究利用兩級預測網絡級聯的檢測網絡進行接觸網鳥窩檢測，采用YOLOv3-SPP網絡結構作為分級檢測器。當目標物體形體微小或者樣本較少，同時環境樣本較多時，用一級網絡先訓練檢測興趣域，擴大目標的檢測比例，這樣使無關樣本也能提升目標的檢測概率。然后用第二級網絡訓練識別待測物體，這樣即便只有很少的樣本數據也能有不錯的檢測效果。

模型流程圖如1。

圖1 級聯模型檢測流程簡圖

1.2 模型重要參數

YOLOv3采用K-means聚類方法得到先驗框的尺寸，并且為每種下采樣尺度設定3種不同大小的先驗框，一共聚類出9種尺寸的先驗框。當輸入圖像的分辨率是416×416時，得到的9個先驗框在不同大小的特征圖上的分配如表1所示。

表1 特征圖與先驗框

直接使用YOLO網絡進行接觸網鳥窩的檢測效果并不理想，因為鳥窩在圖片中占比很小，導致大量的網格進行無效運算，浪費計算資源。第二級Yolo網絡以第一級網絡預測的興趣域子圖像集作為輸入，對子圖集進行YOLO級聯檢測，其本質為網格的二次劃分，盡可能地在訓練過程中增大邊界框的IOU來提高訓練的準確度并且進行盡可能多的有效計算。

在接觸網鳥窩的數據集中，帶有鳥窩標注的樣本數據集很少，大部分圖片不含鳥窩。但興趣域數據集樣本數量極大，與待測物體鳥窩無關的興趣域對鳥窩的分布具有信息增益，興趣域的訓練增益可以增高整體檢測器的精度。檢測器的精度由第二級檢測器的精度決定，第一級檢測器起到了物體放大的作用，第二級檢測器在興趣域中檢測待測物體鳥窩，物體的平均IoU值明顯大于單級檢測器，檢測器的檢測精度可以預期會明顯提高。

2 實驗驗證

2.1 實驗環境

本研究內容的實驗硬件環境為英特爾Core i9-10900K處理器主頻3.70GHz，內存為64GB，Nvidia GeForce RTX 3090顯卡；實驗軟件環境為Win10專業版，Python3.8，Pytorch1.7.1，CUDA 11。

2.2 模型評價指標

通過正確預測的樣本數與總預測樣本數的比值來反映預測的準確率，準確率越高，說明檢測模型越精確。而檢出率率是指正確預測的樣本數與真實樣本總數的比值，檢出率越高，說明檢測模型越可靠。

為了實現實時檢測，在保證模型具有比較高的檢測精度的同時，還要盡可能提高模型的檢測速度。一般使用每秒內處理圖像的數量（秒幀率FPS）反映檢測速度的快慢，對于單網絡檢測器，其檢測速度為檢測網絡處理圖像的速度；而對于級聯網絡，第二級網絡的輸入要求第一級網絡具有輸出。

2.3 接觸網鳥窩檢測

第一級檢測器的數據集為3900張圖片，使用Faster R-CNN、YOLOv3-spp、YOLOv4等基于深度學習的目標檢測算法對鐵路沿線的興趣域進行識別訓練。

第二級檢測器的數據集為130張圖片，使用Faster R-CNN、YOLOv3-spp、YOLOv4等基于深度學習的目標檢測算法對逆向推理算法得到的興趣域中的鳥窩進行識別訓練。

（1）直接檢測

當數據集規模較小時，無論YOLO系列等two-stage算法還是Faster R-CNN等one-stage算法，均對小目標物體的識別能力有限，并且接觸網鳥窩形體特征較為單一，難以與環境樣本區分，具有很大的訓練難度，在測試集很難有較好的表現。

YOLOv3-spp，YOLOv4與Faster R-CNN等識別檢測模型進行識別，結果如表2。

表2 不同目標檢測算法直接檢測性能對比

由表1可以看出，無論是YOLO系列等two-stage網絡還是Faster R-CNN等one-stage網絡，當鳥窩數據集較少且體積較小、形體特征單一時，網絡的學習效果不佳，難以學習到鳥窩存在的整體性特征，均無法準確地標注出鐵路沿線接觸網的鳥窩。

（2）級聯檢測

對測試集126張圖片共210個鳥窩進行檢測，使用不同的第一級檢測器檢測興趣域，測試第二級檢測器的檢測性能，采用第一、二級檢測器串行計算，第二級檢測器并行檢測的計算方法。

其檢測結果如表3。

表3 不同目標檢測算法級聯檢測性能對比

由表2結果可以看出，三種檢測模型級聯結果的最差檢出率為84.68%，仍然高于直接檢測的最好結果77.48%。級聯網絡識別，通過第一級網絡誘導識別先驗的興趣域，而第二級在興趣域中識別待測物體鳥窩，興趣域中鳥窩的分布情況較為單一，可以減少其他環境樣本的干擾，提高了鳥窩的區分度，降低訓練的難度。因此，級聯網絡對第二級待測物體的數據集規模依賴較小，只需要很少的圖片就可以學習到興趣域中鳥窩的分布特征。

3 結語

本研究針對高速鐵路接觸網異物入侵提出了一種基于機器視覺的解決方法。基于人工先驗找出鳥窩可能存在的興趣域，在第一級檢測器中實現對興趣域的定位檢測，大幅縮小異物目標檢測的搜索范圍。然后，使用第二級檢測器檢測興趣域中的鳥窩位置。在鳥窩數據集較少的情況下，檢測器級聯了兩個one-stage檢測模型，發掘不同階段檢測算法的可并行性，實現了高速鐵路接觸網上鳥窩的快速準確檢測。