基于YOLOv4目標檢測算法的城市軌道交通剛性接觸網懸掛狀態智能檢測系統的設計與應用*

馬志鵬 袁萬全 周于翔 魏志恒

(1.中國鐵道科學研究院, 100081, 北京; 2.中國鐵道科學研究院集團有限公司城市軌道交通中心, 100081,北京∥第一作者, 碩士研究生)

剛性接觸網長期工作在振動環境中,其零部件易出現脫落、缺失、斷裂等典型病害,如果不及時處理,將引發嚴重的弓網故障,給線路運營帶來安全隱患[1]。剛性接觸網結構型式多樣,一般由懸掛系統、匯流排及接觸線等部分組成[2],其中懸掛系統是剛性接觸網的重要組成部分。目前,對接觸網懸掛狀態的檢查主要依賴于天窗期內人工登梯定期巡視,具有故障隱患發現不及時、工作效率低、強度大等缺點。隨著近年來機器視覺技術的不斷發展,采用視覺成像技術進行接觸網巡檢成為一種有效的手段[3]。

本文簡述了YOLOv4目標檢測算法,并將該算法應用于城市軌道交通(以下簡稱“城軌”)剛性接觸網懸掛狀態檢測中,分析了該算法在城軌線路中的實際應用效果。

1 YOLOv4目標檢測算法

目標檢測是計算機視覺中的重要分支,廣泛應用于圖像分割、物體追蹤及關鍵點檢測等任務[4]。YOLO是目標檢測算法中應用比較廣泛的一種,YOLOv4則是在原有YOLO目標檢測架構的基礎上,在加強特征提取、增強網絡模型非線性、防止過度擬合等方面進行了優化[4-5]。

1.1 YOLOv4目標檢測算法網絡

本文使用的YOLOv4目標檢測算法網絡(見圖1)主要包括輸入模塊、主干網絡模塊、頸部網絡模塊及預測輸出模塊。

注:CBM、CBL為該網絡結構中的最小組件,不同在于其激活函數分別為Mish和Leaky relu;CSPx為卷積層和殘差組件組成的網絡結構;SPP為空間金字塔池化模塊;Conv為卷積模塊;Concat為張量拼接模塊;“×2”“×3”“×5”分別代表2次、3次和5次運算。

其中,YOLOv4目標檢測算法網絡將特征提取網絡CSPDarknet53作為其主干網絡,在該主干網絡與預測輸出模塊之間設置頸部網絡模塊,包括SPP模塊和PANet(路徑聚合網絡)。另外,預測輸出模塊使用YOLOv3結構,詳見文獻[5]。

1.2 YOLOv4目標檢測算法的優點

YOLOv4目標檢測算法具有一系列優點,在剛性接觸網懸掛狀態檢測系統的應用中體現出良好的應用效果。

1) YOLOv4目標檢測算法采用了Mosaic數據增強方式。相較CutMix數據增強方式,Mosaic數據增強方式選取了4張圖片通過隨機縮放、裁剪等方式進行拼接,變相提升了單次訓練抓取的樣本數量,大大豐富了檢測數據集,具有明顯的優勢。圖2為不同方法下剛性接觸網懸掛狀態的使用效果對比圖。

a) 原始圖片

2) YOLOv4目標檢測算法的另一個創新在于對骨干網絡的改進。該算法使用的CSPDarknet53特征提取網絡,是在YOLOv3 Darknet53網絡結構的基礎上引入了CSPNet跨階段局部網絡,在占用更小內存的同時保證了計算的速度與精度。

3) YOLOv4使用平滑連續的Mish激活函數,相比于傳統的Leaky relu激活函數具有顯著的優勢[6]。除此以外,YOLOv4目標檢測算法還采用了DropBlock的正則化方式[7]。傳統的Dropout方式被廣泛應用于全連接層的正則化技術,但對于卷積層的處理效果較差。DropBlock方式將特征圖連續區域的單元進行丟棄,準確性更高。圖3為不同方法下剛性接觸網懸掛狀態檢測數據處理效果對比圖。

a) 原始圖片

4) YOLOv4的頸部網絡采用PANet結構,且在FPN(特征金字塔網絡)的基礎上進行了加強。該頸部網絡包含自上向下和自下向上兩種路徑。

2 基于YOLOv4目標檢測算法的剛性接觸網懸掛狀態智能檢測系統

2.1 系統架構

基于YOLOv4目標檢測算法的剛性接觸網懸掛狀態智能檢測系統(以下簡稱“基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統”)選擇以工程車或列車為載體,由高清成像模塊與數據管理分析模塊組成,其總體架構如圖4所示。

現在，網絡上的騙子太多，相信我們的作者有足夠的智慧去辨別，如果你們不幸被騙、或者懷疑被騙，請及時與我們聯系核實，從而減少損失。為此，特別聲明，請讀者、作者按照正確的投稿渠道投稿，否則，我們不承擔由此帶來的任何法律責任。

圖4 基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統總體構架

2.1.1 高清成像模塊

高清成像模塊包含觸發裝置、高速照相機及補光設備等,采用數字激光、光電測量等技術,使用高性能、低功耗的電路板設計,控制補光燈工作及巡視照相機、剛性拍攝照相機拍攝,通過實時獲取的里程信息,并匹配基礎數據中的桿號信息,形成一桿一檔并分組存儲。

觸發裝置用于對定位點設備進行定位并輸出觸發信號。該裝置由激光發射器、剛性觸發照相機構成。工作時,激光發射器垂直向上發射高亮激光,在接觸網上形成1條高亮的激光輪廓(見圖5),剛性觸發照相機將成像數據實時傳遞到圖像分析服務器中,服務器經圖像識別給巡視照相機、剛性拍攝照相機及補光設備輸出觸發信號。

圖5 接觸網激光輪廓

剛性懸掛檢測設備的車頂采集單元由1臺巡視照相機和6臺剛性拍攝照相機組成,對接觸網及剛性懸掛零部件進行實時檢測。圖6為基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統車頂布置圖。

圖6 基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統車頂布置圖

2.1.2 數據管理分析模塊

數據管理分析模塊可實現對檢測數據的治理與深度應用,提升檢測分析效率。該模塊主要具有基礎數據管理、檢測數據管理、檢測數據分析及檢測設備管理等功能。

其中,檢測數據分析單元采用YOLOv4目標檢測算法對檢測數據進行缺陷識別和處理,以及數據統一及標準化,在此基礎上實現不同時段拍攝的接觸網數據的比對,進而開展關聯分析、對比分析等多維度可視化分析,最終依據分析結果與標準實現對線路健康狀態的綜合評價,為線路安全評估以及日常檢修維護提供數據支持。

2.2 系統的技術參數

基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統,使用殘差網絡提取對象特征,將Mish作為激活函數,能夠解決接觸網零部件種類、數量眾多以及不同導線高度造成的提取對象特征困難等問題。基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統的技術參數如表1所示。

表1 基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統的技術參數

基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統可實現對剛性接觸網的快速巡檢,檢測范圍覆蓋行車沿線的所有接觸網設施。基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統拍攝的剛性接觸網視野分析圖如圖7所示。

a) 俯視圖

由圖7可知,基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統可全面覆蓋剛性接觸網各零部件視角,實現對其懸掛狀態的全面高清成像。

3 基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統應用分析

城軌領域并未具備較為成熟的剛性接觸網懸掛狀態檢測手段,也無相應的標準和規范。在此背景下,本文將YOLOv4目標檢測算法應用于城軌剛性接觸網的懸掛狀態檢測。以北京地鐵某線路為例,基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統相比傳統剛性接觸網懸掛狀態檢測系統檢測精度更高,能夠檢測出一些不易發現的零部件懸掛狀態病害問題。圖8為基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統識別的剛性懸掛零部件病害。

圖8 基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統識別的剛性懸掛零部件病害

基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統具有如下技術優勢:

1) 便于統計分析:從缺陷案例、線路里程等多種維度,結合各期檢測數據及線路基礎設施進行統計,基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統的檢測精度更高,且能夠從不同維度發現問題的分布特點。

2) 便于對比分析:基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統可以將同一類型設備兩次或多次的檢測數據,或不同類型設備數據進行疊加對比分析,同時可以計算同一桿一檔數據的差異,以及發現數據異常變化,以指導設施設備養護維修工作。

截至目前,基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統于北京地鐵某線已發現各類故障隱患近百處,為線路運營安全提供了極大的保障。基于YOLOv4的剛性接觸網懸掛狀態智能檢測系統識別的系列病害如圖9所示。

a) 螺栓松動故障

4 結語

伴隨著城軌線網規模的不斷擴大以及設計速度的不斷提高,以小型設備和人工目視檢查為主的檢測方式已經不能滿足城軌的檢測需求[8]。本文將YOLOv4目標檢測算法應用于剛性接觸網懸掛狀態檢測系統,取得了良好的檢測效果。該系統的應用將有效提高檢測精度,節省人力、物力成本,推進基礎設施智能運維體系建設,推動城軌基礎設施運維工作由計劃修向狀態修的轉變,同時協助運營單位構建形成專業數據資產,實現數據的規范化管理和智能化應用。