基于深度自编码网络的接触网开口销缺失识别



基于深度自编码网络的接触网开口销缺失识别

崔耀林

摘 要：在对接触网悬挂装置状态进行检测时，因为缺少开口销缺失的样本，智能识别难以保证较高的准确率。本文提出了一种基于YOLO v2检测算法与深度降噪自编码网络的接触网开口销缺失识别方法，实现对开口销的定位及定位后开口销图像重构，通过分析重构误差判断接触网开口销是否缺失。试验证明该方法能有效识别开口销缺失情况。

关键词：接触网检测；深度降噪自编码器；开口销缺失

0 引言

接触网悬挂装置是接触网的重要组成部分，其结构稳定性直接影响行车安全。为有效地对接触网悬挂装置进行维护，接触网悬挂状态检测监测系统（4C系统）[1]应运而生，其通过安装在检测车顶部的高清成像设备获取悬挂装置关键部位图像，随后对图像进行分析，识别出装置中的缺陷。紧固件作为保证接触网悬挂装置结构稳定的连接零件，在长时间的列车运行中容易出现松动、缺失等，给行车安全带来严重隐患。为保证接触网不间断供电，维修人员需定期对接触网悬挂装置进行维护，开口销作为维修的重点，其缺失样本很难被4C系统获取。开口销的缺失不能采用二分类模型进行判定，成为4C系统智能识别的难点。

目前，业界对开口销缺失的识别已开展了一些研究，文献[2]描述了非接触式接触网图像检测研究进展，并指出销钉缺陷检测等尚未识别的任务；文献[3]融合局部二值模式（LBP，Local Binary Pattern）特征与方向梯度直方图（HOG，Histogram of Oriented Gradient）特征实现旋转双耳的定位；文献[4]使用方向梯度直方图特征定位销钉的头部和尾部，通过对上述2个局部区域定位结果的判断确定开口销是否缺失；文献[5]采用SIFT（Scale Invariant Feature transform）算法匹配旋转双耳区域，并通过灰度分布规律实现双耳开口销状态检测；文献[6]采用Hough变换实现开口销的定位，并对螺钉处圆环进行形态学处理，通过分析圆环内非联通区域分布规律实现开口销不良状态的检测。以上方法均是对待检测图像提取浅层特征，随后与正常开口销特征进行匹配，其识别结果往往依赖于成像质量，对于多角度、背景复杂的4C图像，难以保证其较高的识别准确率。

自2006年以来，深度学习因其强大的特征提取能力在计算机视觉、语音识别、自然语言处理等领域得到了广泛应用，并取巨大成功。本文提出一种采用YOLO v2算法[7]和深度降噪自编码网络（Stacked Denoising Autoencoders，SDAE）[8]对开口销缺失状态进行识别的方法。YOLO v2算法不依赖缺陷样本，且深度降噪自编码网络提取图像的高阶特征，使得该方法能适应复杂的检测环境。

Photodegradation and protection of commonly used ultraviolet absorbers under xenon lamp 6 32

1 开口销定位

1.1 YOLO v2算法原理

YOLO v2算法将定位看作一个回归问题，采用全卷积网络对输入的图片进行特征提取，并融合不同特征层的特征对目标物体的坐标、置信度以及类别进行预测。网络的输出维度为S×S×B×(C+5)。其中，S×S为网络输出的特征图大小，B为锚点的数量，C表示目标物体类别数，目标物体的坐标包含预测框的中心点坐标(x,y)、长w、宽h。通过非极大值抑制即可获得目标定位与类别。图1为一个输入大小为416×416，锚点数为5，目标物体类别为2类的YOLO v2模型示意图。

图1 YOLO v2模型示意图

模型训练时通过反向传播算法最小化目标函数获得网络权值。目标函数定义如下：

（1）

式中，lcoord和lnoobj为2个常数，用于衡量定位坐标误差和不含目标物体所带来的误差对目标函数的影响；pi(c)用于衡量分类准确率和定位精确度。

1.2 基于YOLO v2算法的开口销定位

开口销由于其形态微小，直接测量较为困难，因此需要先采用YOLO v2算法定位开口销所在部件。图2为开口销所在部件定位示意图。

图2 开口销所在部件定位

基于上述部件定位的区域，再使用YOLO v2算法对开口销进行定位，即可获悉开口销在图中的准确位置。开口销的精确定位如图3所示。

图3 开口销精确定位

2 开口销缺失识别

为克服缺失样本不足的现状，本文采用深度降噪自编码网络对开口销状态进行识别。深度降噪自编码网络是一种无监督式学习网络，无需使用带标签的样本作为输入，便可提取图像的特征。为区别开口销的缺失情况，本文仅使用正常开口销样本训练网络，即仅学习正常开口销的特征。在对图像进行测试时，通过深度降噪自编码网络对图像进行重构，由于网络缺乏对故障样本的学习，在重构时会存在较大误差，故需对重构误差进行分析。

2.1 深度降噪自编码网络结构

2.1.1 自编码网络

自编码网络（Autoencoders，AE)通过编码和解码的对称结构实现数据的特征提取。典型的AE网络结构如图4所示。

3.3 GLP-1与GLP-2的协同作用 近年来，GLP-1与GLP-2被发现具有协同效应，且两者联合应用对2型糖尿病、SBS患者的治疗效果优于单药治疗[47]。Madsen 等[48]发现，GLP-1与GLP-2联合应用时在肠道中的吸收更好，且减轻了GLP-1导致的胃肠道反应。Wismann等[49]发现，新型GLP-1受体激动剂(GUB09-123) 与GLP-2受体激动剂(GUB09-145)的联合应用改善了SBS患者的葡萄糖耐量，增加了肠道黏膜的有效吸收表面积，且疗效优于单药治疗。但由于这些实验周期较短，且未观察两者联合应用对骨密度的影响，因此须进一步研究。

《礼记·中庸》说：“博学之，审问之，慎思之，明辨之，笃行之。”其中的“思”、“辨”就是思辨一词的本意。2000年中国教育部颁布了新的《高等学校英语专业英语教学大纲》，特别强调要培养学生分析问题、独立提出见解和创新能力，思辨能力成为教学关注的焦点。思辨能力可分为思考能力和表述能力两部分。本文主要探讨西安市部分开设MTI专业高校学生思辨性翻译能力的现状，理解和培养。

图4 AE网络结构

图中，Layer L1为网络输入层，Layer L2为网络隐藏层，Layer L3为网络输出层。

从输入向量Ｘ到输出表征Ｙ完成编码过程，其映射转换式为

Y = f(WX + b) （2）

式中，W为输入层到隐藏层神经网络权值，b为网络偏移量，X为图像数据，f为网络的激活函数。

将隐藏层的特征Y反向映射到X即完成解码过程，其映射过程转换式为

= g( YW 2 + b 2) （3）

式中，W2为隐藏层到输出层神经网络权值，b2为网络偏移量，Y为图像特征，g为网络的激活函数。

AE将对比重构数据与原数据，通过反向传播网络对网络权值进行优化，其目标函数为

h(w, b) = ççX-çç2 （4）

2.1.2 降噪自编码网络

降噪自编码网络（Denoising Autoencoders，DAE）结构类似于传统的AE，区别在于DAE在数据输入端添加不同类型的噪声，由此学习更为鲁棒，DAE结构如图5所示。

1.积极主动构建公众诉求的表达渠道和机制。要使各个利益主体能充分表达自己的要求和意见，从而在相互沟通中达到减少冲突、相互理解、相互包容或达成共识。当前，要全方位拓展社情民意的表达渠道，特别是注意倾听弱势群体的心声，为弱势群体建立自己正常、规范的利益表达机制，不回避矛盾，保证全体人民共享改革和发展成果，以促进和谐社会的建设。

图5 DAE网络结构

2.1.3 深度降噪自编码网络

深度降噪自编码网络（Stacked Denoising Autoencoders，SDAE）是将多个DAE进行串接的网络结构，其较之单个DAE具有更强的特征提取能力。SDAE网络如图6所示。

图6 SDAE网络

2.2 开口销缺失识别

使用完好的开口销作为SDAE的训练样本，采用逐层贪婪训练法训练SDAE网络。将YOLO v2定位后的开口销图像作为SDAE网络输入，对SDAE重构图像的误差进行分析，即可判断开口销的缺失情况。开口销缺失的识别流程如下：

发现式数学十分强调多种方法解题.以四则运算为例，人们发明了许多不同的方法或规则，如下列题目所示：[9]

Step 1：开口销图像尺寸归一化。为适应固定的SDAE网络结构，需要固定输入数据的特征维度，故需将定位后的开口销图像缩放至特定大小。

Step 2：利用训练后的SDAE网络对缩放后的开口销图像进行重构。

Step 3：将重构后的图像与输入的开口销图像进行差分，对差分图像进行二值化操作，并统计二值化图像中白色区域所占比例，若比例大于某个阈值，则认为此开口销异常。为尽可能检出所有开口销缺失情况，阈值通常设定为0.3。

基于SDAE的开口销缺失识别如图7所示。

图7 开口销缺失识别

3 试验验证

搜集包神铁路、甘泉铁路、巴准铁路以及塔韩线路的4C图片，以验证本文所述方法定位准确以及开口销缺失情况识别率。采用python语言进行编程，编程环境为pytorch。模型的训练平台为Intel Xeon CPU E5-2640和NVIDIA GPU GTX1060。

3.1 开口销定位试验

标注2 000张包含开口销的图像作为样本训练YOLO v2模型，以初步定位开口销所在部件。由于4C图像均在夜间拍摄，背景多为黑色，获得部件的准确位置更为困难，故在进行训练时可将lcoord和lnoobj进行相应调整，本文取lcoord = 0.6，lnoobj = 0.4。模型的输入大小设为416×416像素，目标类别为绝缘子上下底座、旋转双耳、腕臂支撑上下端、定位管支撑上下端共7类，锚点数为5。模型对imagenet数据集的预训练参数进行微调，迭代次数为8 000次。训练结束后在包神铁路、甘泉铁路、巴准铁路以及塔韩线路上进行测试，部分测试结果如图8所示。

图8 开口销初步定位结果

采用同样的方法，用1 500张标注过的开口销所在部件的图像训练YOLO v2模型，以对开口销进行精确定位。其中，模型目标类别仅为开口销，模型的输入无需设置为固定大小，其他超参数与初步定位模型一致。训练亦采用迁移学习，迭代次数为5 000次。训练后，在初步定位的区域对销钉进行进一步检测，部分检测结果如图9所示。

为了更快、更直接地找到故障点，同时又要兼顾操作起来简单易行，所以笔者连接了本田原厂专用诊断电脑HDS，决定首先开始进行前雾灯的功能动作测试。遗憾的是，功能测试列表里面竟然没有前雾灯的这个项目，所以只好从前雾灯继电器(图3)开始入手了。

图9 开口销精确定位结果

综合上述2步定位的结果，统计4条线路开口销定位准确率，结果如表1所示。

表1 开口销定位结果统计

线路名称图片数准确定位数量漏识别数量准确率 包神铁路5 2355 10912697.6% 甘泉铁路3 6003 5386298.3% 巴准铁路2 3202 20611495.1% 塔韩线路4 1004 0158597.9%

从表1可以看出，各线路上开口销定位准确率均在95%以上，试验证明基于YOLO v2的2步定位算法具有普适性和较强的定位能力。

旅客快走完了，谁也没停下来。咦？难道没来？掌声、锣鼓声稀拉下来。就在大家快要失望的时候，一个姑娘微笑着款款地向我们走来。我顿觉眼前一亮，她身穿紧身连衣裙，明显勾勒出健美的曲线，乌黑的披肩发裹着一张酷似桃花的脸，毛嘟嘟的睫毛包着一双神采飞扬的大眼睛——真乃顾盼生姿，窈窕清秀。这是一张多么熟悉的脸，好像在哪见过？呵！我终于想起来了。与此同时，巴克夏也惊喜地俯在我的耳边说：“是她？”

(3) 该3-面为(3,5+,7)-面,由R2.1和R3.6得3-面和面上的3-点最多从7-点拿走的权值为

3.2 开口销缺失检测试验

综合考虑接触网零部件图像的背景、质量，SDAE选用4级DAE进行网络训练，输入维度为4 096，隐藏层维度分别为1 024、512、256、128。开口销缺失检测的SDAE结构如图10所示。

企业应该对当地政府及相关单位提供的机会加以利用，积极参与到会展活动当中，对自己的品牌和产品进行推广。每家公司都应该积极响应政府号召，积极投身到旅游会展场地及相关设施的建设当中会，为会展的日后发展打下基础。除此之外，也应该提高社会群众的参与度，因为，他们的力量和智慧都超乎想象，不仅可以加强管理、监督职能，还可以为管理模式的创新提出意见和建议，同时这些相关部门及企业工作的开展都是在群众的基础上进行的。只有全员参与，才可以有效保障我国旅游会展行业的稳定发展。

图10 SDAE网络结构

训练上述SDAE，训练数据为完好开口销图片5万张，将所有图片缩放至64×64像素大小，送入SDAE网络进行训练，网络参数采用Xavier方法[9]进行初始化，训练迭代10 000次。部分训练样本如图11所示。

图11 SDAE网络部分训练样本

将通过2步定位获得的开口销图像的尺寸归一化至64×64像素，使用训练后的SDAE网络对其进行重构，并分析重构误差，占比大于0.3的判定为开口销缺失。部分开口销的检测结果如图12所示。

对比机背屏幕，你会发现D500上的3.2寸LCD屏幕尺寸上要比X-H1上的大一点，分辨率上比X-H1上高一倍，显示效果非常不错。不过X-H1上屏幕可以全方向翻转，无论横拍还是竖拍都可以派上用场。相比之下，D500的屏幕只能上下翻转，在竖拍时没有办法使用。

图12 开口销缺失识别图像

对4条线路开口销缺失情况进行统计，根据SDAE的判定结果计算各条线路的开口销缺失情况的漏检率，检测结果如表2所示。

表2 开口销缺失检测结果

线路名称实际缺陷图片数报出数量漏检数量漏检率 包神铁路6212723.2% 甘泉铁路254914.0% 巴准铁路163700 塔韩线路447924.5%

分析表2可知，开口销缺失的检出率均在95%以上，针对存在的少数漏检情况进行进一步分析，发现销钉存在被螺栓严重遮挡的情况，导致在第二步定位时未被检出。

4 结语

针对开口销形态小、分布广的特点，采用YOLO v2算法进行两步定位获取开口销精确位置；针对开口销缺失样本缺少的情况，训练无监督式网络SDAE重构图像以实现缺失检测。试验结果表明，本文提出的方法能有效识别出开口销缺失缺陷，检出率较高，为线路维修以及新开通线路的开口销缺失检测提供一种技术参考。

参考文献：

[1] 中华人民共和国铁道部. 铁运[2012]136号高速铁路供电安全检测监测系统（6C系统）总体技术规范[S]. 2012.

[2] 韩志伟，刘志刚，张桂南，等. 非接触式弓网图像检测技术研究综述[J]. 铁道学报，2013，35（6）：40-47.

[3] 徐丹，于龙，陈唐龙，等. 基于LBP-HOG特征的接触网旋转双耳区域识别[J]. 铁道科学与工程学报，2017，14（2）：370-378.

[4] 徐丹. 基于OpenCV的接触网旋转双耳缺陷自动识别[D]. 西南交通大学，2017.

[5] 钟俊平，刘志刚，张桂南，等. 高铁接触网旋转双耳销钉状态检测方法研究[J]. 铁道学报，2017，39（6）：65-71.

[6] 钟俊平，刘志刚，陈隽文，等. 高速铁路接触网悬挂装置开口销不良状态检测方法研究[J]. 铁道学报，2018，40（6）：51-59.

[7] REDMON J, FARHADI A. YOLO9000: Better, Faster, Stronger[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2017: 6517-6525.

[8] 陈海燕，杜婧涵，张魏宁. 基于深度降噪自编码网络的监测数据修复方法[J]. 系统工程与电子技术，2018，40（2）：435-440.

[9] Glorot X, Bengio Y. Understanding the difficulty of training deep feedforward neural networks[J]. Journal of Machine Learning Research, 2010, 9:249-256.

Abstract: Due to lack of samples of missing split pins, it is difficult to guarantee higher accuracy rate for intellectual identification made during state inspection for OCS suspension devices. The paper puts forward identification method for OCS split pins on the basis of YOLO v2 inspection algorithm and deep de-nosing self-coding network to realize the positioning of split pins and reconfiguration of split pins after positioning, the analysis of reconfiguration error is used to confirm whether the OCS split pins are missing or not. The test verifies that the method is able to identify the missing of split pins.

Key words: OCS inspection; deep de-nosing self-coder; missing of split pins

中图分类号：U226.8

文献标识码：B

文章编号：1007-936X(2019)03-0043-05

DOI：10.19587/j.cnki.1007-936x.2019.03.011

收稿日期：2019-03-22

作者简介：崔耀林.神华包神铁路集团有限责任公司，高级工程师。

基金项目：国家重点研发计划（2017YFB1201202）。