受电弓故障的车载图像识别技术

摘要：

针对列车在途中因受电弓发生故障而影响运行安全的问题,提出了一种受电弓故障的车载图像识别技术,以实时检测受电弓降弓、变形与毁坏,碳滑板异常磨耗与缺口,弓角变形与缺失故障;基于更快速的区域卷积神经网络(Faster R-CNN)目标检测框架设计了弓头图像定位目标检测模型,利用残差网络代替原有卷积网络,利用特征金字塔多尺度预测结构构建了候选区域推荐网络,以精准、快速地进行弓头定位和状态检侧;基于掩码区域卷积神经网络(Mask R-CNN)实例分割框架设计了弓头图像分割模型,并针对性地重新设计了检测头的网络结构与特征图尺寸,以适应受电弓的细长弯曲特征,从而准确、快速分割弓头图像;为了在分割后的二值图中更快速地识别与定位故障,根据受电弓结构尺寸和图像分割模型输出的位置坐标,制定了弓角与碳滑板故障的快速模板匹配策略,并在此基础上编制了详细的故障检测算法与程序.研究结果表明:在相应的数据集上,弓头图像定位目标检测模型的平均检测精度为0.944,平均每帧检测时间为0.029 s,弓头图像分割模型的平均分割精度为0.967,平均每帧检测时间为0.031 s,模板匹配的检测精度为0.985,平均每帧检测时间为0.005 s,故障检测算法的平均检测精度为0.966,平均每帧检测时间为0.051 s.由此可见,提出的检测算法具备了较高的可靠性和实时性.

关键词：车辆工程、受电弓、故障检测、深度学习、目标检测、实例分割、模板匹配

所属期刊栏目：23

分类号：U279.3(车辆工程)

在线出版日期：2023-07-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：173-187