基于Mask R-CNN实现高速列车受电弓关键部件精准检测

郭宇航 牛刚

摘要：针对当前受电弓目标检测方法中对象检测器的输出是在图像或视频帧中检测到的对象周围的边界框阵列，无法得到关于边界框内关键部件形状的任何线索。本文基于Mask R-CNN提出了一种检测高铁受电弓关键部件的方法，该方法首先利用在高铁受电弓前的摄像头捕捉到的10000余张图片作为训练样本，并利用这些训练样本对自定义的Mask R-CNN算法进行离线训练、生成预训练好的模型，然后迁移到高铁车顶单目摄像机系统，在高铁运行过程中对摄像头的监控图像不仅可检测出目标对象，还可获得包含该对象的二进制掩码，能够对高铁受电弓关键部件结构异常等情况进行及时检测。

关键词：目标检测;目标分割;受电弓;精检测

中图分类号：TP391.41;U284.48   文献标识码：A   文章编号：1672-9129（2020）11-0041-01

在高速列车行驶过程中，对包括受电弓在内的牵引供电系统及列车自身关键部件及设备进行在线监测这一问题，铁道部运输局供电部、西南交通大学及中国铁道科学研究院在2012年共同编制了《高速铁路供电安全检测监测系统（6C系统）总体技术规范》[1]，以完成对高速铁路牵引供電系统进行全方位、全覆盖的综合检测监测的目的。6C系统中的受电弓滑板监测装置（C5装置），主要功能就是采用视频图像监测动车组受电弓及滑板的技术状态。近年来，深度学习领域取得突破性进展，将机器学习、深度学习结合图像传统处理手段应用于高速铁路受电弓检测是未来的趋势。

现有的目标检测框架，Faster R-CNN、YOLO以及SSD等，可应用于受电弓位置的粗检测，可应用于受电弓位置的粗检测。其中Faster R-CNN得益于其“区域建议网络”的结构，在高精度定位方面远胜于其他两种网络。因此，何凯明等人在Faster R-CNN目标检测框架的基础上，提出了目前精度最高的目标分割算法：Mask R-CNN。本论文采用Mask R-CNN系列算法作为基础检测算法，并对检测网络进行改进使其进一步提速。在保证检测速度的前提下最大限度的提升检测精度，可应用到现有的高铁受电弓单目摄像机系统。

1 Mask R-CNN

1.1特征金字塔网络。Mask R-CNN采用特征金字塔网络作为其特征提取网络。特征金字塔网络是由Tsung-Yin Lin等人在 2016年时提出。其同时利用低层特征的高分辨率信息与高层特征的高语义信息，使特征能更好的适应不同尺度下的任务。该网络准确度高，适用于对于准确度要求较高的目标分割算法框架。

1.2网络结构设计。Mask R-CNN的基本结构是在Faster R-CNN算法基础之上的扩展：应用了FPN的思想，将ResNet提取的特征图同样应用到RPN网络中，这样避免了把小目标特征过滤的情况。同时使用感兴趣区域对齐的思想代替传统的感兴趣区域池化方法，使得回归框能够以小数方式移动。为实现像素级别的检测分类，其并行地在定位框预测的分支上添加一个用于预测目标掩模的分支，经过全卷积神经网络，把目标框内的像素逐一分类。

1.3区域建议网络的调整。考虑到模型仅用于受电弓关键部件的检测，受电弓宽高比数值较大，区域建议网络中锚框的宽高比应该更接近受电弓的宽高比6：1。基于摄像头位置固定，受电弓形状不会变化的特点，使用宽高比为{4：1，5：1，6：1}的锚框来逐步滑动扫描整个图像，在保证检测功能的同时，减少预测层计算量，提高检测速度。

2 受电弓关键部件检测方法描述

本文中所提出的迁移学习及Mask R-CNN算法的受电弓关键部件检测方法包括在线检测和离线训练两大环节。接下来，分别对在线和离线系统中所采用的相关方法进行详细介绍。

2.1受电弓样本离线提取、标注和训练。本文方法从高铁受电弓监控视频中提取受电弓图片10000张。每张图片包含1个完整的受电弓目标。在 10000 中随机选取 8000 张图片作为训练集，其余2000张为测试集。然后通过手动对样本图片进行标注，标注时框出受电弓碳滑板所在位置，并最终制作成训练集。最后基于Tensorflow深度学习框架对训练集进行训练。

2.2受电弓关键部件区域在线检测。由于Tensorflow框架不适合部署在小型边缘计算设备，而且目前高铁车顶单目摄像机系统的处理器多为CPU，无法使用GPU加速检测过程。本文采用迁移学习的方法，把离线训练好的Tensorflow模型存储在摄像机系统中。在线检测时，通过Opencv Dnn模块只需在启动程序时加载一次模型，检测过程即执行前向传播过程，输出结果为边界框与掩模的坐标和置信度。

2.3受电弓关键部件结构异常检测。在Mask R-CNN算法提取到碳滑板位置信息后，可进一步使用图像处理方法做检测分析。通过对碳滑板ROI区域进行灰度化、Canny边缘检测、Hough直线检测检测，可得到碳滑板的倾角。通过对碳滑板掩模面积与无损耗的掩模面积进行对比，可判断碳滑板磨损程度。若碳滑板异常如断裂、降落等情况发生时，系统会因检测不到正常碳滑板而产生警告。

3 结论

本文提出了一种采用Mask R-CNN算法来实现对高铁受电弓碳滑板在线检测的方法。通过实际情况对Mask R-CNN检测网络的结构改进，并采用离线训练与在线检测相结合的方法，在保证检测速度的同时提高了检测精度。通过Mask R-CNN分割出部件后，可使用图像处理的方法进行结构异常的检测。

参考文献：

[1]中国铁路总公司，中国铁道科学研究院，西南交通大学.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， 07.