彭宇阳
中车青岛四方机车车辆股份有限公司，山东 青岛 266111
摘 要：传统的动车组受电弓故障检修方式主要依靠动车组回库断电后人工登顶检测，费时费力且难以在动车组高速运行时及时发现安全隐患，如异物入侵。随着人工智能技术的发展，人工智能在工业领域的应用成为近年来的研究热点。本文结合轨道交通行业背景，采用基于深度学习的目标检测技术，对动车组受电弓弓头区域异物检测进行了探究，取得了较好的效果。
关键词：受电弓；深度学习；异物检测
中图分类号： 文献标志码： 文章编号：
1 引言
我国高速铁路事业飞速发展，动车组列车的安全和效率也面临更高的要求。受电弓作为动车组列车运行时重要的受流装置，受电弓与接触网的配合状况直接影响着动车组列车的受流质量和安全运行。动车组列车高速运行过程中受电弓常见故障主要包括：弓网接触异常导致电弧和火花，受电弓有异物附着或撞击等。这些故障不仅会影响动车组列车的运行，造成列车断电停车，严重时会损坏受电弓和接触网，造成严重的安全事故。因此有必要对受电弓状态进行自动检测，提示并指导司乘人员采取相应措施，防范事态进一步扩大。
目前动车组受电弓故障巡检主要包括人工检测和定点自动检测，需要动车组驶入车辆段，待车辆断电后，技术人员登上车顶，通过目视和工具来判断受电弓是否异常，费时费力且有一定风险。定点自动检测需要将动车组调拉至配备有激光检测设备的固定位置，代价较大。
随着计算机硬件性能的提升以及相关算法的提出，深度学习技术逐渐取代了传统学习方法，在图像分类，图像目标识别与检测，图像分割等领域取得了显著的效果。其中，在目标检测领域，包括人脸检测，文字检测，行为检测与医学图像检测方面，基于深度学习的方法取得的效果远远超过传统方法。深度学习技术通过收集大量的数据，利用巧妙的调参技巧训练深度学习模型，让机器学习到泛化性更好的模型。在现实场景，尤其是工业领域中，由于图像采集设备，拍摄角度，拍摄距离，光照等因素的差异，同一类目标在图像中的表现形式是多种多样的。因此利用深度学习技术进行目标检测需要大量的训练样本，尽可能覆盖不同场景。目前公开的带标记的较大的图像数据集有ImageNet，COCO，VOC数据集，涵盖了不同场景下不同种类物体的图像及对应的类别标签。
在深度学习网络中，卷积神经网络（Convolution Neural Network，CNN）是在哺乳动物的视觉感受的启发下提出的，广泛应用于计算机视觉领域的图像分类和目标检测等任务。LeCun在1989年应用CNN识别手写数字。随着图像数据集的不断扩大，计算机硬件计算能力的提升，Alex等提出了一个8层的深度卷积神经网络“AlexNet”，基于ImageNet数据集120万带标签数据训练，准确率大大超越了传统方法，从而在学术界和工业界掀起了一轮深度学习的热潮。
以深度学习为代表的人工智能技术与制造业的加速融合，故障诊断技术朝着智能化方向发展。本文通过使用既有动车组车顶高清摄像头采集的受电弓视频数据，借助计算机视觉领域的深度学习技术，对受电弓异物入侵（附着）检测进行了探究，重点对受电弓弓头运行区域常见的鸟、塑料袋异物进行检测识别，在不增加其它传感器的条件下，采用基于深度学习的方法构建机器学习模型，实现对动车组受电弓弓头区域异物（鸟、塑料袋）的自动检测，提高动车组行车安全性和日常运维效率。
2 数据源
2.1 PASCAL VOC数据集
PASCAL VOC挑战赛是视觉对象的分类识别和检测的一个基准测试，提供了检测算法和学习性能的标准图像注释数据集和标准的评估系统。本文主要采用VOC2007与VOC2012数据集。其中VOC2007数据集包含9963张图像，共20种分类，24640条标注信息；VOC2012数据集包含11530张图像，共20种分类，27450条标注信息。
2.2 受电弓原始数据集
受电弓原始视频数据是动车组列车车载摄像设备拍摄的受电弓视频数据，视频分辨率为300万像素，尺寸为2048*1536。为了更好地分析原始数据，将视频数据切分成图像，示例如下：
.png)
通过分析数据发现，原始图像数据上存在文字干扰，且受电弓异物附着样本非常少，下图为受电弓受到鸟撞击的连续两帧图像：
.png)
从图像上分析，鸟撞击受电弓的时间非常短暂，只有一帧，撞击之后的形态没有规律。目前原始数据中仅有两帧发生撞鸟的数据，用于训练数据量太少，考虑到测试的需要，两帧发生撞鸟的数据均用于测试。
2.3 塑料袋数据集
动车组在正线高速运行的场景下，缺乏受电弓弓网塑料袋附着样本，为了检测受电弓弓头区域上是否有塑料袋附着，通过爬取和收集各式各样的塑料袋图像，从中挑选与应用场景相近的塑料袋图像共163张，使用标注工具进行标注，作为塑料袋训练集。为了对模型进行验证，后期通过实验，采用人工登车顶将塑料袋悬挂于库内静止的动车组受电弓弓头区域的方式进行测试验证。
3 模型选择
卷积神经网络不仅能够提取更高层，表达能力更好的特征，还可以在同一个模型中完成对特征的提取，选择，分类和检测。在目标检测领域，主要有两种主流算法：一类是结合region proposal CNN网络的基于分类的R-CNN系列目标检测框架（two stage）；另一类是将目标检测转换成回归问题的算法（one stage），比如YOLO与SSD系列。
RetinaNet模型是由何凯明[4]等人于2017年在ICCV上提出的深度目标检测模型。该模型提出focal loss通过对正负样本的loss分别乘以不同的权重解决one-stage目标检测中样本类别不平衡的问题，并通过减少易区分样本占总loss的比例使模型在训练过程中更加关注对难区分样本的分类。由于受电弓异物附着样本较少且特征较复杂，故采用该模型探究受电弓异物检测问题。
本文主要采用基于Resnet的RetinaNet模型，其中Resnet是由何凯明[7]等人于2015年提出的图像分类模型，该模型主要解决了深度网络随着深度加深，训练困难，无法收敛的问题，常用的有Resnet18、Resnet50、Resnet101和Resnet152，各模型具体网络结构如下：
.png)
结合精度和运行速度的考虑，本文选取基于Imagenet数据集预训练的Resnet50网络作为RetinaNet模型的主干网络。RetinaNet模型结构如下：
.png)
4 数据集准备
由于缺少塑料袋异物故障数据，为了训练异物检测模型，需要构建相应的塑料袋的数据集。利用爬虫工具从网上爬取相关的塑料袋图像，构建训练数据集。由于爬取的图像尺寸不统一，分辨率等因素无法控制，多数爬取的图像不满足训练集的要求，需要人工进行数据清洗，最终筛选出163张塑料袋图像，应用标注工具标注塑料袋的类别以及位置信息，将VOC2012数据中类别为鸟的图像与VOC 2007数据集一起组成训练集（约25000张图）。同时修改数据集的种类标签为21类（VOC2007中20类+塑料袋共21类）。
5 模型训练
基于开源的TensorFlow和keras框架训练模型。固定Resnet50参数，只训练模型的目标检测部分，采用Adam方法训练异物检测模型；使用2块1080Ti GPU，每块显存12Gb对训练进行加速，初始学习率为1e-5，batchsize为16，平均分配给两块GPU，每块GPU的batchsize为8，共训练50个epoch，每个epoch迭代10000次。
6 模型测试
由于受电弓异物附着样本较少，爬取的塑料袋数据尺度不同，共筛选了50张图像对模型进行测试，取得92%的正确率。使用历史数据中包含的2张受电弓异物样本进行测试，鸟类均被检测到，测试结果如下：
.png)
对于测试数据中的受电弓受到鸟类撞击的图像都可以正确检测，说明模型具备检测受电弓受到鸟类撞击的功能，具有较好的泛化能力。
使用户外悬挂的塑料袋数据和库内实验悬挂塑料袋数据测试的部分结果如下：
.png)
.png)
虽然用于模型训练的塑料袋数据较少，但是模型对测试集中塑料袋数据具有较好的检出率。测试集中塑料袋数据与受电弓高速运行时弓网上悬挂塑料袋（或漂浮入侵）的场景比较契合，以此判断模型具备检测受电弓弓网悬挂塑料袋的功能。在动车组高速运行场景下，如发生鸟类或塑料袋异物侵入到受电弓弓头区域，即使仅有1帧，事后下载视频回看人眼都无法分辨，模型却可以在线工作并准确检测到鸟类或塑料袋异物，发出预警，提示司乘人员及时采取有效措施。
7 结论与展望
本文将深度卷积神经网络算法应用到受电弓异物检测，可以较好的检测出受电弓弓头区域异物（鸟类，塑料袋），是对人工智能技术在轨道交通故障检测领域应用的探索与研究。本文方法和模型可以拓展到对受电弓图像中其他目标类型的检测以及轨道交通中其它基于图像的故障检测。后续随着动车组列车运行里程数的增加、运行场景的完善，异物入侵现象而产生的新的检测需求，都可以通过模型增量学习进一步丰富异物识别的种类。在模型的优化迭代过程中，成为动车组不可缺少的关键运维子系统，不断贴近动车组运行场景并具备更强大的自动化检测功能。
参考文献
[1]许艳峰. 动车组故障轨边图像自动检测系统图像对比算法研究[J]. 铁路计算机应用. 2013, 22(5): 23-26.
[2]Girshick，Donahue，et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recongnition(CVPR). USA, 2014: 580-587.
[3] Lecun Y., Boser B., et al, Backpropagation applied to handwritten zip code reconition[J]. Neural Computation, 1989, 1(4): 541-551.
[4]Tsung-Yi L., Priya G., Ross G. Kaiming H., Focal Loss for Dense Object Detection. arXiv:1708.02002v2.
[5]路绳方, 刘震.动车组运行故障动态图像比对分析方法[J]. 激光与光学电子学进展. 2017, 54(9): 091503.
[6]罗鹏, 王泽勇,高晓蓉等.电力机车入库受电弓滑板磨耗检测[J]. 光电工程. 2004, 31(zl): 88-90.
[7]Kaiming H.,Xiangyu Z.,Shaoqing R,Jian S. Deep Residual Learning for Image Recognition[J]. arXiv:1512.03385.
[8]Alex K., Ilya S., Geoffrey E. H. ImageNet Classification with Deep Convolutional Neural Networks. In NIPS, 2012