本发明涉及铁路弓网智能检测与监测技术领域。
背景技术：
弓网系统是电力机车牵引供电系统的重要设备，受电弓是弓网运行时的重要监测对象，它反应了弓网运行时的状态，研究基于计算机视觉的受电弓异常检测技术，实现对其实时、准确地监测，对提高弓网系统检测的自动化、智能化水平和保证弓网系统运行的安全与稳定都具有重要意义。
非接触式受电弓检测分析方法，不仅不易受弓网系统结构性的影响，能够保证弓网系统的动力学特性，而且不易受强电、强磁场的影响，具有良好的稳定性，该类方法是目前受电弓异常检测研究的主要方法。2017年，g.santamato等提出一种基于受电弓振动特性的故障诊断方法，该方法在计算机仿真学基础上，利用受电弓振动特性，并针对阻尼器泄露及接缝处裂纹故障，采用对比扩展模态和相位图形分析两种诊断方法，进行受电弓裂纹形式的检测，但该方法在准确性上还需进一步研究。2018年，luoc等提出了一种基于角点检测的受电弓偏移故障检测，该方法利用ssd获得受电弓喇叭区域，采用综合图像处理方法获得角边缘信息，然后利用角点重建三维世界信息，最后使用帧差法得到三维世界中受电弓的一系列的状态信息，实现受电弓的偏移检测。2018年，庄哲等提出一种基于振动数据驱动的受电弓裂纹故障方法，该方法利用二代小波分解与能量熵、奇异熵、排列熵、样本熵、模糊熵等多种信息熵定义相结合的方式，实现对受电弓碳滑板振动数据故障诊断识别，但该方法仅针对受电弓支架断裂及弓角断裂故障进行处理。以上这些方法在受电弓异常检测方面，还需要进一步提高其检测的精度和实时性，以及对弓网运行环境变化的适应能力。
技术实现要素：
本发明的目的是提供一种受电弓异常检测方法，它能有效地解决对受电弓实时开展异常检测并准确地得到检测结果的技术问题。
本发明的目的是通过以下技术方案来实现的：1、一种基于区域编码学习的受电弓异常检测方法，包括如下步骤：
步骤一、受电弓区域编码与数据集构建
采用铁路机车车顶监控摄像头拍摄的受电弓图像构成受电弓图像库，并将受电弓图像规则化为512×512×3像素大小，然后通过人工标注的方式对受电弓图像进行区域编码，具体为，将规则化后的受电弓图像划分为32×32格的网格，每个格子为16×16像素大小，将每个格子对应的受电弓区域没有异常的格子编码记为0，否则记为1；对所有格子编码后得到该受电弓图像对应的32×32格的区域编码，这些受电弓图像及其区域编码构成受电弓数据集；
步骤二、受电弓异常检测网络构建
受电弓异常检测网络采用深度编解码结构，包含输入层、中间层和输出层；输入层维度为512×512×6像素，由输入图像和区域扩充编码构成，其中输入图像为512×512×3像素的三维矩阵，区域扩充编码则是通过将32×32格的区域编码按照与输入图像相同的三个维度方向进行扩充得到，区域扩充编码的维度也是512×512×3像素，将输入图像和区域扩充编码在第三个维度上拼接在一起构成异常检测网络的输入层；中间层一共分为35层，其中，第一层、第二层均为256×256×64像素的卷积层，第三层、第四层均为128×128×128像素的卷积层，第五层、第六层均为64×64×256像素的卷积层，第七层、第八层均为32×32×512像素的卷积层，第九层、第十层均为32×32×512像素的反卷积层，第十一层、第十二层均为64×64×256像素的反卷积层，第十三层、第十四层均为128×128×128像素的反卷积层，第十五层、第十六层均为256×256×64像素的反卷积层，第十七层为512×512×3像素的反卷积层，第十八层由第十七层的输出结果和区域扩充编码在第三个维度上拼接在一起构成，其维度为512×512×6像素，第十九层、第二十层均为256×256×64像素的卷积层，第二十一层、第二十二层均为128×128×128像素的卷积层，第二十三层、第二十四层均为64×64×256像素的卷积层，第二十五层、第二十六层均为32×32×512像素的卷积层，第二十七层、第二十八层均为32×32×512像素的反卷积层，第二十九层、第三十层均为64×64×256像素的反卷积层，第三十一层、第三十二层均为128×128×128像素的反卷积层，第三十三层、第三十四层均为256×256×64像素的反卷积层，第三十五层为512×512×3像素的反卷积层；输出层直接提取第三十五层的结果作为输出；
步骤三、受电弓异常检测网络训练
使用步骤一构建的受电弓数据集对受电弓异常检测网络进行训练，训练方法采用目前广泛使用的随机梯度下降和adam方法，训练时该网络的损失值计算为l＝l1 l2 l3，其中l1＝||ix-ix′||1，l2＝||ix-iy||1，
步骤四、图像输入
在实时处理情况下，提取铁路机车车顶监控摄像头采集并保存在存储区的受电弓监控视频图像，作为要进行受电弓异常检测的输入图像；在离线处理情况下，将已采集的受电弓视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像；将输入图像规则化为512×512×3像素大小；如果输入图像为空，则整个流程中止；
步骤五、受电弓异常检测
使用步骤三训练得到的受电弓异常检测网络对输入图像进行异常检测，此时，将区域编码设置为其所有元素的值均为0，输入图像及其区域编码经该网络正向处理后，将网络第十七层的输出结果作为输入图像对应的无异常图像，然后将输入图像与其对应的无异常图像进行相差计算，得到异常结果图像，并对该异常结果图像进行去噪处理，随后，如果异常结果图像中存在元素值大于30的元素，且这样的元素的数目大于100，则认为当前输入图像存在异常，跳转到步骤六，否则，认为当前输入图像不存在异常，跳转到步骤四；异常结果图像的元素值是指元素对应位置上的像素的灰度值；
步骤六、受电弓异常检测网络在线学习
将被认为存在异常的输入图像进行区域编码，即将认为存在异常的输入图像划分为32×32格的网格，每个格子为16×16像素大小，如果格子对应的异常结果图像区域中没有元素值大于30的元素，则该格子的编码为0，否则为1，对所有格子编码后得到该输入图像对应的32×32格的区域编码；将输入图像及其区域编码作为在线训练集，并对检测网络进行在线学习，跳转到步骤四。
本发明与现有技术相比的优点和效果
本发明提出一种受电弓异常检测方法。该方法根据局部区域是否存在异常对受电弓图像进行区域编码，然后将受电弓图像及其区域编码作为异常检测网络的数据集对检测网络进行训练，受电弓异常检测网络采用深度编解码结构，由输入层、中间层和输出层构成，其中中间层共有35层，在异常检测过程中，将区域编码的所有元素均设置为零，然后通过该网络对输入图像及其区域编码进行正向处理，并将网络的第一个图像生成结果作为输入图像对应的无异常图像，之后通过两者对比获得异常检测结果，进而完成对受电弓的异常检测任务。本发明方法利用受电弓图像异常区域的特性，对其进行编码，然后构建具有深度编解码结构的深度神经网络对融合的输入图像及其编码进行学习，训练完成后，该异常检测网络则能够恢复输入图像的无异常数据，进而可以准确地检测出受电弓图像是否存在异常，同时通过对存在异常的受电弓图像进行在线学习，能够提高其异常检测的鲁棒性。此外，本发明方法对不同的铁路线路和机车情况均可以处理，实际应用过程中只需要根据具体情况改造和增强受电弓数据集，适当配置相关参数，即可实现对受电弓异常的准确检测，具有较强的场景适应能力。
附图说明
图1为本发明的流程图
具体实施方式
实施例：
本发明的方法可用于不同的铁路线路和机车情况，能够对各种受电弓监控视频图像进行受电弓异常的准确检测。
具体来说，在采用本发明方法对受电弓异常进行检测时，首先采用铁路机车车顶监控摄像头拍摄的受电弓图像构成受电弓图像库，并将受电弓图像规则化为512×512×3像素大小，然后将受电弓图像划分为32×32格的网格，每个格子为16×16像素大小，如果格子对应的受电弓区域没有异常则该格子的编码记为0，否则记为1，对所有格子编码后得到该受电弓图像对应的32×32格的区域编码，将这些受电弓图像及其区域编码构成受电弓数据集，并对受电弓异常检测网络进行训练，该受电弓异常检测网络采用深度编解码结构，包含输入层、中间层和输出层，其中中间层共有35层，由相应的卷积层和反卷积层构成，训练完成后，可使该异常检测网络能够对受电弓图像是否存在异常进行检测，在异常检测过程中，将区域编码中的所有元素设置为零，然后通过该网络对输入图像及其区域编码进行正向处理，并将网络的第一个图像生成结果作为输入图像对应的无异常图像，之后通过两者对比获得异常检测结果，进而完成对受电弓的异常检测任务。本发明方法利用受电弓图像异常区域的特性，对其进行编码，然后构建具有深度编解码结构的深度神经网络对融合的输入图像及其编码进行学习，训练完成后，该异常检测网络则能够恢复输入图像的无异常数据，进而可以准确地检测出受电弓图像是否存在异常，同时通过对存在异常的受电弓图像进行在线学习，能够提高其异常检测的鲁棒性。此外，本发明方法对不同的铁路线路和机车情况均可以处理，实际应用过程中只需要根据具体情况改造和增强受电弓数据集，适当配置相关参数，即可实现对受电弓异常的准确检测，具有较强的场景适应能力。
本发明方法可通过任何计算机程序设计语言(如c语言)编程实现，基于本方法的检测系统软件可在任何pc或者嵌入式系统中实现实时弓网接触点检测应用。
1.一种受电弓异常检测方法，包括如下步骤：
步骤一、受电弓区域编码与数据集构建
采用铁路机车车顶监控摄像头拍摄的受电弓图像构成受电弓图像库，并将受电弓图像规则化为512×512×3像素大小，然后通过人工标注的方式对受电弓图像进行区域编码，具体为，将规则化后的受电弓图像划分为32×32格的网格，每个格子为16×16像素大小，将每个格子对应的受电弓区域没有异常的格子编码记为0，否则记为1；对所有格子编码后得到该受电弓图像对应的32×32格的区域编码，这些受电弓图像及其区域编码构成受电弓数据集；
步骤二、受电弓异常检测网络构建
受电弓异常检测网络采用深度编解码结构，包含输入层、中间层和输出层；输入层维度为512×512×6像素，由输入图像和区域扩充编码构成，其中输入图像为512×512×3像素的三维矩阵，区域扩充编码则是通过将32×32格的区域编码按照与输入图像相同的三个维度方向进行扩充得到，区域扩充编码的维度也是512×512×3像素，将输入图像和区域扩充编码在第三个维度上拼接在一起构成异常检测网络的输入层；中间层一共分为35层，其中，第一层、第二层均为256×256×64像素的卷积层，第三层、第四层均为128×128×128像素的卷积层，第五层、第六层均为64×64×256像素的卷积层，第七层、第八层均为32×32×512像素的卷积层，第九层、第十层均为32×32×512像素的反卷积层，第十一层、第十二层均为64×64×256像素的反卷积层，第十三层、第十四层均为128×128×128像素的反卷积层，第十五层、第十六层均为256×256×64像素的反卷积层，第十七层为512×512×3像素的反卷积层，第十八层由第十七层的输出结果和区域扩充编码在第三个维度上拼接在一起构成，其维度为512×512×6像素，第十九层、第二十层均为256×256×64像素的卷积层，第二十一层、第二十二层均为128×128×128像素的卷积层，第二十三层、第二十四层均为64×64×256像素的卷积层，第二十五层、第二十六层均为32×32×512像素的卷积层，第二十七层、第二十八层均为32×32×512像素的反卷积层，第二十九层、第三十层均为64×64×256像素的反卷积层，第三十一层、第三十二层均为128×128×128像素的反卷积层，第三十三层、第三十四层均为256×256×64像素的反卷积层，第三十五层为512×512×3像素的反卷积层；输出层直接提取第三十五层的结果作为输出；
步骤三、受电弓异常检测网络训练
使用步骤一构建的受电弓数据集对受电弓异常检测网络进行训练，训练方法采用目前广泛使用的随机梯度下降和adam方法，训练时该网络的损失值计算为l＝l1 l2 l3，其中l1＝||ix-i′x||1，l2＝||ix-iy||1，
步骤四、图像输入
在实时处理情况下，提取铁路机车车顶监控摄像头采集并保存在存储区的受电弓监控视频图像，作为要进行受电弓异常检测的输入图像；在离线处理情况下，将已采集的受电弓视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像；将输入图像规则化为512×512×3像素大小；如果输入图像为空，则整个流程中止；
步骤五、受电弓异常检测
使用步骤三训练得到的受电弓异常检测网络对输入图像进行异常检测，此时，将区域编码设置为其所有元素的值均为0，输入图像及其区域编码经该网络正向处理后，将网络第十七层的输出结果作为输入图像对应的无异常图像，然后将输入图像与其对应的无异常图像进行相差计算，得到异常结果图像，并对该异常结果图像进行去噪处理，随后，如果异常结果图像中存在元素值大于30的元素，且这样的元素的数目大于100，则认为当前输入图像存在异常，跳转到步骤六，否则，认为当前输入图像不存在异常，跳转到步骤四；异常结果图像的元素值是指元素对应位置上的像素的灰度值；
步骤六、受电弓异常检测网络在线学习
将被认为存在异常的输入图像进行区域编码，即将认为存在异常的输入图像划分为32×32格的网格，每个格子为16×16像素大小，如果格子对应的异常结果图像区域中没有元素值大于30的元素，则该格子的编码为0，否则为1，对所有格子编码后得到该输入图像对应的32×32格的区域编码；将输入图像及其区域编码作为在线训练集，并对检测网络进行在线学习，跳转到步骤四。
技术总结