基于改进SSD算法的铁路隧道漏缆卡具检测方法-科创中国●保定云

基于改进SSD算法的铁路隧道漏缆卡具检测方法

成果描述

本发明公开了一种基于改进SSD算法的铁路隧道漏缆卡具检测方法，涉及图像处理方法技术领域。该方法使用不同尺度的特征图检测卡具目标，并在网络宽度和网络深度上对SSD的网络结构加以改进。其主要通过结合Inception结构增加网路宽度；采用残差结构在提高网络深度的同时优化网络深度结构；使用深度可分离卷积和1x1卷积结构减少模型参数量，改善模型结构，提高模型检测效率。将改进后的模型应用于隧道漏缆卡具图像的检测，实验结果表明，该方法检测的平均准确率达到了86.6%，检测速度达到了26.6fps，相比于原始SSD算法和MobileNet SSD算法具有明显优势。

应用范围

该方法使用不同尺度的特征图检测卡具目标，并在网络宽度和网络深度上对SSD的网络结构加以改进。其主要通过结合Inception结构增加网路宽度；采用残差结构在提高网络深度的同时优化网络深度结构；使用深度可分离卷积和1x1卷积结构减少模型参数量，改善模型结构，提高模型检测效率。将改进后的模型应用于隧道漏缆卡具图像的检测，实验结果表明，该方法检测的平均准确率达到了86.6％，检测速度达到了26.6fps，相比于原始SSD算法和MobileNet SSD算法具有明显优势。

前景分析

随着高速铁路的快速发展，高铁安全运营的重要性日益凸显。铁路移动通讯系统是保障铁路无线通信的重要环节，山区、隧道通信网络的覆盖主要依靠泄漏电缆。通信泄漏同轴电缆通常悬挂在隧道壁上，并由卡具固定。当高速行驶的列车经过时产生的气压和能量波会对卡具产生一定的冲击，同时卡具还受到各种环境因素的影响，很容易发生松动甚至脱落，一旦发生故障很容易造成交通事故，并严重影响铁路的安全运营。

为了确保铁路移动通信系统的安全运行，有必要定期检查隧道内的漏缆卡具。目前，隧道内漏缆卡具检测的方法主要有两种：纯手动检测和采集视频回放检测。目前，铁路部门隧道内漏缆卡具的检测大多还停留在纯手动检测阶段，每月进行一次人工检查。人工检查受到环境因素，地理因素和人为因素的影响，检查效率低，工作量大，耗费大量的人力、资金和设备等，尤其在崎岖的地形或隧道内照明不足的情况下难以进行检查，而且极易发生漏检的情况，检测结果难以保证。另外，随着高速铁路的不断发展，隧道的数量和长度也在不断增加，有时甚至一条隧道长达几十公里，给卡具维护人员带来了巨大的挑战。在采集视频回放检测的阶段，通常在火车窗口中安装一个高速摄像机，以收集和存储在火车整个运行过程中拍摄的图像。尽管图像经过了一些简单的操作，例如压缩处理和定位识别，但它在列车运行过程中存储了所有视频数据，并且需要手动回放来确认故障点。这样会造成存储数据量大，检测周期长以及难以定位到故障点等缺点。因此，铁路部门对解决隧道内漏缆卡具的智能检测有着十分迫切的需求。

近年来，深度学习以其强大的学习能力在目标检测领域得到了成功应用。与机器学习相比，它不需要人工提取目标特征，可以实现端到端的检测。目前主流的基于深度学习的目标检测算法通常可分为one‑stage算法和two‑stage算法。其中，基于区域的two‑stage算法主要包括R‑CNN，Fast R‑CNN和Faster R‑CNN。基于回归的one‑stage算法主要有YOLO和SSD。基于two‑stage的算法一般精度高，但速度慢，实时性较差。在基于回归的one‑stage算法中，YOLO算法速度较快，但精度不高。SSD算法结合了YOLO的回归思想和Faster R‑CNN的anchor机制，既保持了YOLO速度快的特性，也保证了检测结果跟Faster R‑CNN一样比较精准，具有广阔的应用前景。

本发明所要解决的技术问题是如何提供一种能够快速准确检测隧道内的漏缆卡具的检测方法。

联系方式

联系人：
张云佐
联系电话：
19932581850
通讯地址：
河北省石家庄市北二环东路17号

请填写以下信息

联系人：

手机号：

单位名称：

备注：

取消确定