本發(fā)明屬于計算機數(shù)字圖像處理與模式識別，特別涉及一種基于機器學習的弓網電弧檢測方法。

背景技術：

1、在電氣化鐵路中，受電弓-接觸網系統(tǒng)是列車獲取電能的關鍵組成部分。列車通過頂部的受電弓和接觸導線的接觸獲得電能，從而保障列車的平穩(wěn)運行。列車在運行過程中，由于受各種因素影響，受電弓和接觸網易發(fā)生分離產生受電弓電弧。電弧現(xiàn)象會影響弓網受流質量，加劇受電弓滑板和接觸線的磨損，損壞列車內部的電氣設備，干擾沿線信號設備，對列車運營的安全性造成巨大威脅。

2、目前檢測電弧的常用方法是通過攝像頭記錄和監(jiān)控弓網系統(tǒng)的運行情況，在電弧發(fā)生后采用回看的方式，分析監(jiān)控視頻。保障列車平穩(wěn)運行的關鍵是如何從監(jiān)控視頻中快速提取準確有效的電弧信息。傳統(tǒng)的模型針對電弧檢測時，存在著如下三個問題：

3、1.復雜的視頻背景對電弧識別產生極大干擾問題；

4、2.精度不高、計算復雜度高；

5、3.誤檢率或漏檢率較高。

技術實現(xiàn)思路

1、本發(fā)明旨在克服上述缺陷，提出了一種基于機器學習的弓網電弧檢測與識別的方法。即采用基于受電弓弓頭區(qū)域導引的方法，提取弓頭區(qū)域整體偏移的弓網電弧，以解決電弧檢測中存在著背景干擾性大的問題；建立了一種新的機器學習的模型：采用啟發(fā)式v3網絡作為主干網絡以更快更準的提取電弧特征；在區(qū)域生成網絡中采用感興趣區(qū)域對齊算法，進行候選邊界框的特征映射操作，以解決感興趣區(qū)域池化算法中出現(xiàn)的區(qū)域不匹配的問題，從而提高目標定位的準確性；采用軟性非最大值抑制算法以解決非極大值抑制算法的漏檢和誤檢的問題，從而更精確的選擇候選邊框。其能夠實現(xiàn)對電弧現(xiàn)象快速且精確的檢測。

2、本發(fā)明提供了一種基于機器學習的弓網電弧檢測方法，其特征在于，包含如下步驟：

3、s1.提取受電弓弓頭區(qū)域，并獲得基于受電弓弓頭區(qū)域導引的弓網電弧區(qū)域；

4、s2.采用感興趣區(qū)域對齊算法進行候選邊界框的特征映射；

5、s3.基于軟性非最大值抑制算法漸進式降低重疊檢測框得分；

6、s4.采用啟發(fā)式v3網絡作為主干網絡，結合區(qū)域生成網絡，提取電弧特征。

7、進一步地，本發(fā)明提供的一種基于機器學習的弓網電弧檢測方法，其特征還在于：

8、在s1中，包含如下步驟：

9、s1.2、對原始捕獲的圖像應用旋轉和縮放以擴大數(shù)據集；

10、s1.3、從圖像特征提取的角度，設計了基于受電弓弓頭區(qū)域導引的弓網電弧區(qū)域提取方法；

11、s1.4、所有處理后的圖像組成實驗數(shù)據集；

12、或采用如下步驟：

13、s1.1、對原始捕獲的圖像應用旋轉和縮放以擴大數(shù)據集；

14、s1.2、將弓網電弧視頻截取成連續(xù)幀圖像后，進行灰度化處理，將圖片轉換為灰度圖像；

15、s1.3、從圖像特征提取的角度，設計了基于受電弓弓頭區(qū)域導引的弓網電弧區(qū)域提取方法；s1.4、所有處理后的圖像組成實驗數(shù)據集。

16、進一步地，本發(fā)明提供的一種基于機器學習的弓網電弧檢測方法，其特征還在于：

17、在s1.3中，利用弓頭定位框坐標變換的方法來進行弓頭區(qū)域引導，準確得到可能發(fā)生電弧現(xiàn)象的區(qū)域。

18、進一步地，本發(fā)明提供的一種基于機器學習的弓網電弧檢測方法，其特征還在于：

19、在s1.3中，具體步驟如下：

20、s1.3a：通過定位框的左上角點坐標和右下角點坐標，獲取弓頭定位框的四個值x左、x右、y上和y下，坐標變換是基于這四個值進行的；

21、s1.3b：通過定位框兩個角點的坐標直接得到該定位框的寬w和高h：

22、w＝x右-x左

23、h＝y(tǒng)上-y下

24、s1.3c：對定位框高度方向m等分、寬度方向n等分，各取其中一份作為該定位框的高度方向偏移因子h'和寬度方向偏移因子w'，以偏移因子為基本量更好控制偏移量的精細程度：

25、h‘＝h/m

26、w‘＝w/n

27、s1.3d：在一定數(shù)據范圍(0-1的范圍內)內生成4個隨機數(shù)n1、n2、n3和n4，各邊的偏移量由偏移因子和隨機數(shù)確定，定位框的上邊向上偏移量為δy上，下邊向上偏移量為δy下，左邊向右偏移量為δx左，右邊向左偏移量為δx右，它們的值分別由以下公式確定；

28、δy上＝n1×h'

29、δy下＝n2×h'

30、δx左＝n3×w'

31、δx右＝n4×w'。

32、進一步地，本發(fā)明提供的一種基于機器學習的弓網電弧檢測方法，其特征還在于：

33、在s2中，包含如下具體步驟：

34、s2.1：遍歷每個候選區(qū)域，不量化映射后的浮點數(shù)坐標；

35、s2.2：將候選區(qū)域均分成k×k個單元，不量化均分單元的邊界；

36、s2.3：將每個單元等分成4個小單元，取其中心位置為采樣點，在每個單元內可確定4個采樣點；

37、本發(fā)明選取4個小單元是因為訓練樣本(數(shù)據集)不復雜的情況下，選取4個小單元可以在保證一定精度的同時減少了模型訓練時間，提高弓網電弧檢測的速度。

38、s2.4：采用雙線性插值法計算采樣點坐標像素上的圖像值；

39、s2.5：對計算得到的4個采樣點進行最大池化得到固定維度的感興趣區(qū)域輸出。

40、進一步地，本發(fā)明提供的一種基于機器學習的弓網電弧檢測方法，其特征還在于：

41、在s2.4中，所述采用雙線性插值法包含如下步驟：

42、假設函數(shù)f在q11＝(x1,y1)，q12＝(x1,y2)，q21＝(x2,y1)和q22＝(x2,y2)這四個點的值已知，求函數(shù)f在p＝(x,y)的值；

43、s2.4.1.在x方向進行線性插值，得到：

44、

45、

46、s2.4.2.在y方向進行線性插值，得到：

47、

48、s2.4.3.得到所求f(x,y)

49、

50、進一步地，本發(fā)明提供的一種基于機器學習的弓網電弧檢測方法，其特征還在于：

51、在s3中，包含如下步驟：

52、s3.1：所有檢測框根據得分排序，選擇得分最高的檢測框作為基準框，對于每一個剩余的檢測框，根據其與基準框的交并比值來更新得分，判斷出最優(yōu)目標；

53、關于上述得分：本發(fā)明所提出的機器學習的模型中，會對訓練樣本進行圖像識別，在圖像識別的過程中網絡會提出候選框(矩形區(qū)域)，不同的候選框與實際目標之間的差異不一樣，越匹配越符合實際目標輪廓模型所檢測的值越高(即得分)。

54、其中，交并比定義為預測框p、真實標注框gt交集區(qū)域與并集區(qū)域面積的比值，即如下式所示：

55、

56、s3.2：計算當前候選框和得分最高的候選邊界框出現(xiàn)重疊情況時，若它們的交并比值超過給定閾值，軟性非最大值抑制算法采用線性加權方式將該候選框的置信度更新為si(1-iou)，如下式所示：

57、

58、式中，si為置信度，nt為預設的閾值，b為目前得分最高的候選邊界框，bi為待處理的候選框；

59、s3.3：選擇下一個得分最高的檢測框作為基準框，重復步驟以上步驟中的得分更新過程，直到所有檢測框都被處理；

60、s3.4：基于更新后的得分重新排序檢測框，并根據最終得分選擇框。

61、進一步地，本發(fā)明提供的一種基于機器學習的弓網電弧檢測方法，其特征還在于：

62、在s4中，模型的訓練方法如下所示：

63、s4.2.1：以訓練集的圖像作為輸入，采用啟發(fā)式v3網絡作為模型的主干網絡，對輸入圖像進行特征提取獲得特征圖，該特征圖應用于后續(xù)的網絡；

64、s4.2.2：網絡利用這些特征圖生成候選區(qū)域，通過生成大小不同的錨框來獲得指定數(shù)量的特征候選區(qū)域的特征圖；

65、s4.2.3：將它們統(tǒng)一為相同的大小并全部輸入到全連接層中進行目標識別和定位，并利用歸一化指數(shù)函數(shù)進行具體類別的分類，同時完成回歸操作獲得物體的精確位置。

66、如權利要求8所述的一種基于機器學習的弓網電弧檢測方法，其特征在于：

67、所述啟發(fā)式v3網絡的訓練方法為：特征提取模塊通過在訓練集上預訓練啟發(fā)式v3網絡；

68、s4.1.1：輸入圖像經過3個卷積核大小為3像素×3像素的卷積層、批量標準化層、非線性激活層，以及1個3像素×3像素的最大池化層；

69、s4.1.2：經過2個卷積核大小為3像素×3像素的卷積層、批量標準化層、非線性激活層，以及1個3像素×3像素的最大池化層；

70、s4.1.3：通過3種啟發(fā)式模塊進行特征提?。?/p>

71、s4.1.4：經過1個8像素×8像素的最大池化層；

72、s4.1.5：通過隨機失活層和1個3像素×3像素的卷積層、批量標準化層、非線性激活層。

73、此外，本發(fā)明的一種基于機器學習的弓網電弧檢測方法被應用于對弓網電弧現(xiàn)象進行檢測與識別上。