基于YOLOv5s的接触网吊弦线和载流环缺陷识别算法_顾桂梅.pdf

第 20 卷 第 3 期2023 年 3 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 3March 2023基于YOLOv5s的接触网吊弦线和载流环缺陷识别算法顾桂梅，贾耀华，温柏康(兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070)摘要：吊弦是铁路链式悬挂接触网系统的重要组成部分，对保证铁路供电安全具有至关重要的作用。由于弓网之间长时间、大强度的相互作用，吊弦不可避免地出现故障，直接威胁到铁路行车安全。传统人工巡检方式速度慢、强度大，为了减轻人工巡检压力，研制投入了接触网悬挂状态检测监测装置，在铁路现场应用中取得了良好的效果。但是随着4C装置的不断增加，面对采集到的海量图像数据，现有智能分析算法暴露出智能处理能力较差，存在漏检、误检的问题。针对以上不足，提出一种基于YOLOv5s的接触网吊弦线和载流环缺陷识别算法。首先，采用Transformer模块替换原YOLOv5s算法主干网络末端的C3模块，强化主干网络的全局特征信息提取能力。然后，将主干网络提取的不同尺度的特征图送入BiFPN特征融合网络，进行多尺度特征融合。最后，在YOLOv5s算法颈部网络引入CBAM注意力机制，增强待检测目标的显著度，抑制无关信息干扰，同时扩充原有检测尺度，提升对小目标的检测能力。仿真实验结果表明：新算法在复杂背景下具有良好的检测准确率，mAP0.5值达到了96.8%，相比于YOLOv5s算法提升了5.2%，检测速度也优于目前大部分主流目标检测算法，研究结果为接触网吊弦线和载流环缺陷识别提供了更加准确快捷的方法。关键词：吊弦缺陷识别；YOLOv5s；Transformer；多尺度特征融合；注意力机制；多尺度检测中图分类号：U225.4；TP391.9 文献标志码：A 开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）03-1066-11Defect identification algorithm of dropper line and current-carrying ring of catenary based on YOLOv5sGU Guimei,JIA Yaohua,WEN Bokang(School of Automation and Electrical Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)Abstract:Dropper is an important part of railway catenary system,which plays a vital role in ensuring the safety of railway power supply.Due to the long-term and high-intensity interaction between pantograph and catenary,the dropper inevitably fails,which directly threatens the railway traffic safety.The traditional manual inspection method is slow and strong.In order to reduce the pressure of manual inspection,the catenary suspension state detection and monitoring device was developed,which had achieved good results in railway field application.However,with the continuous increase of 4C devices,the existing intelligent analysis algorithms for the collected massive image data had exposed the problems of poor intelligent processing ability,missed detection and false 收稿日期：2022-03-29基金项目：甘肃省科技计划资助项目(20JR10RA216)通信作者：顾桂梅(1970)，女，辽宁兴城人，教授，从事接触网智能监测和故障监测诊断研究；Email：386509464qq,comDOI:10.19713/ki.43-1423/u.T20220596第 3 期顾桂梅，等：基于YOLOv5s的接触网吊弦线和载流环缺陷识别算法detection.In view of the above shortcomings,a defect identification algorithm of catenary suspension chord and current-carrying ring based on YOLOv5s was proposed.Firstly,the Transformer module is used to replace the C3 module at the end of the main network of primitive YOLOv5s algorithm to strengthen the global feature information extraction ability of the main network.Then,the feature maps of different scales extracted from the main network were sent to the BiFPN feature fusion network for multi-scale feature fusion.Finally,CBAM attention mechanism was introduced into the neck network of YOLOv5s algorithm to enhance the visibility of the target to be detected,suppress irrelevant information interference,and expand the original detection scale to improve the detection accuracy of current-carrying ring defects.The simulation results show that the proposed algorithm has good detection accuracy under complex background,and the mAP0.5 value reaches 96.8%,which is 5.2%higher than that of YOLOv5s algorithm.The detection speed is also better than most of the current mainstream target detection algorithms.The research results can provide a more accurate and fast method for the defect recognition of catenary dropper line and current-carrying ring.Key words:defect identification of dropper;YOLOv5s;Transformer;multi-scale feature fusion;attention mechanism;multi-scale detection 铁路接触网是沿钢轨上空“之”字形架设的，供受电弓取流的高压输电线。吊弦作为铁路接触网接触悬挂的重要组成部分，主要起悬吊和载流作用，保证向列车供电的接触线与受电弓滑板能够平稳可靠接触受流，对保障列车的可靠运行具有重要作用12。由于弓网间高频次、大强度的相互作用，使得吊弦产生断裂、散股及松弛等故障，对铁路行车安全与受流质量产生严重危害，其日常检修工作繁重复杂，耗费大量人力、物力资源。近年来，接触网悬挂状态检测监测装置(4C)投入使用，大大减轻了人工检修的压力。巡检车辆沿巡检路线行驶时，由位于巡检车顶部的接触悬挂相机以固定拍摄角对线路上的接触悬挂进行触发拍摄。然后，接触悬挂图像采集服务器负责采集并存储接触悬挂相机拍摄的图片。最后，智能分析计算机通过智能分析算法自动识别接触网接触悬挂的缺陷和故障隐患。随着 4C装置的不断增加，急剧增加的图像数据使分析工作量大幅增加，现有智能分析算法出现漏检、误检的问题，已经不能满足现场需求。截至目前，卷积神经网络在目标检测领域取得重大突破，现有目标检测算法在准确率和检测速度上都取得了良好的效果，这为4C装置的智能分析提供了新的思路。目前，基于锚点的目标检测算法可分为2种：一种是一阶段目标检测算法，代表性算法包括 SSD3和 YOLO 系列46等；另一种是两阶段目标检测算法，代表性算法包括 Fast R-CNN7，Faster R-CNN8和 Mask R-CNN9等。李长江等10提出了一种基于级联Faster R-CNN目标定位的等电位线不良状态检测方法，利用第1级卷积神经网络进行等电位线识别，利用第2级卷积神经网络进行等电位线散股故障检测，通过对比分析等电位线正常及故障占比，实现等电位线正常与故障分类。TAN等 11提出了一种多算法融合图像处理技术，并基于Faster R-CNN算法和亚像素级吊弦缺陷检测模型构建了吊弦识别和故障检测模型。CHEN 等12通过在 RefineDet网络中嵌入空间注意力模块和通道权重模块，提升了复杂背景下载流环缺陷的检测精度。齐冬莲等13采用RefineDet网络对吊弦进行定位，利用霍夫变换提取吊弦中部吊悬线区域送入ResNet分类网络进行缺陷识别。WU等14提出了级联的YOLO网络对接触网支撑装置上的紧固件进行定位，然后利用RRNet网络进行紧固件缺陷检测。陈强等15采用FCOS网络对接触网吊弦进行定位，然后将提取出的吊弦区域送入添加焦点损失的ResNet50网络获取吊弦状态。上述文献中大都使用两阶段的目标检测算法或者使用2种以上方法完成目标检测任务，两阶段网络由于其自身网络结构限制，难以满足实时性要求，而使用 2种以上方法流程复杂，阶段繁多，不适合应用于实际现场。本文针1067铁 道 科 学 与 工 程 学 报2023 年 3月对接触网吊弦线和载流环的缺陷识别问题，提出一 种 基 于 YOLOv5s 的 改 进 算 法。首 先，将YOLOv5s 算法主干网络末端的 C3 模块替换为Transformer模块，强化了主干网络的特征提取以及全局推理能力。接着，针对吊弦线缺陷显著性低导致故障难以准确检测的问题，将YOLOv5s算法颈部网络的 C3 模块中与卷积块注意力模块(Convolutional Block Attention Module，CBAM)融合。然后，用双向特征金字塔网络(Bi-directional Feature Pyramid Network，BiFPN)替换YOLOv5s算法的特征融合网络，实现多尺度特征融合。最后，针对载流环缺陷检测准确率低的问题，增加小目标检测层，提升算法对小目标载流环缺陷的检测准确率。1 YOLOv5s算法原理YOLOv5s算法框架如图 1所示，包括输入端(Input)、主干网络(Backbone)、颈部网