基于改进SSD算法的铁路隧道漏缆卡具检测方法技术

本发明专利技术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。

【技术实现步骤摘要】
基于改进SSD算法的铁路隧道漏缆卡具检测方法
本专利技术涉及图像检测方法
，尤其涉及一种基于改进SSD算法的铁路隧道漏缆卡具检测方法。
技术介绍
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，FastR-CNN和FasterR-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FasterR-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FasterR-CNN一样比较精准，具有广阔的应用前景。
技术实现思路
本专利技术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。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于包括如下步骤：构建改进的SSD网络模型；通过所述SSD网络模型对隧道漏缆卡具图像进行检测，并输出检测结果。进一步的技术方案在于，所述改进的SSD网络模型的构建方法如下：在SSD算法的基础上，通过堆叠Block增加网络深度，结合残差机制解决网络退化问题并加入深度可分离卷积和1x1卷积提高其检测速度。进一步的技术方案在于：结合Inception网络的相关组成结构，通过对输入的上层网络，分别进行1x1卷积，3x3深度可分离卷积和3x3最大值池化，并将检测结果拼接起来传入下层网络操作。进一步的技术方案在于：通过堆叠Block加深网络深度，通过在卷积层之后激活函数之前加入批量归一化，将需要传递的特征规范化，同时在网络训练中，批量归一化算法将一个最小批次中的所有样本关联起来，使得网络可以从同一批次的所有样本中关联得出结果；引入ResNet网络中的残差结构，在每个Block的输入在输出前直接叠加在Inception结构的输出中。进一步的技术方案在于：残差单元可以将学习一个恒等映射函数H(x)＝x转化成学习一个残差函数F(x)＝H(x)-x；当残差F(x)＝0时，此时叠加的卷积层只是做了恒等映射。进一步的技术方案在于：通过深度可分离卷积进行网络参数优化。进一步的技术方案在于：改进的SSD网络模型包括依次连接的Input(300*300*3)层、Conv1(300*300*64)层、Block1,2(300*300*64)层、Block3-6(150*150*128)层、Block7-10(75*75*256)层、Block11,14(38*38*512)层、Block15-18(19*19*1024)层、Block19-22(10*10*1024)层、Conv6_1(10*10*256)层、Conv6_2(5*5*512)层、Conv7_1(5*5*128)层、Conv7_2(3*3*256)层、Conv8_1(3*3*128)层、Conv8_2(2*2*256)层、Conv9_1(2*2*128)层和Conv9_2(1*1*256)层；其中括号中前面的两个数字表示图片的大小，后一个数字表示通道的个数；分别抽取Block15-18(19*19*1024)层、Block19-22(10*10*1024)层、Conv6_2(5*5*512)层、Conv7_2(3*3*256)层、Conv8_2(2*2*256)层以及Conv9_2(1*1*256)层的特征图输入到Detection检测模块进行检测，检测后的数据通过非极大值抑制NMS模块进行处理后得到置信度最高的检测结果。进一步的技术方案在于：每个Block模块包括1x1卷积模块、3x3深度可分离卷积模块和3x3最大值池化模块。进一步的技术方案在于：SSD模型的先验框通过如下方法计算：在生成先验框时，以每个特征图上的点作为中心点，生成一系列的同心先验框，同时在不同特征图上，每个中心点生成的先验框个数并不完全相同；先验框的设置，主要包括尺度和宽高比两个方面；当使用m个特征图做预测，每个特征图默认框的比例为：其中，smin取0.2，smax取0.95，所有层规矩间隔；先验框的宽度和高度可以通过ar来进行调整，计算公式如下：其中此外，当ar＝1时，增加了一种先验框：先验框的中心坐标为fk是第k层特征图的大小。进一步的技术方案在于：SSD模型的损失函数的计算方法如下：损失函数是通过分类置信度损失和位置回归损失两部分加权和得到，即：其中，分类置信度损失为：位置回归损失为：其中表示第i个预选框与类别p的第j个真实框是否匹配。采用上述技术方案所产生的有益效果在于：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，本文档来自技高网...

【技术保护点】
1.一种基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于包括如下步骤：/n构建改进的SSD网络模型；/n通过所述SSD网络模型对隧道漏缆卡具图像进行检测，并输出检测结果。/n

【技术特征摘要】
1.一种基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于包括如下步骤：
构建改进的SSD网络模型；
通过所述SSD网络模型对隧道漏缆卡具图像进行检测，并输出检测结果。


2.如权利要求1所述的基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于：所述改进的SSD网络模型的构建方法如下：
在SSD算法的基础上，通过堆叠Block增加网络深度，结合残差机制解决网络退化问题并加入深度可分离卷积和1x1卷积提高其检测速度。


3.如权利要求2所述的基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于：
结合Inception网络的相关组成结构，通过对输入的上层网络，分别进行1x1卷积，3x3深度可分离卷积和3x3最大值池化，并将检测结果拼接起来传入下层网络操作。


4.如权利要求2所述的基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于：
通过堆叠Block加深网络深度，通过在卷积层之后激活函数之前加入批量归一化，将需要传递的特征规范化，同时在网络训练中，批量归一化算法将一个最小批次中的所有样本关联起来，使得网络可以从同一批次的所有样本中关联得出结果；引入ResNet网络中的残差结构，在每个Block的输入在输出前直接叠加在Inception结构的输出中。


5.如权利要求4所述的基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于：
残差单元可以将学习一个恒等映射函数H(x)＝x转化成学习一个残差函数F(x)＝H(x)-x；当残差F(x)＝0时，此时叠加的卷积层只是做了恒等映射。


6.如权利要求2所述的基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于：通过深度可分离卷积进行网络参数优化。


7.如权利要求2所述的基于改进SSD算法的铁路隧道漏缆卡具检测方法，其特征在于：改进的SSD网络模型包括依次连接的Input(300*300*3)层、Conv1(300*300*64)层、Block1,2(300*300*64)层、Block3-6(150*150*128)层、Block7-10(75*75*256)层、Block11,14(38*38*512)层、Block15-18(19*19*1024)层、Block19-22(1...

【专利技术属性】
技术研发人员：张云佐，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北;13