【技术实现步骤摘要】
本专利技术涉及一种铁路接触网异物检测方法，尤其涉及一种基于swin transformer的铁路接触网异物检测方法。属于计算机视觉以及深度学习。
技术介绍
1、铁路接触网系统是铁路电力牵引供电系统的关键组成部分，在铁路系统中发挥至关重要的作用。它是一种高压系统，主要由支撑设备、接触导线、承力索、吊弦等组成。接触网中出现的异物，例如鸟巢、风筝、气球、塑料薄膜等，可能会导致接触网损害和列车事故。为了提高铁路接触网的稳定性，必须对铁路接触网进行监控。因此，需要设计智能的方法来为技术人员提供支持。
2、随着铁路的发展，对安全性和高性能的需求不断增加，从而催生出了新型监控设备。传统上它是通过火车顶部的激光扫描仪来实现的。近几年来，与极其昂贵的激光扫描仪相比，列车上的的车载高分辨率摄像头视频监控系统成为一个有效的解决方案，可以直接采集图片和视频来列车的安全性。然而，大量的图片和视频必须由培训过的技术人员进行检测和评估，通常以逐帧检测的方式进行检测。手动监控数千里的铁路接触网，不仅费时费力，而且严重依赖人工经验，不切实际。我们将重点研究铁路接触网异物的自动检测。
3、铁路图像的光照变化、光照条件、遮挡、气候影响以及前景和背景方面有很大的变化。首先，异物的形状多变并存在接触网系统中的不同位置，而且大多数被接触网遮挡，只露出一小部分。其次，接触网结构复杂，交叉线杂乱，特别是前景和背景混合在一起，会出现很多交叉线。从山脉、树木和建筑物等复杂背景中识别接触网系统中的异物也很困难。在极其复杂的场铁路景下，传统的模型无法很好地工作
技术实现思路
1、本专利技术提出一种基于swin transformer的铁路接触网异物检测方法，目的在于实现在复杂天气和背景下，针对铁路接触网进行异物检测，通过引入swin transformer、空洞卷积、fpn和级联检测器，设计了新的铁路接触网异物检测模型，使得铁路接触网异物检测模型在面对复杂背景和天气时，可以准确的检测出异物。
2、本专利技术的技术解决方案是这样实现的：
3、一种基于swin transformer的铁路接触网异物检测方法，其特征在于通过引入swin transformer、空洞卷积、fpn和级联检测器，创新设计了一种名为refined foreignobject intrusion detector(rfoid)的铁路接触网异物检测模型，rfoid模型包括如下内容：
4、n1、使用移位窗口的分层视觉转换器(swin transformer)：首先，利用使用移位窗口的分层视觉转换器对输入的图像或视频进行处理，对图像或每个视频帧中的像素点进行特征提取；
5、n2、视野感知空洞卷积块(receptive field dilated convolution block)：为了对物体的边缘信息进行充分提取和提高小目标的检测精度，引入视野感知空洞卷积块，通过提出主干输出的特征图，可以更好扩大感受野，从而有助于更准确识别异物尤其小目标；
6、n3、多分支融合的特征金字塔网络(multi-branch fusion feature pyramidnetwork)：在传统的特征金字塔网络中，来自深层的特征图虽然具有较大的感受野并包含丰富的语义信息，但它们往往在细节信息上表现不佳，特别是对中小目标的检测影响较大，为了解决此问题设计的多分支融合的特征金字塔网络，通过精细的特征融合策略，在保持局部细节信息的同时，提升对全局上下文的感知能力，从而显著提高对各种尺寸目标检测效果；
7、n4、级联检测器(cascade detector)：为了解决单阶段的检测器通常对不同尺度、不同难度的目标表现不稳定，复杂背景下的目标，单一的检测器难以同时处理得很好，引入了级联检测器，通过多个级联的检测器逐步细化检测结果，每个阶段的检测器基于上一个阶段的输出进行更精确的检测，从而逐步提升检测质量；
8、基swin transforme的铁路接触网异物检测方法，使用rfoid模型具有更优的分层自注意力机制和窗口化自注意力操作，提升了模型对图像全局和局部信息的捕获能力，使得在面对复杂背景和天气时，可以准确的检测出异物；该检测方法其特征还在于包括如下步骤：
9、b1、图片分区：将输入的h×w×3图像拆分成非重叠等尺寸的n个小块，并将他们作为序列输入后续阶段；
10、b2、特征提取：swin transformer被选作特征提取阶段的主要网络，对输入的序列进行特征提取，算法流程公式如下：
11、xi＝w-msa(ln(xi-1))+xi-1
12、xi+1＝mlp(ln(xi))+xi
13、xi+2＝sw-msa(ln(xi+1))+xi+1
14、xi+3＝mlp(ln(xi+2))+xi+2
15、式中，x是每一层处理后的映射，ln是层标准化(layer normalization)，mlp是多层感知机(multilayer perceptron)，w-msa是基于窗口的多头自注意力(window basedmulti-head self-attention)，sw-msa是基于移位窗口的多头自注意力(shifted window-based multi-head self-attention)；
16、b3、边缘提取：使用了3个不同扩张率的3×3的空洞卷积，其中扩张率分别是1、2、5，经过此步骤的特征图不会改变大小和维度，有效的增强了目标的边缘部分；
17、b4、多分支融合：使用多分支融合的特征金字塔网络对不同分支的特征图进行融合，在保持局部细节信息的同时，提升对全局上下文的感知能力，从而显著提高对各种尺寸目标检测效果；
18、b5、级联检测：级联检测器由三个检测器分别设置不同的阈值进行检测，每个检测器由roi align、全连接层、分类得分c和边框回归位置坐标b组成，检测时通过前一阶段检测器的边框回归b对候选目标区域进行重采样，逐步提升iou阈值训练得到新的分类得分c和边界框回归b，最终提升样本质量和网络训练效果；
19、通过这五个步骤的处理，rfoid模型能够有效地检测出图像中的异物，并生成带有检测框的图像。
20、与现有技术相比较，本专利技术的优点是显而易见的，主要表现在：
21、1、在面对复杂背景和天气时，可以准确的检测出异物；
22、2、引入使用移位窗口的分层视觉转换器，能够有效地捕捉图像的全局上下文信息；
23、3、设计了视野感知空洞卷积块，可以更好扩大感受野，从而有助于更准确识别异物尤其小目标；
24、4、设计了多分支融合的特征金字塔网络，在保持局部细节信息的同时，提升对全局上下文的感知能力；
25、5、引入了级联检测器提升检测质量；
26、6、生产本文档来自技高网...
【技术保护点】
1.一种基于Swin Transformer的铁路接触网异物检测方法，其特征在于通过引入SwinTransformer、空洞卷积、FPN和级联检测器，创新设计了一种名为Refined Foreign ObjectIntrusion Detector(RFOID)的铁路接触网异物检测模型，RFOID模型包括如下内容：
【技术特征摘要】
1.一种基于swin transformer的铁路接触网异物检测方法，其特征在于通过引入swintransformer、空洞卷积、fpn和级联检测器，创新设计...
【专利技术属性】
技术研发人员：徐凤强，李凤岐，曹晋豪，魏杰，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。