基于卷积网络的受电弓图像目标检测与矫正方法研究

庞鸿宇，于 龙，高仕斌

0 引言

受电弓滑板监测装置（5C）通过拍摄列车车顶图像指导故障消缺[1]，是受电弓自动化监测的重要设备之一。受电弓所在车顶区域构件繁多，检测容易受到复杂背景干扰。在拍摄角度和车速的影响下，车顶图像还会出现歪斜畸变，对受电弓的状态识别带来困难。为提高自动化检测效率，首要任务是实现车顶图像中受电弓的定位与矫正。

目前，针对受电弓检测的传统方法大部分基于形状特征的提取，如Canny 检测[2，3]、HOG+SVM检测[4，5]、霍夫变换[6]等。这些方法利用图像的外观特征对受电弓进行检测，算法实现简单，然而车顶各类钢架、横梁繁多复杂，针对受电弓的检测精度低，误检率高。近几年，基于卷积神经网络的目标检测方法取得了较好的效果，如基于潜在区域推荐的Fast R-CNN[7]和Faster R-CNN[8]目标检测框架，以及基于回归的YOLO[9]系列网络等。基于卷积神经网络的目标检测方法相对传统方法而言，能够提取深度特征，具有良好的鲁棒性。文献[10]提出改进的YOLO V2 算法，对受电弓进行实时检测。文献[11]改进YOLO V3 网络的结构，对接触网绝缘子进行目标识别与定位。上述基于卷积神经网络的目标检测方法都是通过预设不同尺度及位置的锚点框获取描述目标的特征向量实现检测，在图像歪斜畸变角度不大时可以实现受电弓的定位，但目标的检测结果是外接矩形框，对于因拍摄角度造成的透视畸变的目标而言检测结果不准确，更无法进行图像的矫正。目前尚缺乏针对受电弓的精确检测及图像矫正方法，国内外相关研究也近乎空白。……