基于MLF-FRCNN的高速列车定位器检测技术研究

随着我国高速列车的快速发展,提高接触网系统的检测技术具有重要的现实意义。定位器是接触网系统的关键零部件之一,其良好的坡度状态确保受电弓具有高的受流质量。传统的定位器检测主要采用人工巡检方式或者基于机器学习的图像检测技术。它们由于检测效率太低而逐渐不满足铁路大时代下高精确率和高实时性的检测实际需求。由于近年来深度学习和计算机视觉技术的提高和广泛应用,针对上述问题论文提出基于改进型的Faster R-CNN定位器视觉检测系统。所提出的改进型Faster R-CNN深度学习模型创新性地利用多尺度卷积特征,融合了低级和高级的卷积特征,因此称它为多尺度特征Faster R-CNN(Multi-Level Features Faster R-CNN,MLF-FRCNN)。对高速列车检测系统采集的某线路接触网图像进行实验分析,其结果表明所提出的基于MLF-FRCNN的定位器视觉检测模型具有很高的精确率和实时性。这为后期定位器的维修保养工作奠定了基础,同时对保障高速列车的安全运行具有重要的意义。