基于Libra R-CNN方法的高铁接触网腕臂管帽检测

由于列车长期高速运行,接触网腕臂会发生管帽脱落的现象。没有管帽的保护,腕臂容易进入杂物,从而引起腕臂的锈蚀、结构失稳等问题,影响铁路的安全运行。目前,铁路局主要采用图像监测结合人工查看的方法检查管帽脱落与否。该方法不仅效率较低,而且工作量巨大。针对管帽对象较小、管帽样本不均衡和管帽数据集较小等问题,依据计算机视觉理论,使用基于目标检测模型的方法,并结合迁移学习技术,进行管帽脱落的识别,可以显著提高管帽脱落的检测效率。通过试验调整R-CNN架构的结构,选择合适的预训练模型,改变主干网络的训练模式,选择最优的检测模型。最终,结合COCO预训练模型的Libra R-CNN方法在测试集上取得最好的效果,mAP@0.7达到了98.2%,具有实际工程意义和应用前景。