張云佐，楊攀亮，王 蕾

(石家莊鐵道大學 信息科學與技術學院, 河北 石家莊 050043)

0 引言

隨著我國高速鐵路的快速發(fā)展，高鐵安全運營的重要性日益凸顯。鐵路移動通訊系統(tǒng)是保障鐵路無線通信的重要環(huán)節(jié)，山區(qū)、隧道通信網絡的覆蓋主要依靠泄漏電纜和直放站。由于泄漏電纜長期經受列車高速行駛時產生的氣壓沖擊以及各種環(huán)境的影響，容易產生松動和脫落[1-3]。一旦發(fā)生故障會對鐵路的安全運營產生嚴重影響。為保證鐵路移動通訊系統(tǒng)的安全運行，需要對泄漏電纜定期檢查，主要是判斷泄漏電纜卡具是否出現(xiàn)故障。泄漏電纜卡具檢測是指在場景圖像中指出卡具目標，其目的是利用目標檢測技術對泄漏電纜卡具狀態(tài)進行監(jiān)測和分析，從而實現(xiàn)對卡具故障的檢測和識別。

目標檢測技術主要經歷了三個階段。第一階段是傳統(tǒng)模式，通過圖片準備、區(qū)域選擇、特征提取和分類器的方法進行目標檢測。傳統(tǒng)模式時間復雜度較高、冗余窗口多且對多變化的物體通用性較差[4-5]；第二階段是基于R-CNN的深度學習目標檢測算法，主要包括：R-CNN[6]，F(xiàn)ast R-CNN(ICCV2015)[7]和 Faster R-CNN(NIPS2015)[8]，基于R-CNN的算法速度慢，實時性較差。第三階段是基于回歸方法的深度學習目標檢測算法，主要包括：YOLO[9-10]和SSD[11]，YOLO精度不高，而SSD以其速度快精度高的特點得到更廣泛的應用。

結合泄漏電纜卡具目標特征和高鐵安全的現(xiàn)實需求，本文主要研究基于MobileNet- SSD算法的卡具檢測技術，進而實現(xiàn)對鐵路隧道泄漏電纜卡具的檢測，便于鐵路管理部門對卡具的數(shù)量、狀態(tài)等信息進行統(tǒng)計和監(jiān)控。

1 本文算法

1.1 卡具檢測模型

本文主要應用的是MobileNet-SSD[12-13]網絡模型，該模型以Mobilenet為主體網絡，將其中最后的全連接層改成卷積層，接著增加了4組卷積層來構造網絡結構。這些層的大小逐漸減小且每個層用于預測檢測的卷積模型不同，可以實現(xiàn)多尺度目標檢測[9]。MobileNet-SSD網絡結構如圖 1所示。

在圖1中，輸入一張300×300×3的圖像，通過深度可分離卷積操作可以得到大小不同的特征圖（feature map）分別是 Conv11、Conv13、Conv14、Conv15、Conv16、Conv17，不同特征圖所對應的特征不同，感受野不同，對應的默認框也不同。該模型可以在多個特征圖上同時進行Soft-max分類和位置回歸。

圖1 M obileNet-SSD網絡結構圖Fig.1 Mob ileNet-SSD work structure

Mobilenet網絡將經典的卷積操作轉換為了深度卷積和1×1點卷積操作相結合。該網絡取消了pooling層，而是通過調整卷積的步長達到降低特征圖大小的目的。和傳統(tǒng)VGG模型相比，它可以實現(xiàn)從通道級別上，減小整體網絡模型計算量。

1.2 算法流程

算法的基本流程為：

（1）獲取一定批次的卡具圖片，及對應的真實框坐標和類標簽；

（2）對圖片進行預處理，將圖片尺寸縮放為300×300；

（3）通過特征提取層提取特征，共 6層；

（4）生成 anchor，對每層特征圖分別預測anchor的分類及坐標，并將特征圖的anchor分類極坐標整合在一起；

（5）將所有的anchor與真實框按IOU配對，返回anchor對應的真實框坐標及分類標簽；

（6） 分別計算每一個anchor的location loss和classification loss，由于正負樣本不均衡，對loss進行困難樣本挖掘，保證正負樣本比例1∶3，并對loss標準化處理；

（7）采用非極大值抑制挑選出分類置信度最高的anchor。

1.3 loss函數(shù)

實驗通過loss函數(shù)計算真實值與預測值的誤差，使得每一個prior box回歸到真實框的位置。

本網絡模型中l(wèi)oss函數(shù)的表達式如式（1）所示，它主要用到了兩項的加和，類別的置信度損失和對預測框的位置回歸的損失[14-16]。

式（1）中，N是匹配的預測框的個數(shù)，x表示匹配了的框是否屬于類別p，取值{0,1}，l表示是預測框，g是真實值，c是指所框選目標屬于類別p的置信度。

預測類別的置信度損失函數(shù)如式（2）所示：

預測框位置回歸的損失函數(shù)如式（4）所示：

2 實驗與分析

本實驗在64位Win10系統(tǒng)計算機上完成，計算機的配置為：

CPU：Intel Core(i7-9750H)，主頻2.6 GHz，

內存：8.0 GB，

GPU：Nvidia GeForce GTX 1660 Ti。

在 TensorFlow 深度學習框架中完成了MobileNet-SSD算法的實現(xiàn)。

本次實驗采用的數(shù)據(jù)集為高鐵隧道現(xiàn)場采集的707張帶有卡具的圖片，其中532張圖片作訓練集，175張圖片作測試集，將圖像中所有的卡具歸為一類，利用Python開發(fā)的提供圖像標注的算法，將每個帶標簽的圖像生成對應的 XML文件。訓練的學習率為0.001，batch_size設置為16，共進行12010step。

2.1 訓練步驟

Step.1 輸入圖片，將圖片尺寸調整為300×300的尺寸大??；

Step.2 對特征層采用滑動窗口的方式使用卷積核做卷積計算；

Step.3 卷積處理時預測出不同長寬的邊界框集合；

Step.4 設置閾值舍棄低于閾值的檢測窗口；

Step.5 非極大值抑制消去多余窗口獲得檢測結果。主要目的是根據(jù)置信度大小，對所有檢測框進行排序，輸出置信度最高的檢測框。

2.2 實驗結果分析

在實驗中，loss函數(shù)的變化趨勢如圖2所示，其中 localization_loss對應的是位置回歸的 loss值，由圖2可知，其在整體上呈現(xiàn)出下降趨勢，并逐漸逼近于0。

圖2 localiz ation_loss變化曲線Fig.2 localiz ation_loss curve

圖3中，Classification_loss對應的是分類loss，其在整體上呈現(xiàn)震蕩，主要是由于目標卡具有兩種不同形態(tài)但將其全部歸為一類卡具標簽所引起的。

圖3 classification_loss變化曲線Fig.3 classification_loss curve

兩種卡具圖像如圖4所示。

圖4 卡具圖片F(xiàn)ig.4 Jig picture

圖5對應的是整體loss的變化趨勢，它由分類和回歸 loss組成，其數(shù)值先降低，隨后在 1.6附近震蕩。這部分是由于網絡模型結構所造成的，若要減小loss，則需調整網絡結構。

圖5 T italLoss變化曲線Fig.5 T otalLoss curve

目前計算平均目標檢測算法的主要參數(shù)有mAP（Mean Average Precision，平均準確率均值）、AP（Average Precision，平均準確率）和 IOU（Inter-section Over Union，交并比）。其中 IOU是模型所預測的檢測框和真實的檢測框的交集和并集之間的比例，也稱為 Jaccard 指數(shù)。精確度（Precision）是指在被判斷為準確的圖片中，真正判斷準確的泄露電纜卡具的比例。召回率（Recall）是指被準確預測的樣本占所有樣本的比例。精確度、AP、mAP 和召回率的計算公式如公式（5）-（8）所示：

圖6 mAP值基于0.5IOUFig.6 mAP value based on 0.5 IOU

圖7 預測結果（a～d）Fig.7 Pr edicted results (a～d)

該實驗結果表明：在高鐵隧道泄漏電纜卡具目標檢測任務中利用MobileNet-SSD算法可以很好的解決檢測卡具的任務。

3 結論

本文基于MobileNet-SSD模型，對隧道內泄漏電纜卡具數(shù)據(jù)集進行訓練，完成了卡具自動檢測的任務，為卡具故障識別奠定了基礎。該模型結合了YOLO算法的回歸思想以及Faster R-CNN的anchor機制達到了識別速度快精度高的要求，對泄漏電纜卡具的智能檢測有很大幫助。但該模型也具有一定的局限性：首先由于數(shù)據(jù)集的不足，本實驗將兩種類別的卡具歸為一類進行處理對分類損失造成一定的影響，因此在接下來需要增加不同種卡具樣本數(shù)量，實現(xiàn)對不同卡具的目標檢測及分類，可以從一定程度上提高檢測效果。其次，由于隧道內卡具背景差異較小，當背景發(fā)生較大變化時會對檢測結果造成一定程度的影響。最后，增加樣本的多樣性，提高網絡模型的魯棒性對實現(xiàn)鐵路隧道泄漏電纜卡具的智能檢測至關重要，這也是下一步研究的主要方向。