팬터그래프 안전 상태 감지를 위한 향상된 YOLOV3 알고리즘

추상적인:  ;팬터그래프는 철도 차량을 전력 공급 그리드에 연결하는 중요한 구성 요소이므로 팬터그래프의 안전 상태는 철도 차량의 원활하고 안정적인 작동에 매우 중요합니다.

본 논문에서는 차상영상감시시스템이 감시하는 팬터그래프 영상을 프레임 단위로 분석하여 구조를 파악하기 위해 산업계에서 널리 사용되는 YOLOV3 표적인식 알고리즘을 수정하여 팬터그래프의 안전상태를 실시간으로 모니터링한다. 팬터그래프의 이상, 스파크 및 이물질 침입을 동시에. 실험을 통해 단일 채널이 티에누오 온보드 지능형 분석 서버에서 40fps에 도달할 수 있음이 입증되었습니다. 포괄적인 감지 정확도 지도 @0.5는 98%를 얻을 수 있어 실시간으로 상대적으로 정확한 감지 결과를 얻을 수 있습니다.

1. 팬터그래프의 지능형 감시

오늘날 딥러닝 기반의 대표적인 표적 인식 알고리즘은 더 빠르게 R-CNN 알고리즘과 같은 2단계 알고리즘과 YOLOV3 알고리즘과 같은 1단계 알고리즘이다. 욜로 알고리즘은 R-CNN에 비해 후보 프레임을 미리 계산할 필요가 없다. 계산 노력을 줄이고 더 빠른 계산 속도를 달성할 수 있는 CNN 네트워크. 그리고 YOLOV3 알고리즘은 인식 네트워크 부분에 3개의 가지를 가짐으로써 이전 세대 욜로 알고리즘의 멀티 스케일 검출의 단점을 개선하여 소형, 중형, 대형의 3가지 스케일에서 대상 인식 문제에 대처할 수 있다. 또한 YOLOV3 알고리즘은 더 나은 엔지니어링 지원을 제공하며 많은 응용 프로그램에서 산업 명예로 사용됩니다. 따라서 본 논문에서는

2. 팬터그래프 안전상태 감지 알고리즘 구축

2.1 대상 추상화

팬터그래프 안전상태 감지는 팬터그래프 구조 이상 감지, 팬터그래프 화재 감지, 이물질 침입 감지 등으로 나눌 수 있다. 오른쪽 활 각도 누락 등 표준 비정상 상태는 그림 1B-F에 나와 있습니다.

그림 1 팬터그래프 안전 상태 및 알고리즘 라벨링 표준

대상 식별 알고리즘을 사용하기 위해서는 우선 팬터그래프의 안전상태를 감지하기 위한 식별 대상을 추상화해야 하며, 추상화된 식별 대상은 그림 1과 같다. 정상 상태와 비정상 상태의 팬터그래프에 일률적으로 라벨을 붙인다. 정상 상태의 선수 원반 및 선수 각도와 비정상 상태의 선수 원반 및 선수 각도와 스파크 및 이물질 등의 표적이 표시됩니다. 그런 다음 레이블이 지정된 데이터는 팬터그래프의 모든 안전 상태를 한 번에 식별하기 위해 교육용 통합 모델에 입력됩니다.

2.2 간 신경망 기반 데이터셋 데이터 강화

탐지 대상을 정의한 후에는 심층 학습 방법을 사용하여 팬터그래프의 다양한 상태에 대한 데이터 세트에서 필요한 기능을 학습하기 위해 자체 팬터그래프 안전 상태 데이터 세트를 구축해야 합니다. 본 논문에서 알고리즘 구축에 필요한 데이터셋은 여러 모델의 전천후 팬터그래프 영상감시에서 도청한 것이다. 데이터 특성에 대한 환경의 영향을 줄이기 위해 데이터 자료 작성 과정에서 조도, 가려짐, 흐린 날, 비와 눈, 출입 등의 작업 조건을 충분히 고려합니다. 데이터 세트의 팬터그래프 결함 상태도 모터 트레인의 기본 주행 형태에서 팬터그래프 결함이 발생할 때 비디오 감시 사진에서 모두 나옵니다.

일부 결함 유형은 실제 작동 조건에서 덜 자주 발생하여 데이터 준비가 부적절할 수 있음을 고려하십시오. 범주 데이터 간의 불균형은 표적 인식의 효과에 큰 영향을 미치므로, 본 논문에서는 다양한 데이터 범주에 대해 간 신경망 기반 데이터 향상 방법을 채택합니다.

생성 적대적 회로망 GAN에는 생성 모델과 판별 모델의 두 가지 모델이 있습니다. 생성 모델의 작업은 원래 데이터와 유사하고 자연스럽게 사실적으로 보이는 인스턴스를 생성하는 것입니다. 판별 모델의 임무는 주어진 예가 본질적으로 실제인지 또는 인위적으로 위조되었는지 여부를 결정하는 것입니다.  ;

제로섬 게임이라고 볼 수 있습니다. 생성자는 판별자를 속이려고 하고, 판별자는 생성자에게 속지 않으려고 합니다. 모델은 대체 최적화로 학습되며 두 모델 모두 개선될 수 있습니다. 이 두 개의 네트워크를 기반으로 생성기 네트워크는 이미지를 생성하는 데 사용되며, 이 이미지는 랜덤 노이즈 z를 수신하고 G(z)로 표시되는 이 노이즈로 인해 그림이 생성됩니다. 판별자는 이미지가"진짜"아니면. 그것의 입력은 x이고, x는 그림을 나타내고, 출력 D(x)는 x가 실제 그림일 확률을 나타냅니다. 1이면 100% 정확한 그림을 의미하고 출력이 0이면 정확한 그림이 될 수 없습니다. 그러면 간 네트워크가 그림 2에 개략적으로 표시됩니다. x는 실제 데이터이며 정확한 데이터는 피데이터 (x) 분포를 따릅니다. Z는 잡음이 있는 데이터이며 잡음이 있는 데이터는 가우시안 또는 균일 분포와 같은 Pz (z) 분포를 따릅니다. 그런 다음 노이즈가 있는 z에서 샘플링을 하고 G를 통과한 후 데이터 x=G(z)를 생성합니다. 그런 다음 실제 데이터를 분류기 D에 공급하고 생성된 정보를 시그모이드 함수가 따라가며 출력은 다음을 결정합니다. 범주.

  ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ; 그림 2 간 네트워크 원리의 개략도

이미지-이미지 변환은 정렬된 이미지 쌍의 트레이닝 세트를 사용하여 입력 이미지와 출력 이미지 간의 매핑을 학습하는 것을 목표로 하는 비전 및 그래픽 문제 클래스입니다. 우리의 목표는 G(X)의 사진 분포가 적대적 손실을 사용하는 분포 Y와 구별할 수 없도록 G:X 매핑을 아는 것입니다. 이 매핑은 매우 제약이 없기 때문에 이를 역 매핑 F: Y →와 결합하고 순환 일관성 손실을 도입하여 F(G(X)) ≈ X(및 그 반대)를 푸시합니다. 수집 방법 변환, 개체 모핑, 계절 변환 및 사진 향상을 포함하여 쌍을 이루는 훈련 데이터가 존재하지 않는 여러 작업에 대한 정성적 결과가 제공됩니다. 가능한 한 서로 다른 특징 이미지를 포함하면서 유사하거나 유사한 장면을 선택합니다. 예를 들어 같은 장면에서 카메라가 더럽지만 더럽지 않습니다. 카메라에는 비가 내리는 사진과 비가 내리지 않는 사진이 있습니다. 훈련 결과에서 우리는 선택한 두 이미지가 위치에서 너무 다른 경우 포함된 다른 기능이 너무 많으면 훈련 효과와 이미지 생성 품질에 영향을 미친다는 것을 알 수 있습니다. 그리고 선택한 유사한 장면에서 생성된 이미지의 품질이 허용 가능한 경우 데이터 향상의 영향이 그림 3에 나와 있습니다.

  ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ;   ; 그림 3 데이터 세트 향상 효과

또한 이 백서는 데이터 세트를 확장하기 위해 오버샘플링 방법을 채택하고 YOLOV3 네트워크와 결합하여 데이터 향상 수단, 무작위 패킷 자르기, 무작위 뒤집기, 채도 변환 및 기타 작업과 함께 제공됩니다.  ;

데이터를 효과적으로 확장하여 알고리즘의 적응성을 높이고 실제 사용의 배포 단계에서 개체를 감지할 수 있는 더 높은 견고성을 제공합니다. 하지만 본 논문의 알고리즘에서는 좌우 활 각도를 구분하기 위해 임의 뒤집기 및 회전 스위치를 꺼두었다.

2.3 YOLOV3 네트워크 기반 인식 알고리즘 최적화

YOLOV3의 백본 부분은 저자의 다크넷53 구조를 사용하는데, CNN (컨벌루션 신경 회로망 )과 레스넷 (잔여 구조 회로망 )을 결합하여 기울기 소실과 기울기 폭발 문제를 해결할 수 있어 심층 신경망의 학습이 가능합니다. 또한 알고리즘은 후보 상자를 미리 계산할 필요가 없습니다. 그래도 클러스터링하고 9개의 클러스터와 3개의 스케일을 선택하고 이 9개의 클러스터를 이 3개의 스케일에 균등하게 분배하여 선험적으로 BondingBox를 얻습니다. 그러나 스케일 문제로 인해 욜로 알고리즘의 정확도는 특히 작은 표적 탐지에서 표적 인식 알고리즘 중 최고가 아닙니다. 고속을 유지하면서 YOLOV3 알고리즘의 탐지 정확도를 향상시키기 위해 YOLOV3의 백본을 수정했습니다. 구체적인 방법은 darknet53의 잔여 단위에 채널 어텐션 남동 모듈을 추가하는 것입니다. 변환 전후의 잔여 네트워크 단위 구조는 그림 4에 나와 있습니다.

  ;   ;   ;   ;   ;   ;   ;   ;   ;그림 4 수정 전과 후의 남동 모듈의 잔존 구조

남동 모듈은 짜내다 -그리고 -자극 Networks를 의미하는 SENet에서 왔으며, 이미지넷 2017 분류 대회 우승을 차지했으며, 효율성과 구현 용이성을 인정받았으며, 기존 네트워크 모델 프레임워크에 쉽게 로드할 수 있습니다. SENet은 주로 다음을 학습합니다. 채널 간의 상관 관계는 채널에 대한 관심을 필터링하여 계산을 약간 증가시키지만 효과는 더 좋습니다. Darknet의 백본 부분에는 총 23개의 잔여 모듈 단위가 있습니다. 이 논문에서는 원래 해상도 단위를 일부 잔차 단위에 대해 남동 -해상도 단위로 변환합니다. 중소 대상에 대한 YOLOV3 네트워크의 탐지 능력을 향상시키기 위해 변경한 잔차 단위도 이 두 가지에 있습니다. 남동 모듈에 의해 변환된 YOLOV3의 전체 네트워크 아키텍처는 그림 5에 나와 있습니다.

그림 5 YOLOV3 네트워크 구조 다이어그램

인식 네트워크 부분에서 YOLOV3는 업샘플링 및 크로스 레이어 캐스케이딩을 통해 세 가지 다른 스케일의 감지 결과를 출력함으로써 더욱 강력해집니다. 손실함수 설계 부분에서는 교차 엔트로피 손실함수로 목표 신뢰도, 카테고리, 위치를 한번에 학습하고 손실함수는 수학식 1과 같다.

3. 실험 결과 분석

3.1 티에누오 지능형 분석 서버 소개

기존 차량용 영상감시 시스템은 대부분 영상 모니터링 및 저장 기능만 있을 뿐 지능형 온라인 분석 기능은 없다. 이 백서의 하드웨어는 그림 6과 같이 산동 티에누오 지능적인 공동 .에서 개발한 온보드 지능형 분석 서버의 도움으로 구현됩니다. 호스트에는 Huawei의 자체 개발 다 빈치 아키텍처 일체 포함 스마트 칩 아틀라스 3000이 장착되어 있습니다. 대부분의 시나리오에서 혁신적인 분석 응용 프로그램에 대처하고 720p 비디오의 최대 16개 채널의 디코딩 및 지능형 분석 작업을 실현합니다. 그리고 테스트 결과를 실시간으로 운전실이나 정비사에게 전송하여 테스트 결과를 수동으로 검토하고 해당 안전 조치를 취할 수 있습니다. 이 논문은 단일 카메라 비디오 채널을 실행할 때 60fps의 계산 속도를 달성하기 위해 이 하드웨어를 사용합니다. 여러 비디오의 4채널 동시 분석은 또한 25fps의 계산 속도를 보장할 수 있어 다채널 비디오의 실시간 지능형 분석 요구를 실현할 수 있습니다.

그림 6 지능형 분석 서버 및 인터페이스 다이어그램

3.2 팬터그래프 상태 식별 결과

팬터그래프의 안전 상태를 감지하기 위해 본 논문은 정상 상태의 팬터그래프와 다양한 작업 조건에서 비정상 상태의 팬터그래프 모니터링 이미지를 포함하여 다양한 형태의 팬터그래프 사진 2388개를 포함하는 자체 팬터그래프 안전 상태 데이터 세트를 구성합니다. 레이블이 지정된 데이터 세트는 다크넷 프레임워크를 사용하여 학습되며 학습 프로세스는 그림 7에 나와 있습니다. 그림에서 학습 손실이 12000회 반복 후에도 안정적으로 유지되고 모델이 로컬 최적으로 떨어질 수 있음을 알 수 있습니다. 학습률은 20000 반복에서 한 번 조정되며 손실은 0.1 미만으로 떨어집니다. 20,000회 반복 이후의 계산 정확도 향상은 중요하지 않으며 해당 지도 플롯은 모델의 일반화 능력에서 약간의 손실을 보여줍니다. 학습 손실과 mAP를 고려하려면

그림 4 팬터그래프 안전 상태 식별 교육 프로세스

학습된 모델을 지능형 분석 호스트에 배포하려면 학습된 모델을 화웨이 다 빈치 아키텍처에서 지원하는 옴 형식으로 변환해야 합니다. 변환 프로세스에서 약간의 정확도 손실이 있지만 모두 허용 가능한 범위 내에 있습니다.

4. 개요 및 전망

본 논문은 YOLOV3 알고리즘을 사용하여 구조적 이상, 스파크, 이물질 침입 등 팬터그래프의 안전 상태를 실시간 영상 모니터링을 통해 감지 속도를 고려하면서 감지 정확도가 실시간 요구 사항을 충족하는지 확인합니다. 시간 분석. 팬터그래프 안전 검사에서 온보드 지능형 분석 시스템을 사용하기 위한 새로운 아이디어를 제공합니다.