本發(fā)明涉及工程圖像智能識(shí)別領(lǐng)域，具體為一種接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、由于接觸網(wǎng)的支撐裝置和懸掛裝置長(zhǎng)期處在露天環(huán)境中，受溫度、光照、大風(fēng)等自然因素影響，導(dǎo)致其主要零部件出現(xiàn)故障，使得接觸網(wǎng)供電系統(tǒng)存在隱患，例如吊弦不受力、零部件脫落（螺母脫落、鉚釘脫落、螺栓松動(dòng)、定位銷竄出）、零部件裂紋等，通過分析接觸網(wǎng)的故障統(tǒng)計(jì)情況可以發(fā)現(xiàn)，2c系統(tǒng)中存在的主要異常為吊弦異常和異物，4c系統(tǒng)中存在的主要異常為接觸網(wǎng)各類緊固件故障。但無論是2c系統(tǒng)還是4c系統(tǒng)，接觸網(wǎng)零部件相對(duì)于整幅圖像都是非常細(xì)微的。對(duì)于某一類零部件，在完整的系統(tǒng)圖像上直接進(jìn)行故障分析和檢測(cè)，是存在很大困難的。

2、目前的故障檢測(cè)方法可分為兩類：傳統(tǒng)方法和基于深度學(xué)習(xí)方法。基于深度學(xué)習(xí)法通過訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)(faster?r-cnn、yolo、gan等)學(xué)習(xí)零部件的特征，進(jìn)而完成故障分類。cn115731211a中公開了一種采用四級(jí)級(jí)聯(lián)架構(gòu)的接觸網(wǎng)緊固件故障檢測(cè)方法，該方法以改進(jìn)的r-fcn算法主干網(wǎng)絡(luò)為殘差網(wǎng)絡(luò)resnet-101，從殘差網(wǎng)絡(luò)resnet-101輸出的特征圖中，區(qū)域候選網(wǎng)絡(luò)根據(jù)錨生成一系列感興趣區(qū)域roi，這些感興趣區(qū)域roi被輸入到位置敏感的roi池化層中，兩個(gè)全局平均池化層分別用于產(chǎn)生每一類的分?jǐn)?shù)圖和邊界框的預(yù)測(cè)圖。

3、resnet殘差網(wǎng)絡(luò)通過殘差塊的堆疊，可以將網(wǎng)絡(luò)加深到幾十層甚至上百層，極大地提高了網(wǎng)絡(luò)的特征表達(dá)能力，并克服了過擬合，網(wǎng)絡(luò)退化等系列問題，但因接觸網(wǎng)零部件微小，其計(jì)算量大且復(fù)雜，且存在過擬合風(fēng)險(xiǎn)，殘差塊中的直接相加操作有時(shí)可能造成特征失真，且模型參數(shù)數(shù)量較多，增加了部署和存儲(chǔ)的成本。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中接觸網(wǎng)零部件故障檢測(cè)中resnet殘差網(wǎng)絡(luò)計(jì)算復(fù)雜且特征失真的問題，本發(fā)明提供一種接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法、系統(tǒng)、設(shè)備及介質(zhì)。

2、本發(fā)明是通過以下技術(shù)方案來實(shí)現(xiàn)：

3、一種接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法，包括以下步驟：

4、步驟1，建立以通道分組注意力網(wǎng)絡(luò)為主干網(wǎng)絡(luò)的故障分類模型；

5、步驟2，劃分已有的圖像集為訓(xùn)練集和測(cè)試集，針對(duì)測(cè)試集，利用故障分類模型學(xué)習(xí)零部件及其故障類型的數(shù)據(jù)分布，經(jīng)訓(xùn)練獲得最優(yōu)參數(shù)模型；

6、步驟3，以待測(cè)圖像為輸入，利用最優(yōu)參數(shù)模型進(jìn)行處理，獲取待測(cè)圖像的故障類型。

7、優(yōu)選的，步驟1中，通道分組注意力網(wǎng)絡(luò)將輸入的圖像按照通道分為個(gè)組，每組記為cardinal-，然后又將每個(gè)cardinal拆分成個(gè)，每一個(gè)記為split-，每個(gè)通道賦予不同的權(quán)重。

8、優(yōu)選的，步驟2中，已有的圖像集由按類別存儲(chǔ)圖像的文件夾組成，文件夾個(gè)數(shù)與類別數(shù)一致；每個(gè)類對(duì)應(yīng)一類正常零部件或者該零部件的故障類型。

9、優(yōu)選的，訓(xùn)練集和測(cè)試集的比例為2：1。

10、優(yōu)選的，步驟2中，最優(yōu)參數(shù)模型的獲取步驟為：

11、首先將導(dǎo)入imagenet訓(xùn)練好的權(quán)重參數(shù)，作為預(yù)訓(xùn)練模型；

12、將訓(xùn)練集的訓(xùn)練圖像輸入resnest50網(wǎng)絡(luò)進(jìn)行圖像特征的提取，獲取正常部件和故障部件的語(yǔ)義特征圖；

13、將正常部件和故障部件的語(yǔ)義特征圖輸入全連接層進(jìn)行處理，得到多維特征向量；

14、多維特征向量在softmax層利用softmax函數(shù)得出類別概率，最終輸出預(yù)測(cè)類別；

15、對(duì)預(yù)測(cè)類別和真實(shí)標(biāo)簽進(jìn)行損失計(jì)算，反向傳播優(yōu)化模型參數(shù)；

16、經(jīng)訓(xùn)練后，保存最優(yōu)參數(shù)模型。

17、優(yōu)選的，利用交叉熵對(duì)預(yù)測(cè)類別和真實(shí)標(biāo)簽進(jìn)行損失計(jì)算。

18、優(yōu)選的，步驟3中，將測(cè)試集的測(cè)試圖像讀入網(wǎng)絡(luò)提取圖像特征，獲取測(cè)試圖像的語(yǔ)義特征圖；隨后將特征圖輸入全連接層，處理之后得到多維特征向量，經(jīng)softmax層輸出預(yù)測(cè)類別。

19、一種接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析系統(tǒng)，包括數(shù)據(jù)獲取模塊、模型建立模塊、優(yōu)化模塊和測(cè)試模塊；數(shù)據(jù)獲取模塊用于劃分已有的圖像集為訓(xùn)練集和測(cè)試集；模型建立模塊用于建立以通道分組注意力網(wǎng)絡(luò)為主干網(wǎng)絡(luò)的故障分類模型；優(yōu)化模塊用于利用故障分類模型學(xué)習(xí)零部件及其故障類型的數(shù)據(jù)分布，訓(xùn)練獲得最優(yōu)參數(shù)模型；測(cè)試模塊用于以待測(cè)圖像為輸入，利用最優(yōu)參數(shù)模型進(jìn)行處理，獲取待測(cè)圖像的故障類型。

20、一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法的步驟。

21、一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法的步驟。

22、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

23、本發(fā)明一種接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法使用通道分組注意力網(wǎng)絡(luò)作為分類模型的主干網(wǎng)絡(luò)，提取圖像的深度語(yǔ)義特征，通過大量圖像的訓(xùn)練，學(xué)習(xí)零部件及其故障類型的數(shù)據(jù)分布，在測(cè)試階段對(duì)零部件實(shí)現(xiàn)精確的故障分類。

24、進(jìn)一步的，利用imagenet預(yù)訓(xùn)練的權(quán)重作為初始參數(shù)，大大縮短了模型訓(xùn)練時(shí)間，并通過微調(diào)使模型更快地適應(yīng)特定的零部件故障分類任務(wù)。

25、進(jìn)一步的，使用交叉熵?fù)p失函數(shù)和梯度下降算法進(jìn)行模型優(yōu)化，確保了模型在訓(xùn)練過程中的穩(wěn)定性和收斂性，進(jìn)一步提高了分類精度。

技術(shù)特征：

1.一種接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法，其特征在于，包括以下：

2.根據(jù)權(quán)利要求1所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法，其特征在于，步驟1中，通道分組注意力網(wǎng)絡(luò)將輸入的圖像按照通道分為個(gè)組，每組記為cardinal-，然后又將每個(gè)cardinal拆分成個(gè)，每一個(gè)記為split-，每個(gè)通道賦予不同的權(quán)重。

3.根據(jù)權(quán)利要求1所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法，其特征在于，步驟2中，已有的圖像集由按類別存儲(chǔ)圖像的文件夾組成，文件夾個(gè)數(shù)與類別數(shù)一致；每個(gè)類對(duì)應(yīng)一類正常零部件或者該零部件的故障類型。

4.根據(jù)權(quán)利要求1所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法，其特征在于，訓(xùn)練集和測(cè)試集的比例為2：1。

5.根據(jù)權(quán)利要求1所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法，其特征在于，步驟2中，最優(yōu)參數(shù)模型的獲取步驟為：

6.根據(jù)權(quán)利要求5所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法，其特征在于，利用交叉熵對(duì)預(yù)測(cè)類別和真實(shí)標(biāo)簽進(jìn)行損失計(jì)算。

7.根據(jù)權(quán)利要求1所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法，其特征在于，步驟3中，將測(cè)試集的測(cè)試圖像讀入網(wǎng)絡(luò)提取圖像特征，獲取測(cè)試圖像的語(yǔ)義特征圖；隨后將特征圖輸入全連接層，處理之后得到多維特征向量，經(jīng)softmax層輸出預(yù)測(cè)類別。

8.一種接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析系統(tǒng)，其特征在于，包括數(shù)據(jù)獲取模塊、模型建立模塊、優(yōu)化模塊和測(cè)試模塊；數(shù)據(jù)獲取模塊用于劃分已有的圖像集為訓(xùn)練集和測(cè)試集；模型建立模塊用于建立以通道分組注意力網(wǎng)絡(luò)為主干網(wǎng)絡(luò)的故障分類模型；優(yōu)化模塊用于利用故障分類模型學(xué)習(xí)零部件及其故障類型的數(shù)據(jù)分布，訓(xùn)練獲得最優(yōu)參數(shù)模型；測(cè)試模塊用于以待測(cè)圖像為輸入，利用最優(yōu)參數(shù)模型進(jìn)行處理，獲取待測(cè)圖像的故障類型。

9.一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法的步驟。

10.一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法的步驟。

技術(shù)總結(jié)
本發(fā)明涉及工程圖像智能識(shí)別領(lǐng)域，具體為一種接觸網(wǎng)故障分類的注意力網(wǎng)絡(luò)分析方法、系統(tǒng)、設(shè)備及介質(zhì)，該方法包括以下步驟：步驟1，建立以通道分組注意力網(wǎng)絡(luò)為主干網(wǎng)絡(luò)的故障分類模型；步驟2，劃分已有的圖像集為訓(xùn)練集和測(cè)試集，針對(duì)測(cè)試集，利用故障分類模型學(xué)習(xí)零部件及其故障類型的數(shù)據(jù)分布，經(jīng)訓(xùn)練獲得最優(yōu)參數(shù)模型；步驟3，以待測(cè)圖像為輸入，利用最優(yōu)參數(shù)模型進(jìn)行處理，獲取待測(cè)圖像的故障類型。本發(fā)明使用通道分組注意力網(wǎng)絡(luò)作為分類模型的主干網(wǎng)絡(luò)，提取圖像的深度語(yǔ)義特征，通過大量圖像的訓(xùn)練，學(xué)習(xí)零部件及其故障類型的數(shù)據(jù)分布，在測(cè)試階段對(duì)零部件實(shí)現(xiàn)精確的故障分類。

技術(shù)研發(fā)人員：張珹,王強(qiáng),甄繼文,張學(xué)武,金光,喬錦新,李慶軍,鄧波,梁英,范瑞棟
受保護(hù)的技術(shù)使用者：中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28