【CN110084852A】一种高铁接触网支撑装置套筒顶紧螺栓的精确定位方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201711008022.2(22)申请日 2017.10.25(71)申请人 西南交通大学地址 610031 四川省成都市二环路北一段111号西南交通大学科技处(72)发明人 刘志刚　陈隽文　刘凯　韩志伟　高仕斌　(74)专利代理机构 成都信博专利代理有限责任公司 51200代理人 王沙沙(51)Int.Cl.G06K 9/62(2006.01)G06T 7/00(2017.01)G06N 3/04(2006.01)(54)发明名称基于深度学习的高铁接触网支持装置紧固件故障诊断方法(57)摘要本发明公开了基于深度学习的高铁接触网支持装置紧固件故障诊断方法，包括以下步骤，步骤1：获取高铁接触网紧固件图像；步骤2：对步骤1获取的图像进行分类，形成紧固件的样本库；步骤3：搭建基于AlexNet的卷积神经网络结构，用步骤2中的样本库训练形成紧固件模型；步骤4：将需测试的图片输入步骤3中的紧固件模型，根据输出结果判断工作状态，完成故障诊断本发明可以检测多种坚固件的多种工作状态，对于不同环境复杂背景下的分类有着良好的效果。

权利要求书1页 说明书3页 附图2页CN 107742130 A 2018.02.27C N 107742130A1.一种基于深度学习的高铁接触网支持装置紧固件故障诊断方法，其特征在于，包括以下步骤：步骤1：获取高铁接触网紧固件图像；步骤2：对步骤1获取的图像进行分类，形成紧固件的样本库；步骤3：搭建基于的AlexNet的卷积神经网络结构，用步骤2中的样本库训练形成紧固件模型；步骤4：将需测试的图片输入步骤3中的紧固件模型，根据输出结果判断工作状态，完成故障诊断。

2.根据权利要求1所述的一种基于深度学习的高铁接触网支持装置紧固件故障诊断方法，其特征在于，所述步骤3中基于AlexNet的卷积神经网络结构包括五个可共享的卷积层和两个全连接层。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910358615.4(22)申请日 2019.04.30(71)申请人 扬州市金诺尔不锈钢有限公司地址 225600 江苏省扬州市高邮市城南新区车逻镇工业集中区(72)发明人 金传辉　金菘　(74)专利代理机构 南京申云知识产权代理事务所(普通合伙) 32274代理人 朱进(51)Int.Cl.B60M 1/24(2006.01)H04B 1/03(2006.01)(54)发明名称一种高速铁路接触网紧固件(57)摘要本发明涉及紧固件技术领域，且公开了一种高速铁路接触网紧固件，包括上固定块、下固定块、螺栓、垫圈和螺母，所述螺栓的顶面开设有凹槽，所述凹槽的内部固定安装有无线发射模块，所述无线发射模块的顶面且位于凹槽的内壁固定安装有顶盖，所述凹槽的底面开设有通孔，所述螺栓的底面且位于底部螺母的侧面固定安装有应变片。

该种高速铁路接触网紧固件，将螺母拧紧的时候垫圈受压发生弹性变形，在后续的使用过程中，能够不断对螺母与螺栓之间的螺纹连接施加挤压力，保证紧固的效果，双螺母之间的接触面均设置有防松凸块，拧紧后上下侧的防松凸块之间产生相互扣锁，保证螺母不发生转动，增强紧固效果，无需使用步骤的粘胶，便于拆卸。

权利要求书1页 说明书3页 附图4页CN 110126680 A 2019.08.16C N 110126680A权　利　要　求　书1/1页CN 110126680 A1.一种高速铁路接触网紧固件，包括上固定块(1)、下固定块(2)、螺栓(3)、垫圈(4)和螺母(5)，其特征在于：所述螺栓(3)的顶面开设有凹槽(301)，所述凹槽(301)的内部固定安装有无线发射模块(302)，所述无线发射模块(302)的顶面且位于凹槽(301)的内壁固定安装有顶盖(303)，所述凹槽(301)的底面开设有通孔(304)，所述螺栓(3)的底面且位于底部螺母(5)的侧面固定安装有应变片(6)，所述通孔(304)的内部且位于应变片(6)的底面螺纹套接有紧固螺钉(7)，所述紧固螺钉(7)的顶部且位于通孔(304)的内部固定安装有信号处理杆(8)，所述垫圈(4)的圆周外表面且位于螺母(5)的外侧固定套接有套筒(9)。

基于局部特征描述的高速铁路接触网斜撑套筒定位与故障检测陈隽文;刘志刚;韩烨;钟俊平【摘要】针对高速铁路接触网支撑装置斜撑套筒部件的螺钉松脱与脱落问题,提出一种基于采用局部特征描述的统计模式识别算法和螺钉灰度分布规律的图像检测方法.首先计算斜撑套筒部件正负样本的HOG特征,训练基于AdaBoost算法的级联分类器,实现接触网支撑装置图像中斜撑套筒部件的定位识别.为减少误匹配率,采用支持向量机分类器与AdaBoost分类器级联的方法完成目标的精确定位.对定位得到的斜撑套筒子图像利用Hough变换和边缘检测寻找分割直线分离螺钉和套筒,使螺钉可以被单独分析.实验表明,本文方法能够较准确地实现斜撑套筒2种不良状态的检测.%Aiming at detecting the loosening and falling off of screws on the diagonal tubes of the support devices of the Overhead Contact System (OCS) of high-speed railway,an image detection method was proposed based on the statistical pattern recognition algorithm based on local feature description and the grayscale distribution characteristics of the screw.Based on the calculation of the HOG characteristics of the positive and negative samples of the diagonal tubes,a cascade classifier was trained using AdaBoost algorithm to localize and recognize the diagonal tube components in the image of OCS support device.In order to reduce the false matching rate of detection,an SVM classifier cascaded behind AdaBoost classifier was trained to achieve the accurate location of the target.For the located diagonal tube sub-image,the Hough transform and edge detection were adopted to find the dividing line to separate the screws from the tubes so that these screws can be analyzed separately.Theexperimental results showed that the proposed method can detect two defective conditions of diagonal tubes accurately.【期刊名称】《铁道学报》【年(卷),期】2017(039)011【总页数】8页(P30-37)【关键词】斜撑套筒;HOG特征;级联分类器;灰度分布特征规律【作者】陈隽文;刘志刚;韩烨;钟俊平【作者单位】西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031【正文语种】中文【中图分类】U225.42在高速铁路接触网L型腕臂支持装置中，斜撑套筒双耳是重要的承力部件，为保证列车行车安全，该部件的施工质量有严格的要求［1］。

接触网基础地脚螺栓精准安装施工工法接触网基础地脚螺栓精准安装施工工法一、前言接触网基础地脚螺栓精准安装施工工法是一种用于铁路接触网建设的施工工艺。

接触网是铁路电气化系统的重要组成部分，而地脚螺栓是接触网设备的关键连接元件。

本文将介绍接触网基础地脚螺栓精准安装施工工法的特点、适应范围、工艺原理、施工工艺、劳动组织、机具设备、质量控制、安全措施、经济技术分析和工程实例。

二、工法特点接触网基础地脚螺栓精准安装施工工法具有以下几个特点：1. 精准定位：通过采用先进的测量和定位技术，能够精确地确定地脚螺栓的安装位置，确保施工的准确性和稳定性。

2. 高效快速：采用装配线作业模式，实现工序之间的无缝衔接，提高施工效率和节约人力资源。

3. 质量可控：通过严格的质量控制措施，确保地脚螺栓的安装质量符合设计要求，提高接触网设备的稳定性和可靠性。

4. 环保节能：工法采用先进的施工工艺和材料，能够减少能源消耗和环境污染，符合可持续发展的要求。

三、适应范围接触网基础地脚螺栓精准安装施工工法适用于铁路电气化工程中的接触网设备安装。

无论是新建工程还是改造工程，该工法都可以有效地应用。

四、工艺原理接触网基础地脚螺栓精准安装施工工法的工艺原理主要包括施工工法与实际工程之间的联系以及采取的技术措施。

首先，施工工法通过测量和定位技术获取地脚螺栓的准确安装位置，并采用装配线作业模式进行连续施工。

其次，施工工法采用专用工具和设备，确保地脚螺栓的准确安装，通过预压和加固措施提高地脚螺栓的承载能力和稳定性。

最后，施工工法通过严格的质量控制和安全措施，确保施工过程的质量和安全。

五、施工工艺接触网基础地脚螺栓精准安装施工工法包括以下几个施工阶段：1. 基础准备：进行现场勘测和土质分析，确定地脚螺栓的准确位置和基础建设要求。

2. 基础施工：进行基础开挖、钢筋成型和混凝土浇筑，确保地脚螺栓的基础稳定和安全。

3. 螺栓安装：进行地脚螺栓的定位和安装，采用专用工具和设备，确保地脚螺栓的准确安装和稳定性。

接触网支柱基础预埋螺栓安装定位施工工法接触网支柱基础预埋螺栓安装定位施工工法一、前言接触网是城市轨道交通系统中重要的线路设备，它起到供电、承载和传导电流的作用。

接触网支柱基础预埋螺栓安装定位施工工法是一种在施工中使用的安装定位技术，通过螺栓的预埋和定位来确保接触网支柱基础的牢固性和稳定性。

二、工法特点接触网支柱基础预埋螺栓安装定位施工工法具有以下特点：1.施工效率高：采用预埋螺栓的方法，避免了传统的现场钻孔、砌筑等工序，大大提高了施工效率。

2.施工质量好：通过预埋螺栓的定位，可以确保支柱基础的精准安装，保证了施工质量的可控性和稳定性。

3.节省材料：预埋螺栓方法减少了使用混凝土的量，减少了施工成本和材料的浪费。

4.便于维护：由于螺栓的预埋，接触网支柱基础的维护更加方便，可以快速更换损坏的螺栓，提高了设备的可维护性。

三、适应范围接触网支柱基础预埋螺栓安装定位施工工法适用于各种地质条件下的城市轨道交通线路接触网支柱基础的建设和改造。

四、工艺原理接触网支柱基础预埋螺栓安装定位施工工法基于以下工艺原理：1.螺栓的预埋：在基础浇筑前，在接触网支柱定位孔中预先安装螺栓，将其埋入地基深度，留出螺栓头部。

2.螺栓的定位：通过螺栓头部的设计和安装，实现接触网支柱基础的定位和固定。

五、施工工艺接触网支柱基础预埋螺栓安装定位施工工法的施工工艺包括以下几个阶段：1.基础准备：进行现场勘察和测量，确定支柱基础的布置位置和孔位。

2.螺栓制造：根据设计要求，制造出符合规定尺寸和材质的螺栓。

3.孔位准备：根据设计要求，在接触网支柱定位孔位上进行预埋螺栓的准备工作。

4.螺栓埋设：将预制好的螺栓按照设计要求埋设到定位孔位中，确保螺栓的垂直度和水平度。

5.螺栓定位：根据设计要求，通过螺栓的螺纹部分和安装头部，将支柱基础进行精确的定位和固定。

六、劳动组织接触网支柱基础预埋螺栓安装定位施工工法的劳动组织需要具备以下人员：1.施工负责人：负责施工的组织和协调工作。

高速铁路接触网定位装置固定方式研究发表时间：2019-09-19T17:21:13.690Z 来源：《当代电力文化》2019年第8期作者：李曌宇[导读] 分析高速铁路接触网定位装置固定的方式。

中铁电气化局京沪高铁维护管理公司,北京 100055摘要：接触网在电气化铁路运营的过程中发挥着重要的作用。

接触网为整个动车组提供直接的电力能力，也是最为重要的系统。

目前，高速铁路运行过程中所需要的电能都是由接触网提供的。

定位装置也在高速铁路接触网中发挥着重要的作用，甚至会直接决定着高速铁路的运行速度。

本文主要分析高速铁路接触网定位装置固定的方式。

关键词：高速铁路；接触网；定位装置；固定方式引言：高速铁路的维护和运营将会对铁路的发展有着重要的影响。

接触网系统一直都在铁路供电系统中发挥着重要的作用。

其中，定位装置将会对接触网系统的运行产生重要的影响。

内部的承力索和接触线将会在使用的过程中发挥重要的作用[1]。

但是，接触网内部定位装置的结构和规格型号都较多，会使得运营维护的过程变得非常不方便。

本文主要就高速铁路接触网定位装置的固定方式进行研究。

1高速铁路接触定位装置的概述目前，高速铁路接触定位装置不仅表现出明显的机械特性，而且也会和网络运行安全和流量质量有直接的影响。

不少定位装置不仅结构显得非常简洁稳定，而且内部零件的数量也较少。

不仅会表现出较高的防腐性能，且装配的过程也会比较方便。

目前，高速铁路接触定位装置可以在使用的过程中表现出如下几点特征：第一，定位装置本身强度较大，而且使用的过程中有很强的耐腐蚀性能。

一般采用轻型的合金材料就可以进行生产和制造。

第二，几乎所有高速铁路内部的定位装置都会表现出较高的灵活性，而且内部配合具有一定弹性性能的限位结构。

这样就能够防止接触线在某种情况下出现抬升的现象。

第三，高速铁路接触定位器都是采用的管式结构，可以防止在使用的过程中出现冲撞的现象。

2高速铁路接触网定位装置的结构整个高速铁路接触网内部的定位装置主要由定位管、定位器和定位线夹共同组成。

第37卷第3期2020年06月工程数学学报CHINESE JOURNAL OF ENGINEERING MATHEMATICSVol.37No.3June2020doi:10.3969/j.issn.1005-3085.2020.03.001文章编号:1005-3085(2020)03-0261-08高铁接触网支持装置紧固件识别与定位的深度学习方法张珹(中铁第一勘察设计院集团有限公司，西安710043)摘要:高铁4C检测系统可以获取接触网的大量图像，如何利用人工智能技术检测接触网支撑装置的紧固件松动、脱落、变形等故障，是一项迫切需要攻克的技术难题．由于紧固件在整幅图像中占比非常小，解决这一问题的可行方案是先对紧固件识别定位，然后对其进行图像分割，再识别其故障类型．本文提出一种改进的Faster R-CNN算法，可以准确地实现各种紧固件的识别与定位．具体的改进策略为在深度网络中引入一种基于SE模型的注意力机制，加强各通道对有效特征的提取，在Faster R-CNN中以GA-RPN替代RPN网络．实验结果表明，本文所提出的方法对接触网紧固件识别准确率达93.4%以上．关键词:接触网紧固件；识别与定位；深度学习；Faster R-CNN；注意力机制分类号:AMS(2010)97R40中图分类号:TP391.41文献标识码:A1引言高速铁路接触网是对电力机车提供动力的关键设备．接触网工作于露天环境，风吹日晒容易发生故障．为了保障行车安全，4C检测装置定期采集接触网高清图像，通过人工浏览的方式对接触网部件进行检查，发现其安全隐患．接触网绝缘子固定件、双套管连接件、套管座、定位环连接件和定位器支座等支持装置的紧固件，容易发生松动、脱落和变形等故障，是检测人员关注的重点对象．人工检测工作量大，检测周期长，且受个人情绪和责任心等因素的影响．如何利用人工智能技术，实现对高铁4C检测系统获取的接触网图像进行高效检测，是一项迫切需要攻克的技术难题．近几年来，一些研究者对高铁接触网图像检测进行了一些尝试．文献[1]提出了基于Hough变换、Canny算子和特征匹配(SURF和ORB)等特征提取技术对斜腕臂管帽和定位支座等部件进行故障检测的算法．这些算法通过人工设计检测特征，故障检测精度有限．AlexNet[2]网络出现之后，可以自动提取特征的卷积神经网络得到了快速地发展，一些分类性能优良的深度网络，如VGGNet[3]、Inception[4]等相继出现，并在图像分类工程中开始初步应用．随着Resnet[5]残差网络的提出，CNN向更深的网络迈进，收稿日期:2020-03-13.作者简介:张珹(1987年2月生)，男，硕士，工程师.研究方向：铁路电气化.基金项目:中国铁建股份有限公司2018年度科技重大专项高速铁路接触网系统智能监测技术研究(18-A02).262工程数学学报第37卷已经在深度学习领域显现出独特的优势．Girshick提出了基于CNN的R-CNN[6]网络，其核心是对图像中每个区域通过CNN提取特征，然后对区域进行SVM[7]分类和边框校准．Girshick等人在R-CNN和SPPNet[8]的基础上又提出了Fast R-CNN[9]，解决了R-CNN对每一个区域都进行特征提取而产生的冗余计算问题．进而，Girshick在2016年提出了Faster R-CNN[10]，通过使用RPN网络，将区域推荐阶段和CNN分类融合，实现了一个完全意义上的端到端的CNN目标检测模型．文献[11]基于Faster R-CNN，运用VGG16等特征提取网络对接触网悬挂目标、支柱号和定位器等部件实现检测，取得了较好的检测效果．接触网绝缘子固定件、双套管连接件、套管座、定位环连接件和定位器支座等支持装置的紧固件，尺寸很小，利用常规深度网络技术进行故障识别时，由于特征表达不明显，导致在区域推荐网络中分类困难，最终检测精确度不高．对于这类问题，本文提出两阶段解决方案：首先进行紧固件的识别与定位，将紧固件图像分割为小图片，然后对这些尺寸小的紧固件图像，建立故障识别的深度网络模型．基于这种思路，本文提出一种改进的Faster R-CNN深度网络算法，用于第一阶段对紧固件进行识别与定位．2引入注意力机制的目标检测网络设计本文提出的目标检测网络以Faster R-CNN为基础，使用ResNet50作为初始的特征提取网络，在ResNet50的残差模块中引入基于SE模型[12]的注意力机制，通过对网络模块特征图的每个通道进行赋权提取更有效的特征；同时对传统的RPN网络进行改进，引入GA-RPN[13]，在特征图进入区域推荐网络之后，对像素点进行分类，判断其是否可作为候选区域中心点；然后对区域中心点的边框信息进行回归操作．网络的整体结构如图1所示．图1:目标检测网络的整体结构2.1基于注意力机制的特征提取网络为了在特征提取时更关注有效特征，在通道维度加入注意力模块，其结构如图2所示．本文的注意力机制借鉴SE模型．首先对进入注意力模块的特征图F进行卷积操作，生成特征图F1,F1∈R H×W×C，注意力模块在通道维度关注输入特征图的有用部分，通第3期张珹：高铁接触网支持装置紧固件识别与定位的深度学习方法263过将特征图F1全局最大池化生成一维注意力图F max，为了得到每个通道最强的特征表示，全局最大池化后再经过共享的多层感知机(MLP)得到两个注意力的特征图，特征图元素按比例相加，经过Sigmoid函数激活生成权重特征图M,M∈R1×1×C，即为通道注意力特征图．其公式表示为M=σ1(MLP (F max)),(1)其中σ1为Sigmoid函数．将带有注意力的权重M加入网络，M与特征图F1进行元素相乘得到注意力模块输出特征图F2=M(F1)⊗F1.(2)图2:注意力模块鉴于残差网络在图像分类领域表现出优异的性能，本文在部件检测网络中使用残差网络．它由若干残差模块组成，每一个残差模块的结构如图3所示，x是该残差块的输入，F(x)表示残差块在第二层激活函数之前的输出，即F(x)=W2σ2(W1x)，其中W1和W2表示第一层和第二层的权重，σ2表示ReLU激活函数，最后残差块的输出为σ2(F(x)+x)．图3:残差块结构本文将注意力机制与残差网络结合，形成残差注意力网络．在每个残差块中，对残差块第二层的输出F(x)之后，接入一个注意力模块，形成残差注意力模块，最终输出为F r=σ2(x+F(x)⊗σ1(MLP(F(x)max))).(3)把残差注意力模块加入ResNet50网络中，构建新的残差网络注意力网络Attention-ResNet50作为特征提取网络．残差注意力模块结构如图4．264工程数学学报第37卷图4:残差注意力模块2.2GA-RPN借鉴Wang等人提出的GA-RPN方法[12]，改进传统的RPN网络，新网络包括两个分支：区域中心点预测分支和目标边界框回归分支，区域中心点预测分支主要对像素点是否为有用区域中心进行二分类，边界框回归分支对像素点回归生成边界框的尺寸信息．中心点预测分支的作用是针对像素点是否为有用中心点进行分类，在训练阶段，通过判断像素点是否处于相应类别人工标注的目标框的中心区域中，对特征点进行分类，划定阈值，筛选出相应的中心点(x i,y i)．首先，特征图F L输入区域推荐网络，进入区域中心预测点分支，特征图通过1×1卷积压缩到单通道，然后用Sigmoid函数对每个像素点计算得分，预测该特征图中每个像素点作为物体中心点的可能性．中心区域是一个与标注框形状相同的矩形，其大小比例可以根据实际情况确定．本文实验所用中心区域大小为人工标注框的1/4，图5为中心区域划定示意图．若某像素点落入人工标注的目标框的中心区域，分类为正样本；若落入目标框外，分类为负样本；落入标注框内的无效区域，舍弃，不参与计算．边框回归分支不同于RPN直接给出每个像素点固定的9个推荐框，而是直接对特征图所有像素点进行边框回归，预测每个位置的最优形状(W,H)，即与该像素点最近的人工标注框的IOU最大的形状．考虑到W和H的取值范围较大，所以先进行如下转化W=µ·S·e dW,H=µ·S·e dH,(4)其中S是步长，µ是经验因子(本文中取σ=8)．首先通过1×1卷积层产生通道为2的特征图，得到预测的dW和dH，然后经过逐元素转换层实现W和H的转化．由于可以预第3期张珹：高铁接触网支持装置紧固件识别与定位的深度学习方法265测任何形状的边框，所以对于极端形状的目标具有更好的效果．这部分使用绝对损失函数训练回归网络，将得到的预测框位置信息，结合有用区域中心点，筛选与人工标注目标框的IOU大于0.7的检测框作为候选区域，输出有用区域中心点的检测框．图5:中心区域划定示意图2.3候选区域所属类和精确位置与Faster R-CNN一样，在RPN中得到区域推荐信息之后，将感兴趣区域的坐标映射到特征图，得到了特征图上的边框坐标后，使用Pooling得到相同尺寸的特征图输出，ROI池化采用最大化方法将感兴趣区域内的特征转换为具有固定尺寸H×W的小特征图，然后通过全连接层映射到特征向量．之后对特征向量进行分类和回归操作，这两个操作的输出是最终目的，输出候选区域所属的类和候选区域在图像中的精确位置．具体过程如图6所示．图6:候选区域所属类和精确位置输出266工程数学学报第37卷3实验实验硬件环境：GPU卡为NVIDIA Tesla P100，16GB显存，3584个流处理器；主机CPU为Xeon E5-2664v4Gold，3.2GHz，16核．深度网络框架使用Pytorch1.1.0．3.1数据集选取4C检测系统采集的1935幅高分辨率接触网图像，图像分辨率为6600∗4400．数据集中包含绝缘子固定件、双套管连接件、套管座、定位环连接件和定位器支座等支持装置的5类紧固件，对每张图像进行了标注．类别使用one-hot编码．数据集采用VOC格式．训练集、测试集和验证集的比例为0.70:0.15:0.15．3.2紧固件识别与定位对本文构造的数据集，分别采用Faster R-CNN和本文改进的Faster R-CNN进行紧固件识别与定位．特征提取网络前者采用ResNet50，后者使用本文提出的Attention-ResNet50．区域推荐网络均为GA-RPN．试验中，经过超参数优化，学习率设置为0.02，区域推荐网络的IOU的阈值为0.7，batch size取2，优化方法使用SGD，动量参数设置为0.9，经过20次迭代，两种方法的精度对比见表1．本文提出的方法对紧固件识别效果如图7所示．图7:本文方法对紧固件识别效果图3.3实验结果分析从表1中本文方法与Faster R-CNN识别精度的对比可以看出，在几乎没有降低紧固件召回率的前提下，本文改进的方法对绝缘子固定件、双套管连接件、套管座定位环连接件和定位器支座的识别精度分别提高了3.2%、2.0%、2.2%、2.4%和2.8%．从表1还可以看出，本文提出的部件识别方法，对各种接触网紧固件的识别精度均达到了93.4%以上，这样的识别精度是在1935幅接触网图像数据集的70%样本上训练的深度网络模型得到的，如果采集更多的训练样本，接触网紧固件的识别精度还有一定的提升空间．第3期张珹：高铁接触网支持装置紧固件识别与定位的深度学习方法267表1:本文方法与Faster R-CNN的精度对比方法Faster R-CNN本文方法网络Resnet50Attention-ResNet50指标Recall Precision Recall Precision绝缘子固定件 1.00.9320.9970.964双套管连接件 1.00.9140.9990.934套管座 1.00.956 1.00.978定位环连接件 1.00.919 1.00.943定位器支座 1.00.909 1.00.9374结论本文针对高铁接触网紧固件的识别定位问题，在Faster R-CNN目标检测网络中引入注意力机制，提取了更有效的特征，同时引入GA-RPN，改进了原来的区域推荐网络RPN，这两种改进策略有效地提升了接触网紧固件识别效果．下一步将从4C系统采集更多的紧固件图像进行训练，进一步提升紧固件的识别精度．参考文献：[1]曾怡达，杨辉金，谭金练，等.基于特征匹配的接触网定位支座检测[J].机车电传动，2018,262(03):106-109Zeng Y D,Yang H J,Tan J L,et al.Detection of OCS positioning support based on feature matching[J].Electric Drive for Locomotives,2018,262(03):106-109[2]Krizhevsky A,Sutskever I,Hinton G.ImageNet classification with deep convolutional neural networks[J].Advances in Neural Information Processing Systems,2012,25(2):84-90[3]Simonyan K,Zisserman A.Very deep convolutional networks for large-scale image recognition[C]//Inter-national Conference on Learning Representations,San Diego,CA,2015:1-14[4]Szegedy C,Liu W,Jia Y,et al.Going deeper with convolutions[C]//2015IEEE Conference on ComputerVision and Pattern Recognition(CVPR),Boston,MA,2015:1-9[5]He K,Zhang X,Ren S.Deep residual learning for image recognition[C]//Computer Vision and PatternRecognition,2016:777-778[6]Girshick R B,Donahue J,Darrell T,et al.Rich feature hierarchies for accurate object detection andsemantic segmentation[C]//Computer Vision and Pattern Recognition,2014:580-587[7]Kazemi F M,Samadi S,Pourreza H R.Vehicle recognition using curvelet transform and SVM[C]//FourthInternational Conference on Information Technology:New Generations,Las Vegas,Nevada,USA,IEEE Computer Society,2007:516-521[8]He K,Zhang X,Ren S.Spatial pyramid pooling in deep convolutional networks for visual recognition[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2014,37(9):1904-1916[9]Girshick R.Fast R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision,2015:1440-1448268工程数学学报第37卷[10]Ren S,He K,Girshick R,et al.Faster R-CNN:towards real-time object detection with region proposalnetworks[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2015,39(6):1137-1149 [11]陈东杰，张文生，杨阳.基于深度学习的高铁接触网定位器检测与识别[J].中国科学技术大学学报，2017,47(4):320-327Chen D J,Zhang W S,Yang Y.Detection and recognition of high-speed rail catenary positioner based on deep learning[J].Journal of University of Science and Technology of China,2017,47(4):320-327[12]Hu J,Shen L,Sun G.Squeeze-and-excitation networks[C]//arXiv:1709.01507,2017[13]Wang J Q,Chen K,Yang S,et al.Region proposal by guided anchoring[C]//The IEEE Conference onComputer Vision and Pattern Recognition,2019:2965-2974Deep Learning Methods for Fastener Identification and Location of High Speed Railway Catenary Support DevicesZHANG Cheng(China Railway First Survey and Design Institute Group Co.,LTD,Xi’an710043) Abstract:The4C detection system of high-speed railway can obtain a large number of pic-tures of high-speed railway catenary.How to use artificial intelligence technologies to detect the looseness,dropping,deformation and other faults of catenary support devices is an urgent technical problem to be solved.Because the fasteners occupy a very small part of the whole im-ages,a feasible solution to the problem is to identify and locate the fastenersfirst,then segment them,andfinally identify the fault type of the segmented fasteners.Aiming at the problem of fastener identification and location,we propose an improved Faster R-CNN algorithm,which can accurately identify and locate various fasteners.The specific improvement strategy is to introduce an attention mechanism based on the SE model into the deep network,extract effec-tive features from each channel,and use GA-RPN instead of RPN in the Faster R-CNN.The experimental results show that the method proposed in this paper has a recognition accuracy of more than93.4%.Keywords:catenary fastener;identification and positioning;deep learning;Faster R-CNN; attention mechanismReceived:13Mar2020.Accepted:09May2020.Foundation item:China Railway Construction Corporation2018Major Science and Technology Special Project(18-A02).。

专利名称：高速铁路路基接触网基础地脚螺栓精确定位装置专利类型：发明专利
发明人：王永彬,安延伟,刘志如,郭大林,宋峰,陈阳阳,张广乐,齐胜,郭星亮,马良,刘承宏
申请号：CN201810418728.4
申请日：20180504
公开号：CN108457295A
公开日：
20180828
专利内容由知识产权出版社提供
摘要：本发明提供一种高速铁路路基接触网基础地脚螺栓精确定位装置，包括外模、定位钢板和调节丝杠；所述外模采用带肋3mm厚钢板制成；所述调节丝杠设置在外模的四周，用于固定和支撑外模；所述外模上方设有定位钢板，所述定位钢板分为上下两层，所述定位钢板通过接触网预埋螺栓固定在外模上。

本发明工作效率高，位置控制精确，能够使后续接触网立柱安装时一次性达到安装要求，确保了接触网基础预埋地脚螺栓的定位质量。

申请人：中铁三局集团有限公司,中铁三局集团第二工程有限公司
地址：030073 山西省太原市迎泽大街269号
国籍：CN
代理机构：北京汇信合知识产权代理有限公司
代理人：陈圣清
更多信息请下载全文后查看。

套筒是一种什么定位方法引言对于机械设计工程师来说，定位是一项非常重要的任务。

在许多机械装配中，需要将不同零件以精确的位置相互连接，以确保机械设备的正常运行和性能。

其中，套筒作为一种常用的定位方法，在机械设计中扮演着重要的角色。

什么是套筒套筒是一种将两个或多个零件进行定位连接的器件。

它通常由一个圆筒形的外壳和内孔组成，外壳通常是金属制成，内孔的直径与零件直接的直径相匹配。

套筒的设计思想是将一个零件的外侧与另一个零件的内侧完全套合，从而实现定位连接。

套筒可以应用于多个领域和行业，如汽车制造、航空航天、机械制造等。

它在提高装配精度、减小松动度、延长设备寿命等方面具有重要作用。

套筒的种类紧配套筒紧配套筒是指外壳和内孔之间存在着一定的间隙。

这种设计思路主要应用于要求高精度的装配中，例如汽车发动机的曲轴与轴承座的连接。

紧配套筒在装配之后，需要通过紧固螺栓或者液压设备来将零件与套筒紧密连接在一起。

紧配套筒的优点是定位精度高、稳定性好，可以有效地消除松动和误差。

然而，由于其装配和调整的难度较大，生产成本相对较高。

配合套筒配合套筒是指外壳和内孔之间存在一定的间隙，但没有达到紧配套筒的要求。

这种套筒常用于一些中低精度要求的装配中，例如机械设备的连接螺栓。

配合套筒的优点是装配和调整相对简单，生产成本较低。

但其定位精度相对较低，易受外部环境条件的影响。

紧定位套筒紧定位套筒是指外壳和内孔之间完全套合，形成紧密连接的装配方式。

这种套筒通常应用于一些对定位精度要求较高的装配中，例如机械齿轮的定位、传感器的安装等。

紧定位套筒的优点是定位精度高、稳定性好，能够实现部件的完全定位连接。

然而，其装配过程相对较为繁琐，不易进行调整。

套筒的使用流程套筒的使用流程通常包括以下几个步骤：1. 设计套筒的外形尺寸和内孔直径。

2. 制造套筒的外壳和内孔，保证其尺寸和质量。

3. 进行套筒的装配，将外壳和内孔相互套合。

4. 对套筒进行调整，确保零件的位置和角度满足要求。

第39卷第11期铁道学报Vol.39 No.112 0 17年11 月J O U R N A L O F T H E C H I N A R A L W A Y S O C E T Y November 2017文章编号：10018360(2017) 11-0030-08基于局部特征描述的高速铁路接触网斜撑套筒定位与故障检测陈隽文，刘志刚，韩烨，钟俊平(西南交通大学电气工程学院，四川成都610031)摘要：针对高速铁路接触网支撑装置斜撑套筒部件的螺钉松脱与脱落问题，提出一种基于采用局部特征描述的统计模式识别算法和螺钉灰度分布规律的图像检测方法。

首先计算斜撑套筒部件正负样本的H O G特征，训练基于A daB oost算法的级联分类器，实现接触网支撑装置图像中斜撑套筒部件的定位识别。

为减少误匹配率，采用支持向量机分类器与A daB oost分类器级联的方法完成目标的精确定位。

对定位得到的斜撑套筒子图像利用H o u g h变换和边缘检测寻找分割直线分离螺钉和套筒，使螺钉可以被单独分析。

实验表明，本文方法能够较准确地实现斜撑套筒2种不良状态的检测。

关键词：斜撑套筒；H O G特征；级联分类器；灰度分布特征规律中图分类号：U225.42 文献标志码：A doi：10.3969/j.issn.l001-8360.2017.1 1.005Location and Fault Detection of Diagonal Tube of Overhead ContactSystem of High-speed Railway Based on Local Feature DescriptionC H EN Junw en，LIU Zhigang，H A N Y e，ZH O N G Junping(School of Electric Engineering，Southwest Jiaotong University，Chengdu 6丄003丄，China)Abstract：Aiming at detecting the loosening and falling off of screws on the diagonal tubes of the support devices of the Overhead Contact System (OCS)of high-speed railway，an image detection method was proposed based on the statistical pattern recognition algorithm based on local feature description and the grayscale distribution characteristics of the screw.Based on the calculation of the HOG characteristics of the positive and negative samples of the diagonal tubes，a cascade classifier was trained using AdaBoost alg nize the diagonal tube components\n the image of OCS support device.In order to rate of detection，an SV M classifier cascaded behind AdaBoost classifier was trained to achieve the accurate lo­cation of the target.For the located diagonal tube sub-image，the Hough transform and edge detection were a­dopted to find the dividing line to separate the screws from the tubes so that these screws can rately.The experimental results showed that the proposed method can detect two defective conditions of diago­nal tubes accurately.Key Words：diagonal tube;HOG feature;cascade classifier；grayscale distribution characteristics在高速铁路接触网L型腕臂支持装置中，斜撑套筒双耳是重要的承力部件，为保证列车行车安全，该部 件的施工质量有严格的要求[1]。

第18卷第3期铁道科学与工程学报Volume18Number3 2021年3月Journal of Railway Science and Engineering March2021 DOI:10.19713/ki.43−1423/u.T20200441基于深度学习的高铁接触网顶紧螺栓的缺陷检测罗隆福，叶威，王健(湖南大学电气与信息工程学院，湖南长沙410012)摘要：针对高铁接触网顶紧螺栓目标小、缺陷检测困难的问题，提出一种基于深度学习的顶紧螺栓缺陷检测方法。

根据4C检测车拍摄的高铁接触网图片(大小为6600*4400pixels)，首先对特征信息更多的斜撑套筒进行定位，采用TDM模块与SSD相结合的算法提升算法对小目标的检测精度，并通过改变默认框的尺寸以得到更好的检测精度和速度；然后利用DeepLab v3plus算法对顶紧螺栓部分进行语义分割；最后提出一种阈值法对顶紧螺栓的缺陷情况进行判别。

为满足实际工程的速度需求，对训练好的模型进行优化。

实验结果表明：相较于经典的SSD，本文改进的SSD方法对斜撑套筒的定位精度和速度都有提升；对于6600*4400pixels的原始样本，本文提出的顶紧螺栓缺陷检测方法精度上达到95.9%，速度达到17.9fps。

关键词：顶紧螺栓；缺陷检测；SSD；TDM；语义分割中图分类号：U225.42；TP391.4文献标志码：A文章编号：1672−7029(2021)03−0605−10Defect detection of the puller bolt in high-speed railway catenary based on deep learningLUO Longfu,YE Wei,WANG Jian(School of Electrical and Information Engineering,Hunan University,Changsha410012,China)Abstract:To deal with the defect detection of the puller bolt in the high-speed railway catenary,a new method based on Deep Learning was proposed to detect the detects of puller bolts.The high-speed railway catenary images(size is6600*4400pixels)were taken by the4C inspection vehicle.Firstly,the slanting sleeve with more characteristic information was located,and the detection precision of the small target was improved by using the TDM module and the SSD Algorithm,got a better detection accuracy and speed by changing the size of the default box.Then,using the DeepLab v3plus algorithm to complete the semantic segmentation of the Bolt Part. Finally,a threshold value method was proposed to judge the defects of the Bolt.The trained model was optimized to meet the actual engineering pared with the classical SSD,the improved SSD can improve the precision and speed of the positioning of the diagonal sleeve.For the original sample of6600*4400Pixels, in this paper,a method for detecting the defects of Jacking Bolts was presented,which has the precision of95.9% and the speed of17.9fps.Key words:puller bolt;defect detection;SSD;TDM;semantic segmentation收稿日期：2020−05−20基金项目：国家自然科学基金资助项目(51707060)通信作者：罗隆福(1962−)，男，湖南常德人，教授，博士，从事铁路接触网方面的研究；E−mail：***********.cn铁道科学与工程学报2021年3月606高铁接触网中的斜撑套筒是高铁接触网支撑装置的重要组成部件，对列车的运行以及弓网的正常供电起到了重要作用[1]。