试论高铁接触网鸟窝检测识别方法

武斯全，田震，廖开沅，徐嘉勃

（北京交通大学计算机与信息技术学院，北京 100044）

高速铁路接触网是指沿着铁路干道在其上方所搭设的为来往列车输送电能的特殊供电线路。随着中国铁路的高速发展以及运营里程的快速增长，有关于高速铁路接触网的安全问题日益突出。其中，由于铁路周围鸟类活动而引起的关于接触网安全事故频频发生。为减少接触网上鸟窝搭建鸟类停留所造成的不良影响，主要还是采用结构优化、封堵以及驱赶等方式进行防护，此外，类似视觉惊吓法这样的民间防治方法也因其操作方便、资金较低的优点而被采用。由于接触网的位置较为分散，异物位置并不固定，所以单一依靠人工巡检的方式存在高成本及低可靠性等缺点。目前主要采用视频分析技术从而对接触网入侵异物进行检测的方法，但这项工作仍然需要有人工的参与并且具有较差的实时性。为改进高速铁路接触网的智能识别技术，提高检测效率，本文提出了一种新的高铁接触网鸟窝识别算法。

1 基于级联神经网络的接触网鸟窝检测模型

1.1 模型概述

针对接触网鸟窝的体积较小，缺乏显著的形状和纹理特征，采用已有的人工设计特征对条纹图像进行分类难以得到理想的结果。对此，深度学习提供了一种可行的解决方案，YOLO神经网络作为一种常见的目标检测网络具有强大的检测性能。本研究利用两级预测网络级联的检测网络进行接触网鸟窝检测，采用YOLOv3-SPP网络结构作为分级检测器。当目标物体形体微小或者样本较少，同时环境样本较多时，用一级网络先训练检测兴趣域，扩大目标的检测比例，这样使无关样本也能提升目标的检测概率。然后用第二级网络训练识别待测物体，这样即便只有很少的样本数据也能有不错的检测效果。

模型流程图如1。

图1 级联模型检测流程简图

1.2 模型重要参数

YOLOv3采用K-means聚类方法得到先验框的尺寸，并且为每种下采样尺度设定3种不同大小的先验框，一共聚类出9种尺寸的先验框。当输入图像的分辨率是416×416时，得到的9个先验框在不同大小的特征图上的分配如表1所示。

表1 特征图与先验框

直接使用YOLO网络进行接触网鸟窝的检测效果并不理想，因为鸟窝在图片中占比很小，导致大量的网格进行无效运算，浪费计算资源。第二级Yolo网络以第一级网络预测的兴趣域子图像集作为输入，对子图集进行YOLO级联检测，其本质为网格的二次划分，尽可能地在训练过程中增大边界框的IOU来提高训练的准确度并且进行尽可能多的有效计算。

在接触网鸟窝的数据集中，带有鸟窝标注的样本数据集很少，大部分图片不含鸟窝。但兴趣域数据集样本数量极大，与待测物体鸟窝无关的兴趣域对鸟窝的分布具有信息增益，兴趣域的训练增益可以增高整体检测器的精度。检测器的精度由第二级检测器的精度决定，第一级检测器起到了物体放大的作用，第二级检测器在兴趣域中检测待测物体鸟窝，物体的平均IoU值明显大于单级检测器，检测器的检测精度可以预期会明显提高。

2 实验验证

2.1 实验环境

本研究内容的实验硬件环境为英特尔Core i9-10900K处理器主频3.70GHz，内存为64GB，Nvidia GeForce RTX 3090显卡；实验软件环境为Win10专业版，Python3.8，Pytorch1.7.1，CUDA 11。

2.2 模型评价指标

通过正确预测的样本数与总预测样本数的比值来反映预测的准确率，准确率越高，说明检测模型越精确。而检出率率是指正确预测的样本数与真实样本总数的比值，检出率越高，说明检测模型越可靠。

为了实现实时检测，在保证模型具有比较高的检测精度的同时，还要尽可能提高模型的检测速度。一般使用每秒内处理图像的数量（秒帧率FPS）反映检测速度的快慢，对于单网络检测器，其检测速度为检测网络处理图像的速度；而对于级联网络，第二级网络的输入要求第一级网络具有输出。

2.3 接触网鸟窝检测

第一级检测器的数据集为3900张图片，使用Faster R-CNN、YOLOv3-spp、YOLOv4等基于深度学习的目标检测算法对铁路沿线的兴趣域进行识别训练。

第二级检测器的数据集为130张图片，使用Faster R-CNN、YOLOv3-spp、YOLOv4等基于深度学习的目标检测算法对逆向推理算法得到的兴趣域中的鸟窝进行识别训练。

（1）直接检测

当数据集规模较小时，无论YOLO系列等two-stage算法还是Faster R-CNN等one-stage算法，均对小目标物体的识别能力有限，并且接触网鸟窝形体特征较为单一，难以与环境样本区分，具有很大的训练难度，在测试集很难有较好的表现。

YOLOv3-spp，YOLOv4与Faster R-CNN等识别检测模型进行识别，结果如表2。

表2 不同目标检测算法直接检测性能对比

由表1可以看出，无论是YOLO系列等two-stage网络还是Faster R-CNN等one-stage网络，当鸟窝数据集较少且体积较小、形体特征单一时，网络的学习效果不佳，难以学习到鸟窝存在的整体性特征，均无法准确地标注出铁路沿线接触网的鸟窝。

（2）级联检测

对测试集126张图片共210个鸟窝进行检测，使用不同的第一级检测器检测兴趣域，测试第二级检测器的检测性能，采用第一、二级检测器串行计算，第二级检测器并行检测的计算方法。

其检测结果如表3。

表3 不同目标检测算法级联检测性能对比

由表2结果可以看出，三种检测模型级联结果的最差检出率为84.68%，仍然高于直接检测的最好结果77.48%。级联网络识别，通过第一级网络诱导识别先验的兴趣域，而第二级在兴趣域中识别待测物体鸟窝，兴趣域中鸟窝的分布情况较为单一，可以减少其他环境样本的干扰，提高了鸟窝的区分度，降低训练的难度。因此，级联网络对第二级待测物体的数据集规模依赖较小，只需要很少的图片就可以学习到兴趣域中鸟窝的分布特征。

3 结语

本研究针对高速铁路接触网异物入侵提出了一种基于机器视觉的解决方法。基于人工先验找出鸟窝可能存在的兴趣域，在第一级检测器中实现对兴趣域的定位检测，大幅缩小异物目标检测的搜索范围。然后，使用第二级检测器检测兴趣域中的鸟窝位置。在鸟窝数据集较少的情况下，检测器级联了两个one-stage检测模型，发掘不同阶段检测算法的可并行性，实现了高速铁路接触网上鸟窝的快速准确检测。