基于深度学习的高铁电线杆及杆号检测与识别方法

面向高铁电线杆智能监测任务，提出一种基于YOLOv3的端到端的高铁电线杆自动检测及杆号识别算法。该算法首先对电线杆及杆号区域进行检测，并根据杆号区域检测坐标自动裁剪，然后识别杆号区域中的数字，最后将电线杆检测结果与数字识别结果自动结合。通过构建高铁电线杆图像数据集以及杆号区域数据集，进行大量实验。实验结果表明，我们提出的方法对电线杆及杆上编号的检测与识别准确率分别达到了97.50%、95.30%，能有效地完成高铁最优电线杆及杆号的自动检测任务。

在我国庞大的高铁电力系统中，大量的电线杆设备需要人员进行定期的巡检维护，但高铁线路交错复杂且地处偏远地带，因而可能长期处于无人值守状态。高铁上的电线杆是用来给电力机车供电的输电线路，属于高速铁路接触网。高速铁路接触网，是沿铁路线上空架设，向电力机车供电的输电线路。高铁列车运行利用的电流就是通过机车上端的接触网来输送的。接触网一旦停电，或列车电弓与接触网接触不良， 便会对列车的供电产生影响。

因此接触网的质量和工作状态将直接影响着高铁列车的运输效率。

由于接触网是露天设置， 没有备用， 线路上的负荷同时随着电力机车的运行而沿接触线移动和变化。

首先，如果能够借助于计算机视觉技术实现智能实时目标检测，那么高铁电力系统就能够极大地减少人力成本的投入，提升管理效率，同时这对于保证输电线路的正常工作有着非常积极的影响，并且对于电力机车的正常运转有着关键性的意义。其次，大量的数据使得数据存储存在大量的空间占用问题以及数据利用率低等问题，因此通过计算机视觉技术对最优电线杆图像进行自动检测并保存，可以大大减少非必要图像存储空间的占用，从而提升存储空间以及有效数据的利用率。

传统的目标检测算法，主要依赖于人工获取有关目标的特征信息，这需要极大的人工成本。随着深度学习的发展为计算机视觉带来了很大的突破。

传统的目标检测算法已经不能满足精度与速度上的要求。

基于深度学习的目标检测算法主要分为两大类：以YOLO 系列网络[1] [2] [3]为代表的One-stage 网络和以Faster RCNN [4]为代表的Two-stage 网络。

Two-stage 目标检测算法：R-CNN (Regions with Convolutional Neural Network Features)系列[4] [5] [6]，优点是检测精度高，但耗时长，不能满足实时检测的需求；One-stage 目标检测算法：SSD (Single Shot Multibox Detector)算法[7]、YOLO (You Only Look Once)系列[1] [2] [3]，一阶段目标检测模型都是端到端模型，端到端即将一幅图像输入到模型中，模型会直接输出在图像内识别到的目标的位置及类别。因此，一阶段模型在满足检测精度的同时，极大地减少时间损耗， 满足实时检测的需求，更适合应用于工业检测。

2017 年谢兴阳等人[8]利用无损检测技术对电线杆的健康状态进行评估， 提出了一种基于窄带频率激励和先进信号处理技术的新型电线杆无损检测技术系统。为了提升损伤检测的精度，该系统采用了频率响应函数方法以及主成分分析从单频应力波中提取信号特征，从而对电线杆的健康状态进行评估。2017