集电靴碳滑板缺陷检测方法研究

集电靴碳滑板缺陷检测方法研究

陈富

中车长春轨道客车股份有限公司，130062，吉林长春

摘 要：集电靴是电客车与第三轨接触的取流装置，在列车运行过程中会出现拉弧、烧伤等问题，导致碳滑板异常磨耗、发生破损和裂纹；严重时引起车辆断电，影响列车运行安全。通过对碳滑板缺陷检测方法进行研究，提出了一种集电靴缺陷检测系统，采用非接触式图像测量技术实现对全线列车的集电靴碳滑板磨耗计算，并结合YOLOV5目标检测算法对碳滑板进行定位，利用ShuffleNet V2神经网络模型对碳滑板破损和裂纹缺陷进行分类检测，结果表明，该方法能够快速准确识别碳滑板缺陷，为碳滑板的异常检测和更换提供可靠依据，保障列车运行安全。

关键词：集电靴、深度学习、目标检测、YOLOV5、ShuffleNet V2

The Detection Method of Exploration in Catenary Locator Device

Abstract: The collector shoe is a flow collection device for the contact between the electric bus and the third track, and there will be problems such as arc pulling and burns during the operation of the train, resulting in abnormal wear, damage and cracks of the carbon skateboard; When it is serious, it causes a power outage in the vehicle, which affects the safety of train operation. Through the study of carbon skateboard defect detection method, a collector shoe defect detection system is proposed, which uses non-contact image measurement technology to realize the calculation of carbon skateboard wear and tear of the collector shoe of the whole line train, and combines YOLOV5 target detection algorithm to locate the carbon skateboard, and uses ShuffleNet V2 neural network model to classify and detect carbon skateboard damage and crack defects, and the results show that the method can quickly and accurately identify carbon skateboard defects, providing a reliable basis for abnormal detection and replacement of carbon skateboard. Ensure the safety of train operation.

Keywords: Collector Shoe, Deep Learning, Object Detection, YOLOV5, ShuffleNet V2

1 引言

1

集电靴碳滑板缺陷检测方法研究

集电靴安装在车辆转向架上，是电客车与第三轨接触取流的集电装置。最早由SIEMENS和HALSKE公司联合研发，并在1879年柏林工业博览会上公开亮相，1890年英国伦敦建成世界上第一条接触轨供电的地铁，时速达到了174 km/h[1]。1971年，国内首条使用集电靴与接触轨供电的北京地铁1号线正式通车[2]，此后武汉地铁1号线[3]、广州地铁4号线[4]和上海地铁16号线[5]等相继建成接触轨取流线路，标志着接触轨供电方式已成为我国地铁牵引供电系统的重要组成部分。

集电靴与第三轨在取流过程中容易出现烧伤、拉弧等问题，目前国内对集电靴碳滑板缺陷检测研究较少，通过查阅相关文献，朱晓东[6]等人利用3D相机设计了一种集电靴碳滑板磨耗检测装置及磨耗检测方法，通过3台相机从不同方向计算碳滑板的厚度，确定碳滑板的磨耗量；但设备测量复杂，且未提出集电靴裂纹、破损等故障问题的解决方案。

针对集电靴碳滑板缺陷检测的现状及面临的问题，本文提出了一种集电靴缺陷检测系统方案，采用非接触式图像测量技术实现对全线所有列车的集电靴碳滑板磨耗计算，结合深度学习理论和图像处理算法设计了集电靴碳滑板缺陷检测方法，以期解决集电靴碳滑板磨耗和裂纹破损的问题，为集电靴碳滑板缺陷检测提供可靠的参考依据。

2 检测设备及方法

2.1集电靴缺陷检测系统

集电靴碳滑板的作用与受电弓类似，直接与取流装置进行接触，用于接触取流，如图2-1所示：

图2-1 集电靴碳滑板

在接触取流过程中会出现拉弧，缺损等问题，严重时会影响列车正常运行，通过嵌入式2D设备采集碳滑板图像，并通过图像处理算法对磨耗进行计算。

集电靴缺陷检测系统的组成如图2-2所示，由嵌入式2D、高清成像相机设备和嵌入式ARM组成。

图2-2 集电靴缺陷检测系统

其中顶部、侧面、底部高清成像设备用于集电靴的破损、裂纹检测数据采集；嵌入式2D用于集电靴磨耗数采集，该检测系统采用集成封装的方式，定点安装在车辆段出入库线路轨旁，方便安装和移动，不影响列车的正常运营。

2.2集电靴碳滑板磨耗计算方法

嵌入式2D成像数据如图2-3所示：

图2-3 嵌入式2D成像

通过嵌入式2D设备，从图像中提取碳滑板相关的光条，主要步骤包括：

（1）从2-3中提取碳滑板与集电靴底座光条信息；

图2-4 碳滑板光条提取

（2）寻找光条最低点，作为碳滑板边缘位置，记为；

（3）确定底座的边缘上的点，作为光条右侧最边缘处，记为；

（4）使用欧式距离计算公式计算与底座边缘的距离，记为；初始值可以通过集电靴安装时测量得出，该值为集电靴的初始磨耗值，记为；

（2-1）

其中为和的坐标值，表示当前测量的碳滑板到底座的距离值，如图2-5所示：

图2-5 磨耗值

（5）与之间的差值为当前的磨耗值，如公式2-2所示：

（2-2）

最终通过嵌入式2D设备，计算出碳滑板磨耗值。

2.3集电靴碳滑板破损、裂纹检测

集电靴在接触取流时，碳滑板可能出现破损和裂纹，如图2-4所示：

图2-6碳滑板裂纹破损

集电靴碳滑板表面出现破损和裂纹时，会影响列车正常运行，严重时会导致断电等重大故障，本文使用深度学习目标检测算法对集电靴碳滑板破损和裂纹进行检测。

主要步骤包括碳滑板定位和缺陷检测两部分。

2.3.1 碳滑板定位

使用YOLOV5目标检测模型[7]对碳滑板进行定位。由于现场使用环境较为复杂，集电靴附近存在较多的干扰信息，通过对集电靴碳滑板进行定位，再对碳滑板的缺陷进行检测可以降低误报情况。使用目标检测算法进行定位的主要步骤如图2-5所示：

图2-7 碳滑板定位

通过YOLOV5目标检测算法对碳滑板进行定位，确定缺陷位置区域。

2.3.2 碳滑板缺陷检测

使用深度卷积神经网络模型ShufflNet V2[8]进行碳滑板缺陷检测，ShufflNet V2网络是一种轻量级网络基本单元表示为下图2-8：

图2-8 ShuffleNet V2 Unit

ShuffleNet V2使用分组卷积（Group Conv）[9]、Depthwise Separable Convolution（DW Conv）[10]与1×1的卷积进行组合，加入平均池化（Avg Pool）进行降采样，在增加特征丰富度的同时，将参数进一步减少，本文将该网络作为碳滑板缺陷检测模型。

将使用目标检测算法定位后的图像作为ShuffleNet V2的输入，并以该图像进行训练和测试，获得最终的缺陷检测分类模型，通过YOLOV5+ShuffleNet V2相结合的方式完成对集电靴碳滑板破损和裂纹的缺陷检测。

3 结论

本文对集电靴碳滑板缺陷检测方法进行了研究，提出了一种非接触式图像测量技术，结合深度学习理论和图像处理算法设计了集电靴碳滑板缺陷检测方法，为集电靴碳滑板的缺陷检测提供可靠的参考依据，能够快速准确判断出碳滑板是否存在缺陷。后期将进一步拓展该检测方法的应用范围，对集电靴的螺母松脱等缺陷进行应用探究，为集电靴碳滑板的异常检测工作提供更加全面、准确的技术支持。

参考文献

[1]李鲲鹏, 黄德亮, 关金发,等. 集电靴与接触轨集电系统研究综述[J]. 都市快轨交通, 2018, 31(5):9.

[2]胡志强. 中国当代史的深邃记忆——北京地铁1号线的故事[J]. 工会博览, 2014(33):7.

[3]孟铁耀. 武汉轨道交通1号线钢铝复合接触轨[J]. 现代城市轨道交通, 2008(3):2.

[4]张爱明, 钟声标, 张晓良. 广州地铁综合检测车第三轨检测系统[J]. 现代城市轨道交通, 2013(6):4.

[5]王琰.上海地铁16号线列车受流器碳滑块磨耗及偏磨研究[J].中国科技纵横, 2017(3):3.

[6]朱晓东, 吴耿才, 蒋海滨,等. 一种非接触式集电靴碳滑板磨耗检测装置及磨耗检测方法.

[7]X Zhu, Lyu S , X Wang, et al. TP H-YOLOv5:Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios[J]. 2021.

[8]Ma N , Zhang X , Zheng H T , et al. ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design[J]. Springer, Cham, 2018.

[9]冯兴杰, 张天泽. 基于分组卷积进行特征融合的全景分割算法[J]. 计算机应用, 2021, 41(7):8.

Kaiser L,Gomez A ,Chollet F. Depthwise Separable Convolutions for Neural Machine Translation[J]. 2017.陈富，男，硕士研究生，高级工程师，研究方向为牵引供电

[10]

1