基于深度学习的隧道内漏缆卡具状态检测系统

     铁路隧道内通信网络的覆盖主要依靠通信漏泄同轴电缆(漏缆)完成，漏缆通常悬挂在隧道壁上，并由漏缆卡具固定。受隧道环境和列车运行的影响，卡具故障、脱落时有发生，严重威胁着运行安全。现存检测方法耗时耗力、且检测效率很低，随着人工智能时代的到来，基于深度学习的检测技术为隧道内漏缆卡具的状态检测提供了新思路。本项目依托高效的YOLOv5框架进行改进，加入Ghost卷积和深度可分离卷积来减少模型的运算量，并加入SE注意力机制避免精度的下降，创新性的提出了一种GS-YOLOv5隧道卡具检测算法。与其他模型相比，速度变化不大，但精度最优，尤其对损坏卡具的精度高达98.4%，具有明显优势。      在此基础上，本项目设计实现了基于深度学习的隧道卡具检测系统，该系统包括客户端识别模块、硬件检测设备、数据可视化平台以及管理模块，系统结构完整、分块合理，从数据采集到检测与识别结果自动化实现，准确高效，满足了实时检测需求，可为铁路信息化、智能化提供理论参考和技术支撑。      本项目主要工作流程为首先将CMOS高速摄像机采集的数据绘制成时空图，其次对时空图进行二值化处理并构建卷积滤波器去噪，然后使用垂直投影结合双标志位法纠错实现隧道边界的精准提取，最后用GS-YOLOv5算法对卡具进行检测、分类、标记故障，并及时将数据反馈到后端。硬件部分将检测模型部署到硬件上，进行现场实时检测，并将结果反馈到后端，后端对数据进行处理，随后将数据呈现给工作人员并通过管理系统进行人员分配与任务分配等。      (1) 客户端界面搭建：为了方便使用者识别方便，使用PYQT5搭建客户端识别界面，具备图片轮播，结果展示，识别等操作，将轮播、识别、进度条更新等操作。同时考虑客户使用感受，加入多线程处理，避免识别过程中因用户操作失误导致程序卡死的情况，并具备进度展示页面，提醒使用者检测进度，更加清晰明了。检测人员可根据需求查看特定路段的巡检图像，二次判断异常卡具状态。      (2) 数据可视化平台搭建：为了将检测后的结果更好的呈现给管理者，本项目设计数据可视化平台，包括人员展示、线路展示、卡具展示等信息，通过Echarts渲染，平台可同时调取同一路段的不同类别卡具状态的统计信息，并对卡具的损坏状态及变化趋势进行展示。后端根据需要信息编写接口，前端根据后端接口编写UI界面。      (3) 管理平台搭建：为了后续卡具维修工作有序开展，将数据展现给使用者，本项目搭建了管理平台，将人员信息、线路信息、卡具信息、部门信息、任务信息等可视化并允许工作人员进行相对应的处理操作，后端编写相对应的接口，前端通过请求后端接口调取数据并通过VUE渲染展示，实现对漏缆卡具综合巡检和集中管理。      (4) 硬件部署：由于软件检测会出现卡具图片分割的问题，导致漏检、误检的情况出现，本项目通过硬件系统设计进行补充，硬件使用的是jetson nano bo1主板搭配CMOS工业摄像头，可固定在检测车等载体上拍摄获得图像。显示器可用于检测过程和结果的展示。硬件在YOLOv5模型的基础上加入Deepsort追踪算法，避免同一卡具被重复识别，减少数据冗余。由于加入追踪算法后会导致检测速度变慢，再通过TensorRT对模型进行加速，检测速率达到45.5帧/秒，满足了实时检测的需求。      针对隧道漏缆卡具故障检测与识别的应用场景，采用软硬件结合的方法对检测方法进行完善。软件检测方面，搭建了卡具检测平台，卡具信息可视化平台，卡具维修人员管理平台，各平台数据互通共享，可及时同步更新。为避免软件图片检测过程中同一卡具被分割的问题，开发了硬件检测系统，结合Deepsort追踪算法，并使用TensorRT技术加快检测速度，可进行现场实时检测。整套检测系统包括客户端识别模块、硬件检测设备、数据可视化平台以及管理模块，系统结构完整、分块合理，从数据采集到检测与识别结果自动化实现，准确高效整套设备成本造价低，具有广阔的应用前景。