《Array》：Intelligent detection method of contact wire dropper clamp dislodgement based on geometric characteristics
编辑推荐：
接触线吊弦线夹脱出检测对于铁路系统安全至关重要。现有的深度学习方法受到拍摄角度、光照变化以及缺陷区域像素比例小等因素的限制，在准确性和罕见缺陷检测方面存在不足。研究人员提出了一种改进的Segment Anything Model 2 (SAM2)框架。首先，用
接触线吊弦线夹脱出检测对于铁路系统安全至关重要。现有的深度学习方法受到拍摄角度、光照变化以及缺陷区域像素比例小等因素的限制，在准确性和罕见缺陷检测方面存在不足。研究人员提出了一种改进的Segment Anything Model 2 (SAM2)框架。首先，用小波卷积（WTConv）块替换特征金字塔网络（FPN）中的标准卷积，以增强对复杂光照变化的特征提取鲁棒性。其次，引入极化交叉尺度注意力（PCSA）模块，以聚焦于线夹区域有限的像素比例。为进一步解决识别微像素脱出的挑战，集成了高斯差分（DoG）方法以提供显著的边缘信息，辅助SAM2进行精确定位。最后，通过扫描方法和双逻辑合成确定脱出状态。实验结果表明，改进方法的分割平均交并比（mIoU）达到93.1%，脱出检测率达到91%。该工作为在复杂环境条件下识别线夹脱出提供了一种鲁棒解决方案，对接触线吊弦线夹缺陷检测这一特定领域做出了重要贡献。
**论文解读：基于几何特征的接触线吊弦线夹脱出智能检测方法**
**研究背景与问题**
接触网系统是高速铁路牵引供电的核心，其稳定性直接影响列车运行安全。吊弦线夹（dropper clamp）是连接接触线（contact wire）与承力索的关键部件，但长期运行振动、材料疲劳或外部冲击易导致其脱出（dislodgement），从而引发接触线几何参数异常、弓网接触不良、电弧甚至断线风险。传统人工巡检耗时费力且易漏检，而现有深度学习方法受限于拍摄角度、光照变化及缺陷区域像素占比极小等问题，尤其在罕见缺陷检测中精度不足。此外，现有研究多聚焦于大尺寸部件（如吊弦），对像素级线夹脱出的精准分割和识别仍面临挑战。为此，研究人员提出一种结合几何特征与改进SAM2的智能检测方法，旨在提升复杂环境下脱出检测的鲁棒性和准确性。该论文发表在《Array》。
**关键技术与方法**
研究人员采用基于改进SAM2（Segment Anything Model 2）的框架，核心包含三个技术模块：1）小波卷积（WTConv）模块，替换FPN（Feature Pyramid Network）中的标准卷积，通过频域分解增强对复杂光照变化的鲁棒特征提取；2）极化交叉尺度注意力（PCSA）模块，融合多尺度信息以聚焦线夹接触区域的细微像素特征；3）高斯差分（DoG）边缘检测方法，提供边缘显著信息辅助SAM2掩码解码器精确定位脱出边界。此外，采用自底向上的逐行扫描策略（BRSS）提取线夹底部直线与接触线顶部直线，并通过双逻辑判断（角度阈值与长度比例阈值）识别脱出状态。数据来源为4C检测设备在高速铁路线路上采集的4000张接触线吊弦线夹图像，其中300张脱出图像作为测试集。
**研究结果**
**1. 改进方法的对比评估**
- **小波卷积评估**：与AdditiveBlock、ODConv、SHSA、RepConvBlock等模块相比，WTConv在参数量（75.2M）和模型大小（209MB）最小的同时，将F1-Score提升至94.1%，mIoU（平均交并比）提升至91.8%，均优于其他模块。可视化显示，WTConv显著扩大了模型在接触区域感受野的覆盖范围，并有效抑制了光照干扰和无关区域误分割。
- **极化交叉尺度注意力评估**：与MHSA、LSA、SSA等注意力机制相比，PCSA在参数量（81.3M）相近的情况下，F1-Score达93.8%，mIoU达91.5%，且能更好地区分脱出状态下的接触线-线夹接触点，而原始SAM2在脱出状态下无法有效分割。
- **边缘提取方法评估**：与Canny、Sobel、Laplacian、Roberts相比，DoG方法在精确率（0.72）、召回率（0.88）和F1-Score（0.82）上综合最优，且保留了边缘灰度响应强度，有利于后续直线质量评分，同时避免了Canny复杂的非极大值抑制和滞后阈值步骤。
**2. 消融实验与模型对比**
- **消融实验**：同时集成WTConv、PCSA和DoG的WP-SAM2模型，与原始SAM2相比，F1-Score提升1.3%（达94.9%），mIoU提升1.9%（达93.1%），参数量减少至78.6M，模型大小降至211MB。在BRSS直线提取方法下，WP-SAM2(+DoG)在25张脱出图像中检测出24张含两条直线，F1-Score达0.94，准确率达0.94，显著优于HQ-SAM、Grounded SAM等组合。
- **与其他分割模型对比**：与RITM、FocalClick、SOLOv2、Mask2Former、HQ-SAM、Grounded SAM等相比，WP-SAM2在参数量（78.6M）和模型大小（211MB）上最小，推理时间（64ms）接近原始SAM2，且F1-Score（94.9%）和mIoU（93.1%）均最高。在极端光照或严重遮挡条件下，模型性能显著下降（mIoU分别为58.3%和39.5%），表明泛化能力受限。
**3. 双逻辑脱出判断验证**
在300张脱出图像测试集上，最优角度阈值设定为5°，最优比例阈值设定为0.03。第一阶段角度判断检测出219张脱出图像，第二阶段长度比例判断补充检测出105张，总计检测出324次脱出（部分图像可能同时满足两个条件），整体脱出检测率达91%。不同状态示例显示，当角度为0且比例小于0.03时判定正常，反之则判定脱出。
**总结与讨论**
研究人员提出了一种基于几何形态特征的接触线吊弦线夹脱出检测方法，融合深度学习、几何特征与传统边缘检测。改进的WP-SAM2模型在分割任务中mIoU达93.1%，显著优于现有模型，这得益于WTConv和PCSA模块的引入，使模型能高效准确地分割复杂场景下的目标区域。结合DoG边缘提取、自底向上扫描策略和双逻辑判断，脱出检测率达91%。然而，数据集多样性不足导致极端天气下检测能力受限，模型泛化能力仍有局限。尽管如此，该方法在常规铁路巡检中表现出色，为接触网系统自动化缺陷检测提供了可靠技术支撑。未来研究将致力于轻量化模型与先进边缘检测算法，以部署于边缘设备，并探索端到端线夹识别，推动自动化缺陷检测技术发展。
