一種高鐵接觸網旋轉雙耳橫向銷釘不良狀態檢測方法與流程

2023-05-31 20:47:41 1

本發明涉及高速鐵路接觸網故障檢測領域，尤其涉及一種基於圖像處理的接觸網雙耳連接處和短斜撐上端連接處橫向開口銷不良狀態檢測方法。

背景技術：

為確保高速鐵路動車組運營秩序，提高其供電安全性、可靠性，滿足高速鐵路快速發展和運營品質的需求，我國構建了高鐵供電安全檢測監測系統(6C系統)，而利用非接觸式檢測設備對接觸網懸掛系統零部件狀態檢測是其中重要的組成部分。

開口銷在懸掛裝置中起固定和防護作用。由於長期運行過程中的振動疲勞或施工缺陷，使其產生脫落或開口角度不足等不良狀態，需及時採取措施對其檢測並進行安全隱患的排除。目前，基於圖像處理技術的檢測方法是接觸網故障檢測領域的發展趨勢，它克服了傳統人工檢測中工作量大、效率低、故障判斷相對滯後等困難。韓志偉闡述了非接觸式圖像檢測研究的最新進展和存在的不足，並指出接觸網銷釘缺陷問題亟待解決。楊紅梅研究了基於快速魯棒性特徵算法和灰度極小值分布規律對絕緣子不良狀態進行檢測。馮倩研究了結合形態學處理和Hough變換的受電弓滑板磨耗測量。韓燁採用基於SIFT(尺度不變特徵變換)理論的特徵點匹配算法定位雙耳和對比邊緣曲率檢測耳片斷裂。張桂南採用基於Harris角點與譜聚類實現了絕緣子的抗旋轉匹配和故障檢測。王旭東將Adaboost算法用於確定接觸網系統支柱特徵，進而實現定位器目標的識別。

目前接觸網零部件定位方法的不足主要表現在：特徵點匹配類算法時耗略長且匹配精度有待提高；Adaboost等分類器定位法的實質是將整幅圖像有重疊抽樣成數量較大的樣本，然後與標準部件匹配，實時性較差。由於開口銷在整幅接觸網支撐裝置圖像中微小且以耳片等相似灰度值的零部件為背景，檢測其缺失、開口角度不足等不良狀態存在較大困難。

技術實現要素：

本發明所要解決的技術問題是一種高鐵接觸網旋轉雙耳橫向銷釘不良狀態檢測方法，實現雙耳連接處和短斜撐上端連接處定位的準確性、開口銷脫落與張角不足故障的檢測。

為解決上述技術問題，本發明採用的技術方案是：

一種高鐵接觸網旋轉雙耳橫向銷釘不良狀態檢測方法，包括以下步驟：

步驟1：採用專用綜合列檢車對高速鐵路接觸網支撐及懸掛裝置進行成像，並將上行和下行的高清圖像分別存儲在兩個圖像庫中；

步驟2：對下行圖像庫處理，依據圖像中開口銷所在連接處和斜腕臂的線特徵實現橫向開口銷的初步定位；

步驟3：採用PBoW模型對初步定位圖片進行識別分類；

步驟4：開口銷的二次定位；包括：首先，根據雙耳連接處和短斜撐上端連接處的幾何特徵，分別實現開口銷粗略定位；其次，採用Hough圓檢測法對兩種粗略定位區域的圓環區域進行定位；

步驟5：開口銷的不良狀態檢測；包括：

步驟5.1：對二次定位的圓環區域採用Retinex法進行圖像增強；

步驟5.2：採用Canny算子對增強後的圖像進行邊緣檢測；

步驟5.3：將步驟5.2所得圖像經閉運算處理，將獨立的線段變為連通域邊界，再填充像素和小於25的聯通域；

步驟5.4：設S為步驟5.3中所得圓環面積，S1，S2...Sk為圓環內非連通域面積且大小依次遞減，其中k為圓環內非連通域數目，制定判據，判斷開口銷的缺失故障。

根據上述方案，所述步驟2具體為：

步驟2.1：使用Hough變換檢測圖像中的線段，Hough矩陣中標度軸θ和ρ分別表示直線與豎直方向夾角和與原點的距離，在Hough矩陣中提取45°-60°角度範圍內θ相同、ρ接近的一對峰值點，取這對峰值點對應線段作為所檢測到的斜腕臂兩側線段；

步驟2.2：設步驟2.1中提取的兩對峰值點的ρ值分別為ρ11、ρ12和ρ21、ρ22，對應斜腕臂的粗細分別為d1和d2，則有

根據已檢測到斜腕兩側的直線，確定斜腕的中軸線，將中軸線沿垂直各自斜腕方向分別向下平移0.8d1和0.8d2，得到由中軸線與平移線所圍的區域；該區域再經二值化、連通域篩選處理，得到連通檢測區域；

步驟2.3：對斜腕臂連通檢測區域檢測邊界，並進一步篩選出該區域的下邊界，對其自右上到左下，以10個像素為距離計算斜率，在斜率曲線中提取到垂直凸起處的特徵，進一步確定定位標定點；

步驟2.4：以標定點為左上原點，截取4d1×2d1和4d2×2d2局部雙耳連接處子圖，將截取局部子圖均縮放至128×64像素大小，用於後續的識別分類處理。

根據上述方案，所述步驟3具體為：

首先，對PBoW模型進行訓練，包括：

步驟3.1：對經等比例縮放為128×64像素大小的兩種初步定位圖像進行正方形滑動窗密集採樣；其中，窗寬l＝16，滑動間隔d＝8，每個窗包含4個8×8的單元格，計算每個單元格9個方向的梯度直方圖，形成4×9＝36維的HOG特徵向量；

步驟3.2：採用K-means聚類法將步驟3.1中所提取的滑動窗HOG特徵向量聚為n類，n即為詞典中單詞數目，每個聚類的中心向量表示一個單詞；

步驟3.3：將訓練圖像集化為兩層金字塔圖像，逐層對圖像各塊區域按步驟3.1中採樣過程，生成HOG特徵向量，將它歸屬為詞典中與其歐式距離最小的單詞；則得兩層圖像各區域單詞出現的頻次直方圖向量Hi,j，對應第i層圖像第j塊區域，將兩層圖像的Hi,j連接起來，生成二次特徵H為：H＝(H0,1 H1,1 H1,2 H1,3 H1,4)；

步驟3.4：採用H訓練SVM分類器，得到分類模型；

其次，進行PBoW模型測試過程，即將測試圖像重複訓練中的步驟3.3過程，生成二次特徵並輸入訓練好的SVM，完成短斜撐上端連接處和雙耳連接處初步定位圖的識別分類。

根據上述方案，在所述步驟4中，Hough圓檢測方法的具體過程為：

步驟4.1：採用Retinex法進行圖像增強；

步驟4.2：計算增強後圖像的梯度值，並得到投票累加矩陣，提取極大值點，確定螺釘的圓心坐標；

步驟4.3：設定Hough圓檢測的搜索半徑範圍，結合所得圓心位置坐標，從而檢測到螺釘底面和部分側面作為一個整體的圓，其半徑大小為r；

步驟4.4：所得圓心坐標結合截取粗定位區域時的原點坐標，在原初定位圖像中分割出內環半徑為r，外環半徑為2r的包含開口銷的圓環區域，實現了開口銷的二次定位。

根據上述方案，所述步驟5中的判據為：

若k＝1，S1/S≥0.98，則為脫落狀態；若k＝1，S1/S≤0.9，則為疑似鬆脫狀態；若k＝2，S1/S≥0.38，S2/S≥0.38，則為開口角度嚴重不足狀態；若k＝3，S1/S≥0.35，S2/S≥0.35，則為正常狀態。

與現有技術相比，本發明的有益效果是：

1、本發明直接通過圖像處理方法對高鐵接觸網雙耳連接處和短斜撐上端連接處的橫向銷釘的狀態進行檢測，給出客觀、真實、準確的檢測分析結果，克服了傳統人工檢測方法的缺陷。

2、本發明根據橫向銷釘所在螺釘的圓形特徵，將Hough圓檢測實現銷釘的精確定位，結果簡單有效。

3、本發明能有效地針對接觸網橫向銷釘的脫落和開口角度不足故障進行檢測，正確檢測率較高，簡化了故障檢測的難度。

附圖說明

圖1為本發明斜腕右下方的連接處及兩種銷釘圖。

圖2為本發明方法檢測處理流程圖。

圖3為本發明定位環單耳與斜腕的位置關係圖。

圖4為本發明支撐裝置及其Hough線檢測結果圖。

圖5為本發明Hough矩陣提取前10個峰值圖。

圖6為本發明斜腕臂檢測區域圖。

圖7為本發明斜腕臂1下邊界的斜率曲線圖。

圖8為本發明斜腕臂2下邊界的斜率曲線圖。

圖9為本發明雙耳連接處定位示意圖一。

圖10為本發明雙耳連接處定位示意圖二。

圖11為本發明含短斜撐的定位結果示意圖一。

圖12為本發明含短斜撐的定位結果示意圖二。

圖13為本發明PBoW模型對初定位圖片分類圖。

圖14為本發明一個滑動窗內的HOG特徵描述圖。

圖15為本發明短斜撐連接處的開口銷二次定位中開口銷粗定位。

圖16為本發明短斜撐連接處的開口銷二次定位開口銷粗定位區域。

圖17為本發明短斜撐連接處的開口銷二次定位Hough累加矩陣中提取極大值示意圖。

圖18為本發明短斜撐連接處的開口銷二次定位Hough圓檢測所得圓與圓心。

圖19為本發明短斜撐連接處的開口銷二次定位原圖中分割銷釘所在圓環。

圖20為本發明雙耳連接處的開口銷二次定位開口銷粗定位圖。

圖21為本發明雙耳連接處的開口銷二次定位粗定位區域。

圖22為本發明雙耳連接處的開口銷二次定位Hough累加矩陣中提取極大值示意圖。

圖23為本發明雙耳連接處的開口銷二次定位Hough圓檢測所得圓與圓心。

圖24為本發明雙耳連接處的開口銷二次定位原圖中分割銷釘所在圓環。

圖25為本發明開口銷狀態檢測處理過程圖。

具體實施方式

下面結合附圖和具體實施方式對本發明作進一步詳細的說明。

圖1為本發明斜腕右下方的連接處及兩種銷釘圖。白色框顯示初定位連接處的位置，白色圈表示橫向銷釘的位置，突出對如此細小部件檢測的難度較大。圖2為本發明方法檢測處理流程圖。

1、開口銷的初步定位

1)、首先，斜腕臂、斜撐等杆狀部分的邊緣呈現明顯的線段特徵，使用Hough變換檢測圖像中的線段如圖4所示。Hough矩陣中標度軸θ和ρ分別表示直線與豎直方向夾角和與原點的距離，由於斜腕臂的θ一般在45°-60°，且與其他杆狀物傾角差異明顯，則可在圖5的Hough矩陣中提取該角度範圍內θ相同、ρ接近的一對峰值點，取這對峰值點對應線段作為所檢測到的斜腕臂兩側線段。

2)、考慮如圖4中多斜腕臂無短斜撐情況，設步驟1)中提取的兩對峰值點的ρ值分別為ρ11、ρ12和ρ21、ρ22，對應斜腕臂的粗細分別為d1和d2，則：

根據已檢測到斜腕兩側的直線，可確定斜腕的中軸線，將中軸線沿垂直各自斜腕方向分別向下平移0.8d1和0.8d2，得到如圖4黑色中軸線與其平移白色線所圍區域。該區域再經二值化、連通域篩選處理，得到連通檢測區域如圖6。

3)、由斜腕臂與定位環單耳的位置關係如圖3，對斜腕臂連通檢測區域檢測邊界，並進一步篩選出該區域的下邊界如圖6深色邊界，對其自右上到左下以10個像素為距離計算斜率，所得對應曲線如圖7和圖8。由於下邊界非凸起處的斜率基本為定值，單耳垂直凸起處兩側斜率和與斜腕垂直的斜率接近，因此可在斜率曲線中提取到垂直凸起處的特徵，進一步確定定位標定點。

4)、以標定點為左上原點，截取4d1×2d1和4d2×2d2雙耳連接處局部圖如圖9和圖10所示。對含短斜撐情況的處理過程相同，但結果得到短斜撐上端連接處和雙耳連接處兩種局部子圖如圖11和圖12所示。然後將截取局部子圖均縮放至128×64像素大小，便於後續的識別分類處理。

2、PboW(Pyramid Bag of Word)模型識別初定位目標

利用PBoW模型識別初定位圖片過程如圖13。

1)、PBoW模型訓練過程步驟如下：

(1)、圖像特徵的提取與描述：對大量經等比例縮放為128×64像素大小的兩種初定位圖像進行正方形滑動窗密集採樣。窗寬l＝16，滑動間隔d＝8。每個窗包含4個8×8的單元格，計算每個單元格9個方向的梯度直方圖，形成4×9＝36維的HOG特徵向量，如圖14所示。

(2)、視覺詞典的生成：利用K-means聚類法將步驟(1)中所提取的滑動窗HOG特徵向量聚為n類，n即為詞典中單詞數目，設置為50。每個聚類的中心向量表示一個單詞。

(3)、兩層PBoW圖像的表示：將訓練圖像集化為兩層金字塔圖像，逐層對圖像各塊區域按步驟(1)中採樣過程，生成HOG特徵向量，將它歸屬為詞典中與其歐式距離最小的單詞。則可得兩層圖像各區域單詞出現的頻次直方圖向量Hi,j，它對應第i層圖像第j塊區域，是一個50維向量。將兩層圖像的Hi,j連接起來，生成二次特徵H為：H＝(H0,1 H1,1 H1,2 H1,3H1,4)

(4)、利用H訓練SVM分類器，得到分類模型。

2)、PBoW模型測試過程是將測試圖像重複訓練中的步驟(3)過程，生成二次特徵並輸入訓練好的SVM，完成短斜撐上端連接處和雙耳連接處初步定位圖的識別分類。

3、開口銷的二次定位

1)、首先根據短斜撐上端連接處和雙耳連接處的幾何特徵實現開口銷粗略定位，分別如圖15、圖16和圖20、圖21所示，該過程僅要求所得區域包含銷釘所在螺釘。

2)、兩種粗定位區域的圓環區域定位過程為圖17、18、19和圖22、23、24，處理步驟相同，以圖17、18、19為例說明如下：

(1)、針對開口銷小、暗和弱的特點，採用Retinex法進行圖像增強，突出邊緣信息。

(2)、計算增強後圖像的梯度值，並得到投票累加矩陣，提取極大值點，確定螺釘的圓心坐標如圖17中「*」標註。

(3)、設定Hough圓檢測的搜索半徑範圍。由於部件尺寸能粗略估計，搜索半徑最大值rmax和最小值rmin也可基本確定，本發明將rmax和rmin分別設為20和10。結合所得圓心位置坐標，能檢測到螺釘底面和部分側面作為一個整體的圓，其半徑大小為r，結果如圖18。

(4)、所得圓心坐標結合截取粗定位區域時的原點坐標，在原初定位圖像中分割出內環半徑為r，外環半徑為2r的包含開口銷的圓環區域，實現了開口銷的二次定位如圖19。

4、開口銷的不良狀態檢測

1)、圖25第一層為部件原圖，由於其材質顏色和汙垢的影響，使銷釘部分和背景的差異不明顯，因此對二次定位的圓環區域採用Retinex法進行圖像增強，能夠很好保持邊緣信息如圖25第二層。

2)、然後採用性能優良的Canny算子對增強後的圖像進行邊緣檢測如圖25第三層。

3)、閉運算能平滑對象輪廓，將缺口連接成細長的彎口，將步驟2)所得圖像經閉運算處理，能夠將獨立的線段變為連通域邊界，再填充像素和小於25的聯通域得到圖25第四層。

4)、設S為步驟3)中所得圓環面積，S1，S2...Sk為圓環內非連通域面積且大小依次遞減，其中k為圓環內非連通域數目，則可制定如下狀態判據：

(1)若k＝1，S1/S≥0.98，則為脫落狀態；

(2)若k＝1，S1/S≤0.9，則為疑似鬆脫狀態；

(3)若k＝2，S1/S≥0.38，S2/S≥0.38，則為開口角度嚴重不足狀態；

(4)若k＝3，S1/S≥0.35，S2/S≥0.35，則為正常狀態；

以上判據中閾值數據均為經驗取值，能夠較準確地判斷開口銷缺失故障。