一种高铁接触网斜撑套筒部件螺钉不良状态检测方法与流程

本发明涉及高速铁路接触网故障检测领域，尤其涉及一种基于图像处理的接触网斜撑套筒螺钉不良状态检测方法。

背景技术：

在高铁接触网L型腕臂支持装置中，斜撑套筒双耳是重要的承力部件，为保证列车行车安全，该部件的施工质量有严格的要求。对于顶紧螺栓式套筒双耳，螺钉是重要的紧固件。列车长期运行时产生的震动或施工缺陷可能导致套筒螺钉出现松动或脱落等不良状态，使得腕臂的承力能力降低，接触网机械强度下降，增加发生事故的可能性。原铁道部颁布的4C系统技术规范，包含对接触网的悬挂部分、腕臂部分的高清晰视频监测，涉及基于数字图像处理技术对接触网支撑及悬挂装置中零部件的故障检测。

目前，我国对接触网零件状态检测的主要方法是对接触网成像检测车拍摄到的接触网支撑装置图像在离线状态下人工识别，该方法效率较低且工作量巨大。基于数字图像处理技术的非接触式弓网检测技术研究可实现弓网参数和故障的自动识别，具有众多优势。

国内外基于图像处理的弓网故障状态检测已有一些研究，陈维荣研究了基于形态学处理和Radon变换的受电弓滑板状态监测。张桂南采用金字塔近邻平均算法和小波奇异值法检测接触网绝缘子故障，并研究了基于Harris角点与谱聚类实现了绝缘子的抗旋转匹配和故障检测。刘寅秋采用归一化互相关和局部二值化法，提取并计算接触网动态高度以及拉出值等参数。由于现场采集的接触网支撑及悬挂装置图像普遍较复杂，采用图像处理技术对像斜撑套筒的故障检测存在较大难度。

技术实现要素：

本发明所要解决的技术问题是提供一种高铁接触网斜撑套筒部件螺钉不良状态检测方法，实现斜撑套筒定位的准确性和斜撑套筒螺钉松脱与脱落故障检测。

为解决上述技术问题，本发明采用的技术方案是：

一种高铁接触网斜撑套筒部件螺钉不良状态检测方法，包括以下步骤：

步骤1：采用专用综合列检车对高速铁路接触网支撑及悬挂装置进行成像，将上行和下行的高清图像分别存储在两个图像库中；

步骤2：对采集的图像进行筛选，建立关于斜撑套筒部件的样本库，正样本是斜撑套筒图像，负样本是不包含斜撑套筒部件的图像；

步骤3：计算样本的HOG特征，利用AdaBoost算法和支持向量机算法训练分类器，实现斜撑套筒部件的准确定位；

步骤4：螺钉部件的分割，包括：

步骤4.1：通过对提取到的斜撑套筒图像进行平滑滤波和增强对比度的处理；

步骤4.2：利用Hough变换检测直线，提取Hough矩阵中前3个灰度峰值点，取其平均值作为套筒边缘平行线段的倾角，并将双耳套筒旋转至竖直方向；

步骤4.3：选用Canny算子对旋转后的图像边缘进行检测，并在水平方向进行像素灰度值的累加，得到统计曲线；选取斜撑套筒边缘图像的水平中点为原点，对于螺钉朝左的套筒，位于原点左侧的像素累加值中最大值对应水平坐标所在直线即为螺钉的分割直线，反之，对于螺钉朝右的套筒，分割直线对应原点右侧的像素累加值中最大值的水平坐标；

步骤5：螺钉的两种不良状态检测，通过计算螺钉加上插口的长度判定脱落故障；根据薄螺母片的位置判定螺钉松脱故障。

进一步的，所述步骤3具体为：

步骤3.1：每一个检测窗口图像按空间位置被均匀分成若干个细胞单元，每个细胞单元大小为8×8像素；对于每一个像素点I(x,y)，采用简单的一阶模板在细胞单元中计算梯度大小m(x,y)和方向θ(x,y)，即

在细胞单元内，按预先设定的量化间隔统计梯度直方图，梯度方向将0°～360°分为9个方向块，将每四个相邻的细胞单元按滑动的方式合并为一个块，相邻的块会有细胞单元重叠；对每一个细胞单元计算HOG积分描述子，将同一块中4个细胞单元的梯度直方图连接在一起，形成一个9×4＝36维的特征向量；

步骤3.2：在AdaBoost算法中，采用加权多数表决的原则，对错误率较低的分类器赋予较高的权值；在定位过程中，检测窗口在待检测图像表面滑动，计算窗口内图像的HOG特征，将特征向量通过级联分类器，若其中某一子分类器判定为非检测目标，则该窗口被拒绝，不进入下一个分类器的判定；如果窗口包含检测目标，则会通过每一级AdaBoost分类器，直到最后一级；

步骤3.3：在级联的AdaBoost分类器后再级联SVM分类器，解决训练数据集线性不可分时寻找最优分类超平面的问题，即式中的凸二次规划问题，式中，ii(x,y)为积分图中(x,y)坐标点的值，i(x',y')为原图像中坐标为(x',y')的像素点的灰度值；

s.t. yk(w^T+b)≥1-ξk

ξk≥0。

进一步的，所述步骤3.1中，还包括步骤：在一个块内进行直方图归一化，如式其中，ε为一个常数，归一化后的特征向量v对应于一个块的HOG积分描述子。

进一步的，所述步骤5具体为：

螺钉脱落故障检测步骤5.1和步骤5.2；

步骤5.1：对分离得到的螺钉图像做二值处理和边缘检测，将螺钉二值图像在水平方向做像素累加，得到水平像素累积分布图；螺钉边缘图像在竖直方向上做像素累加，得到竖直边缘像素累加分布图；

步骤5.2：在水平方向上，根据像素累积值的分布确定螺钉的轴向长度，在竖直方向上，边缘像素累加值前两个最大值，分别对应螺钉纵向的两个边缘，通过求解螺钉的纵轴长度和直径的比值判定螺钉脱落故障；

螺钉松脱故障检测步骤5.3；

步骤5.3：用螺钉脱落故障检测中的方法求出正常和松脱状态下螺钉的水平像素累积分布，求解螺钉水平像素累积分布曲线的差分曲线，根据差分曲线过零的次数w判断螺钉松脱故障。

与现有技术相比，本发明的有益效果是：

1、本发明直接通过图像处理方法对高铁接触网斜撑套筒螺钉部件的状态进行检测，给出客观、真实、准确的检测分析结果，克服了传统人工检测方法的缺陷。

2、本发明根据斜撑套筒螺钉的结构特点，巧妙地将Hough变换和螺钉灰度分布规律结合，对螺钉的状态检测简单有效。

3、本发明方法能有效地针对接触网斜撑套筒螺钉的脱落和松脱故障进行检测，正确检测率较高，简化了故障检测的难度。

附图说明

图1为本发明方法处理过程框图。

图2为本发明现场采集图像中斜撑套筒的螺栓松脱故障之图一。

图3为本发明现场采集图像中斜撑套筒的螺栓松脱故障之图二。

图4为本发明现场采集图像中斜撑套筒的螺栓脱落故障之图一。

图5为本发明现场采集图像中斜撑套筒的螺栓脱落故障之图二。

图6为本发明斜撑套筒的正样本库。

图7为本发明斜撑套筒的负样本库。

图8为本发明级联的AdaBoost分类器定位效果图一。

图9为本发明级联的AdaBoost分类器定位效果图二。

图10为本发明支持向量机分类器精确定位效果图一。

图11为本发明支持向量机分类器精确定位效果图二。

图12为本发明斜撑套筒图像预处理前示意图。

图13为本发明斜撑套筒图像预处理后示意图。

图14为本发明Hough变换求取斜撑套筒倾角示意图，(a)、(b)为Hough矩阵提取前3个峰值点，(c)、(d)为Hough变换峰值对应的线段。

图15为本发明螺钉部分的分割过程图。

图16为本发明螺钉的三种安装状态图，(a)正常、(b)脱落、(c)松脱。

图17为本发明螺钉脱落故障检测相关坐标确定图，(a)、(b)为螺钉二值图像水平像素累积分布曲线，(c)、(d)为螺钉边缘图像竖直像素累积分布曲线。

图18为本发明螺钉松脱故障检测相关坐标确定图，(a)、(b)为螺钉二值图像水平像素累积分布曲线，(c)、(d)为螺钉二值图像水平像素累积分布差分曲线。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。图1为本发明方法处理过程框图。图2至图5示出现场采集图像中斜撑套筒螺钉的位置，突出对如此细小部件检测难度较大。详述如下：

1、斜撑套筒的定位与提取

1)、特征算子具有对图像的缩放、旋转和亮度变化的不变性。由于相邻的块之间可以存在细胞单元的重复，一幅分辨率为64×64图像包含7×7个块。将图像中所有块的特征向量连接在一起得到整幅图像的HOG特征向量，最终的HOG特征描述子包含1764个向量组成维度。

积分图中任意一点(x,y)的值定义为原图像中相应坐标处的像素点与坐标原点之间矩形区域内所有像素点的灰度值之和，即：

式中，ii(x,y)为积分图中(x,y)坐标点的值，i(x',y')为原图像中坐标为(x',y')的像素点的灰度值。利用积分图可以通过四次存取操作计算一个矩形区域内的像素值，明显地减少HOG特征的计算量。

2)、正样本是斜撑套筒位于图像正中且占据图像主体位置的图像(图10所示)，截取200个；负样本是随机包含与斜撑套筒无关的其他接触网零部件(图11所示)，滑动生成3000个窗口。正负样本的尺寸均归一化为检测窗口的大小(64×64像素)。给定N个训练样本(x1,y1),(x2,y2)…(xN,yN)，其中xi∈R^N为特征向量，yi＝±1表示正负样本和迭代次数，计算样本的HOG特征训练级联的AdaBoost分类器。本发明中，当迭代至12个弱分类器后，结果收敛。

3)、在SVM分类器训练中，当训练数据集线性不可分时，需要根据映射函数将输入空间的xk映射到高维特征空间中。为了避免高维空间中的复杂运算，采用核函数，经过试验，本发明采用线性核函数实现训练数据集映射到特征空间中的变换，即

2、螺钉的分割

1)、先对提取旋转双耳图像进行平滑滤波和增强对比度的处理，如附图12、图13所示，使图像二值化时双耳套筒两侧边缘更接近直线段。

2)、采用Hough变换做线检测并链接线段，在Hough矩阵中提取前3个灰度峰值点，如图14(a)。能够检测到一组近似平行线段，如图14(b)虚线所示，取其倾角平均值为斜撑套筒的倾角，将斜撑套筒旋转至竖直方向。

3)、利用Canny算子对旋转后图像边缘进行检测，取斜撑套筒边缘图像的水平中点为原点，在水平方向上做边缘像素灰度值累加，得到的统计曲线如图15上方两图。对于螺钉朝左的套筒，位于原点左侧的像素累加值最大值对应水平坐标所在直线即为螺钉的分割直线(水平坐标如图中白色圈)，反之，对于螺钉朝右的套筒，分割直线对应原点右侧的像素累积最大值的水平坐标。图15下方两图为分割结果。

3、螺钉不良状态的检测

分析现场采集的接触网图像中螺钉安装的正常和不良状态如图16，鉴于螺钉特殊的形态，采用基于灰度分布规律特征提取的方法检测螺钉部件的不良状态。步骤如下：

1)、对分割后的螺钉部件图像做二值处理，在水平和竖直方向上做像素灰度值累加，分析统计所得的灰度值曲线可确定螺钉纵向两侧和螺栓两侧对应的四个横坐标分别为x1、x2、x3、x4，如图17所示。进而确定中间螺钉长度a1和螺栓直径a2，计算螺钉的长度直径比c＝a1/a2，根据多次实验设定当长度直径比c≥1，判定螺钉处于正常工作状态；反之，当c＜1时，螺钉处于脱落状态。正常状态如图17(a)标记，脱落状态如图17(b)，松脱状态近似于正常状态。

2)、由于薄螺母的移动，松脱状态下水平像素分布会在中间多出现一个峰值，同样对螺钉的水平方向像素累积分布统计曲线做差分，如图18所示，观察螺钉二值图像水平像素累积分布查分曲线，排除噪声的干扰，制定螺钉松脱不良状态的检测规则如下：

令w为δ(x)变换符号的次数。当w＝3时，判定螺钉是正常状态；w＝5时，判定为螺钉松脱。