一种高铁接触网旋转双耳横向销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双耳连接处和短斜撑上端连接处横向开口销不良状态检测方法。

背景技术：

为确保高速铁路动车组运营秩序，提高其供电安全性、可靠性，满足高速铁路快速发展和运营品质的需求，我国构建了高铁供电安全检测监测系统(6C系统)，而利用非接触式检测设备对接触网悬挂系统零部件状态检测是其中重要的组成部分。

开口销在悬挂装置中起固定和防护作用。由于长期运行过程中的振动疲劳或施工缺陷，使其产生脱落或开口角度不足等不良状态，需及时采取措施对其检测并进行安全隐患的排除。目前，基于图像处理技术的检测方法是接触网故障检测领域的发展趋势，它克服了传统人工检测中工作量大、效率低、故障判断相对滞后等困难。韩志伟阐述了非接触式图像检测研究的最新进展和存在的不足，并指出接触网销钉缺陷问题亟待解决。杨红梅研究了基于快速鲁棒性特征算法和灰度极小值分布规律对绝缘子不良状态进行检测。冯倩研究了结合形态学处理和Hough变换的受电弓滑板磨耗测量。韩烨采用基于SIFT(尺度不变特征变换)理论的特征点匹配算法定位双耳和对比边缘曲率检测耳片断裂。张桂南采用基于Harris角点与谱聚类实现了绝缘子的抗旋转匹配和故障检测。王旭东将Adaboost算法用于确定接触网系统支柱特征，进而实现定位器目标的识别。

目前接触网零部件定位方法的不足主要表现在：特征点匹配类算法时耗略长且匹配精度有待提高；Adaboost等分类器定位法的实质是将整幅图像有重叠抽样成数量较大的样本，然后与标准部件匹配，实时性较差。由于开口销在整幅接触网支撑装置图像中微小且以耳片等相似灰度值的零部件为背景，检测其缺失、开口角度不足等不良状态存在较大困难。

技术实现要素：

本发明所要解决的技术问题是一种高铁接触网旋转双耳横向销钉不良状态检测方法，实现双耳连接处和短斜撑上端连接处定位的准确性、开口销脱落与张角不足故障的检测。

为解决上述技术问题，本发明采用的技术方案是：

一种高铁接触网旋转双耳横向销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，并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：对下行图像库处理，依据图像中开口销所在连接处和斜腕臂的线特征实现横向开口销的初步定位；

步骤3：采用PBoW模型对初步定位图片进行识别分类；

步骤4：开口销的二次定位；包括：首先，根据双耳连接处和短斜撑上端连接处的几何特征，分别实现开口销粗略定位；其次，采用Hough圆检测法对两种粗略定位区域的圆环区域进行定位；

步骤5：开口销的不良状态检测；包括：

步骤5.1：对二次定位的圆环区域采用Retinex法进行图像增强；

步骤5.2：采用Canny算子对增强后的图像进行边缘检测；

步骤5.3：将步骤5.2所得图像经闭运算处理，将独立的线段变为连通域边界，再填充像素和小于25的联通域；

步骤5.4：设S为步骤5.3中所得圆环面积，S₁，S₂...S_k为圆环内非连通域面积且大小依次递减，其中k为圆环内非连通域数目，制定判据，判断开口销的缺失故障。

根据上述方案，所述步骤2具体为：

步骤2.1：使用Hough变换检测图像中的线段，Hough矩阵中标度轴θ和ρ分别表示直线与竖直方向夹角和与原点的距离，在Hough矩阵中提取45°-60°角度范围内θ相同、ρ接近的一对峰值点，取这对峰值点对应线段作为所检测到的斜腕臂两侧线段；

步骤2.2：设步骤2.1中提取的两对峰值点的ρ值分别为ρ₁₁、ρ₁₂和ρ₂₁、ρ₂₂，对应斜腕臂的粗细分别为d₁和d₂，则有

根据已检测到斜腕两侧的直线，确定斜腕的中轴线，将中轴线沿垂直各自斜腕方向分别向下平移0.8d₁和0.8d₂，得到由中轴线与平移线所围的区域；该区域再经二值化、连通域筛选处理，得到连通检测区域；

步骤2.3：对斜腕臂连通检测区域检测边界，并进一步筛选出该区域的下边界，对其自右上到左下，以10个像素为距离计算斜率，在斜率曲线中提取到垂直凸起处的特征，进一步确定定位标定点；

步骤2.4：以标定点为左上原点，截取4d₁×2d₁和4d₂×2d₂局部双耳连接处子图，将截取局部子图均缩放至128×64像素大小，用于后续的识别分类处理。

根据上述方案，所述步骤3具体为：

首先，对PBoW模型进行训练，包括：

步骤3.1：对经等比例缩放为128×64像素大小的两种初步定位图像进行正方形滑动窗密集采样；其中，窗宽l＝16，滑动间隔d＝8，每个窗包含4个8×8的单元格，计算每个单元格9个方向的梯度直方图，形成4×9＝36维的HOG特征向量；

步骤3.2：采用K-means聚类法将步骤3.1中所提取的滑动窗HOG特征向量聚为n类，n即为词典中单词数目，每个聚类的中心向量表示一个单词；

步骤3.3：将训练图像集化为两层金字塔图像，逐层对图像各块区域按步骤3.1中采样过程，生成HOG特征向量，将它归属为词典中与其欧式距离最小的单词；则得两层图像各区域单词出现的频次直方图向量H_i,j，对应第i层图像第j块区域，将两层图像的H_i,j连接起来，生成二次特征H为：H＝(H_0,1 H_1,1 H_1,2 H_1,3 H_1,4)；

步骤3.4：采用H训练SVM分类器，得到分类模型；

其次，进行PBoW模型测试过程，即将测试图像重复训练中的步骤3.3过程，生成二次特征并输入训练好的SVM，完成短斜撑上端连接处和双耳连接处初步定位图的识别分类。

根据上述方案，在所述步骤4中，Hough圆检测方法的具体过程为：

步骤4.1：采用Retinex法进行图像增强；

步骤4.2：计算增强后图像的梯度值，并得到投票累加矩阵，提取极大值点，确定螺钉的圆心坐标；

步骤4.3：设定Hough圆检测的搜索半径范围，结合所得圆心位置坐标，从而检测到螺钉底面和部分侧面作为一个整体的圆，其半径大小为r；

步骤4.4：所得圆心坐标结合截取粗定位区域时的原点坐标，在原初定位图像中分割出内环半径为r，外环半径为2r的包含开口销的圆环区域，实现了开口销的二次定位。

根据上述方案，所述步骤5中的判据为：

若k＝1，S₁/S≥0.98，则为脱落状态；若k＝1，S₁/S≤0.9，则为疑似松脱状态；若k＝2，S₁/S≥0.38，S₂/S≥0.38，则为开口角度严重不足状态；若k＝3，S₁/S≥0.35，S₂/S≥0.35，则为正常状态。

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双耳连接处和短斜撑上端连接处的横向销钉的状态进行检测，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、本发明根据横向销钉所在螺钉的圆形特征，将Hough圆检测实现销钉的精确定位，结果简单有效。

3、本发明能有效地针对接触网横向销钉的脱落和开口角度不足故障进行检测，正确检测率较高，简化了故障检测的难度。

附图说明

图1为本发明斜腕右下方的连接处及两种销钉图。

图2为本发明方法检测处理流程图。

图3为本发明定位环单耳与斜腕的位置关系图。

图4为本发明支撑装置及其Hough线检测结果图。

图5为本发明Hough矩阵提取前10个峰值图。

图6为本发明斜腕臂检测区域图。

图7为本发明斜腕臂1下边界的斜率曲线图。

图8为本发明斜腕臂2下边界的斜率曲线图。

图9为本发明双耳连接处定位示意图一。

图10为本发明双耳连接处定位示意图二。

图11为本发明含短斜撑的定位结果示意图一。

图12为本发明含短斜撑的定位结果示意图二。

图13为本发明PBoW模型对初定位图片分类图。

图14为本发明一个滑动窗内的HOG特征描述图。

图15为本发明短斜撑连接处的开口销二次定位中开口销粗定位。

图16为本发明短斜撑连接处的开口销二次定位开口销粗定位区域。

图17为本发明短斜撑连接处的开口销二次定位Hough累加矩阵中提取极大值示意图。

图18为本发明短斜撑连接处的开口销二次定位Hough圆检测所得圆与圆心。

图19为本发明短斜撑连接处的开口销二次定位原图中分割销钉所在圆环。

图20为本发明双耳连接处的开口销二次定位开口销粗定位图。

图21为本发明双耳连接处的开口销二次定位粗定位区域。

图22为本发明双耳连接处的开口销二次定位Hough累加矩阵中提取极大值示意图。

图23为本发明双耳连接处的开口销二次定位Hough圆检测所得圆与圆心。

图24为本发明双耳连接处的开口销二次定位原图中分割销钉所在圆环。

图25为本发明开口销状态检测处理过程图。

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为本发明斜腕右下方的连接处及两种销钉图。白色框显示初定位连接处的位置，白色圈表示横向销钉的位置，突出对如此细小部件检测的难度较大。图2为本发明方法检测处理流程图。

1、开口销的初步定位

1)、首先，斜腕臂、斜撑等杆状部分的边缘呈现明显的线段特征，使用Hough变换检测图像中的线段如图4所示。Hough矩阵中标度轴θ和ρ分别表示直线与竖直方向夹角和与原点的距离，由于斜腕臂的θ一般在45°-60°，且与其他杆状物倾角差异明显，则可在图5的Hough矩阵中提取该角度范围内θ相同、ρ接近的一对峰值点，取这对峰值点对应线段作为所检测到的斜腕臂两侧线段。

2)、考虑如图4中多斜腕臂无短斜撑情况，设步骤1)中提取的两对峰值点的ρ值分别为ρ₁₁、ρ₁₂和ρ₂₁、ρ₂₂，对应斜腕臂的粗细分别为d₁和d₂，则：

根据已检测到斜腕两侧的直线，可确定斜腕的中轴线，将中轴线沿垂直各自斜腕方向分别向下平移0.8d₁和0.8d₂，得到如图4黑色中轴线与其平移白色线所围区域。该区域再经二值化、连通域筛选处理，得到连通检测区域如图6。

3)、由斜腕臂与定位环单耳的位置关系如图3，对斜腕臂连通检测区域检测边界，并进一步筛选出该区域的下边界如图6深色边界，对其自右上到左下以10个像素为距离计算斜率，所得对应曲线如图7和图8。由于下边界非凸起处的斜率基本为定值，单耳垂直凸起处两侧斜率和与斜腕垂直的斜率接近，因此可在斜率曲线中提取到垂直凸起处的特征，进一步确定定位标定点。

4)、以标定点为左上原点，截取4d₁×2d₁和4d₂×2d₂双耳连接处局部图如图9和图10所示。对含短斜撑情况的处理过程相同，但结果得到短斜撑上端连接处和双耳连接处两种局部子图如图11和图12所示。然后将截取局部子图均缩放至128×64像素大小，便于后续的识别分类处理。

2、PboW(Pyramid Bag of Word)模型识别初定位目标

利用PBoW模型识别初定位图片过程如图13。

1)、PBoW模型训练过程步骤如下：

(1)、图像特征的提取与描述：对大量经等比例缩放为128×64像素大小的两种初定位图像进行正方形滑动窗密集采样。窗宽l＝16，滑动间隔d＝8。每个窗包含4个8×8的单元格，计算每个单元格9个方向的梯度直方图，形成4×9＝36维的HOG特征向量，如图14所示。

(2)、视觉词典的生成：利用K-means聚类法将步骤(1)中所提取的滑动窗HOG特征向量聚为n类，n即为词典中单词数目，设置为50。每个聚类的中心向量表示一个单词。

(3)、两层PBoW图像的表示：将训练图像集化为两层金字塔图像，逐层对图像各块区域按步骤(1)中采样过程，生成HOG特征向量，将它归属为词典中与其欧式距离最小的单词。则可得两层图像各区域单词出现的频次直方图向量H_i,j，它对应第i层图像第j块区域，是一个50维向量。将两层图像的H_i,j连接起来，生成二次特征H为：H＝(H_0,1 H_1,1 H_1,2 H_1,3H_1,4)

(4)、利用H训练SVM分类器，得到分类模型。

2)、PBoW模型测试过程是将测试图像重复训练中的步骤(3)过程，生成二次特征并输入训练好的SVM，完成短斜撑上端连接处和双耳连接处初步定位图的识别分类。

3、开口销的二次定位

1)、首先根据短斜撑上端连接处和双耳连接处的几何特征实现开口销粗略定位，分别如图15、图16和图20、图21所示，该过程仅要求所得区域包含销钉所在螺钉。

2)、两种粗定位区域的圆环区域定位过程为图17、18、19和图22、23、24，处理步骤相同，以图17、18、19为例说明如下：

(1)、针对开口销小、暗和弱的特点，采用Retinex法进行图像增强，突出边缘信息。

(2)、计算增强后图像的梯度值，并得到投票累加矩阵，提取极大值点，确定螺钉的圆心坐标如图17中“*”标注。

(3)、设定Hough圆检测的搜索半径范围。由于部件尺寸能粗略估计，搜索半径最大值rmax和最小值rmin也可基本确定，本发明将rmax和rmin分别设为20和10。结合所得圆心位置坐标，能检测到螺钉底面和部分侧面作为一个整体的圆，其半径大小为r，结果如图18。

(4)、所得圆心坐标结合截取粗定位区域时的原点坐标，在原初定位图像中分割出内环半径为r，外环半径为2r的包含开口销的圆环区域，实现了开口销的二次定位如图19。

4、开口销的不良状态检测

1)、图25第一层为部件原图，由于其材质颜色和污垢的影响，使销钉部分和背景的差异不明显，因此对二次定位的圆环区域采用Retinex法进行图像增强，能够很好保持边缘信息如图25第二层。

2)、然后采用性能优良的Canny算子对增强后的图像进行边缘检测如图25第三层。

3)、闭运算能平滑对象轮廓，将缺口连接成细长的弯口，将步骤2)所得图像经闭运算处理，能够将独立的线段变为连通域边界，再填充像素和小于25的联通域得到图25第四层。

4)、设S为步骤3)中所得圆环面积，S₁，S₂...S_k为圆环内非连通域面积且大小依次递减，其中k为圆环内非连通域数目，则可制定如下状态判据：

(1)若k＝1，S₁/S≥0.98，则为脱落状态；

(2)若k＝1，S₁/S≤0.9，则为疑似松脱状态；

(3)若k＝2，S₁/S≥0.38，S₂/S≥0.38，则为开口角度严重不足状态；

(4)若k＝3，S₁/S≥0.35，S₂/S≥0.35，则为正常状态；

以上判据中阈值数据均为经验取值，能够较准确地判断开口销缺失故障。