楊紅梅，劉志剛

(1.西安鐵路職業(yè)技術(shù)學(xué)院 電氣工程系，陜西 西安 710014；2.西南交通大學(xué) 電氣工程學(xué)院，四川 成都 610031)

作為鐵路接觸網(wǎng)支撐裝置的重要承力設(shè)備，旋轉(zhuǎn)雙耳的狀態(tài)好壞關(guān)系著支撐結(jié)構(gòu)的穩(wěn)定性。為增加接觸網(wǎng)支撐結(jié)構(gòu)可靠性，提高弓網(wǎng)系統(tǒng)受流質(zhì)量以保證行車安全，有必要實(shí)時(shí)監(jiān)測(cè)其狀態(tài)，為維護(hù)工作提供有效參考。

我國(guó)目前主要采用人工方法對(duì)接觸網(wǎng)支撐結(jié)構(gòu)進(jìn)行檢查，其效率和可靠性都難以達(dá)到要求，因此有必要進(jìn)行智能化、實(shí)時(shí)化檢測(cè)方法的研究。鐵路的實(shí)時(shí)智能化研究主要有受電弓滑板磨耗、裂紋檢測(cè)以及接觸網(wǎng)參數(shù)的非接觸式檢測(cè)等。文獻(xiàn)[1]利用邊緣識(shí)別、聚類和霍夫變換等，通過(guò)初識(shí)別和精確定位完成了受電弓圖像目標(biāo)區(qū)域的定位和提取。文獻(xiàn)[2]應(yīng)用光學(xué)圖像處理和二次樣條小波定位滑板邊緣，進(jìn)而實(shí)現(xiàn)滑板厚度的測(cè)量。文獻(xiàn)[3]利用起點(diǎn)定位檢測(cè)滑板邊緣，并結(jié)合不同邊緣算子獲取磨耗處的信息，從而檢測(cè)滑板磨耗程度。文獻(xiàn)[4]通過(guò)CCDP算法得到滑板的曲波系數(shù)矩陣，從矩陣信息中識(shí)別滑板固有特征和裂紋特征。文獻(xiàn)[5]利用曲波矩陣移動(dòng)平行窗口能量值的不同信息識(shí)別接縫、噪聲和螺釘?shù)裙逃刑卣?，以獲取裂紋特征信息。文獻(xiàn)[6]通過(guò)圖像檢測(cè)設(shè)備非接觸式檢測(cè)弓網(wǎng)參數(shù)。文獻(xiàn)[7]研究了二維激光雷達(dá)對(duì)視距內(nèi)障礙物的識(shí)別、跟蹤，以達(dá)到接觸網(wǎng)幾何參數(shù)非接觸式檢測(cè)的目的。文獻(xiàn)[8]利用鏈碼獲取目標(biāo)的大致角度，結(jié)合Radon方法檢測(cè)了支架定位器的定位坡度。對(duì)于接觸網(wǎng)懸掛裝置圖像而言，由于其全局信息較復(fù)雜，國(guó)內(nèi)外關(guān)于應(yīng)用圖像處理的非接觸式檢測(cè)方法的研究較少，本文對(duì)基于圖像處理的懸掛裝置狀態(tài)檢測(cè)進(jìn)行了初步研究。

在圖像匹配識(shí)別中，特征點(diǎn)的檢測(cè)算法主要有Forstner[9]、Harris[10]、Moravec[11]、尺度不變特征變換SIFT[12]等。SURF[13]和SIFT都具有局部特征尺度、旋轉(zhuǎn)不變性，文獻(xiàn)[14]比較了兩種算法的性能，表明SURF算法的速度更具優(yōu)勢(shì)。

本文在基于圖像處理的接觸網(wǎng)支撐裝置狀態(tài)檢測(cè)研究基礎(chǔ)上[15-16]，以接觸網(wǎng)支撐裝置的全局圖像為檢測(cè)對(duì)象，利用SURF算法初識(shí)別并提取旋轉(zhuǎn)雙耳裝置；利用Hough圓、矩形識(shí)別方法精確定位耳片局部圖像；根據(jù)耳片局部圖像灰度方差的分布規(guī)律判別雙耳的具體狀態(tài)。

1 SURF理論

Herbert提出的SURF算法，是檢測(cè)圖像局部不變特征的一種新算法。此算法具有良好的局部特征不變性，其主要步驟如下。

1.1 特征點(diǎn)檢測(cè)

設(shè)積分圖像中的一點(diǎn)P(x,y)，則點(diǎn)P和原圖像中原點(diǎn)所形成的矩形面積中所有像素值的和用點(diǎn)P的I∑(P)表示，即

( 1 )

式中：I(i,j)為點(diǎn)i、j的像素值(原圖像中)；I∑(P)為點(diǎn)(x,y)的積分圖像。

設(shè)由A、B、C及D組成的一個(gè)矩形區(qū)域，則該矩形內(nèi)所有灰度的和可由式( 2 )進(jìn)行計(jì)算。

S=A-B-C+D

( 2 )

特征點(diǎn)具體位置需根據(jù)Hessian矩陣行列式的局部最大值進(jìn)行檢測(cè)。設(shè)圖像I中一點(diǎn)X=(x,y)，該點(diǎn)σ尺度上的Hessian矩陣為

( 3 )

式中：Lxx(X,σ)為X處高斯二階偏導(dǎo)與圖像I的卷積；Lxy(X,σ)、Lyy(X,σ)含義相似。

通過(guò)Dxx、Dyy、Dxy表示實(shí)際圖像與模板圖像的卷積，重新代入式( 3 )，得到Hessian矩陣的行列式為

det=DxxDyy-(wDxy)2

( 4 )

式中：w為權(quán)重系數(shù)，實(shí)際應(yīng)用中多使用其固定值0.9。依據(jù)式( 4 )計(jì)算所有點(diǎn)的響應(yīng)求得尺度σ響應(yīng)圖。

1.2 特征點(diǎn)描述

設(shè)一圓形區(qū)域，半徑為6s(s是特征點(diǎn)所在的尺度)，中心為特征點(diǎn)，計(jì)算圓形內(nèi)各點(diǎn)的Haar響應(yīng)dx、dy，方向沿x、y。求取響應(yīng)所對(duì)應(yīng)的直方圖。為得到新的矢量，圓形區(qū)域中的Haar響應(yīng)需被沿x軸方向進(jìn)行累加(60°范圍內(nèi))。遍歷圓形區(qū)域，每隔5°計(jì)算新矢量，共得到新矢量72個(gè)。主方向?yàn)樽铋L(zhǎng)矢量方向。特征提取區(qū)域?yàn)?0s的矩形區(qū)域。將該區(qū)域分成4×4的子區(qū)域。在子區(qū)域中累加dx、dy、|dx|、|dy|，求得特征V。

V=(∑dx,∑dy,∑|dx|,∑|dy|)

( 5 )

2 基于SURF的旋轉(zhuǎn)雙耳初識(shí)別

由于接觸網(wǎng)全局圖像背景太過(guò)復(fù)雜，而檢測(cè)目的為識(shí)別其中旋轉(zhuǎn)雙耳部分的狀態(tài)，基于此，有必要在檢測(cè)前先從全局圖像中識(shí)別定位雙耳裝置。由于不同圖像中旋轉(zhuǎn)雙耳存在尺寸和角度不同的問(wèn)題，目標(biāo)匹配很容易因特征變化而失效，而SURF局部不變特征匹配方法能較好保持特征的尺度和旋轉(zhuǎn)不變性，因此本文利用SURF方法識(shí)別定位全局圖中的旋轉(zhuǎn)雙耳。

( 6 )

式中：n為特征值維數(shù)；Xjk為雙耳模板圖像中第j個(gè)特征所對(duì)應(yīng)的第k個(gè)值；Xik為待檢測(cè)圖像中第i個(gè)特征所對(duì)應(yīng)的第k個(gè)值。

用上述步驟使圖1和圖2(a)的特征點(diǎn)進(jìn)行匹配，圖2(b)為匹配結(jié)果。除了正確匹配區(qū)域外還有少量誤匹配點(diǎn)存在于初始匹配中。為快速有效地消除各種原因引起的誤匹配點(diǎn)，使旋轉(zhuǎn)雙耳耳片的定位與識(shí)別更加準(zhǔn)確可靠，提出以下消除誤匹配方法：

(1)特征點(diǎn)聚類。為達(dá)到快速去除零散誤匹配點(diǎn)的目的，待檢測(cè)圖像中的所有特征點(diǎn)將被聚類，聚類依據(jù)為各特征點(diǎn)間的距離。

(2)特征點(diǎn)比值。統(tǒng)計(jì)旋轉(zhuǎn)雙耳模板圖像特征點(diǎn)總數(shù)N和各聚類中已配對(duì)的點(diǎn)數(shù)Ni。當(dāng)Ni不小于N的0.6倍時(shí)(通過(guò)實(shí)驗(yàn)表明，取0.6倍消除誤匹配的效果較好)，則該聚類匹配成功，否則為誤匹配。最終根據(jù)匹配點(diǎn)的具體坐標(biāo)信息實(shí)現(xiàn)旋轉(zhuǎn)雙耳的初定位。

圖1 旋轉(zhuǎn)雙耳模板圖

(a)待檢測(cè)全局圖像

(b)SURF特征初匹配效果圖

(c)誤匹配消除效果圖圖2 旋轉(zhuǎn)雙耳特征匹配效果圖

旋轉(zhuǎn)雙耳匹配閾值設(shè)置為

( 7 )

從圖2(c)可以看出，以上誤匹配消除方法可在有效去除誤匹配點(diǎn)的前提下盡可能多地保留匹配點(diǎn)。

3 基于Hough變換的耳片精確定位

在旋轉(zhuǎn)雙耳局部圖像從待檢測(cè)全局圖像中成功提取后，需在此圖像中精確定位耳片。從圖3橢圓區(qū)域可以看出，旋轉(zhuǎn)雙耳在耳片中間一定范圍內(nèi)出現(xiàn)斷開、裂紋等不良狀態(tài)。局部圖像中固有的形狀特征(如螺釘、螺栓等)將會(huì)嚴(yán)重影響雙耳可能存在的斷裂特征的識(shí)別。故在檢測(cè)前識(shí)別耳片固有特征以提高狀態(tài)檢測(cè)判據(jù)的通用性、準(zhǔn)確性。

(a)耳片斷開

(b)耳片裂紋圖3 雙耳斷裂局部圖像

圖3中左側(cè)矩形框內(nèi)所示的形狀，可等效為矩形特征，而右側(cè)矩形框中的形狀則可等效為圓形特征。對(duì)其進(jìn)行Hough變換圓、矩形檢測(cè)，可獲取中心、半徑等信息，即可定位固有特征，從而消除其對(duì)耳片檢測(cè)的干擾，同時(shí)進(jìn)一步縮小斷裂特征的檢測(cè)范圍。

3.1 基于Hough變換圓檢測(cè)的螺釘識(shí)別定位

設(shè)一條閉合輪廓線，Hough變換圓檢測(cè)首先掃描整個(gè)輪廓。為快速識(shí)別其是否為圓，掃描的方向?yàn)榇怪?、水平兩個(gè)方向。通過(guò)掃描結(jié)果的Hough變換獲取兩條直徑Lv和Lh，圓心(xc，yc)即為兩直徑的交點(diǎn)。圓半徑根據(jù)輪廓線的像素坐標(biāo)估計(jì)得到。

r=max((xmax-xmin)/2，(ymax-ymin)/2)

( 8 )

式中：xmax、ymax分別為閉合輪廓最大x、y坐標(biāo)；xmin、ymin分別為閉合輪廓最小x、y坐標(biāo)。

為獲得耳片局部圖像螺釘?shù)陌霃?、圓心，用螺釘半徑范圍設(shè)置半徑參數(shù)。圖4(a)、圖4(b)分別為圖3(a)、圖3(b)的螺釘檢測(cè)結(jié)果。

(a)耳片斷開圓檢測(cè)能量圖

(b)耳片裂紋圓檢測(cè)能量圖圖4 Hough變換螺釘定位效果圖

3.2 基于Hough變換的矩形識(shí)別定位

對(duì)于Hough矩形檢測(cè)，首先利用Hough變換對(duì)矩形輪廓曲線進(jìn)行投票，得到H1=(P1，θ1)、H2=(P2，θ2)、H3=(P3，θ3)、H4=(P4，θ4)4個(gè)峰值，4個(gè)峰值分別對(duì)應(yīng)P1P2、P2P3、P3P4和P4P14條邊。如果兩個(gè)峰值點(diǎn)的角度θi一致，則其對(duì)應(yīng)為一組對(duì)邊，如果兩組對(duì)邊同時(shí)滿足垂直關(guān)系，即可判斷其為矩形。

圖5(a)、圖5(b)分別為圖3(a)、圖3(b)矩形檢測(cè)結(jié)果。矩形中心如圖中紅色十字所示，同時(shí)還可以得到長(zhǎng)寬信息。

(a)耳片斷開矩形定位圖

(b)耳片裂紋矩形定位圖圖5 Hough變換矩形定位效果圖

3.3 耳片局部圖像提取

根據(jù)上述方法得到的中心、長(zhǎng)寬、半徑信息，可進(jìn)一步獲得斷裂特征出現(xiàn)的耳片區(qū)域范圍。由于存在螺釘數(shù)量不一致的旋轉(zhuǎn)雙耳，此時(shí)可由圓心間的距離定位所需螺釘。為了在排除固有特征干擾的前提下，使得圖像信息盡可能的多保留，選取橫坐標(biāo)始于矩形邊緣向螺釘側(cè)平移5個(gè)像素處，止于靠近矩形側(cè)的螺釘邊緣，縱坐標(biāo)取矩形上下邊緣再分別向外平移5個(gè)像素。局部圖像頂點(diǎn)坐標(biāo)為

( 9 )

(10)

(11)

(12)

式中：o1、o2分別為矩形、螺釘中心；a、b分別為矩形的寬和長(zhǎng)；r為螺釘半徑?；谏鲜鲂畔ⅲ崛D3的耳片局部圖像，如圖6所示。

圖6 耳片局部圖像

4 旋轉(zhuǎn)雙耳狀態(tài)識(shí)別

在完成耳片精確定位后，即可進(jìn)行狀態(tài)檢測(cè)。一般情況下，耳片的灰度大小不會(huì)發(fā)生明顯突變。當(dāng)耳片有斷開、裂紋時(shí)，斷開、裂紋的邊緣處灰度將發(fā)生較大變化，表現(xiàn)為具有一定方向的線性邊緣特征。由于灰度分布不均而導(dǎo)致該處的灰度方差分布范圍發(fā)生較大波動(dòng)，故設(shè)置相應(yīng)的灰度方差閾值作為判據(jù)，以識(shí)別雙耳的不良狀態(tài)特征。步驟如下：

(1)基線。在耳片的局部圖像中，從上到下每隔10個(gè)像素取一條基線。

(2)灰度方差。計(jì)算各基線上的灰度方差，方差計(jì)算單位為同一基線上的相鄰5個(gè)像素?？紤]到斷開區(qū)域可能獨(dú)立形成一個(gè)方差計(jì)算單位而錯(cuò)過(guò)斷開邊緣的方差突變(如圖7中矩形框所示)，具體計(jì)算中，每一個(gè)方差計(jì)算單位由上一單位中的后兩個(gè)像素加上相鄰的三個(gè)新像素組成新的方差計(jì)算單位。

(3)判據(jù)。正常耳片的灰度分布較均勻，且值普遍較小，故其灰度方差分布在較小范圍內(nèi)。在斷開、裂紋處，灰度值的變化使得其灰度方差明顯超出其平均分布范圍。故設(shè)置判據(jù)如下：如果局部圖像中兩條及兩條以上的基線上存在灰度方差F不小于閾值3Fm(Fm為一組灰度方差的均值，通過(guò)實(shí)驗(yàn)，閾值3Fm能有效判別斷裂特征所導(dǎo)致的灰度方差變化)的情況，則判斷該耳片出現(xiàn)斷裂特征。

(13)

4.1 旋轉(zhuǎn)雙耳斷開狀態(tài)檢測(cè)

運(yùn)用上述檢測(cè)步驟(1)～(3)對(duì)嚴(yán)重?cái)嚅_的耳片局部圖像進(jìn)行檢測(cè)，效果如圖7、圖8所示。

圖7 基線定位效果圖

(a)第一條基線處的灰度方差

(b)第二條基線處的灰度方差

(c)第三條基線處的灰度方差

(d)第四條基線處的灰度方差

(e)第五條基線處的灰度方差

(f)第六條基線處的灰度方差圖8 不同基線處的灰度方差

其中，圖8(a)～圖8(e)的基線處灰度方差發(fā)生明顯變化，且符合斷裂特征判據(jù)式(13)，即判斷該旋轉(zhuǎn)雙耳為斷裂狀態(tài)。

4.2 旋轉(zhuǎn)雙耳裂紋狀態(tài)識(shí)別過(guò)程

運(yùn)用上述方法檢測(cè)裂紋耳片，效果如圖9、圖10所示。

圖9 基線定位效果圖

(a)第一條基線處的灰度方差

(b)第二條基線處的灰度方差

(c)第三條基線處的灰度方差

(d)第四條基線處的灰度方差

(e)第五條基線處的灰度方差

(f)第六條基線處的灰度方差圖10 不同基線處的灰度方差

其中，圖10(a)～圖10(e)中的基線處方差均有明顯變化，且符合斷裂特征判據(jù)式(13)，因此得出此旋轉(zhuǎn)雙耳的狀態(tài)為斷裂。

表1為用本文方法對(duì)綜合列檢車獲取的實(shí)際圖像進(jìn)行檢測(cè)的實(shí)驗(yàn)結(jié)果。其中誤檢主要是由于存在旋轉(zhuǎn)雙耳被遮擋的情況，若遮擋面積過(guò)大，將導(dǎo)致最終檢測(cè)到的特征數(shù)量低于閾值而漏檢，可調(diào)節(jié)拍攝角度以改善該問(wèn)題。

表1 旋轉(zhuǎn)雙耳檢測(cè)實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果

5 結(jié)論

為實(shí)現(xiàn)接觸網(wǎng)支撐裝置中旋轉(zhuǎn)雙耳狀態(tài)自動(dòng)檢測(cè)的目的，本文利用SURF特征匹配方法，較準(zhǔn)確地識(shí)別并提取旋轉(zhuǎn)雙耳目標(biāo)圖像。精確定位耳片局部圖像，進(jìn)一步降低斷裂特征識(shí)別難度。最終通過(guò)局部圖像基線的灰度方差分布規(guī)律較準(zhǔn)確地識(shí)別耳片斷裂特征。

(1)SURF匹配方法的局部特征在旋轉(zhuǎn)、角度和尺度變換下均可保持良好不變性，而實(shí)際接觸網(wǎng)支撐裝置圖像的特征多變、目標(biāo)匹配困難等問(wèn)題可因此得到改善。

(2)狀態(tài)檢測(cè)對(duì)象為耳片局部圖像，大大提高了耳片不良狀態(tài)特征的可識(shí)別性。以局部圖像灰度方差為判據(jù)，對(duì)于嚴(yán)重?cái)嚅_或細(xì)小裂紋均可識(shí)別，具有較好穩(wěn)定性和通用性。

參考文獻(xiàn)：

[1]陳維榮,馮倩,張健,等.受電弓滑板狀態(tài)監(jiān)測(cè)的圖像目標(biāo)提取[J].西南交通大學(xué)學(xué)報(bào),2010,45(1):59-64.

CHEN Weirong,FENG Qian,ZHANG Jian,et al.Image Object Detection in Monitoring of Pantograph Slippers[J].Journal of Southwest Jiaotong University,2010,45(1):59-64.

[2]馬莉,王澤勇,高曉蓉,等.圖像處理技術(shù)在受電弓滑板檢測(cè)中的應(yīng)用[J].機(jī)車電傳動(dòng),2009(5):52-53.

MA Li,WANG Zeyong,GAO Xiaorong,et al.Application of Image Processing in Detecting the Pantograph Sliding[J].Electric Drive for Locomotives,2009(5):52-53.

[3]馮倩,陳維榮,王云龍,等.受電弓滑板磨耗測(cè)量算法的研究[J].鐵道學(xué)報(bào),2010,32(1):109-113.

FENG Qian,CHEN Weirong,WANG Yunlong,et al.Research on the Algorithm to Measure the Pantographic Slipper Abrasion[J].Journal of the China Railway Society,2010,32(1):109-113.

[4]韓志偉,劉志剛,陳坤峰,等.基于二代曲波系數(shù)定向映射的受電弓滑板裂紋檢測(cè)技術(shù)[J].鐵道學(xué)報(bào),2011,33(11):63-69.

HAN Zhiwei,LIU Zhigang,CHEN Kunfeng,et al.Pantograph Slide Cracks Detection Technology Based on Curvelet Coefficients Directional Projection[J].Journal of the China Railway Society,2011,33(11):63-69.

[5]陳坤峰,劉志剛,韓志偉,等.基于曲波域移動(dòng)平行窗的受電弓滑板裂紋識(shí)別[J].鐵道學(xué)報(bào),2012,34(10):43-47.

CHEN Kunfeng,LIU Zhigang,HAN Zhiwei,et al.Pantograph Slipper Cracks Identification Based on Translational Parallel Window in Curvelet Transform Domain[J].Journal of the China Railway Society,2012,34(10):43-47.

[6]NIWAKAWA M,ONDA T,KINOSHITA N.Stereo Vision Based Measurement of Intersections of Overhead Contact Wires and Pantograph of Kyushushinkansen[J].IEEJ Transactions on Industry Applications,2007,127(2):118-123.

[7]牛大鵬.非接觸式接觸網(wǎng)幾何參數(shù)檢測(cè)系統(tǒng)研究[D].成都:西南交通大學(xué),2008.

[8]范虎偉,卞春華,朱挺,等.非接觸式接觸網(wǎng)定位器坡度自動(dòng)檢測(cè)技術(shù)[J].計(jì)算機(jī)應(yīng)用,2010,30(S2):102-103.

FAN Huwei,BIAN Chunhua,ZHU Ting,et al.Automatic Detection of Positioning Line in Contactless Overhead Contact System[J].Journal of Computer Applications,2010,30(S2):102-103.

[9]FRSTNER W.A Fast Operator for Detection and Precise Location of Distinct Points,Corners and Centers of Circular Features[C]//Proceedings of the ISPRS Inter Commission Workshop,1987:149-155.

[10]HARRIS C J,STEPHENS M.A Combined Corner and Edge Detector[C]//Proceedings of the 4th Alive Vision Conference,1988:147-151.

[11]MORAVEC H.Rover Visual Obstacle Avoidance[C]//Proceedings of the 7th International Joint Conference on Artificial Intelligence,1981:785-790.

[12]David G Lowe.Distinctive Image Features from Scale-invariant Key Points[J].International Journal of Computer Vision,2004,60(2):91-110.

[13]BAY H,TUYTEPLAARS T,GOOL L V.SURF:Speeded up Robust Features[J].Computer Vision & Image Understanding,2006,110(3):404-417.

[14]JUAN L,GWUN O.A Comparison of SIFT,PCA-SIFT and SURF[J].International Journal of Image Processing,2009,3(4):143-152.

[15]楊紅梅,劉志剛,韓志偉,等.基于仿射不變矩的電氣化鐵路絕緣子片間夾雜異物檢測(cè)[J].鐵道學(xué)報(bào),2013,35(4):30-36.

YANG Hongmei,LIU Zhigang,HAN Zhiwei,et al.Foreign Body Detection between Insulator Pieces in Electrified Railway Based on Affine Moment Invariant[J].Journal of the China Railway Society,2013,35(4):30-36.

[16]楊紅梅,劉志剛,韓燁,等.基于快速魯棒性特征匹配的電氣化鐵路絕緣子不良狀態(tài)檢測(cè)[J].電網(wǎng)技術(shù),2013,37(8):2 297-2 302.

YANG Hongmei,LIU Zhigang,HAN Ye,et al.Defective Condition Detection of Insulators in Electrified Railway Based on Feature Matching of Speeded-up Robust Features[J].Power System Technology,2013,37(8):2 297-2 302.