曾攀 王俊瑋 鄧久強(qiáng) 趙鍵宏 全穎

摘 要：根據(jù)計(jì)算機(jī)視覺原理、數(shù)字圖像處理與識別理論，針對受電弓滑板圖片，文章提出邊緣提取和上邊緣搜索等改進(jìn)算法，實(shí)現(xiàn)滑板磨耗超限故障圖像的辨識。將圖片進(jìn)行濾波去噪等預(yù)處理，再進(jìn)行邊緣定位檢測、圖像分割、圖像增強(qiáng)、圖像復(fù)原等處理。綜合運(yùn)用改進(jìn)的Canny算法、Hough變換、BP神經(jīng)網(wǎng)絡(luò)來識別滑板厚度。文章的研究成果對高速鐵路受電弓滑板磨耗超限等典型故障的檢測與識別具有一定的理論研究價值和工程實(shí)用價值。

關(guān)鍵詞：數(shù)字圖像處理；圖像預(yù)處理；Canny算法；BP神經(jīng)網(wǎng)絡(luò)

電力機(jī)車通過輸電網(wǎng)的受電弓獲取電能，受電弓滑板表面和導(dǎo)線之間構(gòu)成一對摩擦副，當(dāng)滑板磨耗超限等典型故障出現(xiàn)時，可能造成卡網(wǎng)或拉網(wǎng)，嚴(yán)重危及列車安全，因此對受電弓滑板的磨耗圖像進(jìn)行準(zhǔn)確識別具有重要意義。

目前，受電弓滑板檢測的方法主要有人工登頂測量法、光纖檢測法、超聲波傳感器檢測法、光學(xué)三角測量法和計(jì)算機(jī)圖像檢測法。圖像處理利用圖像測量技術(shù)，檢測所需參數(shù)的特征，屬于非接觸測量動態(tài)與靜態(tài)測量相結(jié)合，客觀真實(shí)。本文對由CCD相機(jī)拍攝的受電弓照片進(jìn)行圖像處理，包括圖像預(yù)處理、圖像增強(qiáng)、圖像復(fù)原、圖像分割與特征提取、圖像識別五部分，同時采用優(yōu)化算子、改進(jìn)算法使圖像識別的精確度和結(jié)果的正確度都有相應(yīng)提高。

1 滑板磨耗圖像識別

1.1 圖像預(yù)處理

圖像預(yù)處理是對受電弓滑板圖片進(jìn)行混合增強(qiáng)來突出更多細(xì)節(jié)。受電弓滑板圖片較模糊，邊緣不夠清晰，對比度不夠，對此首先用Laplace變換突出圖像中的細(xì)節(jié)，再用sobel梯度法突出其邊緣。最后用灰度變換來擴(kuò)展平滑后圖像的灰度動態(tài)范圍。

在圖像處理中，彩色圖RGB沒法直接進(jìn)行銳化、去除噪聲、平滑濾波、邊沿突出等步驟及其算法實(shí)現(xiàn)。只含亮度信息，不含色彩信息的灰度圖最利于數(shù)字圖像處理。所以先將彩色圖轉(zhuǎn)化為灰度圖，再進(jìn)行空間域圖像增強(qiáng)。已知Laplace算子的定義如下：

圖2比圖1有較好的視覺改進(jìn)效果。

1.2 圖像增強(qiáng)

先對預(yù)處理后的圖像進(jìn)行中值濾波。對于圖像中某一點(diǎn)，以該點(diǎn)為中心的鄰域內(nèi)的所有像素的統(tǒng)計(jì)排序中值作為該點(diǎn)的響應(yīng)，可有效去除噪聲點(diǎn)。中值濾波在降噪的同時引起的模糊效應(yīng)較低。

由圖3-4可見，中值濾波的效果十分明顯，能有效去除背景上的椒鹽噪聲，但滑板的圖像上存在的椒鹽噪聲點(diǎn)仍有部分沒有去除，較模糊，故進(jìn)行高斯平滑處理。

1.4 圖像分割

圖像分割后的區(qū)域?qū)⒆鳛楹罄m(xù)處理的對象。主要的方法有邊緣檢測、邊界跟蹤、區(qū)域生長等。對比上述分割方法的處理效果，選擇適宜于受電弓滑板磨耗圖片處理的方法，部分方法處理的效果如圖6-8所示。

綜合比較后，本文選擇邊緣檢測進(jìn)行圖像處理，基本步驟為：先平滑濾波去除噪聲，再銳化濾波，加強(qiáng)有價值的像素點(diǎn)的灰度局部變化，接著邊緣判定，最后連接間斷邊緣，同時去除假邊緣。

Roberts算子、Sobel算子、Prewitt算子等都是圖像不含噪聲或者先平滑去除噪聲后才能正常應(yīng)用，且處理結(jié)果都不夠理想。而Canny算子力求在抗噪聲干擾和精確定位之間找到最佳折中方案，能給出較為連續(xù)準(zhǔn)確的分割結(jié)果。引入Hough變換來解決圖片中部分邊緣點(diǎn)不連續(xù)的情況。最終得到結(jié)合Canny算子和Hough變換的圖像分割結(jié)果（見圖9）。

1.5 識別結(jié)果

本文圖像識別部分采用基于BP人工神經(jīng)網(wǎng)絡(luò)的圖像識別方法。BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)包括輸入層、隱含層和輸出層。本文確定的訓(xùn)練和識別的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

將已知厚度的樣本特征值作為訓(xùn)練樣本集，用于訓(xùn)練網(wǎng)絡(luò)。輸入未知厚度的滑板樣本，訓(xùn)練好的網(wǎng)絡(luò)計(jì)算出滑板厚度，實(shí)現(xiàn)厚度的識別，并將其自動歸入提前劃分的4種磨耗等級中，給出相應(yīng)的處理建議（見圖10）。

2 結(jié)語

受電弓是電力機(jī)車的重要組成部分，為機(jī)車提供電力，因此受電弓故障是值得研究的問題。本文主要針對受電弓滑板磨耗的情況進(jìn)行了處理與識別，使用了較為合適的算法與數(shù)學(xué)模型，來識別受電弓滑板的厚度。本文的研究成果對高速鐵路受電弓滑板磨耗超限等典型故障的檢測與識別具有一定的理論研究價值和工程實(shí)用價值，能為受電弓滑板磨耗的檢測提供一定的參考。

[參考文獻(xiàn)]

[1]羅鵬.電力機(jī)車入庫受電弓滑板磨耗檢測[J].光電工程，2004（12）：89-90.

[2]任時光.新型滑板磨耗檢測及自動降弓裝置[J].鐵道運(yùn)營技術(shù)，2000（4）：77-79.

[3]香坂秀一.受電弓自動監(jiān)視裝置的研制[J].變流技術(shù)與電力牽引，2000（3）：36-38.

[4]孫愛玉.檢測受電弓接觸磨損的新方法[J].電力機(jī)車技術(shù)，2001（4）：46-48.

[5]劉德仁，葛宰林，畢鐵艷.電力機(jī)車接觸線磨損數(shù)字圖像處理研究[J].現(xiàn)代制造工程，2006（3）：90-91.

[6]張錚，倪紅霞，苑春苗，等.精通Matlab數(shù)字圖像處理與識別[M].北京：人民郵電出版社，2013.

[7]王平均.基于MATLAB圖像增強(qiáng)算法的應(yīng)用[J].遼寧高職學(xué)報，2013（7）：123-124.

[8]袁麗婷.基于MATLAB的醫(yī)學(xué)圖像增強(qiáng)與邊緣檢測算法的實(shí)驗(yàn)研究[D].西安：第四軍醫(yī)大學(xué)，2009.

[9]姜慶偉.基于模糊理論的圖像增強(qiáng)技術(shù)研究與實(shí)現(xiàn)[D].上海：華東師范大學(xué)，2009.

[10]朱曉恒.受電弓典型故障圖像檢測算法的研究[D].成都：西南交通大學(xué)，2011.

[11]陳維榮.受電弓滑板狀態(tài)監(jiān)測的圖像目標(biāo)提取[D].成都：西南交通大學(xué)，2010.

Image Recognition of Slide Abrasion for Locomotive Pantograph

Zeng Pan， Wang Junwei， Deng Jiuqiang， Zhao Jianhong， Quan Ying

（School of Mechanical Engineering， Southwest Jiaotong University， Chengdu 610031， China）

Abstract： Based on the theory of digital image processing and recognition， a new recognition methods in slide abrasion of locomotive pantograph are proposed. By comparing different algorithms of the sliding plate image detection， the optimal one to realize the identification of the abrasion image of pantograph slide is chosen. To obtain the best effect of recognition， the edge detection， image segmentation， image enhancement， image restoration and other image analysis and processing is adopted. Meantime， the improved canny algorithm， Hough transform and BP neural network are used to identify the wear image of pantograph slide. The research results have some references for the detection and identification of slide abrasion of locomotive pantograph.

Key words： pantograph； digital image processing； Canny algorithm； BP neural network