劉家軍，羅軍，張偉，劉小川，楊瀚鵬

（1.西安理工大學水利水電學院，陜西西安 710048；2.西安鐵路局供電段，陜西西安 710054）

基于紅外攝像儀的接觸網(wǎng)載流安全狀態(tài)檢測圖像處理

劉家軍1，羅軍2，張偉1，劉小川2，楊瀚鵬1

（1.西安理工大學水利水電學院，陜西西安 710048；2.西安鐵路局供電段，陜西西安 710054）

利用車載紅外成像儀能高效便捷的對接觸網(wǎng)進行載流安全檢測，但由于外界環(huán)境和車速的影響導致獲取的紅外圖像存在灰暗模糊的問題。為獲取高質(zhì)量的圖像，提出了一種基于小波變換和模糊對比度的圖像增強算法，據(jù)此提高圖像的清晰度和信息量；同時，利用RGB顏色空間對原始圖像進行分割，通過圖像融合完成對紅外圖像溫度最高區(qū)域的位置標定，從而滿足了人眼視覺直觀感應(yīng)和計算機的分析要求，為快速準確地判斷接觸網(wǎng)載流安全狀態(tài)和發(fā)現(xiàn)可能存在的隱患點提供一種有效的手段。

接觸網(wǎng)；載流狀態(tài)；紅外圖像；圖像處理

接觸網(wǎng)作為電氣化鐵路的唯一供電線路，其沒有備用，且承擔了重要作用。因此，日常維護和檢修是保障安全良好運行的有效手段。其中利用車載紅外熱像儀對接觸網(wǎng)載流安全狀態(tài)進行檢測是一種高效便捷的檢測手段。

由于環(huán)境和車速影響，經(jīng)紅外儀獲得的初始圖像質(zhì)量不高。

1 接觸網(wǎng)載流安全狀態(tài)檢測原理與存在的問題

1.1 基于紅外圖像處理的檢測原理

基于紅外圖像處理的接觸網(wǎng)載流安全狀態(tài)檢測是通過紅外檢測系統(tǒng)，由圖像采集與信息傳輸終端和監(jiān)測與控制終端2部分組成。通過二者的相互配合完成整個檢測和安排維修任務(wù)的功能。

1.2 紅外檢測存在的問題

根據(jù)相關(guān)理論，并結(jié)合實際應(yīng)用，紅外圖像的特點可以總結(jié)為以下幾個方面：

1）由于物體熱平衡、傳輸距離遠以及大氣衰減等因素的影響，導致紅外熱圖像具有極強的空間相關(guān)性、較低的對比度和模糊的視覺效果。

2）與可見光的CCD陣列相比，系統(tǒng)對紅外輻射的探測能力和空間分辨率偏低，這造成紅外圖像的清晰度較差。

3）周圍環(huán)境的干擾和熱成像系統(tǒng)自身的缺陷，使得紅外圖像中摻雜著很多噪聲，如熱噪聲、散粒噪聲、光電子噪聲等。因此，紅外圖像的信噪比要明顯低于普通圖像。

4）紅外探測器中各單元響應(yīng)特性的不一致，造成了紅外圖像很大程度的非均勻性，表現(xiàn)為圖像中攜帶的恒定圖案噪聲、串擾和畸變等。

總的來說，大部分紅外圖像中，目標圖像與背景的對比度低，邊緣較模糊，噪聲較大。

2 紅外圖像的增強

針對紅外圖像對比度差、視覺效果模糊的缺點，本文提出了一種基于小波變換與模糊對比度的圖像增強算法。首先，采用正交小波變換對紅外圖像進行處理，將空域圖像轉(zhuǎn)換到頻域，得到小波各層的分解系數(shù)；其次，運用同態(tài)濾波法對低頻子帶小波系數(shù)進行處理，同時運用低通濾波法對高頻子帶小波系數(shù)進行處理；再次，經(jīng)正交小波逆變換重構(gòu)得到初步增強后的紅外圖像；最后，運用模糊對比度算法，得到最終的增強圖像。

2.1 紅外圖像的小波分解與重構(gòu)

基于小波變換的紅外圖像處理，主要是通過小波變換對紅外圖像進行分解，而后對產(chǎn)生的低頻與高頻分量系數(shù)分別進行處理，經(jīng)過小波重構(gòu)后，使圖像滿足特定要求[1]。若二維圖像信號f（x，y）在分辨率2j下，經(jīng)二維小波分解，可將圖像分解為Ajf（x，y）、D1jf（x，y）、D2jf（x，y）及D3jf（x，y）4個子圖，即：

式中：φ和ψ為相應(yīng)的尺度函數(shù)和小波函數(shù)；Ajf（x，y）為對于原圖像的近似，也稱為低頻部分；Dλjf（x，y）（λ=1，2，3）代表近似誤差，即圖像的高頻部分；D1jf（x，y）為水平邊緣信息；D2jf（x，y）為垂直邊緣信息；D3jf（x，y）為對角線方向的高頻信息[2]。

經(jīng)過小波變換，原圖像將被分解成4個子圖像，每個子圖像分別代表前一層圖像的平滑逼近信息分量以及水平、垂直和對角線信息分量。圖1給出了二維圖像的二層小波分解過程，其小波重構(gòu)按相反過程進行。其中，LL1、HL1、LH1及HH1分別為原圖像經(jīng)小波變換后的平滑逼近信息以及水平、垂直和對角線信息構(gòu)成的子圖像；LL2、HL2、LH2及HH2為LL1子圖像再次經(jīng)過小波變換形成的4個子圖像[3-5]。

2.2 低通濾波

信號或圖像的能量大部分集中在頻譜的低頻段和中頻段，而在較高的頻段，目標信息常常被噪聲淹沒。故通過濾除高頻成分的濾波器就可以減弱噪聲對圖像可視部分的影響。

在圖像的增強過程中構(gòu)造出低通濾波器，讓低頻分量順利通過，并有效地阻止高頻分量，這樣就可以有效濾除該領(lǐng)域內(nèi)的部分噪聲[6]。

根據(jù)卷積定理，低通濾波器的數(shù)學表達式為：

式中：F（u，v）為含噪聲的原始圖像的傅里葉變換；H（u，v）為傳遞函數(shù)；G（u，v）為經(jīng)過低通濾波的輸出圖像的傅里葉變換。

在常用低通濾波器中指數(shù)低通濾波器濾波后較其他類型所得圖像最為清晰，噪聲量少。指數(shù)低通濾波器：

式中：n為指數(shù)函數(shù)衰減率。

2.3 同態(tài)濾波

圖像的同態(tài)濾波作用是調(diào)整圖像的灰度范圍，消除圖像照明不均勻的問題，增強暗區(qū)的圖像細節(jié)，同時又不損失亮區(qū)的圖像細節(jié)。

通常，景物圖像f（x，y）可以由照明函數(shù)fi（x，y）與反射函數(shù)fr（x，y）的乘積表示：

式中：fi（x，y）為對景物照明的描述，而與景物內(nèi)容無關(guān)；fr（x，y）包含了景物細節(jié)信息，而與照明度無關(guān)。

因為照度分量在空間中是緩慢變化的，而反射分量在不同物體的交界處變化較劇烈，所以對圖像求對數(shù)后，其傅里葉變換的低頻部分主要對應(yīng)照度分量，而高頻主要對應(yīng)反射分量。由于2個函數(shù)的傅里葉變換是不可分的，不能直接對式（4）中fi（x，y）及fr（x，y）的頻域部分進行操作，可以采用對數(shù)運算將乘性分量變?yōu)榧有苑至浚缓筮M一步處理[7-9]，即

對式（5）取傅里葉變換得到

如果用傳遞函數(shù)H（x，y）的濾波器來處理對數(shù)圖像頻譜式F（x，y），則：

處理后，將G（u，v）進行傅里葉反變換，則有

最后，對S（x，y）進行指數(shù)運算就可得到增強后的圖像g（x，y）。

2.4 基于模糊對比度的圖像清晰化算法

在基于模糊對比度的增強算法中，在它的模糊域內(nèi)，定義一種新的隸屬度函數(shù)，對其正常的逆變換過程稍作改變，具體的算法[10]如下。

1）新定義的模糊域隸屬度函數(shù)為

式中：xmax，xmin分別為圖像的最大灰度值和最小灰度值；α為調(diào)整參數(shù)，一般取[0，0.5]。

根據(jù)選取的隸屬度函數(shù)，完成圖像由空域到模糊域的映射。在[0，1]的取值范圍內(nèi)，隸屬度的值越大，表示其對模糊集的隸屬程度越深。本文采用tan函數(shù)，將最初對模糊集的線性隸屬度進行了進一步的提高。由于tan函數(shù)擴大了最初屬于[0，1]取值區(qū)間內(nèi)的隸屬度值，因此需要參數(shù)α的調(diào)節(jié)。通過2次隸屬度的拉伸，隸屬度的值在[0，1]區(qū)間內(nèi)更加集中，線性度也有所改善，而且處理之后的圖像還能夠保留低灰度值的邊緣信息，克服了原始圖像低灰度值易被忽略的缺陷[11-14]。

2）在特征平面上，計算圖像最初的模糊對比度函數(shù)C，然后利用變換函數(shù)Fc對C進行增強處理?；趫D像對比度隨著景深系數(shù)的增大呈指數(shù)下降的特征，所以在定義對比度的變換函數(shù)Fc時還考慮了景深[12]。本文應(yīng)用到的對比度的變換函數(shù)為：

式中：Cu（xij）為點（i，j）在其模糊域局部的對比度；Fc為增強后的對比度；v為待定指數(shù)系數(shù)；深度值d根據(jù)交互式景深的估計算法獲得，然后再歸一化到d區(qū)間內(nèi)，各點的深度值可以通過式（11）求得：

式中：γ為比例系數(shù)，且γ∈（0，1）；當d=dmin時，γ=0；d= dmax時，γ=1。

3）通過Fc計算調(diào)整后的像素灰度隸屬度μ′ij和灰度值x′ij為

2.5 算法實現(xiàn)步驟

1）正交小波分解。在Matlab處理軟件中，調(diào)用正交小波變換函數(shù)對圖像f（x，y）進行正交小波變換，分別提取原紅外圖像的低頻及高頻子帶分量。

2）對低頻子帶分量進行同態(tài)濾波處理。選取H（u，v）高通濾波函數(shù)作為同態(tài)濾波的傳遞函數(shù)，其表達式如下：

式中：HH為高頻增益；HL為低頻增益；D（u，v）=[（u－u0）2+（v－v0）2]1/2，表示頻率（u，v）到濾波器中心（u0，v0）的距離；D0為（u0，v0）=（0，0）時D（u，v）的值，表示截止頻率。這里需要指出的是，該高通濾波函數(shù)是以（u0，v0）為中心圓對稱的。

一般情況下，選取H（u，v）下降至最大值1/2時的D（u，v）作為截止頻率D0，而文中選?。℉max－Hmin）+Hmin時對應(yīng)的D（u，v）作為截止頻率D0，其中，Hmax為H（u，v）的最大值；Hmin為H（u，v）的最小值。D0的值只與圖像本身有關(guān)，而與HH、HL的選取無關(guān)。通過實驗，最終選取HH=2db，HL=5db，D0=100 Hz。濾波函數(shù)特征曲線如圖2所示。

圖2 同態(tài)濾波函數(shù)Fig.2 Homomorphic filter function

3）對高頻分量進行低通濾波。采用指數(shù)低通濾波器對高頻子帶小波系數(shù)進行處理。通過實驗，最終選取D0=50 Hz，n=1.5。

4）小波重構(gòu)。針對同態(tài)濾波及低通濾波處理過的低頻分量和高頻分量，進行正交小波逆變換，重構(gòu)得到增強的圖像。

靜態(tài)變頻電源依靠電力電子器件開關(guān)形成變頻變壓輸出，由輸出濾波器保證輸出波形質(zhì)量，其電源輸出端阻抗比較大，非線性負載形成的諧波可能與濾波器以及逆變器形成諧振，所以一般認為除非特殊設(shè)計，靜態(tài)變頻電源不宜帶大功率非線性負載。而機組電源在這方面沒有太多顧忌，對非線性負載的承受能力就要高得多。

5）圖像模糊增強。圖像的模糊增強的基本思路是通過隸屬度函數(shù)實現(xiàn)圖像從空域到模糊域的映射，得到模糊特征平面。在這個模糊特征平面上，通過放大像素鄰域中各像素點之間的差異，再將其變回到空域，得到增強圖像。具體算法描述如下：①將小波重構(gòu)后的圖像從空域映射到模糊域，得到模糊特征平面；②在模糊特征平面上，進行模糊對比度增強變換；③計算步驟②增強后圖像的像素隸屬度及其灰度值，將圖像從模糊域變回空域，完成增強處理；④輸出增強后的圖像。

該算法的執(zhí)行流程如圖3所示。

圖3 圖像增強算法整體流程圖Fig.3 Overall flow chart of image enhancement algorithm

2.6 增強效果分析

用本文的方法對一張較模糊的輸電線路的紅外圖像進行處理，并對前后圖像的效果進行對比。對比圖如圖4所示。

圖4 圖像處理前后對比圖Fig.4 Comparison of an image before and after processing

原始灰度圖像噪聲較多，畫面偏白，模糊不清晰，而且背景對比不是很明顯；經(jīng)過小波分解，高低頻處理及小波重構(gòu)后，圖片清晰度和對比度增加，但由噪聲引起的畫質(zhì)粗糙程度仍然較高，而且桿塔和線路顏色過亮，不利于后期標定；經(jīng)過模糊對比度處理后，畫面更加清晰，粗糙程度明顯降低，而且桿塔和線路既與背景分離，又不至于過亮影響后期標定。實驗結(jié)果分析表明，該方法可以增加紅外圖像細節(jié)，提高圖像對比度和清晰度，能夠有效達到紅外圖像增強的目的。

為了客觀地評價圖像的增強效果，采用信息熵和模糊性指數(shù)2個評價指標，對其進行客觀的定量分析[15]。

1）信息熵。所謂信息熵，就是平均信息量，對于圖像灰度集X的任一灰度xi，假若xi出現(xiàn)的概率為P（xi），則圖像灰度集X的熵為

式中：P（xi）為灰度值為xi的像素數(shù)N（xi）與圖像總像素數(shù)N之比，即P（xi）=N（xi）/N。

圖像熵的大小反映其包含信息量的多少，熵值越大，表明圖像攜帶的信息量就越大，從而效果也越好。

2）模糊性指數(shù)。其定義為

式中：Q（i，j）=sin[0.5π（1－f（i，j）/fmax）]，f（i，j）為圖像中（i，j）位置處的灰度值；fmax為圖像最大灰度值。由模糊性指數(shù)的定義可知，圖像的清晰度會隨著模糊性指數(shù)的減小而增大。

表1給出了經(jīng)過算法增強前后圖像的對比度、信息熵和模糊性指數(shù)。

表1 增強前后評價指標對比Tab.1 Evaluation indexes before and after strengthening

由表1的數(shù)據(jù)可以看出，與原始圖像相比，本文算法得到的圖像模糊性指數(shù)明顯減小，信息熵則相對增大；而與小波重構(gòu)后的圖像相比，信息熵略有減少，主要因為本文算法在對圖像進行模糊增強時，對于部分灰度級的信息進行了抑制處理。但從總的處理效果上看，本文算法處理的圖像較原始圖像無論是信息熵還是模糊性指數(shù)都取得了較好的效果，能夠達到圖像增強的目的。

3 紅外圖像的分割與融合

3.1 顏色空間的選擇

RGB空間主要是由紅（Red）、綠（Green）、藍（Blue）三基色來表示，其他顏色則是由這3組分量按照一定的比例關(guān)系組成。RGB模型可用笛卡爾坐標系統(tǒng)來表示，如圖5所示。3個軸分別為R、G、B，這個三維空間的任意一點都是由這3組分量的亮度值合成，亮度值限定在[0，1]，在RGB顏色空間下，這3組分量是高度相關(guān)的，只要亮度有所改變，3組分量都會發(fā)生相應(yīng)變化。而且，由于RGB顏色空間很不均勻，因此2種顏色間的色差不能直接地表示為該顏色空間中2點間的距離[16]。

圖5 RGB顏色模型Fig.5 RGB color model

3.2 RGB標志檢測算法

根據(jù)RGB彩色模型的特點，其色彩提取方法最為關(guān)鍵的也最為難以嚴格界定的地方是R/G/B 3種顏色的判別規(guī)則。根據(jù)RGB顏色空間模型的組成，以模型原點為起點，合成包括坐標軸及4條對角線所對應(yīng)的顏色區(qū)間，如圖6所示。

圖6 RGB模型部分顏色區(qū)間Fig.6 A part of the color range of RGB model

R、G、B 3個顏色分量相關(guān)性較高，容易受到光照影響，RGB 3種色彩分量的差值基本分布在一定的值域內(nèi)，而且采用3種分量的差值還能有效減弱光照對圖像的影響。本文采用的就是這種RGB色彩分量差法。該方法的判別規(guī)則是當滿足R/G/B中的紅色分量和綠色分量同時不小于藍色分量，且差值在一定區(qū)間內(nèi)時，即判別某像素點為某種顏色，并通過設(shè)置判別閾值，來控制判別條件的顏色。根據(jù)多次實驗，將閾值設(shè)置為：0＜R-B＜120且10＜G-B＜100，并將區(qū)間外的部分設(shè)置為黑色，主要程序為：

分割后的圖像如圖7所示。

3.3 圖像的疊加

將分割后的圖像背景變?yōu)榘咨?，由于存在噪聲的影響白色背景會出現(xiàn)較密集的黑點，如圖8所示。

應(yīng)用Matlab的圖像融合函數(shù)將增強后的圖像與其融合，得到最終的圖像，如圖9所示。

圖7 分割后的圖像Fig.7 The image after segmentation

圖8 白色背景的分割圖像Fig.8 Image segmentation against white background

圖9 疊加后的圖像Fig.9 The image after superposition

與增強后的灰度圖像相比，融合后的圖像背景顏色更深，這是由于圖像的分割是基于原始圖像完成的，雖然模糊因素與極大部分的噪聲被黑色背景所屏蔽，但背景白色化之后，噪聲所產(chǎn)生的黑色噪點就明顯顯示出來，并對圖像融合的背景顏色產(chǎn)生影響。融合后的深色背景，更加增強了圖像的直觀性。與原始圖像相比，融合后的圖像增加了圖像細節(jié)，提高圖像清晰度，完整地表達了接觸網(wǎng)的信息，并通過顏色信息標定出接觸網(wǎng)溫度最高的區(qū)域，為調(diào)度人員對接觸網(wǎng)隱患的判斷提供了重要依據(jù)。

4 結(jié)語

本文主要介紹了一種模糊圖像顏色標定的方法，首先提出了一種基于小波變換與模糊對比度的圖像增強算法，對該算法各個環(huán)節(jié)所涉及到的理論及具體實現(xiàn)步驟進行了詳細說明，并對增強的圖像進行了定性分析和定量分析；其次通過顏色閾值的設(shè)定對原始彩色圖像進行了分割；最后將增強圖像與分割圖像進行融合，完成了圖像標定。該方法不僅提高了圖像的清晰度，保持了圖像自身特性，還對溫度最高區(qū)域進行了顏色標定，從而使相關(guān)人員通過紅外圖像能快速準確地判斷接觸網(wǎng)載流安全狀態(tài)以及找出故障點。

[1]樓偉群.紅外熱像技術(shù)在鐵路供電系統(tǒng)的應(yīng)用[J].中國鐵路，2014（10）:70-72.LOU Weiqun.Application of infrared thermography in railway power supply system[J].Chinese Rail Ways，2014（10）:70-72（in Chinese）.

[2]常宏韜，孟慶虎.基于小波變換的一種紅外圖像增強算法[J].河南科技大學學報，2015，36（1）:48-51.CHANG Hongtao，MENG Jinghu.Infrared image enhancement algorithm based on wavelet transform[J].Henan University of Science and Technology，2015，36（1）:48-51（in Chinese）.

[3]陳小明，顏景龍，李玉玨，等.基于信息冗余的小波紅外圖像去噪算法[J].激光與紅外，2013，43（3）:265-271.CHEN Xiaoming，YAN Jinglong，LIYujue，etal.Redundant wavelet denoising algorithm information for infrared images[J].Laser and Infrared，2013，43（3）:265-271（in Chinese）.

[4]李穎杰，楊華，王寶榮，等.一種改進的紅外圖像增強算法[J].紅外，2009，30（7）:45-48.LI Yingjie，YANG Hua，WANG Baorong，et al.An improved infrared image enhancement algorithm[J].Infrared，2009，30（7）:45-48（in Chinese）.

[5]馮貞，馬齊爽.基于小波分析的紅外圖像非線性增強算法[J].激光與紅外，2010，40（3）:315-318.FENG Zhen，MA Qishuang.Infrared image enhancement based on wavelet analysis of nonlinear algorithm[J].Laser and Infrared，2010，40（3）:315-318（in Chinese）.

[6]BAI X，ZHOU F，XUE B，et al.Infrared image enhan-cement through contrast enhancement by using multiscale new top-hat transform[J].Infrared Physics and Technology，2011，54（2）:61-69.

[7]JIN-HWAN KIM，WON-DONG JANG，JAE-YOUNG SIM，et al.Optimized contrast enhancement for real-time image and video dehazing[J].Journal of Visual Communication&Image Representation，2013，24（3）:410-425.

[8]鄭東梅，石俊生，宋曉輝，等.基于小波的同態(tài)濾波算法在ICT圖像增強中的應(yīng)用[J].長春理工大學學報，2007，30（3）:44-46.ZHENG Dongmei，SHI Junsheng，SONG Xiaohui，et al.Application of wavelet homomorphic filtering algorithm based on ICT image enhancement[J].Changchun University of Technology，2007，30（3）:44-46（in Chinese）.

[9]宋慶峰，呂緒良，隋明序，等.一種基于小波變換的圖像增強方法[J].光電技術(shù)應(yīng)用，2014，29（6）:39-42.SONG Qingfeng，Lü Xuliang，SUI Mingxu，et al.An image enhancement method based on wavelet transform[J].Optical Technology，2014，29（6）:39-42（in Chinese）.

[10]FU Zhizhong，YANG Yanjing，SHU Chang，et al.Improved single image dehazing using dark channel prior[J].Journal of Systems Engineering and Electronics，2015，（5）:1070-1079.

[11]THAKUR A，MISHRA D.Fuzzy contrast mapping for image enhancement[M].Signal Processing and Integrated Networks（SPIN）:IEEE，2015：549-552.

[12]CHEN Tianhua，ZHOU Aide，LI Huixi，et al.Vision enhancement technology of drivers based on image fusion[J].Transactions of Nanjing University of Aeronautics and Astronautics，2015，32（5）:495-501.

[13]JAFAR I F，DARABKH K A，AL-SUKKAR G M，et al.A rule-based fuzzy inference system for adaptive image contrast enhancement[J].The Computer Journal，2012，55（9）:1041-1057.

[14]DESHMUKH P.Fuzzy based contrast enhancement[M].Electrical， Electronics， Signals， Communication and Optimization（EESCO）:IEEE，2015：1-4.

[15]呂緒良，文劉強，榮先輝，等.基于小波變換的紅外圖像模糊與同態(tài)增強[J].解放軍理工大學學報，2013，14（2）:158-162.Lü Xuliang，WEN Liuqiang，RONG Xianhui，et al.Enhancement based on wavelet transform infrared image blur with the same state[J].PLA University of Technology，2013，14（2）:158-162（in Chinese）.

[16]王天翔，張捍東，岑豫皖，等.基于在線處理系統(tǒng)的圖像分析方法研究[J].信息系統(tǒng)工程，2015（8）:126-128.WANG Tianxiang，ZHANG Handong，CEN Yuwan，et al.Based on image analysis processing system online[J].Information Systems Engineering，2015（8）:126-128（in Chinese）.

（編輯 李沈）

The Image Processing of the Catenary Current-Carrying Security Status Detection Based on the Infrared Thermal Imager

LIU Jiajun1，LUO Jun2，ZHANG Wei1，LIU Xiaochuan2，YANG Hanpeng1
（1.Institute of Water Resources and Hydro-Electric Engineering，Xi’an University of Technology，Xi’an 710048，Shaanxi，China；2.Supply Power Department of Xi’an Railway Bureau，Xi’an 710054，Shaanxi，China）

The vehicular infrared imager is an efficient and convenient tool to test current-carrying safety of catenary.However，images obtained may be obscure and gray under the influence of the environment and the speed of the vehicle.To improve the quality of the image，the paper proposes an image enhancement technique based on wavelet transform and fuzzy contrast algorithm，which enhances the clarity of the image and enriches the information conveyed through the image.The original image is also segmented using RGB color space，and the area with the highest temperature of the infrared image is labeled through image fusion，so as to meet the requirement of human visual sensing and computer analysis.This method can serve as an effective means to accurately assess the catenary current-carrying safety status and to examine hidden danger.

catenary；current-carrying status；infrared image；image processing

2016-01-12。

劉家軍（1967—），男，教授，博士生導師，主要研究領(lǐng)域為電力系統(tǒng)自動化；

羅 軍（1970—），男，工程師，主要從事牽引供電系統(tǒng)運營與生產(chǎn)工作；

張 偉（1990—），男，碩士研究生，主要研究方向為電力系統(tǒng)的測量、保護與控制；

劉小川（1985—），男，工程師，主要從事牽引供電運營檢修工作；

楊瀚鵬（1993—），男，碩士研究生，主要研究方向為電力系統(tǒng)的測量、保護與控制。

2015年西安市科技計劃項目（CXY1509（17））。

Project Supported by the Science and Technology Innovation Support Program of Xi’an Government in 2015（CXY1509（17））.

1674-3814（2016）11-0055-07

U226.5

A