白青林，喬梅

（北京市軌道運(yùn)營(yíng)有限公司，北京 100000）

電氣化鐵路的安全穩(wěn)定運(yùn)行對(duì)牽引供電系統(tǒng)要求較高，接觸網(wǎng)設(shè)備是鐵路基礎(chǔ)設(shè)施的重要組成部分，其良好的運(yùn)用狀態(tài)是電力機(jī)車、動(dòng)車組正常運(yùn)行及運(yùn)輸組織暢通的前提條件之一。接觸網(wǎng)懸掛裝置的故障診斷歷經(jīng)了從人工判別到自動(dòng)化識(shí)別的過(guò)程，人工識(shí)別采集接觸網(wǎng)元器件圖片的效率不能滿足列車運(yùn)行要求。吊弦是接觸網(wǎng)系統(tǒng)檢測(cè)的重要部件之一，吊弦缺陷主要可分為吊弦斷裂、吊弦不受力、吊弦散股、螺栓松脫、雞心環(huán)斷開(kāi)等缺陷類型，吊弦是鏈形懸掛的重要組成部件之一，利用調(diào)節(jié)吊弦的長(zhǎng)短來(lái)保證接觸懸掛的結(jié)構(gòu)高度、接觸線的松弛度、接觸線距軌面的高度以及線岔處的水平、抬高，改善接觸懸掛的彈性，調(diào)整接觸線的弛度，保證接觸線與受電弓良好滑擦，提高電力機(jī)車受電弓取流質(zhì)量，因此，吊弦缺陷檢測(cè)是極其必要的。本文為提升對(duì)吊弦的檢測(cè)能力，對(duì)接觸網(wǎng)吊弦缺陷檢測(cè)算法應(yīng)用展開(kāi)研究，構(gòu)建基于ASM（active shape model）算法，通過(guò)構(gòu)建吊弦檢測(cè)流程，對(duì)接觸網(wǎng)圖像進(jìn)行預(yù)處理與分割技術(shù)處理，利用ASM算法，實(shí)現(xiàn)對(duì)吊弦缺陷的準(zhǔn)確識(shí)別，通過(guò)選取真實(shí)路段上的吊弦缺陷進(jìn)行檢測(cè)，驗(yàn)證算法的準(zhǔn)確性與可行性。

1 吊弦圖像預(yù)處理與分割

為了提高對(duì)吊弦缺陷檢測(cè)的精度，需制定專門的檢測(cè)流程，如圖1所示。

圖1 吊弦檢測(cè)流程圖

1.1 吊弦圖像預(yù)處理

利用計(jì)算機(jī)圖像處理技術(shù)，將彩色圖像數(shù)據(jù)進(jìn)行灰度化處理，利用灰度圖片局部亮度的分布與特征替代彩色圖片數(shù)據(jù)中的圖像整體特性，在保證辨識(shí)率的同時(shí)，得到辨識(shí)率更高的灰色圖像?；叶忍幚碇谐Ｓ玫饺N處理方法，分別為平均值法、最大值法、加權(quán)平均法，本方案選取加權(quán)平均值。加權(quán)平均值法中，將彩色圖像數(shù)據(jù)中每個(gè)像素點(diǎn)的基本像素賦予不同的權(quán)重值，根據(jù)理論研究可知，G分量識(shí)別率高于R分量高于B分量，將圖像灰度化處理后，為得到更好的顯示效果，分別賦予G、R、B分量0.59、0.3、0.11的權(quán)重，將加權(quán)平均取值得到的結(jié)果替代原有彩色圖像數(shù)據(jù)中R、G、B像素點(diǎn)值，即：

攝像機(jī)拍攝得到圖像會(huì)存在噪聲干擾。噪聲干擾嚴(yán)重影響圖片清晰度與識(shí)別度，模糊的圖像信息對(duì)圖像的提取分析結(jié)果精度造成較大干擾，為提升圖像信息的識(shí)別度，圖像去噪處理的必要環(huán)節(jié)，選取中值濾波器。

中值濾波是一種典型的非線性濾波算法，在實(shí)際應(yīng)用中，該濾波對(duì)處理圖像細(xì)節(jié)的模糊、除脈沖干擾和孤立噪聲干擾等效果顯著。中值濾波算法將圖像劃分為若干個(gè)窗口，選取所需計(jì)算數(shù)據(jù)點(diǎn)的窗口，將窗口中的數(shù)據(jù)提取出奇數(shù)個(gè)數(shù)據(jù)點(diǎn)，將提取后的數(shù)據(jù)點(diǎn)按照大小進(jìn)行排序，位于中間位置的像素點(diǎn)作為替代原有數(shù)據(jù)點(diǎn)。中值濾波器可以完成圖片中所有窗口中的像素中值濾波處理，即：

通過(guò)去噪后的圖像還需要增強(qiáng)畫質(zhì)，以便用于后續(xù)的剪裁和定位。由于某些情況，拍攝的圖片會(huì)相對(duì)模糊，并不能很好地符合要求。因此需要對(duì)圖像進(jìn)行增處理，選取限制對(duì)比度自適應(yīng)直方圖法。該方法通過(guò)限制直方圖的部分區(qū)域的高度達(dá)到限制對(duì)比的增強(qiáng)幅度，由此可以限制噪聲及對(duì)比度的過(guò)度增大，來(lái)改善圖片的畫質(zhì)。

假設(shè)圖片的大小為N×N，其局部映射函數(shù)為：

式中，CDF(i)表示圖片的累積分布函數(shù)，其求導(dǎo)為直方圖Hist(i)，由此可以計(jì)算出n(i)的斜率M：

計(jì)算得到的斜率為圖片對(duì)比度增大的程度函數(shù)，要限制其增大的幅度才能保證有效地去噪。設(shè)定斜率的最大值為Mmax，則：

在保證圖片不發(fā)生損耗或面積變化的前提下，均衡后的高度不能大于Hmax。設(shè)定一個(gè)閾值T，在此處對(duì)圖片進(jìn)行裁剪，同時(shí)將裁去的部分均勻地分布在灰階范圍內(nèi)，由此受電弓的直方圖的高度會(huì)增大，假定為L(zhǎng)，則Hmax=T+L

由此達(dá)到均衡后的直方圖為：

通過(guò)該方法處理的圖像灰度分布和原圖接近，且亮度差異很小，同時(shí)將特征區(qū)域的圖像對(duì)比度增強(qiáng)，突出了受電弓的細(xì)節(jié)，減少對(duì)細(xì)節(jié)的干擾，有效地限制圖像噪聲的放大，可以滿足后續(xù)的處理。

1.2 吊弦圖像分割

通過(guò)圖像的去噪和增強(qiáng)，片中包含的信息較多，還存在一定的其他設(shè)備的干擾。圖像分割就是實(shí)現(xiàn)干擾源與目標(biāo)的分離、背景與目標(biāo)的分離。通過(guò)圖像的分割將更有利于目標(biāo)的識(shí)別和定位，選擇基于邊緣的方法。目標(biāo)的邊緣是其重要的特征，而邊緣是圖像中灰度值在其相鄰的區(qū)域內(nèi)存在局部突變現(xiàn)象，同時(shí)相互之間彼此連通的像素的集合，邊緣檢測(cè)的方法有效實(shí)現(xiàn)目標(biāo)和背景分割。常用的邊緣檢測(cè)方法有很多，而基于Canny算法的邊緣檢測(cè)是一個(gè)可以實(shí)現(xiàn)濾波、圖像增強(qiáng)及檢測(cè)多階段的優(yōu)化算法，其優(yōu)點(diǎn)多，如檢測(cè)方向全、抵抗干擾能力強(qiáng)、封閉性好以及還原圖像信息能力強(qiáng)等。

2 吊弦ASM構(gòu)建

ASM以點(diǎn)分布模型為基礎(chǔ)，選取樣本特征點(diǎn)進(jìn)行訓(xùn)練，訓(xùn)練后的ASM 能夠得到特征點(diǎn)分布的統(tǒng)計(jì)信息，并以此為基礎(chǔ)對(duì)目標(biāo)圖像特征點(diǎn)展開(kāi)尋找。在ASM訓(xùn)練中，需記錄樣本中的關(guān)鍵特征點(diǎn)的位置，特征點(diǎn)的具體位置可通過(guò)手動(dòng)或者半自動(dòng)標(biāo)記，將計(jì)算得到的特征值的灰度模型中的值作為特征向量。吊弦ASM構(gòu)建方法步驟如下：

2.1 吊弦學(xué)習(xí)樣本標(biāo)定

吊弦圖像經(jīng)過(guò)圖像預(yù)處理，完成去噪后，圖像中吊弦輪廓邊界點(diǎn)、角點(diǎn)位置較為清晰，將其設(shè)定為特征點(diǎn)，并人工對(duì)其進(jìn)行標(biāo)記。標(biāo)記時(shí)，采用PDM對(duì)吊弦形狀進(jìn)行描述，同時(shí)，每張吊弦圖像中設(shè)定數(shù)量相同的特征點(diǎn)，吊弦圖像的特征點(diǎn)數(shù)學(xué)表示與學(xué)校樣本集可表示為：

式中，N為特征點(diǎn)總數(shù)；M為圖像總數(shù)。

ASM訓(xùn)練。ASM訓(xùn)練主要包含特征點(diǎn)對(duì)齊與ASM建立兩部分。訓(xùn)練步驟如下：

①將吊弦形狀xi進(jìn)行重新排布，通過(guò)進(jìn)行大小調(diào)整、位置變換等方式將其與xi對(duì)齊，得到變換后的形狀集合。

②對(duì)圖像進(jìn)行平均處理。

③將平均形狀m進(jìn)行大小調(diào)整、位置變換等排布調(diào)整，對(duì)齊。

④將x進(jìn)行大小調(diào)整、位置變換等排布調(diào)整，對(duì)齊平均形狀m。

⑤重復(fù)跳轉(zhuǎn)至②步驟，直至平均形狀m出現(xiàn)收斂，停止對(duì)齊處理。

平均形狀收斂的評(píng)判依據(jù)為：

此時(shí)，圖像中各吊弦形狀與平均形狀之差的平方和最小；吊弦對(duì)齊時(shí)：

若x與訓(xùn)練集是相關(guān)的合理形狀，該估計(jì)能較好地?cái)M合真實(shí)形狀。

2.2 吊弦區(qū)域初步定位

為了縮短吊弦檢測(cè)的計(jì)算時(shí)間，提升檢測(cè)精度，需要對(duì)吊弦區(qū)域進(jìn)行定位，去除多余的干擾像素。開(kāi)展區(qū)域搜索可得到吊弦的整體圖像。具體步驟如下：

（1）在接觸線邊緣定位的特征點(diǎn)基礎(chǔ)上，將與其相交的兩條直線交點(diǎn)作為新的特征點(diǎn)，以交點(diǎn)為中心向左右延伸進(jìn)行搜索。

（2）區(qū)域內(nèi)包括兩條直線l1、l2，兩條直線傾斜角度分別為φ1、φ1，兩角度相差45°。

經(jīng)過(guò)對(duì)吊弦位置進(jìn)行區(qū)域搜索后，在輸入的邊緣圖像中進(jìn)行曲線數(shù)據(jù)壓縮，將邊緣線段中長(zhǎng)度較短的去除，利用Hough變換將左右兩個(gè)吊弦邊緣線段進(jìn)行搜索，搜索控制在35～55°和125～145°范圍內(nèi)，搜索完得到吊弦的初始定位區(qū)域。

2.3 吊弦檢測(cè)與識(shí)別

吊弦區(qū)域經(jīng)過(guò)初步定位后并未達(dá)到精確識(shí)別與檢測(cè)的要求，需利用主動(dòng)形狀模型學(xué)習(xí)算法對(duì)吊弦區(qū)域進(jìn)行精確匹配。具體步驟如下：

（1）根據(jù)吊弦主動(dòng)形狀模型中的平均形狀和吊弦的初始位置，初始化吊弦形狀，即。

（2）以吊弦初始定位中的標(biāo)記點(diǎn)為基礎(chǔ)，向領(lǐng)域搜索，選定鄰域中的梯度值最大的像素點(diǎn)作為最佳目標(biāo)位置；當(dāng)鄰域中存在最佳目標(biāo)點(diǎn)，標(biāo)記點(diǎn)以最佳目標(biāo)點(diǎn)為方向移動(dòng)，若不存在，標(biāo)記點(diǎn)原位置不變。

（3）標(biāo)記點(diǎn)移動(dòng)造成吊弦的初始形狀發(fā)生改變，初始形狀與移動(dòng)后形狀之間存在位移向量，即：

（4）將姿態(tài)參數(shù)進(jìn)行步驟（2）和（3）若干次后，對(duì)變換后姿態(tài)參數(shù)進(jìn)行判斷，當(dāng)姿態(tài)參數(shù)數(shù)值可忽略時(shí)，判定吊弦圖形的存在；反之不存在。

3 吊弦缺陷檢測(cè)實(shí)驗(yàn)

本文采用某鐵路線段4C高清圖像作為訓(xùn)練樣本，共計(jì)1000張，同時(shí)針對(duì)吊弦斷裂、吊弦不受力、吊弦散股三種吊弦常見(jiàn)缺陷，分別在50張無(wú)缺陷圖片中添加50張有缺陷測(cè)試圖像進(jìn)行識(shí)別，驗(yàn)證檢測(cè)算法的有效性；選取150張無(wú)缺陷圖像作為干擾因素，分別選取吊弦斷裂、吊弦不受力、吊弦散股等缺陷圖像各50張，統(tǒng)計(jì)算法的識(shí)別率，驗(yàn)證算法的準(zhǔn)確度。

3.1 吊弦的缺陷檢測(cè)實(shí)驗(yàn)

針對(duì)吊弦斷裂、吊弦不受力、吊弦散股三種吊弦常見(jiàn)缺陷的共300張圖像中，吊弦斷裂、吊弦不受力、吊弦散股典型圖像各4張，經(jīng)過(guò)算法檢測(cè)后，成功將12張存在缺陷的圖像識(shí)別出，檢測(cè)結(jié)果如圖2所示。

圖2 吊弦缺陷檢測(cè)圖

如圖2所示，經(jīng)過(guò)算法檢測(cè)后，12張圖像被成功識(shí)別，缺陷點(diǎn)識(shí)別結(jié)果準(zhǔn)確，并在圖中將缺陷位置進(jìn)行了標(biāo)記。

3.2 算法檢測(cè)準(zhǔn)確性測(cè)試

為更加形象直觀地反映算法的準(zhǔn)確性，對(duì)吊弦斷裂、吊弦不受力、吊弦散股、3種缺陷檢測(cè)效果進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如表1所示。

表1 吊弦缺陷檢測(cè)系統(tǒng)的檢測(cè)結(jié)果統(tǒng)計(jì)表

表中：準(zhǔn)確率=檢測(cè)正確缺陷樣本/缺陷總樣本；

誤檢率=誤檢數(shù)/樣本總數(shù)；

漏檢率=漏檢數(shù)/樣本總數(shù)。

通過(guò)表中數(shù)據(jù)可知，算法對(duì)吊弦斷裂、吊弦不受力缺陷檢測(cè)準(zhǔn)確率較高，同時(shí)誤檢率能夠得到很好的抑制，從而能夠節(jié)省計(jì)算資源，并為運(yùn)維人員提供準(zhǔn)確的維修參考數(shù)據(jù)；螺栓松脫缺陷檢測(cè)精度較高，誤檢率也得到了較好的抑制，能夠在實(shí)際工作中得到較好的應(yīng)用；四種缺陷類型中散股的檢測(cè)精度最低，但也保證了80%以上的檢測(cè)精度，但是出現(xiàn)較高的誤檢率，從而需要人工或二次篩選，降低了工作效率，究其原因?yàn)椋撼霈F(xiàn)散股現(xiàn)象的圖像中，散股缺陷通常較小，只占據(jù)5～10個(gè)像素點(diǎn)，同時(shí)干擾因素較多，因此，優(yōu)化散股檢測(cè)應(yīng)成為接下來(lái)算法優(yōu)化的重點(diǎn)。

4 結(jié)語(yǔ)

基于ASM（active shape model）算法對(duì)接觸網(wǎng)吊弦缺陷檢測(cè)，從吊弦的預(yù)處理和吊弦的缺陷檢測(cè)改進(jìn)，實(shí)驗(yàn)結(jié)果表明，該算法對(duì)吊弦多種缺陷類型能夠?qū)崿F(xiàn)準(zhǔn)確識(shí)別，識(shí)別準(zhǔn)確率較高，對(duì)提升吊弦檢測(cè)水平提供重要支持，為后續(xù)工作提供寶貴意見(jiàn)。