基于圖像處理的接觸網(wǎng)定位線夾目標檢測

張春春，王嵩，張冬凱，周勝

(西南交通大學 電氣工程學院，四川 成都 610031)

?

基于圖像處理的接觸網(wǎng)定位線夾目標檢測

張春春，王嵩，張冬凱，周勝

(西南交通大學 電氣工程學院，四川 成都 610031)

摘要:隨著接觸網(wǎng)故障檢測技術(shù)的發(fā)展，接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測裝置可得到接觸網(wǎng)定位裝置的海量高清圖像用于線下故障排查。為提高故障檢測的效率和準確性，基于圖像處理技術(shù)，根據(jù)定位線夾區(qū)域的結(jié)構(gòu)特征設(shè)計定位線夾目標區(qū)域的檢測算法，并通過實際圖像數(shù)據(jù)驗證算法的有效性和通用性。該算法對于背景復雜、光照不均、含噪聲等現(xiàn)場實際圖像均具有良好的適應性，算法檢測準確率達90%以上，極大提高了檢測效率并為進一步的缺陷檢測奠定了基礎(chǔ)，具有重要的實際工程意義。

關(guān)鍵詞：接觸網(wǎng)檢測；圖像處理；故障檢測；定位線夾

接觸網(wǎng)是電氣化鐵路的重要設(shè)備，由接觸懸掛、支持裝置、定位裝置、支柱與基礎(chǔ)幾部分組成，其技術(shù)參數(shù)是否符合要求直接影響鐵路供電和行車安全。為保證電氣化鐵路的安全運營，原鐵道部積極構(gòu)建高速鐵路供電安全檢測監(jiān)測系統(tǒng)(6C系統(tǒng))，并于2012年7月發(fā)布實施《高速鐵路供電安全檢測監(jiān)測系統(tǒng)(6C系統(tǒng))總體技術(shù)規(guī)范》[1]。接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測裝置(簡稱4C系統(tǒng))是6C系統(tǒng)的重要組成部分，中國鐵路總公司于2014年8月進一步給出了4C系統(tǒng)的技術(shù)條件。接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測裝置著眼于接觸網(wǎng)懸掛及其部件的技術(shù)狀態(tài)檢測，安裝于接觸網(wǎng)檢測車、作業(yè)車或其他專用軌道車輛頂部，對接觸網(wǎng)的零部件實施成像檢測。通過對圖像數(shù)據(jù)檢測分析，發(fā)現(xiàn)故障并指導現(xiàn)場消除故障。在接觸網(wǎng)懸掛中，定位線夾連接著接觸線和支持裝置[2]，承受著弓網(wǎng)最大沖擊力和接觸線張力，是最重要也是最薄弱的零部件，實際運營中多次發(fā)生松動、脫落等故障，其嚴重故障甚至可能造成接觸線脫落引發(fā)弓網(wǎng)事故。目前定位線夾的檢測方式主要是人工線路巡檢和人工查看4C系統(tǒng)得到的高清圖像[3]，人力消耗大且效率低下，同時由于接觸網(wǎng)懸掛結(jié)構(gòu)多變且缺陷種類繁多，技術(shù)人員面對單張圖像需要觀察多處不同類型故障，也導致工作效率難以提高。圖像處理的高精度、高效率、自動化等優(yōu)點使得其在接觸網(wǎng)懸掛智能化檢測中的應用越來越廣泛，目前已實現(xiàn)了基于圖像處理的定位器坡度檢測[4]、定位器識別[5]、接觸網(wǎng)幾何參數(shù)測量[6]及絕緣子故障檢測[7]等。然而國內(nèi)外針對定位線夾的目標檢測及故障分析的研究很少，實際工程應用也尚無先例。本文利用跨平臺計算機視覺庫OpenCV設(shè)計了基于圖像處理的定位線夾的自動定位及提取局部圖像算法,通過多條線路實測檢驗了算法的通用性及有效性。該方法極大地提高了線夾故障的檢測效率并為后續(xù)故障識別提供基礎(chǔ)。

1定位線夾與接觸網(wǎng)懸掛檢測系統(tǒng)

1.1　定位線夾及其工作狀態(tài)

定位線夾安裝在定位器上，與定位管、定位器及連接零件一起組成接觸網(wǎng)定位裝置，圖1為其安裝結(jié)構(gòu)圖。定位線夾的作用是把接觸線按設(shè)計標準拉出值的要求固定在一定位置，保證接觸線工作面平行于軌面。定位線夾長期工作在接觸線張力下，在之字力、曲線力作用下會彎曲變形，另外機車受電弓經(jīng)過時產(chǎn)生的高頻振動，也會使線夾發(fā)生螺帽松動或者脫落，這些狀況的發(fā)生均可能導致定位器脫落引發(fā)弓網(wǎng)故障。定位線夾作為接觸網(wǎng)懸掛的關(guān)鍵部件之一，受力和振動的影響大，會產(chǎn)生不同程度的損壞引發(fā)弓網(wǎng)故障等因素，使得定位線夾的檢測成為接觸網(wǎng)檢測的重中之重。

1.2　接觸網(wǎng)懸掛狀態(tài)檢測裝置

接觸網(wǎng)懸掛檢測裝置結(jié)構(gòu)作為成像檢測系統(tǒng)，綜合了激光攝像技術(shù)、動態(tài)拍攝技術(shù)、圖像處理技術(shù)、數(shù)據(jù)庫技術(shù)等。該裝置可以在接觸網(wǎng)作業(yè)車或?qū)Ｓ密囕v行駛過程中自動識別支持裝置，從而確定成像設(shè)備定點拍攝的時機，使所拍攝的圖像能夠有效呈現(xiàn)接觸網(wǎng)支持裝置、接觸懸掛、附加懸掛及吊柱座區(qū)域零部件的技術(shù)狀態(tài)。通過高清相機及圖像穩(wěn)定技術(shù)得到高分辨率圖像，可分辨部件松、脫、斷、裂等故障，同時可提供站區(qū)、桿號、公里標等綜合信息用于定位。

圖1　定位裝置及定位線夾Fig.1 Registration device and steady clamp

支持裝置成像相機組由12個分辨率為6 576×4 384的2 900萬像素工業(yè)相機組成。相機分為兩組，分別從正反面對沿線支持裝置、定位裝置進行全覆蓋高清拍攝，成像范圍為軌頂連線以上4 800~8 400 mm范圍與軌頂連線的垂直中心線左側(cè)3 900 mm至右側(cè)3 900 mm范圍相交叉區(qū)域，空間分辨率可達0.4 mm/pixel，高分辨率的圖像為進一步分辨裂紋、松脫等零部件細節(jié)缺陷提供支持。本文采用的圖片數(shù)據(jù)便來自于裝置中拍攝定位線夾關(guān)鍵區(qū)域的相機。

圖2　接觸網(wǎng)懸掛檢測裝置Fig.2 Suspension in catenary detection device

2定位線夾圖像檢測算法

4C裝置得到的是6 576×4 384的2 900萬像素圖像，而定位線夾只占圖像的1/45面積，在每張圖像中準確定位定位線夾區(qū)域，并提供區(qū)域局部圖像，可有效的提高檢測效率。相較于定位線夾，定位器的尺寸較大且有明顯的直線特征，因此可先根據(jù)直線特征檢測到定位器，縮小檢測范圍，再對端點區(qū)域內(nèi)檢測，識別判定定位線夾位置。因此，設(shè)計的算法分成定位器的檢測和定位線夾的識別2個步驟。

2.1　定位器檢測

圖像采集裝置全天候拍攝，天氣各不相同、背景也復雜多變，這些因素都會造成圖像光照不均，質(zhì)量不一。因此，為突出圖像中各支持結(jié)構(gòu)的線段特征，首先對圖像進行邊緣檢測及形態(tài)學處理，以分割前景和背景。然后在分割后的圖像上進行直線檢測并選擇端點區(qū)域為候選區(qū)域。

2.1.1圖像預處理

邊緣是目標的基本特征，有效的邊緣檢測可以分離目標區(qū)域和背景區(qū)域，為之后的形狀分析及目標檢測做準備。常用的邊緣檢測有Roberts算子、Prewitt算子、Sobel算子、LoG方法(高斯-拉普拉斯算子)、Canny算子，利用上述各算子對圖像進行邊緣檢測，檢測效果如圖3所示。從圖中可以看出Canny算子提取的邊緣清晰完整、封閉性好，且更接近真實邊緣。結(jié)合定位器直線檢測需求，本文選用Canny算子進行邊緣檢測。

圖3　不同微分算子的邊緣檢測結(jié)果Fig.3 Different differential operator of edge detection

Canny算子[8]是通過高斯濾波器平滑圖像去除噪聲，用一階偏導有限差分計算梯度幅值和方向，并抑制非極大值，利用雙閾值算法 (其中大閾值控制強邊緣的初始分割，小閾值控制邊緣連接)實現(xiàn)邊緣提取，但是梯度閾值依賴人工選取。利用不同梯度閾值的Canny算子對采集到的圖像進行邊緣檢測，結(jié)果如圖4所示。從圖中可以看出Canny算子閾值過高會漏掉重要的結(jié)構(gòu)信息，閾值過低會顯示無用的枝節(jié)信息。另外，針對不同線路采用固定閾值會極大影響算法通用性及效果。為此本文提出了基于圖像歸一化直方圖計算概率均值并自動分區(qū)間設(shè)置Canny閾值的方法，以滿足不同光照條件和圖像質(zhì)量情況下的圖像分割。

圖4　不同閾值下Canny結(jié)果Fig.4 Canny results of different thresholds

計算圖像的歸一化直方圖，如圖5所示。根據(jù)圖像各個灰度值與出現(xiàn)頻率的對應關(guān)系，可計算得到灰度概率均值，并依據(jù)概率均值分區(qū)間設(shè)置Canny閾值。概率均值計算步驟如下：

1)求取歸一化直方圖峰值對應的灰度值：

(1)

2)求取最小長度分布區(qū)間(α,β)，使得α≤gmax≤β，區(qū)間內(nèi)灰度概率和>=50%，即：

(2)

3)求取概率均值：

(3)

上述各式中符號含義如下：g為歸一化直方圖中各灰度值；Pg為歸一化直方圖中各灰度值對應的概率；gmax為歸一化直方圖峰值對應的灰度值；gm為灰度概率均值；(α,β)為歸一化直方圖中滿足區(qū)間概率和>=50%的最小區(qū)間。

圖5　歸一化直方圖Fig.5 Image normalized histogram

經(jīng)過大量實際數(shù)據(jù)測試，根據(jù)實際圖像效果得到各概率均值所在區(qū)間對應Canny閾值設(shè)置如表1。

表1　Canny算子閾值表

圖像預處理具體步驟如下：

Step 1:縮小原圖像。定位器在圖中相對尺寸較大，縮小原圖像可在不影響定位器檢測的基礎(chǔ)上提高運算。

Step 2:計算歸一化直方圖概率均值，分區(qū)間設(shè)置Canny算子梯度閾值，對圖像進行邊緣檢測。

Step 3:對邊緣圖像進行形態(tài)學腐蝕、膨脹處理，連接相鄰區(qū)域。

2.1.2直線檢測及中心線提取

形態(tài)學處理后的邊緣圖像中，各部件直線特征更加明顯，在此基礎(chǔ)上進行全局直線檢測，再進一步依據(jù)長度、位置及角度信息進行聚類篩選，得到符合定位器特征的直線，并提取直線端點區(qū)域為候選區(qū)域。

最常用的直線檢測方法是Hough變換[9-10]，其原理是利用圖像空間和Hough參數(shù)空間的點-線對偶性，把圖像空間中的檢測問題轉(zhuǎn)換到參數(shù)空間，通過在參數(shù)空間里進行累加統(tǒng)計，在Hough參數(shù)空間尋找累加器峰值的方法檢測直線。利用Hough變換檢測直線，可連續(xù)完整地提取圖像中各結(jié)構(gòu)直線，且受噪聲干擾、其他目標遮擋影響小。具體算法過程如下。

Step 1：Hough檢測。

由于接觸懸掛相機位置固定，且根據(jù)定位器安裝技術(shù)標準，定位器坡度值在一定范圍內(nèi)，對實際采集到的圖像中定位器直線角度進行分析，結(jié)果如圖6左圖所示，可得到定位器角度主要分布在(-25°,10°)范圍內(nèi)的結(jié)論。為了適應實際多變的情況，算法加入裕量，檢測并篩選角度范圍在(-35°,20°)內(nèi)的直線。

Step 2：直線聚類并求取類中心線。

由Step 1可得到圖像中所有符合角度條件的直線，但是每個部件位置存在多條直線。為避免后續(xù)處理過程中，同一部件端點區(qū)域被重復提取，因此對直線進行聚類、融合并提取類中心線，各部件由中心線表示。

以直線角度θ和原點到直線距離ρ作為直線特征值，一幅圖像中所有直線的ρ和θ的分布如圖6右圖所示。從圖中可以看出，同一部件的多條直線其特征值分布比較集中，而不同部件間直線特征值距離較遠，因此利用ρ和θ對直線聚類，以此區(qū)分不同部件。

圖6　定位器角度和直線特征量分布圖Fig.6 Steady arm angle and line feature quantity distribution diagram

Step 3：提取直線端點區(qū)域為候選區(qū)域。

Step 2的中心線包含了部件在圖像中的相對位置、角度及長度信息。首先，受電弓端點區(qū)域不是候選區(qū)域，其中心線為兩條平行線，可基于此排除受電弓中心線。然后，其余各直線依據(jù)位置信息區(qū)分正定位和反定位，并選擇左端點或右端點區(qū)域作為定位線夾候選區(qū)域。

定位器檢測總體過程如圖7，其中7(a)為原圖，7(b)為圖像邊緣檢測和形態(tài)學處理結(jié)果，7(c)為直線檢測及聚類結(jié)果，7(d)為排除受電弓中心線結(jié)果。

(a)原圖；(b)邊緣檢測和形態(tài)學處理結(jié)果；(c) 直線檢測及聚類結(jié)果；(d) 排除受電弓中心線結(jié)果圖7　定位器檢測過程Fig.7 Steady arm detection

2.2　定位線夾識別

定位器檢測可能得到的所有端點候選區(qū)域位置如圖8所示，依次分析4個區(qū)域內(nèi)的直線分布:

1)定位管端點區(qū)域1: 區(qū)域內(nèi)不存在縱向的接觸線，直線分布如圖9(a)；

2)受電弓端點區(qū)域3和4：區(qū)域內(nèi)存在縱向直線，且與橫向直線相交，以兩直線交點為圓心、橫向直線的1/2為半徑取圓，該圓與兩條直線有2個交點，直線分布如圖9(b)；

3)定位器端點區(qū)域2：區(qū)域內(nèi)存在縱向直線接觸線，且與橫向直線相交，以兩直線交點為圓心、橫向直線的1/2為半徑取圓，該圓與兩條直線有3個交點,兩直線成T形交叉結(jié)構(gòu)，直線分布如圖9(c)，相應圖像為圖9(d)。

圖8　圖像感興趣區(qū)域分析Fig.8 Region of interest image analysis

由上述分析可知，同時滿足1)區(qū)域內(nèi)存在縱向直線，2)縱向橫向直線相交，3)兩直線成T形交叉結(jié)構(gòu)這3個條件的區(qū)域即為定位線夾區(qū)域。定位線夾識別主要步驟如下。

Step 1: 縱向直線檢測。

在各候選區(qū)域內(nèi)進行縱向直線檢測，如果不存在縱向直線，則該區(qū)域非定位線夾區(qū)域；若存在，則進行下一步判定。

Step 2: T形特征檢測。

若縱向直線與橫向直線不相交，則該區(qū)域非定位線夾區(qū)域；如相交，以交點為圓心、橫向直線的1/2為半徑取圓，該圓與兩條直線有3個交點,則判定為T形結(jié)構(gòu)，該區(qū)域為定位線夾區(qū)域，返回直線端點坐標即為定位線夾坐標。

(a) 區(qū)域1直線分布；(b)區(qū)域3直線分布；(c)區(qū)域2直線分布；(d)定位線夾區(qū)域圖9　定位線夾識別Fig.9 Steady clamp recognition

3實際線路運行結(jié)果及分析

在Microsoft Visual C++下，利用OpenCV圖像處理平臺運行前文所述的算法，在接觸網(wǎng)懸掛狀態(tài)檢測管理軟件中對實際多條線路拍攝的線路圖片進行定位線夾的目標檢測實驗，結(jié)果如表2，準確率可達90%以上。

統(tǒng)計結(jié)果驗證了算法的有效性和通用性，通過進一步分析實驗結(jié)果，可以歸納出以下結(jié)論:

1)該算法利用歸一化直方圖分區(qū)間設(shè)定閾值進行邊緣檢測的方法，在不同的光照條件下的圖像上都能得到理想的效果，滿足直線檢測的需要(圖10(a),10(c),10(e)分別是晚上、白天強光、霧天拍攝的原圖像，圖10(b),10(d),10(f)分別為邊緣檢測結(jié)果)。

表2　定位線夾目標檢測統(tǒng)計

(a)夜間圖像；(b)夜間圖像分割結(jié)果；(c)白天強光圖像；(d)白天強光圖像分割結(jié)果；(e)大霧天氣圖像；(f)大霧圖像分割結(jié)果圖10　不同天氣條件下圖像分割結(jié)果Fig.10 Segmentation results under different weather conditions

2)算法依據(jù)結(jié)構(gòu)特征在直線端點區(qū)域檢測定位線夾的方法同樣適用于隧道、車站內(nèi)等復雜背景圖像。(在原圖中用矩形框標記定位結(jié)果，圖11(a)為隧道內(nèi)圖像檢測結(jié)果，圖11(b)為車站內(nèi)圖像檢測結(jié)果)。

3)算法在正定位、反定位或者動態(tài)拍攝導致線夾在圖像位置不固定情況下，也能夠較準確定位(在原圖中用矩形框標記定位結(jié)果,圖11(c)，11(d)，11(e)和11(f)分別是線夾位于圖像中不同位置時的定位結(jié)果)。

(a)隧道內(nèi)圖像定位結(jié)果；(b)車站內(nèi)圖像定位結(jié)果；(c)線夾位于圖像左上方；(d)線夾位于圖像中部；(e) 線夾位于圖像右下方；(f)線夾位于圖像左下方圖11　復雜背景和不同位置時的定位結(jié)果Fig.11 Targeting results of complex background and different positions

4結(jié)論

1)以接觸網(wǎng)定位裝置高清圖像為研究對象，依據(jù)定位線夾區(qū)域結(jié)構(gòu)特征，利用圖像處理技術(shù)實現(xiàn)了接觸網(wǎng)定位線夾區(qū)域的目標檢測，為接觸網(wǎng)定位線夾檢測提供了一種方法，具有一定的實際工程意義。

2)提出的算法可以快速有效地提取高清圖像中的定位線夾區(qū)域，且對多條線路圖像具有適應性和有效性，實驗結(jié)果表明其定位準確率達90%。

3)提出的算法為定位線夾故障檢測奠定了基礎(chǔ)，并為其他接觸網(wǎng)懸掛狀態(tài)的圖像檢測提供了參考。

參考文獻：

[1] 高速鐵路供電安全檢測監(jiān)測系統(tǒng)(6C系統(tǒng))總體技術(shù)規(guī)范[S].2012.

Overall technical specifications for high-speed railway power supply security detection monitoring system (6C System)[S].2012.

[2] 于萬聚.高速電氣化鐵路接觸網(wǎng)[M].成都:西南交通大學出版社,2003.

YU Wanju.High-speed electrified railway catenary[M].Chengdu: Southwest Jiaotong University Press, 2003.

[3] 張韜.基于圖像處理的接觸網(wǎng)檢測系統(tǒng)研究[D].成都：西南交通大學,2008.

ZHANG Tao.Study on the OCS inspection system based on image processing[D].Chengdu: Southwest Jiaotong University, 2008.

[4] 何釗.基于圖像處理技術(shù)的腕臂式支持裝置傾角自動檢測研究[D].成都：西南交通大學，2014.

HE Zhao.Study on automatic angle detection for supporting device based on image processing[D].Chengdu: Southwest Jiaotong University, 2014.

[5] 王旭東.接觸網(wǎng)定位器自動識別算法研究[D].成都：西南交通大學,2014.

WANG Xudong.Automatic recognition algorithm for steady arms[D].Chengdu: Southwest Jiaotong University, 2014.

[6] 汪芳莉.基于雙目視覺的接觸網(wǎng)幾何參數(shù)檢測算法研究[D].蘭州：蘭州交通大學,2014.

WANG Fangli.Research on the detection Algorithm for catenary geometry based on binocular vision[D].Lanzhou:Lanzhou Jiaotong University, 2014.

[7] 郭曉旭,劉志剛,張桂南,等.角點配準與圖像差分的接觸網(wǎng)絕緣子故障檢測[J].電力系統(tǒng)及其自動化學報,2015(2):8-14.

GUO Xiaoxu, LIU Zhigang, ZHANG Guinan, et al.Fault detection of catenary insulator based on corner matching and image differencing[J].Proceedings of the CSU-EPSA, 2015(2):8-14.

[8] Canny John.A computational approach to edge detection[J].Pattern Analysis and Machine Intelligence, IEEE Transactions, 1986, PAMI-8(6):679-698.

[9] VC H P.Method and means for recognizing complex patterns: U.S.Patent 3,069,654[P].1962-12-18.

[10] Chutatape O, Guo L.A modified Hough transform for line detection and its performance[J].Pattern Recognition, 1999, 32(2): 181-192.

(編輯陽麗霞)

Detection of catenary steady clamp based on image processing

ZHANG Chunchun， WANG Song， ZHANG Dongkai， ZHOU Sheng

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

Abstract：With the development of catenary fault detection technology, catenary suspended state detection and monitoring device can obtain massive high-definition images for offline troubleshooting.Based on image processing technology, this paper proposed an algorithm of steady clamp detection method according to the structure features toimprove the detection efficiency and accuracy.By applying the method to practical image databases, the results show that the method could achieve good performance and detection accuracy rate could reach 90%.Even for poor quality image such as background complex, noisy, underexposure or overexposure, the effectiveness and generality of the method are still reliable.The algorithm greatly improved the detection efficiency and lay the foundation for further defect detection, of great practical engineering significance.

Key words：catenary detection; image processing; fault detection; steady clamp

通訊作者：王嵩(1983-)，男，山西太原人，講師，博士，從事電機控制、故障檢測研究；E-mail: songwang@swjtu.edu.cn

基金項目：中央高校基本科研業(yè)務費專項資金資助項目(2682014CX028)

收稿日期：2015-06-28

中圖分類號：U216.3

文獻標志碼：A

文章編號：1672-7029(2015)06-1478-07