基于LabVIEW圖像處理的弓網拉弧在線監測研究

吳 琛,伍川輝,楊 恒,卿 云

(西南交通大學機械工程學院,成都 610031)

電弓與接觸網之間的滑動摩擦、受電弓的上下振動、受電弓由于機車橫向擺動形成的橫向振動、受電弓和接觸網之間發生水平和垂直方向的撞擊等諸多因素均會引起弓網接觸不良，導致受流質量下降，嚴重時受電弓脫離接觸網的瞬間就會產生拉弧現象[1]。

拉弧作為牽引供電中一種十分有害的現象，會對弓網產生嚴重燒蝕，加快接觸網和受電弓滑板的磨耗，同時會對周圍通訊設備造成高頻電磁干擾，產生高頻噪聲，降低乘坐舒適性[2-8]。

由于受電弓在列車運行過程中與接觸網接觸，處于高壓環境中，無法通過接觸式方式進行檢測。因此，利用紫外相機實時拍攝列車運行過程中的弓網視頻圖像，采用基于LabVIEW的圖像處理方法對弓網拉弧進行在線監測，結果表明，該方法能夠在列車運行過程中實時準確提取出拉弧產生位置，計算拉弧持續時間和燃弧率，并且不會改變受電弓的工作特性。

1 弓網拉弧在線監測系統設計

弓網拉弧現象的特征光譜中只有屬于紫外光波段的244～269 nm波段[3]。紫外相機的采集高敏波段位于紫外光譜中，可以有效檢測拉弧現象的光特征量，合理降低了太陽光對拉弧檢測的影響。同時紫外相機的幀率最高可達1 230 fps，滿足拉弧檢測需檢測持續時間為5 ms及以上的離線火花的要求[6-10]。因此將紫外相機作為拍攝拉弧視頻的硬件設備。

將紫外相機固定在車廂頂部正中間位置，調整角度，使得鏡頭正對受電弓，保證拍攝范圍涵蓋列車運行過程中受電弓的運動范圍。紫外相機的安裝如圖1所示。

圖1 紫外相機安裝示意

在列車行駛過程中，紫外相機提供受電弓和接觸網工作的實時圖像。視頻圖像通過Camera Link傳輸線實時傳送給插在測試工作站主板上的圖像采集卡，工作站獲取受電弓視頻后，通過基于LabVIEW的圖像處理技術，對列車行駛過程中的拉弧現象進行判定，并存儲數據。對拉弧的在線監測為本系統的創新點，用LabVIEW軟件實現，視頻實時采集后面板程序如圖2所示。

圖2 視頻實時采集程序

弓網拉弧在線監測系統硬件設備包含1臺紫外相機，1張圖像采集卡和1臺工作站。系統硬件結構如圖3所示。

圖3 系統硬件結構

2 圖像算法

2.1 視頻圖像預處理

為了提取出拉弧的產生位置，首先通過LabVIEW程序進行圖像預處理。在視頻圖像算法處理的對象中，研究所關注的是接觸網以及受電弓與背景之間的灰度差異，以便于進行邊緣檢測等相關運算。通過式(1)將RGB顏色空間轉換成YUV顏色空間(灰度化)，大大減少了后續程序的運算量[11]。

Y=0.229R+0.587G+0.114B(1)

式中，Y代表亮度信號；R代表Red；G代表Green；B代表Blue。

在弓網圖像中，拍攝的圖像含有較少的隨機噪聲，故選取中值濾波作為去噪處理方法。中值濾波就是采用一個有奇數點的窗口在圖像上滑動，窗口中心點所對應像素的灰度值用窗口內所有像素的中值進行代替。選擇3×3的方形窗口進行中值濾波效果最優。

為了便于圖像的分割提取，利用分段線性灰度變換方法增大對比度，提高圖像細節清晰度。

圖4為弓網接觸原圖，圖5為圖像預處理圖：

圖4 弓網接觸原圖

圖5 圖像預處理

2.2 受電弓拉弧目標提取

首先利用邊緣檢測算法進行視頻圖像的輪廓提取，采用3×3窗口的Canny算子提取邊緣特征。Canny算子是一種應用高斯導數逼近的最優算子，采用非極大值抑制和滯后閾值算法檢測等方法，有低錯誤率、高定位性和最小響應的優勢，該方法更不容易被噪聲所填充[12]。

在LabVIEW中是用函數IMAQ EdgeDetection和IMAQ CannyEdgeDetection來來實現邊緣檢測的。然后利用增幅過的Sobel雙方向算子，對整幅圖像進行高亮邊緣檢測，如圖6所示。

圖6 圖像邊緣輪廓提取

圖6雖然較好地體現了整體輪廓，但部分細節分割太細化，例如接觸網出現2條邊緣輪廓線。為了填充細小空洞、連接臨近物體和平滑邊界，利用形態學進行處理[13]。首先進行膨脹運算合并輪廓邊界，再利用腐蝕命令細化輪廓，最后利用骨架化命令得到輪廓整體細化[14]，如圖7所示。

圖7 圖像形態學處理

由圖7可以看出，接觸網位于豎直方向上，受電弓整體輪廓線位于水平方向。采用豎直投影的方法，統計每一列上所有行的像素點數目，像素點數目出現最大峰值的位置就是接觸網對應存在的位置；利用水平投影的方法，可以得到受電弓滑板上邊緣的所在行的位置參數信息，兩者交點即為對應弓網接觸中接觸點的位置，根據所得結果在原圖中標記接觸點，如圖8所示。

圖8 弓網接觸點標記

根據受電弓滑板及接觸網的位置可知，兩者交點周圍即為拉弧產生的區域。在LabVIEW中將上文的弓網接觸點尋找算法與區域提取ROI功能相結合，對現場試驗視頻圖像進行在線的受電弓拉弧目標的提取，結果表明，此方法能準確地提取拉弧發生的目標位置，如圖9所示。

圖9 受電弓拉弧目標提取

2.3 二值化

拉弧所產生的火花視覺特征比較明顯，與周圍其他像素相比其呈現最高灰度值，通過合適的閾值選取可以對拉弧特征進行很好的提取，算法設計中利用灰度直方圖進行自適應閾值判斷，再進行圖像二值化。圖10為拉弧二值化處理的效果。

圖10 圖像二值化處理

圖像二值化后即可判斷是否有拉弧產生。

3 拉弧在線監測及驗證

3.1 拉弧在線監測流程

紫外相機實時獲取受電弓工作視頻圖像，圖像采集卡對視頻圖像進行采集，最后在LabVIEW程序中對其進行實時處理。首先對圖像進行預處理，再對受電弓拉弧目標進行實時提取，最后通過二值化判斷該幀圖像是否有拉弧產生。若有拉弧產生，則統計該次拉弧持續時間和燃弧率，保存相關數據，再進行下一幀圖像處理。若無拉弧產生，則直接判斷下一幀圖像。圖11為拉弧在線監測軟件流程。

圖11 拉弧在線監測軟件流程

評價受流質量應計算燃弧率，燃弧率NQ由式(2)計算而得，tarc為持續大于5 ms的燃弧持續時間，ttotal為測量電流超過標稱電流30%的時間[15-16](通過網流傳感器獲取)。

(2)

3.2 驗證分析

為了驗證紫外相機與基于LabVIEW的圖像處理技術能否滿足在線監測要求，利用該套設備及程序對列車運行過程中的受電弓拉弧進行實時在線監測。LabVIEW程序前面板運行過程如圖12所示。

圖12 程序運行過程

圖12中右側為動態拉弧目標提取視頻；左側為動態拉弧持續時間曲線，橫坐標為當前時刻，縱坐標為持續時間，能夠實時顯示拉弧持續時間并計算燃弧率；最終可以得出該段列車運行路程中單次拉弧的持續時間、拉弧產生總次數以及燃弧率。實現了弓網拉弧的在線監測。

圖像數據處理結果與原始視頻均能夠實時保存到指定路徑中。試驗結束之后對保存的數據截取一段進行分析，如圖13所示。

圖13 拉弧數據分析

由圖13可以看出，在截取的一段試驗數據中，一共產生了10次拉弧，最短拉弧持續時間為20 ms，最長拉弧持續時間為60 ms，結合網流傳感器提供的數據，得出燃弧率為0.8052%。對該段視頻進行人工觀察分析，可以得出總共發生10次拉弧，并且在有隧道內燈光與太陽光干擾的情況下也并未產生誤判。

取出同一段試驗線路中，2個紫外傳感器的測試數據進行對比分析，如圖14所示。

圖14 紫外傳感器的輸出電壓曲線

由圖14可以看出，在該段路線中，紫外傳感器1產生了1個峰值為0.513V的單脈沖信號，且脈沖持續時間約為70 ms，表示產生了1次持續時間為70 ms的拉弧；而紫外傳感器2的數值一直為0，表示沒有產生拉弧。但是事實上在該段線路上，一共產生了10次拉弧，而紫外傳感器僅能檢測出1次。

通過以上分析可知，對于拉弧檢測，紫外相機的效果更優越；利用LabVIEW圖像處理技術能夠實現弓網拉弧的在線監測，實時顯示拉弧測試相關數據，精度高，并且能夠有效避免誤判。

4 結論

(1)利用弓網拉弧的光譜特征，采用紫外相機拍攝列車運行過程中的受電弓工作視頻，通過LabVIEW程序進行動態實時的視頻圖像處理，最終得出單次拉弧持續時間、拉弧產生的總次數以及燃弧率，實現了弓網拉弧的在線監測。

(2)將該在線監測方法與人工檢測相比較，檢測結果完全符合，驗證了該方法的可行性，并且能夠有效避免誤判；通過對相同運行線路中紫外相機與紫外傳感器兩種拉弧檢測手段進行對比，證明紫外相機的檢測效果更加優越。