基于圖像模型的車載弓網檢測系統研制

申天亮 王玉東

摘 要：為實現地鐵弓網的狀態檢修，需要檢測地鐵列車受電弓與接觸網的實際運行工況。本文研制一種基于圖像模型的車載弓網檢測系統。采集弓網在正常運行過程中的實時視頻數據，對數據進行基于深度學習神經網絡的預處理后，運用經驗模型進行驗證與修正，最后對圖像模型進行實時運行狀態監測。經反復多次實驗表明，本系統能有效地對地鐵列車運行的弓網關系進行監控，達到預期效果。

關鍵詞：狀態檢修；圖像模型；弓網關系

中圖分類號：U226.52 文獻標識碼：A 文章編號：1671-2064（2018）20-0088-02

目前國內外對弓網關系的測量有傳統的手工測量方法[1]、在線式定點檢測系統[2]、利用接觸網綜合檢查車。由于常用的傳統人工測量維修檢測效率低，人工成本高，檢測的不確定性大；接觸網綜合檢查車是專業的檢測車，進行檢查需要專項采購。相比而言本系統是可隨時安裝于正常列車上的檢測裝置，利用該系統進行診斷和檢測不僅簡化傳統的檢測步驟，且具有受外界因素影響少，檢測精度比之前高，成本也很低，結合圖像模型、圖像處理人工智能算法對弓網進行監測，能滿足在線檢測的需求。

1 項目總體與工藝設計

總體工藝設計關系到粵港共性技術項目完成的進度與質量，根據運維作業性質、經驗與數據統計，為工藝設計制定了安全、簡約和實用的三大原則。

1.1 總體設計

項目實現功能：

（1）弓網作用關系檢測：拉弧檢測、沖擊加速度檢測；

（2）接觸網檢測：導高檢測、拉出值檢測；

（3）受電弓檢測：受電弓姿態檢測（未來擴展功能）；

（4）導出考核指標：放電脈沖幅值、放電時間、放電積分強度；動態加速度值；接觸網里；

（5）程-導高值關系圖、里程-接觸網拉出值關系圖；

（6）報警設置：各指標對應參數設定超限報警值，并可根據實際情況可以調整；

（7）里程定位：計量或導出列車行駛區間的行駛時間-里程信息，并關聯各項檢測指標值；

（8）裝置的工作模式：該裝置的工作模式分一般工作模式和觸發工作模式兩種。一般工作模式下，裝置處于連續信號檢測和記錄狀態，而觸發工作模式是在三個觸發源（拉弧放電、弓網作用關系、沖擊加速度）發生觸發，視頻裝置同時轉為抓拍狀態，記錄弓網非正常工作狀態的實際場景，便于后續分析。

1.2 工藝設計

針對總體設計要求，確定項目設備如下配置：

（1）車頂傳感器：線激光2只；圖像傳感器1臺；視頻攝像機1臺；

（2）檢測箱：圖像采集分析工控機；硬盤錄像機；通訊報警設備；

（3）數據分析管理系統：數據管理服務器、數據管理分析系統軟件。

針對總體設計要求，設定以下工藝予以實現各項要求：由相距400mm的兩線激光器發出的兩束光打在受電弓上形成光斑作為檢測參照，列車行駛過程中，由相機對受電弓、接觸網及參照光斑進行攝像錄制，由專門的檢測裝置（特制）對視頻文件進行收集、儲存，列車完成行駛里程后由檢測裝置中的專門軟件（專編）對視頻數據進行區間分割、并進一步分析、輸出各指標檢測值和特性曲線。

1.3 硬件配置設計

根據設備安裝空間、視頻視場以及分辨率要求、設備運行和數據采集要求，通過計算確定采用200萬像素帶紅外線光源的視頻一體機作為視頻采集相機，5w的線激光發射器作為線激光器，控制端采用11吋的led觸摸屏作為顯示設備，對應確定主板等主要部件，組成專門的受電弓檢測系統裝置。如圖1。

1.4 設備安裝工藝設計

利用3D設計軟件進行三維安裝設計，設計過程中除重點考慮設備安裝的功能現實、安裝牢固外，還充分考慮了這些因素：如設備安裝不能對載車車體進行改動、不能影響載車的正常行駛，更重要的是設備安裝后的占有空間不能侵犯車輛限界，如圖2。

2 測量模型

2.1 視像區

在具體實施中，考慮視像區要包含接觸網導高和拉出變化范圍，ROI區域選X±400，Y±1500mm。

2.2 輸出

視頻變量——以連續曲線輸出及對報警值進行標記

拉出值——以線激光光跡作為參考（或弓中心點），用直線分析法求得網每次之字形的最大左右偏離值。報警閥值比如超過±200，標記；

弓高——指以相機（車頂參考），用直線分析法記錄過車的連續弓高；

拉弧分析——拉弧強度（灰度換算閥值205可根據圖片亮度設置），拉弧面積（ROI區域超閥值灰度像素積分換算mm*mm），拉弧連續長度（連續幀識別）換算為m；

弓頭加速度——閥值>2g幀y位移大于3.2mm，每秒25幀錄相速度，計算y=a*t^2。用弓頭質量即F=m*a換算為壓力，標記。

2.3 定位

距離定位——采用先車站區間分段成區間視頻，各區間特征參數里程定位按列車自動駕駛模式的定式由時間對區間定式速度積分確定出對應距離S。如圖3。

3 實驗步驟與實驗結果分析

本項目設備于2017年4月26號廣州地鐵西塱車輛段安裝于A11257車上，27號下午實驗線車速分別以30/40/50/60/80公里每小時進行跑車試驗，于夜間22：40安排正線運行。

3.1 數據的預處理

數據的預處理是針對視頻的海量數據，即必須解決物象在圖片的位置搜索速度。其方法是基于深度學習的神經網絡，通過大量數據樣本得到各類經驗參數與權重：

（1）用一批包含正負樣本訓練一個SVM分類器，正樣本表示有弓網的圖片區域，負樣本表示其他非弓網的圖片區域；

（2）用訓練好的分類器在行車視頻的每一幀圖片中滑動搜索，每次搜索都能得到一個反映區域屬于正類的概率，搜索步長固定；

（3）第二步之后在一張圖片中可以得到N個概率，將最大的m個保留，代表目標最有可能出現的區域；

（4）利用一些經驗知識，比如目標位置附近的概率都會比較大，如果只有一個搜索位置得到大概率，其周圍概率都很小，則判定為野點（異常點）并剔除；

（5）定位好位置之后尋找弓網接觸點、弓上下邊界、中心位置等具體弓網關系指標。

3.2 結果匯總

本項目上車時間48小時，經過試驗線試跑及按照正常運營正線運行，試驗線運行時長240min，正線時長90min，雨淋120min。運行結果如下：

（1）形成的預警表（預警值部分待定）（全程）見表1。

（2）上下行全程視頻后分段形成區間文件33個，上下行各15個（對應16個站15個區間），出、入庫及東站折返線各1個。

4 研制結論

（1）經驗證使用本方案實施的車載受電弓檢測裝置可以滿足《地鐵行車關鍵裝備在線監測裝置與集成系統》中有關車載弓網監測裝置的要求，能進行所述各指標的檢測和記錄；

（2）經驗證設備安裝拆卸簡單、可靠、固定和使用安全，有防雨性能；

（3）經驗證運行中各設備連接、運轉正常，不影響列車正常行駛；

（4）使用本文所述的受電弓車載檢測裝置檢測弓網關系、狀態就檢測效率、準確率遠遠高于人工的檢測數值。

5 研制成果

（1）形成車載受電弓檢測裝置及配套安裝設備一套；

（2）形成對弓網視頻中的特征點進行跟蹤、提取、分析的軟件一套；軟件用圖模型一套；

（3）形成簡易里程定位方法和對里程視頻數據人工智能的數據預處理方法；

（4）形成廣州一號線地鐵上下行全線接觸網-受電弓視頻文件33個（以區間分段）；

（5）形成對廣州地鐵其它各線（含一號線）接觸網定期檢測和本次接觸網維護的建議一份。

參考文獻

[1]張巖，錢韋吉，陳光雄.接觸網-受電弓系統摩擦振動的初步研究[J].潤滑與密封，2012，（8）：21-26.

[2]胡亮.弓網受流中出現拉弧原因及預防措施的探討[J].工程技術，2016，（10）：262.