圖像識別技術及神經網絡在接觸網病害識別中的應用研究

張丕富

?

圖像識別技術及神經網絡在接觸網病害識別中的應用研究

張丕富

運用圖像處理技術和神經網絡技術對高速鐵路接觸網支撐裝置中管帽、開口銷不良狀態進行檢測，通過圖像增強-頻域增強對接觸網懸掛裝置待檢測圖像進行預處理，利用SURF局部特征匹配方法實現目標圖像識別與提取，運用神經網絡對目標局部圖像進行殘差恢復處理，使之形成穩定且廣域的檢測判據，從而被機器視覺準確認知，最后實現管帽、開口銷病害的有效識別。

管帽不良狀態；開口銷不良狀態；頻域增強；神經網絡殘差恢復

0 引言

安全、穩定、可靠的供電系統是現代高速鐵路的重要組成部分，對確保高速鐵路動車組的運行安全及運營秩序起到至關重要的作用。面對快速發展的高速鐵路，整個行業對鐵路運營安全的提升及運營維護精細化管理的需求日益迫切。2012年由原鐵道部牽頭針對鐵路供電檢測監測領域制定了《高速鐵路供電安全檢測監測系統（6C）總體技術規范》，其中運用非接觸式檢測設備對接觸網懸掛系統零部件狀態進行檢測是該規范的重要組成部分及今后行業技術發展的趨勢。

圖像識別技術與神經網絡技術是計算機視覺中的前沿技術，國內外不少相關產品已經成功應用于安檢、考勤、信息安全等領域，將圖像識別技術運用于“接觸網懸掛部件典型缺陷自動識別”同樣具有可能性。為此，本文以接觸網驗損識別作業中出現損壞率最高的2種接觸網零件—腕臂管帽和開口銷作為研究的切入點，充分運用圖像識別技術及神經網絡技術實現以上2種零件病害的系統自動識別，從而解決實際的工程應用問題[3]。

1 研究背景

因接觸網架設于室外，自然壞境復雜，平腕臂和定位管為管狀構型，如有水汽侵蝕，內部會形成銹蝕且不易被發現，故需要在平腕臂和定位管的端頭上安裝管帽，用于防止水汽進入平腕臂和定位管的內部。

接觸網具備結構上的穩定性及應力防護性是其最基本的設計目標。開口銷作為最通用和常用的接觸網固定防護件，在鐵路供電系統中使用廣泛。因列車運行造成的長期振動或因人工檢修安裝時造成的施工缺陷，極易產生管帽脫落或開口銷開口角度不足等接觸網病害缺陷，從而引發螺母脫落，嚴重時導致部件松動，影響鐵路供電安全。針對接觸網零部件以上不良狀態，需通過檢測手段及時發現并進行相應處置，排除相關安全隱患[4]。

2 圖像預處理

2.1 扭曲矯正

4C接觸網懸掛狀態檢測監測裝置作為接觸網懸掛狀態圖像的采集裝置，因相機矩陣安裝的角度及檢測車運行帶來的振動等客觀原因，所獲取的圖像會產生一定程度的畸變。因管帽、開口銷屬于接觸網細微部件，即使很微量的圖像畸變也會影響神經網絡及機器視覺的識別效果，所以在對待識別圖像進行特征提取之前，需首先采用高次函數以擬合的矯正方式對待識別圖像進行預處理。其中擬合函數為

(,) =×(1 +1×2+2×2) （1）

(,) =×(1 +1×2+2×2) （2）

式中，1、2分別為控制水平方向、豎直方向上的扭曲矯正參數。

2.2 低光照增強

巡檢車對接觸網懸掛狀態的檢測通常在夜間進行，雖在圖像的拍攝過程中4C接觸網懸掛狀態檢測監測裝置可以不間斷地進行補光操作，但因夜間光照環境不好以及光照散射、透光率及夜間霧氣等氣候原因，必須對待識別的圖片進行低光照增強操作，使圖像清晰度更高，識別目標更明確，更便于機器視覺及神經網絡的識別判定，提高其識別檢測準確性。

對于待處理的低光照圖像，首先進行翻轉操作：

C() = 255-C() （3）

然后根據現場具體的拍攝情況進行計算機視覺的建模：

() =()() +[1-()] （4）

其中，為待識別圖片；為透射率；為大氣環境成分，通常為一個常量。

通過該建模方式求出透射率，然后根據和式（4）反解得，再對其進行反轉操作，即可得到增強后的圖像。

在增強算法中，被定義為

表征為全圖RGB三個通道和最大像素點的各通道值（此處需將圖像進行歸一化處理到0-1），然后通過下式對待識別圖像進行反解，再對進行圖像反轉，即可得到增強后的圖像：

通過以上步驟及方法對一幅接觸網圖像進行處理，其中高頻部分所對應的是待識別目標的邊緣細節，低頻部分所對應的是圖像背景輪廓，具體增強效果如圖1所示。從圖中看出，增強后目標圖像位置突出，目標邊緣更加立體清晰，背景輪廓區分更明顯。

（a）原始圖像

（b）增強效果

圖1 圖像增強效果對比

3 圖像特征提取

由于待檢測圖像為接觸網懸掛狀態的全局圖像（圖1），其中包含各種接觸網零部件圖元信息，且拍攝環境為野外，圖像背景情況復雜，存在多元干擾的情況。管帽及開口銷屬于接觸網細微零部件，待檢目標較小，包含的圖元信息多且復雜，可能存在零部件不良狀態不明顯或難以識別的情況，所以在全域圖像中需要完成待檢局部目標的準確識別難度很大，且受其他圖元信息及背景信息的干擾，極易造成錯誤識別、漏識別的現象發生（通過人工識別也存在上述現象），嚴重影響識別檢測結果的穩定性及可靠性。針對該情況，在進行狀態檢測之前，有必要對全域圖像進行分割提取，從而準確找到待檢測目標，提取目標特征，降低檢測難度，提高檢測效率，實現檢測結果的快速穩定輸出。

針對管帽及開口銷在接觸網全局中的不同特征，采用SURF局部特征提取法，對待識別圖像特征進行提取。通過實驗驗證所提取的待檢目標局部特征在通過圖像旋轉、尺度變換、仿射變換和視角變化的處理流程后，仍然完整保留了必要的相關特征信息，具有良好的不變性。圖像局部特征的提取匹配算法流程如圖2所示。

圖2 基于特征圖像的匹配算法流程

4 特征超分辨率技術（神經網絡殘差恢復）

特征圖像超分辨率技術是指從原始圖像獲得更高分辨率圖像的技術[6]。對于接觸網病害識別作業，雖然接觸網懸掛狀態原始圖像具有較高的分辨率（用于管帽、雙耳連接器、開口銷、V拉線夾、承力索吊懸線夾等接觸網懸掛狀態小微部件圖像的分辨率恢復，如圖3所示），通過前期的特征提取必然會因不均勻采樣而丟失部分高頻特征信息，且經過以上不同函數對圖像進行插值處理后，得到的是無限多個被放大的圖像，其分辨率在經過降采樣后相當于全域原圖像的分辨率。因此為了確保對接觸網不良狀態的檢測效果，采集的特征需進行超分辨處理才能交由機器進行深度學習。

圖3 接觸網小微部件

5 深度學習（AdaMiX模型）

深度學習是機器學習的重要延伸和發展。傳統機器學習的本質是給定一些可用的離散術語，描述需要定義的條件，并給出大量的實際信息，從而交由機器去學習判定正確的行為，其典型特征是需要通過外部的流程來判斷行為是否正確。而深度學習則是通過構建類似于人類視覺神經系統的多層次體系，每單元層之間含有更多的隱含單元，通過對原始輸入數據的逐層判斷及三維非線性變換，可以進行更復雜、更高層次、更抽象的特征表述，強化原始輸入數據的差異性，削弱不相關影響，具有更好的準確性及穩定性。與傳統機器學習和信號處理方法相比，深度學習是一種更智能、更深入的人工智能技術。因此，針對具體的接觸網懸掛狀態驗損應用制定相應的深度學習策略，著重解決深度學習模型的收斂速度及運算時間問題，對于接觸網的海量原始圖片數據及工程應用十分重要。從圖4可以看出，要實現相同的收斂效果，常數型學習率需要更多的迭代次數，即需要更長的計算時間。綜合考慮重構誤差和計算時間，AadMix的性能優于其他3種學習策略。

圖4 學習策略性能比較

6 目標識別

根據接觸網懸掛裝置全局圖像具體特點，以及深度學習（AdaMix模型）結果，在研究過程中分別運用仿射不變矩、SIFT、SURF 3種不同的局部圖像特征匹配方法對待檢目標進行識別，并對識別結果進行統計、分析和比較。最終選擇了SURF算法，其優勢在于通過采用積分圖像提高了算法速度，結合已經過深度學習的AdaMix模型，SURF特征檢測算法可以更快速、準確地匹配識別目標圖像[7]。

7 檢測實驗

利用已完成訓練的系統模型分別對管帽圖片及開口銷圖片進行識別處理，管帽圖片包括管帽正常、管帽缺失狀態圖片各40張；開口銷圖片包括銷釘正常、開口銷缺失狀態圖片各40張。檢測結果見表1、表2。

表1 管帽狀態檢測實驗數據

表2 開口銷狀態檢測實驗數據

以上2種接觸網零件脫落狀態基本被正確檢測，管帽缺失及開口銷缺失狀態的正確檢測率均在90%以上。其中出現少量管帽被誤檢測識別的情況，原因在于部分圖片中出現了遮擋，導致特征不明顯，或者邊緣等重要信息丟失；少數開口銷被誤檢測的情況，其原因在于污垢過多造成部件的邊緣形狀出現變化或開口銷與耳片的背景灰度接近，較難區分。

8 結語

本文基于圖像識別及神經網絡技術，利用扭曲矯正及低光照增強技術，降低環境、光照對待檢原始圖片圖元信息的干擾，使之圖像更清晰、待識別局部與背景更加突出，便于機器視覺分析和神經網絡判別；采用了SURF局部特征提取法，對待識別圖像特征進行提取，并利用神經網絡殘差恢復技術實現對微小特征點丟失信息的恢復，并交由系統進行學習，效果較好。結合已經過深度學習的AdaMix模型，SURF特征檢測算法可以更快速、準確地匹配識別目標圖像，可以對管帽及開口銷存在的6種狀態進行識別檢測，特別是可對其脫落狀態進行準確識別，而對松脫程度的判斷仍有待做進一步研究。實驗結果顯示，對管帽、開口銷的不良狀態具有較高的正確檢出率，為接觸網懸掛狀態的非接觸式檢測提供了一種技術參考。

[1] 鐘俊平，劉志剛，陳雋文，等. 高速鐵路接觸網懸掛裝置開口銷不良狀態檢測方法研究[J]. 鐵道學報，2018，40（6）：51-59.

[2] 張衛華，沈志云. 接觸網動態研究[J]. 鐵道學報，1991，13（4）：26-33.

[3] 劉杰. 接觸網參數的非接觸檢測[J]. 電氣化鐵道，1998（2）：43-45.

[4] 鐘俊平，劉志剛，張桂南，等. 高鐵接觸網旋轉雙耳銷釘狀態檢測方法研究[J]. 鐵道學報，2017，39（6）：65-71.

[5] 黃艷紅.受電弓滑板磨耗圖像檢測算法研究[D]. 西南交通大學，2008.

[6] Barnea Daniel L, Silverman H. F. A Class of Algorithms for Fast Digital Image Registration. Computers, IEEE Transactions on[J]. 1972，C-21(2)：179-186.

[7] Medioni G., Nevada R. Matching Images Using Linear Features. Pattern Analysis and Machine Intelligence, IEEE Transactions on[J]. 1984, PAMI-6(6): 675-685.

The image identification technology and neural network technology are used for inspection of improper status of pipe caps and split pins in supporting structures of overhead contact line of high speed railway, to preprocess the inspection images of contact lines which are waiting to be inspected by means of image intensification and frequency-domain intensification, realize identification and extraction of target images by SURF local feature matching method, execute residue restoration of target local images by neural network technology, make them forming a stable and wide-area inspection criteria, which is able to be confirmed and recognized by the machine vision so as to realize the identification of defects of pipe caps and split pins.

Improper status of pipe cap; improper status of split pin; frequency domain intensification; neural network residue restoration

10.19587/j.cnki.1007-936x.2018.06.018

U226.8

B

1007-936X(2018)06-0073-04

2018-10-25

張丕富.中國鐵路成都局集團有限公司達州供電段，工程師。