陳云莎，張兵，孫琦， 閆磊

(1. 西南交通大學(xué) 牽引動(dòng)力國家重點(diǎn)實(shí)驗(yàn)室，四川 成都 6100362；2. 中車青島四方機(jī)車車輛股份有限公司，山東 青島 266031)

0 引言

高鐵因其諸多優(yōu)點(diǎn)而快速發(fā)展，至2018年底，全國高速鐵路營業(yè)里程達(dá)到2.9萬km以上[1]。隨之而來的高鐵系統(tǒng)可靠性與安全性面臨著艱巨挑戰(zhàn)。高速列車通常采用接觸網(wǎng)供電，接觸網(wǎng)通過支持裝置架設(shè)在支柱上，包括承力索、接觸線、吊弦以及連接零件[2]，其結(jié)構(gòu)如圖1(a)所示。為了滿足受流要求，接觸線必須以規(guī)定的幾何方式放置，這通常是通過從承力索到接觸線上的定期間隔垂向連接來實(shí)現(xiàn)的，該垂向線稱為吊弦，如圖1(b)所示。吊弦增加了接觸線懸掛點(diǎn)，同時(shí)使接觸線在整個(gè)跨距內(nèi)對軌面的距離保持一致。吊弦的嚴(yán)重缺陷主要在吊弦絞線部位：1)燒斷。載流環(huán)電流超載；2)拉斷。吊弦偏移過大使線夾拉脫或絞線拉斷；3)脫落。吊弦線夾螺栓松脫、線夾裂紋或破損等造成吊弦脫落；4)刮脫。弓網(wǎng)事故時(shí)受電弓刮脫吊弦絞線。吊弦脫落或者斷裂會(huì)造成拉網(wǎng)、卡網(wǎng)等現(xiàn)象，導(dǎo)致機(jī)車對能量吸收不良。另外，松脫或斷裂的吊弦端頭落下短路放電，造成接觸線燒傷、燒斷，甚至與受電弓纏繞引發(fā)弓網(wǎng)事故。因此在早期發(fā)現(xiàn)并糾正吊弦故障尤其重要。然而目前吊弦缺陷主要依靠人工檢測，耗時(shí)耗力且效率較低。綜上所述，設(shè)計(jì)和實(shí)現(xiàn)基于機(jī)器視覺的吊弦缺陷智能檢測非常必要。

圖1 結(jié)構(gòu)示意圖

吊弦缺陷檢測包含吊弦定位和缺陷檢出兩個(gè)步驟。吊弦定位任務(wù)涉及吊弦目標(biāo)檢測，吊弦缺陷檢出方法有Hough檢測、圖像統(tǒng)計(jì)方法、深度學(xué)習(xí)圖像分類技術(shù)等。目前對于吊弦定位主要有傳統(tǒng)圖像處理方法和深度學(xué)習(xí)目標(biāo)檢測方法，前者如白瑞敏[3]使用Hough變換定位吊弦，后者如徐玥斌[4]用Faster R-CNN定位吊弦。而吊弦缺陷檢出的相關(guān)研究較少，目前只有Hough變換方法，如徐玥斌[4]和武國龍[5]使用Hough變換尋找直線和曲線檢出吊弦缺陷。

本文將數(shù)據(jù)分為訓(xùn)練集和測試集，訓(xùn)練集用于訓(xùn)練模型，測試集用于評估該模型訓(xùn)練效果。數(shù)據(jù)需提前人工標(biāo)注吊弦線夾矩形框和吊弦受力狀態(tài)正負(fù)樣本，并進(jìn)行數(shù)據(jù)格式變換和圖像預(yù)處理操作。然后對訓(xùn)練集使用開源SSD算法來學(xué)習(xí)吊弦線夾位置，校正圖像后使用支持向量機(jī)(SVM)學(xué)習(xí)圖像的“相對峭度”閾值。最后在測試集上評估SSD算法定位準(zhǔn)確性，并根據(jù)學(xué)習(xí)到的“相對峭度”閾值判斷吊弦受力狀態(tài)，檢出吊弦嚴(yán)重缺陷。具體檢測流程如圖2所示。

圖2 吊弦缺陷檢測流程圖

1 預(yù)處理

1.1 運(yùn)動(dòng)模糊消除

采集數(shù)據(jù)時(shí)車速過快會(huì)使圖像產(chǎn)生運(yùn)動(dòng)模糊(圖3(a))；而逆運(yùn)算方法對噪聲點(diǎn)十分敏感，但用于復(fù)原圖像效果不佳，因此本文對數(shù)據(jù)進(jìn)行最小均方差(維納)濾波來消除運(yùn)動(dòng)模糊。維納濾波的原理是尋找一個(gè)濾波器使得復(fù)原圖像與原始圖像的均方誤差最小，從而倒推出原圖像，倒推出的原圖像數(shù)學(xué)表達(dá)式估計(jì)為[6]

(1)

式中：H(u，v)是退化傳遞函數(shù)；G(u，v)是模糊圖像的傅立葉變換結(jié)果；SNR(u，v)是圖像的信噪比。本文可用高斯濾波降噪前后圖像估計(jì)，使用降噪濾波器能避免出現(xiàn)振鈴現(xiàn)象。

復(fù)原的關(guān)鍵在于擴(kuò)展函數(shù)PSF的參數(shù)估計(jì)。由于相機(jī)曝光時(shí)間很短，忽略該時(shí)間內(nèi)的速度變化，將其視為勻速直線運(yùn)動(dòng)。由此點(diǎn)擴(kuò)展函數(shù)可以描述為[6]

(2)

式中：d為點(diǎn)擴(kuò)展函數(shù)PSF的尺度，可實(shí)時(shí)獲取車速后計(jì)算得到；φ為點(diǎn)擴(kuò)展函數(shù)相對于水平方向的角度，由于高清相機(jī)固定在檢測車上，點(diǎn)擴(kuò)展角度總是呈現(xiàn)水平狀態(tài)，因此設(shè)φ=0。

維納濾波前后效果對比如圖3所示，可見該方法對于運(yùn)動(dòng)模糊消除的效果很好。

圖3 運(yùn)動(dòng)模糊消除局部效果對比圖

1.2 圖像增強(qiáng)與去噪

對圖像進(jìn)行全局直方圖均衡化來增強(qiáng)可能導(dǎo)致圖像明部或者暗部的細(xì)節(jié)丟失。為了優(yōu)化均衡化效果，本文使用自適應(yīng)直方圖均衡方法對不同區(qū)域進(jìn)行直方圖均衡化，以強(qiáng)調(diào)接觸網(wǎng)元件并適度減少噪聲。該方法將圖像均分為幾個(gè)區(qū)塊，通過逐個(gè)計(jì)算圖像的局部區(qū)塊直方圖，并重新分布亮度來改變圖像對比度。對各區(qū)塊使用雙線性內(nèi)插值方法，從而消除區(qū)塊效應(yīng)，大大提高算法效率。

除此之外，本文使用了后處理技術(shù)[7]來消除噪聲像素點(diǎn)。將帶有連通區(qū)域標(biāo)記的小連通區(qū)域的像素點(diǎn)視為孤立噪聲并去除。增強(qiáng)和去噪前后分別如圖4、圖5所示，處理后接觸網(wǎng)元件清晰可見，有利于后續(xù)算法檢測。

圖4 圖像增強(qiáng)與降噪前

圖5 圖像增強(qiáng)與降噪后

2 吊弦定位

2.1 方法選擇

吊弦定位存在以下難點(diǎn)：1)部分圖像背景復(fù)雜，如隧道內(nèi)壁、樹木、接觸網(wǎng)復(fù)雜線路等；2)補(bǔ)充光源造成的反射高光干擾；3)不同光照條件、不同拍攝視角、不同線路造成的差異；4)檢測目標(biāo)被遮擋等。具體如圖6所示。

圖6 較難的吊弦圖像示例

由于上述難點(diǎn)的存在，基于傳統(tǒng)圖像處理的方法很難實(shí)現(xiàn)較好的定位效果，因此本文采用更智能、穩(wěn)定的深度學(xué)習(xí)目標(biāo)檢測方法來定位吊弦。深度學(xué)習(xí)目標(biāo)檢測方法眾多：基于區(qū)域建議的目標(biāo)檢測算法將分類和定位分為兩個(gè)步驟，如Faster R-CNN算法準(zhǔn)確率較高但耗時(shí)較長；基于回歸的目標(biāo)檢測算法將分類和定位在一個(gè)步驟中進(jìn)行，如YOLO算法輕量但檢測精度不高。而對于稀疏場景的目標(biāo)而言，SSD算法的運(yùn)行速度超過YOLO，精度超過Faster R-CNN，在保證精度的同時(shí)提高運(yùn)行速度，因此本文選用SSD算法來實(shí)現(xiàn)吊弦的目標(biāo)檢測。

2.2 SSD算法

LIU W等[8]提出了深度學(xué)習(xí)目標(biāo)檢測SSD，該算法的骨干網(wǎng)絡(luò)是圖像分類網(wǎng)絡(luò)，如VGG，ResNet等。其特點(diǎn)為：1)提出在不同層、不同尺度的特征圖上實(shí)現(xiàn)包圍框選取，并進(jìn)行物體類別和包圍框檢測；2)默認(rèn)包圍框和寬高比。在每個(gè)特征圖的網(wǎng)格單元中，生成一組具有多個(gè)尺度和寬高比的錨點(diǎn)離散邊界框的輸出空間。每個(gè)錨點(diǎn)由回歸器學(xué)習(xí)的偏移量細(xì)化，并由分類器預(yù)測類別的分類概率；3)添加額外的卷積層進(jìn)行預(yù)測任務(wù)。通過端到端的訓(xùn)練方法，將所有預(yù)測圖的定位損失和分類損失加權(quán)并對整個(gè)網(wǎng)絡(luò)進(jìn)行優(yōu)化，最后合并不同特征圖的檢測結(jié)果；4)使用了難樣本挖掘避免大量陰性候選框主導(dǎo)訓(xùn)練梯度，進(jìn)行大量數(shù)據(jù)擴(kuò)充以提高檢測精度，使用Atrous算法等。

2.3 定位實(shí)現(xiàn)

吊弦線夾是吊弦結(jié)構(gòu)中最穩(wěn)定、易識別的部位，因此本文使用SSD開源算法并設(shè)置相關(guān)參數(shù)訓(xùn)練并實(shí)現(xiàn)吊弦的承力索線夾和接觸線線夾(圖7實(shí)線框)兩個(gè)位置的定位。由此可以分割出吊弦絞線所在區(qū)域，即線夾連線區(qū)域，如圖7虛線框所示。

圖7 吊弦識別與定位示意圖

3 吊弦缺陷檢出

3.1 峭度理論

缺陷檢出任務(wù)使用“峭度”來表征吊弦嚴(yán)重缺陷。峭度是反映振動(dòng)信號分布特性的數(shù)值統(tǒng)計(jì)量，描述了波形尖峰度，其數(shù)學(xué)定義為

(3)

式中：x為分析的振動(dòng)信號；μ和σ分別為信號x的均值和標(biāo)準(zhǔn)差；E(t)表示變量t的期望值。

1977年DYER D和STEWART R M[9]將峭度指標(biāo)引入機(jī)械工程領(lǐng)域中，用于衡量機(jī)械故障嚴(yán)重程度，相關(guān)研究在滾動(dòng)軸承故障檢測領(lǐng)域得到了充分發(fā)展。峭度反映振動(dòng)信號中沖擊信號特征，它能夠準(zhǔn)確表征滾動(dòng)軸承振動(dòng)信號中故障瞬態(tài)沖擊的大小。

3.2 缺陷檢出實(shí)現(xiàn)

為方便后續(xù)檢出，對圖像進(jìn)行二值化處理后根據(jù)1.2節(jié)定位的兩個(gè)線夾框中心點(diǎn)進(jìn)行一次Radon變換，使得吊弦處于豎直位置，如圖8所示。此時(shí)x方向上的像素能量分布如圖9所示，然后對每張輸入圖像x方向上的能量進(jìn)行“峭度”值計(jì)算。

圖8 Radon變換二值化效果圖

圖9 圖像x方向能量分布圖

圖9顯示正常受力的吊弦x方向上的能量會(huì)出現(xiàn)明顯的瞬態(tài)沖擊，這時(shí)吊弦圖像的“峭度”值較大(約為208)；相反，缺陷吊弦圖像無瞬態(tài)沖擊或瞬態(tài)沖擊不明顯，其“峭度”值則較小。由此可以通過SVM算法學(xué)習(xí)訓(xùn)練集每張圖片的“相對峭度”并輸出閾值。相對峭度指經(jīng)相關(guān)特征調(diào)整后的“峭度”數(shù)據(jù)，相關(guān)特征包括圖像像素密度和瞬態(tài)沖擊x方向位置相對圖像左、右兩端的距離等。

根據(jù)訓(xùn)練好的閾值對測試集圖片或其他需要驗(yàn)證的吊弦圖片進(jìn)行分類，從而判斷吊弦的受力狀態(tài)。當(dāng)測試圖片的相對峭度大于相對閾值時(shí)，表示吊弦正常受力；反之則表示測試圖片出現(xiàn)嚴(yán)重缺陷，具體分為吊弦斷裂/脫落缺陷和不受力缺陷。缺陷的具體分類依賴于訓(xùn)練的另外一個(gè)相對閾值，大于該閾值為不受力缺陷，否則為斷裂/脫落缺陷。

4 實(shí)驗(yàn)驗(yàn)證結(jié)果及分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

吊弦圖像通過接觸網(wǎng)懸掛狀態(tài)檢測裝置(C4檢測車)采集。車上安裝有高速、高清工業(yè)相機(jī)，連續(xù)定點(diǎn)自動(dòng)抓拍成像獲取數(shù)據(jù)，并根據(jù)車速及吊弦的安裝規(guī)則來調(diào)整采樣頻率，結(jié)合GPS信息定位到缺陷吊弦的具體位置。本文中吊弦圖像的分辨率為5 120×3 840(2 000萬像素)，最高采集速度可達(dá)163 幀/s。

本文在Aconada中搭建Tensorflow環(huán)境運(yùn)行模型。經(jīng)數(shù)據(jù)擴(kuò)充后共有5 247個(gè)吊弦，其中缺陷吊弦781個(gè)，以2∶1劃分訓(xùn)練集和測試集，數(shù)據(jù)中非主要檢測線路的吊弦不進(jìn)行標(biāo)記，數(shù)據(jù)主要針對室外場景。

4.2 實(shí)驗(yàn)結(jié)果與分析

定位模型訓(xùn)練損失如圖10所示，在測試集上的定位效果如圖11所示。對于整個(gè)算法的測試集檢測結(jié)果如表1所示。圖10中訓(xùn)練損失收斂速度較快且曲線波動(dòng)較小，圖11的出框質(zhì)量較高，可見定位任務(wù)的算法魯棒性較好。由表1可見整體模型的檢測具有較好的性能，該吊弦缺陷檢出方法計(jì)算量十分小。本實(shí)驗(yàn)的具體缺陷劃分相對閾值約為18.3，缺陷細(xì)分閾值約為9.4。

圖10 訓(xùn)練損失函數(shù)圖

圖11 吊弦線夾測試結(jié)果圖

表1 吊弦缺陷檢測模型算法測試集驗(yàn)證結(jié)果

針對漏檢圖像的大片反射高光問題可以嘗試從物理角度來解決該問題：1)在高清相機(jī)鏡頭上安裝偏振鏡過濾反射偏振光；2)在拍攝時(shí)使用多角度光源采集圖像后合成圖像進(jìn)行進(jìn)一步數(shù)據(jù)處理。

另外，將復(fù)盛-長壽北、杏林-高崎等實(shí)際線路采集的吊弦圖像按照本文訓(xùn)練的檢測算法進(jìn)行實(shí)時(shí)處理。在3 121張吊弦圖像中檢出缺陷吊弦8個(gè)，實(shí)際缺陷為5個(gè)，準(zhǔn)確率為99.9%，誤檢率為0.1%?？梢姳疚牡姆椒?zhǔn)確有效。

5 結(jié)語

本文基于機(jī)器視覺進(jìn)行吊弦缺陷檢測。在預(yù)處理后使用SSD算法進(jìn)行吊弦定位，并提出了一種“相對峭度”的表征方法。使用SVM分類器訓(xùn)練大量數(shù)據(jù)得到閾值后，在測試數(shù)據(jù)中根據(jù)閾值判別吊弦狀態(tài)，檢出缺陷。在測試數(shù)據(jù)和實(shí)際線路吊弦圖像數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明：對于運(yùn)動(dòng)模糊和復(fù)雜的吊弦圖像均有較好的處理效果；定位算法魯棒性較好，定位效果突出；提出的表征方法檢出缺陷性能良好、計(jì)算效率很高、工程性佳，目前還沒有類似的表征方法。未來工作中將探索其他方法進(jìn)一步提高精度。