白青林，喬梅

（北京市軌道運營有限公司，北京 100000）

電氣化鐵路的安全穩(wěn)定運行對牽引供電系統(tǒng)要求較高，接觸網(wǎng)設(shè)備是鐵路基礎(chǔ)設(shè)施的重要組成部分，其良好的運用狀態(tài)是電力機(jī)車、動車組正常運行及運輸組織暢通的前提條件之一。接觸網(wǎng)懸掛裝置的故障診斷歷經(jīng)了從人工判別到自動化識別的過程，人工識別采集接觸網(wǎng)元器件圖片的效率不能滿足列車運行要求。吊弦是接觸網(wǎng)系統(tǒng)檢測的重要部件之一，吊弦缺陷主要可分為吊弦斷裂、吊弦不受力、吊弦散股、螺栓松脫、雞心環(huán)斷開等缺陷類型，吊弦是鏈形懸掛的重要組成部件之一，利用調(diào)節(jié)吊弦的長短來保證接觸懸掛的結(jié)構(gòu)高度、接觸線的松弛度、接觸線距軌面的高度以及線岔處的水平、抬高，改善接觸懸掛的彈性，調(diào)整接觸線的弛度，保證接觸線與受電弓良好滑擦，提高電力機(jī)車受電弓取流質(zhì)量，因此，吊弦缺陷檢測是極其必要的。本文為提升對吊弦的檢測能力，對接觸網(wǎng)吊弦缺陷檢測算法應(yīng)用展開研究，構(gòu)建基于ASM（active shape model）算法，通過構(gòu)建吊弦檢測流程，對接觸網(wǎng)圖像進(jìn)行預(yù)處理與分割技術(shù)處理，利用ASM算法，實現(xiàn)對吊弦缺陷的準(zhǔn)確識別，通過選取真實路段上的吊弦缺陷進(jìn)行檢測，驗證算法的準(zhǔn)確性與可行性。

1 吊弦圖像預(yù)處理與分割

為了提高對吊弦缺陷檢測的精度，需制定專門的檢測流程，如圖1所示。

圖1 吊弦檢測流程圖

1.1 吊弦圖像預(yù)處理

利用計算機(jī)圖像處理技術(shù)，將彩色圖像數(shù)據(jù)進(jìn)行灰度化處理，利用灰度圖片局部亮度的分布與特征替代彩色圖片數(shù)據(jù)中的圖像整體特性，在保證辨識率的同時，得到辨識率更高的灰色圖像?；叶忍幚碇谐Ｓ玫饺N處理方法，分別為平均值法、最大值法、加權(quán)平均法，本方案選取加權(quán)平均值。加權(quán)平均值法中，將彩色圖像數(shù)據(jù)中每個像素點的基本像素賦予不同的權(quán)重值，根據(jù)理論研究可知，G分量識別率高于R分量高于B分量，將圖像灰度化處理后，為得到更好的顯示效果，分別賦予G、R、B分量0.59、0.3、0.11的權(quán)重，將加權(quán)平均取值得到的結(jié)果替代原有彩色圖像數(shù)據(jù)中R、G、B像素點值，即：

攝像機(jī)拍攝得到圖像會存在噪聲干擾。噪聲干擾嚴(yán)重影響圖片清晰度與識別度，模糊的圖像信息對圖像的提取分析結(jié)果精度造成較大干擾，為提升圖像信息的識別度，圖像去噪處理的必要環(huán)節(jié)，選取中值濾波器。

中值濾波是一種典型的非線性濾波算法，在實際應(yīng)用中，該濾波對處理圖像細(xì)節(jié)的模糊、除脈沖干擾和孤立噪聲干擾等效果顯著。中值濾波算法將圖像劃分為若干個窗口，選取所需計算數(shù)據(jù)點的窗口，將窗口中的數(shù)據(jù)提取出奇數(shù)個數(shù)據(jù)點，將提取后的數(shù)據(jù)點按照大小進(jìn)行排序，位于中間位置的像素點作為替代原有數(shù)據(jù)點。中值濾波器可以完成圖片中所有窗口中的像素中值濾波處理，即：

通過去噪后的圖像還需要增強(qiáng)畫質(zhì)，以便用于后續(xù)的剪裁和定位。由于某些情況，拍攝的圖片會相對模糊，并不能很好地符合要求。因此需要對圖像進(jìn)行增處理，選取限制對比度自適應(yīng)直方圖法。該方法通過限制直方圖的部分區(qū)域的高度達(dá)到限制對比的增強(qiáng)幅度，由此可以限制噪聲及對比度的過度增大，來改善圖片的畫質(zhì)。

假設(shè)圖片的大小為N×N，其局部映射函數(shù)為：

式中，CDF(i)表示圖片的累積分布函數(shù)，其求導(dǎo)為直方圖Hist(i)，由此可以計算出n(i)的斜率M：

計算得到的斜率為圖片對比度增大的程度函數(shù)，要限制其增大的幅度才能保證有效地去噪。設(shè)定斜率的最大值為Mmax，則：

在保證圖片不發(fā)生損耗或面積變化的前提下，均衡后的高度不能大于Hmax。設(shè)定一個閾值T，在此處對圖片進(jìn)行裁剪，同時將裁去的部分均勻地分布在灰階范圍內(nèi)，由此受電弓的直方圖的高度會增大，假定為L，則Hmax=T+L

由此達(dá)到均衡后的直方圖為：

通過該方法處理的圖像灰度分布和原圖接近，且亮度差異很小，同時將特征區(qū)域的圖像對比度增強(qiáng)，突出了受電弓的細(xì)節(jié)，減少對細(xì)節(jié)的干擾，有效地限制圖像噪聲的放大，可以滿足后續(xù)的處理。

1.2 吊弦圖像分割

通過圖像的去噪和增強(qiáng)，片中包含的信息較多，還存在一定的其他設(shè)備的干擾。圖像分割就是實現(xiàn)干擾源與目標(biāo)的分離、背景與目標(biāo)的分離。通過圖像的分割將更有利于目標(biāo)的識別和定位，選擇基于邊緣的方法。目標(biāo)的邊緣是其重要的特征，而邊緣是圖像中灰度值在其相鄰的區(qū)域內(nèi)存在局部突變現(xiàn)象，同時相互之間彼此連通的像素的集合，邊緣檢測的方法有效實現(xiàn)目標(biāo)和背景分割。常用的邊緣檢測方法有很多，而基于Canny算法的邊緣檢測是一個可以實現(xiàn)濾波、圖像增強(qiáng)及檢測多階段的優(yōu)化算法，其優(yōu)點多，如檢測方向全、抵抗干擾能力強(qiáng)、封閉性好以及還原圖像信息能力強(qiáng)等。

2 吊弦ASM構(gòu)建

ASM以點分布模型為基礎(chǔ)，選取樣本特征點進(jìn)行訓(xùn)練，訓(xùn)練后的ASM 能夠得到特征點分布的統(tǒng)計信息，并以此為基礎(chǔ)對目標(biāo)圖像特征點展開尋找。在ASM訓(xùn)練中，需記錄樣本中的關(guān)鍵特征點的位置，特征點的具體位置可通過手動或者半自動標(biāo)記，將計算得到的特征值的灰度模型中的值作為特征向量。吊弦ASM構(gòu)建方法步驟如下：

2.1 吊弦學(xué)習(xí)樣本標(biāo)定

吊弦圖像經(jīng)過圖像預(yù)處理，完成去噪后，圖像中吊弦輪廓邊界點、角點位置較為清晰，將其設(shè)定為特征點，并人工對其進(jìn)行標(biāo)記。標(biāo)記時，采用PDM對吊弦形狀進(jìn)行描述，同時，每張吊弦圖像中設(shè)定數(shù)量相同的特征點，吊弦圖像的特征點數(shù)學(xué)表示與學(xué)校樣本集可表示為：

式中，N為特征點總數(shù)；M為圖像總數(shù)。

ASM訓(xùn)練。ASM訓(xùn)練主要包含特征點對齊與ASM建立兩部分。訓(xùn)練步驟如下：

①將吊弦形狀xi進(jìn)行重新排布，通過進(jìn)行大小調(diào)整、位置變換等方式將其與xi對齊，得到變換后的形狀集合。

②對圖像進(jìn)行平均處理。

③將平均形狀m進(jìn)行大小調(diào)整、位置變換等排布調(diào)整，對齊。

④將x進(jìn)行大小調(diào)整、位置變換等排布調(diào)整，對齊平均形狀m。

⑤重復(fù)跳轉(zhuǎn)至②步驟，直至平均形狀m出現(xiàn)收斂，停止對齊處理。

平均形狀收斂的評判依據(jù)為：

此時，圖像中各吊弦形狀與平均形狀之差的平方和最??；吊弦對齊時：

若x與訓(xùn)練集是相關(guān)的合理形狀，該估計能較好地擬合真實形狀。

2.2 吊弦區(qū)域初步定位

為了縮短吊弦檢測的計算時間，提升檢測精度，需要對吊弦區(qū)域進(jìn)行定位，去除多余的干擾像素。開展區(qū)域搜索可得到吊弦的整體圖像。具體步驟如下：

（1）在接觸線邊緣定位的特征點基礎(chǔ)上，將與其相交的兩條直線交點作為新的特征點，以交點為中心向左右延伸進(jìn)行搜索。

（2）區(qū)域內(nèi)包括兩條直線l1、l2，兩條直線傾斜角度分別為φ1、φ1，兩角度相差45°。

經(jīng)過對吊弦位置進(jìn)行區(qū)域搜索后，在輸入的邊緣圖像中進(jìn)行曲線數(shù)據(jù)壓縮，將邊緣線段中長度較短的去除，利用Hough變換將左右兩個吊弦邊緣線段進(jìn)行搜索，搜索控制在35～55°和125～145°范圍內(nèi)，搜索完得到吊弦的初始定位區(qū)域。

2.3 吊弦檢測與識別

吊弦區(qū)域經(jīng)過初步定位后并未達(dá)到精確識別與檢測的要求，需利用主動形狀模型學(xué)習(xí)算法對吊弦區(qū)域進(jìn)行精確匹配。具體步驟如下：

（1）根據(jù)吊弦主動形狀模型中的平均形狀和吊弦的初始位置，初始化吊弦形狀，即。

（2）以吊弦初始定位中的標(biāo)記點為基礎(chǔ)，向領(lǐng)域搜索，選定鄰域中的梯度值最大的像素點作為最佳目標(biāo)位置；當(dāng)鄰域中存在最佳目標(biāo)點，標(biāo)記點以最佳目標(biāo)點為方向移動，若不存在，標(biāo)記點原位置不變。

（3）標(biāo)記點移動造成吊弦的初始形狀發(fā)生改變，初始形狀與移動后形狀之間存在位移向量，即：

（4）將姿態(tài)參數(shù)進(jìn)行步驟（2）和（3）若干次后，對變換后姿態(tài)參數(shù)進(jìn)行判斷，當(dāng)姿態(tài)參數(shù)數(shù)值可忽略時，判定吊弦圖形的存在；反之不存在。

3 吊弦缺陷檢測實驗

本文采用某鐵路線段4C高清圖像作為訓(xùn)練樣本，共計1000張，同時針對吊弦斷裂、吊弦不受力、吊弦散股三種吊弦常見缺陷，分別在50張無缺陷圖片中添加50張有缺陷測試圖像進(jìn)行識別，驗證檢測算法的有效性；選取150張無缺陷圖像作為干擾因素，分別選取吊弦斷裂、吊弦不受力、吊弦散股等缺陷圖像各50張，統(tǒng)計算法的識別率，驗證算法的準(zhǔn)確度。

3.1 吊弦的缺陷檢測實驗

針對吊弦斷裂、吊弦不受力、吊弦散股三種吊弦常見缺陷的共300張圖像中，吊弦斷裂、吊弦不受力、吊弦散股典型圖像各4張，經(jīng)過算法檢測后，成功將12張存在缺陷的圖像識別出，檢測結(jié)果如圖2所示。

圖2 吊弦缺陷檢測圖

如圖2所示，經(jīng)過算法檢測后，12張圖像被成功識別，缺陷點識別結(jié)果準(zhǔn)確，并在圖中將缺陷位置進(jìn)行了標(biāo)記。

3.2 算法檢測準(zhǔn)確性測試

為更加形象直觀地反映算法的準(zhǔn)確性，對吊弦斷裂、吊弦不受力、吊弦散股、3種缺陷檢測效果進(jìn)行統(tǒng)計，統(tǒng)計結(jié)果如表1所示。

表1 吊弦缺陷檢測系統(tǒng)的檢測結(jié)果統(tǒng)計表

表中：準(zhǔn)確率=檢測正確缺陷樣本/缺陷總樣本；

誤檢率=誤檢數(shù)/樣本總數(shù)；

漏檢率=漏檢數(shù)/樣本總數(shù)。

通過表中數(shù)據(jù)可知，算法對吊弦斷裂、吊弦不受力缺陷檢測準(zhǔn)確率較高，同時誤檢率能夠得到很好的抑制，從而能夠節(jié)省計算資源，并為運維人員提供準(zhǔn)確的維修參考數(shù)據(jù)；螺栓松脫缺陷檢測精度較高，誤檢率也得到了較好的抑制，能夠在實際工作中得到較好的應(yīng)用；四種缺陷類型中散股的檢測精度最低，但也保證了80%以上的檢測精度，但是出現(xiàn)較高的誤檢率，從而需要人工或二次篩選，降低了工作效率，究其原因為：出現(xiàn)散股現(xiàn)象的圖像中，散股缺陷通常較小，只占據(jù)5～10個像素點，同時干擾因素較多，因此，優(yōu)化散股檢測應(yīng)成為接下來算法優(yōu)化的重點。

4 結(jié)語

基于ASM（active shape model）算法對接觸網(wǎng)吊弦缺陷檢測，從吊弦的預(yù)處理和吊弦的缺陷檢測改進(jìn)，實驗結(jié)果表明，該算法對吊弦多種缺陷類型能夠?qū)崿F(xiàn)準(zhǔn)確識別，識別準(zhǔn)確率較高，對提升吊弦檢測水平提供重要支持，為后續(xù)工作提供寶貴意見。