劉仕兵，全豐，喻星

(華東交通大學(xué) 電氣與自動化工程學(xué)院，江西 南昌 330013）

近年來，我國高速鐵路發(fā)展迅速，鐵路運行原發(fā)性問題急劇增加，弓網(wǎng)之間零件狀態(tài)正常是列車安全取流的重要保障，當接觸網(wǎng)任一部件出現(xiàn)故障時會造成嚴重的停車事故。4C檢測主要采用圖像處理技術(shù)對接觸網(wǎng)懸掛狀態(tài)進行評估，普通圖像因受光照散射影響，對目標信息獲取能力差，繼抱箍、旋轉(zhuǎn)耳、套筒等部件的故障檢測難度持續(xù)增大。物體因材質(zhì)差異其表面導(dǎo)電性不同，當光波照射后表面發(fā)生反/輻射電磁波時，其介質(zhì)特性會改變電磁波的偏振態(tài)，相比普通強度圖像，偏振探測技術(shù)可以挖掘目標深層次多角度細節(jié)[1-2]。而偏振技術(shù)和信息融合也逐漸成為圖像研究熱點，定性分析光波偏振態(tài)與可見光譜在特征表達上的互補冗余性，通過融合二者來提高成像質(zhì)量，可對微小部件在粗糙度、邊緣連接、灰度梯度和紋理等方面顯著增強，從而提高故障檢測效率。目前二者有機結(jié)合廣泛應(yīng)用于軍事探測、野外勘查、遙感信息等領(lǐng)域[3-4]。將偏振技術(shù)應(yīng)用在接觸網(wǎng)系統(tǒng)提取目標偏振實時信息，目前該研究尚屬空白。在接觸網(wǎng)圖像處理檢測方面，劉凱等[5]利用卷積網(wǎng)絡(luò)完成承力索底座識別，引入Beamlet變換用局部鏈搜索算法提取裂紋信息，但其線段基的閾值Tf難以確定會產(chǎn)生搜索偏差；王佳祺[6]采用超分辨率重建對開口銷圖像去模糊處理，構(gòu)建實力分割對螺母松脫進行檢測，該方式對訓(xùn)練樣本像素要求極高；陳雋文等[7]用Hough直線和邊緣檢測將螺釘與主體分離，采用像素累加判斷螺釘不良狀態(tài)，其分割過程受光照因素影響大；韓燁等[8]探討旋轉(zhuǎn)雙耳故障，提出SIFT特征匹配和邊界曲線彎曲度來判斷是否斷裂，但故障傾角不明顯。上述方法都存在圖像質(zhì)量不高，檢測流程過于復(fù)雜等問題。自從WOLFF等開啟研究光的偏振領(lǐng)域，ZHANG等[9]提出一種無監(jiān)督的深度網(wǎng)絡(luò)來優(yōu)化偏振圖像，該網(wǎng)絡(luò)以端到端映射用定制的體系結(jié)構(gòu)和損失函數(shù)來提高視覺質(zhì)量。KIM等[10]提出構(gòu)建segNet和DCGAN深度學(xué)習(xí)模型，通過小波融合RGB新的分量來提高圖像信噪比。NAIK等[11]提出一種動態(tài)隨機共振DSR指標來引導(dǎo)小波融合過程，達到圖像增強效果。ZANG等[12]提出低頻以PCA，高頻基于局部能量的雙樹復(fù)小波融合方法，但細節(jié)信息表現(xiàn)不佳。接觸網(wǎng)U型抱箍作為絕緣子與腕臂間重要扣件，其松動會引發(fā)嚴重的弓網(wǎng)事故，為改善目標成像質(zhì)量，增大視覺可讀性，在總結(jié)前人基礎(chǔ)上，本文提出將偏振技術(shù)應(yīng)用到抱箍圖像采集上，并對常規(guī)小波融合在高低頻系數(shù)重構(gòu)規(guī)則上進行優(yōu)化提升，將融合結(jié)果與DCT，NSCT和NSST等方法比較，計算圖像各項評價指標。在檢測階段提取融合圖像的LBP特征值映射至二維向量空間，利用cosine相似度分別對抱箍螺母正常、松動和脫落3種狀態(tài)進行檢測，并利用耦合網(wǎng)絡(luò)對該狀態(tài)下單像素迭代點火進行驗證，根據(jù)其迭代次數(shù)及熵值比的反饋差異來檢測算法的準確性。

圖1 U型抱箍結(jié)構(gòu)Fig.1 Structure of U-shaped hoops

1 偏振理論

1.1 光波偏振態(tài)

目標物體由于反射和輻射光波存在偏振特性，根據(jù)物體材料、粗糙度等理化性質(zhì)能對目標紋理、邊緣、陰影進行清晰成像，增強目標與背景對比度。通常以斯托克斯矢量stokes=(I,Q,U,V)T來描述光波全偏振信息，I為光照總強度，Q為水平方向上線偏振光，U為對角方向上線偏振光，因大氣散射圓偏振光分量極少，所以V在實驗中不予考慮。在二維平面上當偏振片與X軸成夾角θ時，入射光透過鏡片此時光電儀可測到該角度下光照強度Iθ，Stokes總光強理論公式為

式(1)中：當取0°，45°，90°，135°4個角度下拍攝可得到4個分量光強，此時偏振光各分量可描述為

當反射光透過偏振片成像后，根據(jù)偏振光線傳播理論求得目標線偏振度圖像(DOLP)以及偏振角圖像(AOP)：

其中：0≤DOLP≤1，表示線偏振光占總光強比例，偏振角為偏振光分量振動方向與參考方向夾角θ，其范圍為0°≤AOP≤180°。

1.2 偏振成像模型

描述光波在物體表面作用后反射產(chǎn)生的偏振效應(yīng)，利用微面元物理模型對光線傳播進行反演，提出偏振雙向分布函數(shù)BRDF，其表達式如下：

當光線波長為λ時，Lr為Stokes矢量下反射光能量，Ei為入射光能量，且BRDF實際為極小通量，光波能量為有效平面的均值，F(xiàn)為4階穆勒矩陣。當光線照射目標后發(fā)生反射偏差產(chǎn)生光波偏振態(tài)，原理作用與矩陣中的δi，?i，δr，?r相關(guān)，即入射/反射光的方位角和天頂角。實際成像過程通過偏振片P1和P2來模擬穆勒矩陣達到偏振狀態(tài)。

圖2是偏振主動成像模型，利用光源透過起偏器P1(偏振片代替1/4石英薄片)產(chǎn)生全線偏振光，入射角度為?i的線偏光照射到目標表面，其光線反射角?r經(jīng)過偏振片P2在傳感器上成像，即PSA探測儀。在實際偏振圖像采集中，需要旋轉(zhuǎn)偏振片P2在0°，45°，90°和135°4個相位角下得到不同光波偏振態(tài)的目標信息參量，進而利用仿真視覺合成偏振信息圖。

圖2 偏振系統(tǒng)成像Fig.2 Images system of Polarization

2 圖像融合

2.1 小波變換

隨著小波變換算法Mallat發(fā)展應(yīng)用，將圖像分解與重構(gòu)在時頻之間轉(zhuǎn)換，通過伸縮和平移對分解信號進行多尺度詳細分析，廣泛應(yīng)用于圖像處理、信號重構(gòu)等領(lǐng)域[11-12]。圖像處理采用離散二維小波(DWT)將信息轉(zhuǎn)換并分解，信號在固定尺度下平移構(gòu)成Φ(2Jt)空間，形成尺度向量組。每一尺度空間下的細微變化向小波空間投影得到小波向量組，該時間刻度下展開得到尺度系數(shù)ΦJK(T)和小波系數(shù)φJK(T)。

當信號在尺度空間做卷積得到低頻子帶，決定圖像大致輪廓為近似系數(shù)；信號在小波空間卷積得到3個方向上高頻系數(shù)為表現(xiàn)細節(jié)過渡邊緣等。圖像經(jīng)N層分解后二維信號變成3N+1個子帶系數(shù)，利用多尺度小波重構(gòu)各方向上子帶系數(shù)逆變換得到新圖像。

2.2 PCNN耦合神經(jīng)網(wǎng)絡(luò)

根據(jù)貓大腦視覺皮層細胞工作原理，Eckhom提出了由多個神經(jīng)元脈沖鏈接的單層反饋型網(wǎng)絡(luò)[13]。在二維圖像實時處理環(huán)境中，具有空間鄰近和特征相似聚集特性，能對像素形成全局耦合和脈沖點火同步發(fā)生。該網(wǎng)絡(luò)由接收域、調(diào)制鏈接、脈沖激發(fā)3部分組成，且接收域由包括外部刺激等3路信號構(gòu)成，進行點火迭代時像素點相當于神經(jīng)元與其逐一對應(yīng)，而主要點火控制則由脈沖發(fā)生器中活動總數(shù)和電容積分共同決定，各區(qū)域工作理論表達式如下：

式中：為反饋輸入；為外部輸入，是分解后圖像在k尺度任意方向(i,j)位置的低頻子帶系數(shù)；

2.3 本文融合規(guī)則

融合規(guī)則對圖像重構(gòu)起決定作用，由于小波變換方向有限且平移存在畸變，在處理時低頻信息會被平滑過濾，利用db4母小波將強度圖I和偏振特征圖F進行4層分解后，在低頻系數(shù)融合中引入PCNN網(wǎng)絡(luò)對像素點耦合點火，高頻系數(shù)則以改進的空間頻率MSF作為依據(jù)進行重構(gòu)。

2.3.1 偏振特征融合

偏振角與偏振度在特征表達上各有優(yōu)勢，為保留有效信息，定義互信息(MI)為融合權(quán)值：

式中：PI,x(I,x)為模板與單一源圖像的聯(lián)合邊緣密度；PI(i)和PX(x)為強度圖I和源圖邊緣概率密度；α為融合加權(quán)量；A和B對應(yīng)偏振參量，確立源圖像互信息變量并加權(quán)融合得到偏振特征圖F。

2.3.2 低頻系數(shù)融合規(guī)則

低頻系數(shù)反映圖像灰度信息變化較平滑的輪廓部分。將分解后低頻系數(shù)灰度值作為PCNN輸入，圖像區(qū)域能量設(shè)定為鏈接強度β，根據(jù)源圖像點火頻率圖選擇待重構(gòu)的低頻系數(shù)。

1)β設(shè)定，如果將鏈接強度設(shè)為某一固定值，在圖像處理中對像素區(qū)域特性反饋差，像素點間關(guān)聯(lián)性因β導(dǎo)致迭代后圖像對比度降低，考慮到局部關(guān)聯(lián)對系數(shù)重構(gòu)有較大影響，而區(qū)域能量E能反映局部像素灰度差變化，故將其作為鏈接強度β=E。計算規(guī)則如下。

選取3*3窗口作為能量子塊，其像素灰度乘以卷積權(quán)重，對圖像遍歷后得到每一子域能量矩陣。

LAN是小波分解第N層，W3*3是該區(qū)域?qū)?yīng)卷積系數(shù)矩陣，設(shè)中心像素點為(i,j)。El(i,j)為圖像在L尺度下區(qū)域的p×q低頻系數(shù)對應(yīng)的局部能量和。

2)當區(qū)域能量較大時表明窗口包含信息多，此時近似像素點滿足被捕獲范圍將產(chǎn)生興奮提前點火，并實行自適應(yīng)調(diào)節(jié)。每層低頻子帶系數(shù)經(jīng)n次迭代后總點火次數(shù)為

將該子區(qū)域映射圖歸一修正得到點火頻率圖

2.3.3 高頻系數(shù)融合規(guī)則

高頻系數(shù)是視覺感官梯度變化的敏感部分，多數(shù)研究選擇高頻子帶時忽略分解后具有方向性。為避免丟失細節(jié)，根據(jù)這一特性引入空間頻率MSF，分別計算源圖像高頻子帶各方向上的行頻率(RF)列頻率(CF)及對角頻率(DF)，計算如式(11)所示。

分解后在圖像M×N區(qū)域當中，空間頻率定義如下：

分別獲得強度圖I空間頻率和偏振特征圖F空間頻率，高頻系數(shù)選擇規(guī)則如下：

經(jīng)σI和σF比較后選擇待重構(gòu)高頻系數(shù)，最后整合新的低頻系數(shù)(i,j)和高頻系數(shù)(i,j)進行小波系數(shù)重組，對其逆變換得到融合的新圖像。算法總體融合規(guī)則見圖3。

圖3 總體融合流程Fig.3 Entire process of images fusion

3 螺母松脫檢測

U型抱箍結(jié)構(gòu)以雙螺母固定，列車運行時劇烈震動導(dǎo)致螺母松脫，但體積過小視覺判斷極其困難。利用偏振融合圖像對目標輪廓、紋理做增強處理，采用加速穩(wěn)健特征檢測(SURF)對螺母區(qū)域初定位，提取螺母局部二值特征量(LBP)，將其變換為cosine向量后對松脫狀態(tài)進行相似性測定。

3.1 提取螺母特征量

SURF特征匹配算法是目標提取的重要工具，該算法引入Hessian矩陣和盒式濾波器來提高匹配速度，同時配對特征點準確率增加。首先提取螺母區(qū)域分3個步驟。

Step 1：求取抱箍區(qū)域積分圖像，引入選用2階黑塞矩陣作為濾波器與核卷積計算2階偏導(dǎo)數(shù)。

Step 2：改變?yōu)V波盒子尺寸與圖像積分檢測紋理，求取矩陣不同響應(yīng)值并對極大抑制。

Step 3：利用harr小波對圖像進行梯度運算，響應(yīng)值加權(quán)后分配主方向θω，沿主方向?qū)^(qū)域分塊，計算4個特征向量Σdx，Σ|dx|，Σdy和Σ|dy|，根據(jù)紋理差異對待檢圖像進行特征點匹配。

依據(jù)黑塞矩陣跡判斷特征點方向，采用歐式距離對2幅圖像進行配對。圖4(a)為目標與整體抱箍特征點配對，融合后匹配度明顯增強；根據(jù)模板角點確定特征區(qū)域尺寸，對區(qū)域4個頂角坐標從左至右依次進行讀取標定，并主動繪制螺母定位框，如圖4(b)所示。

圖4 定位螺母模板Fig.4 Locating nut template

判斷螺母松脫狀態(tài)與其結(jié)構(gòu)位置相關(guān)，本文摒棄直接以灰度值做余弦測量的判斷方式，加入對光照、角度魯棒性強的旋轉(zhuǎn)不變局部二值模式(LBP)。首先提取待測圖像與模板圖像LBP特征值，該算法對圖像局部紋理特征描述灰度不變[15]。利用其改進模式圓形算子在圖像n×n區(qū)域內(nèi)采樣P個像素點，其采樣半徑為R時，特征量如下：

取邊界上第p個采樣點，將其灰度值與中心點比較，根據(jù)差值進行定義0/1特征值，形成一個二進制序列。當半徑為1，采樣點為8時，產(chǎn)生256種特征模式，且像素點與LBP值相對應(yīng)，對數(shù)字編碼做旋轉(zhuǎn)位移，選擇位移特征值中的最小值：

式中：LBPP,R即為該采樣區(qū)域內(nèi)最小值，取其作為局部特征值，特征模式轉(zhuǎn)換原理如圖5所示。

圖5 特征模式變換Fig.5 Conversion of feature modes

3.2 故障狀態(tài)檢測

對圖像進行特征變換后將其值映射到二維空間L(ρ,θ)中，再以向量間余弦角作為診斷原則，當余弦值趨近1則圖像結(jié)構(gòu)越相似，趨近0時則差異越大，且每個像素特征值對應(yīng)一個元素。設(shè)模板圖像為a=(α1,α2,α3,…,αn)，待測圖像為b=(γ1,γ2,γ3,…,γm)，對a，b間余弦角進性相似性比較，度量公式如下：

以模板向量為基準，通過計算所得余弦值間差異評判故障等級。當松脫時螺母間距d變化，偏振信息在位置上表達可能存在暗影，曝光等，針對螺母間是否存在故障進行相似性實驗，過程如下：

1)備螺母緩慢旋轉(zhuǎn)直至脫落，得到多組余弦值cosθ1，cosθ1，…，cosθm，當松動時根據(jù)多組值域范圍作為判定依據(jù)；

2)脫落時測量多種狀態(tài)下余弦值cosθ1，cosθ1，…，cosθn，取最小值作為判定截止量。防止位置移動、光照變化、拍攝抖動、背景變換等因素影響度量結(jié)果。

3)本次試驗中對抱箍螺母脫落樣本35例，對存在松動現(xiàn)象的樣本100例分別進行實驗，統(tǒng)計余弦值并做歸類，其故障判定原理如表1。

表1 故障判定原理Table 1 Principles of fault judgment

判定范圍每組數(shù)據(jù)取少許裕量，且僅當待測圖像為原模板時其余弦值取1。

4 實驗分析

4.1 目標偏振采集

采用偏振分時方式對U型抱箍進行成像采集，嚴格把控拍攝周期，防止光照推移影響采集效果。傳感器采用大恒圖像產(chǎn)MER-10GC型彩色成像，像元尺寸為1.67 μm，分辨率為1 000萬像素，GPIO供電觸發(fā)線連接，鏡頭型號LM16焦距16 mm。偏振片為EDMUN公司產(chǎn)，型號85-919直徑25.6 mm線偏振片。緩慢旋轉(zhuǎn)偏振片在4個角度下獲取偏振信息圖像后，根據(jù)式(2)，式(3)和式(7)在Matlab上合成強度圖I，DOLP，AOP及偏振特征圖F。

4.2 圖像融合及評價

圖6為初步仿真結(jié)果，圖6(a)為強度圖I，具有強曝光度；圖6(b)為偏振度圖像，反映部件結(jié)構(gòu)輪廓；圖6(c)為偏振角圖像，反映紋理、溝槽、邊緣交接等細節(jié)；圖6(d)中偏振特征圖F集中反映多層次信息，對背景抑制和工件去高光作用效果明顯。

圖6 偏振信息圖Fig.6 Polarized information images

按照本文算法對光譜與偏振圖像改進融合，同時與文獻[12-14]中5種常見融合方法進行比較，仿真結(jié)果圖7所示。在視覺上已有明顯差異，但深度細節(jié)無法評判。為更好評價本文算法優(yōu)勢與不足，采用熵En，平均梯度AVG，標準差STD，均方誤差RMSE及結(jié)構(gòu)相似度SSIM 5個圖像評價指標對6種融合方法進行數(shù)據(jù)提取。待測圖像大小為M*N時，前3個指標計算如下：

圖7 不同融合方法比較Fig.7 Different fusion methods were compared

熵、梯度及標準差越大代表反差越大，可利用信息量增多；均方誤差越小代表圖像整體性良好，結(jié)構(gòu)相似度則是衡量與源圖像相似程度。在Matlab視覺平臺上輸入不同融合圖像，按照理論公式計算評價指標如表2。

對融合結(jié)果進行比較分析，圖7(a)為空域PCA主元成分進行融合，熵5.79最低，丟失信息較多，因圖像灰度彌散導(dǎo)致標準差和平均梯度急劇增加，為77.3和0.178，該結(jié)果不予考慮。圖7(b)為金字塔采取局部能量進行融合，平均梯度0.107，灰度指數(shù)較集中，對偏振信息表達較少。圖7(c)是常規(guī)小波融合方法，低頻加權(quán)，高頻基于區(qū)域能量最大，由于缺乏局部表達其灰度差為57.96，梯度0.108，對比度一般，且含較多噪點。圖7(d)利用非下采樣輪廓波(NSCT)融合，熵值7.70，信息量較多，平均梯度0.064，細節(jié)極差故融合后其邊緣變形嚴重，部分輪廓消失。圖7(e)采用非下采樣剪切波(NSST)融合，灰度差48.32和平均梯度0.056，指標數(shù)最低，導(dǎo)致邊緣連接性強塊狀明顯，SSIM為0.57故結(jié)構(gòu)失真嚴重。圖7(f)采用本文改進算法，其中PCNN參數(shù)設(shè)置如下：VL=1，Vθ=20，αL=0.07，αθ=0.2，N=200，W=[0.707 1 0.707;1 0 1;0.707 1 0.707]，β依據(jù)區(qū)域能量自適應(yīng)選取。仿真結(jié)果視覺性能良好，熵為7.83，增加1.7%；平均梯度0.131，標準差73.87，說明抱箍紋理細節(jié)明顯增強，對比度顯著增大；結(jié)構(gòu)度為0.92最高，像素均方誤差為49.86最低，說明融合圖像從源圖像中保留有效信息多，輪廓信息保留完整。表2中數(shù)據(jù)充分說明本文算法融合圖像灰度級更分散反差更大，且能消除部件高光反應(yīng)及背景干擾，符合機器視覺處理要求，達到全域增強的效果。

表2 評價指標結(jié)果對比Table 2 Comparison of evaluation index results

4.3 檢測結(jié)果分析

通過上述圖像融合增強局部細節(jié)后，用相似性度算法檢測主、備螺母差異準確排查故障源。對采集裝置進行校準、補光處理后采集線路上100張U型抱箍作為實驗對象，其中螺母松動15例，備螺母脫落7例，正常78例。采用上述算法對融合圖像進行故障判斷，在相似度計算中有13例樣本測量范圍值在0.86～0.94間，7例樣本測量范圍值在0.76～0.83間，有2例故障因PSA裝置抖動導(dǎo)致無法評判，樣本誤測為7例，故障統(tǒng)計分布見圖8，通過數(shù)據(jù)驗證該方法故障檢測率約為90.9%。同時與文獻[16]中故障檢測方法進行比較實驗，檢測精度和速度對比如表3所示。

表3 故障檢測算法對比Table 3 Comparison of fault detection algorithms

圖8 U型抱箍故障情況Fig.8 Fault conditions of U-shaped hoop

前2種手動提取算法過程繁雜，數(shù)據(jù)訓(xùn)練耗時且樣本采集偶然因素多；CNN方式在特征提取方面壓縮工作力度，但對設(shè)備硬件要求極高同時訓(xùn)練耗時增加。而本文利用圖像增強和相似性原理檢測后，在時間和準確率上顯著提高，目標處理快捷簡易，優(yōu)于機器學(xué)習(xí)算法。同時利用耦合神經(jīng)網(wǎng)絡(luò)從上述樣本中選擇正常、松脫程度不等、脫落3種故障情況進行像素迭代點火，結(jié)果如圖9(a)～9(e)所示。其結(jié)構(gòu)差異性導(dǎo)致在迭代時最大熵值比在0.501～0.630之間，迭代出現(xiàn)波峰次數(shù)及熵值比各有異同，表明區(qū)塊內(nèi)灰度等級不一，像素迭代曲線趨勢明顯不同。當脫落時迭代次數(shù)為3，松動狀態(tài)次數(shù)為4，證明螺母脫落時故障嚴重，由此交叉驗證本文算法在檢測實驗上的準確性，表明該故障診斷原理在U型抱箍螺母松脫檢測上良好實踐效果。

圖9 耦合網(wǎng)絡(luò)迭代驗證Fig.9 Iterative validations of coupled network

5 結(jié)論

1)與目前普通CCD成像灰度化比較，利用偏振技術(shù)和圖像融合算法，可將結(jié)構(gòu)中螺母、U型管等輪廓細節(jié)進行數(shù)據(jù)增強，提高對比度，便于手工設(shè)計特征進行故障分析。

2)檢測階段首先提取目標區(qū)域，將圖像灰度值變換為LBP算子的空間向量形式，結(jié)合余弦算法可快速判斷螺母狀態(tài)，該方法對光照魯棒性強，處理圖像不利因素影響少，大大提高檢測準確率。

3)最后，檢測準確率與SVM相比顯著提高，雖然略低于CNN網(wǎng)絡(luò)檢測結(jié)果，但本文方法在數(shù)據(jù)處理和檢測效率上獲得明顯優(yōu)勢且可靠性強，為偏振技術(shù)應(yīng)用于接觸網(wǎng)檢測領(lǐng)域奠定理論基礎(chǔ)。