王俊平，毛慧華，沈云波，李淼成，陳欣安

（株洲中車時(shí)代電氣股份有限公司，湖南 株洲 412001）

0 引言

受電弓是動(dòng)車組從接觸網(wǎng)獲取電力的關(guān)鍵設(shè)備，其運(yùn)行環(huán)境復(fù)雜多變。在列車高速運(yùn)行過程中，受電弓會(huì)與接觸網(wǎng)產(chǎn)生弓網(wǎng)磨耗[1]，與接觸網(wǎng)上的硬點(diǎn)、異物、錨段關(guān)節(jié)及分?jǐn)嘟^緣器等發(fā)生機(jī)械沖擊[2]，嚴(yán)重時(shí)會(huì)出現(xiàn)碳滑板掉塊、羊角缺失或弓頭傾斜等結(jié)構(gòu)異?，F(xiàn)象[3]，導(dǎo)致弓網(wǎng)離線、弓網(wǎng)燃弧及穿弓等弓網(wǎng)故障，進(jìn)而影響行車安全[4]，因此對受電弓異常進(jìn)行在線識別、指導(dǎo)及時(shí)維護(hù)甚至主動(dòng)降弓對保障動(dòng)車組安全運(yùn)行有著重要的意義。

目前對受電弓異常狀況的檢測手段主要包括人工檢測、定點(diǎn)非接觸式圖像檢測和車載非接觸式圖像檢測。傳統(tǒng)人工檢測方法[5]需要列車進(jìn)入檢修庫，通過人工登頂作業(yè)并采用測量工具和人眼觀察的方式，檢查受電弓有無明顯異常。該方法雖然比較直觀、可靠，但是實(shí)時(shí)性差、效率低，而且屬于高空危險(xiǎn)作業(yè)，檢測極為不便。定點(diǎn)非接觸式圖像檢測方法[6-8]采用在線路咽喉位置安裝機(jī)器視覺設(shè)備以及觸發(fā)傳感器進(jìn)行定點(diǎn)檢測。該方法雖然可以在某一必經(jīng)地點(diǎn)檢測受電弓的狀態(tài)，但是不能全程實(shí)時(shí)監(jiān)控受電弓的狀態(tài)，若出現(xiàn)弓頭姿態(tài)異常、碳滑板掉塊和羊角缺失等打弓故障卻無法及時(shí)發(fā)現(xiàn)，容易導(dǎo)致故障擴(kuò)大；另外，由于檢測裝置與受電弓相對速度高，容易出現(xiàn)圖像模糊、漏拍等問題。車載非接觸式圖像檢測方法[9-12]通過在車頂安裝高速相機(jī)、補(bǔ)光光源等設(shè)備實(shí)時(shí)采集受電弓圖像并利用深度學(xué)習(xí)算法[13]檢測受電弓狀態(tài)。該方法由于難以獲得大量的受電弓故障樣本圖像進(jìn)行模型訓(xùn)練，檢測穩(wěn)定性還有待提高。

為了能夠?qū)崿F(xiàn)受電弓狀態(tài)的實(shí)時(shí)檢測，降低對故障樣本的依賴，提升受電弓檢測效果，本文提出一種基于受電弓圖像特征分析的受電弓異常識別方法。其通過車載檢測系統(tǒng)實(shí)時(shí)監(jiān)測受電弓狀態(tài)，為監(jiān)控動(dòng)車組受電弓狀態(tài)提供依據(jù)，自適應(yīng)地判斷受電弓運(yùn)行的光照環(huán)境，并基于受電弓典型故障與視覺屬性特征映射識別受電弓的異常狀態(tài)。文章最后通過選取白天和夜晚兩種典型工況的圖像數(shù)據(jù)，分別驗(yàn)證了本受電弓異常識別方法的有效性。

1 受電弓異常識別原理

受電弓異常在線檢測系統(tǒng)由車載設(shè)備和地面設(shè)備兩部分構(gòu)成。其中，車載設(shè)備用于實(shí)現(xiàn)數(shù)據(jù)采集和分析，地面設(shè)備用于實(shí)現(xiàn)報(bào)警數(shù)據(jù)接收、存儲(chǔ)及展示。如圖1所示，車載設(shè)備由車頂檢測裝置和車內(nèi)設(shè)備構(gòu)成，其中車頂檢測裝置主要包含工業(yè)相機(jī)、頻閃光源、4G天線和GPS天線構(gòu)成。系統(tǒng)通過可見光高速工業(yè)相機(jī)對受電弓運(yùn)行區(qū)域進(jìn)行高速拍照，配置頻閃光源對夜間或者隧道場景進(jìn)行補(bǔ)光，并通過工業(yè)相機(jī)IO接口對補(bǔ)光燈控制器進(jìn)行同步控制。相機(jī)采集到的圖像通過千兆以太網(wǎng)傳輸給車載處理單元進(jìn)行缺陷分析以及視頻編碼存儲(chǔ)，并通過車載交換機(jī)將數(shù)據(jù)傳輸?shù)杰囕d顯示屏進(jìn)行顯示。當(dāng)系統(tǒng)檢測到受電弓狀態(tài)異常時(shí)，將異常點(diǎn)前后照片、時(shí)間、位置等報(bào)警信息通過以太網(wǎng)傳輸給車載顯示屏進(jìn)行顯示，同時(shí)通過無線網(wǎng)絡(luò)將報(bào)警信息發(fā)送給地面數(shù)據(jù)終端進(jìn)行顯示，作為異常問題的分析依據(jù)。

圖1 受電弓檢測系統(tǒng)構(gòu)成Fig.1 Structure of pantograph detection system

受電弓異常識別數(shù)據(jù)處理流程如圖2所示，主要包括圖像采集、光照環(huán)境判斷、感興趣區(qū)域的設(shè)定、受電弓識別和受電弓異常檢測等。首先，采集軟件通過可見光相機(jī)采集受電弓圖像并傳到車載處理單元；然后，根據(jù)感興趣區(qū)域（range of interesting，ROI）內(nèi)圖像灰度判斷運(yùn)行場景光照強(qiáng)度，決定識別算法的選用；最后，在設(shè)定的ROI內(nèi)進(jìn)行受電弓的識別，即根據(jù)識別后的受電弓進(jìn)行區(qū)域分割，設(shè)定羊角和碳滑板的ROI，在ROI內(nèi)進(jìn)行羊角缺失、碳滑板缺陷及弓頭傾斜識別，并根據(jù)設(shè)計(jì)的缺陷判定規(guī)則判斷是否發(fā)生受電弓異常故障。

圖2 受電弓異常識別數(shù)據(jù)處理流程Fig.2 Data processing flow of pantograph anomaly recognition

2 受電弓異常識別方法

按照圖2所示數(shù)據(jù)處理流程，本文核心算法主要包含光照環(huán)境判斷、受電弓識別、弓頭區(qū)域分割、羊角缺陷檢測、碳滑板缺陷檢測和弓頭傾斜檢測。

2.1 光照環(huán)境判斷

可見光相機(jī)對環(huán)境光照變化比較敏感，不同光照條件下的弓網(wǎng)圖像存在明顯差別。如圖3所示，在同一高度條件下，白天環(huán)境和夜晚環(huán)境下的受電弓弓體圖像特征發(fā)生明顯變化。因此算法需具備自適應(yīng)光照環(huán)境的能力，即根據(jù)不同的光照條件選擇相應(yīng)的缺陷檢測算法。

圖3 白天和夜晚環(huán)境下弓網(wǎng)可見光圖像Fig.3 Visible light images of pantograph and catenary in day and night environments

白天和夜晚（隧道）環(huán)境判斷的算法如下：

式中：ROI——根據(jù)經(jīng)驗(yàn)在圖像左上角選取的一塊像素大小為100×3的背景采樣區(qū)域；p——ROI內(nèi)的像素點(diǎn)；gp——像素點(diǎn)p的灰度值；T1——根據(jù)經(jīng)驗(yàn)值設(shè)置的灰度閾值，本文中該閾值取80；Npixel——ROI區(qū)域像素點(diǎn)個(gè)數(shù)；L——視頻中單幀圖像亮度的二分類。

灰度均值大于T1，表示當(dāng)前ROI的灰度值較大，設(shè)置L=1；否則L=0。連續(xù)統(tǒng)計(jì)判斷一段視頻中L=1（亮）與L=0（暗）的圖像個(gè)數(shù)，當(dāng)L=1的個(gè)數(shù)大于L=0的個(gè)數(shù)時(shí)，當(dāng)前環(huán)境模式為白天；否則為夜晚模式。

2.2 受電弓識別

研究受電弓異常情況，首先要解決受電弓的識別問題，只有定位出受電弓所在區(qū)域，才能進(jìn)一步深入研究各組件的異常與否。首先，根據(jù)弓網(wǎng)工作狀態(tài)以及受電弓的結(jié)構(gòu)特征，基于形狀輪廓特征，分別設(shè)計(jì)不同工況下的受電弓模板；然后，根據(jù)弓網(wǎng)工作狀態(tài)，設(shè)定受電弓搜索匹配策略。

2.2.1 受電弓模板設(shè)計(jì)

高鐵接觸網(wǎng)和受電弓典型的受流高度主要有3種：5 300 mm左右、6 000 mm左右和6 400 mm左右。為此，將3種導(dǎo)高條件下白天和夜晚環(huán)境中受電弓工作狀態(tài)圖像作為受電弓模板匹配[14]的基準(zhǔn)，如圖4所示。

圖4 不同高度和光照環(huán)境下的受電弓模板匹配Fig.4 Template matching of pantograph in different height and light intensity environments

2.2.2 搜索匹配策略

由于地理位置的差異，高鐵接觸網(wǎng)的布線高度也會(huì)發(fā)生變化，這就需要算法能夠自適應(yīng)地調(diào)整，以選取最合適的受電弓匹配模板。首次匹配時(shí)，采用全局搜索的方式，依次使用各個(gè)模板在整個(gè)圖像上尋找受電弓輪廓。當(dāng)匹配成功之后，挑選得分最高的模板所在圖像區(qū)域作為下一幀圖像的受電弓ROI搜索的參考基準(zhǔn)。可見光相機(jī)的幀率為25幀/s，高鐵急速行駛時(shí)，當(dāng)前幀圖像與下一幀相比，受電弓在畫面中位置變化在5個(gè)像素以內(nèi)，設(shè)前一次成功檢測到的受電弓最小外接矩形區(qū)域?yàn)镽OIa；對ROIa的4個(gè)邊界均向外擴(kuò)大5個(gè)像素，得到ROIb，這樣就得到了下一幀受電弓感興趣搜索區(qū)域。采用這樣的策略，減少了每一次的搜索范圍，提升了搜索效率。如果受電弓連續(xù)丟失5次，則采用初始匹配策略進(jìn)行全局匹配。

2.3 弓頭區(qū)域分割

圖5示出可見光相機(jī)采集到的受電弓圖像。分割弓頭區(qū)域時(shí)，首先通過特征匹配算法識別出受電弓弓頭并設(shè)定受電弓ROI1；然后根據(jù)受電弓各組件相對位置的先驗(yàn)知識，分別設(shè)定羊角ROI2和前碳滑板ROI3；最后在各區(qū)域內(nèi)使用受電弓檢測算法檢測受電弓是否出現(xiàn)羊角缺失、前碳滑板掉塊和弓頭傾斜的異常情況。

圖5 弓網(wǎng)缺陷檢測感興趣區(qū)域Fig.5 ROI of pantograph-catenary defect detection

2.4 受電弓羊角缺陷檢測

羊角缺失、形變或者懸掛異物會(huì)給受電弓正常受流帶來安全隱患，嚴(yán)重時(shí)可能會(huì)造成受電弓傾斜、接觸網(wǎng)打弓等，影響列車的安全行駛。系統(tǒng)根據(jù)受電弓羊角的結(jié)構(gòu)特征，采用基于形狀輪廓特征的模板匹配算法進(jìn)行羊角檢測，實(shí)時(shí)監(jiān)控受電弓羊角狀態(tài)。

2.4.1 受電弓羊角模板設(shè)計(jì)

羊角模板設(shè)計(jì)主要考慮兩點(diǎn)：

（1）白天和夜晚光照條件的差異以及羊角和弓體反射光線能力的差異，其會(huì)造成兩種典型光照環(huán)境下羊角成像效果的差異；

（2）受電弓受流高度的非唯一性，其會(huì)造成羊角所呈現(xiàn)結(jié)構(gòu)特征的差異性。如圖6中的紅色輪廓羊角，其即為基于形狀輪廓特征設(shè)計(jì)的適應(yīng)不同高度和光照環(huán)境的羊角模板。

圖6 不同高度和光照環(huán)境下的羊角模板匹配Fig.6 Template matching of pantograph horn in different height and light intensity environments

2.4.2 搜索匹配策略

受電弓左右羊角搜索匹配策略[15]如下：

（1）受電弓識別完成后，可以根據(jù)受電弓弓頭與左右羊角相對位置的先驗(yàn)知識，設(shè)定左右羊角的初始ROI，如圖5中的ROI2；

（2）采用與受電弓匹配模板相對應(yīng)的羊角模板在ROI內(nèi)搜索羊角輪廓；

（3）如果匹配成功，則獲取匹配成功目標(biāo)的位置、尺度縮放等匹配信息；

（4）得到的羊角輪廓匹配信息，對匹配成功的模板圖像進(jìn)行仿射變換，獲取目標(biāo)對象的輪廓；

（5）對提取的羊角輪廓進(jìn)行一系列圖像處理，獲取目標(biāo)輪廓的最小外接矩形以及矩形的中心坐標(biāo)值，根據(jù)坐標(biāo)信息分別統(tǒng)計(jì)左右羊角的檢出次數(shù)，執(zhí)行羊角缺失判定。

2.4.3 羊角缺失判定規(guī)則

受背景復(fù)雜和光照條件變化的影響，可能會(huì)出現(xiàn)漏檢現(xiàn)象，因此需要設(shè)計(jì)羊角缺失判定規(guī)則來規(guī)避誤報(bào)警現(xiàn)象的發(fā)生。

判斷規(guī)則如式（2）所示，設(shè)定檢出率閾值T2（本文設(shè)T2=0.8），統(tǒng)計(jì)第一次檢測出羊角缺失的連續(xù)N幀（本文設(shè)N=10）圖像的左、右羊角檢出率：

（1）如果檢出率小于T2，則判斷羊角缺失，標(biāo)記缺陷位置并發(fā)送故障信息；

（2）如果檢出率大于等于T2，則羊角正常，讀取下一幀待檢測的圖像，執(zhí)行步驟（1）。

2.5 受電弓前碳滑板缺陷檢測

碳滑板是受電弓與接觸網(wǎng)直接接觸受流的關(guān)鍵部件，也是摩擦最劇烈、最容易出現(xiàn)缺口和掉塊等缺陷故障的部件[16]。缺陷發(fā)生在碳滑板上表面的概率是最大的，因此可以通過提取前碳滑板上邊緣輪廓線[17]并計(jì)算輪廓線曲率變化趨勢來判斷是否出現(xiàn)缺陷，但是該方法對邊緣輪廓的分割提取要求較高。本文采用另外一種方法，即通過提取前碳滑板上、下邊緣輪廓曲線并計(jì)算前碳滑板厚度像素的方式來判斷是否出現(xiàn)缺陷。

2.5.1 厚度閾值設(shè)定方法

影響厚度閾值的因素包括結(jié)構(gòu)特征和高度變化。前碳滑板兩端薄，中間略厚；高度越高，前碳滑板相同位置成像像素則越少。

前碳滑板結(jié)構(gòu)特征決定了厚度閾值不能單一化。如圖7所示，前碳滑板區(qū)域被分割為A、B和C這3個(gè)區(qū)間，其分別占據(jù)ROI寬度的1/4、1/2和1/4。分別計(jì)算A、B和C區(qū)間內(nèi)前碳滑板上、下輪廓厚度的中值，并將中值作為該區(qū)段的厚度閾值。高度變化因素決定了厚度閾值應(yīng)該隨著受電弓工況的變化而變化。采用自適應(yīng)學(xué)習(xí)方式，當(dāng)工況發(fā)生變化并且穩(wěn)定后，記錄A、B和C這3個(gè)區(qū)段連續(xù)5幀圖像的厚度參數(shù)平均值，這3個(gè)平均值就是新的工作條件下的碳滑板厚度閾值。

圖7 前碳滑板厚度計(jì)算區(qū)段劃分Fig.7 Calculation section division of thickness of front carbon slide plate

2.5.2 前碳滑板缺陷檢測算法

通過讀取前碳滑板ROI區(qū)域，提取圖像的邊緣輪廓。通過拆分輪廓為線段的方式，篩選出前碳滑板的近似輪廓，并濾除長度較短的干擾邊緣線。將長度符合設(shè)定閾值的邊緣線閉合以連接成完整輪廓，判斷是否只有一個(gè)長度滿足閾值范圍的閉合輪廓；如只有一個(gè)，說明找到了碳滑板。

刪除閉合輪廓左右兩端的豎直邊緣輪廓部分，截取閉合輪廓的中間段近似水平部分作為感興趣輪廓，判斷是否成功截取2個(gè)感興趣輪廓線；分別統(tǒng)計(jì)輪廓線上點(diǎn)的個(gè)數(shù)并判斷是否滿足最小閾值。本文中最小閾值為90。如果2個(gè)條件都滿足，說明已正確提取了碳滑板的上、下邊緣。

計(jì)算上、下輪廓線最近的距離，并與按照2.5.1節(jié)中的算法計(jì)算出的厚度閾值進(jìn)行對比。如果最近的距離比厚度閾值小5 mm以上，則懷疑該處存在5 mm以上的碳滑板掉塊缺陷。

2.5.3 碳滑板缺陷判定規(guī)則

由于非露天環(huán)境存在復(fù)雜背景、接觸網(wǎng)、接觸線懸掛和吊臂懸掛等干擾，在某一段區(qū)間，可能會(huì)提取出疑似缺陷輪廓段，需要采取相應(yīng)的規(guī)避策略。

前碳滑板缺陷判定規(guī)則如下：

（1）幀差值判定。計(jì)算前后兩次檢測出缺陷的幀差值并與設(shè)定的幀差閾值Val_Dif（本文中Val_Dif=10）進(jìn)行比較，見式（3）。如果式（3）成立，則根據(jù)式（4）進(jìn)行判定；否則，跳出缺陷判定模塊，執(zhí)行2.5.2節(jié)中的前碳滑板缺陷檢測算法。

式中：NCountfault(i)——故障幀的幀序號。

（2）概率統(tǒng)計(jì)。其方式如式（4）所示。從第一次檢測出缺陷開始，統(tǒng)計(jì)連續(xù)n秒（n=10）內(nèi)缺陷出現(xiàn)的概率，如果概率值不小于設(shè)定的閾值T4（本文T4=1），則表示出現(xiàn)缺陷；否則，跳出缺陷判定模塊，執(zhí)行2.4.2節(jié)中的算法。

式中：Nfault(i)——判斷為有缺陷的圖片數(shù)量；

Nnorm(i)——判斷為正常的圖片數(shù)量。

2.6 受電弓弓頭傾斜檢測

受電弓弓頭傾斜角度太大并且持續(xù)時(shí)間過長往往是受電弓結(jié)構(gòu)異常的表現(xiàn)。本文通過提取前碳滑板上邊緣輪廓，以輪廓左右兩端點(diǎn)連線的傾斜角度作為弓頭傾斜角度的表征。

2.6.1 弓頭傾斜角度計(jì)算基準(zhǔn)

受拍攝相機(jī)安裝角度和位置的影響，即使接觸網(wǎng)位于受電弓滑板中間位置，受電弓弓頭在可見光相機(jī)的視場也會(huì)存在一定角度的傾斜。圖8示出接觸點(diǎn)位于碳滑板中間位置時(shí)，3種常見導(dǎo)高工況下的受電弓姿態(tài)，分別以此姿態(tài)作為后續(xù)弓頭傾斜角度計(jì)算的基準(zhǔn)姿態(tài)。

圖8 典型導(dǎo)高狀態(tài)下的受電弓姿態(tài)Fig.8 Pantograph attitude under typical conducting hight state

2.6.2 弓頭傾斜檢測算法

受電弓弓頭傾斜檢測算法如下：

（1）采用2.5.2節(jié)中碳滑板輪廓提取算法實(shí)現(xiàn)碳滑板上、下邊緣輪廓的提??；

（2）提取上邊緣輪廓左、右端點(diǎn)的坐標(biāo)值，根據(jù)式（5）計(jì)算兩點(diǎn)連線的傾斜角度φ；

（3）根據(jù)2.6.1節(jié)方法計(jì)算出的基準(zhǔn)傾斜角度值，對傾斜角度值進(jìn)行補(bǔ)償，得到校正后的受電弓傾斜角度。

2.6.3 弓頭傾斜異常判定規(guī)則

正常受流時(shí)，隨著接觸網(wǎng)的左右滑動(dòng)，弓頭上下擺動(dòng)，弓頭的傾斜角度也會(huì)隨之變化。弓頭傾斜角度計(jì)算如下：

式（6）中的兩個(gè)條件若同時(shí)滿足，表明弓頭傾斜角度大于設(shè)定的閾值角度，同時(shí)保持這種狀態(tài)的持續(xù)時(shí)間超過設(shè)定的時(shí)間閾值，則判定弓頭出現(xiàn)傾斜異常故障。

3 驗(yàn)證分析

為了驗(yàn)證本文算法的檢測性能，本文選取白天和夜晚環(huán)境下的多個(gè)序列弓網(wǎng)圖像原始數(shù)據(jù)，以驗(yàn)證算法對白天和夜晚工況的適應(yīng)性。通過Photoshop圖像處理軟件將其中部分圖片設(shè)計(jì)成缺陷狀態(tài)的情形，然后再合成一個(gè)連續(xù)的圖像序列，作為測試數(shù)據(jù)集。測試中，將檢測算法部署到一臺(tái)計(jì)算機(jī)上，由檢測算法逐張讀取分析測試數(shù)據(jù)集圖片并輸出檢測結(jié)果，以驗(yàn)證檢測算法的檢出率。數(shù)據(jù)集測試結(jié)果顯示，各種算法的檢出率均大于98%，誤報(bào)率均小于2.6%。

3.1 羊角缺失檢測驗(yàn)證

選取6 400 mm導(dǎo)高條件下白天和夜晚環(huán)境的圖像各500張，使用圖像處理手段將其中的500張圖像中的受電弓設(shè)計(jì)成羊角缺失的狀態(tài)，如圖9（a）所示。采用第2.4節(jié)的羊角缺失檢測算法對“缺陷”圖像分別進(jìn)行驗(yàn)證，如圖9（b）所示，算法采用紅色矩形框標(biāo)記的方式識別出羊角缺失異常。采用該羊角缺失檢測算法，受電弓檢出率為98.4%，誤報(bào)率為1.4%。

圖9 羊角缺失識別Fig.9 Identification of pantograph horn missing

3.2 前碳滑板掉塊檢測驗(yàn)證

選取6 000 mm導(dǎo)高條件下白天和夜晚環(huán)境的圖像各500張，使用圖像處理手段將其中的500張圖像中的受電弓設(shè)計(jì)成前碳滑板掉塊的狀態(tài)，如圖10（a）所示。采用第2.5節(jié)前碳滑板缺陷檢測算法對“缺陷”圖像分別進(jìn)行驗(yàn)證，結(jié)果如圖10（b）所示，算法采用黃色圓圈標(biāo)注的方式識別出缺陷位置。采用該前碳滑板缺陷檢測算法，受電弓檢出率為98.2%，誤報(bào)率為2.2%。

圖10 前碳滑板缺陷識別Fig.10 Identification of front carbon slide plate defect

3.3 弓頭傾斜檢測驗(yàn)證

選取5 300 mm導(dǎo)高條件下的白天和夜晚環(huán)境的圖像各500張，使用圖像處理手段將其中的500張圖像中的受電弓圖像處理成弓頭傾斜狀態(tài)，采用第2.6節(jié)的弓頭傾斜檢測算法對圖像進(jìn)行驗(yàn)證，結(jié)果如圖11（b）所示。圖中，黃色"×"點(diǎn)是前碳滑板上邊緣輪廓兩個(gè)端點(diǎn)，黃色直線是2個(gè)端點(diǎn)的連線，綠色字體描述的是弓頭傾斜角度。采用該弓頭傾斜檢測算法，受電弓檢出率為98.4%，誤報(bào)率為2.6%。

圖11 弓頭傾斜檢測Fig.11 Identification of pantograph bowhead inclination

4 結(jié)語

弓網(wǎng)狀態(tài)監(jiān)測是列車正常運(yùn)行的重要保障措施之一。本文提出一種基于特征分析且不依賴故障樣本數(shù)據(jù)的受電弓異常在線識別方法，其可見光相機(jī)被固定在車頂護(hù)罩內(nèi)，安裝方便，只需要標(biāo)定好安裝角度和調(diào)好相機(jī)參數(shù)即可。該方法是一種基于圖像的非接觸式檢測手段，通過一系列圖像檢測算法，可以實(shí)時(shí)監(jiān)測弓網(wǎng)是否發(fā)生異常，且無負(fù)樣本要求；故障復(fù)核方便，圖像能直觀反應(yīng)弓網(wǎng)狀態(tài)，通過復(fù)核故障包內(nèi)的圖像即可復(fù)核是否真正發(fā)生受電弓異常故障以及故障發(fā)生的原因。實(shí)驗(yàn)結(jié)果證明：基于特征分析的受電弓異常實(shí)時(shí)識別方法具備實(shí)時(shí)監(jiān)控受電弓的羊角是否缺失和變形、前碳滑板是否掉塊和弓頭是否發(fā)生傾斜故障的功能，具有較好的實(shí)用性，能夠?qū)κ茈姽惓Ｇ闆r進(jìn)行預(yù)警。

由于檢測效果受可見光圖像的清晰度以及目標(biāo)對象與背景的區(qū)分度影響較大，文章選取了質(zhì)量較好的戶外圖像進(jìn)行的故障模擬以及算法測試，而在實(shí)際應(yīng)用中，存在當(dāng)處于隧道、車站等非露天場景時(shí)，受電弓與背景區(qū)分度可能不高，提取完整的受電弓前碳滑板輪廓不清晰等困難，檢測性能可能會(huì)出現(xiàn)下降。因此，后續(xù)我們將針對這些檢測效果不佳的真實(shí)工況繼續(xù)進(jìn)行受電弓異常識別方法的迭代優(yōu)化。