魯堯

（深圳地鐵運營集團有限公司，廣東 深圳 518000）

1 概述

在受電弓和接觸網(wǎng)長期接觸中會因為各種各樣的原因?qū)е陆佑|線磨損，如弓網(wǎng)接觸壓力、弓網(wǎng)摩擦、硬點等會導致接觸線產(chǎn)生機械磨損，而燃弧等原因又會造成接觸線的電氣磨損，長此以往，若不及時處理，則可能對地鐵交通造成致命后果。因此，在地鐵實際運營過程中，需要采取一定技術措施對接觸線磨耗進行精確穩(wěn)定的檢測，以保障乘客安全以及城市的有序發(fā)展。

目前，針對接觸網(wǎng)磨耗的檢測方式大致可以分為2種：一種是接觸式檢測技術，如位移傳感器，該方式有較多缺陷，比如，投入高、效率低、難度大等；另一種是非接觸式檢測技術，主要通過超聲波、3D、面陣相機、線陣相機等方式，該種技術具有檢測效率高、投入少、精度高等諸多優(yōu)勢，因此也備受國內(nèi)外推崇。

本文所提出的方法就是線陣相機對接觸網(wǎng)掃描成像，進一步利用圖像處理和機器學習相結合的方式對圖像中的磨耗區(qū)域進行精確提取，最后計算得到接觸線磨耗值。該方法相比3D、超聲波等方式成本更低，相比僅僅利用傳統(tǒng)圖像處理更加精確和穩(wěn)定。

本文對提出的方法進行較充分的實驗驗證，識別準確率可達到99%以上，磨耗誤差精度可達到0.5mm 左右。

2 方法

本文所涉及的圖像數(shù)據(jù)由線陣相機采集，即通過安裝在車頂?shù)木€陣相機對地鐵剛性接觸網(wǎng)中的匯流排區(qū)域進行等距掃描，然后將幀掃描數(shù)據(jù)拼接成一幅二維圖像用于后續(xù)處理。如圖1 所示，線陣相機掃描得到的數(shù)據(jù)具有較強的結構特征，圖中有三條光帶，左右兩條光帶是匯流排邊緣凹槽部分，中間光帶是導線磨耗區(qū)域，本文所提出的算法重點就在于精確提取出圖像中每一行中間光帶的寬度，用以磨耗計算。

圖1 線陣相機采集的原始圖像

圖2 表征匯流排趨勢的曲線

本文所涉及的剛性接觸網(wǎng)導線磨耗檢測方法主要由三大部分組成：（1）獲取匯流排邊界曲線；（2）通過支持向量回歸算法獲取導線邊界曲線；（3）導線范圍內(nèi)提取磨耗區(qū)域并計算磨耗。

2.1 匯流排邊界提取

本文首先通過求取原始圖像橫向梯度圖，再進行二值化，而不是直接對原圖進行二值化操作。

在得到橫向梯度圖后，對梯度圖像進行動態(tài)二值化，即分塊并自適應設置不同閾值，進一步在二值化圖像中提取八連通域。

進一步，每個連通域都可以跟蹤出一條完整圖像高度的曲線，在得到若干條曲線后，計算每條曲線所在像素的平均灰度值，并選取灰度值最大的曲線作為表征匯流排趨勢的曲線。

在得到表征匯流排趨勢的曲線后，將該曲線在原始圖像中向左移動，每移動一次，則計算一次該曲線的灰度均值，當連續(xù)出現(xiàn)若干次灰度均值小于某閾值時，認為找到了匯流排左邊界曲線。同理，將匯流排趨勢曲線向右移動可搜索到匯流排右邊界曲線，如圖3 所示。

圖3 識別的匯流排左右邊界曲線示意

圖4 識別到的導線區(qū)域

圖5 識別出的磨耗區(qū)域

2.2 計算導線左右邊界

本文在計算導線左右邊界時，采用支持向量回歸的方式，該方式可以有效利用已有數(shù)據(jù)進行有監(jiān)督學習，在應用過程中需要調(diào)試的參數(shù)極少。

本文的任務就是通過已有的圖像數(shù)據(jù)先識別匯流排的左右邊界，左右邊界的坐標作為訓練數(shù)據(jù)，再通過人工手動在圖像上標記出導線坐標作為擬合目標值。

其中，di表示第i 幀匯流排左右邊界坐標，因為是線陣相機，因此只需要橫坐標即可，即xi,1表示第i 幀匯流排左邊界坐標，xi,2表示匯流排右邊界坐標；ti表示第i 幀人工標記的導線左右邊界坐標，即表示第i 幀導線左邊界坐標，第i 幀導線右邊界坐標。

在標記了一定數(shù)量的樣本后，可通過以下數(shù)學模型進行訓練：

其中，w、b 是需要訓練得到的模型參數(shù)，ε為管道參數(shù)，實際應用中，ε設置太小無法保證所有樣本點都在管道內(nèi)，ε太大回歸超平面會被一些異常點帶偏，因此，可根據(jù)實際測試效果設置；為松弛變量；φ(■)為某種非線性映射關系。

通過上述模型進行訓練可得到一組超平面參數(shù)，即w*，b*。在實時檢測階段，當收到一幅新的圖像時，先識別到匯流排的左右邊界，然后即可通過超平面參數(shù)計算得到導線左右邊界，即

2.3 識別磨耗區(qū)域

識別到導線區(qū)域后，在導線范圍內(nèi)通過像素灰度變化即可識別磨耗區(qū)域。

首先，在某一幀的導線范圍內(nèi)搜索出最大灰度值，然后根據(jù)該最大灰度值設定一個灰度閾值，本文將該閾值設置為當前幀導線范圍內(nèi)最大灰度值的0.8 倍。

在導線范圍內(nèi)搜索出連續(xù)大于上述灰度閾值的最長線段，該線段的范圍即是當前幀的磨耗區(qū)域。

在識別到導線區(qū)域后，根據(jù)事先標定好的像素精度即可計算出磨耗弦長或高度，即磨耗弦長為磨耗區(qū)域像素寬度乘以像素精度。

3 實驗

本文實驗所用的數(shù)據(jù)是由8K 線陣相機采集，每次拼接1000 行進行處理，即單次處理圖像大小為。

本次測試所用訓練圖像2000 張，測試圖像5000 張，模型訓練階段損失曲線如圖6 所示。

圖6 磨耗區(qū)域識別效果示意

圖7 磨耗誤差分布示意圖

在經(jīng)過600 次epoch 后損失基本不變，表明此時訓練基本達到收斂狀態(tài)。

在測試階段，其匯流排邊界正確識別率為99.66%，導線邊界正確識別率為99.32%，具體如表1 所示。

表1 匯流排與導線邊界識別統(tǒng)計

表2 磨耗誤差分布統(tǒng)計

本次測試圖像涉及線路里程數(shù)為20km，算法測量出磨耗值后根據(jù)公里標人工復核200 處，最大誤差0.63mm，最小誤差0.17mm，平均誤差0.44mm，其中誤差0.4 ～0.5 占比63%，誤差0.6mm 以下占99%。

4 結語

本文對地鐵剛性接觸網(wǎng)導線磨耗檢測方法進行了研究，提出了一種傳統(tǒng)圖像處理和機器學習相結合的磨耗測量方法，其導線識別正確率可達到99%以上，磨耗誤差可達到0.5mm 左右，相較僅利用傳統(tǒng)圖像處理，其穩(wěn)定性和精度都有較大提升，已達到可在實際工程中應用的水平，后續(xù)的研究方向是進一步提高檢測精度。