圖像識別技術(shù)在接觸網(wǎng)懸掛狀態(tài)檢測中的應(yīng)用

謝大鵬，孫忠國

0 引言

高速鐵路接觸網(wǎng)，由于接觸線及承力索的張力增大，各接觸網(wǎng)零部件的受力及振動也大幅增加，接觸網(wǎng)零部件的安全問題尤為突出。對接觸網(wǎng)零部件狀態(tài)缺陷的檢測，傳統(tǒng)的人工巡檢方式工作量大，而且只能在非常有限的天窗時(shí)間內(nèi)進(jìn)行，該方式難以滿足國內(nèi)大量高速鐵路接觸網(wǎng)高效檢修維護(hù)的需要。

為此，急需研制在無需接觸網(wǎng)斷電條件下，能主要針對接觸網(wǎng)接觸懸掛系統(tǒng)關(guān)鍵設(shè)備及零部件狀態(tài)進(jìn)行自動巡檢的動態(tài)檢測設(shè)備，以滿足對高速鐵路接觸網(wǎng)高效檢修維護(hù)的需要。而對采集到的接觸網(wǎng)設(shè)備圖像進(jìn)行自動化的圖像處理算法又是其中難點(diǎn)。

1 圖像匹配與識別方法

物體的識別與檢測是計(jì)算機(jī)視覺中的一項(xiàng)前沿技術(shù)問題。如人臉識別、指紋識別、虹膜識別等，都是目前比較成熟的應(yīng)用領(lǐng)域，國內(nèi)外不少產(chǎn)品已經(jīng)成功應(yīng)用于安檢、考勤、信息安全等方面。

目前，對圖像匹配的研究主要以提高匹配的精度和速度為主，兼顧通用性與魯棒性。

圖像識別的方法很多，基本的也是常用的方法有神經(jīng)網(wǎng)絡(luò)法、幾何變換法和模板匹配法等。

（1）神經(jīng)網(wǎng)絡(luò)方法。人工神經(jīng)網(wǎng)絡(luò)方法特別適合處理需要同時(shí)考慮許多因素和條件的問題以及信息不確定性（模糊或不精確）問題。在實(shí)際應(yīng)用中，由于該方法存在收斂速度慢、訓(xùn)練量大、訓(xùn)練時(shí)間長，且存在局部最小，識別分類精度不夠，難以適用于經(jīng)常出現(xiàn)新模式的場合，因而其實(shí)用性有待進(jìn)一步提高。

（2）幾何變換法。典型的幾何變換方法主要有霍夫變換（Hough），它是圖像處理中從圖像中識別幾何形狀的基本方法之一，把原始圖像中給定曲線的檢測問題轉(zhuǎn)化為尋找參數(shù)空間中的峰值問題，也即把檢測整體特性轉(zhuǎn)化為檢測局部特性。比如直線、橢圓、圓、弧線等。為了減少計(jì)算量和內(nèi)存空間以提高計(jì)算效率，又提出了許多改進(jìn)的霍夫算法，其中隨機(jī)霍夫變換RHT（Randomized Hough Transform）是20 世紀(jì)90 年代提出的一種精巧的變換算法，其突出特點(diǎn)不僅能有效地減少計(jì)算量和內(nèi)存容量，提高計(jì)算效率，而且能在有限的變換空間獲得任意高的分辨率。

（3）模板匹配法。要進(jìn)行模板匹配，首先需要存儲一些已知模板，然后考慮所有可能的變化，將待識別模板與已知模板相比較，從而得出二者之間的相似性量度。該方法在字符識別、人臉識別等領(lǐng)域有廣泛的應(yīng)用。

經(jīng)典的圖像匹配方法利用互相關(guān)計(jì)算匹配量度，或用絕對差的平方和作為不匹配量度，但是這兩種方法經(jīng)常發(fā)生不匹配的情況，因此，利用幾何變換的匹配方法有助于提高穩(wěn)健性。該方法計(jì)算量較大，而且該方法的識別率依賴于已知模板。如果已知模板產(chǎn)生變形，會導(dǎo)致錯誤的識別，由此產(chǎn)生了可變形模板匹配方法。

2 接觸網(wǎng)懸掛狀態(tài)檢測算法

對接觸網(wǎng)零部件狀態(tài)的典型缺陷及其主要特征進(jìn)行歸類、匯總。采用包括數(shù)字圖像濾波技術(shù)、圖像幾何失真校正技術(shù)、邊緣增強(qiáng)等數(shù)字圖像處理技術(shù)，增大圖像清晰度，以便于接觸網(wǎng)部件狀態(tài)缺陷的識別；對待檢圖像進(jìn)行邊緣檢測以及二值化處理，并進(jìn)行適當(dāng)?shù)男螒B(tài)學(xué)圖像處理得到待檢圖像的邊緣圖像，在邊緣圖像中確定若干定位區(qū)域的候選區(qū)域，然后根據(jù)候選區(qū)域的標(biāo)準(zhǔn)模板，從候選區(qū)域中確定定位區(qū)域，最后利用部件幾何關(guān)系的先驗(yàn)信息由定位區(qū)域確定待檢測區(qū)域。

本文采取對單幀圖像進(jìn)行接觸網(wǎng)零部件懸掛狀態(tài)檢測的研究思路，充分利用單幀圖像提供的信息，實(shí)現(xiàn)對單幀圖像中的指定位置銷釘、絕緣子等裝置懸掛狀態(tài)的準(zhǔn)確檢測，提取出其在圖像中的有用信息。

算法思路：

（1）通過已有圖像，對特定接觸網(wǎng)部件建立匹配用模型。

（2）通過已經(jīng)建立的模型，在待檢測圖像中找到與模型相匹配的零部件區(qū)域。

（3）對特定零部件的指定區(qū)域進(jìn)行幾何形態(tài)學(xué)操作，進(jìn)而判斷相應(yīng)銷釘是否缺失。

接觸網(wǎng)懸掛狀態(tài)檢測算法流程如圖1 所示。

以任一檢測過程中一幅圖像為例，算法實(shí)現(xiàn)過程如下：

（1）模型建立過程略。

（2）讀取模型。

（3）讀取圖像。

（4）通過已經(jīng)建立的模型，找到相關(guān)零部件匹配的區(qū)域，并進(jìn)行相應(yīng)幾何形態(tài)學(xué)操作。

（5）結(jié)果判斷。

圖1 接觸網(wǎng)懸掛狀態(tài)檢測算法流程圖

其中，模板建立的過程如圖2 所示。

圖2 樣本模板建立流程圖

3 實(shí)例分析

系統(tǒng)運(yùn)行檢測前，首先利用采集到的樣本圖像，對其中想要檢測的接觸網(wǎng)懸掛零部件（如圖3 a、圖4 a 所示），建立相應(yīng)的零部件樣本模板。保存在計(jì)算機(jī)中的樣本模板，在對采集到的圖像進(jìn)行智能檢測時(shí)，將用作識別的參考模板。對于采集到的圖像識別出相應(yīng)的接觸網(wǎng)零部件后，對其進(jìn)行幾何形態(tài)學(xué)分析，對于存在異常變化的相應(yīng)接觸網(wǎng)零部件發(fā)出預(yù)警信號，使其達(dá)到自動檢測的目的。

（1）旋轉(zhuǎn)雙耳下方銷釘缺失檢測。圖3 展示的為對旋轉(zhuǎn)雙耳下方銷釘是否缺失進(jìn)行檢測。圖3 a 為需要檢測的銷釘位置；圖3 b 為系統(tǒng)采集到的原始圖像；圖3 c 為原始圖像識別到的銷釘位置，并進(jìn)一步進(jìn)行幾何形態(tài)學(xué)分析；圖3 d 為最終判斷銷釘是否缺失，是否需要人工進(jìn)一步核查。

圖3 旋轉(zhuǎn)雙耳下方銷釘缺失檢測圖

（2）絕緣子閃絡(luò)檢測。圖4 展示的為對絕緣子是否閃絡(luò)進(jìn)行檢測。圖4 a 為需要檢測的絕緣子位置；圖4 b 為系統(tǒng)采集到的原始圖像；圖4 c 為原始圖像識別到的絕緣子位置；圖4 d 為進(jìn)一步進(jìn)行幾何形態(tài)學(xué)分析；圖4 e 為最終判斷絕緣子是否閃絡(luò)。

圖4 絕緣子閃絡(luò)檢測圖

被檢測出的接觸網(wǎng)零部件故障信息會發(fā)送到相應(yīng)的交互界面，提醒接觸網(wǎng)運(yùn)營維護(hù)人員對相應(yīng)的接觸網(wǎng)零部件進(jìn)行人工確認(rèn)并處理，以保證鐵路行車安全。

4 結(jié)語

運(yùn)用圖像識別技術(shù)的接觸網(wǎng)懸掛零部件檢測方法是一種高效率、低成本的自動化檢測方法，相對于傳統(tǒng)人工巡檢有不可替代的優(yōu)勢。本文算法可以通過計(jì)算機(jī)圖像檢測，有效地減少現(xiàn)場人員的勞動強(qiáng)度，提高檢測效率，確保高速鐵路接觸網(wǎng)安全有效運(yùn)行。

[1] Carsten Steger 等著.機(jī)器視覺算法與應(yīng)用[M].楊少榮等譯.北京：清華大學(xué)出版社，2008.

[2] 岳文輝，肖興明，唐果寧.圖像識別技術(shù)及其在機(jī)械零件無損檢測中的應(yīng)用[J].中國安全科學(xué)學(xué)報(bào)，2007，17（3）：156-161.

[3] 張道德.機(jī)械零件圖像識別的關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D].武漢：華中科技大學(xué)，2008.

[4] 周瑜，劉俊濤，白翔.形狀匹配方法研究與展望[J].自動化學(xué)報(bào)，2012，38（6）：889-910.

[5] 劉金保.形狀匹配算法研究及應(yīng)用[D].廣州：廣東工業(yè)大學(xué)，2011.

[6] 鄭祥明，史耀武.數(shù)字圖像識別技術(shù)綜述[J].湖北汽車工業(yè)學(xué)院學(xué)報(bào)，1999，13（1）：33-38.

[7] 謝蓄芬，劉泊，王德軍.一種改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用[J].哈爾濱理工大學(xué)學(xué)報(bào)，2004，9（5）：63-65.

[8] V.A.Shapiro.On the hough transform of multi-level pictures[J].Pattern Recognition, 1996, 29: 589-602.

[9] 嚴(yán)紅平，潘春紅.模式識別簡述[J].自動化博覽，2006，23（1）：22-26.