高速鐵路接觸網(wǎng)懸掛裝置開口銷不良狀態(tài)檢測方法研究

鐘俊平，劉志剛，陳雋文，韓志偉

(西南交通大學 電氣工程學院，四川 成都 610031)

為確保高速鐵路動車組運營秩序，提高其供電安全性、可靠性，滿足高速鐵路快速發(fā)展和運營品質(zhì)的需求，構(gòu)建了高速鐵路供電安全檢測監(jiān)測系統(tǒng)(6C系統(tǒng))，而利用非接觸式檢測設(shè)備對接觸網(wǎng)懸掛系統(tǒng)零部件狀態(tài)檢測是其中重要的組成部分[1]。

開口銷在懸掛裝置中起固定和防護作用。由于長期運行過程中的振動疲勞或施工缺陷，使其產(chǎn)生脫落或開口角度不足等不良狀態(tài)[2]，需及時采取措施對其檢測并進行安全隱患的排除。目前，基于圖像處理技術(shù)的檢測方法是接觸網(wǎng)故障檢測領(lǐng)域的發(fā)展趨勢，它克服了傳統(tǒng)人工檢測中工作量大、效率低、故障判斷相對滯后等困難。文獻[3]闡述了非接觸式圖像檢測研究的最新進展和存在的不足，并指出接觸網(wǎng)銷釘缺陷問題亟待解決。文獻[4]基于快速魯棒性特征算法和灰度極小值分布規(guī)律對絕緣子不良狀態(tài)進行檢測。文獻[5]研究了結(jié)合形態(tài)學處理和Hough變換的受電弓滑板磨耗測量。文獻[6]采用基于SIFT(尺度不變特征變換)理論的特征點匹配算法定位雙耳和對比邊緣曲率檢測耳片斷裂。文獻[7]采用基于Harris角點與譜聚類實現(xiàn)了絕緣子的抗旋轉(zhuǎn)匹配和故障檢測。文獻[8]將Adaboost算法用于確定接觸網(wǎng)系統(tǒng)支柱特征，進而實現(xiàn)定位器目標的識別。

目前接觸網(wǎng)零部件定位方法的不足主要表現(xiàn)在Adaboost等分類器定位法的實質(zhì)是將整幅圖像有重疊抽樣成數(shù)量較大的樣本，然后與標準部件匹配，實時性較差。由于開口銷在整幅接觸網(wǎng)支撐裝置圖像中微小、分布較為分散且以耳片等相似灰度值的零部件為背景，檢測其缺失、開口角度不足等不良狀態(tài)存在較大困難，目前還未有相關(guān)研究報道，圖1標識了腕臂支撐上主要的開口銷分布。

圖1 腕臂支撐上的開口銷分布

本文針對圖1中分布在腕臂支撐的6處開口銷不良狀態(tài)檢測的處理流程如圖2所示，不同位置開口銷處理過程見表1。表1中L1、L2和D1、D2分別對應(yīng)于圖2中標識的定位和檢測過程。

L1：利用Hough線檢測、邊緣檢測得到斜腕臂上、下邊緣，并提取其斜率曲線特征，得到雙耳連接處、短斜撐上端連接處(含短斜撐)和斜撐下端連接處的局部圖，如圖1中方框所示。利用PBoW(Pyramid Bag of Word)模型實現(xiàn)初定位圖片的識別分類。

L2：利用SIFT(Scale Invariant Feature Transform)算法實現(xiàn)開口銷的定位。

D1：針對雙耳下方銷釘，利用其兩端灰度分布規(guī)律實現(xiàn)其不良狀態(tài)檢測。

D2：針對以耳片為背景的開口銷，提取初定位后圖片中的連接處螺釘?shù)膱A形特征，分割出其外圍開口銷所在的圓環(huán)區(qū)域，并根據(jù)圓環(huán)內(nèi)連通區(qū)域分布規(guī)律判斷開口銷的狀態(tài)。

圖2 檢測處理流程

開口銷123456定位過程L1L1L1L1L2L2檢測過程D2D2—D1—D2

1 斜腕連接處開口銷的初步定位

1.1 斜腕連接處區(qū)域的確定

分析接觸網(wǎng)支撐及懸掛裝置圖像，可得出幾個重要特征：一是腕臂、斜撐等桿狀部分的邊緣呈現(xiàn)明顯的線段特征，雖然受不同空間位置曝光程度差異的影響，整條邊緣并非呈現(xiàn)完整的線段，但局部線段特征明顯；二是斜腕臂具有特定的傾斜角度，且與其他桿狀物傾角差異明顯；三是斜腕連接處的定位環(huán)單耳與斜腕臂呈垂直安裝狀態(tài)，如圖3所示。

圖3 定位環(huán)單耳與斜腕的位置關(guān)系

基于以上特點，可利用Hough直線檢測[9]、提取邊緣曲率特征方法實現(xiàn)斜腕連接處目標的定位。首先對支撐裝置含短斜撐情況進行處理。

對圖4中圖像進行Hough變換，結(jié)果如圖5所示，標度軸θ和ρ分別表示直線與豎直方向夾角和與原點的距離。提取所得Hough矩陣中前10個峰值點。由于斜腕對應(yīng)的θ值范圍一般為45°～60°，因此可取該角度區(qū)間中θ和ρ都相近的一對峰值點，作為一根斜腕的兩側(cè)邊緣直線。按此要求處理圖5，得到紅色框標注一對峰值點，其對應(yīng)于圖4中斜腕的兩側(cè)綠色邊緣直線(共線的線段算一條)。

圖4 斜腕臂處的Hough線檢測結(jié)果

圖5 Hough矩陣提取前10個峰值

設(shè)紅框內(nèi)點的ρ值分別為ρ1、ρ2，圖4中斜腕的粗細分別為w，則有

w=|ρ1-ρ2|

( 1 )

根據(jù)已檢測到斜腕兩側(cè)的直線，可確定斜腕的中軸線，將中軸線沿垂直斜腕方向分別向上、下平移0.8w，得到圖4中斜腕兩側(cè)紅色線所圍區(qū)域。該區(qū)域再經(jīng)二值化、連通域篩選處理，得到圖6所示的檢測區(qū)域。

圖6 斜腕臂檢測區(qū)域

對圖6中的連通域檢測邊界，并進一步篩選出圖中紅色線所示的上、下邊界，對上邊界自左下到右上，對下邊界自右上到左下，均以10個像素為距離計算斜率，所得結(jié)果如圖7、圖8藍色曲線所示。

圖7 斜腕臂上邊界的斜率曲線

圖8 斜腕臂下邊界的斜率曲線

由圖7、圖8可以看出，邊界非凸起處的斜率基本為定值；單耳垂直凸起處兩側(cè)斜率和與斜腕垂直的斜率接近，滿足該要求的兩側(cè)點集數(shù)量均大于10，且兩個點集的距離一般大于50個像素。

目標區(qū)域粗定位的標定點(圖6中綠色點)確定步驟如下：

步驟1由斜腕的斜率為k1，可知與斜腕垂直直線的斜率為k2=-1/k1，如圖7、圖8中紅線所示。

步驟2篩選下邊界連接處(垂直凸起)兩側(cè)區(qū)域內(nèi)分布點，設(shè)單個連接處的兩側(cè)候選點集分別為X和Y，它們滿足條件

( 2 )

式中：k為候選點集斜率；Δ取0.1；N(X)和N(Y)分別表示兩側(cè)點集數(shù)目；|D(X)-D(Y)|為兩個點集在桿上的位置距離。式( 2 )中的Δ和相關(guān)閾值均為經(jīng)過大量實驗的經(jīng)驗值。

步驟3取滿足式( 2 )條件的X、Y點集中位置距離最近的兩個點，如圖6中位于凸起處藍色點所示。

步驟4由步驟3中藍色點和斜率k2可得兩條直線，它們與斜腕中軸線相交，取交點的中點即為所求綠色點。

由斜腕臂分布大小，可估計出雙耳連接處大小尺寸。在斜腕臂上側(cè)以綠色點為右下原點截取2w×4w局部子圖并逆時針旋轉(zhuǎn)至水平，斜腕臂下側(cè)以綠色點為左上原點截取4w×2w局部子圖。將三類圖像均縮放至128×64大小，便于后續(xù)的識別分類處理。所得斜腕連接處開口銷的初定位結(jié)果如圖9所示。上述方法能夠較精確提取斜腕臂連接件。

對于不含短斜撐情況下的定位，可利用上述方法作相同處理，其所得定位圖僅為圖9(a)和圖9(c)兩種位置的連接處，能夠取得良好的效果，此處不再贅述。

(a)斜撐下端連接處

(b)短斜撐上端連接處

(c)雙耳連接處圖9 斜腕臂三種連接處定位圖

1.2 基于PBoW模型的初定位目標識別

1.2.1 PBoW模型基礎(chǔ)

詞袋模型，即BoW(Bag of Word)模型，源于自然語言處理和信息檢索。文獻[10]將其引入圖像場景分類中，在目標識別、圖像分類等領(lǐng)域得到廣泛應(yīng)用[11-12]。常規(guī)BoW模型實現(xiàn)分類的過程包括圖像特征的提取與描述、視覺詞典的構(gòu)造、基于視覺詞典直方圖的圖像表示和分類器分類。該詞袋模型在圖像表示階段直接統(tǒng)計整幅圖像上各單詞出現(xiàn)的頻次，未考慮圖像上局部特征之間的空間位置信息，而這種局部特征之間的空間排列關(guān)系對于提高圖像表示性能非常重要，為此文獻[13]引入空間金字塔匹配原理，提出PBoW模型，即空間金字塔詞袋模型，并取得較好的分類性能。

初定位圖片中斜撐下端連接處、短斜撐上端連接處和雙耳連接處的形態(tài)相對固定，在空間分布上差異明顯，因此采用PBoW模型對其進行識別分類，如圖10所示。

圖10 PBoW模型對斜腕連接處圖片分類

結(jié)合圖10，PBoW模型訓練過程步驟如下：

步驟1圖像特征的提取與描述。對大量經(jīng)等比例縮放為128×64像素大小的兩種初定位圖像進行正方形滑動窗密集采樣。窗寬l=16，滑動間隔Δ=8。每個窗包含4個8×8的單元格，計算每個單元格9個方向的梯度直方圖，形成4×9=36維的HOG特征向量。如圖11所示。

本文選擇HOG特征[14]而非傳統(tǒng)BoW模型中常用的SIFT特征是基于以下幾點考慮：

(1)HOG特征不考慮物體的旋轉(zhuǎn)和尺度變化，相比每個SIFT特征都需要128維向量描述，計算量小。

(2)目標圖像都經(jīng)等比例縮放至同一尺寸大小，因此可忽略尺度不同的問題。

(3)定位得到的目標方向位置變化不大，可認為具有旋轉(zhuǎn)不變性。

圖11 一個滑動窗內(nèi)的HOG特征描述

步驟2視覺詞典的生成。利用K-means聚類法[15]將步驟1中所提取的滑動窗HOG特征向量聚為n類，n即為詞典中單詞數(shù)目，設(shè)置為50。每個聚類的中心向量表示一個單詞。

步驟3兩層PBoW圖像的表示。將訓練圖像集化為兩層金字塔圖像，逐層對圖像各塊區(qū)域按步驟1中采樣過程，生成HOG特征向量，將其歸屬為詞典中與其歐式距離最小的單詞。可得兩層圖像各區(qū)域單詞出現(xiàn)的頻次直方圖向量Hi，j，它對應(yīng)第i層圖像第j塊區(qū)域，是一個50維向量。將兩層圖像的Hi，j連接起來，生成二次特征H。

H=[H0，1H1，1H1，2H1，3H1，4]

( 3 )

步驟4利用H訓練SVM分類器，得到分類模型。

PBoW模型測試過程是將測試圖像重復(fù)訓練中的步驟3過程，生成二次特征并輸入訓練好的SVM，完成識別分類。

1.2.2 基于PBoW模型識別的實驗分析

將斜撐下端連接處、短斜撐上端連接處和雙耳連接處初定位圖像各200張、150張和150張，分別用于詞典生成、SVM訓練和測試，實驗結(jié)果見表2。

表2 PBoW識別實驗結(jié)果

由表2可知，PBoW的總體正確識別率較高，均接近100%。出現(xiàn)的個別誤識別情況，是極少數(shù)樣品的傾斜程度與其他類別接近，或者是攝像機拍攝角度的因素所致。

2 SIFT算法對開口銷5和6的初定位

針對較分散的開口銷5和6初定位，本文采用SIFT[16]算法。不僅對圖像縮放、平移和旋轉(zhuǎn)變換具有不變性，而且對光照變化以及仿射和投影變換具有部分不變性，在模式識別、圖像配準等領(lǐng)域已有廣泛的應(yīng)用。

為避免開口銷2與6、開口銷3與5的相似性干擾，以及減少誤匹配，提高檢測效率，去除斜腕和已定位連接處，采用SIFT算法提取局部特征點進行匹配。開口銷5和6的匹配結(jié)果如圖12所示。

(a)開口銷5連接處匹配

(b)開口銷6連接處匹配圖12 開口銷5和6連接處匹配結(jié)果

將匹配成功的特征點進行聚類，如圖12所示。再使用改進的RANSAC算法[17]進行處理，對每一個聚類去除誤匹配。圖像的仿射變換可描述為

( 4 )

式中：m1、m2、m4和m5為圖像的旋轉(zhuǎn)和縮放因子；[m3m6]T為平移矢量；T為仿射矩陣；I(x，y)和I′(x′，y′)分別為樣本模板和目標圖像的匹配點。

( 5 )

由估計出仿射矩陣參數(shù)，將樣本頂角和底角坐標代入式( 4 )，最終實現(xiàn)目標雙耳的定位與提取，結(jié)果如圖13所示。

(a)開口銷5的初結(jié)果定位

(b)開口銷6的初結(jié)果定位圖13 開口銷5和6的初定位結(jié)果

對于不含短斜撐情況下的定位，圖像結(jié)構(gòu)更加簡單，可利用上述方法作相同處理，此處不再贅述。

3 開口銷二次定位和狀態(tài)檢測

3.1 耳片下方開口銷的二次定位與檢測

對初定位雙耳連接處進行直線檢測，可得套筒兩側(cè)直線及其傾角，將雙耳旋轉(zhuǎn)至水平并按圖14(b)分割實現(xiàn)開口銷4的二次定位。3種狀態(tài)銷釘經(jīng)邊緣檢測如圖14(c)～圖14(e)所示。

(a) (b)

(c) (d) (e)圖14 開口銷4的二次定位及檢測過程

觀察銷釘3種狀態(tài)的d1、d2情況，可制定銷釘工作狀態(tài)的檢測規(guī)則為

f=

( 6 )

式( 6 )中銷軸寬度d放置在分母，作用是消除圖像不同尺度的影響。經(jīng)多次實驗分析，式( 6 )中T1取0.1，T2取0.3。

3.2 部件表面開口銷的二次定位與檢測3.2.1 部件表面開口銷的二次定位

本文基于連接處螺釘?shù)膱A特征，采用文獻[18]中的Hough圓檢測法確定該螺釘?shù)膱A心坐標與半徑，該方法對不規(guī)則圓也能實現(xiàn)準確檢測。利用所得圓心坐標和半徑分割出開口銷所在圓環(huán)部分，實現(xiàn)開口銷二次定位。位于部件表面5處開口銷的二次定位過程如圖15所示。

(a)開口銷1的二次定位

(b)開口銷2的二次定位

(c)開口銷3的二次定位

(d)開口銷5的二次定位

(e)開口銷6的二次定位圖15 部件表面開口銷的二次定位

5種表面開口銷二次定位基本過程相同，主要步驟如下：

步驟1圖15首列為原圖，針對開口銷小、暗和弱的特點，為突出邊緣信息且不引入畸變，采用對比度拉伸增強圖像。

步驟2計算增強后圖像的梯度值，并得到投票累加矩陣如圖15第二列所示，提取極大值點(針對圖15(a)情況，為排除套筒兩處螺釘干擾，在左半平面提取極大值)，確定螺釘?shù)膱A心坐標。

步驟3設(shè)定Hough圓檢測的搜索半徑范圍[18]。由于部件尺寸能粗略估計，搜索半徑最大值rmax和最小值rmin也可基本確定，本文將rmax和rmin分別設(shè)為20和10。結(jié)合所得圓心位置坐標，可以檢測到螺釘?shù)酌婧筒糠謧?cè)面作為一個整體的圓，其半徑大小為r，結(jié)果如圖15第三列所示。

步驟4在原初定位圖像中分割出內(nèi)環(huán)半徑為r，外環(huán)半徑為2r的圓環(huán)區(qū)域開口銷局部特征，如圖15第四列所示。

根據(jù)以上步驟，將螺釘?shù)酌婧筒糠謧?cè)面作為整體圓檢測出，精確實現(xiàn)開口銷的二次定位。

3.2.2 部件表面開口銷的狀態(tài)檢測

(1)針對開口銷1、2和6的脫落故障和未出現(xiàn)嚴重松脫時開口角度不足狀態(tài)的檢測，處理過程如圖16所示。

(a)

(b)

(c)

(d)圖16 表面開口銷狀態(tài)檢測處理過程

圖16中從左至右每列分別對應(yīng)開口銷正常狀態(tài)、脫落故障、開口角度嚴重不足狀態(tài)經(jīng)過處理的過程。圖16(a)為銷釘區(qū)域的原圖，由于部件材質(zhì)顏色和污垢的影響，使銷釘部分和背景的差異不明顯，因此采用Retinex法[19]進行圖像增強，能夠較好保持邊緣信息，得到圖16(b)。采用性能優(yōu)良的Canny算子對增強后的圖像進行邊緣檢測，得到如圖16(c)所示結(jié)果。閉運算能平滑對象輪廓，將缺口連接成細長的彎口，圖16(c)經(jīng)閉運算處理，能夠?qū)ⅹ毩⒌木€段變?yōu)檫B通域邊界，再填充像素和小于Z的聯(lián)通域得到圖16(d)結(jié)果。其中Z為25，是根據(jù)大量實驗后的經(jīng)驗取值，它可能使銷釘尾的張角區(qū)域被填充，但由于Z取值偏小，此時開口銷可認為是張角嚴重不足狀態(tài)。

設(shè)S為圖16(d)中圓環(huán)面積，S1，S2，…，Sk為圓環(huán)內(nèi)非連通域面積且大小依次遞減，其中k為圓環(huán)內(nèi)非連通域數(shù)目，可制定如下狀態(tài)判據(jù)：

①若k=1，S1/S≥0.98，為脫落狀態(tài)；

②若k=1，S1/S≤0.9，為疑似松脫狀態(tài)；

③若k=2，S1/S≥0.38，S2/S≥0.38，為開口角度嚴重不足狀態(tài)；

④若k=3，S1/S≥0.35，S2/S≥0.35，為正常狀態(tài)。

以上判據(jù)中閾值數(shù)據(jù)均為經(jīng)驗取值，能夠較準確地判斷開口銷缺失故障。在對張角不足的樣本進行檢測時，由于銷釘尾端張角區(qū)域被填充為一塊連通區(qū)域，因此判據(jù)能對開口角度不足狀態(tài)進行檢測，但對張角不足的程度無法作精確區(qū)分，且對開口銷松脫狀態(tài)只能作疑似判斷。

(2)開口銷3和5在連接處的整體分布情況相對復(fù)雜，檢測受到螺釘?shù)恼趽醺蓴_。如圖17所示。本文能夠?qū)@兩處位置銷釘作準確定位，但對其狀態(tài)的檢測難度較大，很難制定相應(yīng)的不良狀態(tài)檢測判據(jù)。

圖17 開口銷3和5的樣本

4 檢測實驗

利用狀態(tài)判據(jù)對開口銷1、2和6各120張圖片進行處理，每種包含銷釘正常、張角不足和脫落狀態(tài)圖片各40張，檢測結(jié)果見表3～表5。

表3 開口銷1狀態(tài)檢測實驗數(shù)據(jù)

表4 開口銷2狀態(tài)檢測實驗數(shù)據(jù)

表5 開口銷6狀態(tài)檢測實驗數(shù)據(jù)

分析表3～表5的檢測數(shù)據(jù)，開口銷脫落故障基本被全部正確檢測，這與其突出的特征有關(guān)。正常和張角不足狀態(tài)的正確檢測率均在85%以上，針對其中少數(shù)銷釘被誤檢測的情況，其原因是部件中污垢過多，導致銷釘與耳片背景較難區(qū)分，圖片中包含的開口銷邊緣等重要信息丟失，如圖18所示。

(a) (b)圖18 開口銷誤檢測示例

利用狀態(tài)判據(jù)對開口銷4類120張圖片進行處理，每種包含銷釘正常、松脫和脫落狀態(tài)圖片各40張，檢測結(jié)果見表6。

表6 開口銷4狀態(tài)檢測實驗數(shù)據(jù)

分析表6可知，開口銷4正確檢測率達到90%以上，脫落狀態(tài)正確檢測率高達95%。通過銷釘灰度分布規(guī)律特征提取，能夠判斷出絕大部分開口銷4的狀態(tài)。

5 結(jié)束語

本文基于數(shù)字圖像處理技術(shù)，利用Hough變換直線檢測和斜腕邊緣連接處的線特征實現(xiàn)斜腕臂上連接處的定位，并利用PBoW模型進一步識別3種初定位圖，效果較好；采用SIFT算法能準確定位斜撐上端和短斜撐下端連接處。利用Hough圓檢測、Canny算子邊緣檢測、閉運算和圓環(huán)內(nèi)非連通區(qū)域分布規(guī)律實現(xiàn)了開口銷1、2和6三處表面開口銷脫落狀態(tài)和張角不足狀態(tài)的檢測，能疑似判斷開口銷松脫情況，但對松脫程度的判斷有待進一步研究。由于開口銷3和5可能受螺釘遮擋的干擾，難以提取圓環(huán)內(nèi)完整的開口銷部件，因此本文所提基于連通區(qū)域分布特征的檢測判據(jù)不適用于此類表面開口銷檢測。針對雙耳下方開口銷，所提判據(jù)基于銷釘受力部分和兩端非受力部分長度，能準確檢測其松脫和脫落狀態(tài)。實驗結(jié)果表明本文所提方法實現(xiàn)了6處開口銷的準確定位和4處開口銷的狀態(tài)檢測，具有較高的正確檢測率，為接觸網(wǎng)零部件故障檢測提供了一種技術(shù)參考。

參考文獻：

[1]錢清泉,高仕斌,何正友,等.中國高速鐵路牽引供電關(guān)鍵技術(shù)[J].中國工程科學,2015,17(4):9-20.

QIAN Qingquan,GAO Shibin,HE Zhengyou,et al.Study of China High-speed Railway Traction Power Supply Key Technology[J].Engineering Sciences,2015,17(4):9-20.

[2]白玉新.接觸網(wǎng)常見故障及對策研究[J].中國鐵路,2009(3):62-64.

BAI Yuxin.Catenary Common Faults and Countermeasures Research[J].Chinese Railways,2009(3):62-64.

[3]韓志偉,劉志剛,張桂南,等.非接觸式弓網(wǎng)圖像檢測技術(shù)研究綜述[J].鐵道學報,2013,35(6):40-47.

HAN Zhiwei,LIU Zhigang,ZHANG Guinan,et al.Overview of Non-contact Image Detection Technology for Pantograph-catenary Monitoring[J].Journal of the China Railway Society,2013,35(6):40-47.

[4]楊紅梅,劉志剛,韓燁,等.基于快速魯棒性特征匹配的電氣化鐵路絕緣子不良狀態(tài)檢測[J].電網(wǎng)技術(shù),2013,37(8):2297-2302.

YANG Hongmei,LIU Zhigang,HAN Ye,et al.Defective Condition Detection of Insulators in Electrified Railway Based on Feature Matching of Speed-up Robust Features[J].Power System Technology,2013,37(8):2297-2302.

[5]馮倩,陳維榮,王云龍,等.受電弓滑板磨耗測量算法的研究[J].鐵道學報,2010,32(1):109-113.

FENG Qian,CHEN Weirong,WANG Yunlong,et al.Research on the Algorithm to Measure the Pantographic Slipper Abrasion[J].Journal of the China Railway Society,2010,32(1):109-113.

[6]韓燁,劉志剛,韓志偉,等.基于SIFT特征匹配的高速鐵路接觸網(wǎng)支撐裝置耳片斷裂檢測研究[J].鐵道學報,2014,36(2):31-36.

HAN Ye,LIU Zhigang,HAN Zhiwei,et al.Fracture Detection of Ear Pieces of Catenary Support Devices of High-speed Railway Based on SIFT Feature Matching[J].Journal of the China Railway Society,2014,36(2):31-36.

[7]張桂南,劉志剛.基于角點匹配與譜聚類的接觸網(wǎng)絕緣子破損/夾雜異物故障檢測[J].儀器儀表學報,2014,35(6):1370-1377.

ZHANG Guinan,LIU Zhigang.Fault Detection of Catenary Insulator Damage/Foreign Material Based on Corner Matching And Spectral Clustering[J].Chinese Journal of Scientific Instrument,2014,35(6):1370-1377.

[8]王旭東,吳積欽,徐可佳,等.基于AdaBoost算法的接觸網(wǎng)定位器識別[J].高速鐵路技術(shù),2014,5(3):9-12.

WANG Xudong,WU Jiqin,XU Kejia,et al.Identification of OCS Locator Based on AdaBoost Algorithm[J].High Speed Railway Technology,2014,5(3):9-12.

[9]DUDA R O,HART P E.Use of the Hough Transform to Detect Lines and Curves in Pictures[J].Communication of the ACM,1972(15):11-15.

[10]LI F F,PERONA P.A Bayesian Hierarchical Model for Learning Natural Scene Categories[J].Computer Vision and Pattern Recognition,2005,2:524-531.

[11]LI F F,FERGUS R,PERONA P.One-shot Learning of Object Categories[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(4):594-611.

[12]曹春紅,趙大哲,張斌,等.基于PLSA-BOW模型的醫(yī)學影像分類算法的研究[J].計算機應(yīng)用與軟件,2012,29(12):103-107.

CAO Chunhong,ZHAO Dazhe,ZHANG Bin,et al.Medical Image Classification Algorithm Based on PLSA-BOW Model[J].Computer Applications and Software,2012,29(12):103-107.

[13]LAZEBNIK S,SCHMID C,PONCE J.Beyond Bag of Features:Spatial Pyramid Matching for Recognizing Scene Categories[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.New York:IEEE,2006:2169-2178.

[14]DALAL N,TRIGGS B.Histogram of Oriented Gradients for Human Detection[C]//2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,San Diego.New York:IEEE,2005:886-893.

[15]ANIL K J.Data Clustering:50 years beyond K-Means[J].Pattern Recognition Letters,2010,31(8):651-666.

[16]LOWE D G.Distinctive Image Features from Scale-invariant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

[17]FISCHLER M,BOLLES R.Random Sample Consensus:A Paradigm for Model Fitting with Application to Image Analysis and Automated Cartography[J].ACM,1981,24(6):726-740.

[18]PENG T,BALIJEPALLI A,GUPTA S K,et al.Algorithms for On-line Monitoring of Micro-spheres in an Optical Tweezers-based Assembly Cell[J].ASME Journal of Computing and Information Science in Engineering,2007,7(4):330-338.

[19]熊俊濤,鄒湘軍,王紅軍,等.基于Retinex圖像增強的不同光照條件下的成熟荔枝識別[J].農(nóng)業(yè)工程學報,2013,29(12):170-178.

XIONG Juntao,ZOU Xiangjun,WANG Hongjun,et al.Recognition of Ripe Litchi in Different Illumination Conditions Based on Retinex Image Enhancement[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(12):170-178.