軌道交通接觸網(wǎng)故障檢測(cè)與實(shí)證分析

李淑娟 陳啟香

（1.淮南師范學(xué)院軌道交通信號(hào)與控制系 安徽淮南 232038；2.寶雞文理學(xué)院電子電氣工程學(xué)院 陜西寶雞 721000)

目前，檢修車定期排查接觸網(wǎng)故障是高速鐵路的主要故障檢測(cè)方法，普遍存在效率低、檢測(cè)不全面的問題[1]。所以，為保障軌道交通運(yùn)輸安全、提升軌道接觸網(wǎng)故障檢測(cè)效率，研究智能化接觸網(wǎng)故障檢測(cè)方法勢(shì)在必行。本文從圖像視覺角度解決軌道交通接觸網(wǎng)故障檢測(cè)問題，基于SVM分類器初步判斷軌道交通接觸網(wǎng)圖像中目標(biāo)構(gòu)件的位置，然后基于仿生輪廓組合方法精準(zhǔn)提取目標(biāo)輪廓，以此判斷軌道交通接觸網(wǎng)是否處于故障狀態(tài)。

一、基于圖像視覺技術(shù)檢測(cè)接觸網(wǎng)故障

在軌道交通接觸網(wǎng)上方安裝高清相機(jī)，獲取白天與夜間兩種模式的接觸網(wǎng)高清圖像，為判斷軌道交通接觸網(wǎng)故障提供圖像樣本。首先基于中值濾波算法對(duì)原始采集的接觸網(wǎng)圖像進(jìn)行濾波去噪，正確還原圖像細(xì)節(jié)、降低圖像模糊程度，為提取圖像特征降低處理難度。

（一）基于中值濾波的接觸網(wǎng)圖像去噪算法。軌道交通接觸網(wǎng)采集與傳輸過程中必然產(chǎn)生圖像噪聲，高清相機(jī)感受的光源差異、攝像頭質(zhì)量、周圍環(huán)境條件均對(duì)圖像采集質(zhì)量產(chǎn)生影響；而圖像傳輸過程的噪聲主要由信道干擾導(dǎo)致，無論何種原因產(chǎn)生的圖像噪聲均嚴(yán)重降低圖像質(zhì)量、干擾圖像提取與識(shí)別效果。相機(jī)拍攝的接觸網(wǎng)圖像中椒鹽噪聲與零均值噪聲占比最多，這兩種噪聲的特點(diǎn)是將圖像細(xì)節(jié)模糊化、降低圖像像素水平，甚至丟失圖像的關(guān)鍵性信息，中值濾波算法是處理該類型噪聲的有效方法，以優(yōu)化接觸網(wǎng)故障識(shí)別效果為主要目的，將初始采集的接觸網(wǎng)圖像作為樣本，采用中值濾波算法完成樣本預(yù)處理。

1.中值濾波器設(shè)計(jì)?；谥兄禐V波算法去噪過程中，首先需設(shè)計(jì)中值濾波器，定義濾波窗口W大小為N×N，其中N是奇數(shù)，采用表示接觸網(wǎng)二維圖像的像素點(diǎn)，則中值濾波器表達(dá)式如下：

公式中，Med是一種運(yùn)算方法，可精準(zhǔn)排列窗口中全部數(shù)值順序（基于由大至小規(guī)則）；模板窗口用Z描述。

從本質(zhì)上講，重新排列濾波窗口中數(shù)值的順序即為中值濾波算法的去噪思想，以2個(gè)數(shù)值大小作為中值濾波算法的基本濾波單元，對(duì)比濾波單元的大小后對(duì)其進(jìn)行順序排列。定義m×n表示二維濾波采樣窗口，則存放濾波窗口等待處理數(shù)據(jù)的寄存器所需數(shù)量為m×n個(gè)，經(jīng)過順序?qū)Ρ群?，排序得到濾波中值。

如何高效計(jì)算濾波中值是中值濾波算法優(yōu)化運(yùn)行速度的核心所在，本文基于比較編碼設(shè)計(jì)比較器實(shí)現(xiàn)快速中值濾波，有效減少中值濾波器生成的時(shí)間開銷，為后期處理提取圖像特征、識(shí)別接觸網(wǎng)故障節(jié)省時(shí)間。

2.基于比較編碼的比較器設(shè)計(jì)。原始的三輸入比較器如圖1所示，其中，R為數(shù)據(jù)寄存器，在三輸入比較器中，首先對(duì)比隨機(jī)兩個(gè)數(shù)據(jù)，將二者中較小值與其他數(shù)據(jù)比較，三個(gè)數(shù)據(jù)中的最小值由此產(chǎn)生，接下來對(duì)比得到中值與最大值，此為耗費(fèi)三個(gè)周期時(shí)鐘的排序。

圖1 三輸入比較器

按照上述方法需要9個(gè)時(shí)鐘周期才能完成3×3窗口中全部像素中值排序，為此，基于比較編碼設(shè)計(jì)高性能的三輸入比較器，見圖2。

圖2 基于比較編碼的三輸入比較器

結(jié)合圖2分析基于比較編碼的比較器運(yùn)算步驟，同樣隨機(jī)選取三個(gè)數(shù)據(jù)，兩兩對(duì)比后對(duì)結(jié)果進(jìn)行編碼，該方法無需兩個(gè)時(shí)鐘周期即可直接輸出數(shù)據(jù)，得到精準(zhǔn)的排序結(jié)果只使用一個(gè)時(shí)鐘，有效提升中值濾波算法的運(yùn)行效率。

（二）圖像中軌道交通接觸網(wǎng)構(gòu)件位置初步判斷。本文聯(lián)合使用HOG特征與SVM算法初步判斷圖像中接觸網(wǎng)目標(biāo)位置。HOG特征是計(jì)算機(jī)視覺研究方面表征物體檢測(cè)的關(guān)鍵特征參量，在各領(lǐng)域物體檢測(cè)中取得了優(yōu)異的成績(jī)[2]。由于圖像梯度大部分存在于圖像目標(biāo)的邊緣部分，所以采用梯度的方向密度表征圖像的形狀、外表等特征，此為HOG特征的基本原理。

本文判斷圖像接觸網(wǎng)各構(gòu)件位置時(shí)，將接觸網(wǎng)位置判斷問題視為圖像二分類問題，接觸網(wǎng)圖像位置判斷思路如下：首先，支持向量機(jī)分類的訓(xùn)練樣本由HOG特征數(shù)據(jù)構(gòu)成，其中正負(fù)樣本分別為接觸網(wǎng)圖像特征、接觸網(wǎng)之外背景特征[3]；其次，SVM分類器訓(xùn)練符合精度標(biāo)準(zhǔn)后，輸入測(cè)試樣本即可獲取準(zhǔn)確的特征分類結(jié)果，在圖像中準(zhǔn)確判斷接觸網(wǎng)各構(gòu)件的位置信息；最后，通過粒子群算法迭代優(yōu)化SVM算法的主要參數(shù)，確保得到準(zhǔn)確的接觸網(wǎng)定位信息。

1.HOG特征提取。

提取HOG特征的流程如下詳述：

Step1:實(shí)現(xiàn)彩色圖像向灰度圖像的過渡。

Step2:圖像顏色空間的歸一化在Gamma校正方法指導(dǎo)下完成，提高圖像細(xì)節(jié)的對(duì)比效果，減少圖像局部光照變化與陰影產(chǎn)生的畫質(zhì)干擾[4]，一定程度上排除圖像噪聲的影響。

Step3:求取圖像像素梯度、劃分單元格。首先，計(jì)算圖像各像素的梯度大小與方向兩個(gè)參量，削弱光照干擾圖像信息提取的程度；圖像像素單元格劃分要求為：16×16像素/單元。

Step4:統(tǒng)計(jì)不同單元的梯度分布情況，得到各單元的特征向量。

Step5:組成單元塊。多個(gè)單元格構(gòu)成一個(gè)單元塊，HOG特征由單元塊的特征向量組成，串聯(lián)全部塊的HOG特征構(gòu)成圖像的HOG特征數(shù)據(jù)樣本。

2.SVM算法應(yīng)用原理。SVM分類器在圖像分類、故障識(shí)別中應(yīng)用廣泛，其在VC理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小化基礎(chǔ)上以樣本訓(xùn)練的方式轉(zhuǎn)化成二次規(guī)劃問題，實(shí)現(xiàn)樣本的準(zhǔn)確分類。

從兩類樣本中獲取分類超平面是SVM算法的運(yùn)算原理，定義HOG特征樣本集用表示，其中，i=1,…,n，x∈Ov，類別符號(hào)描述為y，y∈{+1,-1}，定義h(x)=η?x+v為分類超平面，其中超平面的法線用η∈Od表示，截距描述為v，“?”為內(nèi)積運(yùn)算。令訓(xùn)練樣本中兩類樣本符合|h(x) |=1的目標(biāo)，可通過歸一化判別函數(shù)的方式實(shí)現(xiàn)，令分類間隔達(dá)到上限。以二次規(guī)劃尋優(yōu)對(duì)偶問題代替最優(yōu)分類面求解問題是快速實(shí)現(xiàn)分類的核心依據(jù)，執(zhí)行過程中，對(duì)拉格朗日函數(shù)求解偏微分，以拉格朗日函數(shù)為中介實(shí)現(xiàn)二者問題的轉(zhuǎn)換。采用最優(yōu)分類面無法解決兩類點(diǎn)的精準(zhǔn)分類問題時(shí)，需增加松弛因子與懲罰因子防止誤判風(fēng)險(xiǎn)，掌控分類結(jié)果，則存在以下公式：

當(dāng)存在0<ζ<1則證明樣本點(diǎn)xi分類正確，反之，則分類錯(cuò)誤。公式（2）和公式（3）結(jié)構(gòu)風(fēng)險(xiǎn)目標(biāo)函數(shù)與懲罰因子分別用Φ和C表示。C值越小，證明SVM分類器的分類精度越高、可行性越強(qiáng)，采用公式（4）描述這一規(guī)律：

其中，拉格朗日函數(shù)的乘子用μi表示，公式（4）可通過對(duì)η、v、μi求微分的方式得到。

引入高維空間，在此環(huán)境下實(shí)現(xiàn)核函數(shù)樣本線性描述、線性分類，由此解決樣本線性不可分產(chǎn)生的算法阻礙。方法如下：非線性變換特征映射?，將原數(shù)據(jù)空間矢量映射到高維數(shù)據(jù)空間，即可實(shí)現(xiàn)支持向量機(jī)算法的要求。

支持向量機(jī)內(nèi)積核函數(shù)選擇存在差異，導(dǎo)致對(duì)應(yīng)的SVM分類器性能均有所不同。徑向基函數(shù)作為SVM算法的核函數(shù)的具體形式見公式（7）：

分類器的核函數(shù)確定使用徑向基函數(shù)，組合形成徑向基分類器，能夠有效排除外部干擾[5]，實(shí)現(xiàn)高精度分類。

3.采用粒子群優(yōu)化算法優(yōu)化SVM分類器參數(shù)。特征分類過程中，C、δ是干擾SVM分類器性能的主要參數(shù)，為此，采用粒子群算法對(duì)這兩個(gè)參數(shù)進(jìn)行迭代優(yōu)化，提升SVM分類器識(shí)別圖像中接觸網(wǎng)HOG特征的精度、縮短定位時(shí)間。

粒子群優(yōu)化算法智能水平突出，由鳥群覓食協(xié)作行為、信息交互的行為中獲得啟示，PSO算法以模仿鳥類覓食行為演化而成[6]。粒子群算法中定義i表示目標(biāo)粒子，那么粒子i的位置和飛行速度表達(dá)式為：Mi=(mi1,mi2,…,min)，Ri=(ri1,ri2,…,rin)，Pi=(pi1,pi2,…,pin)是智能優(yōu)化過程中粒子i到達(dá)的最佳位置。最小化目標(biāo)函數(shù)f(X)，獲取粒子群遍歷最優(yōu)位置如下：

公式（9）、公式（10）為粒子群算法進(jìn)化方程：

式（9）中，j和t為粒子的維數(shù)與代數(shù)；慣性因子為ω1；ε1和ε2為加速因子，q1和q2是隨機(jī)數(shù)值，二者不存在關(guān)聯(lián)。算法運(yùn)行期間，在加速因子的合理設(shè)置下得到粒子向最優(yōu)位置運(yùn)動(dòng)的狀態(tài)。

利用粒子群算法迭代優(yōu)化SVM分類器，得到耗時(shí)短、精準(zhǔn)的HOG特征分類結(jié)果，實(shí)現(xiàn)軌道交通接觸網(wǎng)各結(jié)構(gòu)的初步定位。

（三）基于仿生輪廓組合方法精準(zhǔn)提取接觸網(wǎng)輪廓。在上述方法初步確定的接觸網(wǎng)位置的基礎(chǔ)上，基于仿生輪廓組合方法精準(zhǔn)提取接觸網(wǎng)構(gòu)件輪廓，從輪廓上判斷接觸網(wǎng)是否處于異常故障狀態(tài)。

仿生輪廓組合方法提取物體輪廓的原理描述如下：生物視覺與心理物理學(xué)研究均顯示：人類觀察外部環(huán)境時(shí)明顯受邊緣輪廓分組機(jī)制的影響[7]?；谠撛?，人們可以正確方式將局部的邊界元素排列成完整的全局輪廓。由于輪廓排列體系中存在連續(xù)性特征，該特征極為關(guān)鍵，延長(zhǎng)若干邊緣片斷端點(diǎn)即可形成一條相連接的光滑曲線，則大大增加邊緣從屬于目標(biāo)輪廓的幾率。人眼視覺也存在以下情況：傾向于觀察長(zhǎng)度較長(zhǎng)的輪廓事物，漏掉長(zhǎng)度較小的邊緣片斷[8]。基于人眼生物視覺特征，本文設(shè)計(jì)了仿生輪廓組合方法，即：若候選邊緣鄰域中包含與其共線的邊緣，則此邊緣屬于輪廓邊緣的概率極大增加；且隨著候選邊緣鄰域中共線邊緣數(shù)量增加、當(dāng)前邊緣在目標(biāo)輪廓邊緣中的概率隨之增加[9]。

因此邊緣與輪廓存在以下關(guān)系：采用h表示候選邊緣集合中邊緣，采用hi表示鄰域內(nèi)剩余邊緣，這些邊緣的邊緣方向角度分別用φ和φi表示。當(dāng)前邊緣屬于主輪廓的概率取決于鄰域內(nèi)邊緣與當(dāng)前邊緣方向一致的數(shù)量，數(shù)量越大、屬于主輪廓的幾率越大。采用公式（11）描述邊緣共線概率的定義：

公式中，c為邊緣共線的概率，鄰域邊緣數(shù)量用n表示，鄰域中邊緣數(shù)量值上限為Nmax，此時(shí)邊緣與鄰域內(nèi)邊緣的方向角分別用φ和φi表示。由人眼視覺觀察規(guī)律可知，長(zhǎng)度越長(zhǎng)的邊緣更容易得到人眼關(guān)注，由此得到：邊緣長(zhǎng)度與其成為輪廓的概率成正比。采用ce表示長(zhǎng)度概率，形式如下：

公式中，此時(shí)邊緣長(zhǎng)度、全部候選邊緣長(zhǎng)度最大值分別用e、emax表示，公式（13）則為以條邊緣的仿生輪廓計(jì)算概率：

公式中，設(shè)置參數(shù)λ，取值在區(qū)間（0,1）內(nèi)，作用是協(xié)調(diào)長(zhǎng)度概率與共線概率之間的權(quán)重占比。基于上述關(guān)于仿生輪廓概率呈現(xiàn)圖3所示的邊緣提取示意圖，其中，圖3(a)中邊緣h獨(dú)立存在，且長(zhǎng)度較小，不會(huì)成為圖像的輪廓邊緣；而圖3(b)中，邊緣h與邊緣a和d可組成一個(gè)連續(xù)的長(zhǎng)邊緣，增大其從屬于輪廓邊緣的組合概率。

圖3 邊緣輪廓示例

最后，算法基于概率閾值剔除邊緣分類中的紋理邊緣，方法見公式（14）：

其中，c2表示概率閾值，取值為0.92；b(e)表示剩余的邊緣集合，概率閾值低于0.92的邊緣均被剔除。余下的邊緣即形成圖像中接觸網(wǎng)構(gòu)件的輪廓，得到精準(zhǔn)的輪廓提取結(jié)果。

二、實(shí)證分析

以某高鐵車站為例，展開軌道交通接觸網(wǎng)故障識(shí)別實(shí)證分析測(cè)試。圖像采集裝置：在軌道接觸網(wǎng)立柱兩側(cè)安裝高清相機(jī)，由于夜間工作人員較少，接觸網(wǎng)發(fā)生故障不能及時(shí)發(fā)現(xiàn)，所以夜間接觸網(wǎng)故障識(shí)別尤為重要。安裝的高清相機(jī)能夠在夜間拍攝高清圖像，相機(jī)拍攝的軌道接觸網(wǎng)圖像定期傳輸至監(jiān)控端，用于檢測(cè)接觸網(wǎng)是否存在故障。圖4為軌道交通接觸網(wǎng)故障測(cè)試現(xiàn)場(chǎng)圖。

圖4 接觸網(wǎng)故障測(cè)試現(xiàn)場(chǎng)

應(yīng)用本文方法檢測(cè)接觸網(wǎng)故障時(shí)，1.4、1.6是粒子群算法的兩個(gè)加速因子值，30為粒子群中粒子數(shù)量，慣性因子為0.7，迭代550次終止運(yùn)算。以此參數(shù)優(yōu)化SVM分類器，降低軌道接觸網(wǎng)故障檢測(cè)誤差。

（一）軌道接觸網(wǎng)故障檢測(cè)結(jié)果。本次測(cè)試采集夜間接觸網(wǎng)中絕緣子與接觸線的圖像，用于接觸網(wǎng)故障檢測(cè)，如圖5所示。

圖5 采集的軌道接觸網(wǎng)原始圖像

圖6為本文方法對(duì)絕緣子與接觸線的初步定位結(jié)果。

圖6 初步定位結(jié)果

由圖可知，本文方法能夠判斷出絕緣子的大概位置，與背景元素精準(zhǔn)分離，但是沒有具體描繪出絕緣子的輪廓；同時(shí)，本文方法可大概提取出接觸線的初步位置，由于接觸線結(jié)構(gòu)簡(jiǎn)單，所以對(duì)其定位相對(duì)精準(zhǔn)，接近最終的識(shí)別結(jié)果。在此基礎(chǔ)上需深入進(jìn)行目標(biāo)輪廓精準(zhǔn)定位，本文方法對(duì)軌道接觸網(wǎng)絕緣子與接觸線進(jìn)行輪廓精準(zhǔn)提取的結(jié)果如圖7所示。

圖7 故障識(shí)別結(jié)果

由該圖可知，本文方法可精準(zhǔn)得到絕緣子的輪廓圖，識(shí)別出絕緣子中的缺陷，并及時(shí)向監(jiān)控中心發(fā)送故障預(yù)警，提示工作人員進(jìn)行檢修。同時(shí)，本文方法對(duì)接觸線的檢測(cè)結(jié)果為不存在缺損，與實(shí)際情況一致。

（二）本文方法故障檢測(cè)性能測(cè)試。為排除本文方法檢測(cè)接觸網(wǎng)故障的偶然性，選取大量軌道交通接觸網(wǎng)圖像作為實(shí)驗(yàn)樣本，采用本文方法進(jìn)行故障檢測(cè)，本文方法的檢測(cè)結(jié)果如表1所示。

表1 本文方法的軌道接觸網(wǎng)故障檢測(cè)性能

分析表1可知，測(cè)試樣本數(shù)量增加至50幅圖像時(shí)，本文方法檢測(cè)接觸網(wǎng)各部位故障的準(zhǔn)確度不小于95%，最高用時(shí)為25.4s，檢測(cè)精準(zhǔn)度與效率較高。由于接觸線結(jié)構(gòu)簡(jiǎn)單，花費(fèi)的時(shí)間最少，而絕緣子與定位線夾結(jié)構(gòu)相對(duì)復(fù)雜，使用的檢測(cè)用時(shí)相對(duì)較長(zhǎng)。由此可知，本文方法能夠精準(zhǔn)檢測(cè)軌道交通接觸網(wǎng)的故障情況，可行性強(qiáng)。

本文方法檢測(cè)軌道交通接觸網(wǎng)故障精度高，原因在于獲取圖像初步位置時(shí)，在于粒子群優(yōu)化算法對(duì)SVM特征分類器進(jìn)行優(yōu)化，獲得了較優(yōu)的圖像特征分類效果，為最終識(shí)別圖像目標(biāo)輪廓提供了有利條件。

三、結(jié)語

軌道交通接觸網(wǎng)是保障列車運(yùn)行供電的重要組成部分，需及時(shí)發(fā)現(xiàn)接觸網(wǎng)的故障，保障列車運(yùn)行安全。針對(duì)人工巡檢軌道接觸網(wǎng)效率低、精度差的問題，本文從圖像識(shí)別角度提出一種檢測(cè)接觸網(wǎng)故障的智能化方法。通過拍攝接觸網(wǎng)各結(jié)構(gòu)的高清圖像，基于圖像目標(biāo)定位與輪廓提取技術(shù)獲取接觸網(wǎng)構(gòu)件的精準(zhǔn)輪廓，進(jìn)而判斷構(gòu)件是否發(fā)生異常故障。本文方法檢測(cè)故障的準(zhǔn)確度率高，主要原因在于：粒子群算法優(yōu)化了SVM特征分類器的C、δ參數(shù)，避免了SVM分類器盲目分類特征的風(fēng)險(xiǎn)，提升圖像中接觸網(wǎng)構(gòu)件定位的精度。

本文提出的軌道交通接觸網(wǎng)故障檢測(cè)方法在實(shí)證分析中取得了較優(yōu)的檢測(cè)效果，應(yīng)用前景廣闊，為軌道運(yùn)輸巡檢人員、監(jiān)控部門提供了故障預(yù)警依據(jù)，在一定程度上提升列車運(yùn)行的穩(wěn)定性。