一种基于图元分类的高铁接触网悬挂装置故障状态检测方法

一种基于图元分类的高铁接触网悬挂装置故障状态检测方法
【技术领域】
[0001] 本发明设及高铁接触网悬挂装置零部件识别与故障状态检测领域，包括线段检 巧。，干状物识别，图像分割，目标识别等领域。
【背景技术】
[0002] 长期W来，接触网零部件不良工作状态的检测的主要依靠人工巡视的方法，工作 量较大，效率较低，不能满足高速铁路对检测效率与检测结果可靠性等的要求。基于图像处 理的非接触式检测方法具有远离电磁干扰、检测精度高、结构简洁、成本低等优点，可节约 大量人力资源，在弓网检测中具有明显的优势，目前已成为弓网检测领域的研究热点。
[0003] 基于图像处理的非接触式检测技术在铁路上的应用主要包括接触网几何参数测 量与弓网不良状态检测等几个方面。段汝娇等采用化U曲变换方法实现对定位器倾斜度的 检测[段汝娇，赵伟，黄松岭等.基于计算机视觉的接触网定位器倾斜度自动测量方法[J]. 中国铁道科学，2011,32(4) ;82-89.]。张桂南等根据图像坐标与世界坐标系中S维空间坐 标的对应关系，实现导高与拉出值的测量[张桂南，刘志刚，刘文强，等.基于摄像机标定的 非接触式接触线导高和拉出值的检测[J].铁道学报，2014, 36(3) ;25-30.]。周伟提出了一 种基于机器视觉的接触网风偏量检测方法[周伟.风区铁路接触网风偏检测技术及数值模 拟方法研究巧].长沙：中南大学，2012.]。杨红梅等利用仿射不变矩实现绝缘子的定位，并 使用膨胀运算与灰度统计参数实现绝缘子异物检测。[杨红梅，刘志刚，韩志伟，等.基于仿 射不变矩的电气化铁路绝缘子片间夹杂异物检测[J].铁道学报，2013,35(4) ;30-36.]。韩 志伟等利用二代曲波系数定向映射的方法实现受电弓滑板裂纹的检测[韩志伟，刘志刚， 陈坤峰，等.基于二代曲波系数定向映射的受电弓滑板裂纹检测技术[J].铁道学报，2011， 33 (11) ;63-69.]。然而，现有非接触式检测装置的自动化程度普遍不高，许多零部件的故障 检测尚不能实现。

【发明内容】

[0004] 本发明的目的在于提供一种针对高铁接触网悬挂装置图像的图元分类方法。该方 法首先利用边界曲线的曲率变化率对杆状图元进行提取，进而将图像中的杆状图元去除， 使得对应悬挂装置连接处各零部件的图元彼此分割开来，组成不同的连通区域。利用SURF 算法在上述每个连通区域与标准零部件图像之间进行局部特征点匹配，实现各接触网悬挂 装置零部件的识别。进而对各零部件的故障状体进行检测。
[0005] 本发明采用的技术是：利用边界曲线曲率变化率对杆状物进行识别。利用SURF特 征描述子实现局部特征点匹配。利用改进的RANSAC算法对误匹配进行消除技术并对仿射 变换矩阵进行计算。
[0006] 本发明可减少人工检测的巨大工作量，实现现场图像的自动分析，可对多种接触 网悬挂装置零部件进行检测，具有较高的检测准确性。具体步骤如下：
[0007] A、基于边界曲线曲率变化率的杆状物图元提取。
[000引首先对图像的边缘信息进行提取，得到图像中各连通域的边界曲线，根据边界曲 线的曲率变化率实现杆状物的提取与去除，进而实现图像中各零部件的分割；具体步骤如 下：
[0009] A1 ;对图像进行二值化，去除图像中包含像素点过少的连通域，对余下的连通域进 行边界曲线提取，得到每一条边界曲线的坐标点序列。
[0010] A2;计算边界曲线上每一点的曲率变化率，边界曲线上第k个点的曲率Ck定义为 它与第k+10个点连线的倾角，即；
[0011]
(1)
[001引其中，Xk、yk、而+10、ywci、分别表示上边界曲线上第k个点和第k+10个点的横纵坐 标。其曲率变化率ACk定义则为它与第k+50个点之间曲率差异的绝对值，即 [001 引ACk= |Ck+50-Ckl 似
[0014] 如果边界曲线上某一点的曲率变化率小于阔值事先确定的阔值T，则认为该像素 点位于某杆状物的边界上。提取连续出现曲率变化率小于阔值T的点的边界曲线区段，将 其判定为杆状物的边界曲线区段。
[001引A3 ;对A2中提取到的杆状物边界曲线区段根据其空间位置进行聚类，将位于同一 杆状物边界上的不连续的边界曲线区段聚为一类，从而判断该杆状物在图像中的确切位置 与倾斜角度。
[0016]A4;将用于连接接触网悬挂装置零部件的杆状物去除，实现不同零部件的独立分 割。
[0017]B、基于SURF特征描述子的局部不变特征点匹配
[0018] 对A中提取的每一个图元区域，提取其局部不变特征点，并与标准的接触网悬挂 装置零部件图像进行特征点匹配，计算两者之间的仿射变换矩阵，进而实现零部件的识别 与定位。具体步骤如下：
[0019]B1;选取清晰的接触网悬挂装置零部件图像作为匹配模板。
[0020] B2 ;利用SURF算法在接触网悬挂图像与模板图像之间实现局部特征点匹配。
[0021] C、利用改进之后的随机抽样一致算法RANSAC(RandomSampleConsensus)对B中 得到的匹配点进行筛选，消除错误匹配。计算模板图像与各图元之间的仿射变换矩阵，实现 各零部件在接触网支撑与悬挂装置图像中的精确定位：
[00巧C1 ;将最佳估计内点数Si的值置0。
[002引C2 ;对每一个图元随机抽取3个匹配成功的特征点，利用公式（1)计算接触网支撑 与悬挂装置上各图元图像与模板图像之间的仿射变换矩阵H1。
[0024] Hi=BAT(AAT)-i做
[0025] 式中，
N为计算Hi时用到的特 征点的个数，此时有N=3，（Xi，yi)，iG[l，闲为各图元上特征点的坐标，（x/，yi'）为模板 图像中与（Xi，yi)相匹配的点的坐标。
[0026]C3;利用（4)式计算该图元上每一个点在模板图像中的匹配点（X'，y'）经Hi所确 定的仿射变换后得到的结果（X"，y")。
[0027]
(4)
[002引如果（X"，y")与聚类中的点（x，y)的距离小于T，则将（x，y)判定为一个内点；
[0029]C4;判断Hi对应的所有内点在接触网悬挂装置图像图元中的相对位置是否与模板 图像中与之相匹配的特征点的相对位置相同。若不相同，则认为内点中包含错误匹配，若相 同，则判断Hi所对应的内点数是否大于最佳估计内点数Si，若大于Si，则将Hi作为仿射变换 矩阵的当前最佳估计，并更新Si;
[0030]C5 ;返回C2)继续运行，运行至规定次数后，循环停止，若Si的值不为0,则认为该 图元与模板图像中的零部件互为对应关系，即完成了零部件的识别。仿射变换矩阵的当前 最佳估计Hi即作为其最终估计H。将模板图像四个顶点的坐标依次带入公式巧），即可实 现接触网支撑与悬挂装置图像中零部件的精确定位。式中，)分别模板图像各顶点 的坐标（i的取值为1-4之间的整数），(x'A，x'q)分别为(Xq.，.YA.)经H所确定的仿射变换 后得到的结果，)所决定的矩形即为零部件的定位结果；
[00川
巧
[0032] D、接触网零部件的故障状态识别。
[0033] D1 ;针对椿式绝缘子等周期性较强的零件，首先对其灰度周期进行估计，每个灰度 周期对应绝缘子的一个瓷片（及其片间间隔），根据各片瓷片之间的相关性可检测片间是 否夹有异物或存在瓷片破损等。
[0034] D2;针对零部件的破损故障，首先对其进行边缘信息提取，并在不同尺度下对边缘 信息进行筛选，进而对破损的裂痕进行识别
[0035] D3;针对销钉松脱故障，首先对零部件的直线边缘进行检测，确定其朝向和与水平 方向偏离的角度，并进行方向矫正，在对方向进行矫正过后的零部件子图像上进行销钉部 分分割，并对是否发生销钉松脱故障进行检测。
【附图说明】
[0036] 图1为准备进行图元分类的接触网悬挂装置全局图像。
[0037] 图2为图1的二值化图像。
[003引图3为图2中提取出的一条边界曲线，对应一个坐标点序列。
[0039]图4为图3中所示边界曲线的曲率曲线，为显示方便截取了其中的第1000至第 5000个点。虚线圈部分表示对应杆状物边界的边界曲线区段。
[0040] 图5为最终得到的杆状物区域。
[0041] 图6为在全局图像中去除杆状物后的结果，对应各接触网零部件的图元区域彼此 被分割开来，可用于进一步的识别。
[0042] 图7为旋转双耳模板图像与全局图像中相应图元的SURF特征点匹配结果。
[0043] 图8为定位器支座模板图像与全局图像中相应图元的SURF特征点匹配结果。
[0044] 图9为斜撑套筒模板图像与全局图像中相应图元的SURF特征点匹配结果。
[0045] 图10为在全局图像上分割出的各图元中成功识别并提取到的旋转双耳子图像。
[0046] 图11为在全局图像上分割出的 各图元中成功识别并提取到的旋转双耳子图像。
[0047] 图12为在全局图像上分割出的各图元中成功识别并提取到的旋转双耳子图像。
[0048] 图13为接触网零部件的故障状态识别流程图。
[0049] 下面结合实例图像对本发明的【具体实施方式】作详细阐述。
[0化0] A、基于边界曲线曲率变化率对杆状物图元进行提取：
[0化1] 1)图1为待检测的全局图像，图2为对该全局图像进行二值化后的结果。对二值 图像上各连通域的边界曲线进行提取（事先去除包含像素点过少的连通域），获得每一条 边界曲线的坐标点序列，如图3所示。
[0052] 2)根据曲率变化率的定义，计算边界曲线上每一点的曲率和曲率变化率。图4所 示为图3中第1000-第5000个点的曲率曲线。将曲率变化率小于阔值T的部分，判定为杆 状物的边界部分，如图4中虚线圈所示。
[0053] 3)对2)中提取到的杆状物边界曲线区段根据其空间位置进行聚类，将位于同一 杆状物边界上的不连续的边界曲线区段聚为一类，从而判断该杆状物在图像中的确切位置 与倾斜角度。图5为通过聚类得到的杆状物区域示意图。
[0化4] 4)根据3)中的聚类结果，将杆状物去除，实现不同零部件的独立分割，如图6所 /J、- 〇
[0化5]B、利用SURF特征描述子实现图元与模板图像之间的局部不变特征点匹配：
[0化6] 选取清晰的接触网悬挂装置零部件图像作为匹配模板，利用SURF算法在A中分割 出的每一个图元与各零部件的模板图像之间进行局部特征点匹配，如图7-9所示。图中左 半部分为从接触网悬挂图像中分割出的独立图元，右半部分为零部件模板图像，两图之间 的连线表示其局部特征点匹配的结果。
[0化7] C、悬挂装置零部件的精确定位
[0化引 1)利用改进之后的RANSAC算法对匹配点进行消除。在对误匹配进行消除后，如果 仍能在某一独立图元与模板图像之间得到成功匹配的特征点，则认为该图元中所包含的零 件与模板图像中的零件为同一零件，从而实现接触网零部件的识别。
[0059] 2)对于包含接触网零部件的图元区域，对该图元区域与模板图像之间的仿射变换 矩阵H进行估计，将模板图的像四个顶点坐标带入公式巧）即可实现不同零部件在接触网 悬挂装置图像中的定位。从接触网悬挂装置图像中提取到的零部件子图像如图10-12所 /J、- 〇
[0060] D、对接触网零部件的故障状态识别
[0061] 接触网零部件的故障状态识别流程图如图13所示，根据不同故障类型选择不同 的检测方法。针对椿式绝缘子等周期性较强的零件，首先对其灰度周期进行估计，每个灰度 周期对应绝缘子的一个瓷片（及其片间间隔），对绝缘子各瓷片之间的相关性进行检测，从 而判断片间是否夹有异物或存在瓷片破损等。针对零部件的破损故障，首先对其进行边缘 信息提取，在不同尺度下对边缘信息进行分析与筛选，排除掉对应表面纹理的细节信息，进 而对破损的裂痕进行识别。针对销钉松脱故障，首先对零部件的直线边缘进行检测，确定其 朝向和与水平方向偏离的角度，并进行方向矫正，在对方向进行矫正过后的零部件子图像 上进行销钉部分分割，并对是否发生销钉松脱故障进行检测。
【主权项】
1.基于图元分类的高铁接触网悬挂装置故障状态检测方法；通过对接触网悬挂装置 图像进行图元分类，实现不同零部件的有效分割与分类识别，进而针对不同零部件实现其 故障状态的评估与检测，具体分为以下步骤： A、 基于边界曲线曲率变化率的杆状物图元提取 对图像的边缘信息进行提取，得到图像中各连通域的边界曲线，根据边界曲线的曲率 变化率实现杆状物的提取与去除，进而实现图像中各零部件的分割；具体步骤如下： Al :对图像进行二值化，去除图像中包含像素点过少的连通域，对余下的连通域进行边 界曲线提取，得到每一条边界曲线的坐标点序列； A2:计算边界曲线上每一点的曲率变化率，边界曲线上第k个点的曲率Ck定义为它与 第k+ΙΟ个点连线的倾角，即：其中，11^15、115+1(1、715+1(1、分别表示上边界曲线上第1^个点和第1^+10个点的横纵坐标，其 曲率变化率Λ Ck定义则为它与第k+50个点之间曲率差异的绝对值，即 Ack= |ck+50-ck (2) 如果边界曲线上某一点的曲率变化率小于阈值事先确定的阈值T，则认为该像素点位 于某杆状物的边界上；提取连续出现曲率变化率小于阈值T的点的边界曲线区段，将其判 定为杆状物的边界曲线区段； A3 :对b中提取到的干状物边界曲线区段根据其空间位置进行聚类，将位于同一杆状 物边界上的不连续的边界曲线区段聚为一类，从而判断该杆状物在图像中的确切位置与倾 斜角度； A4 :将用于连接接触网悬挂装置零部件的杆状物去除，实现不同零部件的独立分割； B、 基于SURF特征描述子的局部不变特征点匹配 对A中提取的每一个图元区域，提取其局部不变特征点，并与标准的接触网悬挂装置 零部件图像进行特征点匹配，计算两者之间的仿射变换矩阵，进而实现零部件的识别与定 位；具体步骤如下： Bl :选取清晰的接触网悬挂装置零部件图像作为匹配模板； B2 :利用SURF算法在接触网悬挂图像与模板图像之间实现局部特征点匹配； C、 利用改进之后的随机抽样一致算法RANSAC (Random Sample Consensus)对B中得到 的匹配点进行筛选，消除错误匹配；计算模板图像与各图元之间的仿射变换矩阵，实现各零 部件在接触网支撑与悬挂装置图像中的精确定位： Cl :将最佳估计内点数Si的值置0 ; C2 :从每个图元区域随机抽取3个特征点，利用公式（1)计算接触网支撑与悬挂装置图 像与模板图像之间的仿射变换矩阵H1; H1= BAt (AAt) (3) 式中，ζ，N为计算H1时用到的特征点的 个数，此时有N = 3,（Xi，yi)，i e [1，N]为接触网支撑与悬挂装置图像中某一图元上每个特 征点的坐标，（Xi'，y/)为模板图像中与（Xi，yi)相匹配的点的坐标； C3:利用（4)式计算该图元上每一个匹配成功的特征点在模板图像中的匹配点 0^'，7'）经氏所确定的仿射变换后得到的结果（1"，7");如果Ge"，y")与聚类中的点（x，y)的距离小于T，则将（x，y)判定为一个内点； C4:判断H1对应的所有内点在接触网支撑与悬挂装置图像图元中的相对位置是否与模 板图像图元中与之相匹配的特征点的相对位置相同；若不相同，则认为内点中包含错误匹 配，若相同，则判断H 1所对应的内点数是否大于最佳估计内点数S i，若大于Si,则将H1作为 仿射变换矩阵的当前最佳估计，并更新Si; C5 :返回C2)继续运行，运行至规定次数后，循环停止，若SjA值不为0,则认为该图元 与模板图像中的零部件互为对应关系，即完成了零部件的识别；仿射变换矩阵的当前最佳 估计H1即作为其最终估计H ;将模板图像四个顶点的坐标带入公式（5)，公式（5)，即可实现 接触网支撑与悬挂装置图像中零部件的精确定位。式中，分别模板图像各顶点的 坐标Q的取值为1-4之间的整数）,X、)分别为经H所确定的仿射变换后 得到的结果，由确定的矩形即为零部件的定位结果；D、对接触网零部件的故障状态进行识别 Dl :针对棒式绝缘子等周期性较强的零件，首先对其灰度周期进行估计，每个灰度周期 对应绝缘子的一个瓷片及其片间间隔，对绝缘子各瓷片之间的相关性进行检测，从而判断 片间是否夹有义务或存在瓷片破损； D2 :针对零部件的破损故障，首先对其进行边缘信息提取，在不同尺度下对边缘信息进 行分析与筛选，排除掉对应表面纹理的细节信息，进而对破损的裂痕进行识别； D3:针对销钉松脱故障，首先对零部件的直线边缘进行检测，确定其朝向和与水平方向 偏离的角度，并进行方向矫正，在对方向进行矫正过后的零部件子图像上进行销钉部分分 害J，并对是否发生销钉松脱故障进行检测。
【专利摘要】本发明涉及一种以图元分类为基础的高铁接触网悬挂装置故障状态检测方法。包括以下步骤：首先提取图像中的边界曲线，根据边界曲线的曲率变化率实现杆状物图元的提取与去除，进而实现各悬挂装置零部件图元的分割。再利用SURF算法在之前提取的各零部件图元与标准模板图像进行局部特征点匹配；并利用改进之后的RANSAC(Random Sample Consensus，随机抽样一致)算法对匹配成功的特征点对进行筛选，计算模板图像与各图元之间的仿射变换矩阵，实现各零部件的识别与精确定位。最后针对不同的故障类别对悬挂装置零部件的故障状态进行检测。本发明基图元分类的方法，可实现接触网悬挂装置全局图像的深层次处理，有效地提高了接触网非接触式检测的自动化程度，降低了故障检测的难度，为电气化铁路绝缘性能检测提供一种可行的参考。
【IPC分类】G06T7/00, G06T7/40
【公开号】CN104881861
【申请号】CN201510105489
【发明人】刘志刚, 韩烨, 钟俊平, 刘文强, 张桂南
【申请人】西南交通大学
【公开日】2015年9月2日
【申请日】2015年3月11日