CN104318582B - 一种高铁接触网旋转双耳部件销钉不良状态检测方法 - Google Patents

Abstract

本发明公开了一种高铁接触网旋转双耳部件销钉不良状态检测方法。包括以下步骤：首先选取一个较为清晰完整的旋转双耳模板图像，利用SIFT算法提取双耳模板图像与现场采集图像的特征点并作匹配，然后利用改进的RANSAC算法消除误匹配得到仿射变换矩阵，定位旋转双耳；其次，采用Hough变换实现现场采集图像中双耳套筒倾角的提取，并将其旋转至水平方向，进而实现旋转双耳部分的分割；随后，累加现场采集图像的竖直方向像素灰度值，确定销钉受力部分和两端非受力部分长度；最后，归纳销钉正常工作及故障时这些长度间相关比值的范围，从而判断销钉的工作状态。

Description

一种高铁接触网旋转双耳部件销钉不良状态检测方法

技术领域

本发明涉及高速铁路接触网故障检测领域，尤其涉及一种基于图像处理的接触网旋转双耳销钉不良状态检测的方法。

背景技术

在高速铁路接触网悬挂装置中，旋转双耳销钉是重要的紧固件之一。由于施工缺陷或动车组长期运行过程中的震动和冲击，有可能造成接触网零部件的松动脱落，其中销钉的不良状态也给动车组的安全运行带来隐患。这对接触网支撑装置的结构稳定性提出了更高的要求，需要对销钉故障进行检测并采取措施排除隐患。原铁道部颁布的4C系统技术规范，包含对接触网的悬挂部分、腕臂部分的高清晰视频监测，涉及基于数字图像处理技术对接触网支撑及悬挂装置中零部件的故障检测。

对于接触网零部件状态缺陷检测，目前我国主要以传统的人工巡检方式，此外业内人员使用摄像机拍摄接触网支撑悬挂装置图像，并在离线状态下对各部件的故障状态人工识别。但也存在以下问题：工作量大、效率低、故障判断存在较大滞后性。基于图像处理技术的非接触式弓网检测技术研究可实现不干扰行车安全的弓网检测装置开发，所用设备可拓展性强，可实现弓网参数和故障的自动识别，具有众多优势。目前国内外基于图像处理的弓网故障状态检测已有一些研究，陈维荣研究了基于形态学处理和Radon变换的受电弓滑板状态监测。张桂南采用金字塔近邻平均算法和小波奇异值法检测接触网绝缘子故障，并研究了基于Harris角点与谱聚类实现了绝缘子的抗旋转匹配和故障检测。刘寅秋采用归一化互相关和局部二值化法，提取并计算接触网动态高度以及拉出值等参数。由于现场采集的接触网支撑及悬挂装置图像普遍较复杂，采用图像处理技术对像旋转双耳销钉这样微小部件进行故障检测存在较大的难度，目前此方面的研究还未见相关报道。

发明内容

本发明提供了一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法，实现了旋转双耳定位的准确性和销钉松脱与脱落故障的检测。

本发明是通过下面的手段实现的：

一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法，实现旋转双耳的准确定位和销钉松脱与脱落故障的检测，其具体的工作步骤包括：

A、专用综合列检车在一定运行速度下，对高速铁路接触网支撑及悬挂装置进行成像；将上行和下行的高清图像分别存储在两个图像库中；

B、对采集的图像进行筛选，选取一张较为清晰完整的旋转双耳部件图像作为双耳模板图像；

C、利用Scale Invariant Feature transform(SIFT)算法和改进的RandomSample Consensus(RANSAC)算法实现旋转双耳部件的准确定位；

a、用SIFT特征算子该算子提取双耳模板图像和现场采集图像的特征点，再分别使用128维特征向量A_i和B_i进行描述，随后计算两幅图像各特征向量的欧式距离U，度量它们之间的相似性，当满足下式时，则接受该匹配；

式中：U_min和U_l分别为最近邻距离和次近邻距离；R的取值为0.8，从而尽可能地保留正确匹配；

b、根据匹配点在现场采集图像中的空间分布情况，将匹配特征点进行聚类，在得到疑似的双耳部件的同时提高了算法的效率空间距离的阈值选定为80，对距离小于该阈值的特征点进行相应的聚类；

c、使用改进的RANSAC算法实现双耳部件的精确定位,忽略双耳部件的几何畸变，双耳模板图像与现场采集图像之间的变换关系用如下的仿射模型来描述：

式中：m₁、m₂、m₄和m₅为图像的旋转和缩放因子，(m₃,m₆)^T为平移矢量；T为仿射变换矩阵，I(x,y)和I′(x′,y′)分别为双耳模板图像和现场采集图像的匹配点；

对步骤b所得的每个聚类用改进的RANSAC算法求仿射变换矩阵，具体实现步骤为：

1)设L_i(i＝1,2,...,N)为某一聚类图像中成功匹配的点集合，C_i(i＝1,2,...,N)为双耳模板图像与L_i相匹配的点集合，其中N为聚类数目；

2)从集合C_i和L_i中随机各取3对匹配点能求得初始仿射变换矩阵T₁；

3)C_i中所有特征点与T₁相乘得点集L_i′,若L_i′与L_i中对应点的空间距离小于某阈值，则判断其为内点；

4)判断内点的相对位置与对应C_i集中点相对位置是否相同；若是，则更新T₁；反之，则包 含误匹配；

5)返回步骤2)，迭代500次；若内点数目不为0，得到的T₁即为该聚类情况下的仿射变换矩阵T；否则判定现场采集图像中不存在双耳部件；

得到仿射变换矩阵T后，将双耳模板图像四个角点坐标和T代入(2)式可得到在现场采集图像中对应的坐标，剪切得到旋转双耳部件图像；

D、销钉部件的分割

a、为了从现场采集图像中分割销钉部件，首先通过对提取到的旋转双耳部件图像进行高斯滤波和增强对比度的处理，使得双耳套筒两侧边缘更接近直线段；

b、用Hough变换做线检测并连接线段，在Hough矩阵中提取前3个灰度峰值点，检测到一组近似平行线段，取其平均值为双耳套筒的倾角，将双耳套筒旋转至水平方向；

c、利用Canny算子对旋转剪切后的图像检测边缘，并在水平方向进行像素灰度值的累加，得到统计曲线；进一步找到套筒以下最大长度的水平线段，其所在直线即为销钉部分的分割直线。这样销钉部分能够完整地分割出来，且该分割方式具有普遍适用性；

E、销钉不良状态检测

分析现场采集的接触网图像中销钉安装状态

鉴于销钉形态情况的复杂性，采用基于销钉灰度分布规律特征提取的方法检测销钉不良状态,检测的步骤为：

a、对分割后的销钉部件图像作竖直方向的像素灰度值累加，分析统计所得的灰度值曲线可确定销钉两端和销轴两侧对应的四个横坐标分别为x₁、x₂、x₃、x₄，进而确定中间销轴宽度d和两端销钉长度d₁和d₂；

b、销钉灰度分布规律特征提取:对销钉正常、松脱和脱落三种状态的d₁和d₂情况，制定销钉工作状态的检测规则如下：

上式中销轴宽度d放置在分母，作用是消除图像不同尺度的影响；T₁取0.1，T₂取0.3。

根据现场销钉的安装特点，对分割后的销钉部件图像作竖直方向的像素灰度值累加，分析统计所得的灰度值曲线确定中间销轴宽度d和两端销钉长度d₁和d₂。由这些长度的相关比值与阈值的比较，可以确定销钉的工作状态。

与现有技术相比，本发明的有益效果是：

1、本发明直接通过图像处理方法对高铁接触网旋转双耳销钉部件的状态进行检测，给出客观、真实、准确的检测分析结果，克服了传统人工检测方法的缺陷。该发明为高铁接触网支撑及悬挂装置零部件故障检测提供一种较好的思路；

2、本发明根据旋转双耳销钉的结构特点，巧妙地将Hough变换和销钉灰度分布规律结合，对销钉的状态检测简单、有效；

3、本发明中涉及的接触网旋转双耳销钉的故障检测，其研究还未见相关报道。

综上所述，本发明的方法能有效地针对接触网旋转双耳销钉的脱落和松脱故障进行检测。正确检测率较高，简化了故障检测的难度，并首次为接触网旋转双耳销钉部件的不良状态检测提出了一种解决方法。

附图说明

图1为本发明方法的处理过程框图

图2为本发明现场采集图像中的销钉图

图3为本发明双耳模板图像与现场采集图像的特征点匹配图

图4为本发明特征点空间聚类结果图(a.第一类疑似区域特征点匹配效果图；b.第二类疑似区域特征点匹配效果图；c.第三类疑似区域特征点匹配效果图；d.第四类疑似区域特征点匹配效果图)

图5为本发明旋转双耳的定位与分离图(a.与图4a所对应的双耳部件提取效果图；b.与图4b所对应的双耳部件提取效果图)

图6为本发明现场采集图像预处理前后对比图(a.双耳部件原始图像；b.预处理后的现场采集图像)

图7为本发明Hough变换求取双耳套筒倾角图(a Hough矩阵提取前3个峰值点；b提取峰值点对应的线)

图8为本发明销钉部分的分割过程图(a.为现场采集图像水平灰度值统计图，b.为销钉部分的分割效果图)

图9为本发明销钉的三种典型状态图(a.销钉正常工作状态，b.销钉松脱状态，c.销钉脱落状态)

图10为本发明销钉正常状态相关坐标的确定图(a.为正常状态下分割所得销钉部分图，b.为正常状态下销钉部分的边缘图，c.为正常状态下相关坐标确定示意图)

图11为本发明销钉松脱状态相关坐标的确定图(a.松脱状态下分割所得销钉部分图，b.松脱状 态下销钉部分的边缘图，c.为松脱状态下相关坐标确定示意图)

图12为本发明销钉脱落状态相关坐标的确定图(a.脱落状态下分割所得销钉部分图，b.为脱落状态下销钉部分的边缘图，c.为脱落状态下相关坐标确定示意图)。

具体实施方式：

下面结合附图对本发明的实施方式作进一步的详述。

图1为本发明方法的处理过程框图。图2示出现场采集图像中销钉的位置，突出对如此细小部件检测的难度较大。

A、旋转双耳的定位与提取

a、选取一个清晰完整的旋转双耳模板图像。SIFT特征算子不仅对图像缩放、旋转和亮度变化具有不变性，而且能适应一定程度的仿射变换、视角变化以及噪声的影响。用它提取双耳模板图像和现场采集的接触网图像的特征点，分别用128维特征向量A_i和B_i描述，再计算两幅图像中各特征向量的欧式距离U度量其相似性，当满足下式时，则接受该匹配。

式中：U_min和U_l分别为最近邻距离和次近邻距离，本发明中R的取值为0.8，尽可能多地保留正确匹配，匹配结果如图3所示。

b、根据匹配点在现场采集图像中的空间分布情况，为提高算法效率，本发明先将匹配特征点进行聚类，得到疑似的双耳部件。本发明中阈值选定为80，空间距离小于该阈值的特征点聚为一类。所得分类如图4所示。

用改进的RANSAC算法对图4的每个聚类进行处理，可得到仿射变换矩阵。双耳模板图像4个角点与仿射变换矩阵作如下运算，可确定现场采集图像中对应的角点。

式中：m₁、m₂、m₄和m₅为图像的旋转和缩放因子，(m₃,m₆)^T为平移矢量。T为仿射变换矩阵，I(x,y)和I′(x′,y′)分别为双耳模板图像和现场采集图像匹配点。

将现场采集图像对应角点连接并剪切，即可提取出旋转双耳部件图像。过程如图5所示。

C、销钉的分割

a、先对提取旋转双耳部件图像进行高斯滤波和增强对比度的处理如附图6，使图像二值化时双耳套筒两侧边缘更接近直线段。

b、本发明采用Hough变换做线检测并连接线段，在Hough矩阵中提取前3个灰度峰值 点，如图7a。能够检测到一组近似平行线段，如图7b白色粗线所示。取其倾角平均值为双耳套筒的倾角，将双耳套筒旋转至水平方向。

c、利用Canny算子对旋转后图像检测边缘，并在水平方向进行像素灰度值的累加，得到统计曲线如图8a。进一步找到套筒以下最大长度的水平线段，对应图8a中黑色圈点。其所在直线即为销钉部分的分割直线。这样销钉部分能够完整地分割出来如图8b所示。

D、销钉不良状态的检测

分析现场采集的接触网图像中销钉的安装状态如图9，鉴于销钉形态情况的复杂性，采用基于销钉灰度分布规律特征提取的方法检测销钉部件的不良状态。步骤如下：

a、对分割后的销钉部件图像作竖直方向的像素灰度值累加，分析统计所得的灰度值曲线可确定销钉两端和销轴两侧对应的四个横坐标分别为x₁、x₂、x₃、x₄，如图10(c)、图11(c)和图12(c)。进而确定中间销轴宽度d和两端销钉长度d₁和d₂，正常状态如图10(a)标记，其余两种状态同理可得到。

b、销钉灰度分布规律特征提取。观察销钉正常、松脱和脱落三种状态的d₁和d₂情况，可制定销钉工作状态的检测规则如下：

上式中销轴宽度d放置在分母，作用是消除图像不同尺度的影响。本发明中T₁取0.1，T₂取0.3。

Claims (1)

1.一种高铁接触网旋转双耳部件销钉不良状态检测方法，实现旋转双耳部件的准确定位和销钉松脱与脱落故障的检测，其具体的工作步骤包括：

A、专用综合列检车在一定运行速度下，对高速铁路接触网支撑及悬挂装置进行成像；将上行和下行的高清图像分别存储在两个图像库中；

B、对采集的图像进行筛选，选取一张较为清晰完整的旋转双耳部件图像作为双耳模板图像；

C、利用Scale Invariant Feature transform(SIFT)算法和改进的Random SampleConsensus(RANSAC)算法实现旋转双耳部件的准确定位；

a、用SIFT特征算子提取双耳模板图像和现场采集图像的特征点，再分别使用128维特征向量A_i和B_i进行描述，随后计算两幅图像各特征向量的欧式距离U，度量它们之间的相似性，当满足下式时，则接受匹配；

$\frac{U_{\min }}{U_l}<R,0<R<1---\left(1\right)$

式中：U_min和U_l分别为最近邻距离和次近邻距离；R的取值为0.8，从而尽可能地保留正确匹配；

b、根据匹配点在现场采集图像中的空间分布情况，将匹配特征点进行聚类，在得到疑似的双耳部件的同时提高了算法的效率；空间距离的阈值选定为80，对距离小于该阈值的特征点进行相应的聚类；

c、使用改进的RANSAC算法实现双耳部件的精确定位,忽略双耳部件的几何畸变，双耳模板图像与现场采集图像之间的变换关系用如下的仿射模型来描述：

$\left(\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\\ 1\end{array}\right)=T\left(\begin{array}{c}x\\ y\\ 1\end{array}\right)=\left(\begin{array}{ccc}{m}_1& m_2& m_3\\ m_4& m_5& m_6\\ 0& 0& 1\end{array}\right)\left(\begin{array}{c}x\\ y\\ 1\end{array}\right)---\left(2\right)$

式中：m₁、m₂、m₄和m₅为图像的旋转和缩放因子，(m₃,m₆)^T为平移矢量；T为仿射变换矩阵，I(x,y)和I′(x′,y′)分别为双耳模板图像和现场采集图像的匹配点；

对步骤b所得的每个聚类用改进的RANSAC算法求仿射变换矩阵，具体实现步骤为：

1)设L_i(i＝1,2,...,N)为某一聚类图像中成功匹配的点集合，C_i(i＝1,2,...,N)为双耳模板图像与L_i相匹配的点集合，其中N为聚类数目；

2)从集合C_i和L_i中随机各取3对匹配点能求得初始仿射变换矩阵T₁；

3)C_i中所有特征点与T₁相乘得点集L′_i,若L′_i与L_i中对应点的空间距离小于某阈值，则判断其为内点；

4)判断内点的相对位置与对应C_i集中点相对位置是否相同；若是，则更新T₁；反之，则包含误匹配；

5)返回步骤2)，迭代500次；若内点数目不为0，得到的T₁即为该聚类情况下的仿射变换矩阵T；否则判定现场采集图像中不存在双耳部件；

得到仿射变换矩阵T后，将双耳模板图像四个角点坐标和T代入(2)式可得到在现场采集图像中对应的坐标，剪切得到旋转双耳部件图像；

D、销钉部件的分割

a、为了从现场采集图像中分割销钉部件，首先通过对提取到的旋转双耳部件图像进行高斯滤波和增强对比度的处理，使得双耳套筒两侧边缘更接近直线段；

b、用Hough变换做线检测并连接线段，在Hough矩阵中提取前3个灰度峰值点，检测到一组近似平行线段，取其平均值为双耳套筒的倾角，将双耳套筒旋转至水平方向；

c、利用Canny算子对旋转后的双耳部件图像检测边缘，并在水平方向进行像素灰度值的累加，得到统计曲线；进一步找到套筒以下最大长度的水平线段，其所在直线即为销钉部分的分割直线；

E、销钉不良状态检测

分析现场采集图像中销钉安装状态：检测的步骤为：

a、对分割后的销钉部件图像作竖直方向的像素灰度值累加，分析统计所得的灰度值曲线可确定销钉两端和销轴两侧对应的四个横坐标分别为x₁、x₂、x₃、x₄，进而确定中间销轴宽度d和两端销钉长度d₁和d₂；

b、销钉灰度分布规律特征提取:对销钉正常、松脱和脱落三种状态的d₁和d₂情况，制定销钉工作状态的检测规则如下：

上式中销轴宽度d放置在分母，作用是消除图像不同尺度的影响；T₁取0.1，T₂取0.3。