CN104866865A - 一种基于dhog和离散余弦变换的接触网平衡线故障检测方法 - Google Patents

Abstract

本发明公开了一种基于DHOG和离散余弦变换的接触网平衡线故障检测方法。该方法包含平衡线及其支座识别定位及平衡线缺失故障检测两个过程：1)平衡线及其支座识别定位首先需对正、负样本的DHOG特征进行提取,再利用AdaBoost分类器进行训练；随后利用训练得到的分类器对滑动检测窗口内是否包含目标区域进行精确判断。2)平衡线缺失故障检测首先使用离散余弦变换对平衡线及其支座目标特征信息增强，再基于圆弧分段拟合进行圆形检测的两步法对图像内的圆形进行统计，根据圆个数最终给出接触网平衡线缺失的故障判断。本发明方法具有很高的检测准确率，在目标图像出现旋转、尺度变化的情况下，依旧具有良好的鲁棒性，对高铁接触网智能化巡检提供一定的技术参考。

Description

一种基于DHOG和离散余弦变换的接触网平衡线故障检测方法

技术领域

本发明涉及电气化铁路检测领域，尤其涉及一种基于DHOG和离散余弦变换的接触网平衡线故障检测方法。

背景技术

伴随中国铁路新线的大量开通，中国铁路正在从大规模建设期全面进入运营维护期；此外，由于动车组的高密度投运，弓网系统振动频度显著增大，给接触网的运营维护带来了严峻考验。为确保接触网设备安全，需对接触网进行有效的检测和状态监控。2012年7月原铁道部颁布了《高速铁路供电安全检测监测系统(6C系统)总体技术规范》，规范的核心主要就是利用非接触式图像检测设备，以高效、行车干扰小的方式对电气化铁路供电设备进行检测和状态监控。

目前基于图像处理的电气化铁道设备检测具有危险低，干扰小，设备简便的优点，主要研究有：张桂南通过绝缘子模板匹配方法及光线反射点特性实现了绝缘子定位，利用小波奇异性特征实现绝缘子异物检测；韩志伟利用曲波进行方向性滤波，再对曲波聚集系数增强，统计条带能量，判断绝缘子故障位置；韩烨利用尺度不变特征变换对高铁接触网支撑装置耳片进行定位，并利用弯曲度检测实现断裂故障判断。

发明内容

本发明要解决的技术问题是：一种基于DHOG和离散余弦变换的接触网平衡线故障检测方法。对于检测车拍摄的海量接触网图像，目前虽摒弃了传统的人工检测方法，但为了精确检索故障图像，路局分配专门人员对图像进行人工查看，效率较低，很难适应未来高速接触网运营维护的需求。本发明提出的方法具有很高的检测准确率，对拍目标图像的旋转、尺度变化具有良好的鲁棒性，对高铁接触网智能化巡检提供技术参考。

本发明的技术解决方案是：基于DHOG和离散余弦变换的接触网平衡线故障检测方法，其特征在于，所述方法包括：

A、适当调整检测车上摄像机采集角度对接触网局部信息进行采集，将将其存入接触网图像库中；

B、对截取的接触网图像中截取的相关正、负样本进行DHOG特征进行检测；检测的步骤如下：

a)将图像划分为大小相同的若干个正方形Cell，之后将每四个相邻的Cell合并为块。 

b)计算每个像素点的梯度幅值与方向

$m(x,y)=\sqrt{{[I(x+1,y)-I(x-1,y)]}^2+{[I(x,y+1)-I(x,y-1)]}^2}$

式中，m(x,y)为图像I的(x,y)像素的梯度幅值与表示该像素点的方向。

c)计算每个Cell的梯度直方图，并将同一块中Cell的梯度直方图连接，连接后为36维特征向量，利用下式对特征向量进行归一化

$H_{\mathrm{dn}}\left(i\right)=H_d\left(i\right)/\sqrt{{\mathrm{\Σ}}_{k=1}^N{\mathrm{\Σ}}_{i=1}^L{\left(H_d\left(i\right)\right)}^2}$

$H_{\mathrm{dc}}\left(i\right)=\left\{\begin{array}{cc}{H}_{\mathrm{dn}}\left(i\right)& H_{\mathrm{dn}}\left(i\right)<T\\ T& H_{\mathrm{dn}}\left(i\right)\&GreaterEqual;T\end{array}\right.$

$H_r\left(i\right)=H_{\mathrm{dc}}\left(i\right)/\sqrt{{\mathrm{\&Sigma;}}_{k=1}^N{\mathrm{\&Sigma;}}_{i=1}^L{\left(H_{\mathrm{dc}}\left(i\right)\right)}^2}$

式中，N表示块中Cell个数，L表示对直方图划分的区间数，H_dn(i)表示Cell的DHOG，H_r(i)表示Cell的DHOG，本发明中N取4，L取10。

C、对平衡线及其支座图像训练AdaBoost分类器；

假设训练集为(x₁,y₁)、…、(x_n,y_n)，其中x_i为样本，y_n为类标，y_n＝±1，AdaBoost算法具体实现如下：

1)输入训练样本及类标，给定训练样本的权重为1/m；

2)对选取的特征构建决策树弱分类器，进行T次迭代，每次迭代后，用带权值的样本(xi,wt)，训练分类器ht(x)；

3)计算错分类样本的权值和et，若et>0.5或et＝0，则结束运算；否则令错分样本的权值wt＝wt(1-et)/et；

4)给出正确分类的样本权值wt＝wt*et/(1-et)，并重新对权值归一化，使其和为1；从而给出级联分类器的分类规则：

$d\left(x\right)=\mathrm{sgn}\left[\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\log \left(\frac{1-e_t}{e_t}\right)h_t\left(x\right)\right]$

D、基于离散余弦变换的平衡线及其支座图像特征增强，具体实现如下：

1)首先对图像去对数运算，再对图像进行离散余弦变换得到频域的系数分布：

lnf(x,y)＝lnr(x,y)+lni(x,y)

$C\left(\mathrm{0,0}\right)=\frac{1}{N}\underset{x=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{N-1}{\mathrm{\&Sigma;}}}f(x,y)$

$C(u,v)=\frac{2}{N}\underset{x=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{N-1}{\mathrm{\&Sigma;}}}f(x,y)\left[\cos \frac{(2x+1)\mathrm{u\&pi;}}{2M}\right]\left[\cos \frac{(2y+1)\mathrm{v\&pi;}}{2N}\right]$

式中，C(u,v)表示图像经离散余弦变换后的二维频率域图像能量函数。变换后包含321×160＝51360个不同频率的系数，其中C(0,0)是低频系数，表示图像的照度分量，其余的51359个高频系数表示图像的反射分量。

2)滤波器设计如下式所示：

$C_{k1}(u,v)\left\{\begin{array}{cc}0& \lg (1+{\left|C(u,v)\right|}^2)\&GreaterEqual;k_1\\ C(u,v)& \mathrm{else}\end{array}\right.$

式中，k₁是高功率阈值，本发明中k₁＝600。

3)根据α-rooting算法调整离散余弦频域系数，随后利用离散余弦反变换及指数运算得到增强的图像：

f′(x,y)＝e^i′(x,y)e^r′(x,y)

$f(x,y)=\frac{1}{N}C\left(\mathrm{0,0}\right)+\frac{2}{N}\underset{x=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{N-1}{\mathrm{\&Sigma;}}}C(u,v)\left[\cos \frac{(2x+1)\mathrm{u\&pi;}}{2M}\right]\left[\cos \frac{(2y+1)\mathrm{v\&pi;}}{2N}\right]$

式中，r‘(x,y)、i‘(x,y)为对数域的图像灰度增强值。

E、平衡线及其支座图像圆形检测，具体步骤如下：

1)设定分段长度，扫描图像并检查当前像素点八邻域是否有联通点，获取链路；

2)对链路拟合，得到表征链路的参数及相应目标函数；

3)验证链路是否为可接受的圆弧，根据设定的圆弧半径对其筛选，对可接受的圆弧段进行聚类，得到圆形。

F、结合E步骤的检测结果，图像中圆半径大于d＝12时进行统计；考虑接触网平衡线及其支座所处的不同路况，给出较为完备的实现平衡线缺失故障检测判据如下：

G、利用上述步骤对待检测接触网图像进行检测，根据D步骤判据，给出故障判断信号，并输出至后续处理单元。

本发明采用图像处理技术，对高速铁路接触网检测车拍摄的海量图像进行智能化处理。具体是：首先对平衡线及其支座正、负样本进行DHOG特征提取，进而训练AdsBoost分类器，基于该分类器检测窗口对待检测接触网图像上内平衡线及其支座部件实现精确定位；随后利用离散余弦变换对平衡线及其支座图像特征增强；最后基于圆弧分段拟合对目标内圆形进行检测并统计分析，给出故障判断，取得了较好的效果。

本发明基于DHOG和离散余弦变换的接触网平衡线故障检测方法主要有以下优点：

1、本发明基于图像处理技术对高铁接触网平衡线进行定位检测和缺失故障分析，克服以前路局要专门安排人员对图像进行人工查看效率低、任务重的缺陷，为接触网的可靠性、快速性检测提供一种较好的实现手段。

2、本发明使用接触网图像内平衡线及其支座的DHOG特征进行目标识别，相比于模板匹配算法具备较好的抗尺度不变性、抗旋转性。

3、本发明对裁剪的样本库图像的DHOG特征训练AdsBoost分类器，相比于SVM方法在平均误检率、漏检率、正确率上面具备更好的性能，此外基于圆弧分段拟合对目标内圆形进行 检测并统计分析，给出平衡线缺失的故障判据，该判据能对能对图像内平衡线缺失做出较为准确的故障判断。

综上所述，本发明的方法可以使用图像的DHOG特征训练AdsBoost分类器实现目标的提取，提高了目标识别精度；此外，本发明故障诊断中首先使用离散余弦变换增强图像特征，再基于圆弧分段拟合对目标内圆形进行检测并统计分析，在保证故障检测精度的同时，简化了故障诊断的难度，能较针对性的解决高铁接触网的安全隐患问题，具有很好的应用前景。

附图说明

图1为本发明提出方法的检测流程图。

图2为本发明采集到的高速铁路接触网局部图像。

图3为接触网图像平衡线及其支座正、负训练样本。

图4为本发明目标提取效果图(图4a隧道外目标提取、图4b隧道内目标提取、图4c隧道外平衡线缺失情况下目标提取)。

图5为本发明隧道外平衡线及支座(正面图像)特征增强及故障检测(图5a平衡线及支座目标图像、图5b离散余弦变换后图像能量分布图、图5c滤波后能量分布图、图5d平衡线圆形截面检测效果图)。

图6为本发明隧道外平衡线缺失图像特征增强及故障检测(图6a平衡线及支座目标图像、图6b余弦变换特征增强效果图、图6c平衡线圆形截面检测效果图)。

图7为本发明隧道内平衡线及其支座(正面)特征增强及故障检测(图7a平衡线及支座目标图像、图7b余弦变换特征增强效果图)。

图8为本发明平衡线及其支座(反面)特征增强(图8a平衡线及支座目标正面图像、图8b正面图像余弦变换特征增强效果图、图8c正面图像平衡线圆形截面检测效果图；

图8d平衡线及支座目标反面图像、图8e反面图像平衡线圆形截面检测效果图)。

图9为本发明DHOG特征在接触网图像检测中性能比较对照表。

具体实施方式：

下面结合在实验拍摄的实际图片对本发明的实施方案做进一步的详述。

结合图1所示：本发明本文提出方法的检测流程图。

主要步骤为：首先需对样本库图像提取DHOG特征，在此基础上训练AdaBoost分类器并给出平衡线及其支座的精确定位；其次使用离散余弦变换对平衡线及其支座目标特征信息增强；随后基于圆弧分段拟合对图像内的圆形进行检测和统计，根据统计数目，给出故障判据，最终实现高铁接触网平衡线缺失的故障判断。

图2为本发明采集到的高速铁路接触网局部图像。图像中对平衡线及其支座拍摄效果清 晰，特征可分辨；在当前设备采集图像分辨率为2448×2048pixels时，平衡线及其支座占有321×160pixels，分析目标清晰度满足大于7pixels/mm，满足分析要求。

图3为本发明接触网图像平衡线及其支座正、负训练样本。分两部分进行介绍：

1.图像DHOG特征提取

考虑平衡线及其支座在整体图像中属于暗、小目标，此外随着铁路路况不同，其存在角度的旋转，结合DHOG得到的描述子存在尺度、旋转不变性，因而本发明采用DHOG对其特征描述，具体步骤如下：

a)计算每个像素点的梯度幅值m(x,y)与方向

$m(x,y)=\sqrt{{[I(x+1,y)-I(x-1,y)]}^2+{[I(x,y+1)-I(x,y-1)]}^2}$

b)特征向量进行归一化，从而消除光照与背景对比度的影响：

$H_{\mathrm{dn}}\left(i\right)=H_d\left(i\right)/\sqrt{{\mathrm{\&Sigma;}}_{k=1}^N{\mathrm{\&Sigma;}}_{i=1}^L{\left(H_d\left(i\right)\right)}^2}$

$H_{\mathrm{dc}}\left(i\right)=\left\{\begin{array}{cc}{H}_{\mathrm{dn}}\left(i\right)& H_{\mathrm{dn}}\left(i\right)<T\\ T& H_{\mathrm{dn}}\left(i\right)\&GreaterEqual;T\end{array}\right.$

$H_r\left(i\right)=H_{\mathrm{dc}}\left(i\right)/\sqrt{{\mathrm{\&Sigma;}}_{k=1}^N{\mathrm{\&Sigma;}}_{i=1}^L{\left(H_{\mathrm{dc}}\left(i\right)\right)}^2}$

2.样本库截取及AdsBoost分类器训练 

对正负样本进行截取时将其长宽比固定为2:1，训练正、负样本均为200张，分类器初始检测窗口尺寸为321×160像素，放大系数为1.2。由于使用传统的SVM分类器对平衡线及其支座的检测耗时较长，为降低运算量、提高目标的检测速度，本发明采用AdaBoost算法通过训练，从很大的特征集当中提取出很小的一部分特征作为关键特征，进而产生一个极其有效的分类器。使用这个分类器将目标与其他背景有效区分，最终确定目标的大小和位置。

假设训练集为(x₁,y₁)、…、(x_n,y_n)，其中x_i为样本，y_n为类标，y_n＝±1，AdaBoost算法步骤如下：

1)输入训练样本及类标，给定训练样本的权重为1/m；

2)对选取的特征构建决策树弱分类器，进行T次迭代，每次迭代后，用带权值的样本(xi,wt)，训练分类器ht(x)；

3)计算错分类样本的权值和et，若et>0.5或et＝0，则结束运算；否则令错分样本的权值wt＝wt(1-et)/et；

3)给出正确分类的样本权值wt＝wt*et/(1-et)，并重新对权值归一化，使其和为1；从而给出级联分类器的分类规则：

$d\left(x\right)=\mathrm{sgn}\left[\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\log \left(\frac{1-e_t}{e_t}\right)h_t\left(x\right)\right]$

使用上述训练好的分类器对待检测接触网图像中的滑动窗口内是否包含平衡线及其支座进行判断识别，图4所示为为本发明对隧道外、隧道内的单个/多个目标区域提取效果图，提取，检测结果在平均误检率、漏检率、正确率性能如图9所示。

图5、6为本发明对隧道外平衡线及其支座正面图像正常、故障图像特征增强及故障诊断过程图。分两部分进行介绍：

1.基于离散余弦变换的平衡线及其支座图像特征增强，具体步骤如下：

1)首先对图像去对数运算，再对图像进行离散余弦变换得到频域的系数分布：

lnf(x,y)＝lnr(x,y)+lni(x,y)

$C\left(\mathrm{0,0}\right)=\frac{1}{N}\underset{x=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{N-1}{\mathrm{\&Sigma;}}}f(x,y)$

$C(u,v)=\frac{2}{N}\underset{x=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{N-1}{\mathrm{\&Sigma;}}}f(x,y)\left[\cos \frac{(2x+1)\mathrm{u\&pi;}}{2M}\right]\left[\cos \frac{(2y+1)\mathrm{v\&pi;}}{2N}\right]$

式中，C(u,v)表示图像经离散余弦变换后的二维频率域图像能量函数。变换后包含321×160＝51360个不同频率的系数，其中C(0,0)是低频系数，表示图像的照度分量，其余的51359个高频系数表示图像的反射分量。

2)滤波器设计如下式所示：

$C_{k1}(u,v)\left\{\begin{array}{cc}0& \lg (1+{\left|C(u,v)\right|}^2)\&GreaterEqual;k_1\\ C(u,v)& \mathrm{else}\end{array}\right.$

式中，k₁是高功率阈值。

3)根据α-rooting算法调整离散余弦频域系数，随后利用离散余弦反变换及指数运算得到增强的图像：

f′(x,y)＝e^i′(x,y)e^r′(x,y)

$f(x,y)=\frac{1}{N}C\left(\mathrm{0,0}\right)+\frac{2}{N}\underset{x=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{N-1}{\mathrm{\&Sigma;}}}C(u,v)\left[\cos \frac{(2x+1)\mathrm{u\&pi;}}{2M}\right]\left[\cos \frac{(2y+1)\mathrm{v\&pi;}}{2N}\right]$

式中，r‘(x,y)、i‘(x,y)为对数域的图像灰度增强值。

2.平衡线及其支座图像圆形检测，具体步骤如下：

1)设定分段长度，扫描图像并检查当前像素点八邻域是否有联通点，获取链路；

2)对链路拟合，得到表征链路的参数及相应目标函数；

3)验证链路是否为可接受的圆弧，根据设定的圆弧半径对其筛选，对可接受的圆弧段进行聚类，得到圆形。

综合上述步骤的检测结果，对图像中圆半径大于d＝12时进行统计；给出隧道外平衡线缺失故障检测判据：

由图可见平衡线及其支座图像首先经由余弦变换转换为频域能量的形式，从而明显区分背景与目标信息，其次经设置阈值滤除图像背景及一些高能量成份，从而达到增强暗、小目标的目的，显然平衡线的截面能够清晰呈现；对比图5、图6可以看出，平衡线存在与缺失时，在增强后的图像中可分辨性较强。此外，由于平衡线截面和紧固螺丝截面都为圆形，因而对增强后的图像检测圆的个数，即可给出判断。由此可见，无论隧道外图像中平 衡线存在还是缺失上述判据均能给出正确判断。

图7为本发明隧道内平衡线及其支座(正面)特征增强及故障检测。由图中可明显看出，平衡线与隧道上方混凝土在图像中的灰度反映基本一致，经离散余弦变换至频域后，能量位于同一量级，因而设置滤波器虽然能一定程度上增强平衡线特征，但平衡线圆形截面特征却未能呈现，因而上述判据并不能对隧道内平衡线及其支座正面图像实现准确判断。

为了能够实现隧道内平衡线的识别，考虑平衡线及其支座的反面图像内零部件较少，增强该类图像可实现平衡线的判断，如图8所示。由图8可明显看出，不管是平衡线在隧道内、还是隧道外，其截面特征在离散余弦变换下都能实现较好增强，随后对其进行圆形检测，若图像中存在大于d＝12，圆个数为1，说明不存在平衡线缺失。为了较为完备的实现平衡线缺失故障检测，最终判据可修改如下：

。

Claims (1)

1.一种基于DHOG和离散余弦变换的接触网平衡线故障检测方法，其特征在于，所述方法包括：

A、适当调整检测车上摄像机采集角度对接触网局部信息进行采集，将将其存入接触网图像库中；

B、对截取的接触网图像中截取的相关正、负样本进行DHOG特征检测；检测的步骤如下：

a)将图像划分为大小相同的若干个正方形Cell，之后将每四个相邻的Cell合并为块；

b)计算每个像素点的梯度幅值与方向

式中，m(x,y)为图像I的(x,y)像素的梯度幅值，表示该像素点的方向；

c)计算每个Cell的梯度直方图，并将同一块中Cell的梯度直方图连接，连接后为36维特征向量，利用下式对特征向量进行归一化

式中，N表示块中Cell个数，L表示对直方图划分的区间数，H_dn(i)表示Cell的DHOG，H_r(i)表示Cell的DHOG；本发明中N取4，L取10；

C、对平衡线及其支座图像训练AdaBoost分类器；

假设训练集为(x₁,y₁)、…、(x_n,y_n)，其中x_i为样本，y_n为类标，y_n＝±1，AdaBoost算法具体实现如下：

1)输入训练样本及类标，给定训练样本的权重为1/m；

2)对选取的特征构建决策树弱分类器，进行T次迭代，每次迭代后，用带权值的样本(xi,wt)，训练分类器ht(x)；

3)计算错分类样本的权值和et，若et>0.5或et＝0，则结束运算；否则令错分样本的权值wt＝wt(1-et)/et；

4)给出正确分类的样本权值wt＝wt*et/(1-et)，并重新对权值归一化，使其和为1；从而给出级联分类器的分类规则：

D、基于离散余弦变换的平衡线及其支座图像特征增强，具体实现如下：

1)首先对图像去对数运算，再对图像进行离散余弦变换得到频域的系数分布：

ln f(x,y)＝ln r(x,y)+ln i(x,y) 

式中，C(u,v)表示图像经离散余弦变换后的二维频率域图像能量函数。变换后包含M×N＝51360个不同频率的系数，其中C(0,0)是低频系数，表示图像的照度分量，其余的51359个高频系数表示图像的反射分量；

2)滤波器设计如下式所示：

式中，k₁是高功率阈值，本发明中k₁＝600；

3)根据α-rooting算法调整离散余弦频域系数，随后利用离散余弦反变换及指数运算得到增强的图像：

f′(+,y)＝e^i′(x,y)e^r′(x,y)

式中，r‘(x,y)、i‘(x,y)为对数域的图像灰度增强值；

E、平衡线及其支座图像圆形检测，具体步骤如下：

1)设定分段长度，扫描图像并检查当前像素点八邻域是否有联通点，获取链路；

2)对链路拟合，得到表征链路的参数及相应目标函数；

3)验证链路是否为可接受的圆弧，根据设定的圆弧半径对其筛选，对可接受的圆弧段进行聚类，得到圆形；

F、结合E步骤的检测结果，图像中圆半径大于d＝12时进行统计；考虑接触网平衡线及其支座所处的不同路况，给出较为完备的实现平衡线缺失故障检测判据如下：

G、利用上述步骤对待检测接触网图像进行检测，根据D步骤判据，给出故障判断信号，并输出至后续处理单元。