CN106485694B - 一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法 - Google Patents

Abstract

本发明公开了一种基于级联分类器的高铁接触网双套管连接器部件六边形大螺母不良状态检测方法。包括以下步骤：首先建立关于双套管连接器部件的样本库，提取样本的HOG特征训练级联的AdaBoost分类器，在此基础上训练支持向量机分类器，实现双套管连接器部件的定位；其次，采用Hough变换实现目标图像中双套管连接的平腕臂和斜腕臂倾角的提取，并将平腕臂旋转至水平方向，进而实现平腕臂和连接器的分割；再将斜腕臂旋转至竖直方向，实现斜腕臂和连接器的分割。故障判定时,在提取到的连接器图像中，根据光斑位置设定横向基线，检测其横向灰度奇异值，对双套管连接器六边形大螺母脱落故障做出精确判断。

Description

一种基于级联分类器的高铁接触网双套管连接器六边形螺母 脱落不良状态检测方法

技术领域

本发明涉及高速铁路接触网故障检测领域，尤其涉及一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法

背景技术

在高铁接触网L型腕臂支持装置中，双套管连接器是重要的承力部件，为保证列车行车安全，该部件的施工质量有严格的要求。对于双套管连接器，六边形螺母是重要的紧固件。列车长期运行时产生的震动或施工缺陷可能导致套管大螺母出现脱落的不良状态，使得腕臂的承力能力降低，接触网机械强度下降，增加发生事故的可能性。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。

目前我国对接触网零件状态检测的主要方法是对接触网成像检测车拍摄到的接触网支撑装置图像在离线状态下人工识别，该方法效率较低且工作量巨大。基于数字图像处理技术的非接触式弓网检测技术研究可实现弓网参数和故障的自动识别，具有众多优势。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，且照片中紧固件容易受到反光的影响，采用图像处理技术的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级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法，实现了双套管连接器定位的准确性和套管大螺母脱落故障的检测。

本发明是通过下面的手段实现的：

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，建立关于双套管连接器部件的样本库，正样本是双套管连接器部件的图像，负样本是不包含双套管连接器部件的图像；

C、计算样本的HOG特征，利用AdaBoost算法和支持向量机算法训练分类器，实现双套管连接器部件的准确定位；

a、HOG特征的提取过程：每一个检测窗口图像按空间位置被均匀分成若干个细胞单元，每个细胞单元的大小为8×8像素；对于每一个像素点I(x,y)，采用简单的一阶模板在细胞单元中计算梯度大小m(x,y)和方向θ(x,y)，

在细胞单元内，按预先设定的量化间隔统计梯度直方图，梯度方向将0°～360°分为9个方向块，每个方向块大小为20°；将每四个相邻的细胞单元按滑动的方式合并为一个块，相邻的块会有细胞单元重叠；对每一个细胞单元计算HOG积分描述子，将同一块中4个细胞单元的梯度直方图连接在在一起，形成一个9×4＝36维的特征向量；为了消除光照变化等带来的影响，在一个块内进行直方图归一化，如式2；

其中，ε为一个很小的常数，目的是避免分母为0；归一化后的特征向量v对应于一个块的HOG积分描述子；

b、AdaBoost算法中，被错分样本的权值依靠因子β_t增加，使得该样本对下一个弱分类器的影响变大；AdaBoost算法采用加权多数表决的原则，即对错误率较低的分类器赋予较高的权值，使得它们在决策中发挥更大的作用；

定位过程中，检测窗口在待检测图像表面滑动，计算窗口内图像的HOG特征，将特征向量通过级联分类器，若其中某一子分类器判定为非检测目标，则该窗口被拒绝，不进入下一个分类器的判定；如果窗口包含检测目标，则会通过每一级AdaBoost分类器，直到最后一级；

c、在级联的AdaBoost分类器后再级联SVM分类器，以降低误匹配率；SVM学习目标是解决训练数据集线性不可分时寻找最优分类超平面的问题，即式3中的凸二次规划问题：

D、双套管连接器的分割：

a、为了便于分析双套管连接器大螺母的工作状态，首先通过对提取到的双套管连接器图像进行平滑滤波和增强对比度的处理，使得套管连接的平腕臂和斜腕臂的两侧边缘更接近直线段，以便于确定分割点；

b、利用Hough变换检测直线，提取Hough矩阵中前5个灰度峰值点，取角度小于30的峰值点的平均值作为平腕臂的两侧边缘平行线段的倾角，并将平腕臂旋转至水平方向；

c、选用Canny算子对旋转后的图像检测边缘，并对同一纵坐标上的像素点的灰度值累加得到统计曲线；曲线中像素累加值的两个最大值分别为平腕臂的两个边缘；根据像素累加值最大值对应的水平坐标确定平腕臂的分割直线；

d、将剪切后的图像根据平腕臂的倾角旋转回原来的方向；取Hough矩阵角度大于45°的峰值点的倾角平均值作为斜腕臂的倾角，并将斜腕臂旋转至竖直方向；

e、选用Canny算子对旋转后的图像检测边缘，并对同一横坐标上的像素点的灰度值累加得到统计曲线；曲线中像素累加值的两个最大值分别为斜腕臂的两个边缘；根据像素累加值最大值对应的水平坐标确定斜腕臂的分割直线；

E、六边形大螺母脱落不良状态的检测：

采用横向灰度奇异值检测的方法实现六边形螺母脱落的检测，

利用小波变换来分析信号的奇异性及奇异性位置；小波变换的模极大值点与信号的奇异性的确切关系根据Lipschitz指数判定；函数在某一点的Lipschitz指数γ表征了该点的奇异性大小；γ越大，该点平滑度就越高；反之，该点奇异性越大；

若函数f(t)在区间[t₁,t₂]中|W_f(a,t)|≤ka^γ成立，k为常数，则γ值恒定；奇异点t₀的γ值小于(t₀,ε)内其他点的γ值，当a→0时t₀处小波变换值衰减最慢，(t₀,ε)内其他点的小波变换值不断收敛，使得t₀处小波变换值成为模极大值，从而信号的奇异性检测转变为小波变换的模极大值检测；

横向灰度值信号在突变点的奇异性通过小波变换模的局部极大值来描述；模极大值的检测过程：

1)在图像进行横向基线标定，基线上像素点与小波高斯函数卷积，进行图像的小波变换。为避免光斑的干扰，将基线设置于光斑的切线以上。

2)计算每个像素点的模值，并求出图像小波变换后的模极大值点；

3)对模极大值进行归一化处理；

4)设定阈值，去除较小的模极大值点；

5)找出模极大值区域间离散时间间距，进行相关比较分析，从而检测异常区域。

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双套管连接器六边形大螺母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、本发明根据六边形大螺母的结构特点，巧妙地将Hough变换和大螺母灰度分布规律结合，对大螺母的状态检测简单、有效；

3、本发明中涉及的接触网支撑悬挂装置双套管连接器部件紧固件的故障检测，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双套管连接器六边形大螺母脱落故障进行检测。正确检测率较高，简化了故障检测的难度，并首次为接触网双套管连接器六边形大螺母脱落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双套管连接器图像。

图3为本发明关于双套管连接器部件的样本库，(a)正样本，(b)负样本。

图4为本发明级联的AdaBoost分类器定位效果图。

图5为本发明支持向量机分类器精确定位效果图。

图6为本发明双套管连接器图像预处理前后对比图。

图7为本发明用Hough变换求取双套管连接器平腕臂、斜腕臂倾角图，(a)Hough矩阵提取前5个峰值点，(b)Hough变换峰值对应的线段。

图8为本发明分割双套管连接器与平腕臂的过程，(a)边缘图像水平方向像素分布，(b)平腕臂与套管连接器的分割。

图9为本发明分割双套管连接器与平腕臂的过程，(a)边缘图像水平方向像素分布，(b)斜腕臂与套管连接器的分割。

图10为本发明双套管连接器的两种安装状态图，(a)正常状态，(b)脱落状态。

图11为本发明大螺母正常状态灰度奇异值检测过程图，(a)根据光斑位置确定基线，(b)基线横向灰度值曲线模极大值检测。

图12为本发明大螺母脱落状态灰度奇异值检测过程图，(a)根据光斑位置确定基线，(b)基线横向灰度值曲线模极大值检测。

具体实施方式

本发明是通过下面的手段实现的：

1.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。

2.对采集的图像进行筛选，建立关于双套管连接器部件的样本库，正样本是双套管连接器占据主体部分的图像，共100张。负样本是不包含双套管图像，共3000张。

3.双套管连接器的定位与提取

3.1计算双套管连接器正负样本的HOG特征，利用特征算子训练级联的AdaBoost分类器，通过训练得到的分类器对待检测图像上固定大小窗口滑动进行双套管连接器的目标识别。

3.2为提高定位正确率，本发明将3.1检测到的伪正难例作为新的负样本，共100张，训练SVM分类器。最后利用级联的AdaBoost与SVM分类器，实现双套管连接器部件的精确提取。

4.双套管连接器六边形大螺母的分割

a、首先通过对提取到的双套管连接器图像进行平滑滤波和增强对比度的处理，使得套管连接的平腕臂和斜腕臂的两侧边缘更接近直线段，以便于确定分割点。

b、利用Hough变换检测直线，提取Hough矩阵中前5个灰度峰值点，取角度小于30的峰值点的平均值作为平腕臂的两侧边缘平行线段的倾角，并将平腕臂旋转至水平方向。

c、选用Canny算子对旋转后的图像检测边缘，并对同一纵坐标上的像素点的灰度值累加得到统计曲线。曲线中像素累加值的两个最大值分别为平腕臂的两个边缘。根据像素累加值最大值对应的水平坐标确定平腕臂的分割直线。

d、将剪切后的图像根据平腕臂的倾角旋转回原来的方向。取Hough矩阵角度大于的峰值点的倾角平均值作为斜腕臂的倾角，并将斜腕臂旋转至竖直方向。

e、选用Canny算子对旋转后的图像检测边缘，并对同一横坐标上的像素点的灰度值累加得到统计曲线。曲线中像素累加值的两个最大值分别为斜腕臂的两个边缘。根据像素累加值最大值对应的水平坐标确定斜腕臂的分割直线。

5.六边形大螺母不良状态的检测

针对于综合列检车在不同的拍摄位置拍摄会导致图像中双套管连接器六边形大螺母表面有光斑，难以通过统一模板进行匹配检测的关键问题。本发明抓住了横向双套管连接器灰度的变化规律，采用了检测横向灰度奇异值的方法。主要包括图像增强，根据光斑确定基线位置和基于小波变换的奇异值检测三部分。

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双套管连接器的位置。

A、双套管连接器的定位与提取

计算样本的HOG特征，利用AdaBoost算法和支持向量机(SVM)算法训练分类器，实现双套管连接器部件的准确定位。

a、HOG特征的提取过程如图1所示。每一个检测窗口图像按空间位置被均匀分成若干个细胞单元(Cell)，每个细胞单元的大小为8×8像素。对于每一个像素点I(x,y)，采用简单的一阶模板在细胞单元中计算梯度大小m(x,y)和方向θ(x,y)。

b、在细胞单元内，按预先设定的量化间隔统计梯度直方图，梯度方向将0°～360°分为9个方向块，每个方向块大小为20°左右时检测效果最好。将每四个相邻的细胞单元按滑动的方式合并为一个块(block)，相邻的块会有细胞单元重叠。对每一个细胞单元计算HOG积分描述子，将同一块中4个细胞单元的梯度直方图连接在在一起，形成一个9×4＝36维的特征向量。为了消除光照变化等带来的影响，在一个块内进行直方图归一化，如式2。

其中，ε为一个很小的常数，目的是避免分母为0。归一化后的特征向量v对应于一个块的HOG积分描述子。

c、AdaBoost算法中，被错分样本的权值依靠因子β_t增加，使得该样本对下一个弱分类器的影响变大。AdaBoost算法采用加权多数表决的原则，即对错误率较低的分类器赋予较高的权值，使得它们在决策中发挥更大的作用。

定位过程中，检测窗口在待检测图像表面滑动，计算窗口内图像的HOG特征，将特征向

量通过级联分类器，若其中某一子分类器判定为非检测目标，则该窗口被拒绝，不进入下一

个分类器的判定。如果窗口包含检测目标，则会通过每一级AdaBoost分类器，直到最后一级。

随着级联分类器中的后几层AdaBoost分类器包含的弱分类器个数增加，训练时间大大增加且学习难度增大容易造成过度拟合，因此分类效率降低。在级联的AdaBoost分类器后再级联SVM分类器，以降低误匹配率。支持向量机是一种二类分类模型。SVM学习目标是解决训练数据集线性不可分时寻找最优分类超平面的问题，即式3中的凸二次规划问题：

B、双套管连接器的分割。

Step1为了便于分析双套管连接器大螺母的工作状态，首先通过对提取到的双套管连接器图像进行平滑滤波和增强对比度的处理，使得套管连接的平腕臂和斜腕臂的两侧边缘更接近直线段，以便于确定分割点。

Step2利用Hough变换检测直线，提取Hough矩阵中前5个灰度峰值点，取角度小于30°的峰值点的平均值作为平腕臂的两侧边缘平行线段的倾角，并将平腕臂旋转至水平方向。

Step3选用Canny算子对旋转后的图像检测边缘，并对同一纵坐标上的像素点的灰度值累加得到统计曲线。曲线中像素累加值的两个最大值分别为平腕臂的两个边缘。根据像素累加值最大值对应的水平坐标确定平腕臂的分割直线。

Step4将剪切后的图像根据平腕臂的倾角旋转回原来的方向。取Hough矩阵角度大于45°的峰值点的倾角平均值作为斜腕臂的倾角，并将斜腕臂旋转至竖直方向。

Step5选用Canny算子对旋转后的图像检测边缘，并对同一横坐标上的像素点的灰度值累加得到统计曲线。曲线中像素累加值的两个最大值分别为斜腕臂的两个边缘。根据像素累加值最大值对应的水平坐标确定斜腕臂的分割直线。

C、六边形大螺母脱落不良状态的检测

由于六边形大螺母尺寸较大，综合检测车在不同位置拍摄时会拍摄金属零件时会产生反光，光斑太大难以通过滤波等方式消除，也难以通过统一模板进行检测。但由于光斑出现的位置有一定的规律，本发明抓住了横向灰度值变化的特点，采用了横向灰度奇异值检测的方法实现六边形螺母脱落的检测。

由于小波变换具有空间局部化性质，因此利用小波变换来分析信号的奇异性及奇异性位置是比较有效的。小波变换的模极大值点与信号的奇异性的确切关系可根据Lipschitz指数判定。函数在某一点的Lipschitz指数γ表征了该点的奇异性大小。γ越大，该点平滑度就越高；反之，该点奇异性越大。

若函数f(t)在区间[t₁,t₂]中|W_f(a,t)|≤ka^γ成立，k为常数，则γ值恒定。奇异点t₀的γ值小于(t₀,ε)内其他点的γ值，当a→0时t₀处小波变换值衰减最慢，(t₀,ε)内其他点的小波变换值不断收敛，使得t₀处小波变换值成为模极大值，从而信号的奇异性检测转变为小波变换的模极大值检测。

正常工作的大螺母所在套管连接器的横向灰度值具有一定的规律，即大螺母处较为暗黑，而大螺母周围较为高亮，大螺母的周围是灰度的跳变点。而脱落的大螺母会使暗黑处消失，灰度值变化较为平缓，不存在较大的灰度跳变点。由于小波变换所得小波系数数值的大小取决于信号在奇异点附近的特性以及小波变换所选取的尺度,在较小的尺度上,它提供了信号的局部化性质。因此,横向灰度值信号在突变点的奇异性可通过小波变换模的局部极大值来描述。模极大值的检测过程：

1)在图像进行横向基线标定，基线上像素点与小波高斯函数卷积，进行图像的小波变换。为避免光斑的干扰，将基线设置于光斑的切线以上。

2)计算每个像素点的模值，并求出图像小波变换后的模极大值点；

3)对模极大值进行归一化处理；

4)设定阈值，去除较小的模极大值点；

5)找出模极大值区域间离散时间间距，进行相关比较分析，从而检测异常区域。

Claims (1)

1.一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法，其特征在于，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，建立关于双套管连接器部件的样本库，正样本是双套管连接器部件的图像，负样本是不包含双套管连接器部件的图像；

C、计算样本的HOG特征，利用AdaBoost算法和支持向量机算法训练分类器，实现双套管连接器部件的准确定位；

Ca、HOG特征的提取过程：每一个检测窗口图像按空间位置被均匀分成若干个细胞单元，每个细胞单元的大小为8×8像素；对于每一个像素点I(x,y)，采用简单的一阶模板在细胞单元中计算梯度大小m(x,y)和方向θ(x,y)，

在细胞单元内，按预先设定的量化间隔统计梯度直方图，梯度方向将0°～360°分为9个方向块，每个方向块大小为20°；将每四个相邻的细胞单元按滑动的方式合并为一个块，相邻的块会有细胞单元重叠；对每一个细胞单元计算HOG积分描述子，将同一块中4个细胞单元的梯度直方图连接在一起，形成一个9×4＝36维的特征向量；为了消除光照变化带来的影响，在一个块内进行直方图归一化，如式2；

其中，ε为一个很小的常数，目的是避免分母为0；归一化后的特征向量v对应于一个块的HOG积分描述子；

Cb、AdaBoost算法中，被错分样本的权值依靠因子β_t增加，使得该样本对下一个弱分类器的影响变大；AdaBoost算法采用加权多数表决的原则，即对错误率较低的分类器赋予较高的权值，使得它们在决策中发挥更大的作用；

定位过程中，检测窗口在待检测图像表面滑动，计算窗口内图像的HOG特征，将特征向量通过级联分类器，若其中某一子分类器判定为非检测目标，则该窗口被拒绝，不进入下一个分类器的判定；如果窗口包含检测目标，则会通过每一级AdaBoost分类器，直到最后一级；

Cc、在级联的AdaBoost分类器后再级联SVM分类器，以降低误匹配率；SVM学习目标是解决训练数据集线性不可分时寻找最优分类超平面的问题，即式3中的凸二次规划问题：

D、双套管连接器的分割：

Da、为了便于分析双套管连接器大螺母的工作状态，首先通过对提取到的双套管连接器图像进行平滑滤波和增强对比度的处理，使得套管连接的平腕臂和斜腕臂的两侧边缘更接近直线段，以便于确定分割点；

Db、利用Hough变换检测直线，提取Hough矩阵中前5个灰度峰值点，取角度小于30°的峰值点的平均值作为平腕臂的两侧边缘平行线段的倾角，并将平腕臂旋转至水平方向；

Dc、选用Canny算子对旋转后的图像检测边缘，并对同一纵坐标上的像素点的灰度值累加得到统计曲线；曲线中像素累加值的两个最大值分别为平腕臂的两个边缘；根据像素累加值最大值对应的水平坐标确定平腕臂的分割直线；

Dd、将剪切后的图像根据平腕臂的倾角旋转回原来的方向；取Hough矩阵角度大于45°的峰值点的倾角平均值作为斜腕臂的倾角，并将斜腕臂旋转至竖直方向；

De、选用Canny算子对旋转后的图像检测边缘，并对同一横坐标上的像素点的灰度值累加得到统计曲线；曲线中像素累加值的两个最大值分别为斜腕臂的两个边缘；根据像素累加值最大值对应的水平坐标确定斜腕臂的分割直线；

E、六边形大螺母脱落不良状态的检测：

采用横向灰度奇异值检测的方法实现六边形螺母脱落的检测，

利用小波变换来分析信号的奇异性及奇异性位置；小波变换的模极大值点与信号的奇异性的确切关系根据Lipschitz指数判定；函数在某一点的Lipschitz指数γ表征了该点的奇异性大小；γ越大，该点平滑度就越高；反之，该点奇异性越大；

若函数f(t)在区间[t₁,t₂]中成立，k为常数，则γ值恒定；奇异点t₀的γ值小于(t₀,ρ)内其他点的γ值，当a→0时t₀处小波变换值衰减最慢，(t₀,ρ)内其他点的小波变换值不断收敛，使得t₀处小波变换值成为模极大值，从而信号的奇异性检测转变为小波变换的模极大值检测；

横向灰度值信号在突变点的奇异性通过小波变换模的局部极大值来描述；模极大值的检测过程：

1)在图像进行横向基线标定，基线上像素点与小波高斯函数卷积，进行图像的小波变换，为避免光斑的干扰，将基线设置于光斑的切线以上；

2)计算每个像素点的模值，并求出图像小波变换后的模极大值点；

3)对模极大值进行归一化处理；

4)设定阈值，去除较小的模极大值点；

5)找出模极大值区域间离散时间间距，进行相关比较分析，从而检测异常区域。