CN107633266A - 一种电力机车接触网受电弓电弧检测方法 - Google Patents

Abstract

本发明公开一种电力机车接触网受电弓电弧检测方法，包括：获取电弧图像学习样本集；Adaboost级联分类器训练；采用训练后的AdaBoost级联分类器对新获取，待识别的图像进行电弧检测；使用饱和阈值对电弧检测结果进行筛选，消除弱光源干扰；进行时间连续性分析，消除灯光类光源干扰；电弧及火花的尺寸及持续时间的定量分析；进行几何不变矩特征比较，消除连续出现的相同形态光源干扰。本发明能有效对受电弓电弧进行识别分析，可快速地进行车辆维护，加强车辆故障检查和运行安全。

Description

一种电力机车接触网受电弓电弧检测方法

技术领域

本发明属于计算机数字图像处理与模式识别技术领域，特别涉及一种电力机车接触网受电弓电弧检测方法。

背景技术

随着我国电气化铁路的发展，对牵引供电系统的安全性提出了更高的要求。作为牵引供电系统重要组成部分的受电弓-接触网关系，是电气化铁路的主要供电设备，对电气化铁路运营起着极其重要的作用。在正常状态下，空气是良好的绝缘体，但如果在气体两端施加足够大的电压，空气间隙将被击穿，导致气体两端的电流导通，这种现象称为气体放电。当受电弓在接触导线上滑动受电时，由于接触导线的不平顺、接触网悬挂设备的硬点、受电弓运行时弓头的振动和接触网波动、轨道平顺度等多种因素的影响，导致弓网分离而产生的气体放电现象称为弓网电弧。列车速度越高，越容易产生弓网电弧。EN 50137:2002《轨道交通受流系统受电弓与接触网动态相互作用的测试要求和测量确认》将弓网电弧定义为：“击穿滑板(接触板)和接触线之间空气间隙的电流，通常表现为强烈放光现象”。

受电弓滑行过程中出现电弧：容易产生如下不良影响：

(1)电弧熄灭瞬间产生幅值很高的过电压，影响电力机车安全运行；

(2)烧蚀受电弓碳滑板和接触导线，缩短其使用寿命。严重时将导致接触线断线，造成行车事故；

(3)产生电磁辐射和干扰。

现有的接触网检测主要是采用人工巡检的方式，在接触网沿线布设红外测温仪，由工作人员定时检测接触网的温度，取得了一定的效果，但是这种方法不具有实时性，而且人力损耗较大，属于单点式静态检测，存在很多盲点，无法有效及时发现铁路动态运行中的隐患。

对于接触网系统中的受电弓状态检测方法主要包括入库静态检测和机载检测系统。入库静态检测要求接触网必须在受电弓检测前断电，且通常只能在机车入库停车后才能检测，不能实现受电弓的在线自动检测。在实际运作中取药投入大规模的人力、成本较高。

机载受电弓检测方法属于一种在线自动检测方法。主要包括两种方式，一种是通过在机车上安装光、电、力学等多种传感器采集受电弓位置、碳滑板损耗，以及受电弓弓头左右偏移量状态等信息对受电弓进行检测，但传感器获取的受电弓运行状态信息容易受机车运行过程中产生的振动干扰；另一种是将光纤内埋式磨损传感器嵌入受电弓滑板中，当受电弓滑板受到接触网的冲击作用而产生磨损或缺失时，传感器给出相应的磨损信号。该方法的主要缺点是对材料的要求比较高，要在受电弓滑板中内嵌传感器，材料工艺要求高，受电弓滑板材料结构的改变可能会降低受电弓的使用寿命，提高了成本。

随着监控设备成像技术的提高，近年来国内外出现了许多基于在线获取图像的接触网和受电弓检测方法。首先通过监控摄像头进行接触网和受电弓的图像采集，然后进行识别分析。

2013年10月10日公布的申请号为201310217622.5的发明专利申请，公布了一种“基于主动形状模型的受电弓自动检测方法”；该发明基于主动形状模型来完成对受电弓碳滑板厚度的线上自动定量检测，具有一定的检测分析效果，但缺陷在于，检测方法基于单幅图像分析，未充分利用受电弓系统内安装的监控摄像头所采集视频的帧间关联性，对动态运行过程中接触网和受电弓产生的电弧没有进行分析识别。

2013年1月30日公布的申请号为201210359596.5的发明专利申请，公布了一种“一种电气化铁路接触网电弧捕捉及定位方法”，该发明集成高精度GPS/IMU定位定向装置和高速数码成像设备对电气化铁路接触网电弧捕捉及定位。该发明方法包括：基于高精度GPS/IMU定位定向技术和高速数码成像技术的电气化铁路接触网电弧捕捉及定位方法。该方法采用高速数码成像设备，聚焦与电力机车受电弓与接触网触电位置，连续记录拍摄运动中的影像，但是缺少关键的电弧分析方法，并且高速数码成像设备尤其是热红外高速数码成像设备价格昂贵，不属于电力机车的受电弓监控系统配套设备，实际应用具有很大局限性。

AdaBoost算法是一种分类器算法，是由Freund和Schapire在1995年提出的，详见文献：Freund,Y.and Schapire,R.E.1995.A Decision-Theoretic Generalization ofOn-Line Learning and an Application to Boosting.In computational LearningTheory:Eurocolt 95,Springer-Verlag,pp.23-27.其基本思想是利用大量的分类能力一般的弱分类器(weaker classifier)通过一定方法组合(boost)起来，构成一个分类能力很强的强分类器。理论证明，只要每个简单分类器分类能力比随机猜测要好，当简单分类器趋向于无穷时，强分类器的错误率将趋于零。

LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T.Ojala,和D.Harwood在1994年提出，用于纹理特征提取。

几何矩是由Hu(Visual pattern recognition by moment invariants)在1962年提出的，具有平移、旋转和尺度不变性。在图像处理中，几何不变矩可以作为一个重要的特征来表示物体，可以据此特征来对图像轮廓进行相似度比较。

发明内容

本发明的目的在于提供一种电力机车接触网受电弓电弧检测方法，在机车正常行驶过程中，能够对电弧进行检测记录及报警，以解决上述现有技术的不足。

为了实现上述目的，本发明采用如下技术方案：

本发明提供一种电力机车接触网受电弓电弧检测方法，包括以下步骤：

步骤1：获取电弧及电火花学习样本集；

步骤2：Adaboost级联分类器训练；

步骤3：采用AdaBoost级联分类器对新获取，待识别的图像进行电弧及电火花检测；

步骤4：使用饱和阈值对电弧检测结果进行筛选，消除弱光源干扰；

步骤5：对步骤4结果进行尺寸及时间连续性定量分析，消除灯光类光源干扰；

步骤6：对步骤5结果进行几何不变矩特征比较，消除连续出现的相同形态光源干扰。

进一步的，步骤1中获取电弧及电火花图像学习样本集为AdaBoost学习样本集：用于训练AdaBoost级联分类器，包括正样本和负样本；正样本包含待检测的电弧及电火花目标，且正样本归一化为同一尺寸；负样本中不包含电弧及电火花，图像尺寸大于正样本。

进一步的，步骤2中AdaBoost级联分类器训练，具体步骤是：

2.1)、LBP特征的计算，如图3所示，对图像的每个像素取其8邻域，和中心像素比较，当邻域内的像素点值大于中心像素时，以二进制的1替代，小于中心像素值时以0替代，则该8邻域的二进制值构成八位二进制数，将其转化为十进制数，即为中心像素的LBP特征值。

2.2)、强分类器训练，基于步骤1采集的AdaBoost正样本和负样本集，采用AdaBoost算法训练多个弱分类器，并线性加权组成强分类器，具体训练过程描述为：

2.2.1)电弧及电火花正样本和负样本集为：(x₁,y₁),(x₂,y₂),…(x_i,y_i),…,(x_n,y_n),其中x_i表示第i个样本，y_i＝0时表示x_i为负样本(非电弧或电火花)，y_i＝1时表示x_i为正样本(电弧及电火花)。n为正样本和负样本总数；

2.2.2)初始化权重：对于正样本w_i＝1/2l，l为正样本个数；对于负样本：w_i＝1/2m,m为负样本个数；

2.2.3)当t＝1,...,T，进行如下迭代处理：

2.2.3.1)权重W_ij归一化：

2.2.3.2)对每个特征f,训练一个弱分类器h(x,f,p,θ)，并计算该弱分类器的加权错误率，找出一个具有最小错误率ε_i的弱分类器作为最优弱分类器：

其中，子窗口图像x，特征f，指示不等号方向的p和分类器阈值θ组成弱分类器。P的作用是控制不等式的方向，使得不等式都是<号，形式方便。

2.2.3.3)权重更新:

其中,e_i＝0表示样本x_i检测正确,e_i＝1表示样本检测错误。

2.3)最终的强分类器:

其中,

其中，t代表迭代次数，T为预设值。

步骤2中，由多个强分类器，组成级联分类器，具体步骤是：

(1)确定每层，即每个强分类器的最大误识别率(false position rate)f,最小要达到的检测率(detection rate)d；

(2)指定最终级联分类器的误识率为F_target；

设P代表正样本集，N代表负样本集，初始误识率F₀＝1.0，初始检测率D₀＝1.0,i＝0；

(3)当F_i＞F_target，进行如下处理：

i＝i+1；

n_i＝0；F_i＝F_i-1；

当F_i＞f×F_i-1，进行如下处理：

●n_i＝n_i+1；

●利用AdaBoost算法在P和N上训练具有n_i个特征数(弱分类器)的强分类器；

●衡量当前级联分类器误识率F_i和检测率D_i；

●第i层的强分类器阈值，直到当前级联分类器的检测率达到d×D_i-1；

将负样本集N设置为空集；

利用当前的级联分类器检测电弧负样本图像，将误识的图像放入负样本集N。

进一步的，步骤3采用AdaBoost级联分类器对新获取，待识别的图像进行电弧检测，具体采用多尺度检测机制对电弧或电火花进行检测，步骤是：

3.1)初始化检测窗口，大小与级联分类器训练采用的正样本一致，对输入图像进行多种规模的、各个位置的窗口检测：

3.2)等比放大检测窗口，以检测不同大小的子图像；

3.3)区域合并：将同一受电弓在不同的尺度和邻近位置上检测到多次结果进行合并，得到合适的电弧位置

进一步的，步骤4采用阈值筛选，首先将检测结果进行转化为灰度图像，然后以254作为阈值进行二值化处理，统计非零像素(即饱和像素)数量，对数量不满足尺寸需求的结果筛除。

进一步的，步骤5采用时间连续性筛选，根据电弧或电火花的时间连续性特征进行干扰光源结果筛除，根据实验测试结果，电弧或电火花为间隔闪烁出现，当采样视频fps为30时，每个肉眼可分辨的电弧或电火花的最大连续持续帧数不超过5帧，而灯光或其他反射光源的最大连续持续帧数通常超过5帧，因此这一特征可用来消除部分光源误检。步骤如下：

5.1)在第一帧检测电弧结果，计数器开始计数，并保存每个结果而不输出；

5.2)后续帧检测到结果时，计数器累加；

5.3)出现无检测结果的帧时，计数器分析，当计数大于阈值5时，对计数过程的结果清空，小于时，满足电弧时间持续性特征，并比较结果的尺寸，在连续结果中取电弧或火花面积最大的作为显著结果图像，输出此结果。

进一步的，步骤6采用几何不变矩特征比较，对同形态干扰光源结果进行消除。步骤包括：

6.1)将步骤5检测结果在步骤4得到的二值化处理结果提取轮廓；

6.2)计算二阶和三阶归一化中心矩构造的7个不变矩：

hu[0]＝η₂₀+η₀₂

hu[2]＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

hu[3]＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

hu[4]＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

hu[5]＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

hu[6]＝(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]-(η₃₀-3η₁₂)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

6.3)计算轮廓相似度：

其中，和为A、B两幅图像的不变矩。

轮廓越相似，则相似度值越小，当小于阈值时，则检测结果作为连续干扰被消除。

相对于现有技术，本发明具有以下有益效果：本发明一种电力机车接触网受电弓电弧检测方法：通过受电弓在线拍照系统采集若干电弧图像，组成电弧故障图像学习样本集；基于样本训练学习生成电弧训练模型和Adaboost级联分类器；采用Adaboost级联分类器对新获取、待识别的图像进行电弧检测；结合电弧检测结果和形态学特征消除“类电弧”故障，最后通过连续帧“类电弧”结果进行时域分析，精确识别电弧结果。本发明能有效对受电弓电弧进行识别分析，可快速地进行车辆维护，加强车辆故障运行安全。

附图说明

图1是本发明实施例的基于AdaBoost和电弧形态学及时间连续性分析的方法流程图；

图2是AdaBoost学习样本集(部分；左为正样本，右为负样本)；

图3是检测电弧的LBP特征提取方式示意图；

图4是电弧检测结果图；

图5为电弧二值化处理及轮廓提取示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施列用于说明本发明，但不用来限制本发明的范围。

如图1所示，是本发明一种电力机车接触网受电弓电弧检测方法的方法流程图，本实例包括如下步骤：

步骤1，获取电弧及电火花学习样本集：

本实施例电弧及电火花样本集为AdaBoost学习样本集，用于训练AdaBoost级联分类器。具体通过安装于电力牵引车接触网上方的受电弓在线拍照系统采集若干电弧及电火花图像，形成电弧及电火花图像学习样本集。其中，AdaBoost学习样本集包括正样本和负样本，正样本数据量为1572，负样本为2638，图2是部分AdaBoost学习样本集。正样本中必须包含待检测的电弧及电火花目标，且正样本归一化为统一大小，本实例采用坐标标注，归一化为20*20；负样本中不包含电弧或电火花，图像尺寸不小于正样本。

步骤2：AdaBoost级联分类器训练；

本实例AdaBoost级联分类器训练步骤是：

通过AdaBoost学习样本集，采用AdaBoost算法训练多个弱分类器，并线性加权成强分类器。

由多个强分类器，组成级联分类器，每个强分类器的最大误识率(false positiverate)f，最小要达到的检测率(detection rate)d；可以设定误识率为0.5，检测率>0.95；

步骤3：采用AdaBoost级联分类器对新获取，待识别的图像进行电弧及电火花检测；

本实例采用多尺度检测机制对电弧及电火花进行检测，步骤是：

1)初始化检测窗口，大小与级联分类器采用的正样本一致，对输入图像进行滑动窗检测；

2)等比1.1倍放大检测窗口，以检测不同大小的子图像；

3)区域合并：将同一电弧在不同的尺度和邻近的位置上检测到的结果进行合并，得到电火花位置，如图4所示。

步骤4：如图5结果所示，采用阈值筛选，首先将检测结果转化为灰度图像，然后以254作为阈值进行二值化处理(小于等于254的像素值转化为0，大于254的像素值转化为1)，统计非零像素(即饱和像素)数量，对饱和像素数量小于20的检测结果筛除。

步骤5：采用时间连续性筛选，根据电弧或电火花的时间连续性特征进行干扰光源结果筛除，步骤如下：

1)在第一帧检测电弧结果，计数器开始计数，并保存每个结果而不输出；

2)后续帧检测到结果时，计数器累加；

3)出现无检测结果的帧时，计数器分析，当计数大于阈值(一般取5～10)时，对计数过程的结果清空，小于阈值时，满足电弧时间持续性特征，比较结果的尺寸，取电弧序列帧中尺寸最大帧，作为输出或保存的结果。

步骤6：如图5，采用几何不变矩特征比较，对同形态干扰光源结果进行消除。步骤包括：

1)将步骤5检测结果在步骤4得到的二值化处理结果提取轮廓；

2)计算二阶和三阶归一化中心矩构造的7个不变矩：

hu[0]＝η₂₀+η₀₂

hu[2]＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

hu[3]＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

hu[4]＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

hu[5]＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

hu[6]＝(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]-(η₃₀-3η₁₂)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

Hu[i]即为7个不变矩，η的下标pq为图像p+q阶几何矩(标准矩)；

3)计算轮廓相似度：

其中，和为A、B两幅图像的不变矩。轮廓越相似，则相似度值越小，当小于阈值0.3时，则检测结果作为连续干扰被消除。

实验结果表明，通过本技术方案，可以对复杂背景下，随机出现的电弧和电火花作出精确的捕获和定位，达到大于25帧每秒的检测速度，大于80％的检出率(检出电弧数量/实际电弧数量)和小于25％的拒识率(误检结果/全部检出结果)。相比现有方法，本发明不但具有较高的识别精确率，同时增强了算法的鲁棒性，实现了电弧的实时捕获分析。

本发明跳出了传统的离线静态图像分析，能够在运行中实时处理捕获电弧和电火花，提出一种全新的基于AdaBoost和电弧形态学及时间连续性分析的方法。可以在电车行驶过程中实时监测，捕获并分析，可以提高列车运行的安全可靠性，节约人力分析检测成本。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以提出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (7)

1.一种电力机车接触网受电弓电弧检测方法，其特征在于，包括以下步骤：

步骤1：获取电弧及电火花学习样本集；

步骤2：Adaboost级联分类器训练；

步骤3：采用AdaBoost级联分类器对新获取，待识别的图像进行电弧及电火花检测；

步骤4：使用饱和阈值对电弧检测结果进行筛选，消除弱光源干扰；

步骤5：对步骤4结果进行尺寸及时间连续性定量分析，消除灯光类光源干扰；

步骤6：对步骤5结果进行几何不变矩特征比较，消除连续出现的相同形态光源干扰。

2.根据权利要求1所述的一种电力机车接触网受电弓电弧检测方法，其特征在于，步骤1中获取电弧及电火花图像学习样本集为AdaBoost学习样本集：用于训练AdaBoost级联分类器，包括正样本和负样本；正样本包含待检测的电弧及电火花目标，且正样本归一化为同一尺寸；负样本中不包含电弧及电火花，图像尺寸大于正样本。

3.根据权利要求1所述的一种电力机车接触网受电弓电弧检测方法，其特征在于，步骤2采用AdaBoost算法训练多个弱分类器，并线性加权成强分类器；由多个强分类器，组成级联分类器。

4.根据权利要求1所述的一种电力机车接触网受电弓电弧检测方法，其特征在于，步骤3：采用AdaBoost级联分类器对新获取，待识别的图像进行电弧及电火花检测，包括：

3.1)初始化检测窗口，大小与级联分类器采用的正样本一致，采用滑动窗在图像输入内检测；

3.2)等比放大检测窗口，以检测不同大小的子图像；

3.3)区域合并：将同一电弧在不同的尺度和邻近的位置上检测到的结果进行合并，得到电火花位置。

5.根据权利要求1所述的一种电力机车接触网受电弓电弧检测方法，其特征在于，步骤4采用阈值筛选，首先将检测结果进行转化为灰度图像，然后以254作为阈值进行二值化处理，统计非零像素数量，对饱和像素数量小于20的检测结果筛除。

6.根据权利要求1所述的一种电力机车接触网受电弓电弧检测方法，其特征在于，步骤5采用时间连续性筛选，根据电弧或电火花的时间连续性特征进行干扰光源结果筛除，步骤如下：

5.1)在第一帧检测电弧结果，计数器开始计数，并保存每个结果而不输出；

5.2)后续帧检测到结果时，计数器累加；

5.3)出现无检测结果的帧时，计数器分析，当计数大于阈值时，对计数过程的结果清空，小于阈值时，满足电弧时间持续性特征，比较结果的尺寸，取电弧序列帧中尺寸最大帧，作为输出或保存的结果。

7.根据权利要求1所述的一种电力机车接触网受电弓电弧检测方法，其特征在于，步骤6采用几何不变矩特征比较，对同形态干扰光源结果进行消除，步骤包括：

6.1)将步骤5检测结果在步骤4得到的二值化处理结果提取轮廓；

6.2)计算二阶和三阶归一化中心矩构造的7个不变矩：

hu[0]＝η₂₀+η₀₂

<mrow> <mi>h</mi> <mi>u</mi> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;eta;</mi> <mn>20</mn> </msub> <mo>-</mo> <msub> <mi>&amp;eta;</mi> <mn>02</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mn>4</mn> <msubsup> <mi>&amp;eta;</mi> <mn>11</mn> <mn>2</mn> </msubsup> </mrow>

hu[2]＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

hu[3]＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

hu[4]＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

hu[5]＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

hu[6]＝(3η₂₁-η₀₃)(η₂₁η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]-(η₃₀-3η₁₂)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

Hu[i]为7个不变矩，η的下标pq为图像p+q阶几何矩；

6.3)计算轮廓相似度：

<mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>,</mo> <mi>B</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1...7</mn> </mrow> </munder> <mo>|</mo> <mrow> <mfrac> <mn>1</mn> <msubsup> <mi>m</mi> <mi>i</mi> <mi>A</mi> </msubsup> </mfrac> <mo>-</mo> <mfrac> <mn>1</mn> <msubsup> <mi>m</mi> <mi>i</mi> <mi>B</mi> </msubsup> </mfrac> </mrow> <mo>|</mo> </mrow>

其中， 和为A、B两幅图像的不变矩；轮廓越相似，则相似度值越小，当小于阈值时，则检测结果作为连续干扰被消除。