CN110853010A - 基于fwa和sm的高速铁路线缆检测方法 - Google Patents

Abstract

本发明公开了一种基于FWA和SM的高速铁路线缆检测方法，包括：基于烟花算法创建样本搜索模型；初始化采样样本参数，优化样本搜索模型参数；采用样本搜索模型搜索得到若干个候选样本，采用轮盘赌选择策略从搜索得到的若干个候选样本中随机选择其中部分候选样本，生成候选样本集；对候选样本集进行筛选，过滤背景信息；采用单纯形法对候选样本稀疏区域进行局部搜索，优化候选样本集；对优化后的候选样本集中的候选样本进行连接，完成线缆检测。本发明对于高速铁路的连接线缆实现了高效率高精度的定位检测，为线缆后期缺陷、损坏的检测完成了关键的一步。

Description

基于FWA和SM的高速铁路线缆检测方法

技术领域

本发明涉及人工智能技术领域，具体而言涉及一种基于FWA和SM的高速铁路线缆检测方法，实现复杂环境下高速铁路线缆的检测。

背景技术

高速铁路系统中设备繁多、构造复杂，随着服役时间的增加，高速设备的服役性态也在发生着变化，其中一些性能的恶化威胁着高速铁路的安全运行，因此，需要合理维护系统安全，确保其高可靠性，这对铁路的正常运输组织有着重要作用。尽管中国高速铁路系统的设计、制造和集成技术已具有世界先进水平，然而，各项系统的运营维护管理仍面临着巨大挑战。其中，系统中各路线缆的连接对高速铁路运营，具有最为直接的影响，线缆在长期服役过程中出现的性能劣化将产生严重的后果，比如发生短路、断线等线路故障。如何有效利用监测所获取的海量数据，掌握线缆故障状态和性能的劣化规律，并在此基础上开展状态维修，仍然是一个具有挑战性的亟待解决的重大现实问题。解决这种挑战性问题的有效手段是在监测数据分析的基础上,掌握线缆故障状态特征的劣化规律，并针对性地开展状态维修工作。

由于线缆的边缘特征较为明显，目前对于各种线缆的检测方案中，多数的是基于边缘检测的检测方法。例如专利号为CN109509188A的发明专利“一种基于HOG特征的输电线路典型缺陷识别方法”中提及一种输电线路典型缺陷识别方法，通过对输电线路图像预处理后进行特征提取，对提取的特征进行分析以识别输电线路图像中的各种缺陷。

然而，在高速铁路系统中，由于线缆的使用环境、列车的行驶以及日常的风吹日晒等各种原因，使得线缆与背景的像素特征几乎一样，因而拍摄的采样图像中线缆与背景的对比度低，导致线缆边缘信息丢失，线缆无法识别的现象发生。

发明内容

针对前述问题，本发明目的在于提供一种基于FWA和SM的高速铁路线缆检测方法，通过提取候选样本的特征，以面检测代替线检测；采用FWA搜索大于适应度阈值的候选样本集，相对于穷尽式的搜索，提高了效率；采用梯度计算的方式，判断是否为背景信息的干扰；当相邻候选样本的欧拉距离，大于距离阈值，则在相邻候选样本之间采用SM进行局部搜索，找出局部最优候选样本，提高了检测的精度。

为达成上述目的，结合图1，本发明提出一种基于FWA和SM的高速铁路线缆检测方法，所述检测方法包括：

S1：基于烟花算法创建样本搜索模型，所述样本搜索模型结合多点爆炸式搜索和变异搜索以实现候选样本的位置更新；

初始化采样样本参数，优化样本搜索模型参数；

S2：采用样本搜索模型搜索得到若干个候选样本，采用轮盘赌选择策略从搜索得到的若干个候选样本中随机选择其中部分候选样本，生成候选样本集；

S3：以是否含有线缆边缘信息为基准，对候选样本集进行筛选，过滤背景信息；

S4：采用单纯形法对候选样本稀疏区域进行局部搜索，优化候选样本集；

S5：对优化后的候选样本集中的候选样本进行连接，完成线缆检测。

进一步的实施例中，步骤S1中，所述初始化采样样本参数，优化样本搜索模型参数的过程包括：

S11：设置样本搜索模型的初始候选样本数num、空间维度D、迭代优化次数it；设置相似性度量阈值ρ₀；设置距离阈值f_ds；

S12：读取一帧图像的数据信息，确定选取一部分线缆图像[T_x,T_y,width,high]作为采样图像，其中，(T_x,T_y)为采样样本的左上角像素点的坐标值，width为采样样本宽度，high为采样样本高度；

S13：生成num个初始候选样本的左上角坐标位置，作为初始烟花的位置信息。

进一步的实施例中，所述初始候选样本的左上角坐标位置表示为：

x_i＝(x_i1,x_i2,...,x_ij,...x_iD)(1≤i≤num,1≤j≤D)

其中，x_i是第i个候选样本的左上角位置坐标，可得：

x_i＝(x_max-x_min)·rand(1,D)+x_min

其中，x_ij表示第i个初始样本在第j维的分量，分量的区间为[x_min,x_max]，即为搜索空间的下界和上界，rand(1,D)是由[0,1]之间的随机数组成的D维向量。

进一步的实施例中，步骤S2中，所述采用样本搜索模型搜索得到若干个候选样本的过程包括：

S21：根据样本搜索模型参数中随机产生的候选样本的左上角的位置，在各个位置上截取与采样样本大小相同的图像块作为候选样本，计算候选样本与采样样本的相似性度量值；

S22：通过模拟烟花在空中爆炸的现象进行多点同时爆炸式搜索，以及变异搜索操作，实现候选样本的位置更新；

S23：将与采样样本之间的相似性度量值大于相似度阈值的候选样本位置及相似性度量信息保存。

进一步的实施例中，步骤S21中，所述计算候选样本与采样样本的相似性度量值的过程包括：

提取候选样本的HOG特征，将它们作为随机变量，获得候选样本和采样样本之间的相似性度量值：

其中，D(·)表示方差，Cov(·)表示协方差，M代表采样样本的HOG特征，N代表候选样本的HOG特征，ρ(M,N)的取值范围是[-1,1]；当ρ(M,N)的绝对值越大，说明M与N相关度越高，候选样本和采样样本的相似性就越大，反之，则相似性就越小；

进一步的实施例中，步骤S22中，所述通过模拟烟花在空中爆炸的现象进行多点同时爆炸式搜索的过程包括：

结合每个候选样本的左上角位置坐标x_i，根据以下公式计算每个候选样本的新位置信息：

其中，S_i是产生新位置的数量，A_i是搜索步长距离，Mii和Aii是常数，用来调整新位置的数量和搜索步长；ρ_max和ρ_min分别表示候选集相似性度量值的最大值和最小值；ε是极小量。

进一步的实施例中，采用下述公式对产生新位置的数量进行限制，以确保所述新位置的产生数量保持候选样本数目的合理性：

其中，S_min是产生新位置的数量的最小阈值，S_max是产生新位置的数量的最大阈值。

进一步的实施例中，步骤S22中，所述通过模拟烟花在空中爆炸的现象进行多点同时爆炸式搜索，以及变异搜索操作，实现候选样本的位置更新的过程包括以下三个部分：

a.随机选取候选样本x_i的z(z＝1,2)个维度，结合下述公式对每一个维度的

进行位置偏移构成

即通过给

加上一个位移量h_k＝A_i·rand(-1,1)而得到新位置的坐标信息：

b.根据下述公式选取部分候选样本进行高斯变异：

依据变异后的位置坐标，形成新的候选样本集合；

c.当x_i在维度k上超出边界时，根据下述公式重新生成一个新位置：

式中，

表示第j个候选样本的第k维的值。

进一步的实施例中，步骤S2中，在每一次迭代中，采用轮盘赌的方法选择num个候选样本，进行下一次迭代，其中每个候选样本被选择的概率为：

其中，R(x_i)为当前候选样本到其他所有候选样本的距离和，若当前候选样本所处较密集区域，那么它被选择的概率就会降低。

进一步的实施例中，步骤S4中，所述采用单纯形法对候选样本稀疏区域进行局部搜索是指，将候选样本集中的相邻候选样本求欧拉距离，将之与距离阈值做比对：

(1)如果小于距离阈值则将两个相邻的候选样本相连；

(2)如果大于距离阈值，则在相邻候选样本之间采用单纯形法进行局部搜索，找出局部最优候选样本，包括以下过程：

S41：在相邻候选样本之间随机产生一个候选样本，在三个候选样本中，找出最优候选样本的左上角坐标记为P_best、次优候选样本的左上角坐标记为P_sec和最差候选样本的左上角坐标记为P_wors；

S42：依据最优点P_best，次优点P_sec，以及最差点P_wors，计算出P_best和P_sec的中心点P_cen，将它们的相似性度量值分别记为ρ(P_best)，ρ(P_sec)，ρ(P_wors)，ρ(P_cen)；

S43：求最差点P_wors的反射点为P_ref，P_ref＝P_cen+ε(P_cen-P_wors)，ε取值为1，记P_ref点处的候选样本的相似性度量值为ρ(P_ref)；

S44：将反射点处的候选样本的相似性度量值ρ(P_ref)与最优候选样本的相似性度量值ρ(P_best)进行比较：

(a)如果ρ(P_ref)＞ρ(P_best)，即反射点处的候选样本优于最优候选样本，判定反射方向正确，沿当前方向进一步进行扩张搜索，由

得到扩张点P_ext，其中

为扩张系数；

(b)如果ρ(P_ref)＜ρ(P_wors)，即反射点处的候选样本比当前的最差候选样本还要差，判定搜索方向错误，进行压缩操作，由P_con＝P_cen+ψ(P_wors-P_cen)得到压缩点P_con，其中ψ为压缩系数；

(c)：如果ρ(P_wors)＜ρ(P_ref)＜ρ(P_best)，即反射点处的候选样本的相似性度量值介于最优候选样本与最差候选样本的相似性度量值之间，判定还有进一步优化的可能，进行收缩操作，由P_shr＝P_cen-ξ(P_wors-P_cen)得到收缩点P_shr，其中ξ为收缩系数

本发明公开了一种基于FWA和SM的高铁线缆检测方法，其步骤如下：初始化采样样本参数和优化模型参数；采用FWA搜索出大于适应度阈值的候选样本集；对候选样本集中的样本进行梯度计算，检测样本集是否含有边缘信息。如果含有则保留该样本，否则丢弃该样本；计算相邻候选样本的欧拉距离，并与距离阈值相比较，如果小于距离阈值则连接两个样本，如果大于距离阈值，则在相邻候选样本之间采用SM进行局部搜索，找出局部最优候选样本，作为中间候选样本连接；本发明对于高速铁路的连接线缆实现了定位检测，为线缆后期缺陷、损坏的检测完成了关键的一步。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

(1)通过提取候选样本的特征，以面检测代替线检测。

(2)采用FWA搜索大于适应度阈值的候选样本集，相对于穷尽式的搜索，提高了效率。

(3)采用梯度计算的方式，判断是否为背景信息的干扰。

(4)当相邻候选样本的欧拉距离，大于距离阈值，则在相邻候选样本之间采用SM进行局部搜索，找出局部最优候选样本，提高了检测的精度。

(5)采用轮盘赌选择策略，避免较多的可取候选样本被错过。

(6)样本搜索模型结合多点爆炸式搜索和变异搜索以实现候选样本的位置更新，使得产生的候选样本的种类更加丰富，例如选取部分样本进行高斯变异，或对某些特殊候选样本进行特殊处理，例如对超出可行域边界范围的新的候选样本重新进行位置分配等。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的基于FWA和SM的高速铁路线缆检测方法的流程图。

图2是本发明的其中一个例子的图像处理过程示意图。

图3是本发明的相似性度量值的示意图。

图4是本发明的采用单纯形法对候选样本稀疏区域进行局部搜索的原理示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

结合图1，本发明提及一种基于FWA(烟花算法)和SM(单纯形法)的高速铁路线缆检测方法，采用FWA较强的全局探索能力和局部搜索能力，搜索出搜索空间内大于适应度阈值的候选样本集；为了筛选出候选样本集中掺杂的背景信息，对每个样本进行梯度计算，检测样本集是否含有线缆边缘信息。如果含有线缆边缘信息，则保留候选样本，否则认为是背景信息，丢弃该候选样本。由于FWA是一种随机优化算法，为了防止过多的线缆样本没有被采集到，本发明将候选样本集中的相邻样本的欧拉距离与距离阈值相比较，如果小于距离阈值则连接两个样本，如果大于距离阈值，则在相邻候选样本之间随机产生一个候选样本，在三个候选样本中，找出最优、次优和最差候选样本，采用SM进行局部搜索，找出局部最优候选样本；本发明对于高速铁路连接线缆实现了定位检测，为线缆后期缺陷、损坏的检测完成了关键的一步。图2是采用本发明所述方法对其中一帧线缆图像的处理流程示意图。

本发明提供了一种基于FWA和SM的高速铁路线缆检测方法，其步骤如下：

步骤1：初始化采样样本参数和FWA的优化模型参数。

读取一帧图像的数据信息，确定选取一部分线缆图像[T_x,T_y,width,high]作为采样图像，其中，(T_x,T_y)为采样样本的左上角像素点的坐标值，width为采样样本宽度，high为采样样本高度。设置FWA搜索机制的初始候选样本数num，空间维度D，迭代优化次数it；设置相似性度量阈值ρ₀；设置距离阈值f_ds。

步骤2：采用FWA搜索候选样本集。

将检测问题转换成模板匹配问题，就是搜索一系列的采样样本与候选样本之间相似性度量值较高的候选样本集，然而穷尽式的搜索方式，效率低、代价高，显然不是一种好的选择。FWA通过模拟烟花爆炸过程而建立数学模型，引入了选择策略和随机搜索，FWA通过信息交互过程来平衡全局探索能力与局部搜索能力，加之较强的局部爆发性使得FWA迅速发展为一种高效的群体智能优化算法。利用FWA算法的搜索以其高效的寻优方式用于模板匹配问题，可以提高其运行效率。由于FWA采用的最优解引导机制，会使得算法的收敛速度加快，为了防止较多的可取候选样本被错过，本发明中将不使用原算法中的最优解指导机制，改为全部采用轮盘赌选择策略。

依据初始化中的采样样本信息，在新的图像中搜索一系列与采样样本相似性较高的候选集，主要包括以下几个内容：

一、产生初始位置。生成num个初始候选样本的位置(初始烟花数量及位置)。设x_i＝(x_i1,x_i2,...,x_ij,...x_iD)(1≤i≤num,1≤j≤D)为第i个候选样本的左上角位置坐标，由下式产生：

x_i＝(x_max-x_min)·rand(1,D)+x_min

其中，x_ij表示第i个初始样本在第j维的分量，分量的区间为[x_min,x_max]，即为搜索空间的下界和上界，rand(1,D)是由[0,1]之间的随机数组成的D维向量(D＝2)。在各个位置上依据采样样本的大小，形成初始候选样本集X₀。

二、计算相似性度。在本发明中，提取候选样本集X₀中的每个候选样本的HOG特征，将它们作为随机变量，获得候选样本和采样样本之间的相似性度量值：

其中，D(·)表示方差，Cov(·)表示协方差，M代表采样图像的HOG特征，N代表候选样本的HOG特征，ρ(M,N)的取值范围是[-1,1]。当ρ(M,N)的绝对值越大，说明M与N相关度越高，候选样本和采样样本的相似性就越大，反之，则相似性就越小。线缆相似度图如图3所示。将相关性度量值ρ(M,N)＞ρ₀的候选样本位置及相似度量信息保存在候选集Q₀。

三、新位置的产生数量及步长计算。FWA通过模拟烟花在空中爆炸的现象来进行多点同时爆炸式搜索，需要对烟花的爆炸火花数量，爆炸半径进行计算。依据此特性，在本发明中有：

a.对每个候选样本的左上角位置坐标x_i，产生新位置的数量S_i(爆炸火花数量)以及搜索步长距离A_i(爆炸半径)如下所示：

其中，Mii和Aii是常数，用来调整新位置的数量和搜索步长；ρ_max和ρ_min分别表示候选集相似度值的最大值和最小值；ε是极小量。

b.要保持候选样本数目的合理性，采用如下式对产生新位置的数量进行限制：

四、生成新的候选样本位置。

a.随机选取候选样本x_i的z(z＝1,2)个维度，对每一个维度的

进行位置偏移构成

即通过给

加上一个位移量h_k＝A_i·rand(-1,1)而得到：

b.变异候选样本位置的产生。为了使产生的候选样本的种类更加丰富，增强全局搜索能力，选取部分样本进行高斯变异，高斯变异的位置产生：

依据变异后的位置坐标，生成与采样图像大小相同的候选样本，集合成新的候选样本集合X₁。

c.为了对超出可行域边界范围的新的候选样本重新进行位置分配，当x_i在维度k上超出边界，将重新生成一个新位置：

式中，

表示第j个候选样本的第k维的值。

五、选择新候选样本，形成样本集，进行下次迭代。

依据D.中的位置信息，产生新的候选样本集X₁，计算每个候选样本的适应度值ρ_i，如果ρ_i＞ρ₀，则将此候选样本信息保存在Q₀中。在每一次迭代中，采用轮盘赌的方法选择M个候选样本，进行下一次迭代，而被选择的概率如下：

其中，R(x_i)为当前候选样本到其他所有候选样本的距离和，即若当前候选样本所处较密集区域，那么它被选择的概率就会降低。判断是否达到迭代次数，如果达到则输出Q₀；否则，进入下次迭代，转到步骤C。

步骤3：候选样本集筛选，过滤背景信息。

对Q₀中的候选样本进行梯度计算，判断每个候选样本中是否含有线缆边缘信息，如果含有则保留该候选样本，否则舍弃。形成新的候选样本集记为Q₁。

步骤4：使用SM对候选样本稀疏的区域进行局部搜索。

将Q₁中的候选样本，求相邻点的欧拉距离f，如果小于距离阈值f_ds则将两个相邻的候选样本相连；大于距离阈值f_ds，则在相邻候选样本之间随机产生一个候选样本，并结合相邻的两个候选样本，找出最优候选样本的左上角坐标记为P_best、次优候选样本的左上角坐标记为P_sec和最差候选样本的左上角坐标记为P_wors，采用SM进行局部搜索，找出局部最优。SM算法的原理图如图4所示，SM具体可描述为：

A.初始化。在相邻候选样本之间随机产生一个候选样本，在三个候选样本中，找出最优候选样本的左上角坐标记为P_best、次优候选样本的左上角坐标记为P_sec和最差候选样本的左上角坐标记为P_wors。依据最优点P_best，次优点P_sec，以及最差点P_wors，计算出P_best和P_sec的中心点P_cen，将它们的相似度量值分别记为ρ(P_best)，ρ(P_sec)，ρ(P_wors)，ρ(P_cen)。

B.反射及扩张。求最差点P_wors的反射点为P_ref，P_ref＝P_cen+ε(P_cen-P_wors)(通常ε取值为1)，记P_ref点处的候选样本的相似度量值为ρ(P_ref)。将反射点处的候选样本的相似度量值ρ(P_ref)与最优候选样本的相似度量值ρ(P_best)进行比较，如果ρ(P_ref)＞ρ(P_best)，即反射点处的候选样本优于最优候选样本，说明反射方向正确。可沿当前方向进一步进行扩张搜索，得到扩张点P_ext，可由

得到，其中

为扩张系数，一般取值为2。

C.压缩：如果ρ(P_ref)＜ρ(P_wors)即反射点处的候选样本比当前的最差候选样本还要差，说明搜索方向错误，此时进行压缩操作，得到压缩点P_con，P_con＝P_cen+ψ(P_wors-P_cen)，通常ψ取值为0.5。

D.收缩：如果ρ(P_wors)＜ρ(P_ref)＜ρ(P_best)，即反射点处的候选样本的相似度量值介于最优候选样本与最差候选样本的相似度量值之间，说明还有进一步优化的可能，则进行收缩操作，得到收缩点P_shr，P_shr＝P_cen-ξ(P_wors-P_cen)，通常ξ取值为0.5。

步骤5：将输出的局部最优候选样本作为两个相邻候选样本的过渡候选样本，并将它们相连。

本发明的实施步骤如下：初始化采样样本参数和FWA的优化模型参数；采用FWA搜索候选样本集；对候选样本集筛选，过滤背景信息；使用SM对候选样本稀疏的区域进行局部搜索；对候选样本集的候选样本进行连接操作，完成检测。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种基于FWA和SM的高速铁路线缆检测方法，其特征在于，所述检测方法包括：

S1：基于烟花算法创建样本搜索模型，所述样本搜索模型结合多点爆炸式搜索和变异搜索以实现候选样本的位置更新；

初始化采样样本参数，优化样本搜索模型参数；

S2：采用样本搜索模型搜索得到若干个候选样本，采用轮盘赌选择策略从搜索得到的若干个候选样本中随机选择其中部分候选样本，生成候选样本集；

S3：以是否含有线缆边缘信息为基准，对候选样本集进行筛选，过滤背景信息；

S4：采用单纯形法对候选样本稀疏区域进行局部搜索，优化候选样本集；

S5：对优化后的候选样本集中的候选样本进行连接，完成线缆检测。

2.根据权利要求1所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S1中，所述初始化采样样本参数，优化样本搜索模型参数的过程包括：

S11：设置样本搜索模型的初始候选样本数num、空间维度D、迭代优化次数it；设置相似性度量阈值ρ₀；设置距离阈值f_ds；

S12：读取一帧图像的数据信息，确定选取一部分线缆图像[T_x,T_y,width,high]作为采样图像，其中，(T_x,T_y)为采样样本的左上角像素点的坐标值，width为采样样本宽度，high为采样样本高度；

S13：生成num个初始候选样本的左上角坐标位置，作为初始烟花的位置信息。

3.根据权利要求2所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，所述初始候选样本的左上角坐标位置表示为：

x_i＝(x_i1,x_i2,...,x_ij,...x_iD)(1≤i≤num,1≤j≤D)

其中，x_i是第i个候选样本的左上角位置坐标，可得：

x_i＝(x_max-x_min)·rand(1,D)+x_min

其中，x_ij表示第i个初始样本在第j维的分量，分量的区间为[x_min,x_max]，即为搜索空间的下界和上界，rand(1,D)是由[0,1]之间的随机数组成的D维向量。

4.根据权利要求1所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S2中，所述采用样本搜索模型搜索得到若干个候选样本的过程包括：

S21：根据样本搜索模型参数中随机产生的候选样本的左上角的位置，在各个位置上截取与采样样本大小相同的图像块作为候选样本，计算候选样本与采样样本的相似性度量值；

S22：通过模拟烟花在空中爆炸的现象进行多点同时爆炸式搜索，以及变异搜索操作，实现候选样本的位置更新；

S23：将与采样样本之间的相似性度量值大于相似度阈值的候选样本位置及相似性度量信息保存。

5.根据权利要求4所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S21中，所述计算候选样本与采样样本的相似性度量值的过程包括：

提取候选样本的HOG特征，将它们作为随机变量，获得候选样本和采样样本之间的相似性度量值：

其中，D(·)表示方差，Cov(·)表示协方差，M代表采样样本的HOG特征，N代表候选样本的HOG特征，ρ(M,N)的取值范围是[-1,1]；当ρ(M,N)的绝对值越大，说明M与N相关度越高，候选样本和采样样本的相似性就越大，反之，则相似性就越小。

6.根据权利要求4所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S22中，所述通过模拟烟花在空中爆炸的现象进行多点同时爆炸式搜索的过程包括：

结合每个候选样本的左上角位置坐标x_i，根据以下公式计算每个候选样本的新位置信息：

其中，S_i是产生新位置的数量，A_i是搜索步长距离，Mii和Aii是常数，用来调整新位置的数量和搜索步长；ρ_max和ρ_min分别表示候选集相似性度量值的最大值和最小值；ε是极小量。

7.根据权利要求6所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，采用下述公式对产生新位置的数量进行限制，以确保所述新位置的产生数量保持候选样本数目的合理性：

其中，S_min是产生新位置的数量的最小阈值，S_max是产生新位置的数量的最大阈值。

8.根据权利要求4所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S22中，所述通过模拟烟花在空中爆炸的现象进行多点同时爆炸式搜索，以及变异搜索操作，实现候选样本的位置更新的过程包括以下三个部分：

a.随机选取候选样本x_i的z(z＝1,2)个维度，结合下述公式对每一个维度的

进行位置偏移构成

即通过给

加上一个位移量h_k＝A_i·rand(-1,1)而得到新位置的坐标信息：

b.根据下述公式选取部分候选样本进行高斯变异：

依据变异后的位置坐标，形成新的候选样本集合；

c.当x_i在维度k上超出边界时，根据下述公式重新生成一个新位置：

式中，

表示第j个候选样本的第k维的值。

9.根据权利要求3所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S2中，在每一次迭代中，采用轮盘赌的方法选择num个候选样本，进行下一次迭代，其中每个候选样本被选择的概率为：

其中，R(x_i)为当前候选样本到其他所有候选样本的距离和，若当前候选样本所处较密集区域，那么它被选择的概率就会降低。

10.根据权利要求1所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S4中，所述采用单纯形法对候选样本稀疏区域进行局部搜索是指，将候选样本集中的相邻候选样本求欧拉距离，将之与距离阈值做比对：

(1)如果小于距离阈值则将两个相邻的候选样本相连；

(2)如果大于距离阈值，则在相邻候选样本之间采用单纯形法进行局部搜索，找出局部最优候选样本，包括以下过程：

S41：在相邻候选样本之间随机产生一个候选样本，在三个候选样本中，找出最优候选样本的左上角坐标记为P_best、次优候选样本的左上角坐标记为P_sec和最差候选样本的左上角坐标记为P_wors；

S42：依据最优点P_best，次优点P_sec，以及最差点P_wors，计算出P_best和P_sec的中心点P_cen，将它们的相似性度量值分别记为ρ(P_best)，ρ(P_sec)，ρ(P_wors)，ρ(P_cen)；

S43：求最差点P_wors的反射点为P_ref，P_ref＝P_cen+ε(P_cen-P_wors)，ε取值为1，记P_ref点处的候选样本的相似性度量值为ρ(P_ref)；

S44：将反射点处的候选样本的相似性度量值ρ(P_ref)与最优候选样本的相似性度量值ρ(P_best)进行比较：

(a)如果ρ(P_ref)＞ρ(P_best)，即反射点处的候选样本优于最优候选样本，判定反射方向正确，沿当前方向进一步进行扩张搜索，由

得到扩张点P_ext，其中为扩张系数；

(b)如果ρ(P_ref)＜ρ(P_wors)，即反射点处的候选样本比当前的最差候选样本还要差，判定搜索方向错误，进行压缩操作，由P_con＝P_cen+ψ(P_wors-P_cen)得到压缩点P_con，其中ψ为压缩系数；

(c)如果ρ(P_wors)＜ρ(P_ref)＜ρ(P_best)，即反射点处的候选样本的相似性度量值介于最优候选样本与最差候选样本的相似性度量值之间，判定还有进一步优化的可能，进行收缩操作，由P_shr＝P_cen-ξ(P_wors-P_cen)得到收缩点P_shr，其中ξ为收缩系数。

Images