CN114066895B

CN114066895B - 一种受电弓滑板的检测方法及装置

Info

Publication number: CN114066895B
Application number: CN202210051775.6A
Authority: CN
Inventors: 罗文成; 左超华; 杜高峰; 熊仕勇
Original assignee: Changzhou Luhang Railway Transportation Technology Co ltd
Current assignee: Changzhou Luhang Railway Transportation Technology Co ltd
Priority date: 2022-01-18
Filing date: 2022-01-18
Publication date: 2022-05-03
Anticipated expiration: 2042-01-18
Also published as: CN114066895A

Abstract

本发明公开了一种受电弓滑板的检测方法及装置，本发明可实时获取受电弓滑板的图像，并基于图像识别，识别出图像中受电弓滑板的上下边缘，从而得出受电弓滑板的真实轮廓，由此，即可根据该真实轮廓准确的得出受电弓滑板的异常磨损情况；通过上述设计，本发明无需采用人为经验判断受电弓滑板是否存在异常，不仅提高了检测的准确率以及效率，还可在列车运行过程中对受电弓滑板进行实时监测，以便根据检测结果进行报警提示，从而有效防止列车行车安全事故的发生。

Description

一种受电弓滑板的检测方法及装置

技术领域

本发明属于列车受电弓检测技术领域，具体涉及一种受电弓滑板的检测方法及装置。

背景技术

近年来，城轨列车由于其快速安全、舒适节能的特点，在我国得到了飞速发展；城轨列车依靠其顶部安装的受电弓装置与铁路沿线布置的接触网滑动接触受流获取电能，为列车运行提供基础动能；但是，随着列车运行负载的加重、运行里程的增加以及运行速度的提升，受电弓容易出现异常撞击和/或磨损等故障缺陷；据统计，在我国电气化铁路停电和停运等严重事故中，弓网事故占总事故的80%左右；因此，及时检测出受电弓的故障，保证弓网正常运行对列车安全运行具有重大意义。

目前的受电弓故障检测方法大多需要将列车驶进机务段，停车、降弓、断电后，由现场工程师进行登顶查看，凭借其丰富的从业经验判定受电弓是否存在故障，是否能够支撑继续运营，此种方法具有很强的主观性，对现场工程师的经验积累要求较高，且属于高空危险作业，对作业人员的生命安全存在隐患，同时，由于测量次数受限，因而还存在误判、漏判等安全问题，对受电弓异常情况的监控力度不够，由此，前述方法不仅存在工作量大、效率低、以及具有安全隐患的问题，而且不能够检测列车在运行过程中受电弓的真实工作状态。

同时，随着监控技术的不断发展，车载式的受电弓图像监测装置的运用也越来越广泛，其大多是安装在运营列车上，利用远程无线的定点监测系统对受电弓的情况进行拍摄和录像，然后把数据远程传输回来，由相关技术人员再通过观察图片和回放录像对受电弓的情况进行判断，此种方法存在以下不足：其也是由人员依据经验进行判断，容易出现误判的问题，且相关人员对所摄图像进行离线分析，分析结果无法及时传递给车载装置指导作业人员决策，为列车安全稳定运行埋下了安全隐患；因此，提供一种无需人为判断、效率高、准确率高以及可实时进行受电弓异常检测的检测方法迫在眉睫。

发明内容

本发明的目的是提供一种受电弓滑板的检测方法及装置，以解决现有的采用人为经验判断所存在的工作量大、效率低和不能检测列车在运行过程中受电弓的真实工作状态，以及采用车载式的受电弓图像监测装置所存在的容易出现误判的问题。

为了实现上述目的，本发明采用以下技术方案：

第一方面，本发明提供了一种受电弓滑板的检测方法，包括：

获取待检测图像，其中，所述待检测图像的覆盖区域为列车受电弓滑板所在的区域；

从所述待检测图像中，提取出仅包含受电弓滑板的图像区域，得到受电弓滑板图像；

利用霍夫变换算法对所述受电弓滑板图像进行边缘检测，得到受电弓滑板的下边缘；

以所述受电弓滑板的下边缘为起点，并利用区域生长法对所述受电弓滑板图像进行图像分割，得到所述受电弓滑板的上边缘；

根据所述受电弓滑板的下边缘以及上边缘，得到所述受电弓滑板的轮廓图像；

根据所述轮廓图像，得到所述受电弓滑板的磨耗检测结果；

利用霍夫变换算法对所述受电弓滑板图像进行边缘检测，得到受电弓滑板的下边缘，包括：

利用霍夫变换算法检测出所述受电弓滑板图像中的目标直线，其中，所述目标直线为所述受电弓滑板图像中法向角小于预设角度的直线，且法向角为直线与水平面法线之间的夹角；

从所述目标直线中，筛选出第一直线以及第二直线，其中，所述第一直线为长度最长的目标直线，所述第二直线为长度仅小于所述第一直线的目标直线；

根据所述第一直线和所述第二直线，得到所述受电弓滑板的下边缘。

基于上述公开的内容，本发明可实时获取受电弓滑板的图像，并基于图像识别，识别出图像中受电弓滑板的上下边缘，从而得出受电弓滑板的真实轮廓，由此，即可根据该真实轮廓准确的得出受电弓滑板的异常磨损情况；通过上述设计，本发明无需采用人为经验判断受电弓滑板是否存在异常，不仅提高了检测的准确率以及效率，还可在列车运行过程中对受电弓滑板进行实时监测，以便根据检测结果进行报警提示，从而有效防止列车行车安全事故的发生。

在一个可能的设计中，利用霍夫变换算法检测出所述受电弓滑板图像中的目标直线，包括：

以第一角度为起点，并按照预角度间隔进行角度取值，直到达到第二角度为止，以得到多个检测角度，其中，所述第一角度的值为预设角度与90°的差值的绝对值，所述第二角度为预设角度与90°的和；

获取所述受电弓滑板图像中像素值大于0的所有像素点的像素坐标；

根据所述像素坐标以及所述多个检测角度，计算出所述多个检测角度中每个检测角度相对于每个像素坐标的检测值；

在每个检测角度相对于每个像素坐标的检测值中，统计出相同检测值的个数，并判断每个相同检测值的个数是否大于预设阈值；

若是，则将每个相同检测值对应的像素坐标作为组成法向角为第三角度的目标直线的点的坐标，且所述第三角度为每个相同检测值对应的检测角度；

利用最小二乘法对每个相同检测值对应的像素坐标进行线性拟合，得到所述目标直线。

基于上述公开的内容，在受电弓图像中确定目标直线的具体方法为：设置一预设角度，从而确定目标直线的检测角度范围，即在第一角度与第二角度之间，然后按照预设角度间隔进行取值，从而得到多个检测角度，接着获取受电弓滑板图像中像素值大于0的像素点的坐标，并基于霍夫变换算法，计算每个检测角度相对于每个坐标的检测值，最后，在多个检测值中，统计出相同检测值的个数，检测值相同，则说明该检测值对应的像素坐标在同一条直线上，由此，则只需要判断各个相同检测值的个数是否大于预设阈值，若是，则将各个相同检测值对应的像素坐标作为组成各个目标直线的点（如检测值为5的个数大于预设阈值，其对应有4个坐标，且对应的检测角度为2度，那么该4个坐标就为组成法向角为2度所对应的目标直线的点的坐标），最后，通过对各个相同检测值对应的像素坐标进行线性拟合，即可得出多条直线，从而组成目标直线。

在一个可能的设计中，根据所述像素坐标以及所述多个检测角度，计算出所述多个检测角度中每个检测角度相对于每个像素坐标的检测值，包括：

按照如下公式计算每个检测角度相对于每个像素坐标的检测值

：

上述式中，

和

分别表示像素值大于0的像素点的横坐标和纵坐标，

表示第

个检测角度，

表示按四舍五入准则的取整运算。

在一个可能的设计中，根据所述第一直线和所述第二直线，得到所述受电弓滑板的下边缘，包括：

在所述第一直线和所述第二直线中，选取出纵向高度最高的直线，作为所述受电弓滑板的下边缘，其中，所述纵向高度为组成对应直线的所有像素坐标中纵坐标的均值。

基于上述公开的内容，本发明公开了确定受电弓滑板下边缘的具体方法，即第一直线和第二直线表示的为受电弓滑板托架的上下边缘，因此，根据前述两条直线的纵向高度，即可确定出哪条直线为受电弓滑板托架的上边缘，而受电弓滑板托架的上边缘则代表受电弓滑板的下边缘，因此，只需计算组成直线的所有像素点的纵坐标之间的均值，并根据均值的大小，即可在两条直线中确定出受电弓滑板的下边缘。

在一个可能的设计中，以所述受电弓滑板的下边缘为起点，并利用区域生长法对所述受电弓滑板图像进行图像分割，得到所述受电弓滑板的上边缘，包括：

a. 以所述受电弓滑板的下边缘的起点为滑动起点，沿垂直向上的方向，多次滑动邻域窗口，并计算每次滑动后的邻域窗口内的灰度均值，得到第一邻域窗口，以将第一邻域窗口内的中心坐标作为下边缘起点对应的上边缘像素点的坐标，其中，所述第一邻域窗口为每次滑动后的邻域窗口中灰度均值最大的邻域窗口；

b. 以第一邻域窗口内的中心坐标为生长起点，沿水平向右的方向移动一个像素点，并沿垂直方向滑动邻域窗口，以得到移动后的像素点的邻域窗口；

c. 计算移动后的像素点的邻域窗口内的灰度均值，并判断移动后的像素点的邻域窗口内的灰度均值与所述第一邻域窗口的灰度均值之间的差值是否小于预设阈值；

d. 若是，则将移动后的像素点合并至目标邻域窗口内，得到第二邻域窗口，其中，所述目标邻域窗口为移动后的像素点对应的邻域窗口；

e. 沿垂直方向继续滑动所述邻域窗口，并在每次滑动后，重复步骤c和d，直至差值不小于预设阈值为止，以将第二邻域窗口内的中心坐标作为移动后的像素点对应的上边缘像素点的坐标；

f. 以第二邻域窗口内的中心坐标为生长起点，重复前述步骤b～e，直至移动到所述受电弓滑板的下边缘的终点为止，以得到多个上边缘像素点的坐标；

g. 利用所述多个上边缘像素点的坐标，得到所述受电弓滑板的上边缘。

基于上述公开的内容，本发明采用区域生长法计算受电弓滑板的上边缘，生长过程为：以受电弓滑板的下边缘的起点为滑动起点（可通俗的认为下边缘的左端点），沿垂直向上的移动方向多次滑动邻域窗口，以在多次滑动后的邻域窗口中选择出生长起点（即各个滑动后的灰度均值最大的邻域窗口的中心坐标作为生长起点）；在得到生长起点后，即可沿水平向右的像素点移动方向，以及沿垂直方向的窗口移动方向，并以邻域窗口内的灰度均值作为生长准则来进行上边缘的计算，其实质为：在每移动一个像素点时，在竖直方向进行合并生长时，并在竖直方向上生长停止时，都会得到该像素点对应的上边缘像素点坐标，由此，当从下边缘的起点移动到终点时，即可得到多个上边缘像素点坐标，从而利用该多个上边缘像素点坐标组成一条曲线，而该曲线则为受电弓滑板的上边缘。

在一个可能的设计中，在以所述受电弓滑板的下边缘为起点，并利用区域生长法对所述受电弓滑板图像进行图像分割，得到所述受电弓滑板的上边缘前，所述方法还包括：

获取所述受电弓滑板的下边缘与水平方向的夹角；

根据所述夹角，对所述受电弓滑板图像进行旋转矫正，以将所述受电弓滑板的下边缘矫正到水平方向上。

基于上述公开的内容，由于待检测图像在拍摄时，不能保证一定为水平的，因此，在进行图像分割前，需要对图像进行水平矫正，以保证分割的精确度，从而保证上边缘划分的准确度。

在一个可能的设计中，在利用霍夫变换算法对所述受电弓滑板图像进行边缘检测，得到所述受电弓滑板的下边缘前，所述方法还包括：

将所述受电弓滑板图像转换为灰度图像；

对所述灰度图像进行像素扩展，得到扩展后的图像；

获取边缘检测算子，并采用如下公式计算边缘检测算子与所述扩展后的图像中每个像素点的相关像素点；

上述式中，

为边缘检测算子，且

，

表示扩展后的图像，

分别表示扩展后的图像中像素点的横坐标和纵坐标，

边缘检测算子中的行数和列数，

则为

对应的相关像素点；

利用边缘检测算子与所述扩展后的图像中每个像素点的相关像素点，得到相关图像；

获取灰度阈值，根据所述灰度阈值对所述相关图像进行二值化处理，得到二值化图像，以便利用霍夫变换算法对所述二值化图像进行边缘检测，得到所述受电弓滑板的下边缘。

基于上述公开的内容，本发明在进行下边缘检测前，先将图像变为灰度图像，然后再进行二值化处理，可减少图像中的噪声，从而更加有利于下边缘的检测。

在一个可能的设计中，根据所述轮廓图像，得到所述受电弓滑板的磨耗检测结果，包括：

根据所述轮廓图像，得出所述轮廓图像中上边缘和下边缘之间的垂直像素距离；

判断所述垂直像素距离是否小于预设厚度值；

若是，则判定所述受电弓滑板磨耗异常。

基于上述公开的内容，通过计算轮廓图像的上边缘与下边缘之间的垂直距离，可将该距离作为受电弓滑板的剩余厚度，将其与预设厚度值进行比较，即可判定出受电弓滑板是否磨耗异常。

第二方面，本发明提供了一种受电弓滑板的检测装置，包括：

图像获取单元，用于获取待检测图像，其中，所述待检测图像的覆盖区域为列车受电弓滑板所在的区域；

图像提取单元，用于从所述待检测图像中，提取出仅包含受电弓滑板的图像区域，得到受电弓滑板图像；

边缘检测单元，用于利用霍夫变换算法对所述受电弓滑板图像进行边缘检测，得到所述受电弓滑板的下边缘；

边缘检测单元，还用于以所述受电弓滑板的下边缘为起点，并利用区域生长法对所述受电弓滑板图像进行图像分割，得到所述受电弓滑板的上边缘；

轮廓确定单元，用于根据所述受电弓滑板的下边缘以及上边缘，得到所述受电弓滑板的轮廓图像；

磨耗检测单元，用于根据所述轮廓图像，得到所述受电弓滑板的磨耗检测结果；

边缘检测单元，具体用于利用霍夫变换算法检测出所述受电弓滑板图像中的目标直线，其中，所述目标直线为所述受电弓滑板图像中法向角小于预设角度的直线，且法向角为直线与水平面法线之间的夹角；

边缘检测单元，具体用于从所述目标直线中，筛选出第一直线以及第二直线，其中，所述第一直线为长度最长的目标直线，所述第二直线为长度仅小于所述第一直线的目标直线；

边缘检测单元，还具体用于根据所述第一直线和所述第二直线，得到所述受电弓滑板的下边缘。

第三方面，本发明提供了另一种受电弓滑板的检测装置，以装置为计算机主设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述受电弓滑板的检测方法。

第四方面，本发明提供了一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述受电弓滑板的检测方法。

第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述受电弓滑板的检测方法。

附图说明

图1为本发明提供的受电弓滑板检测系统的架构示意图；

图2为本发明提供的受电弓滑板的检测方法的步骤流程示意图；

图3为本发明提供的受电弓滑板的检测方法的流程框图；

图4为本发明提供的待检测图像的效果示意图；

图5为本发明提供的受电弓滑板图像的效果示意图；

图6为本发明提供的受电弓滑板边缘检测的效果示意图；

图7为本发明提供的受电弓滑板上边缘和下边缘的效果示意图；

图8为本发明提供的受电弓滑板的轮廓图像；

图9为本发明提供的受电弓滑板的检测装置的结构示意图；

图10为本发明提供的计算机主设备的结构示意图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

实施例

如图1所示，为本申请提供一种系统架构，该系统可直接布置在列车上，并在列车运行过程中，使用本申请所提供方法对受电弓滑板进行在线检测，具体应用时，该系统可以但不限于包括车顶装置以及车内装置，其中，车顶装置包括：相机、处理器（可采用英伟达（NVIDIA）公司的Jetson AGX Xavier嵌入式图像处理平台，集成ARMv8处理器，支持GPU(graphics processing unit，图像处理)运算）、补光灯以及车顶电源，而车内装置则包括：显示器、车载主机、报警提示器以及车内电源，车顶电源为相机处理器以及补光灯提供电能，补光灯照射受电弓区域，增加环境亮度，为相机在采集受电弓滑板区域的图像时进行补光，以保证拍摄图像的清晰度，相机（为高清工业相机）则用于拍摄车顶受电弓滑板图像，以得到待检测图像，处理器与相机通信连接，用于获取该待检测图像，并使用本申请所提供的方法对待检测图像中的受电弓滑板进行磨耗检测，从而得出检测结果；同时，处理器与车载主机相连，从而将检测结果发送至车载主机，且车载主机与报警提示器相连，用于在检测出受电弓滑板磨耗异常时，进行报警提示，当然，车内各设备则通过车内电源进行供电，且还可将受电弓滑板检测数据通过显示器进行实时展示，以便工作人员查看；由此，本系统的设置，可在列车运行过程中对受电弓滑板进行实时监测，以便根据检测结果进行报警提示，从而有效防止列车行车安全事故的发生。

如图2和图3所示，本实施例所提供的受电弓滑板的检测方法，适用于各个列车的受电弓滑板的磨耗检测，该方法无需采用人工判断，不仅提高了检测的准确率，还提高了检测的效率，并可在列车运行时进行实时检测，从而在异常时进行报警提示，有效防止列车行车安全事故的发生，具体应用时，该方法可以但不限于包括如下步骤S1～S6。

S1. 获取待检测图像，其中，所述待检测图像的覆盖区域为列车受电弓滑板所在的区域。

步骤S1则是获取列车车顶的受电弓滑板所在区域的图像，从而以该图像为基础，进行图像识别，以便后续对图像中的受电弓滑板进行磨耗检测；具体应用时，可由安装在车顶的工业高清相机拍摄获取，可拍摄一张图像，也可拍摄一段视频，然后对该视频进行逐帧处理，得到多张图像，从而作为待检测图像，在实时得到列车车顶的受电弓滑板所在区域的图像后，即可在图像中提取出仅包含受电弓滑板的区域，以便后续进行滑板磨耗检测，如图4所示，图4中的黑色方框则表示的为受电弓滑板，即要提取出黑色方框内的图像，具体过程如下述步骤S2所示。

S2. 从所述待检测图像中，提取出仅包含受电弓滑板的图像区域，得到受电弓滑板图像。

具体应用时，可采用训练后的YOLOV5m检测模型，该检测模型是YOLO（You OnlyLook Once，Joseph Redmon和Ali Farhadi等人于2015年提出的基于单个神经网络的目标检测系统）的改进版本，YOLOV5m检测模型的网络结构主要由Backbone、Neck、Head构成，其中，Backbone 主干网络提取图像的高维特征信息，主要包括了Focus模块、特征提取网络(CSPDarknet53）以及对应的激活函数； Neck网络层则用于融合图像不同维度的特征信息以生成特征金字塔，该结构可以产生不同固定尺寸的池化特征向量，同时强化了特征的表达能力；Head 是预测层，根据特征标记锚定框，通过损失计算得出目标类的概率和边框最终位置，损失函数采用GIOU Loss，针对存在的多个目标框，采用非极大值抑制方法，搜索局部极大值，确定最终的边界框位置和置信度。

具体应用时，YLOLV5m检测模型的训练过程可以但不限于如下述步骤所示：

（1）获取样本集，其中，样本集包括多张受电弓滑板样本图像。

（2）利用labelimg标注软件对每张受电弓样本图像中的滑板位置进行精确标注，标注完成后将所保存的标注信息转换为YOLO格式。

步骤（2）中的转换方式如下：

设原图的像素大小为Width×Height，目标对象（也就是滑板）的左上角像素坐标为(X, Y)，目标对象的宽度像素为W，目标对象的高度像素为H，则YOLO数据集txt标注格式如下：

c x1 y1 w1 h1，其中，c为目标对象的类别代号；x1为归一化后的中心点横坐标，x1=X/Width；y1为归一化后的中心点纵坐标，y1=Y/Height；w1为归一化后的目标框宽度，w1=W/Width；h1为归一化后的目标框高度，且h1=H/Height。

（3）将受电弓滑板样本图片及标注信息送入YOLOV5m检测模型中进行训练，得到模型的权重参数，以形成最终训练后的检测模型。

具体应用时，YOLOV5m训练方法首先通过Mosaic数据增强技术（为检测模型中数据增强的常用方式）对样本集图像进行预处理，然后将输入的样本图像分成s×s个窗格，检测目标对象是否落在该窗格内，若检测到框内有目标对象，则预测N个边界框及边界框的置信度，最后采用GIOU Loss做边界框的损失函数和非极大值抑制目标框的筛选，计算得出目标类的概率和边界框的最终位置，从而得出每张样本图像对应的滑板区域图像，以得到训练后的YOLOV5m检测模型。

可选的，在具体应用时，为加快模型的运行速度，可将训练后的模型参数保存下来，并在图像处理平台上完成模型转换和部署；例如，部署在车顶的图像处理器，并利用TensorRT（其是一个高性能的深度学习推理（Inference）优化器，可以为深度学习应用提供低延迟、高吞吐率的部署推理）在Jetson AGX Xavier（一种计算平台，可部署在嵌入式系统中的GPU中加速处理）上对模型的网络结构进行重构和优化，以便加速推理，从而满足实时检测的处理速度要求，如图3所示，图3中的滑板模型运行时引擎则是指部署的训练后的YOLOV5m检测模型。

由此，在对受电弓滑板进行实时检测时，可将待检测图像直接输入训练后的YOLOV5m检测模型，从而得出受电弓滑板图像（如图5所示），当然，在输入模型前，可进行图像的预处理，如变为灰度图，二值化处理等；在得到受电弓滑板图像后，即可进行受电弓滑板的边缘检测，从而根据边缘得出滑板的轮廓，如下述步骤S3～S4所示。

S3. 利用霍夫变换算法对所述受电弓滑板图像进行边缘检测，得到所述受电弓滑板的下边缘；具体应用时，可利用霍夫变换算法检测受电弓滑板图像中的直线，从而从检测出的直线中确定出受电弓滑板的下边缘，具体实施步骤如下述步骤S31～S33所示。

S31. 利用霍夫变换算法检测出所述受电弓滑板图像中的目标直线，其中，所述目标直线为所述受电弓滑板图像中法向角小于预设角度的直线，且法向角为直线与水平面法线之间的夹角。

受电弓滑板在具体安装时，是安装在受电弓滑板托架上，因此，检测出受电弓滑板托架的上边缘，即可作为受电弓滑板的下边缘，而受电弓滑板托架的上边缘可看作一条直线，因此，通过霍夫变换算法检测出受电弓滑板图像中的直线，即可得出受电弓滑板托架的上边缘，同时，由于图像在拍摄时不一定为完全水平，因此，托架的上边缘不一定处于水平，由此，本实施例设置一预设角度，只要直线的法向角小于该预设角度，即可认定该直线为水平直线。

同时，方向角为直线与水平面法线之间的夹角，因此，直线与水平面的倾斜角则为90度与法向角的差值的绝对值。

具体的，采用如下步骤从受电弓滑板图像中检测出目标直线：

S31a. 以第一角度为起点，并按照预角度间隔进行角度取值，直到达到第二角度为止，以得到多个检测角度，其中，所述第一角度的值为预设角度与90°的差值的绝对值，所述第二角度为预设角度与90°的和。

即设定了预设角度后，那么目标直线的法向角的检测角度则在[90°-α，90°+α]，因此，即可按照预设角度间隔在前述区间内进行取值，得到多个检测角度，然后利用霍夫变换算法，检测受电弓滑板图像中是否存在有法向角为前述检测角度的直线，若存在，则将该直线作为目标直线；实际应用时，可将多个检测角度用集合表示，即：

上述式中，

表示检测角度集合，

表示检测角度集合中的元素，即第k个检测角度，

表示预设角度间隔，因此，前述公式所表达的含义为检测角度是以第一角度为起点，并按照预设角度间隔进行角度取值，直到取值到第二角度为止所得到的角度集合。

具体的，根据前述检测角度进行直线检测的具体过程如下述步骤所示：

S31b. 获取所述受电弓滑板图像中像素值大于0的所有像素点的像素坐标。

S31c. 根据所述像素坐标以及所述多个检测角度，计算出所述多个检测角度中每个检测角度相对于每个像素坐标的检测值；在具体实施时，可采用如下公式计算每个检测角度的检测值

：

上述式中，

和

分别表示像素值大于0的像素点的横坐标和纵坐标，

表示第

个检测角度，

表示按四舍五入准则的取整运算。

通过前述公式可知，每一个检测角度在进行检测值的计算时，会将所有像素值大于0的像素点的坐标代入前述公式，由此，每一个检测角度对应一个像素值大于0的像素点，都会有对应的一个检测值，因此，基于霍夫变换算法的原理，检测值相同的像素点对应的坐标，可认定为在一条直线上，即通过提取出检测值相同的像素点的坐标，作为组成一条直线上的点的坐标；同时，为保证检测的准确度，还需设定相同检测值的个数，即相同检测值的个数大于预设阈值，才能表示受电弓图像中存在法向角为该检测值对应检测角度的直线，具体判断步骤如下述步骤S31d和S31e所示。

S31d. 在每个检测角度相对于每个像素坐标的检测值中，统计出相同检测值的个数，并判断每个相同检测值的个数是否大于预设阈值。

S31e. 若是，则将每个相同检测值对应的像素坐标作为组成法向角为第三角度的目标直线的点的坐标，且所述第三角度为每个相同检测值对应的检测角度。

下述以一个实例来阐述步骤S31d和S31e：

假设预设阈值为5，其中，相同检测角度分别为：83°、86°以及89°，且个数分别为10个、9个和7个，那么前述三个检测角度均满足步骤S31d中的规则，因此，即可说明受电弓滑板图像中存在法向角为83°、86°以及89°的目标直线，接着根据步骤S31e，可将检测角度为83°对应的像素坐标作为组成法向角为83°的目标直线的点的坐标；同理，检测角为86°以及89°对应的像素坐标，则为组成法向角为86°和89°的目标直线的点的坐标，由此，对前述满足条件的检测角对应的直线的坐标进行线性拟合，即可得出其直线表达式，从而在图像中确定出具体的位置。

S31f. 利用最小二乘法对每个相同检测值对应的像素坐标进行线性拟合，得到所述目标直线；在本实施例中，最小二乘法为图像识别技术领域中数据拟合的常用方法，原理不再赘述。

在从受电弓滑板图像中确定出目标直线后，即可在目标直线中筛选出受电弓滑板托架的上下边缘，即长度最长的两条直线则为受电弓滑板托架的上下边缘，如以下步骤S32所示。

S32. 从所述目标直线中，筛选出第一直线以及第二直线，其中，所述第一直线为长度最长的目标直线，所述第二直线为长度仅小于所述第一直线的目标直线；具体实施时，可根据前述步骤S31e中组成该目标直线的坐标得出长度，即所有坐标中，横坐标最小和最大的两个坐标作为该目标直线的端点，因此，得到两个端点坐标后，即可利用坐标距离公式求出直线的长度（即横坐标差值的平方与纵坐标差值的平方的和的平方根），因此，长度最长的两条目标直线则为受电弓滑板托架的上下边缘。

在得出受电弓滑板托架的上下边缘后，需要确定第一直线和第二直线中，哪条为上边缘，从而将其作为受电弓滑板的下边缘，具体步骤如下述步骤S33所示。

S33. 根据所述第一直线和所述第二直线，得到所述受电弓滑板的下边缘；具体应用时，可在所述第一直线和所述第二直线中，选取出纵向高度最高的直线，作为所述受电弓滑板的下边缘，其中，纵向高度为组成对应直线的所有像素坐标中纵坐标的均值，即前述步骤S31e中，已经确定了组成第一直线和第二直线的点的坐标，那么，计算组成第一直线的所有点的坐标中纵坐标的均值（即所有纵坐标和的平均值），即可得到第一直线的纵向高度，同理，第二直线的纵向高度也采用同样的计算方式。

在得出受电弓滑板的下边缘后，即可利用区域生长法来检测受电弓滑板图像中的受电弓滑板的上边缘，同时，由于待检测图像采集时不一定为正对拍摄，可能存在一定的倾斜，因此，在进行上边缘检测前，需对受电弓滑板图像进行水平矫正，具体为：第一步：获取所述受电弓滑板的下边缘与水平方向的夹角；第二步：根据所述夹角，对所述受电弓滑板图像进行旋转矫正，以将所述受电弓滑板的下边缘矫正到水平方向上；即在前述已知下边缘的法向角的情况下，将其与90度的做差，取差值的绝对值则为水平倾斜角度，最后，依据该水平倾斜角度进行图像旋转即可，在对受电弓滑板图像进行水平矫正后，即可进行上边缘的检测，如下述步骤S4所示。

S4. 以所述受电弓滑板的下边缘为起点，并利用区域生长法对所述受电弓滑板图像进行图像分割，得到所述受电弓滑板的上边缘；具体实施时，利用区域生长法进行上边缘检测的具体过程如下述步骤a～g所示。

a. 以所述受电弓滑板的下边缘的起点为滑动起点，沿垂直向上的方向，多次滑动邻域窗口，并计算每次滑动后的邻域窗口内的灰度均值，得到第一邻域窗口，以将第一邻域窗口内的中心坐标作为下边缘起点对应的上边缘像素点的坐标，其中，所述第一邻域窗口为每次滑动后的邻域窗口中灰度均值最大的邻域窗口。

b. 以第一邻域窗口内的中心坐标为生长起点，沿水平向右的方向移动一个像素点，并沿垂直方向滑动邻域窗口，以得到移动后的像素点的邻域窗口。

c.计算移动后的像素点的邻域窗口内的灰度均值，并判断移动后的像素点的邻域窗口内的灰度均值与所述第一邻域窗口的灰度均值之间的差值是否小于预设阈值。

d. 若是，则将移动后的像素点合并至目标邻域窗口内，得到第二邻域窗口，其中，所述目标邻域窗口为移动后的像素点对应的邻域窗口。

e. 沿垂直方向继续滑动所述邻域窗口，并在每次滑动后，重复步骤c和d，直至差值不小于预设阈值为止，以将第二邻域窗口内的中心坐标作为移动后的像素点对应的上边缘像素点的坐标。

f. 以第二邻域窗口内的中心坐标为生长起点，重复前述步骤b～e，直至移动到所述受电弓滑板的下边缘的终点为止，以得到多个上边缘像素点的坐标。

前述a～g的原理为：

首先，确定生长起点，即以受电弓滑板的下边缘的起点为滑动起点（可通俗的认为下边缘的左端点），沿垂直向上的移动方向多次滑动邻域窗口，以在多次滑动后的邻域窗口中选择出生长起点（即各个滑动后的灰度均值最大的邻域窗口的中心坐标作为生长起点）。

其次，在得到生长起点后即可沿水平向右的像素点移动方向，以及沿垂直方向的窗口移动方向（即垂直向上和向下），并以邻域窗口内的灰度均值作为生长准则来进行上边缘的计算，其实质为：在每移动一个像素点时，只要对应邻域窗口内的灰度均值与前一个邻域窗口内的灰度均值之间的差值小于预设阈值，就进行合并生长（即将该像素点与该邻域窗口合并），合并后，保持该像素点的横坐标不动，沿垂直方向继续滑动邻域窗口，并进行生长准则的判断，即进行步c和d，直至滑动后的邻域窗口中的灰度均值与前述步骤c中的灰度均值之间的差值不小于预设阈值后，即可停止生长，以将第二邻域窗口内的中心坐标作为移动后的像素点对应的上边缘像素点的坐标；通过前述设计，在每次移动一个像素点后，均都会得到该像素点对应的上边缘像素点坐标，由此，当从下边缘的起点移动到终点时（由于是水平移动，因此相当于生长起点的横坐标移动到下边缘终点的横坐标处），即可得到多个上边缘像素点坐标，从而利用该多个上边缘像素点坐标组成一条曲线，而该曲线则为受电弓滑板的上边缘。

在本实施例中，邻域窗口预设为与该像素坐标的4邻域像素所组成的区域；举例邻域窗口的滑动步长为一个像素点，而步骤a中滑动的次数可预设；当然，可根据实际预设为不同的邻域窗口以及不同的滑动步长，于此不做限定。

参见图6和图7所示，而经过前述步骤S3和步骤S4，即可从图5和图6中检测出受电弓滑板的上边缘和下边缘，即得到图7；在得到受电弓滑板的上下边缘后，即可利用上下边缘组成受电弓滑板的轮廓图像，并根据轮廓图像进行受电弓滑板的磨耗检测，如下述步骤S5和步骤S6所示。

S5. 根据所述受电弓滑板的下边缘以及上边缘，得到所述受电弓滑板的轮廓图像；参见图8所示，受电弓滑板上边缘为一条曲线，因此，将上边缘起点与下边缘起点相连，上边缘终点与下边缘终点相连，即可组成一个封闭区域，也就是轮廓图像。

S6. 根据所述轮廓图像，得到所述受电弓滑板的磨耗检测结果；具体应用时，得到轮廓图像后，可根据上下边缘之间的距离来进行磨耗检测，检测过程如下述步骤S61～S63所示。

S61. 根据所述轮廓图像，得出所述轮廓图像中上边缘和下边缘之间的垂直像素距离。

S62. 判断所述垂直像素距离是否小于预设厚度值。

S63. 若是，则判定所述受电弓滑板磨耗异常。

步骤S61～S63的原理为：通过将计算轮廓图像的上边缘与下边缘（也就是受电弓滑板的上边缘与下边缘）之间的垂直距离，可将该距离作为受电弓滑板的剩余厚度，将其与预设厚度值进行比较，即可判定出受电弓滑板是否磨耗异常；若小于预设厚度值，则说明磨耗异常，此时，可生成报警信息，发送至列车驾驶室的终端以及列车调度中心，以便进行报警提示；具体的，为保证检测的准确度，可计算轮廓图像中多个垂直距离，如从下边缘的起点一直计算至终端，即从左端至右端，取n个点，计算n个点到上边缘的垂直距离，然后取平均值，作为最终的垂直距离（也就是剩余厚度），进行判断；当然，还可采取其余方式，例如，计算轮廓图像的面积，然后与标准面积比较等，于此不做具体的限定。

由此通过前述步骤S1～S6所详细阐述的受电弓滑板的检测方法，本发明无需采用人为经验判断受电弓滑板是否存在异常，不仅提高了检测的准确率以及效率，还可在列车运行过程中对受电弓滑板进行实时监测，以便根据检测结果进行报警提示，从而有效防止列车行车安全事故的发生。

在一个可能的设计中，为提高边缘检测的准确性，本实施例第二方面在实施例第一方面的基础上进行进一步的优化，即在步骤S3之前还需对图像进行预处理，具体为：将所述受电弓滑板图像转换为灰度图像，并对所述灰度图像进行二值化处理，得到二值化图像，以便利用霍夫变换算法对所述二值化图像进行边缘检测，得到所述受电弓滑板的下边缘。

具体的，将受电弓滑板图像转换为灰度图像可采用如下转换公式：

Gray=0.299×R+0.587×G+0.114×B

上述式中，R为红通道的像素值，G为绿通道的像素值，B为蓝通道的像素值，Gray为转换后的灰度值。

而进行二值化处理可以但不限于采用如下步骤S01～S04。

S01. 对所述灰度图像进行像素扩展，得到扩展后的图像；具体的，可以但不限于扩展两个像素，扩展后的图像的大小为(Width+4)×(height+4)（宽×高）。

S02. 获取边缘检测算子，并计算边缘检测算子与所述扩展后的图像中每个像素点的相关像素点；具体的，采用如下公式进行计算：

上述式中，

为边缘检测算子，且

，

表示扩展后的图像，

分别表示扩展后的图像中像素点的横坐标和纵坐标，

边缘检测算子中的行数和列数，

则为

对应的相关像素点；具体的，

表示边缘检测算子中行索引和列索引，二者的取值为-1～1（即对应边缘检测算子的三行三列），而

则表示以为

中心，与边缘检测算子等尺寸的邻域内的像素值，因此，二者相乘后的和，则表示

对应的相关像素点，也就是

。

在得到扩展后的图像中每个像素点的相关像素点后，即可组成相关图像g，最后对相关图像进行二值化处理，即可得到二值化图像，如下述步骤S03和步骤S04所示。

S03. 利用边缘检测算子与所述扩展后的图像中每个像素点的相关像素点，得到相关图像。

S04. 获取灰度阈值，根据所述灰度阈值对所述相关图像进行二值化处理，得到二值化图像；具体的，采用下述公式进行二值化处理：

式中，

表示

二值化后的像素点，

表示灰度阈值。

由此通过前述设计，即可减少图像中的噪声，从而更加有利于受电弓滑板的边缘检测；当然，对二值化图像的边缘检测，其检测步骤可参见前述步骤S3和步骤S4，于此不再赘述。

如图9所示，本实施例第三方面提供了一种实现实施例第一方面中所述的受电弓滑板的检测方法的硬件装置，包括：

图像获取单元，用于获取待检测图像，其中，所述待检测图像的覆盖区域为列车受电弓滑板所在的区域。

图像提取单元，用于从所述待检测图像中，提取出仅包含受电弓滑板的图像区域，得到受电弓滑板图像。

边缘检测单元，用于利用霍夫变换算法对所述受电弓滑板图像进行边缘检测，得到所述受电弓滑板的下边缘。

边缘检测单元，还用于以所述受电弓滑板的下边缘为起点，并利用区域生长法对所述受电弓滑板图像进行图像分割，得到所述受电弓滑板的上边缘。

轮廓确定单元，用于根据所述受电弓滑板的下边缘以及上边缘，得到所述受电弓滑板的轮廓图像。

边缘检测单元，具体用于利用霍夫变换算法检测出所述受电弓滑板图像中的目标直线，其中，所述目标直线为所述受电弓滑板图像中法向角小于预设角度的直线，且法向角为直线与水平面法线之间的夹角。

边缘检测单元，具体用于从所述目标直线中，筛选出第一直线以及第二直线，其中，所述第一直线为长度最长的目标直线，所述第二直线为长度仅小于所述第一直线的目标直线。

本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。

如图10所示，本实施例第四方面提供了另一种受电弓滑板的检测装置，以装置为计算机主设备为例，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面或第二方面所述的受电弓滑板的检测方法。

具体举例的，所述存储器可以但不限于包括随机存取存储器（random accessmemory，RAM）、只读存储器（Read Only Memory image，ROM）、闪存（Flash Memory）、先进先出存储器（First Input First Output，FIFO）和/或先进后出存储器（First In Last Out，FILO）等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。

同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机（reduced instruction set computer,RSIC）微处理器、X86等架构处理器或集成嵌入式神经网络处理器（neural-network processing units，NPU）的处理器；所述收发器可以但不限于为无线保真（WIFI）无线收发器、蓝牙无线收发器、通用分组无线服务技术（General Packet Radio Service，GPRS）无线收发器、紫蜂协议（基于IEEE802.15.4标准的低功耗局域网协议，ZigBee）无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。

本实施例提供的计算机主设备的工作过程、工作细节和技术效果，可以参见实施例第一方面或第二方面，于此不再赘述。

本实施例第五方面提供了一种存储包含有实施例第一方面或第二方面所述的受电弓滑板的检测方法的指令的存储介质，即所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第二方面所述的受电弓滑板的检测方法。

其中，所述存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

本实施例提供的存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面或第二方面，于此不再赘述。

本实施例第六方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面或第二方面所述的受电弓滑板的检测方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种受电弓滑板的检测方法，其特征在于，包括：

根据所述轮廓图像，得到所述受电弓滑板的磨耗检测结果；

根据所述第一直线和所述第二直线，得到所述受电弓滑板的下边缘；

以所述受电弓滑板的下边缘为起点，并利用区域生长法对所述受电弓滑板图像进行图像分割，得到所述受电弓滑板的上边缘，包括：

2.如权利要求1所述的方法，其特征在于，利用霍夫变换算法检测出所述受电弓滑板图像中的目标直线，包括：

3.如权利要求2所述的方法，其特征在于，根据所述像素坐标以及所述多个检测角度，计算出所述多个检测角度中每个检测角度相对于每个像素坐标的检测值，包括：

：

上述式中，

和

分别表示像素值大于0的像素点的横坐标和纵坐标，

表示第

个检测角度，

表示按四舍五入准则的取整运算。

4.如权利要求2所述的方法，其特征在于，根据所述第一直线和所述第二直线，得到所述受电弓滑板的下边缘，包括：

5.如权利要求1所述的方法，其特征在于，在以所述受电弓滑板的下边缘为起点，并利用区域生长法对所述受电弓滑板图像进行图像分割，得到所述受电弓滑板的上边缘前，所述方法还包括：

获取所述受电弓滑板的下边缘与水平方向的夹角；

6.如权利要求1所述的方法，其特征在于，在利用霍夫变换算法对所述受电弓滑板图像进行边缘检测，得到所述受电弓滑板的下边缘前，所述方法还包括：

将所述受电弓滑板图像转换为灰度图像；

对所述灰度图像进行像素扩展，得到扩展后的图像；

上述式中，

为边缘检测算子，且

，

表示扩展后的图像，

分别表示扩展后的图像中像素点的横坐标和纵坐标，

边缘检测算子中的行数和列数，

则为

对应的相关像素点；

7.如权利要求1所述的方法，其特征在于，根据所述轮廓图像，得到所述受电弓滑板的磨耗检测结果，包括：

判断所述垂直像素距离是否小于预设厚度值；

若是，则判定所述受电弓滑板磨耗异常。

8.一种受电弓滑板的检测装置，其特征在于，包括：

边缘检测单元，用于利用霍夫变换算法对所述受电弓滑板图像进行边缘检测，得到受电弓滑板的下边缘；

边缘检测单元，还具体用于根据所述第一直线和所述第二直线，得到所述受电弓滑板的下边缘；

边缘检测单元，还具体用于执行步骤a，其中，步骤a为：以所述受电弓滑板的下边缘的起点为滑动起点，沿垂直向上的方向，多次滑动邻域窗口，并计算每次滑动后的邻域窗口内的灰度均值，得到第一邻域窗口，以将第一邻域窗口内的中心坐标作为下边缘起点对应的上边缘像素点的坐标，其中，所述第一邻域窗口为每次滑动后的邻域窗口中灰度均值最大的邻域窗口；

边缘检测单元，还具体用于执行步骤b，其中，步骤b为：以第一邻域窗口内的中心坐标为生长起点，沿水平向右的方向移动一个像素点，并沿垂直方向滑动邻域窗口，以得到移动后的像素点的邻域窗口；

边缘检测单元，还具体用于执行步骤c，其中，步骤c为：计算移动后的像素点的邻域窗口内的灰度均值，并判断移动后的像素点的邻域窗口内的灰度均值与所述第一邻域窗口的灰度均值之间的差值是否小于预设阈值；

边缘检测单元，还具体用于执行步骤d，其中，步骤d为：若是，则将移动后的像素点合并至目标邻域窗口内，得到第二邻域窗口，其中，所述目标邻域窗口为移动后的像素点对应的邻域窗口；

边缘检测单元，还具体用于执行步骤e，其中，步骤e为：沿垂直方向继续滑动所述邻域窗口，并在每次滑动后，重复步骤c和d，直至差值不小于预设阈值为止，以将第二邻域窗口内的中心坐标作为移动后的像素点对应的上边缘像素点的坐标；

边缘检测单元，还具体用于执行步骤f，其中，步骤f为：以第二邻域窗口内的中心坐标为生长起点，重复前述步骤b～e，直至移动到所述受电弓滑板的下边缘的终点为止，以得到多个上边缘像素点的坐标；

边缘检测单元，还具体用于执行步骤g，其中，步骤g为：利用所述多个上边缘像素点的坐标，得到所述受电弓滑板的上边缘。