高鐵接觸網懸掛裝置的等電位線故障檢測方法

,

(西南交通大學 電氣工程學院,成都 610031)

0 概述

等電位線,也稱定位支座電氣連接跳線,當其出現缺失、散股、斷裂故障時,將造成定位器抬升,進而列車受電弓會對定位支座造成電化學腐蝕,久之將使得定位器斷裂脫落,致使打弓、鉆弓等故障發生,影響行車運營安全,因此有必要對其進行故障識別。

現有的非接觸式檢測方法自動化程度較低,故障的識別主要依靠人工判斷,不能及時實現故障的檢測和判斷,效率低。目前,圖像自動檢測技術可實現接觸網幾何參數和受電弓磨損的檢測[1]、高速鐵路接觸網支撐裝置耳片斷裂檢測[2],以及鐵路絕緣子片間夾雜異物檢測[3]等。

目前,國內外提出了大量的接觸網非接觸式圖像檢測方法。文獻[4]采用基于目標特征點標識匹配的視覺檢測方法實現了對大風環境下接觸網接觸導線、承力索及吊弦等接觸懸掛關鍵部位橫向、抬升偏移及扭轉姿態角的在線檢測。文獻[5]基于Harris角點與譜聚類實現了絕緣子的抗旋轉匹配和故障檢測。文獻[6]使用金字塔近鄰平均算法和小波奇異值法檢測接觸網絕緣子故障。

本文提出一種基于機器視覺的等電位線散股檢測方法,可實現該類故障的非接觸式檢測,克服傳統人工檢測方法工作量大、危險性高且檢測效率低下的缺點。

1 等電位線的識別與提取

等電位線在待檢測圖像中目標較小,對于拍攝參數較為敏感,且由于它并非剛性結構,特征不固定,因此通過對其所連接的定位器支座的識別定位間接實現等電位線的定位及提取。本文采用基于模式識別的目標檢測算法,通過提取圖像的方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征,訓練AdaBoost級聯分類器與支持向量機分類器來區分圖像中的目標與非目標區域,實現等電位線的初定位,進而完成故障診斷。該檢測算法的流程如圖1所示。

圖1 等電位線散股故障檢測算法流程

1.1 HOG特征提取

HOG特征的核心思想是用光強梯度或邊緣方向的分布信息來描述所檢測物體的外形[7]。把整幅圖像劃分成大小一樣的單元格(通常稱為cell),然后在每個單元格內生成方向梯度直方圖,所檢測目標的描述子就可以用所有直方圖的組合來表示。為提高準確率,可以通過計算圖像中一個較大區域(通常稱為block塊)的局部直方圖,有效地利用重疊部分的邊緣信息,用這個歸一化每個塊中的直方圖。和其他的描述子相比,在物體方向不變的情況下,HOG特征提取得到的描述子保持了物體的幾何和光學轉換的不變性[8]。

本文的正樣本統一歸一化為64像素×64像素大小的圖片,由于相鄰的塊之間可以存在細胞單元的重復,因此每張正樣本中包含7×7個塊。將一個正樣本圖像中所有塊的特征向量連接在一起得到整個圖像的HOG特征向量。

HOG特征提取算法[9]的步驟如下:

1)將圖像劃分為大小相同的正方形單元格(cell)(8×8)像素。

2)計算所有單元格內的梯度直方圖(9 bin)。

3)將每4個相鄰的單元格合并為一個塊(block)。

4)將同一塊中4個單元格的梯度直方圖連接在一起,形成一個9×4=36維的特征向量。

5)對該特征向量進行歸一化,從而消除光照與對比度的影響。

6)將圖像中所有塊的特征向量連接在一起得到整幅圖像的HOG特征向量。

1.2 AdaBoost級聯分類器

AdaBoost級聯分類器[10]由一系列的分類器串聯組成。分類器的輸出是被所有分類器都判決為正的樣本。在實際應用中,只有少量的目標樣本需要通過所有級的分類器,因為目標樣本只占整體樣本很小的比例,非目標樣本在級聯分類器的前端被濾除,因而級聯結構能夠大大地減少運算量[11-12]。AdaBoost級聯分類器的結構組成如圖2所示,算法訓練分類器流程如圖3所示。

圖2 級聯分類器的構成

圖3 AdaBoost算法訓練分類器流程

訓練分類器首先要采集正負樣本,本文收集的圖像是通過檢測車頂上的高速攝像機對沿途的接觸網進行拍攝得到的全局或者局部圖,從每張圖像中截取訓練分類器所需要的正負樣本。正樣本文件里應存放只包含等電位線的圖像,負樣本文件里的圖片可以為任意圖像,但這些圖像中不應該包括待檢測的等電位線。

本文共采集了等電位線金屬鉤部分方向向左的圖像200張,向右的圖像200張。正樣本庫建立好后把所有圖片都修改為64像素×64像素大小。圖片的大小會影響級聯分類器訓練的速度和時間,同時也會影響訓練的效果。本文采集的正樣本如圖4所示。

圖4 正樣本

負樣本共采集圖像500張,最優的負樣本圖像中是包括接觸網圖像中除去等電位線部分的所有局部圖。在用基本分類器對負樣本進行再次分類時,在每張圖像上隨機選取子窗口作為負樣本,即一張圖像上計算機自動采集多個負樣本。每一層參加訓練的負樣本數為3 000張。負樣本數量和形態越多,訓練完成的分類器定位的效果會越好,但是訓練的速度也會越慢。負樣本不需要歸一化,這是因為不同像素大小的錯誤樣本有著不同的圖像信息,隨機采集不同像素大小的圖像作為負樣本時,就可以獲得局部和全局的圖像信息,這樣得到的錯誤樣本更具有魯棒性,會使分類器訓練的效果更好。本文采集的負樣本如圖5所示。

本文設置的分類器的訓練級數最多16級。其中前面4級訓練較快,從第5級開始由于樣本特征和分類器結構復雜度增加,訓練速度越來越慢。不同樣本的分類器訓練的時間長短不一樣,本文訓練的分類器時間偏久,這是由于光照、拍攝角度等原因導致正負樣本圖像灰度值相差很大,以及檢測目標即等電位線處的結構形態比較復雜。

AdaBoost級聯分類器訓練完成后,即可對檢測目標等電位線進行識別定位。本文訓練的2個AdaBoost級聯分類器初定位等電位線的效果如圖6所示。

由圖6可知,本文訓練的分類器雖然能準確地定位到等電位線部分,但是會產生誤匹配。產生誤匹配的原因有很多,如正樣本圖像的數量較少或者正樣本沒有包括各種光照條件下的圖像,負樣本形態少、種類少等,但這些因素對定位效果影響不會特別大。為了降低誤匹配率,采用增加支持向量機(Support Vector Machine,SVM)分類器的方法。

1.3 支持向量機分類器

支持向量機借助于最優化方法來解決機器學習問題,是機器學習領域的一項新技術[13],是統計學習理論中出現最晚但性能非常好的一種方法[14]。傳統的機器學習算法,像Boosting算法等都需要復雜的代數推理過程,而支持向量機算法完全不同[15]。訓練分類器本質上是一個二值分類的問題,然而支持向量機則把該問題映射到一個無限大的超平面或者說高維的空間里,在新的領域進行分類[16]。假設訓練樣本為(xiyi),i=1,2,…,l,x∈d,yi∈{-1,1},分類超平面wx+b=0,在滿足:

yi[(w·xi)+b]-1≥0

(1)

的情況下,分類面具備分類間隔,且能對所有樣本進行正確分類[17]。

可以計算出分類間隔為:

(2)

要求最小化‖w‖,則求解最優分類超平面問題就可以表示成約束優化問題,即在式(1)的約束下,最小化函數[18]:

(3)

引入Lagrange函數:

(4)

其中,ai>0為Lagrange系數。將上述問題轉化為對偶問題[17]:

(5)

(6)

本文的SVM學習目標是解決訓練數據集線性不可分時尋找最優分類超平面的問題,引入非負松弛變量ξi,i=1,2,…,l,分類超平面的最優化問題為:

(7)

其對偶問題為對α求解下列函數的最大值:

(8)

其中,C>0為誤差懲罰參數,ξi為非負松弛變量,用來訓練樣本線性不可分[17-18]。

a可利用序列最小最優算法求出,然后根據式(8)求出w,進而通過:

(9)

求出b,從而得到分類平面,解決分類問題。

本文中SVM分類器訓練采用的正樣本和AdaBoost分類器訓練的正樣本相同,負樣本為級聯的AdaBoost分類器誤匹配的窗口圖像。正負樣本各400張圖像,同樣通過提取HOG特征訓練AdaBoost級聯和SVM混合分類器。

1.4 分類器的識別效果

將AdaBoost級聯分類器分錯的錯誤樣本加入到之前的負樣本中,用正樣本和新的負樣本進行支持向量機分類器的訓練。本次訓練的分類器定位誤匹率較低,基本能準確地定位出等電位線部位。選擇1個局部圖像和2個全局圖像為代表,單一的AdaBoost級聯分類器和添加SVM的混合分類器的定位對比結果如圖7所示,其中左側為單一分類器的定位結果,右側為增加SVM后的混合分類器的定位結果。

如圖7各子圖中的左圖所示,單一的AdaBoost級聯分類器能夠定位出等電位線,但同時誤匹配較多,不能在此定位基礎上進一步地對故障進行識別。

本文用混合分類器方法對武廣高鐵沿線由接觸網成像檢測車拍攝到的100張高鐵接觸網支撐懸掛裝置圖像進行實驗檢測,能正確定位的圖像數目是98,正確率為98%。如圖7各子圖右圖所示,該方法能夠準確定位到等電位線且幾乎沒有誤匹配。由于等電位線本身特征復雜,而且攝像機拍攝的圖像并不能包括所有光照條件下和各個方向角度下的等電位線,因此不能完全無誤地定位等電位線。

2 等電位線散股故障判斷

等電位線的故障一般就是出現散股,正常等電位線和散股等電位線的對比如圖8所示。

圖8 正常和散股等電位線

對定位到的等電位線圖像做進一步的圖像分割,提取出等電位線,這樣能減少其他干擾因素,使等電位線的故障檢測更加簡單方便。

由于攝像機拍攝圖片時,拍攝的距離和角度不一樣,因此得到的圖片像素值不一樣。為了準確地找到等電位線像素值和的判據,以等電位線左邊的螺絲釘為參照物,先進行圖像面積歸一化處理,即使得每張圖像中左邊同一位置的螺釘所占像素值相等,這樣才能保證以等電位線像素和為故障判據的合理性。然后利用大津法得到等電位線的粗略提取,為減小等電位線周圍的其他干擾因素,使用數字形態學的一些方法精確提取出等電位線。等電位線提取流程如圖9所示。

圖9 等電位線提取流程

2.1 大津法圖像閾值分割

大津法[19]的基本思想是:將圖像分割成兩組,一組灰度對應目標,另一組灰度對應背景,兩組灰度值的類內方差最小,兩組的類間方差最大。這種方法是全局閾值自動選擇的最優方法。

用上文所述方法精確提取出的等電位線部分如圖10所示。

圖10 散股與正常等電位線提取

2.2 等電位線面積數據統計分析

等電位線正常的時候是緊緊團在一起的一簇繩,故障的時候繩子之間會松動,因而出現故障的等電位線總面積(像素個數總和)會大于正常時的面積。本文通過對提取出的等電位線部分先進行二值膨脹,把散股出現的孔洞填滿,然后計算每張等電位線的總面積,給出等電位線是否散股的面積判據。

本文總共計算了100張正常等電位線的面積,對20張出現散股故障的等電位線的面積,數據如圖11所示。

圖11 故障和正常等電位線面積對比

圖11數據顯示正常等電位線面積分布在8 667～13 878之間,出現散股故障的等電位線面積分布在13 228～19 068之間。給出的評論等電位線是否散股的判據如下:

本文使用Opencv和Matlab實驗平臺,用上文給出的判據對武廣高鐵沿線由接觸網成像檢測車拍攝到的100張高鐵接觸網支撐懸掛裝置圖像進行實驗檢測,檢測結果如表1所示。

表1 等電位線故障檢測數據

由實驗結果可以看到,在檢測的100張圖像中,有一張正常的等電位線被識別為出現散股故障,一張無法判斷。這是因為等電位線是被纏繞在金屬鉤上的,由于纏繞施工或者圖像拍攝不清晰部分等電位線提取的效果不理想,因此會產生極少數圖像誤判斷或者無法判斷的情況。

3 結束語

本文利用基于HOG特征提取的AdaBoost級聯分類器和支持向量機分類器實現等電位線圖像的初定位。通過對圖像進行面積歸一化處理,使用大津法和數字形態學處理方法成功地提取出等電位線部分。最后對等電位線部分進行二值膨脹計算等電位線總的面積,給出一個判斷等電位線是否散股的面積判據。實驗結果表明,本文采用的等電位線故障檢測方法具有較高的檢測精度,可以大大降低接觸網運營與維護的工作強度,具有一定的推廣價值。

[1] 韓志偉,劉志剛,張桂南,等.非接觸式弓網圖像檢測技術研究綜述[J].鐵道學報,2013,35(6):40-47.

[2] 韓 燁,劉志剛,韓志偉,等.基于SIFT特征匹配的高速鐵路接觸網支撐裝置耳片斷裂檢測研究[J].鐵道學報,2014,36(2):31-36.

[3] 楊紅梅,劉志剛,韓志偉,等.基于仿射不變矩的電氣化鐵路絕緣子片間夾雜異物檢測[J].鐵道學報,2013,35(4):30-36.

[4] 周 偉,田紅旗.接觸風偏檢測的亮度矩尋優分割算法[J].中南大學學報,2013,44(4):1708-1713.

[5] 張桂南,劉志剛.基于角點匹配與譜聚類的接觸網絕緣子破損/夾雜異物故障檢測[J].儀器儀表學報,2014,35(6):1370-1377.

[6] 張桂南,劉志剛,韓 燁,等.接觸網棒式絕緣子故障檢測的快速模糊匹配方法[J].鐵道學報,2013,35(5):27-33.

[7] 楊興彤.基于AdaBoost和SVM的圖像檢索研究[D].太原:太原理工大學,2013.

[8] 周科嘉.基于HOG特征和模板匹配的行人檢測與跟蹤研究[D].長春:吉林大學,2015.

[9] LI Xuchun,WANG Lei,Sung E.AdaBoost with SVM-based Component Classifiers[J].Engineering Applications of Artificial Intelligence,2008,21(5):785-795.

[10] DALAL N,TRIGGS B.Histograms of Oriented Gradients for Human Detection[C]//Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2005:886-893.

[11] 柳 鋒,朱慶生,楊世泉,等.一種改進的級聯AdaBoost分類器[J].計算機應用,2007,27(12):3029-3030.

[12] 柳 鋒.柑橘潰瘍病檢測系統的研究與實現[D].重慶:重慶大學,2009.

[13] 梁力文.基于支持向量機的小波濾噪短波近紅外光譜在藥品定量分析中的研究[D].長春:吉林大學,2009.

[14] 楊曉元,郭 璇,張敏情.特征選擇在隱秘圖像檢測中的應用[J].計算機工程,2008,34(8):159-161.

[15] 騰文凱.支持向量機反問題及其解法[D].保定:河北大學,2005.

[16] PLATTJ C.Fast Training of Support Vector Machines Using Sequential Minimal Optimization[M].Cambridge,USA:MIT Press,1999.

[17] 周 鵬.基于紋理分析的煤與非煤物的圖像識別算法研究[D].沈陽:東北大學,2009.

[18] 韓敘東.基于支持向量機的水電故障分類器的設計與實現[D].沈陽:東北大學,2007.

[19] 李了了,鄧善熙,丁興號.基于大津法的圖像分塊二值化算法[J].微計算機信息,2005,21(8):76-77.