圖像識(shí)別技術(shù)及神經(jīng)網(wǎng)絡(luò)在接觸網(wǎng)病害識(shí)別中的應(yīng)用研究

張丕富

?

圖像識(shí)別技術(shù)及神經(jīng)網(wǎng)絡(luò)在接觸網(wǎng)病害識(shí)別中的應(yīng)用研究

張丕富

運(yùn)用圖像處理技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)高速鐵路接觸網(wǎng)支撐裝置中管帽、開口銷不良狀態(tài)進(jìn)行檢測(cè)，通過(guò)圖像增強(qiáng)-頻域增強(qiáng)對(duì)接觸網(wǎng)懸掛裝置待檢測(cè)圖像進(jìn)行預(yù)處理，利用SURF局部特征匹配方法實(shí)現(xiàn)目標(biāo)圖像識(shí)別與提取，運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)局部圖像進(jìn)行殘差恢復(fù)處理，使之形成穩(wěn)定且廣域的檢測(cè)判據(jù)，從而被機(jī)器視覺(jué)準(zhǔn)確認(rèn)知，最后實(shí)現(xiàn)管帽、開口銷病害的有效識(shí)別。

管帽不良狀態(tài)；開口銷不良狀態(tài)；頻域增強(qiáng)；神經(jīng)網(wǎng)絡(luò)殘差恢復(fù)

0 引言

安全、穩(wěn)定、可靠的供電系統(tǒng)是現(xiàn)代高速鐵路的重要組成部分，對(duì)確保高速鐵路動(dòng)車組的運(yùn)行安全及運(yùn)營(yíng)秩序起到至關(guān)重要的作用。面對(duì)快速發(fā)展的高速鐵路，整個(gè)行業(yè)對(duì)鐵路運(yùn)營(yíng)安全的提升及運(yùn)營(yíng)維護(hù)精細(xì)化管理的需求日益迫切。2012年由原鐵道部牽頭針對(duì)鐵路供電檢測(cè)監(jiān)測(cè)領(lǐng)域制定了《高速鐵路供電安全檢測(cè)監(jiān)測(cè)系統(tǒng)（6C）總體技術(shù)規(guī)范》，其中運(yùn)用非接觸式檢測(cè)設(shè)備對(duì)接觸網(wǎng)懸掛系統(tǒng)零部件狀態(tài)進(jìn)行檢測(cè)是該規(guī)范的重要組成部分及今后行業(yè)技術(shù)發(fā)展的趨勢(shì)。

圖像識(shí)別技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)是計(jì)算機(jī)視覺(jué)中的前沿技術(shù)，國(guó)內(nèi)外不少相關(guān)產(chǎn)品已經(jīng)成功應(yīng)用于安檢、考勤、信息安全等領(lǐng)域，將圖像識(shí)別技術(shù)運(yùn)用于“接觸網(wǎng)懸掛部件典型缺陷自動(dòng)識(shí)別”同樣具有可能性。為此，本文以接觸網(wǎng)驗(yàn)損識(shí)別作業(yè)中出現(xiàn)損壞率最高的2種接觸網(wǎng)零件—腕臂管帽和開口銷作為研究的切入點(diǎn)，充分運(yùn)用圖像識(shí)別技術(shù)及神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)以上2種零件病害的系統(tǒng)自動(dòng)識(shí)別，從而解決實(shí)際的工程應(yīng)用問(wèn)題[3]。

1 研究背景

因接觸網(wǎng)架設(shè)于室外，自然壞境復(fù)雜，平腕臂和定位管為管狀構(gòu)型，如有水汽侵蝕，內(nèi)部會(huì)形成銹蝕且不易被發(fā)現(xiàn)，故需要在平腕臂和定位管的端頭上安裝管帽，用于防止水汽進(jìn)入平腕臂和定位管的內(nèi)部。

接觸網(wǎng)具備結(jié)構(gòu)上的穩(wěn)定性及應(yīng)力防護(hù)性是其最基本的設(shè)計(jì)目標(biāo)。開口銷作為最通用和常用的接觸網(wǎng)固定防護(hù)件，在鐵路供電系統(tǒng)中使用廣泛。因列車運(yùn)行造成的長(zhǎng)期振動(dòng)或因人工檢修安裝時(shí)造成的施工缺陷，極易產(chǎn)生管帽脫落或開口銷開口角度不足等接觸網(wǎng)病害缺陷，從而引發(fā)螺母脫落，嚴(yán)重時(shí)導(dǎo)致部件松動(dòng)，影響鐵路供電安全。針對(duì)接觸網(wǎng)零部件以上不良狀態(tài)，需通過(guò)檢測(cè)手段及時(shí)發(fā)現(xiàn)并進(jìn)行相應(yīng)處置，排除相關(guān)安全隱患[4]。

2 圖像預(yù)處理

2.1 扭曲矯正

4C接觸網(wǎng)懸掛狀態(tài)檢測(cè)監(jiān)測(cè)裝置作為接觸網(wǎng)懸掛狀態(tài)圖像的采集裝置，因相機(jī)矩陣安裝的角度及檢測(cè)車運(yùn)行帶來(lái)的振動(dòng)等客觀原因，所獲取的圖像會(huì)產(chǎn)生一定程度的畸變。因管帽、開口銷屬于接觸網(wǎng)細(xì)微部件，即使很微量的圖像畸變也會(huì)影響神經(jīng)網(wǎng)絡(luò)及機(jī)器視覺(jué)的識(shí)別效果，所以在對(duì)待識(shí)別圖像進(jìn)行特征提取之前，需首先采用高次函數(shù)以擬合的矯正方式對(duì)待識(shí)別圖像進(jìn)行預(yù)處理。其中擬合函數(shù)為

(,) =×(1 +1×2+2×2) （1）

(,) =×(1 +1×2+2×2) （2）

式中，1、2分別為控制水平方向、豎直方向上的扭曲矯正參數(shù)。

2.2 低光照增強(qiáng)

巡檢車對(duì)接觸網(wǎng)懸掛狀態(tài)的檢測(cè)通常在夜間進(jìn)行，雖在圖像的拍攝過(guò)程中4C接觸網(wǎng)懸掛狀態(tài)檢測(cè)監(jiān)測(cè)裝置可以不間斷地進(jìn)行補(bǔ)光操作，但因夜間光照環(huán)境不好以及光照散射、透光率及夜間霧氣等氣候原因，必須對(duì)待識(shí)別的圖片進(jìn)行低光照增強(qiáng)操作，使圖像清晰度更高，識(shí)別目標(biāo)更明確，更便于機(jī)器視覺(jué)及神經(jīng)網(wǎng)絡(luò)的識(shí)別判定，提高其識(shí)別檢測(cè)準(zhǔn)確性。

對(duì)于待處理的低光照?qǐng)D像，首先進(jìn)行翻轉(zhuǎn)操作：

C() = 255-C() （3）

然后根據(jù)現(xiàn)場(chǎng)具體的拍攝情況進(jìn)行計(jì)算機(jī)視覺(jué)的建模：

() =()() +[1-()] （4）

其中，為待識(shí)別圖片；為透射率；為大氣環(huán)境成分，通常為一個(gè)常量。

通過(guò)該建模方式求出透射率，然后根據(jù)和式（4）反解得，再對(duì)其進(jìn)行反轉(zhuǎn)操作，即可得到增強(qiáng)后的圖像。

在增強(qiáng)算法中，被定義為

表征為全圖RGB三個(gè)通道和最大像素點(diǎn)的各通道值（此處需將圖像進(jìn)行歸一化處理到0-1），然后通過(guò)下式對(duì)待識(shí)別圖像進(jìn)行反解，再對(duì)進(jìn)行圖像反轉(zhuǎn)，即可得到增強(qiáng)后的圖像：

通過(guò)以上步驟及方法對(duì)一幅接觸網(wǎng)圖像進(jìn)行處理，其中高頻部分所對(duì)應(yīng)的是待識(shí)別目標(biāo)的邊緣細(xì)節(jié)，低頻部分所對(duì)應(yīng)的是圖像背景輪廓，具體增強(qiáng)效果如圖1所示。從圖中看出，增強(qiáng)后目標(biāo)圖像位置突出，目標(biāo)邊緣更加立體清晰，背景輪廓區(qū)分更明顯。

（a）原始圖像

（b）增強(qiáng)效果

圖1 圖像增強(qiáng)效果對(duì)比

3 圖像特征提取

由于待檢測(cè)圖像為接觸網(wǎng)懸掛狀態(tài)的全局圖像（圖1），其中包含各種接觸網(wǎng)零部件圖元信息，且拍攝環(huán)境為野外，圖像背景情況復(fù)雜，存在多元干擾的情況。管帽及開口銷屬于接觸網(wǎng)細(xì)微零部件，待檢目標(biāo)較小，包含的圖元信息多且復(fù)雜，可能存在零部件不良狀態(tài)不明顯或難以識(shí)別的情況，所以在全域圖像中需要完成待檢局部目標(biāo)的準(zhǔn)確識(shí)別難度很大，且受其他圖元信息及背景信息的干擾，極易造成錯(cuò)誤識(shí)別、漏識(shí)別的現(xiàn)象發(fā)生（通過(guò)人工識(shí)別也存在上述現(xiàn)象），嚴(yán)重影響識(shí)別檢測(cè)結(jié)果的穩(wěn)定性及可靠性。針對(duì)該情況，在進(jìn)行狀態(tài)檢測(cè)之前，有必要對(duì)全域圖像進(jìn)行分割提取，從而準(zhǔn)確找到待檢測(cè)目標(biāo)，提取目標(biāo)特征，降低檢測(cè)難度，提高檢測(cè)效率，實(shí)現(xiàn)檢測(cè)結(jié)果的快速穩(wěn)定輸出。

針對(duì)管帽及開口銷在接觸網(wǎng)全局中的不同特征，采用SURF局部特征提取法，對(duì)待識(shí)別圖像特征進(jìn)行提取。通過(guò)實(shí)驗(yàn)驗(yàn)證所提取的待檢目標(biāo)局部特征在通過(guò)圖像旋轉(zhuǎn)、尺度變換、仿射變換和視角變化的處理流程后，仍然完整保留了必要的相關(guān)特征信息，具有良好的不變性。圖像局部特征的提取匹配算法流程如圖2所示。

圖2 基于特征圖像的匹配算法流程

4 特征超分辨率技術(shù)（神經(jīng)網(wǎng)絡(luò)殘差恢復(fù)）

特征圖像超分辨率技術(shù)是指從原始圖像獲得更高分辨率圖像的技術(shù)[6]。對(duì)于接觸網(wǎng)病害識(shí)別作業(yè)，雖然接觸網(wǎng)懸掛狀態(tài)原始圖像具有較高的分辨率（用于管帽、雙耳連接器、開口銷、V拉線夾、承力索吊懸線夾等接觸網(wǎng)懸掛狀態(tài)小微部件圖像的分辨率恢復(fù)，如圖3所示），通過(guò)前期的特征提取必然會(huì)因不均勻采樣而丟失部分高頻特征信息，且經(jīng)過(guò)以上不同函數(shù)對(duì)圖像進(jìn)行插值處理后，得到的是無(wú)限多個(gè)被放大的圖像，其分辨率在經(jīng)過(guò)降采樣后相當(dāng)于全域原圖像的分辨率。因此為了確保對(duì)接觸網(wǎng)不良狀態(tài)的檢測(cè)效果，采集的特征需進(jìn)行超分辨處理才能交由機(jī)器進(jìn)行深度學(xué)習(xí)。

圖3 接觸網(wǎng)小微部件

5 深度學(xué)習(xí)（AdaMiX模型）

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的重要延伸和發(fā)展。傳統(tǒng)機(jī)器學(xué)習(xí)的本質(zhì)是給定一些可用的離散術(shù)語(yǔ)，描述需要定義的條件，并給出大量的實(shí)際信息，從而交由機(jī)器去學(xué)習(xí)判定正確的行為，其典型特征是需要通過(guò)外部的流程來(lái)判斷行為是否正確。而深度學(xué)習(xí)則是通過(guò)構(gòu)建類似于人類視覺(jué)神經(jīng)系統(tǒng)的多層次體系，每單元層之間含有更多的隱含單元，通過(guò)對(duì)原始輸入數(shù)據(jù)的逐層判斷及三維非線性變換，可以進(jìn)行更復(fù)雜、更高層次、更抽象的特征表述，強(qiáng)化原始輸入數(shù)據(jù)的差異性，削弱不相關(guān)影響，具有更好的準(zhǔn)確性及穩(wěn)定性。與傳統(tǒng)機(jī)器學(xué)習(xí)和信號(hào)處理方法相比，深度學(xué)習(xí)是一種更智能、更深入的人工智能技術(shù)。因此，針對(duì)具體的接觸網(wǎng)懸掛狀態(tài)驗(yàn)損應(yīng)用制定相應(yīng)的深度學(xué)習(xí)策略，著重解決深度學(xué)習(xí)模型的收斂速度及運(yùn)算時(shí)間問(wèn)題，對(duì)于接觸網(wǎng)的海量原始圖片數(shù)據(jù)及工程應(yīng)用十分重要。從圖4可以看出，要實(shí)現(xiàn)相同的收斂效果，常數(shù)型學(xué)習(xí)率需要更多的迭代次數(shù)，即需要更長(zhǎng)的計(jì)算時(shí)間。綜合考慮重構(gòu)誤差和計(jì)算時(shí)間，AadMix的性能優(yōu)于其他3種學(xué)習(xí)策略。

圖4 學(xué)習(xí)策略性能比較

6 目標(biāo)識(shí)別

根據(jù)接觸網(wǎng)懸掛裝置全局圖像具體特點(diǎn)，以及深度學(xué)習(xí)（AdaMix模型）結(jié)果，在研究過(guò)程中分別運(yùn)用仿射不變矩、SIFT、SURF 3種不同的局部圖像特征匹配方法對(duì)待檢目標(biāo)進(jìn)行識(shí)別，并對(duì)識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)、分析和比較。最終選擇了SURF算法，其優(yōu)勢(shì)在于通過(guò)采用積分圖像提高了算法速度，結(jié)合已經(jīng)過(guò)深度學(xué)習(xí)的AdaMix模型，SURF特征檢測(cè)算法可以更快速、準(zhǔn)確地匹配識(shí)別目標(biāo)圖像[7]。

7 檢測(cè)實(shí)驗(yàn)

利用已完成訓(xùn)練的系統(tǒng)模型分別對(duì)管帽圖片及開口銷圖片進(jìn)行識(shí)別處理，管帽圖片包括管帽正常、管帽缺失狀態(tài)圖片各40張；開口銷圖片包括銷釘正常、開口銷缺失狀態(tài)圖片各40張。檢測(cè)結(jié)果見表1、表2。

表1 管帽狀態(tài)檢測(cè)實(shí)驗(yàn)數(shù)據(jù)

表2 開口銷狀態(tài)檢測(cè)實(shí)驗(yàn)數(shù)據(jù)

以上2種接觸網(wǎng)零件脫落狀態(tài)基本被正確檢測(cè)，管帽缺失及開口銷缺失狀態(tài)的正確檢測(cè)率均在90%以上。其中出現(xiàn)少量管帽被誤檢測(cè)識(shí)別的情況，原因在于部分圖片中出現(xiàn)了遮擋，導(dǎo)致特征不明顯，或者邊緣等重要信息丟失；少數(shù)開口銷被誤檢測(cè)的情況，其原因在于污垢過(guò)多造成部件的邊緣形狀出現(xiàn)變化或開口銷與耳片的背景灰度接近，較難區(qū)分。

8 結(jié)語(yǔ)

本文基于圖像識(shí)別及神經(jīng)網(wǎng)絡(luò)技術(shù)，利用扭曲矯正及低光照增強(qiáng)技術(shù)，降低環(huán)境、光照對(duì)待檢原始圖片圖元信息的干擾，使之圖像更清晰、待識(shí)別局部與背景更加突出，便于機(jī)器視覺(jué)分析和神經(jīng)網(wǎng)絡(luò)判別；采用了SURF局部特征提取法，對(duì)待識(shí)別圖像特征進(jìn)行提取，并利用神經(jīng)網(wǎng)絡(luò)殘差恢復(fù)技術(shù)實(shí)現(xiàn)對(duì)微小特征點(diǎn)丟失信息的恢復(fù)，并交由系統(tǒng)進(jìn)行學(xué)習(xí)，效果較好。結(jié)合已經(jīng)過(guò)深度學(xué)習(xí)的AdaMix模型，SURF特征檢測(cè)算法可以更快速、準(zhǔn)確地匹配識(shí)別目標(biāo)圖像，可以對(duì)管帽及開口銷存在的6種狀態(tài)進(jìn)行識(shí)別檢測(cè)，特別是可對(duì)其脫落狀態(tài)進(jìn)行準(zhǔn)確識(shí)別，而對(duì)松脫程度的判斷仍有待做進(jìn)一步研究。實(shí)驗(yàn)結(jié)果顯示，對(duì)管帽、開口銷的不良狀態(tài)具有較高的正確檢出率，為接觸網(wǎng)懸掛狀態(tài)的非接觸式檢測(cè)提供了一種技術(shù)參考。

[1] 鐘俊平，劉志剛，陳雋文，等. 高速鐵路接觸網(wǎng)懸掛裝置開口銷不良狀態(tài)檢測(cè)方法研究[J]. 鐵道學(xué)報(bào)，2018，40（6）：51-59.

[2] 張衛(wèi)華，沈志云. 接觸網(wǎng)動(dòng)態(tài)研究[J]. 鐵道學(xué)報(bào)，1991，13（4）：26-33.

[3] 劉杰. 接觸網(wǎng)參數(shù)的非接觸檢測(cè)[J]. 電氣化鐵道，1998（2）：43-45.

[4] 鐘俊平，劉志剛，張桂南，等. 高鐵接觸網(wǎng)旋轉(zhuǎn)雙耳銷釘狀態(tài)檢測(cè)方法研究[J]. 鐵道學(xué)報(bào)，2017，39（6）：65-71.

[5] 黃艷紅.受電弓滑板磨耗圖像檢測(cè)算法研究[D]. 西南交通大學(xué)，2008.

[6] Barnea Daniel L, Silverman H. F. A Class of Algorithms for Fast Digital Image Registration. Computers, IEEE Transactions on[J]. 1972，C-21(2)：179-186.

[7] Medioni G., Nevada R. Matching Images Using Linear Features. Pattern Analysis and Machine Intelligence, IEEE Transactions on[J]. 1984, PAMI-6(6): 675-685.

The image identification technology and neural network technology are used for inspection of improper status of pipe caps and split pins in supporting structures of overhead contact line of high speed railway, to preprocess the inspection images of contact lines which are waiting to be inspected by means of image intensification and frequency-domain intensification, realize identification and extraction of target images by SURF local feature matching method, execute residue restoration of target local images by neural network technology, make them forming a stable and wide-area inspection criteria, which is able to be confirmed and recognized by the machine vision so as to realize the identification of defects of pipe caps and split pins.

Improper status of pipe cap; improper status of split pin; frequency domain intensification; neural network residue restoration

10.19587/j.cnki.1007-936x.2018.06.018

U226.8

B

1007-936X(2018)06-0073-04

2018-10-25

張丕富.中國(guó)鐵路成都局集團(tuán)有限公司達(dá)州供電段，工程師。