動車組受電弓狀態圖像檢測技術研究

周 晏

（中國鐵路蘭州局集團有限公司，蘭州 730000）

1 概述

隨著國內高速鐵路的快速發展，動車組保有量也越來越龐大，如何降低維修成本、減少人員投入等需求尤為迫切。其中，動車組車頂關鍵部件——受電弓是動車組一級檢修[1]的主要檢修對象之一，檢修內容包括受電弓各子部件的外觀狀態：弓頭、碳滑板、羊角、拉簧、扭簧、氣囊、軟編織線、絕緣子等零部件。目前，國內針對車頂受電弓的檢測手段主要分為人工檢查和智能設備檢測，其中人工檢查為通過申請作業時間點，登頂車頂作業，工作強度大、作業效率低；智能檢測設備主要采用線陣圖像掃描車頂成像，通過網絡把圖像數據傳輸后臺服務器進行機器智能識別和報警。但是，線陣相機拍攝的圖像存在立體感不強、成像的質量易受車速變化導致圖像畸變等問題，本文提出一種安裝在動車所檢測棚，通過創新的車頂觸發機制，引導面陣相機進行高質量圖像拍攝、圖像模板匹配的動車組受電弓狀態圖像檢測系統進行受電弓智能檢測。

2 系統框架

動車組受電弓狀態圖像檢測系統（簡稱系統）由圖像采集系統和圖像分析系統兩個子系統組成。圖像采集系統由安裝在檢測棚的線陣相機、面陣相機、車號識別模塊硬件和相應的軟件構成，主要具備線陣圖像車頂掃描、受電弓識別、車頂受電弓區域圖像高清成像、車號識別等功能，具有圖像數據傳輸給圖像分析系統功能；圖像分析系統負責將圖像采集系統的圖像進行圖像數據處理、對受電弓區域關鍵零部件的安裝狀態進行故障對比分析和故障可視化，實現對受電弓狀態的自動識別和報警。系統框架如圖1 所示。

圖1 動車組受電弓狀態圖像檢測系統框架Fig.1 Framework for image detection system of pantograph status of EMU

3 系統硬件部署

系統硬件設備主要由部署在檢測棚頂部的兩臺面陣相機組件、線陣相機組件，部署在檢測棚下部的車號采集模塊，部署在檢測棚下部的前端處理工控機，部署在機房的后臺處理服務器組成。其中檢測棚頂部設備布局如圖2 所示。

圖2 檢測棚相機部署Fig.2 Deployment of cameras in an image detection shed

如圖2 所示，檢測棚頂部部署一臺線陣相機組件，用于高速線陣車頂掃描，實時把掃描數據傳輸給前端處理工控機，通過算法識別是否為受電弓。當準確識別受電弓，輸出觸發信號給部署在左、右端兩臺高清工業面陣相機組件，抓拍車頂受電弓區域圖像，車頂線陣相機組件和面陣相機組件安裝距離L大于2 m，確保面陣相機抓拍角度最佳。

4 圖像采集系統

4.1 車號識別

車號識別由車號采集模塊和車號識別軟件組成，其中車號采集模塊由線陣相機組件組成，車號識別軟件通過YOLOv3 算法實現光學字符識別（Optical Character Recognition，OCR）。YOLO是一種檢測速度較快的單階段（One-Stage）目標檢測網絡。

YOLOv3[2]作為YOLO 系列目標檢測算法第3個版本，在保持快速檢測優點的同時，提升了小目標檢測精度。由于動車組車號制式標準，車號采集模塊拍攝距離固定。網絡模型采用Darknet-53 算法，該算法共包含53 個卷積層，每個卷積層后面都伴有批量標準化（Batch Normalization，BN）層和leaky ReLU 層，leaky ReLU 是深度學習中經常用到的一種激活函數。模型使用步幅為3 的卷積層替代抽樣層進行特征圖的降采樣，全模型均采用卷積層，可有效阻止由于抽樣層導致的低層特征圖的精度損失。網絡模型輸入是(512, 512, 1)。其中512 代表圖像寬、高，1 表示輸入圖像為一個通道灰度圖，輸出類別為動車組車號字符0-9，A-Z，共36 個類別。網絡模型訓練采用隨機梯度下降（Stochastic Gradient Descent，SGD）+動量方法[3]，如圖3 所示。

圖3 動車組車號識別框架Fig.3 Framework for recognizing EMU numbers

4.2 受電弓識別

受電弓識別是指通過線陣相機拍攝的車頂圖像，采用識別算法，識別車頂受電弓，把準確識別到車頂受電弓作為觸發信號，觸發面陣相機抓拍高清車頂受電弓圖像。識別算法采用Gabor 特征和支持向量機（Support Vector Machine，SVM）分類器結合使用。Gabor 特征用來描述圖像的紋理信息，SVM 分類器是一類按監督學習（Supervised Learning）方式對數據進行二元分類的廣義線性分類器（Generalized Linear classifier）。

Gabor 是一種生物啟發式的特征，其模仿生物視覺系統用以描述圖像。通過多尺度多方向的Gabor 濾波器組對圖像濾波處理后得到形狀信息，這一過程稱之為Gabor 變換。在圖像處理領域，Gabor 濾波器使用較為廣泛，因為其可以很好地提取圖像的不同尺度不同方向的輪廓細節。

Gabor 濾波器公式如式（1）所示。

O(x,y)為Gabor 特征圖，把每個特征圖分成1×1、2×2、4×4 共3 種單元格組合，分別計算每個格子中的均值和方差，把所有均值和方差串聯成一個特征描述符，輸入到支持向量機判別是否為受電弓。

4.3 圖像采集軟件

圖像采集軟件通過接收車號識別軟件的車號信息，通過接收受電弓識別的觸發信息，分別啟動和控制各個面陣相機圖像采集，把采集的圖像數據傳輸給圖像分析系統。為了高效、穩定的采集圖像數據，采集軟件采用遠程過程調用 (Remote Procedure Call，RPC)框架，和各個軟件之間采用TCP/IP 進行通信，軟件采用主流的RPC 框架-Thrift[4]， Thrift 由Facebook 開發用做系統內各語言之間的 RPC 通信的一個可擴展且跨語言的軟件框架，它融合了功能強大的多個軟件堆棧和代碼生成引擎，允許定義一個簡單的文件中的數據類型和服務接口，以XML 格式作為輸入文件，編譯器自動生成RPC 客戶端和服務器通信的無縫跨編程語言。

5 圖像分析系統

圖像分析系統的主要功能是監聽和獲取從圖像采集系統傳輸至服務器的圖像數據和過車信息，進行一系列的圖像預處理、圖像對齊和模板匹配等操作后，將檢測結果進行可視化和報警。

5.1 圖像預處理

圖像預處理是圖像處理的基本操作，也是特別關鍵的步驟。圖像預處理對圖像處理總體時間消耗和后續識別算法起著非常關鍵的作用。圖像去噪、圖像增強和圖像變換是圖像預處理中使用最頻繁的運算方法。系統采用多尺度的Retinex[5]圖像增強算法，Retinex 理論的基礎理論是物體的顏色是由物體對紅色、綠色、藍色光線的反射能力來決定，例如，假設一幅圖像S(x,y)由反射圖像R(x,y)和入射圖像L(x,y)相乘構成，其中反射圖像表示物體的反射性質，代表圖像內在本質，應盡量保留；入射圖像代表圖像像素的動態范圍，盡量去除。Retinex 算法就是通過對L(x,y)進行高斯照度估計，通過求逆計算出R(x,y)，從而增強S(x,y)的過程。算法流程如圖4 所示，圖像增強效果如圖5 所示。

圖4 Retinex算法流程Fig.4 Flowchart of Retinex algorithm

圖5 圖像增強前后效果Fig.5 Comparison of images before and after image enhancement

5.2 圖像對齊

圖像對齊是模板匹配的關鍵步驟，對齊的好壞直接影響匹配的精度。圖像對齊是指提取圖像I(x,y)和圖像J(x,y)圖像特征，采用特征匹配算法對兩幅圖像進行匹配，求解兩幅圖的單應矩陣。處理流程如圖6 所示。

圖6 單應矩陣求解流程Fig.6 Flowchart of solving homography matrix

如圖6 所示，采用ORB[6]特征作為兩幅圖的特征提取描述符，ORB（Oriented FAST and Rotated BRIEF）是一種快速特征點提取和描述的算法，由關鍵點和描述符組成，其中關鍵點是帶方向的FAST 關鍵點，FAST 關鍵點的定義為，假設在一個5×5 的窗格中，中心像素P，窗口中連續的N個像素點的灰度值比P點大或者小，N本文取15，則認為P為關鍵點。根據關鍵點周圍的像素值變化給P新增一個方向性，方向性采用圖像矩實現。圖像矩是一種具有平移、旋轉和尺度不變性的特征，其能夠以一種簡單的形式作為圖像的特征對圖像進行識別。圖像矩的計算公式如式（5）所示。

當提取到關鍵點P的特征后，使用BRIEF 描述方法處理特征，BRIEF 描述子，是一種二進制描述子，每個關鍵點P由一個128 ～512 位的二進制字符串表示，每個位用0 或者1 表示，根據BRIEF描述子的二進制特點，采用最近鄰漢明距離進行ORB 特征的匹配。漢明距離指的是兩個相同長度的特征向量，對應位置的不同位的長度數量。

單應矩陣H[7]是兩幅圖像之間的映射關系，設{xi,xi～}，表示匹配點對，確定單應矩陣H，使其滿足xi～=Hxi,也即其中一幅圖，根據等式可對齊另一幅圖。把等式進行變換，使其為AH=0，其中矩陣A由匹配點對構成，方程為線性齊次方程組，使用奇異值分解A=UΣVT，求解的單應矩陣H是矩陣V最右邊列向量。

5.3 圖像模板匹配

受電弓狀態圖像的智能識別是系統的最關鍵功能，采用穩定性高、算法處理時間短、漏檢率低的模板匹配[8]作為智能識別算法技術路線。模板匹配可一次性處理受電弓區域眾多關鍵識別項點，根據動車組一級檢修相關規程，系統需要識別的車頂受電弓區域的主要項點如表1 所示。

表1 智能檢測項點Tab.1 Items of intelligent detection

6 實驗和驗證

為測試系統的性能，本文采用場外試驗的方法對系統關鍵的算法進行驗證，試驗地點為某鐵路局機務段，線陣相機型號為C4-312S，面陣相機型號為LXG-250，拍攝圖像如圖7 所示。

圖7 相機拍攝圖像Fig.7 Images taken by the cameras

6.1 車號識別

數據采用安裝在檢測棚下部用于拍攝車號的線陣相機采集的圖片，共采集車號圖片12 000 張，每張圖片全覆蓋列車車身，涵蓋動集、動車、高鐵多個車號類型，正確識別數量11 943 張，準確率99.52%。個別錯誤識別的車號主要原因是車號采集模塊存在圖像畸變和相機光源衰減導致圖像偏暗，在12 000 張采集圖像中錯誤識別57 張，占比0.48%。

6.2 受電弓識別

數據采用安裝在檢測棚頂部的用于拍攝車頂的線陣相機拍攝的圖片，共采集車頂圖像25 000 張，每張圖全覆蓋一列車車頂，包括升弓和降弓，涵蓋動集、動車、高鐵多個受電弓型號，其中正確識別受電弓24 902 張，錯誤識別98 張，準確率99.6%，錯誤識別主要原因是把動車組連接處識別為受電弓，連接處和受電弓在圖像特征具有相似性，如圖8 所示。

圖8 錯誤識別圖例Fig.8 Example of incorrect recognition

6.3 智能識別

數據采用安裝在檢測棚車頂左、右端的兩臺面陣相機拍攝的圖像，共拍攝車頂受電弓區域圖片24 902 張，其中存在故障的圖片為205 張，涵蓋10 個識別項點，系統報出故障223 張，經人工核對198 張識別正確，有8 張圖片漏識別，整體準確率為88.7%，漏檢率3%，如表2 所示。

表2 智能識別統計Tab.2 Statistics on intelligent recognition

7 結束語

本文詳細分析了圖像采集系統和圖像分析系統構成的動車組受電弓狀態圖像檢測系統，通過安裝在檢測棚進行場外實驗，采集數據，對數據進行處理與分析。實驗結果表明系統具有穩定的圖像采集功能，滿足良好的圖像質量需求，圖像智能分析整體準確率高，漏檢率低，具有較高效實用性，可帶來降低人工檢修工作強度、提高檢修效率、降低人工安全風險、提升經濟效益等價值。