高铁接触网悬挂装置的等电位线故障检测方法

,

(西南交通大学 电气工程学院,成都 610031)

0 概述

等电位线,也称定位支座电气连接跳线,当其出现缺失、散股、断裂故障时,将造成定位器抬升,进而列车受电弓会对定位支座造成电化学腐蚀,久之将使得定位器断裂脱落,致使打弓、钻弓等故障发生,影响行车运营安全,因此有必要对其进行故障识别。

现有的非接触式检测方法自动化程度较低,故障的识别主要依靠人工判断,不能及时实现故障的检测和判断,效率低。目前,图像自动检测技术可实现接触网几何参数和受电弓磨损的检测[1]、高速铁路接触网支撑装置耳片断裂检测[2],以及铁路绝缘子片间夹杂异物检测[3]等。

目前,国内外提出了大量的接触网非接触式图像检测方法。文献[4]采用基于目标特征点标识匹配的视觉检测方法实现了对大风环境下接触网接触导线、承力索及吊弦等接触悬挂关键部位横向、抬升偏移及扭转姿态角的在线检测。文献[5]基于Harris角点与谱聚类实现了绝缘子的抗旋转匹配和故障检测。文献[6]使用金字塔近邻平均算法和小波奇异值法检测接触网绝缘子故障。

本文提出一种基于机器视觉的等电位线散股检测方法,可实现该类故障的非接触式检测,克服传统人工检测方法工作量大、危险性高且检测效率低下的缺点。

1 等电位线的识别与提取

等电位线在待检测图像中目标较小,对于拍摄参数较为敏感,且由于它并非刚性结构,特征不固定,因此通过对其所连接的定位器支座的识别定位间接实现等电位线的定位及提取。本文采用基于模式识别的目标检测算法,通过提取图像的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征,训练AdaBoost级联分类器与支持向量机分类器来区分图像中的目标与非目标区域,实现等电位线的初定位,进而完成故障诊断。该检测算法的流程如图1所示。

图1 等电位线散股故障检测算法流程

1.1 HOG特征提取

HOG特征的核心思想是用光强梯度或边缘方向的分布信息来描述所检测物体的外形[7]。把整幅图像划分成大小一样的单元格(通常称为cell),然后在每个单元格内生成方向梯度直方图,所检测目标的描述子就可以用所有直方图的组合来表示。为提高准确率,可以通过计算图像中一个较大区域(通常称为block块)的局部直方图,有效地利用重叠部分的边缘信息,用这个归一化每个块中的直方图。和其他的描述子相比,在物体方向不变的情况下,HOG特征提取得到的描述子保持了物体的几何和光学转换的不变性[8]。

本文的正样本统一归一化为64像素×64像素大小的图片,由于相邻的块之间可以存在细胞单元的重复,因此每张正样本中包含7×7个块。将一个正样本图像中所有块的特征向量连接在一起得到整个图像的HOG特征向量。

HOG特征提取算法[9]的步骤如下:

1)将图像划分为大小相同的正方形单元格(cell)(8×8)像素。

2)计算所有单元格内的梯度直方图(9 bin)。

3)将每4个相邻的单元格合并为一个块(block)。

4)将同一块中4个单元格的梯度直方图连接在一起,形成一个9×4=36维的特征向量。

5)对该特征向量进行归一化,从而消除光照与对比度的影响。

6)将图像中所有块的特征向量连接在一起得到整幅图像的HOG特征向量。

1.2 AdaBoost级联分类器

AdaBoost级联分类器[10]由一系列的分类器串联组成。分类器的输出是被所有分类器都判决为正的样本。在实际应用中,只有少量的目标样本需要通过所有级的分类器,因为目标样本只占整体样本很小的比例,非目标样本在级联分类器的前端被滤除,因而级联结构能够大大地减少运算量[11-12]。AdaBoost级联分类器的结构组成如图2所示,算法训练分类器流程如图3所示。

图2 级联分类器的构成

图3 AdaBoost算法训练分类器流程

训练分类器首先要采集正负样本,本文收集的图像是通过检测车顶上的高速摄像机对沿途的接触网进行拍摄得到的全局或者局部图,从每张图像中截取训练分类器所需要的正负样本。正样本文件里应存放只包含等电位线的图像,负样本文件里的图片可以为任意图像,但这些图像中不应该包括待检测的等电位线。

本文共采集了等电位线金属钩部分方向向左的图像200张,向右的图像200张。正样本库建立好后把所有图片都修改为64像素×64像素大小。图片的大小会影响级联分类器训练的速度和时间,同时也会影响训练的效果。本文采集的正样本如图4所示。

图4 正样本

负样本共采集图像500张,最优的负样本图像中是包括接触网图像中除去等电位线部分的所有局部图。在用基本分类器对负样本进行再次分类时,在每张图像上随机选取子窗口作为负样本,即一张图像上计算机自动采集多个负样本。每一层参加训练的负样本数为3 000张。负样本数量和形态越多,训练完成的分类器定位的效果会越好,但是训练的速度也会越慢。负样本不需要归一化,这是因为不同像素大小的错误样本有着不同的图像信息,随机采集不同像素大小的图像作为负样本时,就可以获得局部和全局的图像信息,这样得到的错误样本更具有鲁棒性,会使分类器训练的效果更好。本文采集的负样本如图5所示。

本文设置的分类器的训练级数最多16级。其中前面4级训练较快,从第5级开始由于样本特征和分类器结构复杂度增加,训练速度越来越慢。不同样本的分类器训练的时间长短不一样,本文训练的分类器时间偏久,这是由于光照、拍摄角度等原因导致正负样本图像灰度值相差很大,以及检测目标即等电位线处的结构形态比较复杂。

AdaBoost级联分类器训练完成后,即可对检测目标等电位线进行识别定位。本文训练的2个AdaBoost级联分类器初定位等电位线的效果如图6所示。

由图6可知,本文训练的分类器虽然能准确地定位到等电位线部分,但是会产生误匹配。产生误匹配的原因有很多,如正样本图像的数量较少或者正样本没有包括各种光照条件下的图像,负样本形态少、种类少等,但这些因素对定位效果影响不会特别大。为了降低误匹配率,采用增加支持向量机(Support Vector Machine,SVM)分类器的方法。

1.3 支持向量机分类器

支持向量机借助于最优化方法来解决机器学习问题,是机器学习领域的一项新技术[13],是统计学习理论中出现最晚但性能非常好的一种方法[14]。传统的机器学习算法,像Boosting算法等都需要复杂的代数推理过程,而支持向量机算法完全不同[15]。训练分类器本质上是一个二值分类的问题,然而支持向量机则把该问题映射到一个无限大的超平面或者说高维的空间里,在新的领域进行分类[16]。假设训练样本为(xiyi),i=1,2,…,l,x∈d,yi∈{-1,1},分类超平面wx+b=0,在满足:

yi[(w·xi)+b]-1≥0

(1)

的情况下,分类面具备分类间隔,且能对所有样本进行正确分类[17]。

可以计算出分类间隔为:

(2)

要求最小化‖w‖,则求解最优分类超平面问题就可以表示成约束优化问题,即在式(1)的约束下,最小化函数[18]:

(3)

引入Lagrange函数:

(4)

其中,ai>0为Lagrange系数。将上述问题转化为对偶问题[17]:

(5)

(6)

本文的SVM学习目标是解决训练数据集线性不可分时寻找最优分类超平面的问题,引入非负松弛变量ξi,i=1,2,…,l,分类超平面的最优化问题为:

(7)

其对偶问题为对α求解下列函数的最大值:

(8)

其中,C>0为误差惩罚参数,ξi为非负松弛变量,用来训练样本线性不可分[17-18]。

a可利用序列最小最优算法求出,然后根据式(8)求出w,进而通过:

(9)

求出b,从而得到分类平面,解决分类问题。

本文中SVM分类器训练采用的正样本和AdaBoost分类器训练的正样本相同,负样本为级联的AdaBoost分类器误匹配的窗口图像。正负样本各400张图像,同样通过提取HOG特征训练AdaBoost级联和SVM混合分类器。

1.4 分类器的识别效果

将AdaBoost级联分类器分错的错误样本加入到之前的负样本中,用正样本和新的负样本进行支持向量机分类器的训练。本次训练的分类器定位误匹率较低,基本能准确地定位出等电位线部位。选择1个局部图像和2个全局图像为代表,单一的AdaBoost级联分类器和添加SVM的混合分类器的定位对比结果如图7所示,其中左侧为单一分类器的定位结果,右侧为增加SVM后的混合分类器的定位结果。

如图7各子图中的左图所示,单一的AdaBoost级联分类器能够定位出等电位线,但同时误匹配较多,不能在此定位基础上进一步地对故障进行识别。

本文用混合分类器方法对武广高铁沿线由接触网成像检测车拍摄到的100张高铁接触网支撑悬挂装置图像进行实验检测,能正确定位的图像数目是98,正确率为98%。如图7各子图右图所示,该方法能够准确定位到等电位线且几乎没有误匹配。由于等电位线本身特征复杂,而且摄像机拍摄的图像并不能包括所有光照条件下和各个方向角度下的等电位线,因此不能完全无误地定位等电位线。

2 等电位线散股故障判断

等电位线的故障一般就是出现散股,正常等电位线和散股等电位线的对比如图8所示。

图8 正常和散股等电位线

对定位到的等电位线图像做进一步的图像分割,提取出等电位线,这样能减少其他干扰因素,使等电位线的故障检测更加简单方便。

由于摄像机拍摄图片时,拍摄的距离和角度不一样,因此得到的图片像素值不一样。为了准确地找到等电位线像素值和的判据,以等电位线左边的螺丝钉为参照物,先进行图像面积归一化处理,即使得每张图像中左边同一位置的螺钉所占像素值相等,这样才能保证以等电位线像素和为故障判据的合理性。然后利用大津法得到等电位线的粗略提取,为减小等电位线周围的其他干扰因素,使用数字形态学的一些方法精确提取出等电位线。等电位线提取流程如图9所示。

图9 等电位线提取流程

2.1 大津法图像阈值分割

大津法[19]的基本思想是:将图像分割成两组,一组灰度对应目标,另一组灰度对应背景,两组灰度值的类内方差最小,两组的类间方差最大。这种方法是全局阈值自动选择的最优方法。

用上文所述方法精确提取出的等电位线部分如图10所示。

图10 散股与正常等电位线提取

2.2 等电位线面积数据统计分析

等电位线正常的时候是紧紧团在一起的一簇绳,故障的时候绳子之间会松动,因而出现故障的等电位线总面积(像素个数总和)会大于正常时的面积。本文通过对提取出的等电位线部分先进行二值膨胀,把散股出现的孔洞填满,然后计算每张等电位线的总面积,给出等电位线是否散股的面积判据。

本文总共计算了100张正常等电位线的面积,对20张出现散股故障的等电位线的面积,数据如图11所示。

图11 故障和正常等电位线面积对比

图11数据显示正常等电位线面积分布在8 667～13 878之间,出现散股故障的等电位线面积分布在13 228～19 068之间。给出的评论等电位线是否散股的判据如下:

本文使用Opencv和Matlab实验平台,用上文给出的判据对武广高铁沿线由接触网成像检测车拍摄到的100张高铁接触网支撑悬挂装置图像进行实验检测,检测结果如表1所示。

表1 等电位线故障检测数据

由实验结果可以看到,在检测的100张图像中,有一张正常的等电位线被识别为出现散股故障,一张无法判断。这是因为等电位线是被缠绕在金属钩上的,由于缠绕施工或者图像拍摄不清晰部分等电位线提取的效果不理想,因此会产生极少数图像误判断或者无法判断的情况。

3 结束语

本文利用基于HOG特征提取的AdaBoost级联分类器和支持向量机分类器实现等电位线图像的初定位。通过对图像进行面积归一化处理,使用大津法和数字形态学处理方法成功地提取出等电位线部分。最后对等电位线部分进行二值膨胀计算等电位线总的面积,给出一个判断等电位线是否散股的面积判据。实验结果表明,本文采用的等电位线故障检测方法具有较高的检测精度,可以大大降低接触网运营与维护的工作强度,具有一定的推广价值。

[1] 韩志伟,刘志刚,张桂南,等.非接触式弓网图像检测技术研究综述[J].铁道学报,2013,35(6):40-47.

[2] 韩 烨,刘志刚,韩志伟,等.基于SIFT特征匹配的高速铁路接触网支撑装置耳片断裂检测研究[J].铁道学报,2014,36(2):31-36.

[3] 杨红梅,刘志刚,韩志伟,等.基于仿射不变矩的电气化铁路绝缘子片间夹杂异物检测[J].铁道学报,2013,35(4):30-36.

[4] 周 伟,田红旗.接触风偏检测的亮度矩寻优分割算法[J].中南大学学报,2013,44(4):1708-1713.

[5] 张桂南,刘志刚.基于角点匹配与谱聚类的接触网绝缘子破损/夹杂异物故障检测[J].仪器仪表学报,2014,35(6):1370-1377.

[6] 张桂南,刘志刚,韩 烨,等.接触网棒式绝缘子故障检测的快速模糊匹配方法[J].铁道学报,2013,35(5):27-33.

[7] 杨兴彤.基于AdaBoost和SVM的图像检索研究[D].太原:太原理工大学,2013.

[8] 周科嘉.基于HOG特征和模板匹配的行人检测与跟踪研究[D].长春:吉林大学,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 锋,朱庆生,杨世泉,等.一种改进的级联AdaBoost分类器[J].计算机应用,2007,27(12):3029-3030.

[12] 柳 锋.柑橘溃疡病检测系统的研究与实现[D].重庆:重庆大学,2009.

[13] 梁力文.基于支持向量机的小波滤噪短波近红外光谱在药品定量分析中的研究[D].长春:吉林大学,2009.

[14] 杨晓元,郭 璇,张敏情.特征选择在隐秘图像检测中的应用[J].计算机工程,2008,34(8):159-161.

[15] 腾文凯.支持向量机反问题及其解法[D].保定:河北大学,2005.

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

[17] 周 鹏.基于纹理分析的煤与非煤物的图像识别算法研究[D].沈阳:东北大学,2009.

[18] 韩叙东.基于支持向量机的水电故障分类器的设计与实现[D].沈阳:东北大学,2007.

[19] 李了了,邓善熙,丁兴号.基于大津法的图像分块二值化算法[J].微计算机信息,2005,21(8):76-77.