一种基于图元分类的高铁接触网悬挂装置故障状态检测方法

摘要

本发明涉及一种以图元分类为基础的高铁接触网悬挂装置故障状态检测方法。包括以下步骤：首先提取图像中的边界曲线，根据边界曲线的曲率变化率实现杆状物图元的提取与去除，进而实现各悬挂装置零部件图元的分割。再利用SURF算法在之前提取的各零部件图元与标准模板图像进行局部特征点匹配；并利用改进之后的RANSAC(Random Sample Consensus，随机抽样一致)算法对匹配成功的特征点对进行筛选，计算模板图像与各图元之间的仿射变换矩阵，实现各零部件的识别与精确定位。最后针对不同的故障类别对悬挂装置零部件的故障状态进行检测。本发明基图元分类的方法，可实现接触网悬挂装置全局图像的深层次处理，有效地提高了接触网非接触式检测的自动化程度，降低了故障检测的难度，为电气化铁路绝缘性能检测提供一种可行的参考。

主权项

基于图元分类的高铁接触网悬挂装置故障状态检测方法；通过对接触网悬挂装置图像进行图元分类，实现不同零部件的有效分割与分类识别，进而针对不同零部件实现其故障状态的评估与检测，具体分为以下步骤：A、基于边界曲线曲率变化率的杆状物图元提取对图像的边缘信息进行提取，得到图像中各连通域的边界曲线，根据边界曲线的曲率变化率实现杆状物的提取与去除，进而实现图像中各零部件的分割；具体步骤如下：A1：对图像进行二值化，去除图像中包含像素点过少的连通域，对余下的连通域进行边界曲线提取，得到每一条边界曲线的坐标点序列；A2：计算边界曲线上每一点的曲率变化率，边界曲线上第k个点的曲率c_k定义为它与第k+10个点连线的倾角，即：$c_k=\arctan \left[\frac{y_{k+10}-y_k}{x_{k+10}-x_k}\right]---\left(1\right)$其中，x_k、y_k、x_k+10、y_k+10、分别表示上边界曲线上第k个点和第k+10个点的横纵坐标，其曲率变化率Δc_k定义则为它与第k+50个点之间曲率差异的绝对值，即Δc_k＝|c_k+50‑c_k|           (2)如果边界曲线上某一点的曲率变化率小于阈值事先确定的阈值T，则认为该像素点位于某杆状物的边界上；提取连续出现曲率变化率小于阈值T的点的边界曲线区段，将其判定为杆状物的边界曲线区段；A3：对b中提取到的干状物边界曲线区段根据其空间位置进行聚类，将位于同一杆状物边界上的不连续的边界曲线区段聚为一类，从而判断该杆状物在图像中的确切位置与倾斜角度；A4：将用于连接接触网悬挂装置零部件的杆状物去除，实现不同零部件的独立分割；B、基于SURF特征描述子的局部不变特征点匹配对A中提取的每一个图元区域，提取其局部不变特征点，并与标准的接触网悬挂装置零部件图像进行特征点匹配，计算两者之间的仿射变换矩阵，进而实现零部件的识别与定位；具体步骤如下：B1：选取清晰的接触网悬挂装置零部件图像作为匹配模板；B2：利用SURF算法在接触网悬挂图像与模板图像之间实现局部特征点匹配；C、利用改进之后的随机抽样一致算法RANSAC(Random Sample Consensus)对B中得到的匹配点进行筛选，消除错误匹配；计算模板图像与各图元之间的仿射变换矩阵，实现各零部件在接触网支撑与悬挂装置图像中的精确定位：C1：将最佳估计内点数S_i的值置0；C2：从每个图元区域随机抽取3个特征点，利用公式(1)计算接触网支撑与悬挂装置图像与模板图像之间的仿射变换矩阵H₁；H₁＝BA^T(AA^T)^‑1          (3)式中，$A=\left(\begin{array}{cccc}{x}_1& x_2& ...& x_N\\ y_1& y_2& ...& y_N\\ 1& 1& ...& 1\end{array}\right),$$B=\left(\begin{array}{cccc}{x_1}^{\prime }& {x_2}^{\prime }& ...& {x_N}^{\prime }\\ {y_1}^{\prime }& {y_2}^{\prime }& ...& {y_N}^{\prime }\\ 1& 1& ...& 1\end{array}\right),$N为计算H₁时用到的特征点的个数，此时有N＝3，(x_i,y_i),i∈[1,N]为接触网支撑与悬挂装置图像中某一图元上每个特征点的坐标，(x_i',y_i')为模板图像中与(x_i,y_i)相匹配的点的坐标；C3：利用(4)式计算该图元上每一个匹配成功的特征点在模板图像中的匹配点(x',y')经H₁所确定的仿射变换后得到的结果(x″,y″)；$\left(\begin{array}{c}{x}^{\prime \prime }\\ y^{\prime \prime }\\ 1\end{array}\right)=H_1\left(\begin{array}{c}{x}^{\prime }\\ y^{\prime }\\ 1\end{array}\right)---\left(4\right)$如果(x″,y″)与聚类中的点(x,y)的距离小于T，则将(x,y)判定为一个内点；C4：判断H₁对应的所有内点在接触网支撑与悬挂装置图像图元中的相对位置是否与模板图像图元中与之相匹配的特征点的相对位置相同；若不相同，则认为内点中包含错误匹配，若相同，则判断H₁所对应的内点数是否大于最佳估计内点数S_i，若大于S_i，则将H₁作为仿射变换矩阵的当前最佳估计，并更新S_i；C5：返回C2)继续运行，运行至规定次数后，循环停止，若S_i的值不为0，则认为该图元与模板图像中的零部件互为对应关系，即完成了零部件的识别；仿射变换矩阵的当前最佳估计H₁即作为其最终估计H；将模板图像四个顶点的坐标带入公式(5)，公式(5)，即可实现接触网支撑与悬挂装置图像中零部件的精确定位。式中，分别模板图像各顶点的坐标(i的取值为1‑4之间的整数)，分别为经H所确定的仿射变换后得到的结果，由确定的矩形即为零部件的定位结果；$\left(\begin{array}{c}{x^{\prime }}_{D_i}\\ {y^{\prime }}_{D_i}\\ 1\end{array}\right)=H\left(\begin{array}{c}{x}_{D_i}\\ y_{D_i}\\ 1\end{array}\right)---\left(5\right)$D、对接触网零部件的故障状态进行识别D1：针对棒式绝缘子等周期性较强的零件，首先对其灰度周期进行估计，每个灰度周期对应绝缘子的一个瓷片及其片间间隔，对绝缘子各瓷片之间的相关性进行检测，从而判断片间是否夹有义务或存在瓷片破损；D2：针对零部件的破损故障，首先对其进行边缘信息提取，在不同尺度下对边缘信息进行分析与筛选，排除掉对应表面纹理的细节信息，进而对破损的裂痕进行识别；D3：针对销钉松脱故障，首先对零部件的直线边缘进行检测，确定其朝向和与水平方向偏离的角度，并进行方向矫正，在对方向进行矫正过后的零部件子图像上进行销钉部分分割，并对是否发生销钉松脱故障进行检测。