基于非線性擬合的接觸網(wǎng)運(yùn)行異常狀態(tài)智能檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體涉及視覺計(jì)算技術(shù)領(lǐng)域和非線性擬合計(jì)算方法 中基于非線性擬合的接觸網(wǎng)運(yùn)行異常狀態(tài)智能檢測的方法。本發(fā)明將視覺計(jì)算、計(jì)算機(jī)網(wǎng) 絡(luò)、有線/無線通信技術(shù)、非線性擬合方法、人工智能以及人機(jī)交互有機(jī)地融合于一體，可對 鐵路接觸網(wǎng)供電運(yùn)行狀態(tài)提供智能檢測，用以提高接觸網(wǎng)檢測工作效率和質(zhì)量，為供電管 理的信息自動化水平和工作效率的提升提供新的、有效的科學(xué)技術(shù)方法。
【背景技術(shù)】
[0002] 接觸網(wǎng)安全巡檢裝置(2C)在檢測接觸網(wǎng)設(shè)備缺陷、保證供電設(shè)備安全方面發(fā)揮著 重要作用。然而，由于受技術(shù)設(shè)備等一系列因素的影響，目前的安全巡檢裝置尚未能夠?qū)崿F(xiàn) 異常狀態(tài)的精確檢測和迅速識別的功能。目前，針對接觸網(wǎng)異常狀態(tài)檢測，現(xiàn)有以下技術(shù)：
[0003] 高仕斌申請的專利技術(shù)"一種基于DH0G和離散余弦變換的接觸網(wǎng)平衡線故障檢測 方法"（【申請?zhí)枴?01510233946.7，申請公布號：CN104866865A)公開了一種接觸網(wǎng)平衡線故 障檢測方法。該方法通過使用離散余弦變換對平衡線及其支座目標(biāo)特征信息增強(qiáng)，再基于 圓弧分段擬合進(jìn)行圓形檢測。該方法存在的不足是，檢測算法僅限于圓形統(tǒng)計(jì)，忽略了非線 性等函數(shù)不確定的屬性。
[0004]吳曉申請的專利技術(shù)"基于圖像的鐵路接觸網(wǎng)鳥窩異常狀態(tài)檢測方法"（【申請?zhí)枴?201310721802.7,申請公布號:CN 103745224 A)公開了一種接觸網(wǎng)異常狀態(tài)檢測方案。該 方案通過將提取的接觸網(wǎng)直方圖特征做基于直線方向和長度分布特性的識別來實(shí)現(xiàn)對接 觸網(wǎng)鳥窩異常情況的檢測。該方法存在的不足是，檢測需要滿足鳥窩出現(xiàn)在接觸網(wǎng)支柱主 干區(qū)域周圍的先驗(yàn)經(jīng)驗(yàn)，即區(qū)域中包含主干部分的像素大于閾值，并且需要進(jìn)行負(fù)樣本訓(xùn) 練，而這里的負(fù)樣本即鳥窩在接觸網(wǎng)出現(xiàn)的頻率要遠(yuǎn)遠(yuǎn)小于正樣本，降低訓(xùn)練的魯棒性。

【發(fā)明內(nèi)容】

[0005] 為了克服上述現(xiàn)有技術(shù)存在的問題，本發(fā)明提出了基于非線性擬合的接觸網(wǎng)異常 狀態(tài)智能檢測方法，該方法采用的技術(shù)方案是:利用車載高速攝像機(jī)采集列車行進(jìn)方向前 方多個接觸網(wǎng)的圖像信息，通過對接觸網(wǎng)狀態(tài)圖像進(jìn)行預(yù)處理增強(qiáng)圖像的亮度和對比度， 根據(jù)同類鐵路段接觸網(wǎng)的建設(shè)特點(diǎn)，采用機(jī)器學(xué)習(xí)技術(shù)對高速攝像機(jī)拍攝的圖像進(jìn)行區(qū)域 提取，并關(guān)注較清晰的幾個接觸網(wǎng)關(guān)鍵部件，通過sobe 1算子檢測出較清晰的接觸網(wǎng)邊緣信 息圖像并與Hough直線檢測的結(jié)果圖進(jìn)行"異或"操作，對"異或"操作后的圖進(jìn)行腐蝕運(yùn)算 獲取較精確的疑似異常狀態(tài)邊緣圖，采用非線性擬合方法選取最佳擬合函數(shù)，判斷可決系 數(shù)檢測出疑似缺陷，最終利用人機(jī)交互篩選真正存在缺陷的接觸網(wǎng)狀態(tài)圖像，解決了專職 人員對觀測記錄到的大量接觸網(wǎng)運(yùn)行圖像數(shù)據(jù)進(jìn)行回放分析，判讀是否存在異常狀態(tài)，耗 時耗力，不能及時發(fā)現(xiàn)設(shè)備缺陷等問題。
[0006] 本發(fā)明實(shí)現(xiàn)的具體步驟如下：
[0007] (1)系統(tǒng)初始化
[0008] la)利用車載高速攝像機(jī)采集待檢測接觸網(wǎng)的照片信息；
[0009] lb)將采集到的待檢測接觸網(wǎng)照片信息通過網(wǎng)絡(luò)傳輸設(shè)備發(fā)送給鐵路局監(jiān)測中 心；
[0010] 1C)將高速攝像機(jī)所采集的接觸網(wǎng)狀態(tài)照片緩存于數(shù)據(jù)庫中；
[0011] (2)針對特殊氣候和光照條件微弱的情況下，對接觸網(wǎng)狀態(tài)圖像進(jìn)行預(yù)處理，增強(qiáng) 圖像的亮度和對比度；
[0012] (3)根據(jù)同類鐵路段接觸網(wǎng)的建設(shè)特點(diǎn)，使用機(jī)器學(xué)習(xí)的技術(shù)對高速攝像機(jī)拍攝 到的接觸網(wǎng)關(guān)鍵部件，包括三角結(jié)構(gòu)、主干區(qū)域和電線等區(qū)域進(jìn)行區(qū)域提?。?br>[0013] 3a)使用Haar-like特征，檢測關(guān)鍵部件的矩開多特征；
[00?4] 3b)使用積分圖對Haar-1 ike特征求值，遍歷一次圖像并快速求出圖像中所有區(qū)域 像素；
[0015] 3c)使用AdaBoost算法訓(xùn)練接觸網(wǎng)關(guān)鍵部件的強(qiáng)分類器，將接觸網(wǎng)關(guān)鍵部件從原 始圖像中分離；
[0016] (4)對接觸網(wǎng)的三角結(jié)構(gòu)、主干區(qū)域和電線等較清晰的幾個接觸網(wǎng)關(guān)鍵部件區(qū)域 使用sobel邊緣檢測算子進(jìn)行邊緣提取，分別為邊緣圖Ιτ，Ι Μ和Iw，對提取到邊緣圖Ιτ，ΙΜ和Iw 進(jìn)行Hough直線檢測得到圖Ith，Imh和Ira;
[0017] (5)分別將邊緣圖和Hough直線檢測得到的圖中所有像素值進(jìn)行邏輯"異或"，并進(jìn) 行腐蝕運(yùn)算，得到圖Γτη,Ι'μη和I'WH;統(tǒng)計(jì)圖中的像素值個數(shù)n，當(dāng)像素值個數(shù)η大于設(shè)定閾 值％時，判斷此結(jié)構(gòu)包含異常狀態(tài)，執(zhí)行步驟(6);否則認(rèn)為無異常，執(zhí)行步驟(2);
[0018] (6)對圖I 'ΤΗ，Ι 'ΜΗ和I 'WH建立直角坐標(biāo)系；提取待擬合的曲線，選取圖中像素點(diǎn)并 記錄坐標(biāo)(xi，yi)，（i = l，2···ηι)，其中
[0019] (7)對選取的點(diǎn)進(jìn)行非線性擬合，尋找函數(shù)/(υ，）使得函數(shù)在點(diǎn)Xi(i = l，2···ηι)處 的函數(shù)值與觀測數(shù)據(jù)偏差的平方和達(dá)到最?。?br>[0020] (8)計(jì)算函數(shù)的可決系數(shù)R2,當(dāng)可決系數(shù)R2大于預(yù)設(shè)閾值a R時，認(rèn)定擬合效 果達(dá)到要求，則選取函數(shù)/(^>為最佳擬合函數(shù)，檢測結(jié)果包含疑似缺陷，執(zhí)行步驟(9);否 貝1J，執(zhí)行步驟(2);
[0021 ] (9)將疑似缺陷的接觸網(wǎng)運(yùn)行異常狀態(tài)圖像篩選至待檢測文件夾中；
[0022] (10)使用智能分析管理人機(jī)交互模塊對疑似缺陷的接觸網(wǎng)運(yùn)行異常狀態(tài)圖像進(jìn) 行人工細(xì)檢，管理人員可以對系統(tǒng)進(jìn)行配置、查詢、運(yùn)行和中斷等操作，最終篩選出真正缺 陷的接觸網(wǎng)狀態(tài)。
[0023]本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：
[0024]第一，由于本發(fā)明根據(jù)同類鐵路段接觸網(wǎng)的建設(shè)特點(diǎn)，采用機(jī)器學(xué)習(xí)的方法對高 速攝像機(jī)采集到的圖像關(guān)鍵部件進(jìn)行區(qū)域提取，并通過邊緣圖與Hough直線檢測的結(jié)果精 確獲取接觸網(wǎng)運(yùn)行疑似缺陷區(qū)域的邊緣細(xì)節(jié)，通過最佳擬合函數(shù)的求解，檢測出非線性特 征中的除圓形特征的其他特征，可以用于精確檢測到鳥窩等圓形特征不明顯的異常狀態(tài)。 [00 25]第二，由于本發(fā)明使用的Haar-1 ike矩形特征做檢測，并通過AdaBoost算法訓(xùn)練接 觸網(wǎng)關(guān)鍵部件的強(qiáng)分類器，解決了需要滿足鳥窩出現(xiàn)在接觸網(wǎng)支柱主干區(qū)域周圍的先驗(yàn)經(jīng) 驗(yàn)的限定，無需訓(xùn)練有鳥窩等異常狀態(tài)的負(fù)樣本，解決了鳥窩等異常狀態(tài)在接觸網(wǎng)出現(xiàn)的 頻率要遠(yuǎn)遠(yuǎn)小于正樣本導(dǎo)致的訓(xùn)練魯棒性降低的問題。
【附圖說明】
[0026] 圖1為本發(fā)明的流程圖；
[0027] 圖2為本發(fā)明邊緣檢測與直線檢測示意圖，其中圖2的（a)是高速攝像機(jī)采集到的 接觸網(wǎng)圖像，圖2的（b)是使用Adaboost算法訓(xùn)練接觸網(wǎng)三角結(jié)構(gòu)、主干區(qū)域和電線等較清 晰的幾個關(guān)鍵部件區(qū)域的強(qiáng)分類器并進(jìn)行sobel邊緣檢測結(jié)果圖，圖2的（c)是對sobel邊緣 檢測結(jié)果圖進(jìn)行Hough直線檢測結(jié)果圖；
[0028] 圖3為本發(fā)明提取待擬合曲線示意圖，其中圖3的(a)和圖3的(b)是圖2的(b)與圖2 的（c)進(jìn)行"異或"操作后提取到的接觸網(wǎng)異常狀態(tài)特征，是本發(fā)明中提取有待擬合的待檢 測曲線；
[0029]圖4為本發(fā)明的非線性擬合結(jié)果圖，其中圖4的(a)是對圖3的（a)提取待擬合曲線 后選取插值點(diǎn)結(jié)果圖，圖4的(b)是對圖3的(b)提取待擬合曲線后選取插值點(diǎn)結(jié)果圖，圖4的 (c)是對圖4的(a)進(jìn)行非線性曲線擬合的結(jié)果圖，圖4的（d)是對圖4的（b)進(jìn)行非線性曲線 擬合的結(jié)果圖；
【具體實(shí)施方式】
[0030] 下面結(jié)合附圖對本發(fā)明的具體實(shí)施做詳細(xì)的描述。
[0031] 參照圖1，實(shí)現(xiàn)本發(fā)明方法的具體步驟如下：
[0032]步驟1，系統(tǒng)初始化
[0033]本發(fā)明中，采用統(tǒng)一分辨率較高的攝像機(jī)拍攝接觸網(wǎng)運(yùn)行狀態(tài)圖像;接觸網(wǎng)運(yùn)行 異常狀態(tài)智能檢測系統(tǒng)配備有兩個車載高速攝像機(jī)，分辨率分別為2448X2056(500萬像 素)和1620X1236(200萬像素）；在列車行進(jìn)過程中，高速攝像機(jī)以17幀/秒的幀率拍攝列車 行車方向的接觸網(wǎng)圖像；
[0034]車載高速攝像機(jī)將拍攝到的接觸網(wǎng)運(yùn)行狀態(tài)圖像信息通過網(wǎng)絡(luò)傳輸設(shè)備發(fā)送給 鐵路局檢測中心，鐵路局檢測中心將待檢測的接觸網(wǎng)運(yùn)行狀態(tài)圖像存儲至數(shù)據(jù)庫中，準(zhǔn)備 進(jìn)行離線分析和檢測；
[0035] 步驟2,圖像預(yù)處理
[0036] 選擇特殊氣候和光照條件微弱的情況下，對接觸網(wǎng)狀態(tài)圖像進(jìn)行預(yù)處理，增強(qiáng)圖 像的亮度和對比度，預(yù)處理之后的圖像g(x):
[0037] δ(χ)=α?(χ)+β
[0038] 其中，g(x)是輸出圖像像素，參數(shù)a>0是增益，β是偏置；用這兩個參數(shù)分別控制對 比度和亮度，f(x)是輸入圖像；
[0039] 步驟3,根據(jù)同類鐵路段接觸網(wǎng)的建設(shè)特點(diǎn)，使用機(jī)器學(xué)習(xí)的方法對高速攝像機(jī)拍 攝的圖像進(jìn)行區(qū)域提取，只關(guān)注較清晰的幾個接觸網(wǎng)關(guān)鍵部件區(qū)域，所謂機(jī)器學(xué)習(xí)的方法， 采用的是Adaboost自適應(yīng)增強(qiáng)，利用前一個基本分類器分錯的樣本的增強(qiáng)，使加權(quán)后的全 體樣本再次被用來訓(xùn)練下一個基本分類器，同時，在每一輪中加入一個新的弱分類器，直到 達(dá)到某個預(yù)定的足夠小的錯誤率或達(dá)到預(yù)先設(shè)定的最大迭代次數(shù)；
[0040] 對高速攝像機(jī)采集到的圖像利用Haar-like矩形特征做檢測反應(yīng)其線性特征;根 據(jù)特征模板的特征值定義，即白色矩形像素和減去黑色矩形像素和，求出每個待檢測子窗 口中的特征