CN102288614A - 基于曲波域移动平行窗的受电弓裂纹故障检测方法 - Google Patents

Abstract

本发明为一种基于曲波域移动平行窗的受电弓裂纹故障检测方法，通过列车轨道沿线的拍摄***采集受电弓图像，对其进行图像进行系列的预处理操作得到滑板图像；对滑板图像进行二代曲波变换，将空间域的图像转换为曲波域的曲波分解系数矩阵，采用移动平行窗法对曲波分解系数矩阵进行分析、归类和阈值处理，滤除滑板图像上除裂纹外的其它固有图像元素对应的曲波系数，最后对处理后的曲波分解系数矩阵进行逆变换，即可提取出滑板裂纹图像，实现受电弓滑板裂纹故障的检测识别。本发明方法针对受电弓滑板裂纹线奇异性的特点，运用曲波变换有效地捕捉裂纹图像的线性特征，能精确、有效的提取裂纹特征，实现受电弓裂纹故障的检测。

Description

基于曲波域移动平行窗的受电弓裂纹故障检测方法

技术领域

本发明涉及高速铁路检测设备制造领域，尤其是受电弓滑板裂纹识别方法

背景技术

高速铁路均采用电力牵引，电力牵引是目前所知能源利用率最高、最节能环保的轨道交通牵引方式。因此，目前所有新建轨道交通，无论是高速、重载，还是城市轨道交通，几乎全部采用电力牵引。电力机车在高速运行条件下从接触网上汲取电流，运行中必须保证受流的不间断和绝对可靠，怎样保证高速运行列车具有良好的受流质量是电气化铁路的关键技术之一。

受电弓是电力机车从接触网上汲取电流的装置，它与接触网导线直接接触，从接触网导线上获取电流，供机车使用，受电弓与接触线配合共同担负着把从牵引网获得的电能直接输送给电力机车使用的重要任务。由于受电弓与接触网之间存在复杂的力学和电气交互影响，其故障率一直较高。弓网故障比较复杂，受电弓的损坏与接触网的故障有时候密不可分，受电弓的故障可能造成接触网的损坏，而接触网出现问题也对受电弓不利。所以，通过对受电弓状态的实时监测，可以及时发现受电弓故障，同时通过受电弓的运行情况可以判断接触网的状态，从而有利于受电弓与接触网的及时检修，减少弓网故障的发生。

目前已有的受电弓故障检测技术主要有人工检测方式、定点在线检测方式和基于图像处理的检测识别方式等，通过传感器、红外线设备、摄像机等辅助装置实现对受电弓状态的检测。但是，现有对受电弓故障的研究集中于对滑板磨耗超限的检测，对滑板表面不良状态检测(如裂纹检测)的研究较少，而滑板裂纹故障极易造成更加严重的弓网事故。

文献“Minoru Ogasawara.铁道车辆道旁监测***的发展现状.国外机车车辆工艺，于慧娟译.2000，5：1-3”介绍了东日本铁路公司开发的受电弓滑板条磨损自动测量装置。该***由超声波传感器、摄像机、照明灯、触发开关组成。该装置将超声波传感器架设在铁路沿线，当机车通过时，超声波传感器发出超声波，通过空气传输到达被测物上后经反射返回到传感器上。依据超声波传输的时间以及当时的波速，可以计算出滑板条的厚度。

文献“李宗智.受电弓动态监控装置的研究.西南交通大学硕士学位论文，2004”介绍了一个受电弓动态监控***，该***可以24小时从水平、垂直方向对行驶中的列车受电弓进行实时监视，然后通过对监控图像的人工分析，判断出弓网***的异常信息，并及时报警。文献“Otsuki Yasutake，Kosaka shuiehi，Naka shigeki.Development of a pantograph automatic monitor.JREA.1999，42(7)：26266-26269”中介绍的受电弓自动监视装置采取了电子计算机对CCD摄像机拍摄的受电弓图片进行分析处理。该装置是由光学***、画面处理***和显示***三部分组成。光学***由架设在接触线上空横梁上的光电传感器、不受光照强度影响的照明设备和装有CCD摄像机的部件组成。画面处理***是对光学***各个部分进行控制和对CCD摄像机所拍受电弓图片进行处理的装置，该部分能测量滑板条厚度、识别受电弓异常和滑板条的非正常磨耗。

文献“L.G.C.Hamey，T.Watkins，S.W.T.Yen.Pancam：In-Service Inspection of LocomotivePantographs.9th Biennial Conference of the Australian Pattern Recognition Society on DigitalImage Computing Techniques and Applications，2007：493-499”介绍了一种Pancam机车受电弓在线监测***。它根据受电弓的结构特征，对受电弓各个部分采用不同的图像处理方法，完全实现了自动化。该***使用两台CCD相机分别捕捉运行状态受电弓的侧视图和俯视图，侧视图用于检测碳滑板条的磨损，俯视图用于分析弓角部分的损坏。

文献“冯倩.机车受电弓图像智能处理检测研究.西南交通大学硕士学位论文，2008”介绍了基于图像处理的机车受电弓无线视频监测***，该***主要对TSG3-630/25型单臂受电弓图片的受电弓倾斜、滑条丢失、滑条磨耗超限和滑条裂纹故障进行识别。它是通过使用照相机拍摄受电弓的动态图像，应用计算机智能识别技术对机车受电弓各种故障进行自动识别，使用无线传输***对机车受电弓进行远程监控，并借助以太网实现各监控点的远程联网。

发明内容

鉴于现有技术的以上不足，本发明的目的在于提供一种受电弓滑板裂纹故障的检测方法，该方法是采用图像处理技术对受电弓图像进行处理、分析，以实时识别出电弓滑板裂纹的存在。其核心是将空间域的受电弓滑板图像转换到曲波域进行分析，通过对受电弓滑板图像的曲波分解系数矩阵的处理，有效提取滑板裂纹故障特征。对于滑板裂纹图像曲波分解系数矩阵，采用基于曲波域移动平行窗的受电弓滑板裂纹识别算法区***纹图像与其它滑板固有图像，然后对滑板各种图像特征进行分类、处理，提取裂纹特征。

本发明的目的是通过如下的手段实现的：

一种基于曲波域移动平行窗的受电弓裂纹故障检测方法，通过列车轨道沿线的拍摄***采集受电弓图像，包含如下手段：

(1)、受电弓图像采集及图像预处理

CCD(Charge-coupled Device)工业照相机在受电弓工作面的垂直拍摄的图像；对获取图像进行融合、增强、边缘检测和滑板图像截取的预处理操作，得到滑板图像；

(2)、对(1)所截取的滑板图像进行二代曲波变换，将空间域的图像转换为曲波域的曲波分解系数矩阵；经全局系数的阈值处理滤除图像中的刮痕、螺钉等伪故障特征；

(3)、使用移动平行窗法对(2)数据进行处理，滤除滑板图像上除裂纹外的其它固有图像元素对应的曲波系数，最后，对处理后的曲波分解系数矩阵进行逆变换，提取出滑板裂纹图像，实现受电弓滑板裂纹故障的检测识别。

与现有技术相比，采用本发明的方法的有益效果是：

1、本发明所采用的受电弓裂纹故障检测方法是基于图像处理技术的，是以受电弓图像为检测对象，通过对现场采集图片的处理来提取裂纹故障特征，实现检测的目的。

2、本发明针对受电弓滑板裂纹图像具有线奇异性的特征，在图像处理技术中运用了对线奇异性具有良好表达能力的曲波变换，把空间域的图片转换为曲波域的系数矩阵，通过对曲波分解系数矩阵的分析与处理来对滑板图像中的各种元素进行分类，提取裂纹图像曲波系数与其它滑板固有图像曲波系数的差异，实现对裂纹故障的识别。

3、本发明采用图像融合技术弥补现场采集图像的动态模糊与曝光不均匀的缺陷，把相邻时刻同一摄像机拍摄的受电弓图片进行融合，从而得到相对完整清晰的图片。

如上所述，本发明采用的方法针对了受电弓滑板裂纹线奇异性的特点，运用曲波变换有效的捕捉裂纹图像的线性特征，能精确、有效的提取裂纹特征，实现受电弓裂纹故障的检测。

附图说明

图1粉末冶金滑板示意图。

图2为受电弓滑板图像特征图。

图3移动平行窗原理图。

图4受电弓滑板提取结果。

图5为受电弓滑板裂纹提取结果图。

图6过曝光滑板图像。

图7受电弓滑板裂纹提取结果。

图8受电弓滑板图。

图9受电弓滑板裂纹提取图

具体实施方式

下面结合附图对本发明的实施方式作进一步的详述。

图1为本发明图像预处理流程图。

A、受电弓图像预处理

a.受电弓图像融合

对于同一传感器相邻时刻获得的两幅不同的受电弓图片，采用基于二代曲波变换的图像融合算法对其进行融合处理，以获得相对较清晰完整的图像。基于曲波变换的受电弓图像融合算法是在曲波域对图像的曲波分解系数的融合，采用如下融合准则：

(1)低频部分采用加权平均准则，即

设

为l尺度，k方向上位置坐标为(i，j)的低频系数，则：

$B_F^{l,k}(i,j)=\frac{B_1^{l,k}(i,j)+B_2^{l,k}(i,j)}{2}---\left(1\right)$

式中，

表示不同源图像中同一位置上的低频系数。

(2)高频部分采用较大拉普拉斯能量和准则，即

若I^l，k(i，j)表示l尺度，k方向上位置坐标为(i，j)的高频系数，则改进的拉普拉斯能量(ML)与改进的拉普拉斯能量和(SML分)别为：

ML^l，k(i，j)＝|2I^l，k(i，j)-I^l，k(i-step，j)-I^l，k(i+step，j)|+|2I^l，k(i，j)-I^l，k(i，j-step)-I^l，k(i，j+step)|

(2)

式中，step表示分解系数之间的可变间距，本发明中取step＝1。

${\mathrm{SML}}^{l,k}(i,j)=\underset{p=-P}{\overset{P}{\mathrm{\Σ}}}\underset{q=-Q}{\overset{Q}{\mathrm{\Σ}}}{\left[{\mathrm{ML}}^{l,k}(i+p,j+q)\right]}^2---\left(3\right)$

式中，P和Q表示移动窗的大小(2P+1)×(2Q+1)。

用I₁ ^l，k(i，j)、I₂ ^l，k(i，j)和I_F ^l，k(i，j)分别表示源图像和融合图像同一位置上的曲波分解系数，SML₁ ^l，k(i，j)和SML₂ ^l，k(i，j)分别表示I₁ ^l，k(i，j)和I₂ ^l，k(i，j)的SML值，那么，融合规则为：

${I_F}^{l,k}(i,j)=\left\{\begin{array}{cc}{I_1}^{l,k}(i,j)& {{\mathrm{SML}}_1}^{l,k}(i,j)\≥{{\mathrm{SML}}_2}^{l,k}(i,j)\\ {I_2}^{l,k}(i,j)& {{\mathrm{SML}}_1}^{l,k}(i,j)\≤{{\mathrm{SML}}_2}^{l,k}(i,j)\end{array}\right.---\left(4\right)$

图像融合可以在一定程度上弥补现场采集图像动态模糊或曝光不均匀的问题，提高所拍摄图片的利用率。

b.受电弓图像增强

图像增强技术有空间域增强和频率域增强两大类，本发明分别采用空间域的直方图均衡化图像增强算法和频率域基于小波变换和基于曲波变换的图像增强算法对受电弓原始图像进行增强、去噪，提高图像的清晰度和对比度。

基于小波(曲波)变换的图像去噪、增强的基本步骤如下：

(1)将图像f(x，y)进行小波(曲波)正变换；

(2)根据图像模型计算小波(曲波)系数的阈值λ；

(3)在小波(曲波)变换域对分解系数进行阈值处理；

(4)进行小波(曲波)逆变换，重构图像。

c.受电弓滑板图像边缘提取技术

受电弓滑板沿水平方向固定在受电弓支架上(角度误差不大于5°)，两块滑板长度相等，位置固定。利用这一特征，可以对受电弓图像进行边缘检测，只保留水平方向的边缘，将其它方向的边缘滤除。这样就可以从受电弓图像中清晰地定位滑板边缘所在位置，以便于对滑板部分图像分割、截取。本算法选取具有较好提取效果、边缘模糊化较轻的Sobel算子和Canny算子分别对受电弓图像进行滑板边缘提取，算法中只保留水平方向的边缘(即滑板水平边界)。

d.受电弓滑板图像截取算法

边缘检测得到了受电弓滑板的水平边界，根据水平边界在受电弓图像中的精确位置，可以定位受电弓滑板所在的具体区域，进行滑板的截取。具体的作法是：首先对获得的边缘图像进行0～180°范围内的Radon变换，可以发现当Radon域横坐标θ在90°左右时，存在两个极大值，该方向对应空间域的水平方向左右，由于安装误差，滑板并非严格按照水平方向固定在受电弓支架上，存在一定的误差，但误差一般不大于5°，即滑板边缘的方向可能在-5°～5°之间，所以在θ＝85°～95°范围内对边缘图像再次进行Radon变换，找出极大值对应的具体角度，然后对边缘图像进行该角度的Radon变换，这样我们可以得到滑板的角度和精确位置，截取出滑板图像。

B、受电弓滑板裂纹提取技术

根据材质的不同，将滑板分为纯碳滑板、粉末冶金滑板和浸渍金属滑板。本发明以粉末冶金滑板为检测对象。粉末冶金滑板属于金属基滑板，按照烧结材料的不同可以分为铜基和铁基两种，铁基较适用于钢铝导线，铜基较适用于铜导线。粉末冶金滑板的机械强度高，韧性好，减磨性好，抗冲击性能强，发生断裂的现象比较少，并且电阻很小，有利于电力机车受流。粉末冶金滑板如图1。

受电弓滑板图像特征如图2所示：①粉末冶金滑板上，金属滑板存在平行接缝；②固定滑板的螺钉；③长期使用后存在的大量划痕；④可能存在的裂纹。

粉末冶金滑板一般由5块大小相等的短滑条连接组成。每两块滑条之间都存在一个接缝，因此，滑板上共有4条接缝。这4条在方向上是平行的，均为3π/4方向，且相邻两条接缝的间隔距离相等。为了固定滑板，在滑条上安装了螺钉，螺钉面积较小且为圆形。

为防止受电弓同一位置过度磨损，接触网成“Z”字型布置。受电弓长期处于运行状态，与接触线之间存在着接触压力，因此会在受电弓滑板表面形成刮痕，刮痕一般呈条状分布，在一定区域内方向基本一致。

对图2受电弓滑板图像进行曲波分解后，滑板上各类图像系数特征分布如表1所示：

表1受电弓滑板系数统计特征

从表1中可知，刮痕对应的曲波分解系数组要分布在π/4～3π/4方向矩阵中，螺钉由于其形状为圆形，曲波分解系数分布在各个角度矩阵中。虽然背景、螺钉、划痕系数分布较广，但系数范围与裂纹和接缝有较大差别，可通过设定全局阈值进行分类。接缝与裂纹在系数分布上较为相似，4条接缝对应的系数存在于同一个角度矩阵中，并且对应的大系数所在区域的间隔也近似相等，需要特别分类处理。

通过对全局系数的阈值处理可以滤除图像中的刮痕、螺钉等伪故障特征，剩下裂纹特征和平行接缝特征。这样，包含在滑板图像中的故障特征就可以归类为三类：裂纹、平行接缝和其它伪故障特征。根据平行接缝在方向上同为3π/4，在位置上间距相等的特征，本发明提出了基于移动平行窗(Translational Parallel Window)的方法对滑板图像固有的平行接缝进行处理，提取裂纹特征。

假设待检测滑板图像的大小为M×N，对该图像进行曲波分解，分解层数为n，第n-1层由l个方向矩阵组成，l＝(l₁，l₂，K，l_l)分别表示l个不同的分解方向。若滑板图像中3π/4方向平行接缝对应曲波分解矩阵中的第l_k(1≤k≤l)个方向矩阵，则该矩阵可以表示为C{n-1}{k}，设该矩阵大小为M′×N′。

表1的系数统计特征显示：平行接缝方向为3π/4，比较固定，且系数值较大，高于背景和其他滑板固有特征系数值，表现为明显的线奇异性特征。因此，经过曲波分解后，在矩阵C{n-1}{k}中，平行接缝对应具有较大系数值的带状平行区域，带状区域的宽度和相邻间隔都大致相等。相应地，曲波分解矩阵中，裂纹部位带状平行区域的倾斜方向也近似为3π/4。根据带状区域的方向平行和间隔相等的特征，利用移动平行窗思想，提取滑板中的平行接缝特征。

如图3所示，构造由三个方向为3π/4的平行四边形组成的矩形窗口。带状平行四边形窗的水平宽度为(2p+1)，垂直高度为矩阵的行数M′，相邻平行四边形窗的间距为d。矩形窗中阴影部分对应的矩阵元素置1，其余部分置0。

$A_{\mathrm{ij}}=\left\{\begin{array}{cc}1& \left(\begin{array}{c}1\≤i\≤M^{\′}\\ i+\mathrm{kd}\≤j\≤i+(2p+1)+\mathrm{kd}\\ k=\mathrm{0,1,2}\end{array}\right)\\ 0& \mathrm{else}\end{array}\right.---\left(5\right)$

公式(5)中，(2p+1)为平行四边形的水平边长，d为相邻平行四边形的间距。

使用该矩形窗对曲波分解系数方向矩阵进行处理：

C′{n-1}{k}＝A_ij·|C{n-1}{k}|    (6)

公式(6)中，C′{n-1}{k}为经过窗口过滤后的矩阵，处理后三个带状平行区域内的元素值大小为对应位置的曲波分解系数绝对值，区域外的元素值则为0。

由上述接缝特征分析可知，在矩阵C{n-1}{k}中存在四个集中较大系数值的平行带状区域，因此，可根据这些带状区域矩阵元素绝对值较大且相邻间距相同的特点定位出带状区域的准确位置，就能够有效区分滑板固有的平行接缝与偶然事故造成的裂纹。

将平行窗从曲波分解角度矩阵第一列开始，以step＝1的步长依次向右平移，并对每一个平移后的矩形窗口求窗口能量和(SPW)，将会得到一个元素为各个窗口能量和大小的一维向量。

$\mathrm{SPW}\left(t\right)=\underset{i=1}{\overset{M^{\′}}{\mathrm{\Σ}}}\underset{j=t}{\overset{t+\{N^{\′}-(2p+1)+d\}}{\mathrm{\Σ}}}{\left[C\right\{n-1\left\}\right\{k\left\}(i,j)\right]}^2---\left(7\right)$

显然，当矩形窗平移到该窗口所包含的三个带状平行窗口刚好与平行接缝吻合时，该能量值明显大于其它情况下的能量值，为一维向量的元素极大值。由于一般的粉末冶金滑板存在4条平行接缝，故窗口能量较高的极大值会出现两次，得到两个极值SPW(j₁)和SPW(j₂)。这样，根据检测到的极大值所在位置，就能快速定位平行接缝在滑板图像中的准确位置，对滑板平行接缝进行滤除。

如果滑板中存在与接缝方向平行的裂纹，由于同时存在三条平行且间距与平行接缝间距相等的裂纹的可能性很小，即使存在3π/4方向的裂纹，一般最多也只有一条，且单个裂纹在矩形窗口中的SPW值与同时含有3条平行接缝情况下的SPW值相比小得多，不会被误判为接缝。因此，无论裂纹方向是否与接缝方向平行，都能识别。

滑板上的刮痕、螺钉、平行接缝等图像进行曲波系数处理以后，如果滑板图像上仍旧存在线状或者近似线状的奇异特征，就认为滑板存在裂纹故障。

实施例

下面本发明结合实例做详细说明：

受电弓前端滑板划痕现象比较严重，后端滑板中间存在一条垂直裂纹，其滑板提取结果如图4所示，图像大小为47×1508×3，由于滑板本身存在裂纹，再加上安装不精确等原因，导致滑板上的短滑条发生了变形与位移，使得提取的滑板图像中包含有一部分背景图像，滑板的上下边缘也并非严格按照水平方向。裂纹提取实验结果如图5所示。如图6，选择两幅存在较轻曝光问题的图片进行算法的验证。图(a)中间有一条垂直裂纹，图(b)的中间存在一条垂直裂纹，左侧两个接缝中间存在一条与接缝平行方向的裂纹。其裂纹提取实验结果如图7(a)和(b)所对应：如果滑板上存在与接缝方向平行的裂纹，由于同时存在三条平行且间距与平行接缝间距相等的裂纹的可能性基本不存在，即使存在135°方向的裂纹，一般最多也只有一条，且单个裂纹在矩形窗口中的SPW值与同时含有3条平行接缝情况下的SPW值相比小得多，不会被误判为接缝。因此，无论裂纹方向是否与接缝方向平行，都能识别。

选取一幅含有与接缝方向平行裂纹的受电弓滑板图像进行算法的验证，如图8所示，该滑板图像含有两条裂纹，一条为垂直方向，位于滑板的中央，另一条方向与接缝相同，位于滑板左侧。裂纹提取结果如图9所示。

从算法实例可知无论滑板中是否存在与接缝平行的裂纹，本发明都能精确地检测并定位裂纹。

Claims (3)

1.一种基于曲波域移动平行窗的受电弓裂纹故障检测方法，通过列车轨道沿线的拍摄***采集受电弓图像，包含如下手段：

(1)、受电弓图像采集及图像预处理

CCD工业照相机在受电弓工作面的垂直拍摄的图像；对获取图像进行融合、增强、边缘检测和滑板图像截取的预处理操作，得到滑板图像；

(2)、对(1)所截取的滑板图像进行二代曲波变换，将空间域的图像转换为曲波域的曲波分解系数矩阵；经全局系数的阈值处理滤除图像中的刮痕、螺钉等伪故障特征；

(3)、使用移动平行窗法对(2)数据进行处理，滤除滑板图像上除裂纹外的其它固有图像元素对应的曲波系数，最后，对处理后的曲波分解系数矩阵进行逆变换，提取出滑板裂纹图像，实现受电弓滑板裂纹故障的检测识别。

2.根据权利要求1所述之基于曲波域移动平行窗的受电弓裂纹故障检测方法，其特征在于，所述图像融合为由同一CCD照相机相邻时刻获得的两幅不同的受电弓图片，采用基于二代曲波变换的图像融合算法对其进行融合处理；其融合准则：低频部分采用加权平均准则，高频部分采用较大拉普拉斯能量和准则。

3.根据权利要求1所述之基于曲波域移动平行窗的受电弓裂纹故障检测方法，其特征在于，所述移动平行窗法对对(2)数据进行处理是指构造由三个方向为3π/4的平行四边形组成的矩形窗口，带状平行四边形窗的水平宽度为(2p+1)，垂直高度为矩阵的行数M′，相邻平行四边形窗的间距为d，矩形窗中阴影部分对应的矩阵元素置1，其余部分置0，

$A_{\mathrm{ij}}=\left\{\begin{array}{cc}1& \left(\begin{array}{c}1\≤i\≤M^{\′}\\ i+\mathrm{kd}\≤j\≤i+(2p+1)+\mathrm{kd}\\ k=\mathrm{0,1,2}\end{array}\right)\\ 0& \mathrm{else}\end{array}\right.---\left(1\right)$

公式(1)中，(2p+1)为平行四边形的水平边长，d为相邻平行四边形的间距；

使用该矩形窗对曲波分解系数方向矩阵进行处理：

C′{n-1}{k}＝A_ij·|C{n-1}{k}|    (2)

公式(2)中，C′{n-1}{k}为经过窗口过滤后的矩阵，处理后三个带状平行区域内的元素值大小为对应位置的曲波分解系数绝对值，区域外的元素值则为0；

根据这些带状区域矩阵元素绝对值较大且相邻间距相同的特点定位出带状区域的准确位置，以有效区分滑板固有的平行接缝与偶然事故造成的裂纹。

Images