中铁电气化铁路运营管理有限公司济南维管处青岛维管段山东 青岛266109
摘要：受电弓是弓网系统的重要组成部分，开展受电弓磨耗检测可为受电弓运行状态提供重要依据。为更为准确地受电弓的磨耗状态进行检测，本文介绍一种基于图像处理的受电弓磨耗检测方法。首先，对采集的受电弓图像做去噪等图像预处理。然后，采用一种自适应Canny边缘检测算法实现图像的边缘检测，同时，利用Hough变换技术分别实现接触线、滑板上边缘和滑板支架下边缘的准确定位，根据得到的滑板磨耗曲线，最终实现受电弓磨耗状态检测。通过实验对比，本文采用的自适应Canny检测算法相比传统Canny检测算法具有更好的检测性能，并且，本文磨耗检测结果与人工检测结果具有较小的误差。这验证本文检测算法的有效性，为受电弓磨耗检测提供一个良好的思路。
关键字： 受电弓；磨耗检测；图像处理；视觉技术
Abstract: As a important part of the bow-net system, the pantograph wear detection can provide an important basis for the pantograph operating state. In order to accurately detect the wear state of the pantograph, this paper introduces a method of pantograph wear detection based on image processing. First, pre-processing such as denoising is performed on the captured pantograph image. Then, the adaptive Canny edge detection algorithm is used to realize the edge detection of the image. Meanwhile, combined the Hough transform, the contact line and the upper and lower edges of the slider are accurately located. Finally, the pantograph wear state is detected. Through experimental comparison, the adaptive Canny detection algorithm has better performance than the traditional Canny detection algorithm. At the same time, compared with the manual detection results, the detection results of this paper have a small error. This provides a good idea for the wear detection of the pantograph.
Key words: pantograph; wear detection; image processing; visual technology
0 引言
近年来，随着我国高速铁路的飞速发展，对其运输的安全可靠提出了较高的要求[1]。受电弓作为弓网系统重要组成部分，其通过与接触线接触，实现列车电能的传输。当处于高速运行时，由于弓网间相互摩擦加剧，会出现滑板超限、弓头倾斜和羊角缺失等情况，一旦发生此类情况，可能造成严重的交通事故。因此，有必要对受电弓的磨损情况进行检测，并精确获取其磨损值，这对于列车的安全运营具有十分重要的意义[2-4]。
受电弓磨损超限是受电弓最易发生的故障之一[5]。目前受电弓的磨损检测方式可归纳为三类：人工检测、接触检测和非接触检测[6]。人工检测是最为传统一种检测方式，通过检测人员登上车顶，利用游标卡尺等工具对受电弓的滑板磨耗状况进行检测，该检测方法虽然较为灵活，但需要暂时停车、安全性较差、且检测结果容易受到人为的影响，精度较差、费时费力，难以适用于目前高速铁路的发展要求。接触式检测技术是结合传感器技术的进步而出现的一种检测技术，其通过在受电弓中内嵌传感器，来实现磨耗检测的目的。如文献[7]研制了一套滑板磨损检测系统，其通过将光纤内嵌式磨耗传感器置于滑板内，将检测磨耗信号传输至检测系统。该检测方式具有速度快、实时性强等特点。但由于传感器安装于滑板上，增加了滑板附加质量，将对受电弓受流质量产生影响。而非接触式检测技术通过设置监控点，利用视频检测系统采集受电弓图像进行采集，然后采用图像处理技术实现受电弓的磨耗检测，该方式具有检测速度快、精度高、抗干扰能力强、维护方便等优点。
综上所述，结合检测精度、高速铁路的检测要求、检测效率，采用图像处理技术对受电弓状态进行磨耗检测更为适合。基于此，本文介绍一种基于图像处理的受电弓磨耗检测方法。首先，对工业相机采集的受电弓图像进行去噪等预处理。然后，采用自适应Canny边缘检测算法实现图像的边缘检测，再结合Hough变换实现对于接触线和滑板上下边缘的准确定位，通过求解磨耗曲线，最终实现受电弓磨耗状态检测。
1 图像处理技术
1.1图像去噪
受检测点周围环境的影响，例如杂散光和成像系统自身噪声的干扰，采集的图像会含有大量噪声分量，因此，首先需采用图像去噪方法过滤原始图像中的噪声，保留原始特征，进而提高图像的质量。其中，均值滤波和中值滤波为两种常用的滤波方法。
均值滤波基本思想是将求取的像素点均值替代原始图像的各个像素值。邻域平均法为其一种广泛采用的方法。该方法通过选取一个包含目标的像素点和其周围邻近点的基础窗口，本文选用3×3的窗口，如图1所示，通过式（1）可求得其像素的权系数。
根据式（2），窗口坐标的像素点的像素值为计算R，Zi表示窗口中的其他各点坐标对应的像素值。
中值滤波的基本思想是通过将像素周围的邻近点降序排列，选取序列的中值来替代原先像素值。同均值滤波一样，首先选择一基础窗口，将窗口各点的像素值进行排序，将其中居中的像素点作为目标像素点的像素值。其像素计算权系数如式（3）所示。
如式（4）所示，将窗口的坐标值由计算结果R代替。Zi表示窗口中的其他各点坐标对应的像素值。
均值去噪可对于高斯噪声进行抑制，中值去噪可有效抑制脉冲噪声。本文将其混合使用，首先采用中值滤波处理，而后采用均值滤波对图像处理，能够有效除去图像中含有的混合噪声。
1.2自适应Canny边缘检测
图像边缘检测是图像处理过程中一个重要环节。边缘指的是图像两个不同区域相接的位置，是图像最为基本的特征，是图像分割、纹理和形态特征处理的重要基础。自适应Canny边缘检测算法根据对图像进行梯度直方图凹度分析，并自动设置高低阈值，实现边缘的检测，其具体步骤如下：
（1）梯度计算
对经滤波处理后的图像，根据其像素点在水平和垂直分量Ix（i，j）与Iy（i，j），采用邻域一阶偏导数的有限差分方法，由式（）和（）计算图像I（i，j）的梯度幅值Grad（i，j）与方向Ɵ（i，j），即：
式中，梯度幅值Grad和方向Ɵ果可分别反映图像像素（i，y）的边缘强度和方向。
（2）自适应高低阈值选取
本文采用直方图凹度分析方法，分析梯度直方图的凹度，来实现高低阈值的选取。具体步骤如下：
1.求解图像的梯度赋值直方图G(i)，选择直方图中非零起点（istart，G(istart)）和终点（iend，G（iend））；
2.求解起点至终点区域内，各梯度幅值的斜率S（i），如式（7）所示；
3.对各斜率进行排序，获得斜率的最大值和其对应下梯度幅值，该点称其为凸点。若ipeak<iend，将istart=ipeak，由步骤2继续进行求解，直至ipeak=iend，进入下一步骤。
4.将上述步骤求得的直方图的n个凸点和起点和终点直线链接，获得包络直方图G(i)的最小凸多边形。
5.计算凹残差，求解公式如式（8）所示，提取凹残差最大时的梯度幅值，将其设置为高阈值Th，低阈值设置为Tl设置为0.5Th。
（3）边缘连接
采用基于直方图凹度分析的高低阈值选取方法对图像进行处理，确定图像的高低阈值。若点的梯度幅值大于Th，该点为边缘点，将这些点的集合称为强边缘区域。若点的梯度幅值大于Tl，小于Th，可能为边缘点，这些点的集合称弱边缘区域。若点的梯度幅值小于Tl，这些点非边缘点，将其像素灰度值置0。最终获得的图像主要由强边缘和弱边缘区域组成。获取边缘图过程中，选定强边缘终点为中心，若邻域内无弱边缘，该方向绘图停止，将邻域内弱边缘与原有的强边缘连接，通过不断链接，最终得到边缘图。
1.3Hough变换
霍夫变换（Hough变换）是根据点与线间的对偶性，将直线上点的坐标转换至过点直线的系数域，将直线问题转化为计数问题。Hough变换将直角坐标系中的线变为极坐标系中的点，又称为线-点变换。图2为其基本原理图。
图2（b）中参数平面的点可表示图2（a）中图像平面中的直线，参数的数值可由式（9）求得。ρ=xcosθ+ysinθ（9）
式（9）中，ρ为原点到直线的距离；θ为直线法线方向与x轴的夹角。
2 受电弓磨耗检测算法
2.1检测流程
该检测算法的第一步是安装工业摄像机，实现受电弓图像的采集。然后对其进行去噪等一些图像预处理，采用自适应Canny边缘检测算法实现边缘提取，结合Hough直线检测实现滑板信息的定位，和上下边缘的提取，最终求解磨耗曲线，进而实现磨耗状态的检测。整个检测流程如图3所示。
2.2 受电弓边缘曲线提取
采用节1.2中自适应Canny边缘检测算法，对受电弓滑板图像进行处理，图4为处理后的图像，从中可以看出，图像中受电弓滑板实际边缘标识数量充足，能够良好地识别受电弓的边缘，可成功去除由噪声而产生的伪边缘。
2.3 滑板与接触线边缘定位
为获得受电弓边缘图像直观信息，需将受电弓边缘图像信息进行数字化，以便精确定位受电弓的边缘位置。本文采用Hough变换对受电弓图像中滑板上边缘、滑板支撑架下边缘及接触线进行了准确的定位。
考虑到接触线与滑板间具有垂直关系，通过Hough变换，其中最强的直线即为接触线。在实际现场中，由于受到摄像角度、线路设计等因素的影响，采集的图像中受电弓与接触线并非具有真正意义上垂直的关系，为此，本文将两者之间的角度特征作为约束条件。设定接触线与受电弓左右两侧滑板之间的角度变化范围分别为[80º,135º]和[45º,110º]，采用Hough变换对受电弓和接触线进行处理，通过设定接触线和受电弓的角度、直线长度，从而定位接触线，图5为其检测效果。
从图5可看出，滑板的上边缘和接触线具有几乎近似的垂直关系，图像中受电弓的横跨距离较长，占据图像较长的位置，两条直线相互垂直相交的概率极大，同时上边缘的直线长度大于其他伪边缘直线。将上述特征作为Hough变换的检测条件，最终计算选取得到直线在图像最上方的直线作为目标滑板上边缘。
同上，依然采用Hough变换对滑板的下边缘定位。但是在列车的运行过程中，滑板下边缘容易堆积污垢，影响滑板下边缘的形状特征发生，使得滑板下边缘定位变得困难。在实际应用中，滑板支架在生产、安装过程中能够保证施工精确度，在传统人工检测方式中，工作人员通常根据测量受电弓滑板的上边缘与支撑架下边缘间距，进而计算受电弓滑板的厚度，借鉴此思想，本文将滑板支撑架的下边缘作为基准，如图所示，通过定位受电弓滑板上边缘与支撑架下边缘，来检测受电弓滑板厚度。
2.5 受电弓滑板磨耗曲线求解
将滑板的上边缘和支撑架的下边缘定位后，对其最差获得滑板的磨耗曲线。因为受电弓滑板支撑架厚度为一固定值，本文检测的电弓滑板支撑架的厚度为20mm，那么受电弓滑板剩余厚度可由式（10）求得。
根据计算得受电弓滑板剩余厚度，设定报警阀值，并通过受电弓滑板剩余厚度对滑板可能存在的深槽、阶梯状磨耗、缺口、翅曲等故障进行判断，出现故障，报警系统触发信号；同时当剩余值低于5mm时，报警系统触发信号，提醒运维人员及时对其进行更换。
3 实验和分析
3.1 自适应Canny边缘检测分析
为说明本文算法的优异性，本文分别在Matlab平台上实现自适应Canny边缘检测算法和传统Canny算法，对其检测性能进行了测试对比，结果如图6所示。
本文将图像相似度（MSSIM）、边缘连续性（Cldx）、图像边缘检测客观评价指标（Eldx）作为评价指标，结果如表1所示。
从表1可看出，采用本文算法所获得边缘图像的MSSIM、Cldx、Eldx分别为0.821、0.734、0.754，要高于传统Canny算法中0.712、0.717、0.709，这表明本文算法性能要好于传统Canny边缘检测算法。
3.2 滑板磨耗检测实验
在滑板磨耗检测中，为说明检测算法的准确性，同时体现滑板磨耗的分布情况，本文对滑板磨耗的最大值、最小值、均值进行了求解，并与人工检测的结果进行对比。图7检测结果图。
本文方法检测出的滑板最大剩余厚度、最小剩余厚度和平均磨耗分别为14.8mm、12.9mm与5.9mm，对于这三项值的人工检测结果分别为14.6mm、13.1mm与5.1mm。其两种测量误差图如图8所示，两组数据分别在394mm和892mm处存在一定误差，两者差距分别为0.5mm与0.3mm，误差范围在实际现场检测要求内。
3.2 结果分析
为进一步验证本文方法的可行性，检测精度和稳定性，对8个不同磨损状况下的受电弓进行了检测，每次磨耗检测进行5组实验，统计了其最小剩余厚度值。并与人工检测结果对比，表3和表4为检测结果。
整个实验共获取40个实验数据，其中，滑板磨耗测量误差超过0.3rmn的滑板磨耗值有10个，占测量滑板总数的25%，测量误差超过0.5mm的滑板磨耗值有3个，共占测量滑板条总数的7.5%，整体而言，本文滑板磨耗检测算法满足现场检测精度要求。
4结论
本文介绍一种基于图像处理的受电弓磨耗检测方法。首先，对采集的受电弓图像进行去噪等预处理。然后，采用自适应Canny边缘检测算法实现图像的边缘检测，在利用Hough变换实现对于接触线和滑板上下边缘的准确定位，通过磨耗曲线的求解，最终实现受电弓磨耗状态检测。通过实验对比，本文采用自适应Canny边缘检测算法相比传统的Canny边缘检测算法具有更好检测性能，同时，相比人工检测结果，本文检测结果与其具有较小误差，满足实际现场检测要求。
参考文献：
[1] 李宏科.高速铁路牵引供电系统6c检测的应用与展望[J].中国新通信,2016,(13):96
[2] 陈燕华.接触网关键部件的视频图像检测技术与识别技术研究[D].西南交通大学,2013.
[3] 赵晓娜，吴兴军，徐根厚.德国高速铁路接触网检测系统[J].中国铁路，2008,(09):60-62.
[4]孟鑫. 高速铁路接触线综合状态监测技术研究[D].北京交通大学,2016.
[5]陈叶健,姚小文,张永,邢宗义.城轨列车受电弓滑板磨耗检测技术研究[J].铁道标准设计,2018,62(01):127-132.
[6]别致. 基于图像处理的受电弓检测及滑板定位研究[D].西南交通大学,2018.
[7]任世光.新型滑板磨耗检测及自动降弓装置[J].铁道运营技术,2000(04):139-141+147.
[8]陈双. 基于图像处理的受电弓故障检测算法研究[D].南京理工大学,2017.
[9]谢任涛. 基于图像方式的受电弓滑板磨耗检测系统软件设计[D].电子科技大学,2017.
[10]孟欢,杨雪荣,吕文阁,成思源.一种单轨列车受电弓滑板磨耗检测系统的设计[J].铁道标准设计,2017,61(08):151-155.
论文作者:,霍世振, 李欢, 潘冲
论文发表刊物:《当代电力文化》2019年第02期
论文发表时间:2019/6/17
标签：磨耗论文; 滑板论文; 边缘论文; 图像论文; 算法论文; 本文论文; 梯度论文; 《当代电力文化》2019年第02期论文;