基于峭度表征的接觸網吊弦缺陷檢測算法

陳云莎，張兵，孫琦， 閆磊

(1. 西南交通大學 牽引動力國家重點實驗室，四川 成都 6100362；2. 中車青島四方機車車輛股份有限公司，山東 青島 266031)

0 引言

高鐵因其諸多優(yōu)點而快速發(fā)展，至2018年底，全國高速鐵路營業(yè)里程達到2.9萬km以上[1]。隨之而來的高鐵系統(tǒng)可靠性與安全性面臨著艱巨挑戰(zhàn)。高速列車通常采用接觸網供電，接觸網通過支持裝置架設在支柱上，包括承力索、接觸線、吊弦以及連接零件[2]，其結構如圖1(a)所示。為了滿足受流要求，接觸線必須以規(guī)定的幾何方式放置，這通常是通過從承力索到接觸線上的定期間隔垂向連接來實現的，該垂向線稱為吊弦，如圖1(b)所示。吊弦增加了接觸線懸掛點，同時使接觸線在整個跨距內對軌面的距離保持一致。吊弦的嚴重缺陷主要在吊弦絞線部位：1)燒斷。載流環(huán)電流超載；2)拉斷。吊弦偏移過大使線夾拉脫或絞線拉斷；3)脫落。吊弦線夾螺栓松脫、線夾裂紋或破損等造成吊弦脫落；4)刮脫。弓網事故時受電弓刮脫吊弦絞線。吊弦脫落或者斷裂會造成拉網、卡網等現象，導致機車對能量吸收不良。另外，松脫或斷裂的吊弦端頭落下短路放電，造成接觸線燒傷、燒斷，甚至與受電弓纏繞引發(fā)弓網事故。因此在早期發(fā)現并糾正吊弦故障尤其重要。然而目前吊弦缺陷主要依靠人工檢測，耗時耗力且效率較低。綜上所述，設計和實現基于機器視覺的吊弦缺陷智能檢測非常必要。

圖1 結構示意圖

吊弦缺陷檢測包含吊弦定位和缺陷檢出兩個步驟。吊弦定位任務涉及吊弦目標檢測，吊弦缺陷檢出方法有Hough檢測、圖像統(tǒng)計方法、深度學習圖像分類技術等。目前對于吊弦定位主要有傳統(tǒng)圖像處理方法和深度學習目標檢測方法，前者如白瑞敏[3]使用Hough變換定位吊弦，后者如徐玥斌[4]用Faster R-CNN定位吊弦。而吊弦缺陷檢出的相關研究較少，目前只有Hough變換方法，如徐玥斌[4]和武國龍[5]使用Hough變換尋找直線和曲線檢出吊弦缺陷。

本文將數據分為訓練集和測試集，訓練集用于訓練模型，測試集用于評估該模型訓練效果。數據需提前人工標注吊弦線夾矩形框和吊弦受力狀態(tài)正負樣本，并進行數據格式變換和圖像預處理操作。然后對訓練集使用開源SSD算法來學習吊弦線夾位置，校正圖像后使用支持向量機(SVM)學習圖像的“相對峭度”閾值。最后在測試集上評估SSD算法定位準確性，并根據學習到的“相對峭度”閾值判斷吊弦受力狀態(tài)，檢出吊弦嚴重缺陷。具體檢測流程如圖2所示。

圖2 吊弦缺陷檢測流程圖

1 預處理

1.1 運動模糊消除

采集數據時車速過快會使圖像產生運動模糊(圖3(a))；而逆運算方法對噪聲點十分敏感，但用于復原圖像效果不佳，因此本文對數據進行最小均方差(維納)濾波來消除運動模糊。維納濾波的原理是尋找一個濾波器使得復原圖像與原始圖像的均方誤差最小，從而倒推出原圖像，倒推出的原圖像數學表達式估計為[6]

(1)

式中：H(u，v)是退化傳遞函數；G(u，v)是模糊圖像的傅立葉變換結果；SNR(u，v)是圖像的信噪比。本文可用高斯濾波降噪前后圖像估計，使用降噪濾波器能避免出現振鈴現象。

復原的關鍵在于擴展函數PSF的參數估計。由于相機曝光時間很短，忽略該時間內的速度變化，將其視為勻速直線運動。由此點擴展函數可以描述為[6]

(2)

式中：d為點擴展函數PSF的尺度，可實時獲取車速后計算得到；φ為點擴展函數相對于水平方向的角度，由于高清相機固定在檢測車上，點擴展角度總是呈現水平狀態(tài)，因此設φ=0。

維納濾波前后效果對比如圖3所示，可見該方法對于運動模糊消除的效果很好。

圖3 運動模糊消除局部效果對比圖

1.2 圖像增強與去噪

對圖像進行全局直方圖均衡化來增強可能導致圖像明部或者暗部的細節(jié)丟失。為了優(yōu)化均衡化效果，本文使用自適應直方圖均衡方法對不同區(qū)域進行直方圖均衡化，以強調接觸網元件并適度減少噪聲。該方法將圖像均分為幾個區(qū)塊，通過逐個計算圖像的局部區(qū)塊直方圖，并重新分布亮度來改變圖像對比度。對各區(qū)塊使用雙線性內插值方法，從而消除區(qū)塊效應，大大提高算法效率。

除此之外，本文使用了后處理技術[7]來消除噪聲像素點。將帶有連通區(qū)域標記的小連通區(qū)域的像素點視為孤立噪聲并去除。增強和去噪前后分別如圖4、圖5所示，處理后接觸網元件清晰可見，有利于后續(xù)算法檢測。

圖4 圖像增強與降噪前

圖5 圖像增強與降噪后

2 吊弦定位

2.1 方法選擇

吊弦定位存在以下難點：1)部分圖像背景復雜，如隧道內壁、樹木、接觸網復雜線路等；2)補充光源造成的反射高光干擾；3)不同光照條件、不同拍攝視角、不同線路造成的差異；4)檢測目標被遮擋等。具體如圖6所示。

圖6 較難的吊弦圖像示例

由于上述難點的存在，基于傳統(tǒng)圖像處理的方法很難實現較好的定位效果，因此本文采用更智能、穩(wěn)定的深度學習目標檢測方法來定位吊弦。深度學習目標檢測方法眾多：基于區(qū)域建議的目標檢測算法將分類和定位分為兩個步驟，如Faster R-CNN算法準確率較高但耗時較長；基于回歸的目標檢測算法將分類和定位在一個步驟中進行，如YOLO算法輕量但檢測精度不高。而對于稀疏場景的目標而言，SSD算法的運行速度超過YOLO，精度超過Faster R-CNN，在保證精度的同時提高運行速度，因此本文選用SSD算法來實現吊弦的目標檢測。

2.2 SSD算法

LIU W等[8]提出了深度學習目標檢測SSD，該算法的骨干網絡是圖像分類網絡，如VGG，ResNet等。其特點為：1)提出在不同層、不同尺度的特征圖上實現包圍框選取，并進行物體類別和包圍框檢測；2)默認包圍框和寬高比。在每個特征圖的網格單元中，生成一組具有多個尺度和寬高比的錨點離散邊界框的輸出空間。每個錨點由回歸器學習的偏移量細化，并由分類器預測類別的分類概率；3)添加額外的卷積層進行預測任務。通過端到端的訓練方法，將所有預測圖的定位損失和分類損失加權并對整個網絡進行優(yōu)化，最后合并不同特征圖的檢測結果；4)使用了難樣本挖掘避免大量陰性候選框主導訓練梯度，進行大量數據擴充以提高檢測精度，使用Atrous算法等。

2.3 定位實現

吊弦線夾是吊弦結構中最穩(wěn)定、易識別的部位，因此本文使用SSD開源算法并設置相關參數訓練并實現吊弦的承力索線夾和接觸線線夾(圖7實線框)兩個位置的定位。由此可以分割出吊弦絞線所在區(qū)域，即線夾連線區(qū)域，如圖7虛線框所示。

圖7 吊弦識別與定位示意圖

3 吊弦缺陷檢出

3.1 峭度理論

缺陷檢出任務使用“峭度”來表征吊弦嚴重缺陷。峭度是反映振動信號分布特性的數值統(tǒng)計量，描述了波形尖峰度，其數學定義為

(3)

式中：x為分析的振動信號；μ和σ分別為信號x的均值和標準差；E(t)表示變量t的期望值。

1977年DYER D和STEWART R M[9]將峭度指標引入機械工程領域中，用于衡量機械故障嚴重程度，相關研究在滾動軸承故障檢測領域得到了充分發(fā)展。峭度反映振動信號中沖擊信號特征，它能夠準確表征滾動軸承振動信號中故障瞬態(tài)沖擊的大小。

3.2 缺陷檢出實現

為方便后續(xù)檢出，對圖像進行二值化處理后根據1.2節(jié)定位的兩個線夾框中心點進行一次Radon變換，使得吊弦處于豎直位置，如圖8所示。此時x方向上的像素能量分布如圖9所示，然后對每張輸入圖像x方向上的能量進行“峭度”值計算。

圖8 Radon變換二值化效果圖

圖9 圖像x方向能量分布圖

圖9顯示正常受力的吊弦x方向上的能量會出現明顯的瞬態(tài)沖擊，這時吊弦圖像的“峭度”值較大(約為208)；相反，缺陷吊弦圖像無瞬態(tài)沖擊或瞬態(tài)沖擊不明顯，其“峭度”值則較小。由此可以通過SVM算法學習訓練集每張圖片的“相對峭度”并輸出閾值。相對峭度指經相關特征調整后的“峭度”數據，相關特征包括圖像像素密度和瞬態(tài)沖擊x方向位置相對圖像左、右兩端的距離等。

根據訓練好的閾值對測試集圖片或其他需要驗證的吊弦圖片進行分類，從而判斷吊弦的受力狀態(tài)。當測試圖片的相對峭度大于相對閾值時，表示吊弦正常受力；反之則表示測試圖片出現嚴重缺陷，具體分為吊弦斷裂/脫落缺陷和不受力缺陷。缺陷的具體分類依賴于訓練的另外一個相對閾值，大于該閾值為不受力缺陷，否則為斷裂/脫落缺陷。

4 實驗驗證結果及分析

4.1 實驗數據

吊弦圖像通過接觸網懸掛狀態(tài)檢測裝置(C4檢測車)采集。車上安裝有高速、高清工業(yè)相機，連續(xù)定點自動抓拍成像獲取數據，并根據車速及吊弦的安裝規(guī)則來調整采樣頻率，結合GPS信息定位到缺陷吊弦的具體位置。本文中吊弦圖像的分辨率為5 120×3 840(2 000萬像素)，最高采集速度可達163 幀/s。

本文在Aconada中搭建Tensorflow環(huán)境運行模型。經數據擴充后共有5 247個吊弦，其中缺陷吊弦781個，以2∶1劃分訓練集和測試集，數據中非主要檢測線路的吊弦不進行標記，數據主要針對室外場景。

4.2 實驗結果與分析

定位模型訓練損失如圖10所示，在測試集上的定位效果如圖11所示。對于整個算法的測試集檢測結果如表1所示。圖10中訓練損失收斂速度較快且曲線波動較小，圖11的出框質量較高，可見定位任務的算法魯棒性較好。由表1可見整體模型的檢測具有較好的性能，該吊弦缺陷檢出方法計算量十分小。本實驗的具體缺陷劃分相對閾值約為18.3，缺陷細分閾值約為9.4。

圖10 訓練損失函數圖

圖11 吊弦線夾測試結果圖

表1 吊弦缺陷檢測模型算法測試集驗證結果

針對漏檢圖像的大片反射高光問題可以嘗試從物理角度來解決該問題：1)在高清相機鏡頭上安裝偏振鏡過濾反射偏振光；2)在拍攝時使用多角度光源采集圖像后合成圖像進行進一步數據處理。

另外，將復盛-長壽北、杏林-高崎等實際線路采集的吊弦圖像按照本文訓練的檢測算法進行實時處理。在3 121張吊弦圖像中檢出缺陷吊弦8個，實際缺陷為5個，準確率為99.9%，誤檢率為0.1%。可見本文的方法準確有效。

5 結語

本文基于機器視覺進行吊弦缺陷檢測。在預處理后使用SSD算法進行吊弦定位，并提出了一種“相對峭度”的表征方法。使用SVM分類器訓練大量數據得到閾值后，在測試數據中根據閾值判別吊弦狀態(tài)，檢出缺陷。在測試數據和實際線路吊弦圖像數據上的實驗結果表明：對于運動模糊和復雜的吊弦圖像均有較好的處理效果；定位算法魯棒性較好，定位效果突出；提出的表征方法檢出缺陷性能良好、計算效率很高、工程性佳，目前還沒有類似的表征方法。未來工作中將探索其他方法進一步提高精度。