基于特征分析的受電弓異常在線識別方法

王俊平，毛慧華，沈云波，李淼成，陳欣安

（株洲中車時代電氣股份有限公司，湖南 株洲 412001）

0 引言

受電弓是動車組從接觸網獲取電力的關鍵設備，其運行環(huán)境復雜多變。在列車高速運行過程中，受電弓會與接觸網產生弓網磨耗[1]，與接觸網上的硬點、異物、錨段關節(jié)及分斷絕緣器等發(fā)生機械沖擊[2]，嚴重時會出現碳滑板掉塊、羊角缺失或弓頭傾斜等結構異?，F象[3]，導致弓網離線、弓網燃弧及穿弓等弓網故障，進而影響行車安全[4]，因此對受電弓異常進行在線識別、指導及時維護甚至主動降弓對保障動車組安全運行有著重要的意義。

目前對受電弓異常狀況的檢測手段主要包括人工檢測、定點非接觸式圖像檢測和車載非接觸式圖像檢測。傳統(tǒng)人工檢測方法[5]需要列車進入檢修庫，通過人工登頂作業(yè)并采用測量工具和人眼觀察的方式，檢查受電弓有無明顯異常。該方法雖然比較直觀、可靠，但是實時性差、效率低，而且屬于高空危險作業(yè)，檢測極為不便。定點非接觸式圖像檢測方法[6-8]采用在線路咽喉位置安裝機器視覺設備以及觸發(fā)傳感器進行定點檢測。該方法雖然可以在某一必經地點檢測受電弓的狀態(tài)，但是不能全程實時監(jiān)控受電弓的狀態(tài)，若出現弓頭姿態(tài)異常、碳滑板掉塊和羊角缺失等打弓故障卻無法及時發(fā)現，容易導致故障擴大；另外，由于檢測裝置與受電弓相對速度高，容易出現圖像模糊、漏拍等問題。車載非接觸式圖像檢測方法[9-12]通過在車頂安裝高速相機、補光光源等設備實時采集受電弓圖像并利用深度學習算法[13]檢測受電弓狀態(tài)。該方法由于難以獲得大量的受電弓故障樣本圖像進行模型訓練，檢測穩(wěn)定性還有待提高。

為了能夠實現受電弓狀態(tài)的實時檢測，降低對故障樣本的依賴，提升受電弓檢測效果，本文提出一種基于受電弓圖像特征分析的受電弓異常識別方法。其通過車載檢測系統(tǒng)實時監(jiān)測受電弓狀態(tài)，為監(jiān)控動車組受電弓狀態(tài)提供依據，自適應地判斷受電弓運行的光照環(huán)境，并基于受電弓典型故障與視覺屬性特征映射識別受電弓的異常狀態(tài)。文章最后通過選取白天和夜晚兩種典型工況的圖像數據，分別驗證了本受電弓異常識別方法的有效性。

1 受電弓異常識別原理

受電弓異常在線檢測系統(tǒng)由車載設備和地面設備兩部分構成。其中，車載設備用于實現數據采集和分析，地面設備用于實現報警數據接收、存儲及展示。如圖1所示，車載設備由車頂檢測裝置和車內設備構成，其中車頂檢測裝置主要包含工業(yè)相機、頻閃光源、4G天線和GPS天線構成。系統(tǒng)通過可見光高速工業(yè)相機對受電弓運行區(qū)域進行高速拍照，配置頻閃光源對夜間或者隧道場景進行補光，并通過工業(yè)相機IO接口對補光燈控制器進行同步控制。相機采集到的圖像通過千兆以太網傳輸給車載處理單元進行缺陷分析以及視頻編碼存儲，并通過車載交換機將數據傳輸到車載顯示屏進行顯示。當系統(tǒng)檢測到受電弓狀態(tài)異常時，將異常點前后照片、時間、位置等報警信息通過以太網傳輸給車載顯示屏進行顯示，同時通過無線網絡將報警信息發(fā)送給地面數據終端進行顯示，作為異常問題的分析依據。

圖1 受電弓檢測系統(tǒng)構成Fig.1 Structure of pantograph detection system

受電弓異常識別數據處理流程如圖2所示，主要包括圖像采集、光照環(huán)境判斷、感興趣區(qū)域的設定、受電弓識別和受電弓異常檢測等。首先，采集軟件通過可見光相機采集受電弓圖像并傳到車載處理單元；然后，根據感興趣區(qū)域（range of interesting，ROI）內圖像灰度判斷運行場景光照強度，決定識別算法的選用；最后，在設定的ROI內進行受電弓的識別，即根據識別后的受電弓進行區(qū)域分割，設定羊角和碳滑板的ROI，在ROI內進行羊角缺失、碳滑板缺陷及弓頭傾斜識別，并根據設計的缺陷判定規(guī)則判斷是否發(fā)生受電弓異常故障。

圖2 受電弓異常識別數據處理流程Fig.2 Data processing flow of pantograph anomaly recognition

2 受電弓異常識別方法

按照圖2所示數據處理流程，本文核心算法主要包含光照環(huán)境判斷、受電弓識別、弓頭區(qū)域分割、羊角缺陷檢測、碳滑板缺陷檢測和弓頭傾斜檢測。

2.1 光照環(huán)境判斷

可見光相機對環(huán)境光照變化比較敏感，不同光照條件下的弓網圖像存在明顯差別。如圖3所示，在同一高度條件下，白天環(huán)境和夜晚環(huán)境下的受電弓弓體圖像特征發(fā)生明顯變化。因此算法需具備自適應光照環(huán)境的能力，即根據不同的光照條件選擇相應的缺陷檢測算法。

圖3 白天和夜晚環(huán)境下弓網可見光圖像Fig.3 Visible light images of pantograph and catenary in day and night environments

白天和夜晚（隧道）環(huán)境判斷的算法如下：

式中：ROI——根據經驗在圖像左上角選取的一塊像素大小為100×3的背景采樣區(qū)域；p——ROI內的像素點；gp——像素點p的灰度值；T1——根據經驗值設置的灰度閾值，本文中該閾值取80；Npixel——ROI區(qū)域像素點個數；L——視頻中單幀圖像亮度的二分類。

灰度均值大于T1，表示當前ROI的灰度值較大，設置L=1；否則L=0。連續(xù)統(tǒng)計判斷一段視頻中L=1（亮）與L=0（暗）的圖像個數，當L=1的個數大于L=0的個數時，當前環(huán)境模式為白天；否則為夜晚模式。

2.2 受電弓識別

研究受電弓異常情況，首先要解決受電弓的識別問題，只有定位出受電弓所在區(qū)域，才能進一步深入研究各組件的異常與否。首先，根據弓網工作狀態(tài)以及受電弓的結構特征，基于形狀輪廓特征，分別設計不同工況下的受電弓模板；然后，根據弓網工作狀態(tài)，設定受電弓搜索匹配策略。

2.2.1 受電弓模板設計

高鐵接觸網和受電弓典型的受流高度主要有3種：5 300 mm左右、6 000 mm左右和6 400 mm左右。為此，將3種導高條件下白天和夜晚環(huán)境中受電弓工作狀態(tài)圖像作為受電弓模板匹配[14]的基準，如圖4所示。

圖4 不同高度和光照環(huán)境下的受電弓模板匹配Fig.4 Template matching of pantograph in different height and light intensity environments

2.2.2 搜索匹配策略

由于地理位置的差異，高鐵接觸網的布線高度也會發(fā)生變化，這就需要算法能夠自適應地調整，以選取最合適的受電弓匹配模板。首次匹配時，采用全局搜索的方式，依次使用各個模板在整個圖像上尋找受電弓輪廓。當匹配成功之后，挑選得分最高的模板所在圖像區(qū)域作為下一幀圖像的受電弓ROI搜索的參考基準?？梢姽庀鄼C的幀率為25幀/s，高鐵急速行駛時，當前幀圖像與下一幀相比，受電弓在畫面中位置變化在5個像素以內，設前一次成功檢測到的受電弓最小外接矩形區(qū)域為ROIa；對ROIa的4個邊界均向外擴大5個像素，得到ROIb，這樣就得到了下一幀受電弓感興趣搜索區(qū)域。采用這樣的策略，減少了每一次的搜索范圍，提升了搜索效率。如果受電弓連續(xù)丟失5次，則采用初始匹配策略進行全局匹配。

2.3 弓頭區(qū)域分割

圖5示出可見光相機采集到的受電弓圖像。分割弓頭區(qū)域時，首先通過特征匹配算法識別出受電弓弓頭并設定受電弓ROI1；然后根據受電弓各組件相對位置的先驗知識，分別設定羊角ROI2和前碳滑板ROI3；最后在各區(qū)域內使用受電弓檢測算法檢測受電弓是否出現羊角缺失、前碳滑板掉塊和弓頭傾斜的異常情況。

圖5 弓網缺陷檢測感興趣區(qū)域Fig.5 ROI of pantograph-catenary defect detection

2.4 受電弓羊角缺陷檢測

羊角缺失、形變或者懸掛異物會給受電弓正常受流帶來安全隱患，嚴重時可能會造成受電弓傾斜、接觸網打弓等，影響列車的安全行駛。系統(tǒng)根據受電弓羊角的結構特征，采用基于形狀輪廓特征的模板匹配算法進行羊角檢測，實時監(jiān)控受電弓羊角狀態(tài)。

2.4.1 受電弓羊角模板設計

羊角模板設計主要考慮兩點：

（1）白天和夜晚光照條件的差異以及羊角和弓體反射光線能力的差異，其會造成兩種典型光照環(huán)境下羊角成像效果的差異；

（2）受電弓受流高度的非唯一性，其會造成羊角所呈現結構特征的差異性。如圖6中的紅色輪廓羊角，其即為基于形狀輪廓特征設計的適應不同高度和光照環(huán)境的羊角模板。

圖6 不同高度和光照環(huán)境下的羊角模板匹配Fig.6 Template matching of pantograph horn in different height and light intensity environments

2.4.2 搜索匹配策略

受電弓左右羊角搜索匹配策略[15]如下：

（1）受電弓識別完成后，可以根據受電弓弓頭與左右羊角相對位置的先驗知識，設定左右羊角的初始ROI，如圖5中的ROI2；

（2）采用與受電弓匹配模板相對應的羊角模板在ROI內搜索羊角輪廓；

（3）如果匹配成功，則獲取匹配成功目標的位置、尺度縮放等匹配信息；

（4）得到的羊角輪廓匹配信息，對匹配成功的模板圖像進行仿射變換，獲取目標對象的輪廓；

（5）對提取的羊角輪廓進行一系列圖像處理，獲取目標輪廓的最小外接矩形以及矩形的中心坐標值，根據坐標信息分別統(tǒng)計左右羊角的檢出次數，執(zhí)行羊角缺失判定。

2.4.3 羊角缺失判定規(guī)則

受背景復雜和光照條件變化的影響，可能會出現漏檢現象，因此需要設計羊角缺失判定規(guī)則來規(guī)避誤報警現象的發(fā)生。

判斷規(guī)則如式（2）所示，設定檢出率閾值T2（本文設T2=0.8），統(tǒng)計第一次檢測出羊角缺失的連續(xù)N幀（本文設N=10）圖像的左、右羊角檢出率：

（1）如果檢出率小于T2，則判斷羊角缺失，標記缺陷位置并發(fā)送故障信息；

（2）如果檢出率大于等于T2，則羊角正常，讀取下一幀待檢測的圖像，執(zhí)行步驟（1）。

2.5 受電弓前碳滑板缺陷檢測

碳滑板是受電弓與接觸網直接接觸受流的關鍵部件，也是摩擦最劇烈、最容易出現缺口和掉塊等缺陷故障的部件[16]。缺陷發(fā)生在碳滑板上表面的概率是最大的，因此可以通過提取前碳滑板上邊緣輪廓線[17]并計算輪廓線曲率變化趨勢來判斷是否出現缺陷，但是該方法對邊緣輪廓的分割提取要求較高。本文采用另外一種方法，即通過提取前碳滑板上、下邊緣輪廓曲線并計算前碳滑板厚度像素的方式來判斷是否出現缺陷。

2.5.1 厚度閾值設定方法

影響厚度閾值的因素包括結構特征和高度變化。前碳滑板兩端薄，中間略厚；高度越高，前碳滑板相同位置成像像素則越少。

前碳滑板結構特征決定了厚度閾值不能單一化。如圖7所示，前碳滑板區(qū)域被分割為A、B和C這3個區(qū)間，其分別占據ROI寬度的1/4、1/2和1/4。分別計算A、B和C區(qū)間內前碳滑板上、下輪廓厚度的中值，并將中值作為該區(qū)段的厚度閾值。高度變化因素決定了厚度閾值應該隨著受電弓工況的變化而變化。采用自適應學習方式，當工況發(fā)生變化并且穩(wěn)定后，記錄A、B和C這3個區(qū)段連續(xù)5幀圖像的厚度參數平均值，這3個平均值就是新的工作條件下的碳滑板厚度閾值。

圖7 前碳滑板厚度計算區(qū)段劃分Fig.7 Calculation section division of thickness of front carbon slide plate

2.5.2 前碳滑板缺陷檢測算法

通過讀取前碳滑板ROI區(qū)域，提取圖像的邊緣輪廓。通過拆分輪廓為線段的方式，篩選出前碳滑板的近似輪廓，并濾除長度較短的干擾邊緣線。將長度符合設定閾值的邊緣線閉合以連接成完整輪廓，判斷是否只有一個長度滿足閾值范圍的閉合輪廓；如只有一個，說明找到了碳滑板。

刪除閉合輪廓左右兩端的豎直邊緣輪廓部分，截取閉合輪廓的中間段近似水平部分作為感興趣輪廓，判斷是否成功截取2個感興趣輪廓線；分別統(tǒng)計輪廓線上點的個數并判斷是否滿足最小閾值。本文中最小閾值為90。如果2個條件都滿足，說明已正確提取了碳滑板的上、下邊緣。

計算上、下輪廓線最近的距離，并與按照2.5.1節(jié)中的算法計算出的厚度閾值進行對比。如果最近的距離比厚度閾值小5 mm以上，則懷疑該處存在5 mm以上的碳滑板掉塊缺陷。

2.5.3 碳滑板缺陷判定規(guī)則

由于非露天環(huán)境存在復雜背景、接觸網、接觸線懸掛和吊臂懸掛等干擾，在某一段區(qū)間，可能會提取出疑似缺陷輪廓段，需要采取相應的規(guī)避策略。

前碳滑板缺陷判定規(guī)則如下：

（1）幀差值判定。計算前后兩次檢測出缺陷的幀差值并與設定的幀差閾值Val_Dif（本文中Val_Dif=10）進行比較，見式（3）。如果式（3）成立，則根據式（4）進行判定；否則，跳出缺陷判定模塊，執(zhí)行2.5.2節(jié)中的前碳滑板缺陷檢測算法。

式中：NCountfault(i)——故障幀的幀序號。

（2）概率統(tǒng)計。其方式如式（4）所示。從第一次檢測出缺陷開始，統(tǒng)計連續(xù)n秒（n=10）內缺陷出現的概率，如果概率值不小于設定的閾值T4（本文T4=1），則表示出現缺陷；否則，跳出缺陷判定模塊，執(zhí)行2.4.2節(jié)中的算法。

式中：Nfault(i)——判斷為有缺陷的圖片數量；

Nnorm(i)——判斷為正常的圖片數量。

2.6 受電弓弓頭傾斜檢測

受電弓弓頭傾斜角度太大并且持續(xù)時間過長往往是受電弓結構異常的表現。本文通過提取前碳滑板上邊緣輪廓，以輪廓左右兩端點連線的傾斜角度作為弓頭傾斜角度的表征。

2.6.1 弓頭傾斜角度計算基準

受拍攝相機安裝角度和位置的影響，即使接觸網位于受電弓滑板中間位置，受電弓弓頭在可見光相機的視場也會存在一定角度的傾斜。圖8示出接觸點位于碳滑板中間位置時，3種常見導高工況下的受電弓姿態(tài)，分別以此姿態(tài)作為后續(xù)弓頭傾斜角度計算的基準姿態(tài)。

圖8 典型導高狀態(tài)下的受電弓姿態(tài)Fig.8 Pantograph attitude under typical conducting hight state

2.6.2 弓頭傾斜檢測算法

受電弓弓頭傾斜檢測算法如下：

（1）采用2.5.2節(jié)中碳滑板輪廓提取算法實現碳滑板上、下邊緣輪廓的提?。?/p>

（2）提取上邊緣輪廓左、右端點的坐標值，根據式（5）計算兩點連線的傾斜角度φ；

（3）根據2.6.1節(jié)方法計算出的基準傾斜角度值，對傾斜角度值進行補償，得到校正后的受電弓傾斜角度。

2.6.3 弓頭傾斜異常判定規(guī)則

正常受流時，隨著接觸網的左右滑動，弓頭上下擺動，弓頭的傾斜角度也會隨之變化。弓頭傾斜角度計算如下：

式（6）中的兩個條件若同時滿足，表明弓頭傾斜角度大于設定的閾值角度，同時保持這種狀態(tài)的持續(xù)時間超過設定的時間閾值，則判定弓頭出現傾斜異常故障。

3 驗證分析

為了驗證本文算法的檢測性能，本文選取白天和夜晚環(huán)境下的多個序列弓網圖像原始數據，以驗證算法對白天和夜晚工況的適應性。通過Photoshop圖像處理軟件將其中部分圖片設計成缺陷狀態(tài)的情形，然后再合成一個連續(xù)的圖像序列，作為測試數據集。測試中，將檢測算法部署到一臺計算機上，由檢測算法逐張讀取分析測試數據集圖片并輸出檢測結果，以驗證檢測算法的檢出率。數據集測試結果顯示，各種算法的檢出率均大于98%，誤報率均小于2.6%。

3.1 羊角缺失檢測驗證

選取6 400 mm導高條件下白天和夜晚環(huán)境的圖像各500張，使用圖像處理手段將其中的500張圖像中的受電弓設計成羊角缺失的狀態(tài)，如圖9（a）所示。采用第2.4節(jié)的羊角缺失檢測算法對“缺陷”圖像分別進行驗證，如圖9（b）所示，算法采用紅色矩形框標記的方式識別出羊角缺失異常。采用該羊角缺失檢測算法，受電弓檢出率為98.4%，誤報率為1.4%。

圖9 羊角缺失識別Fig.9 Identification of pantograph horn missing

3.2 前碳滑板掉塊檢測驗證

選取6 000 mm導高條件下白天和夜晚環(huán)境的圖像各500張，使用圖像處理手段將其中的500張圖像中的受電弓設計成前碳滑板掉塊的狀態(tài)，如圖10（a）所示。采用第2.5節(jié)前碳滑板缺陷檢測算法對“缺陷”圖像分別進行驗證，結果如圖10（b）所示，算法采用黃色圓圈標注的方式識別出缺陷位置。采用該前碳滑板缺陷檢測算法，受電弓檢出率為98.2%，誤報率為2.2%。

圖10 前碳滑板缺陷識別Fig.10 Identification of front carbon slide plate defect

3.3 弓頭傾斜檢測驗證

選取5 300 mm導高條件下的白天和夜晚環(huán)境的圖像各500張，使用圖像處理手段將其中的500張圖像中的受電弓圖像處理成弓頭傾斜狀態(tài)，采用第2.6節(jié)的弓頭傾斜檢測算法對圖像進行驗證，結果如圖11（b）所示。圖中，黃色"×"點是前碳滑板上邊緣輪廓兩個端點，黃色直線是2個端點的連線，綠色字體描述的是弓頭傾斜角度。采用該弓頭傾斜檢測算法，受電弓檢出率為98.4%，誤報率為2.6%。

圖11 弓頭傾斜檢測Fig.11 Identification of pantograph bowhead inclination

4 結語

弓網狀態(tài)監(jiān)測是列車正常運行的重要保障措施之一。本文提出一種基于特征分析且不依賴故障樣本數據的受電弓異常在線識別方法，其可見光相機被固定在車頂護罩內，安裝方便，只需要標定好安裝角度和調好相機參數即可。該方法是一種基于圖像的非接觸式檢測手段，通過一系列圖像檢測算法，可以實時監(jiān)測弓網是否發(fā)生異常，且無負樣本要求；故障復核方便，圖像能直觀反應弓網狀態(tài)，通過復核故障包內的圖像即可復核是否真正發(fā)生受電弓異常故障以及故障發(fā)生的原因。實驗結果證明：基于特征分析的受電弓異常實時識別方法具備實時監(jiān)控受電弓的羊角是否缺失和變形、前碳滑板是否掉塊和弓頭是否發(fā)生傾斜故障的功能，具有較好的實用性，能夠對受電弓異常情況進行預警。

由于檢測效果受可見光圖像的清晰度以及目標對象與背景的區(qū)分度影響較大，文章選取了質量較好的戶外圖像進行的故障模擬以及算法測試，而在實際應用中，存在當處于隧道、車站等非露天場景時，受電弓與背景區(qū)分度可能不高，提取完整的受電弓前碳滑板輪廓不清晰等困難，檢測性能可能會出現下降。因此，后續(xù)我們將針對這些檢測效果不佳的真實工況繼續(xù)進行受電弓異常識別方法的迭代優(yōu)化。