基于感知哈希算法的受电弓滑板图像检测

王闻阳+高宏岩+林兴鹏

摘 要： 现有的机车入库受电弓检测方法，除人工检测外大多需要机械手臂搭载传感器运动到受电弓附近。这类方法在复杂环境下使用时有着一定的局限性。现提出一种直接使用相机拍照的图像检测方法，利用感知哈希算法对检测到的图像进行对比，自动识别出被检测对象的图像，避免了因使用机械臂等设备带来的干扰，所采集到的图像可作为受电弓滑板磨耗检测系统重要的数据来源。

关键词： 受电弓滑板； 感知哈希算法； 图像检测； 机车入库

中图分类号：U264.3+4 文献标志码：A 文章编号：1006-8228（2018）02-58-04

Abstract： The existing detection methods of electric locomotive pantograph strip， excepting for manual testing， most of them need a mechanical arm equipped with sensor moving to the location near pantograph. These methods have limitations when they are used in a complex environment. In this paper a new image detection method used camera directly has been proposed， it uses perceptual Hash algorithm to contrast images and automatically identifies the image of the detected object， avoiding the interference caused by the use of mechanical arm. The image collected can be used as an important data source of pantograph strip abrasion detection system.

Key words： pantograph strip； perceptual Hash algorithm； image detection； locomotive in maintenance workshop

0 引言

我国现有铁路干线以电气化铁路为主，电气化铁路以电力牵引作为主要牵引方式，受电弓作为电力机车与接触网的连接部分，其性能在列车运行时十分重要[1]。在对受电弓检修的操作中，弓头部分的检查是重要环节，受电弓滑板碳条因运行产生磨耗，其厚度一旦小于规定值就需要立即更换，避免在列车运行中发生事故。

受电弓滑板状态检测方法主要有三种。①人工检测的方法。这是最传统的方法，需要操作人员在机车入库的情况下登上车顶，使用直尺进行人工测量，该方法的主要缺点是，登上车顶前机车需要进行停车、落弓等一系列动作以满足登顶要求；人工作业时具有较大安全隐患等[2-3]。②接触式检测方法。依靠埋在滑板内的光纤，当滑板受到大冲击作用产生磨耗时，通过电位变化探明受电弓滑板状态[4-6]。③利用机械臂搭载激光、超声等传感器进行测量。在有磨耗的地方，传感器接收到的信号会有差别[7-8]。此类方法需要操作机械臂移动到受电弓附近，由于接触网与受电弓相接，在操作机械臂时要避免与接触网发生碰撞，对设备安放位置和机械臂操作有着较高的要求[9]。④利用图像处理技术。机车触发光电传感器时启动摄像头对受电弓进行图像采集，通过电缆将图像传输到拍摄点附近的控制室，由上位机端通过图像处理技术完成对受电弓的检测[10-11]。该方法的效果优异，但也有一些局限性：利用电缆传输时设备不宜离控制中心过远；包括光电传感器在内的设备安装、调试需要经过较为复杂的步骤和较长的时间；使用时需要搭建一个新的机库，成本较高。

考虑到以上几种方法的优缺点，提出了一种基于感知哈希算法的受电弓滑板图像检测方法，利用算法代替光电传感器起到对相机的控制，将采集到的图像通过无线传输的方式传给上位机端进行处理。

1 检测系统设计

图像检测系统有三大组成部分，分别是采集端、服务器端和上位机端。采集端负责对受电弓进行图像采集。服务器端运用无线传输技术，将接收到图像发送至上位机端。上位机端对接收到的图像进行自动处理，得到受电弓滑板部分的图像。

1.1 采集端设计

感知哈希算法应用在采集端，用于判定图像中是否有目标受电弓存在。相机采用定时定点拍照的方式，调整角度使相机镜头对准受电弓所处位置，先拍摄一张没有受电弓存在的图像，图像被处理后作为图像对比时的基准图像使用。之后相机进行定时拍照，拍摄的每副图像与基准图像作对比，正常工况下，没有受电弓时图像与基准图像相似度极高，而当受电弓进入相机镜头范圍并被拍摄到时，与基准图像的相似度较低。图像相似程度的计算由感知哈希算法完成。

哈希算法二进制值进行映射，映射后的二进制值长度较短，称为哈希值，常用于数据的搜索与加密[12]，感知哈希算法是其在图像搜索领域中的应用[13-14]。对于图像数据，感知哈希算法能较为准确的对比两副图像的相似程度，并且有着极快的对比速度。因此，在不需要高精度图像对比的工作中，感知哈希算法有着很大的应用价值。

感知哈希算法的核心是映射，将图像映射为一组确定的字符串，称为“指纹”，将不同图像的指纹进行对比，就能得到图像相似度，感知哈希算法提取指纹的步骤如下：

⑴ 尺寸转换。将图像的尺寸缩小至8×8大小共64个像素，只保留图像结构、亮暗等信息，排除因变形、拉伸等原因产生的干扰因素，只针对重要信息进行指纹提取。endprint

⑵ 灰度转换。将图像转换为灰度图像，为下一步计算作准备。

⑶ 计算灰度的平均值。此值作为指纹提取的重要指标。

⑷ 灰度值比较。将每个像素与平均灰度值作比较，大于（或相等）时记为1，小于时则记为0。

⑸ 生成哈希值。将上一步记录下的数值组合在一起，即得到图像的哈希值，作为提取出的图像指纹，该指纹是一个64位整数。

将不同图像提取到的指纹按位对比，即可计算出图像的相似程度，对比结果即两图像间不同数据位的数量，可转换为百分比的形式表示，或作为后续程序执行的依据。

1.2 服务器端设计

要将图像传到上位机端，必须经过服务器端的连接，需要为该系统搭建专门的服务器端。服务器端可在互联网上实现功能，进行图像长距离无线传输，使用TCP/IP协议，需要利用动态域名解析服务来完成。互联网用户通过本地的域名服务器获得网站域名的IP地址。在服务器端的出口和入口处，需要将传输数据编码，使得采集到的图像信息转换为适合TCP/IP协议传输的数据。

1.3 上位机端设计

上位机端将服务器端传来的图像保存到固定文件夹，利用MATLAB软件循环遍历文件夹中的图像，并进行图像处理，最终获得需要的数据。每处理完一副图像，将此图像从原有文件夹中移除，转移到一个新文件夹中作为留存，原文件夹中图像数正常情况下不会大于一张，降低了MATLAB图像处理的压力和发生读取错误可能性。

MATLAB具有完备的图形处理功能和丰富的工具箱，可对图像进行裁剪、滤波等预处理，进而可进行边缘检测等深度处理[15]，上位机端图像处理流程如图1所示。

2 检测过程

2.1 设备选取与架设

系统采集端程序由java语言编写，可在搭载Android平台的移动设备上进行调试运行。上位机端需要安装MATLAB软件作为图像处理平台，同时需要相应的服务器程序。详细设备清单如表1所示。

由三脚架、手机组成拍摄设备，经现场调试，设备拍摆放位置选择在距车门后沿370cm的检修架平台上。将摄像头对准受电弓前弓与接触网接触的中心位置，调整角度使受电弓上下边缘尽可能与图像底边平行。设备架设位置如图2所示。

2.2 操作步骤

⑴ 在上位机端连接互联网的前提下，打开花生壳软件，运行编写好的ECLIPSE程序、MATLAB程序，上位机端进入自动模式。

⑵ 采集端打开集成了感知哈希算法的软件，进入自动拍照、对比、传输的模式。

⑶ 系统进入自动检测阶段，在上位机端可查看已检测到的受电弓图像和基本信息。

3 检测结果

通过与基准图像比对，经现场测试得出相似度阈值，当相似度低于90%时视为采集到受电弓图像，执行图像传输功能。图3为感知哈希算法对比图像，经感知哈希算法计算，两幅圖像的相似度为75%，低于设定值，因此待判断图像被视作包含受电弓的图像，传输至上位机端。

传输至上位机端的图像，通过MATLAB软件自动进行预处理。裁剪前预处理包含对比度拉伸、滤波、等内容，可减少图像噪点、增强对比度，对后期边缘提取效果有很大提升[16]。裁剪后包含裁剪、图像变换等内容，可提取到关键位置图像并进行边缘提取，获得关键位置的边缘信息，预处理结果如图4所示。

在获取到关键位置的图像后对接触网进行定位。定位接触网对整个系统有重要意义，在定位受电弓滑板上、下边缘时，有效屏蔽接触网图像，排除接触网带来的干扰。图5为定位到的接触网图像。

图5 定位到的接触网图像

定位到接触网后，通过算法确定受电弓滑板下边缘，由下边缘向上搜索得到上边缘[17]，最终确定受电弓滑板的边缘。定位到的滑板下边缘图像，可结合下边缘齐整的实际特点对下边缘进行拟合。图6为受电弓滑板边缘检测图像。可以看出拟合后的下边缘更为连续，能搜索到更多的上边缘信息，进一步减小接触网对滑板边缘定位带来的干扰。

图6 受电弓滑板边缘图像

4 结论

本文基于感知哈希算法采集到受电弓滑板图像，通过对软件、硬件的设计，成功实现了受电弓图像采集、自动化图像处理等功能。通过感知哈希算法可以从图像的角度判定是否获取到受电弓图像，无需使用红外传感器等硬件，使得本系统具有搭设快捷、成本低廉的特点。由本系统检测到的受电弓图像，可提取到接触网、下边缘、上边缘等重要图像信息，为后期实现受电弓滑板自动磨耗检测提供了重要的数据支持，具有很高的实验和实用价值。

参考文献（References）：

[1] 钱清泉.电气化铁道微机监控技术（电气化铁路基本知识（修订版））[M].中国铁道出版社，2000.

[2] 冯倩，陈维荣，王云龙.受电弓滑板磨耗测量算法的研究[J].铁道学报，2010.1：109-113

[3] 仲崇成，李恒奎，李鹏，等.高速综合检测列车综述[J].中国铁路，2013.6：89-93

[4] 黄艳红.受电弓滑板磨耗图像检测算法研究[D].西南交通大学，2008.

[5] 尹保来，王伯铭.超声波测距原理在受电弓磨耗检测中的应用[J].机车电传动，2008.5：57-59

[6] Tatsuya KOYAMA，刘志荣.用装在接触网上的传感器探测受电弓缺陷的方法[J].国外铁道机车与动车，2017.2：30-34

[7] 孟祥奎，吴积钦.受电弓和接触网运行状态定点监测装置[J].电气化铁道，2010.2：32-34

[8] 罗鹏，王泽勇，高晓蓉，等.电力机车入库受电弓滑板磨耗检测[J].光电工程，2004.31：88-90

[9] 韩志伟，刘志刚，张桂南等.非接触式弓网图像检测技术研究综述[J].铁道学报，2013.6：40-47

[10] 贾成芬，王伯铭，孙丰晖.基于OpenGL的受电弓磨耗检测系统图像化设计[J].机械工程与自动化，2010.6：21-22，25

[11] 孟欢，杨雪荣，吕文阁等.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，2017.8：151-154

[12] 王金海，魏宁，崔军等.一种生物证书密钥生成算法[J].哈尔滨工业大学学报，2016.11：90-95

[13] 姚永明，杨纯，吴凌燕，等.关于对图像哈希算法的研究与应用[J].西安文理学院学报（自然科学版），2016.19（5）：30-33

[14] 唐小蔓，王云飞，邹复好等.基于多哈希算法的大规模图像快速检索方法[J].计算机工程与科学，2016.7：1316-1321

[15] 赵小川.现代数字图像处理技术提高及应用案例详解：MATLAB版[M].北京航空航天大学，2012.

[16] 林玉池，崔彦平，黄银国.复杂背景下边缘提取与目标识别方法研究[J].光学精密工程，2006.3：90-95

[17] 师鹏燕，王黎，高晓蓉等.基于仰拍方式的受电弓滑板图像检测[J].机车电传动，2010.1：57-59endprint