基于图像模型的车载弓网检测系统研制

申天亮 王玉东

摘 要：为实现地铁弓网的状态检修，需要检测地铁列车受电弓与接触网的实际运行工况。本文研制一种基于图像模型的车载弓网检测系统。采集弓网在正常运行过程中的实时视频数据，对数据进行基于深度学习神经网络的预处理后，运用经验模型进行验证与修正，最后对图像模型进行实时运行状态监测。经反复多次实验表明，本系统能有效地对地铁列车运行的弓网关系进行监控，达到预期效果。

关键词：状态检修；图像模型；弓网关系

中图分类号：U226.52 文献标识码：A 文章编号：1671-2064（2018）20-0088-02

目前国内外对弓网关系的测量有传统的手工测量方法[1]、在线式定点检测系统[2]、利用接触网综合检查车。由于常用的传统人工测量维修检测效率低，人工成本高，检测的不确定性大；接触网综合检查车是专业的检测车，进行检查需要专项采购。相比而言本系统是可随时安裝于正常列车上的检测装置，利用该系统进行诊断和检测不仅简化传统的检测步骤，且具有受外界因素影响少，检测精度比之前高，成本也很低，结合图像模型、图像处理人工智能算法对弓网进行监测，能满足在线检测的需求。

1 项目总体与工艺设计

总体工艺设计关系到粤港共性技术项目完成的进度与质量，根据运维作业性质、经验与数据统计，为工艺设计制定了安全、简约和实用的三大原则。

1.1 总体设计

项目实现功能：

（1）弓网作用关系检测：拉弧检测、冲击加速度检测；

（2）接触网检测：导高检测、拉出值检测；

（3）受电弓检测：受电弓姿态检测（未来扩展功能）；

（4）导出考核指标：放电脉冲幅值、放电时间、放电积分强度；动态加速度值；接触网里；

（5）程-导高值关系图、里程-接触网拉出值关系图；

（6）报警设置：各指标对应参数设定超限报警值，并可根据实际情况可以调整；

（7）里程定位：计量或导出列车行驶区间的行驶时间-里程信息，并关联各项检测指标值；

（8）装置的工作模式：该装置的工作模式分一般工作模式和触发工作模式两种。一般工作模式下，装置处于连续信号检测和记录状态，而触发工作模式是在三个触发源（拉弧放电、弓网作用关系、冲击加速度）发生触发，视频装置同时转为抓拍状态，记录弓网非正常工作状态的实际场景，便于后续分析。

1.2 工艺设计

针对总体设计要求，确定项目设备如下配置：

（1）车顶传感器：线激光2只；图像传感器1台；视频摄像机1台；

（2）检测箱：图像采集分析工控机；硬盘录像机；通讯报警设备；

（3）数据分析管理系统：数据管理服务器、数据管理分析系统软件。

针对总体设计要求，设定以下工艺予以实现各项要求：由相距400mm的两线激光器发出的两束光打在受电弓上形成光斑作为检测参照，列车行驶过程中，由相机对受电弓、接触网及参照光斑进行摄像录制，由专门的检测装置（特制）对视频文件进行收集、储存，列车完成行驶里程后由检测装置中的专门软件（专编）对视频数据进行区间分割、并进一步分析、输出各指标检测值和特性曲线。

1.3 硬件配置设计

根据设备安装空间、视频视场以及分辨率要求、设备运行和数据采集要求，通过计算确定采用200万像素带红外线光源的视频一体机作为视频采集相机，5w的线激光发射器作为线激光器，控制端采用11吋的led触摸屏作为显示设备，对应确定主板等主要部件，组成专门的受电弓检测系统装置。如图1。

1.4 设备安装工艺设计

利用3D设计软件进行三维安装设计，设计过程中除重点考虑设备安装的功能现实、安装牢固外，还充分考虑了这些因素：如设备安装不能对载车车体进行改动、不能影响载车的正常行驶，更重要的是设备安装后的占有空间不能侵犯车辆限界，如图2。

2 测量模型

2.1 视像区

在具体实施中，考虑视像区要包含接触网导高和拉出变化范围，ROI区域选X±400，Y±1500mm。

2.2 输出

视频变量——以连续曲线输出及对报警值进行标记

拉出值——以线激光光迹作为参考（或弓中心点），用直线分析法求得网每次之字形的最大左右偏离值。报警阀值比如超过±200，标记；

弓高——指以相机（车顶参考），用直线分析法记录过车的连续弓高；

拉弧分析——拉弧强度（灰度换算阀值205可根据图片亮度设置），拉弧面积（ROI区域超阀值灰度像素积分换算mm*mm），拉弧连续长度（连续帧识别）换算为m；

弓头加速度——阀值>2g帧y位移大于3.2mm，每秒25帧录相速度，计算y=a*t^2。用弓头质量即F=m*a换算为压力，标记。

2.3 定位

距离定位——采用先车站区间分段成区间视频，各区间特征参数里程定位按列车自动驾驶模式的定式由时间对区间定式速度积分确定出对应距离S。如图3。

3 实验步骤与实验结果分析

本项目设备于2017年4月26号广州地铁西塱车辆段安装于A11257车上，27号下午实验线车速分别以30/40/50/60/80公里每小时进行跑车试验，于夜间22：40安排正线运行。

3.1 数据的预处理

数据的预处理是针对视频的海量数据，即必须解决物象在图片的位置搜索速度。其方法是基于深度学习的神经网络，通过大量数据样本得到各类经验参数与权重：

（1）用一批包含正负样本训练一个SVM分类器，正样本表示有弓网的图片区域，负样本表示其他非弓网的图片区域；

（2）用训练好的分类器在行车视频的每一帧图片中滑动搜索，每次搜索都能得到一个反映区域属于正类的概率，搜索步长固定；

（3）第二步之后在一张图片中可以得到N个概率，将最大的m个保留，代表目标最有可能出现的区域；

（4）利用一些经验知识，比如目标位置附近的概率都会比较大，如果只有一个搜索位置得到大概率，其周围概率都很小，则判定为野点（异常点）并剔除；

（5）定位好位置之后寻找弓网接触点、弓上下边界、中心位置等具体弓网关系指标。

3.2 结果汇总

本项目上车时间48小时，经过试验线试跑及按照正常运营正线运行，试验线运行时长240min，正线时长90min，雨淋120min。运行结果如下：

（1）形成的预警表（预警值部分待定）（全程）见表1。

（2）上下行全程视频后分段形成区间文件33个，上下行各15个（对应16个站15个区间），出、入库及东站折返线各1个。

4 研制结论

（1）经验证使用本方案实施的车载受电弓检测装置可以满足《地铁行车关键装备在线监测装置与集成系统》中有关车载弓网监测装置的要求，能进行所述各指标的检测和记录；

（2）经验证设备安装拆卸简单、可靠、固定和使用安全，有防雨性能；

（3）经验证运行中各设备连接、运转正常，不影响列车正常行驶；

（4）使用本文所述的受电弓车载检测装置检测弓网关系、状态就检测效率、准确率远远高于人工的检测数值。

5 研制成果

（1）形成车载受电弓检测装置及配套安装设备一套；

（2）形成对弓网视频中的特征点进行跟踪、提取、分析的软件一套；软件用图模型一套；

（3）形成简易里程定位方法和对里程视频数据人工智能的数据预处理方法；

（4）形成广州一号线地铁上下行全线接触网-受电弓视频文件33个（以区间分段）；

（5）形成对广州地铁其它各线（含一号线）接触网定期检测和本次接触网维护的建议一份。

参考文献

[1]张岩，钱韦吉，陈光雄.接触网-受电弓系统摩擦振动的初步研究[J].润滑与密封，2012，（8）：21-26.

[2]胡亮.弓网受流中出现拉弧原因及预防措施的探讨[J].工程技术，2016，（10）：262.