城轨列车受电弓滑板磨耗检测技术研究

陈叶健,姚小文,张 永,邢宗义

(南京理工大学自动化学院,南京 210094)

城轨列车受电弓滑板磨耗检测技术研究

陈叶健,姚小文,张 永,邢宗义

(南京理工大学自动化学院,南京 210094)

为实现城轨列车受电弓滑板磨耗的在线非接触式检测,对城轨列车受电弓滑板磨耗检测技术进行研究。提出一种基于图像处理的受电弓滑板磨耗检测方法,其步骤为：首先,对采集系统采集到的原始图像进行图像滤波,滤除原始图像中的混合噪声；然后,采用基于直方图凹度分析的自适应Canny边缘检测方法对滤波后的图像进行边缘检测,检测出图像内受电弓滑板边缘；最后,通过相机标定和曲线融合获得实际的受电弓滑板磨耗曲线,以判断受电弓滑板磨耗是否超限。试验结果表明：该方法能有效地检测出原始图像中的受电弓滑板磨耗曲线,能有效地实现城轨列车受电弓滑板磨耗的在线非接触式检测。

城轨列车；受电弓滑板；图像滤波；自适应Canny边缘检测；相机标定

城轨交通系统中，受电弓是城轨列车和接触线的电连接设备，其滑板的状态好坏对城轨列车的供电有直接的影响。在列车运行过程中，其滑板与接触线摩擦产生磨耗，降低了滑板的使用寿命，过度磨耗将造成列车停运，对列车安全运行造成极大的影响[1]。因此，受电弓滑板磨耗的在线实时检测对于保障城轨列车的安全运营具有重大的实际意义。

孙丰晖等[2-4]在检测区域正上方安装超声波传感器，利用超声波原理设计了一套受电弓滑板磨耗在线检测装置；岳安志等[5]基于主动形状模型(Active Shape Model)提出了一种受电弓滑板磨耗在线检测方法；北京的天佐天佑公司基于激光测距及图像处理技术设计和开发了一种受电弓滑板磨耗在线检测系统[6]；Aydin I[7]提出了一种自动定位受电弓检测区域并去除图像质量受天气等因素影响，同时采用萤火虫算法检测滑板故障的新诊断方法；Judek S等[8]提出了一种基于3D扫描受电弓表面的滑板磨耗及其故障在线检测算法。

本文提出一种受电弓滑板磨耗检测算法，通过基于直方图凹度分析的自适应Canny边缘检测算法获取受电弓滑板边缘图像，根据相机的内部参数和外部参数求取受电弓滑板实际的磨耗剩余值，进一步实现受电弓滑板磨耗曲线的绘制。该方法能有效地获得受电弓滑板磨耗曲线，为判断受电弓滑板磨耗是否超限提供依据。

1 图像处理技术简介

图像是获取和交换信息的主要来源，数字图像处理技术具有再现性好，处理精度高，灵活性高等优点，因此其应用到人类生活和工作的方方面面，如航天航空技术、通信工程等。本文将图像处理技术应用到铁路安全运输方面[9]。在检测现场安装4台基于CCD感光芯片的工业相机，每2台拍摄列车车顶上受电弓的一个滑板。工业相机拍摄到的滑板图像经千兆以太网传输到图像处理系统，图像经过图像处理系统中的滤波、边缘检测、相机标定等图像处理技术来检测受电弓滑板的磨耗。

图像在采集、传输和接受的过程中会不可避免地受到外部环境的干扰，这导致图像中存在大量的噪声[9]。而图像处理中的边缘检测算法主要是基于图像灰度的导数算法。导数对噪声比较敏感，噪声与边缘检测的结果直接相关，因此需要采用滤波器滤除噪声来改善图像的质量，从而提高边缘检测的准确性。图像滤波的目的在于保全图像边缘信息的同时，最大程度地降低噪声，但是降低噪声和增强边缘是边缘检测中的一个矛盾问题，是边缘检测过程中的一个难点，实际应用中需根据实际问题对两者进行折中。

图1 阶跃边缘

图像边缘指的是图像局部灰度值发生突变或者灰度值变化比较剧烈的区域，是图像分析的重要特征，主要存在于目标与目标、目标与背景、区域与区域之间[10-11]。根据图像边缘的幅度，将边缘分为阶跃边缘和屋脊边缘两种，如图1(a)、图2(a)所示，阶跃边缘两侧的灰度值有明显的变化，而屋脊边缘位于灰度值极大值点处。为更清晰地判断图像边缘的准确位置，分别求取阶跃边缘和屋脊边缘的一阶、二阶导数，如图1(b)、图1(c)，图2(b)、图2(c)所示。边缘检测的目的就是采用相关数字图像处理技术,将图像中的灰度变化剧烈的像素点检测出来，并获得其在图像中具体位置。

图2 屋脊边缘

2 受电弓滑板磨耗检测算法

受电弓和接触导线按“之”字形布局构成1对摩擦副，接触导线和受电弓运行方向之间(轨道中心线)的夹角为1.2/50 rad[12]，夹角很小，可认为受电弓滑板上表面在宽度方向上的磨耗是相同的，所以，可以用受电弓滑板的上下边缘来对整个受电弓滑板的磨耗进行分析。但是在受电弓运行过程中，接触网与滑板之间经常产生打火、拉弧等现象，导致滑板托架变黑。另外，雨水也会影响滑板下边缘的提取。因此，滑板下边缘的提取变得越发困难。为提高系统的检测精度，本文检测滑板上边缘和托架下边缘之间的距离，将该距离值减去滑板托架的厚度得到滑板的剩余磨耗值。

本文检测受电弓滑板磨耗主要利用2台CCD相机拍摄的半弓图像进行分析，采用数字图像处理技术，提取受电弓滑板上边缘与托架下边缘；通过相机标定计算滑板上边缘和托架下边缘之间的距离，减去托架厚度获取半弓滑板剩余磨耗曲线；将2条半弓滑板磨耗曲线进行曲线融合，从而得到整个滑板的剩余磨耗曲线，受电弓滑板磨耗检测流程如图3所示。

图3受电弓滑板磨耗检测流程

2.1 图像滤波

受电弓滑板磨耗检测中，由于受外界环境的影响，采集到的原始图像往往包含大量噪声。而原始图像中大量噪声的存在会严重影响边缘提取，不利于对受电弓滑板磨耗的分析，因此对含噪声的原始图像进行图像滤波是非常有必要的，也为进一步提高分析受电弓滑板磨耗的准确度奠定了基础。

由于相机采集到的原始图像存在大量的混合噪声，主要是脉冲和高斯噪声。本文提出一种滤除混合噪声的滤波算法，首先采用中值滤波算法对脉冲噪声进行抑制，再采用均值滤波算法对高斯噪声进行抑制，2种滤波算法递进滤除受电弓图像中的混合噪声[13]。

图像滤波后，通常采用均方差(MSE)和峰值信噪比(PSNR)[14]来对图像滤波算法的性能进行客观评价。均方差(MSE)是一个原始图像与滤波后图像之间的均方误差的工程术语，峰值信噪比(PSNR)是一个表示信号最大可能功率和影响他的表示精度的破坏性噪声功率的比值的工程术语，由此可知，均方差(MSE)越小，峰值信噪比(PSNR)越大，滤波效果越好。均方差(MSE)的定义为

式中，I(i，j)为原始图像；K(i，j)为滤波后图像。

峰值信噪比(PSNR)的定义为

式中，MAX表示图像点颜色的最大数值。

2.2 自适应Canny边缘检测

自适应Canny边缘检测算法提出一种通过对图像梯度直方图的凹度分析自动实现高低阈值设置的边缘检测算法。自适应Canny边缘检测算法的具体步骤如下。

(1)梯度计算

在图像滤波后的图像中像素点及其8邻域内采用3×3卷积模块计算该点的梯度。图像像素点(i，j)在水平垂直方向上的定义为

fx(i，j)=f(i+1，j-1)+2f(i+1，j)+

f(i+1，j+1)-f(i-1，j-1)-2f(i-1，j)-

fy(i，j)=f(i-1，j+1)+2f(i，j+1)+

f(i+1，j+1)-f(i-1，j-1)-2f(i，j-1)-

梯度幅值M(i，j)定义为

梯度方向定义为

梯度幅值M(i，j)反映了图像像素点(i，j)的边缘强度，θ(i，j)为图像上像素点(i，j)的法向矢量，与边缘的方向垂直。

(2)非极大值抑制

非极大值抑制只保留局部梯度极大值点，抑制非极大值点，具体算法如下。

①将梯度的方向角θ(i，j)的变化范围减少到4个扇区之一，如图4所示，这4个扇区的编号为0到3。对于点(i，j)，根据其梯度方向确定所在的扇区ξ(i，j)。

②采用尺寸大小为3×3的窗口作用于梯度幅值图的所有点，在以点(i，j)为中心的8邻域内，邻域内任一像素点必然位于4个扇区之一，根据点的梯度方向确定其所在扇区，选取该扇区相邻的两个点与点(i，j)进行梯度幅值比较，若点(i，j)的梯度幅值大于这2个点的梯度幅值，则点(i，j)可能是边缘点，相对应M(i，j)中的值保持不变。反之，点(i，j)不是边缘像素点，相对应M(i，j)中的值置零。

③对图像所有像素点进行以上处理，获得单像素宽度的梯度幅值特征图。

图4 梯度方向的扇区划分

(3)基于直方图凹度分析的高低阈值选取

将直方图凹度分析运用到高低阈值的选取当中，对梯度幅值直方图进行凹度分析来选取高低阈值，高低阈值选取具体过程如下。

①求取受电弓图像的256级梯度幅值直方图h(i)，提取直方图h(i)的非零起点[istart，h(istart)]和非零终点[iend，h(iend)]。

②根据式(8)计算直方图中梯度幅值从istart和iend的斜率。

其中，s(i)为斜率；i为梯度幅值。

③提取斜率s(i)的最大值及对应的梯度幅值ipeak，[ipeak，h(ipeak)]是梯度直方图的一个凸点，若ipeak

(4)边缘点判断

边缘点的判断方法为：根据梯度幅值特征图像进行判断，若点的梯度幅值大于Th，则认为该点是边缘点；若点的梯度幅值小于Tl，则该点不是边缘点；若点的梯度幅值在Tl和Th之间，则该点可能为边缘点，需进一步判断，根据该点左右的邻接点的梯度幅值进行判断，若存在梯度幅值大于Th的点，则认为该点是边缘点，否则该点不是边缘点。

(5)边缘连接

对于经过非极大值抑制处理后的图像N(i，j)，经过高、低阈值检测分别得到边缘图像Th(i，j)和Tl(i，j)。图像Th(i，j)是经过高阈值处理得到的图像；Tl(i，j)是经过低阈值检测得到的图像。根据边缘的连通性，以图像Th(i，j)为基础，在图像Tl(i，j)中搜索可能存在的边缘点用于边缘连接，得到最终的边缘图像。边缘连接算法具体过程如下。

①遍历边缘图像Th(i，j)，当检测到一个非零点P时，对以P为出发点的轮廓线进行跟踪，一直检测到该轮廓线的终点Q。

②在图像Tl(i，j)中找到与Th(i，j)中的Q点坐标位置相对应的Q′点，在以Q′点为中心的8个邻域内检测非零点R′(有连通关系的点)，然后在图像Th(i，j)中设置与点R′对应的点R。

③同理，继续在图像Th(i，j)中搜索跟踪以R点为出发点的轮廓线。重复以上步骤，循环进行，直到在图像Th(i，j)和Tl(i，j)中找不到可以与此轮廓相连接的点。这样，就完成了包含点P的轮廓线连接。然后跟踪Th(i，j)中的每一条轮廓线，直到在图像Th(i，j)中找不到新的轮廓线为止。

本文采用客观评价指标来评价边缘检测算法，其中客观评价指标主要包含重构相似度(MSSIM)和连续性指标(CIdx)，将二者的加权和值作为边缘检测的最终客观评价指标EIdx[15]，如式(9)所示。EIdx值越大，则表明图像边缘的检测效果越好，算法的检测性能越好。

式中，ω1、ω2分别为重构相似度、连续性指标的权重，且ω1+ω2=1。

2.3 相机标定

通过自适应Canny边缘检测获得边缘图像后，需要根据相机标定获得的相机内部参数和外部参数将受电弓滑板上边缘与托架下边缘之间的距离值转化为现实世界坐标系下的距离值，减去托架厚度获得受电弓滑板磨耗曲线。由于张正友标定法具有很好的鲁棒性，而且其对标定板的要求不高，具有很强的使用性，所以本文选用张正友标定法进行相机标定。

相机标定过程：在相机的视野范围内放置黑白棋盘格标定板，通过移动标定板采集并存储多张不同姿态的标定板图像，然后计算并提取标定板上的角点亚像素坐标，最后利用相关开源软件计算相机的内部参数(相机焦距f、图像中心点(u0，v0)、像元尺寸dx和dy、畸变系数δx(x，y)、δy(x，y)等)和外部参数(旋转矩阵R和平移向量T)。

根据张正友标定法得到的相机的内部参数和外部参数可确定世界坐标系到摄像机坐标系之间的转换关系，从而得到三维物理空间点Q在世界坐标系中的坐标与其成像点q在图像像素坐标中的坐标之间的变换关系，此变换关系如式(10)所示。

2.4 曲线融合

本文采用2组相机分别采集受电弓左右半弓的图像，所以要想获得全弓滑板的磨耗剩余厚度曲线，需将两组相机采集到的半弓剩余磨耗曲线进行数据融合，令左半弓剩余磨耗曲线所在坐标系为ol-xlyl，右半弓剩余磨耗曲线所在坐标系为or-xryr，根据滑板的特征将这两个坐标系进行融合，融合后的坐标系为o-xy。

将左右半弓滑板磨耗数据点根据式(11)进行数据融合处理，将坐标系ol-xlyl与or-xryr的滑板磨耗数据融合到坐标系o-xy中，从而得到完整的滑板剩余磨耗轮廓曲线。

式中,(x，y)为融合坐标系上的点，融合坐标系o-xy的坐标原点与左半弓坐标系ol-xlyl的坐标原点重合，所以，左半弓数据相对于融合坐标系坐标原点的偏移量为零，右半弓坐标系or-xryr的坐标原点相对于坐标系o-xy的坐标原点在x轴、y轴的偏移量分别为Δx、Δy。

根据滑板特征对Δx和Δy进行取值，具体过程如下：

(1)将相机标定后的左半弓滑板的长度Ll作为Δx的初始值Δxs，Δxs=Ll，因为左右半弓相机选型时，考虑到裕量，滑板中心区域都能被左右半弓相机都能拍摄到，所以此时Δx的取值设定为初始值，而不一定是最终取值；

(2)根据左右滑板支撑架下边缘是同一条边缘的原则，确定Δy的初始值，Δys=0，由于边缘检测的影响，滑板支撑架下边缘存在一定的误差，无法达到理想的重合，所以，此时Δy的取值不一定是最终取值；

(3)左右半弓相机选型时，考虑到裕量，所以滑板中心区域，左右半弓相机都能拍摄到，所以可以根据这一特征对Δx与Δy的取值进行进一步的优化，对左右半弓滑板剩余磨耗曲线选取相同大小重合区域的轮廓曲线，分别记为linel、liner，首先，对齐曲线linel和liner，求取两条曲线差值的平方和esum，然后不断调整两条曲线在x、y轴方向的间距dΔx、dΔy，esum取值越小表示融合的滑板剩余磨耗轮廓曲线越接近滑板的真实轮廓线，所以提取esum最小时，dΔx与dΔy的取值，从而得到Δx与Δy的最终值。

Δx=Δxs-dΔx

3 试验与分析

本文提出了优于传统Canny算法的自适应Canny边缘检测算法，然后将其运用到受电弓滑板磨耗检测方法中，对受电弓图像进行处理，以验证本文提出的受电弓滑板磨耗检测技术的有效性。

3.1 自适应Canny边缘检测分析

图5 边缘检测图像

基于Matlab平台对比分析本文采用的自适应Canny边缘检测算法和传统Canny检测算法的检测性能。因边缘检测效果与被测物体的结构相关，所以本文采用检测系统采集到的原始图像中的左、右半弓图像作为边缘检测性能分析的基准图像，如图5(a)、图5(b)所示。分别采用滤波后的受电弓左半弓和右半弓的图像对传统Canny检测算法和本文所提算法的边缘检测性能进行比较分析。图5(c)、图5(d)分别为受电弓左半弓、右半弓图像采用传统Canny边缘算法检测结果图，图5(e)、图5(f)分别为受电弓左半弓、右半弓图像采用本文所提边缘算法检测结果图。

分别对传统Canny算法边缘检测和本文提出的自适应Canny边缘检测进行客观指标计算，结果如表1所示。

表1 边缘检测客观指标计算

由表1可知，本文所采用的边缘算法的左、右半弓边缘图像的MSSIM值分别为0.812、0.792，CIdx值分别为0.736、0.720，EIdx值分别为0.782、0.763；传统Canny边缘算法左、右半弓边缘图像的MSSIM值分别为0.709、0.721，CIdx值分别为0.718、0.693，EIdx值分别为0.712、0.710。本文所采用的边缘算法左、右半弓边缘图像的MSSIM、CIdx及EIdx都比传统Canny边缘检测算法要大，表明本文所采用边缘检测算法的性能优于传统Canny边缘算法。

3.2 受电弓滑板磨耗检测算法实现

采用4台CCD高清相机对前后两个滑板进行拍摄，4台相机两两一组，在列车运行方向对称安装，以一定的俯角拍摄左右半弓滑板图像。滑板补光灯安装在轨道两侧，以一定的仰角对受电弓进行补光，使拍摄的受电弓图像滑板侧面较亮，滑板上表面及背景较暗，突出滑板上、下边缘。实际拍摄的图像如图6(a)和图6(b)所示。对受电弓图像进行滤波，首先采用中值滤波算法滤除脉冲噪声，再采用均值滤波算法滤除高斯噪声，以达到滤除受电弓图像中混合噪声的目的。滤波后图像如图6(c)和图6(d)所示。对滤波后的受电弓图像进行边缘检测，边缘提取结果如图6(e)和图6(f)所示。

图6 受电弓滑板边缘检测过程

基于受电弓边缘轮廓线，对滑板及滑板托架进行定位，经过相机标定得到左右半弓滑板及其托架的厚度曲线，根据滑板磨耗的定义，减去滑板托架厚度得到滑板剩余磨耗曲线，如图7(a)、图7(b)所示。

图7 半弓滑板剩余磨耗量曲线

采用曲线融合算法对左、右半弓滑板进行曲线融合处理，得到融合曲线。为便于分析观察，将滑板下边缘作为坐标系横轴，如图8所示。

图8 受电弓滑板剩余磨耗曲线

对滑板剩余磨耗曲线进行统计，得到滑板最小剩余量，从而得到滑板的最大磨耗量。如图8所示，滑板最小剩余量为14.78 mm，滑板厚度出厂值为20 mm，则滑板的最大磨耗量为5.22 mm。

4 结论

随着城轨列车普遍应用及行车速度的提升，给列车的行车安全性提出了巨大考验，城轨列车通过受电弓滑板与接触网接触得到的电能运行，为防止滑板磨耗超限而引发事故，必须对滑板剩余磨耗量进行检测。本文对受电弓滑板磨耗检测技术进行研究，提出了一种受电弓滑板磨耗检测方法，通过对采集系统采集到的原始图像进行图像滤波减少因电磁干扰产生的混合噪声；通过自适应Canny边缘检测算法检测出滑板的边缘；通过相机标定和曲线融合算法实现受电弓滑板剩余磨耗曲线的绘制。检测结果显示本文提出的受电弓滑板检测技术能有效地绘制出受电弓滑板磨耗曲线，验证了本文方法的有效性，在现场实际应用中具有重大意义。

[1] 王鑫.受电弓/接触网系统电弧放电机理研究[D].成都：西南交通大学，2011.

[2] 孙丰晖，王伯铭.双滑板受电弓磨耗的超声波检测方法[J].机电产品开发与创新，2011(3):129-131.

[3] 孙丰晖.受电弓滑板磨耗检测系统的设计及调试[D].成都：西南交通大学，2011.

[4] 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.

[5] 岳安志，赵忠明，汪承义.基于主动形状模型的受电弓自动检测方法[A].中国体视学学会.第十三届中国体视学与图像分析学术会议论文集[C].中国体视学学会，2013.

[6] 付学荣，刘思洋，刘宁，等.一种基于激光测距的受电弓状态检测系统[J].中国电子商务，2012(9):39-40.

[7] I Aydin. A new approach based on firefly algorithm for vision-based railway overhead inspection system[J]. Measurement， 2015， 74:43-55.

[8] S Judek， Jarzebowicz L. Algorithm for automatic wear estimation of railway contact strips based on 3D scanning results[C]∥International Conference and Exposition on Electrical and Power Engineering. IEEE，2014:724-729.

[9] 马莉，王泽勇，高晓蓉，王黎，杨凯.LV2600型受电弓滑板剩余磨耗量检测[J].铁道机车车辆，2010(3):93-97.

[10] 常娜.图像处理中的边缘检测算法研究综述[J].中国科技信息，2011(4):130-131，149.

[11] 胡文锦.图像边缘检测方法研究[D].北京：北京交通大学，2009.

[12] 崔占涛.受电弓滑板外部状态图像检测[D].成都：西南交通大学，2005.

[13] 吴德刚，赵利平.一种去除图像混合噪声的滤波算法[J].自动化仪表，2012(9):11-13.

[14] 汪芳莉，顾桂梅.基于曲波变换的接触网磨耗图像增强研究[J].铁道标准设计，2014，58(2):112-116.

[15] 磨少清.边缘检测及其评价方法的研究[D].天津：天津大学，2011.

Research on Abrasion Detection of Pantograph Slipper of Urban Rail Train

CHEN Ye-jian, YAO Xiao-wen, ZHANG Yong, XING Zong-yi

(School of Automation, Nanjing University of Science and Technology, Nanjing 210094, China)

In order to realize online non-contact detection of the abrasion of the pantograph slipper of the urban rail train, abrasion detection technologies are studied. In this paper, an abrasion detection method based on image processing is proposed. The steps involved are as follows: firstly, the mixed noise of the original image from the acquisition system is removed by image filtering; then the edge of the pantograph slipper in the image is detected by the adaptive canny edge detection based on histogram concavity analysis after image filtering; and finally, the abrasion curve of the pantograph slipper is obtained by camera calibration and curve blending to judge whether the abrasion of the pantograph slipper is transfinite. The results of the experiment show that the proposed method is effective to detect the pantograph slipper abrasion curve in the original image and realize online non-contact detection of the abrasion of the pantograph slipper of the urban rail train.

Urban rail train; Pantograph slipper; Image filtering; Adaptive canny edge detection; Camera calibration

1004-2954(2018)01-0127-06

2017-03-02；

2017-04-25

国家重点研发计划项目(2016YFB1200402)

陈叶健(1992—)，男，硕士研究生，E-mail：m18761685230@163.com。

U226.5

A

10.13238/j.issn.1004-2954.201703020004