基于ASM算法的接触网吊弦缺陷检测方法研究

白青林，乔梅

（北京市轨道运营有限公司，北京 100000）

电气化铁路的安全稳定运行对牵引供电系统要求较高，接触网设备是铁路基础设施的重要组成部分，其良好的运用状态是电力机车、动车组正常运行及运输组织畅通的前提条件之一。接触网悬挂装置的故障诊断历经了从人工判别到自动化识别的过程，人工识别采集接触网元器件图片的效率不能满足列车运行要求。吊弦是接触网系统检测的重要部件之一，吊弦缺陷主要可分为吊弦断裂、吊弦不受力、吊弦散股、螺栓松脱、鸡心环断开等缺陷类型，吊弦是链形悬挂的重要组成部件之一，利用调节吊弦的长短来保证接触悬挂的结构高度、接触线的松弛度、接触线距轨面的高度以及线岔处的水平、抬高，改善接触悬挂的弹性，调整接触线的弛度，保证接触线与受电弓良好滑擦，提高电力机车受电弓取流质量，因此，吊弦缺陷检测是极其必要的。本文为提升对吊弦的检测能力，对接触网吊弦缺陷检测算法应用展开研究，构建基于ASM（active shape model）算法，通过构建吊弦检测流程，对接触网图像进行预处理与分割技术处理，利用ASM算法，实现对吊弦缺陷的准确识别，通过选取真实路段上的吊弦缺陷进行检测，验证算法的准确性与可行性。

1 吊弦图像预处理与分割

为了提高对吊弦缺陷检测的精度，需制定专门的检测流程，如图1所示。

图1 吊弦检测流程图

1.1 吊弦图像预处理

利用计算机图像处理技术，将彩色图像数据进行灰度化处理，利用灰度图片局部亮度的分布与特征替代彩色图片数据中的图像整体特性，在保证辨识率的同时，得到辨识率更高的灰色图像。灰度处理中常用到三种处理方法，分别为平均值法、最大值法、加权平均法，本方案选取加权平均值。加权平均值法中，将彩色图像数据中每个像素点的基本像素赋予不同的权重值，根据理论研究可知，G分量识别率高于R分量高于B分量，将图像灰度化处理后，为得到更好的显示效果，分别赋予G、R、B分量0.59、0.3、0.11的权重，将加权平均取值得到的结果替代原有彩色图像数据中R、G、B像素点值，即：

摄像机拍摄得到图像会存在噪声干扰。噪声干扰严重影响图片清晰度与识别度，模糊的图像信息对图像的提取分析结果精度造成较大干扰，为提升图像信息的识别度，图像去噪处理的必要环节，选取中值滤波器。

中值滤波是一种典型的非线性滤波算法，在实际应用中，该滤波对处理图像细节的模糊、除脉冲干扰和孤立噪声干扰等效果显著。中值滤波算法将图像划分为若干个窗口，选取所需计算数据点的窗口，将窗口中的数据提取出奇数个数据点，将提取后的数据点按照大小进行排序，位于中间位置的像素点作为替代原有数据点。中值滤波器可以完成图片中所有窗口中的像素中值滤波处理，即：

通过去噪后的图像还需要增强画质，以便用于后续的剪裁和定位。由于某些情况，拍摄的图片会相对模糊，并不能很好地符合要求。因此需要对图像进行增处理，选取限制对比度自适应直方图法。该方法通过限制直方图的部分区域的高度达到限制对比的增强幅度，由此可以限制噪声及对比度的过度增大，来改善图片的画质。

假设图片的大小为N×N，其局部映射函数为：

式中，CDF(i)表示图片的累积分布函数，其求导为直方图Hist(i)，由此可以计算出n(i)的斜率M：

计算得到的斜率为图片对比度增大的程度函数，要限制其增大的幅度才能保证有效地去噪。设定斜率的最大值为Mmax，则：

在保证图片不发生损耗或面积变化的前提下，均衡后的高度不能大于Hmax。设定一个阈值T，在此处对图片进行裁剪，同时将裁去的部分均匀地分布在灰阶范围内，由此受电弓的直方图的高度会增大，假定为L，则Hmax=T+L

由此达到均衡后的直方图为：

通过该方法处理的图像灰度分布和原图接近，且亮度差异很小，同时将特征区域的图像对比度增强，突出了受电弓的细节，减少对细节的干扰，有效地限制图像噪声的放大，可以满足后续的处理。

1.2 吊弦图像分割

通过图像的去噪和增强，片中包含的信息较多，还存在一定的其他设备的干扰。图像分割就是实现干扰源与目标的分离、背景与目标的分离。通过图像的分割将更有利于目标的识别和定位，选择基于边缘的方法。目标的边缘是其重要的特征，而边缘是图像中灰度值在其相邻的区域内存在局部突变现象，同时相互之间彼此连通的像素的集合，边缘检测的方法有效实现目标和背景分割。常用的边缘检测方法有很多，而基于Canny算法的边缘检测是一个可以实现滤波、图像增强及检测多阶段的优化算法，其优点多，如检测方向全、抵抗干扰能力强、封闭性好以及还原图像信息能力强等。

2 吊弦ASM构建

ASM以点分布模型为基础，选取样本特征点进行训练，训练后的ASM 能够得到特征点分布的统计信息，并以此为基础对目标图像特征点展开寻找。在ASM训练中，需记录样本中的关键特征点的位置，特征点的具体位置可通过手动或者半自动标记，将计算得到的特征值的灰度模型中的值作为特征向量。吊弦ASM构建方法步骤如下：

2.1 吊弦学习样本标定

吊弦图像经过图像预处理，完成去噪后，图像中吊弦轮廓边界点、角点位置较为清晰，将其设定为特征点，并人工对其进行标记。标记时，采用PDM对吊弦形状进行描述，同时，每张吊弦图像中设定数量相同的特征点，吊弦图像的特征点数学表示与学校样本集可表示为：

式中，N为特征点总数；M为图像总数。

ASM训练。ASM训练主要包含特征点对齐与ASM建立两部分。训练步骤如下：

①将吊弦形状xi进行重新排布，通过进行大小调整、位置变换等方式将其与xi对齐，得到变换后的形状集合。

②对图像进行平均处理。

③将平均形状m进行大小调整、位置变换等排布调整，对齐。

④将x进行大小调整、位置变换等排布调整，对齐平均形状m。

⑤重复跳转至②步骤，直至平均形状m出现收敛，停止对齐处理。

平均形状收敛的评判依据为：

此时，图像中各吊弦形状与平均形状之差的平方和最小；吊弦对齐时：

若x与训练集是相关的合理形状，该估计能较好地拟合真实形状。

2.2 吊弦区域初步定位

为了缩短吊弦检测的计算时间，提升检测精度，需要对吊弦区域进行定位，去除多余的干扰像素。开展区域搜索可得到吊弦的整体图像。具体步骤如下：

（1）在接触线边缘定位的特征点基础上，将与其相交的两条直线交点作为新的特征点，以交点为中心向左右延伸进行搜索。

（2）区域内包括两条直线l1、l2，两条直线倾斜角度分别为φ1、φ1，两角度相差45°。

经过对吊弦位置进行区域搜索后，在输入的边缘图像中进行曲线数据压缩，将边缘线段中长度较短的去除，利用Hough变换将左右两个吊弦边缘线段进行搜索，搜索控制在35～55°和125～145°范围内，搜索完得到吊弦的初始定位区域。

2.3 吊弦检测与识别

吊弦区域经过初步定位后并未达到精确识别与检测的要求，需利用主动形状模型学习算法对吊弦区域进行精确匹配。具体步骤如下：

（1）根据吊弦主动形状模型中的平均形状和吊弦的初始位置，初始化吊弦形状，即。

（2）以吊弦初始定位中的标记点为基础，向领域搜索，选定邻域中的梯度值最大的像素点作为最佳目标位置；当邻域中存在最佳目标点，标记点以最佳目标点为方向移动，若不存在，标记点原位置不变。

（3）标记点移动造成吊弦的初始形状发生改变，初始形状与移动后形状之间存在位移向量，即：

（4）将姿态参数进行步骤（2）和（3）若干次后，对变换后姿态参数进行判断，当姿态参数数值可忽略时，判定吊弦图形的存在；反之不存在。

3 吊弦缺陷检测实验

本文采用某铁路线段4C高清图像作为训练样本，共计1000张，同时针对吊弦断裂、吊弦不受力、吊弦散股三种吊弦常见缺陷，分别在50张无缺陷图片中添加50张有缺陷测试图像进行识别，验证检测算法的有效性；选取150张无缺陷图像作为干扰因素，分别选取吊弦断裂、吊弦不受力、吊弦散股等缺陷图像各50张，统计算法的识别率，验证算法的准确度。

3.1 吊弦的缺陷检测实验

针对吊弦断裂、吊弦不受力、吊弦散股三种吊弦常见缺陷的共300张图像中，吊弦断裂、吊弦不受力、吊弦散股典型图像各4张，经过算法检测后，成功将12张存在缺陷的图像识别出，检测结果如图2所示。

图2 吊弦缺陷检测图

如图2所示，经过算法检测后，12张图像被成功识别，缺陷点识别结果准确，并在图中将缺陷位置进行了标记。

3.2 算法检测准确性测试

为更加形象直观地反映算法的准确性，对吊弦断裂、吊弦不受力、吊弦散股、3种缺陷检测效果进行统计，统计结果如表1所示。

表1 吊弦缺陷检测系统的检测结果统计表

表中：准确率=检测正确缺陷样本/缺陷总样本；

误检率=误检数/样本总数；

漏检率=漏检数/样本总数。

通过表中数据可知，算法对吊弦断裂、吊弦不受力缺陷检测准确率较高，同时误检率能够得到很好的抑制，从而能够节省计算资源，并为运维人员提供准确的维修参考数据；螺栓松脱缺陷检测精度较高，误检率也得到了较好的抑制，能够在实际工作中得到较好的应用；四种缺陷类型中散股的检测精度最低，但也保证了80%以上的检测精度，但是出现较高的误检率，从而需要人工或二次筛选，降低了工作效率，究其原因为：出现散股现象的图像中，散股缺陷通常较小，只占据5～10个像素点，同时干扰因素较多，因此，优化散股检测应成为接下来算法优化的重点。

4 结语

基于ASM（active shape model）算法对接触网吊弦缺陷检测，从吊弦的预处理和吊弦的缺陷检测改进，实验结果表明，该算法对吊弦多种缺陷类型能够实现准确识别，识别准确率较高，对提升吊弦检测水平提供重要支持，为后续工作提供宝贵意见。