一种基于SURF支持向量机分类器的接触网故障检测方法与流程

一种基于surf支持向量机分类器的接触网故障检测方法
技术领域
1.本发明涉及铁路车辆检测网领域，具体而言，涉及一种基于surf支持向量机分类器的接触网故障检测方法。


背景技术：

2.受电弓接触网系统为车辆提供动力，在列车运行过程中起着重要作用，接触网系统的校核是关系到整个铁路系统的安全和效率的关键。随着信息处理和人工智能技术的快速发展，图像处理技术被广泛应用于目标检测、故障诊断、监控等领域，在工业物联网中具有重要意义。接触网悬挂状态检测监测装置是对接触网关键零部件以及其悬挂状态进行成像检测的车载检测系统，通常安装在检测车上，通过车顶高清成像设备，对接触网各关键零部件进行成像检测。
3.我国的电气化铁路主要使用高架电缆、单相工频的交流方式进行供电，列车承载的受电弓与铁路接触网相连构成的电流回路为列车提供能源。铁路接触网和车载受电弓为列车前行的提供动力，这两者的实时状况检测对高速列车的安全行驶意义重大。铁路沿线周边气候环境复杂，悬置在空中的铁路接触网很容易受到自身使用时长以及周边所处环境的影响。
4.因而在对过往电气化铁路的故障检测结果进行统计后发现接触网的故障在其中占据了很大的比例。由于铁路接触网的架设分布长，并且在一些分布区间里因为环境因素，我们很难通过人力实现接触网的检测，因此铁路接触网的实时故障状态检测已经成为高速列车故障检测的难题之一。
5.当今铁路运输任务日益加重，行驶时速不断加快，车辆来往密度不断增大，工程人员提出采用基于图像处理技术的识别与定位方法实现接触网系统中各部件的在线实时检测，这对我们实现高速列车接触网设备状态的检测，对提供列车安全运营的保障、提高铁路运输行业的发展速度来说十分具有意义。


技术实现要素：

6.本发明针对现有技术的缺点，提供了一种基于surf支持向量机分类器的接触网故障检测方法，解决了上述技术存在的缺陷。
7.为了实现上述目的，本发明采用了如下技术方案：
8.一种基于surf支持向量机分类器的接触网故障检测方法，其特征在于：包括步骤：步骤(1)：通过高速摄像机拍摄采集得到列车运行过程中的接触网支持装置各部件的图像；步骤(2)：对采集到的原始图像进行图像预处理；图像预处理包括原始图像的图像增强、图像形态学运算、图像边缘检测运算；步骤(3)：提取预处理得到的图像特征，将其与该分析对象的预设模板进行特征的匹配处理，从而完成该图像的准确识别与提取；步骤(4)：对比分析目标部件的状态，根据识别出的状态判断实现目标部件故障判断。
9.优化的方案，所述步骤(1)中，采用夜间加射灯的拍摄方式，得到图像为黑色背景，
保证图像净空状态良好，降低外界景物对图像识别的干扰。
10.优化的方案，所述步骤(2)中，采用图像空域增强方法与频域增强方法对采集到的接触网支持装置部分部件的图像数据进行增强处理，得到目标部件边界与背景界限。
11.优化的方案，所述所述步骤(2)中，对待处理的图像形态学运算，通过膨胀运算实现对需要处理的目标图像的边缘拓展和延伸，通过腐蚀运算使目标图像的边缘朝着灰度值高于结构元素定义域邻域的方向上收缩。
12.优化的方案，所述步骤(2)中，采用canny算子对图像进行边缘检测，在图像中跟踪边缘并保留梯度变化的极大值，通过局部梯度最大点确定边缘点。
13.优化的方案，所述步骤(3)中，建立正负样本库，并对正负样本库中对提取出来的图像特征使用基于surf特征和svm分类器进行训练，不断更新特征提取值。
14.优化的方案，所述步骤(4)中，提取的图像特征与样本库进行对比，从而实现对接触网支持支持装置的状态识别，以达到对不良状态进行检测的目的。
15.由于采用了上述技术，与现有技术相比较，本发明的有益效果是：
16.本发明以接触网支持系统高清图像为研究对象，对现场全局图像待识别目标图像进行提取，采用这种方法对故障检测的难度进行了降低、减少了计算量，同时增加了检测算法的实时性和识别结果的可靠性。
17.本发明采用图像空域增强方法与频域增强方法对采集到的接触网支持装置部分部件的图像数据进行增强处理，图像中的目标部件的边界与背景界限明显，更易识别。
附图说明
18.图1为本发明一种实施例的检测工作的流程图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
20.实施例
21.如图1所示，本发明通过高速摄像机拍摄采集得到列车运行过程中的接触网支持装置各部件的图像；然后对采集到的原始图像进行图像预处理，包括原始图像的图像增强、它的对比度调节、形态学运算等各项运算；接着提取预处理得到的图像特征，将其与该分析对象的预设模板进行特征的匹配处理，从而完成该图像的的准确识别与提取；最后，对比分析目标部件的状态，根据识别出的状态判断是否为故障部件。
22.在实施例中，提供了一种基于surf支持向量机分类器的接触网故障检测方法，利用图像处理理论，对现场图片进行处理，给出故障判断，包括步骤：
23.步骤(1)：高清相机安装于车顶正反两侧，分别用于测量支持装置的正反两面高清图像，成像范围覆盖沿线接触网支持设备，拍摄目标正反面图像，成像图片的清晰度要求满足分辨率支持装置以及接触支持零部件的异常状态要求，成像区域包括对支持装置、接触支持、附加支持及吊柱座等。
24.步骤(2)：对采集到的原始图像进行图像预处理，图像预处理包括原始图像的图像增强、图像形态学运算、图像边缘检测运算。
25.对采集到的图像进行图像增强计算：输入待处理图像f(x，y)，使用直方图修正、空域滤波等变换方法t，得到空域增强图像：g(x,y)＝t[f(x,y)]。
[0026]
对待处理图像f(x，y)进行形态学运算：
[0027][0028]
fe b(x,y)＝min{f(x
‑
s,y
‑
t)+b(s,t)|(x
‑
s,y
‑
t)∈d
f
；(s,t)∈d
b
}
[0029]
采用canny算子对待处理图像f(x，y)进行边缘检测运算，其具体检测流程为：
[0030]
1)canny算子边缘检测准则
[0031]
(a)信噪比准则边缘检测的信噪比应当尽可能的增大，减小错误率，信噪比snr定义：
[0032][0033]
(b)定位精度准则：图像边缘检测的结果应当尽量符合原图像实际边缘，检测结果得到的边缘点与实际值差值达到最小，location值达到最大:
[0034][0035]
单边缘响应准则：对相同的图像实际边缘来说响应时的次数应当尽量的低，保证一个边缘应只有一个像素点输出，伪边缘应当被尽可能的抑制，得到检测算子脉冲响应函数导数的交叉零点的平均距离x
zc
(f)：
[0036][0037]
2)对待处理图像数据进行去噪声，即使用高斯平滑滤波器对数据进行滤波处理，高斯平滑：
[0038][0039]
高斯滤波：
[0040]
g(x,y)＝f(x,y)*h(x,y)
[0041]
3)用一阶偏导的有限差分来计算梯度的幅值和方向，图像梯度表达式为：
[0042][0043]
梯度幅值表达式：
[0044][0045]
梯度方向表达式：
[0046][0047]
4)对梯度幅值进行非极大值抑制。
[0048]
使用双阈值算法，通过高阈值识别较为真实的边界，但是高阈值会造成边界缺失，此时使用低阈值可以将模糊的边界连接起来。
[0049]
canny算子能够清晰地检测出图像的边缘，对其中的细节部分有更好的描述，检测精度较高。
[0050]
步骤(3)：将其与该分析对象的预设模板进行特征的匹配处理，从而完成该图像的的准确识别与提取，基于surf特征的支持向量机分类器的支持装置定位流程：
[0051]
1)支持向量机是是特征空间上的距离最大的线性分类模型，对其进行训练和学习的目的就是使得分类的数据间隔达到最大值
[0052]
2)特征空间上的隐式映射核x函数满足：
[0053]
k(x
i
,y
i
)＝φ(x
i
)φ(y
i
)
[0054]
引用核函数在svm的使用使得整体算法的计算量得到降低提高了算法的速度同时也避免引起维数灾难的问题核函数带入二次规划目标函数：
[0055][0056]
3)surf算法特征提取是一种算法是一种稳健的局部特征点检测描述算法，它是在sift算法的基础上改进得到的一个高效变种，改进了特征提取和描述方式，提高了算法的执行效率，而且具备较强的鲁棒性。surf采用hessian矩阵进行特征点的提取，设函数f(x，y)偏导构成hessian矩阵，将待检测图像的某一个像素点的hessian矩阵定义为：
[0057][0058]
因待检测图像的每一个像素点都可以得到一个hessian矩阵，则hessian矩阵判别式为：
[0059][0060]
构造h矩阵前，进行高斯滤波后再计算，高斯核g(t)与图像像素i(x,t)：
[0061]
l(x,t)＝g(t)gi(x,t)
[0062]
步骤(4)：对比分析目标部件的状态，根据识别出的状态判断是否为故障部件，在对待处理图像进行对比度调节操作时，首先对待检测图像中的绝缘子的灰度值进行统计，然后依据得到的灰度统计图中极小值点的横轴坐标，对待检测的绝缘子图像分块并进行处理，接着再对分块结果继续进行对比度的调整。
[0063]
如图1所示，为根据本发明的基于surf支持向量机分类器的接触网支持装置故障态检测流程图。
[0064]
本发明以接触网支持系统高清图像为研究对象，对现场全局图像待识别目标图像进行提取，采用这种方法对故障检测的难度进行了降低、减少了计算量，同时增加了检测算法的实时性和识别结果的可靠性。
[0065]
本发明采用图像空域增强方法与频域增强方法对采集到的接触网支持装置部分部件的图像数据进行增强处理，图像中的目标部件的边界与背景界限明显，更易识别。
[0066]
本发明采用形态学运算对需要处理的目标图像的边缘拓展和延伸，增强待检测目标部件亮度。
[0067]
本发明利用canny算子检测图像中的目标图像的边缘像素点，区分不同检测目标，canny算子能够清晰地检测出图像的边缘，对其中的细节部分有更好的描述，检测精度较高。
[0068]
本发明基于surf特征的支持向量机分类器的识别方法具有更优的综合性能，更适用于接触网支持装置图像目标的识别与定位。
[0069]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0070]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0071]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。