基于非线性拟合的接触网运行异常状态智能检测方法
【技术领域】
[0001] 本发明涉及计算机技术领域，具体涉及视觉计算技术领域和非线性拟合计算方法 中基于非线性拟合的接触网运行异常状态智能检测的方法。本发明将视觉计算、计算机网 络、有线/无线通信技术、非线性拟合方法、人工智能以及人机交互有机地融合于一体，可对 铁路接触网供电运行状态提供智能检测，用以提高接触网检测工作效率和质量，为供电管 理的信息自动化水平和工作效率的提升提供新的、有效的科学技术方法。
【背景技术】
[0002] 接触网安全巡检装置(2C)在检测接触网设备缺陷、保证供电设备安全方面发挥着 重要作用。然而，由于受技术设备等一系列因素的影响，目前的安全巡检装置尚未能够实现 异常状态的精确检测和迅速识别的功能。目前，针对接触网异常状态检测，现有以下技术：
[0003] 高仕斌申请的专利技术"一种基于DH0G和离散余弦变换的接触网平衡线故障检测 方法"（【申请号】201510233946.7，申请公布号：CN104866865A)公开了一种接触网平衡线故 障检测方法。该方法通过使用离散余弦变换对平衡线及其支座目标特征信息增强，再基于 圆弧分段拟合进行圆形检测。该方法存在的不足是，检测算法仅限于圆形统计，忽略了非线 性等函数不确定的属性。
[0004]吴晓申请的专利技术"基于图像的铁路接触网鸟窝异常状态检测方法"（【申请号】 201310721802.7,申请公布号:CN 103745224 A)公开了一种接触网异常状态检测方案。该 方案通过将提取的接触网直方图特征做基于直线方向和长度分布特性的识别来实现对接 触网鸟窝异常情况的检测。该方法存在的不足是，检测需要满足鸟窝出现在接触网支柱主 干区域周围的先验经验，即区域中包含主干部分的像素大于阈值，并且需要进行负样本训 练，而这里的负样本即鸟窝在接触网出现的频率要远远小于正样本，降低训练的鲁棒性。
【发明内容】
[0005] 为了克服上述现有技术存在的问题，本发明提出了基于非线性拟合的接触网异常 状态智能检测方法，该方法采用的技术方案是:利用车载高速摄像机采集列车行进方向前 方多个接触网的图像信息，通过对接触网状态图像进行预处理增强图像的亮度和对比度， 根据同类铁路段接触网的建设特点，采用机器学习技术对高速摄像机拍摄的图像进行区域 提取，并关注较清晰的几个接触网关键部件，通过sobe 1算子检测出较清晰的接触网边缘信 息图像并与Hough直线检测的结果图进行"异或"操作，对"异或"操作后的图进行腐蚀运算 获取较精确的疑似异常状态边缘图，采用非线性拟合方法选取最佳拟合函数，判断可决系 数检测出疑似缺陷，最终利用人机交互筛选真正存在缺陷的接触网状态图像，解决了专职 人员对观测记录到的大量接触网运行图像数据进行回放分析，判读是否存在异常状态，耗 时耗力，不能及时发现设备缺陷等问题。
[0006] 本发明实现的具体步骤如下：
[0007] (1)系统初始化
[0008] la)利用车载高速摄像机采集待检测接触网的照片信息；
[0009] lb)将采集到的待检测接触网照片信息通过网络传输设备发送给铁路局监测中 心；
[0010] 1C)将高速摄像机所采集的接触网状态照片缓存于数据库中；
[0011] (2)针对特殊气候和光照条件微弱的情况下，对接触网状态图像进行预处理，增强 图像的亮度和对比度；
[0012] (3)根据同类铁路段接触网的建设特点，使用机器学习的技术对高速摄像机拍摄 到的接触网关键部件，包括三角结构、主干区域和电线等区域进行区域提取：
[0013] 3a)使用Haar-like特征，检测关键部件的矩开多特征；
[00?4] 3b)使用积分图对Haar-1 ike特征求值，遍历一次图像并快速求出图像中所有区域 像素；
[0015] 3c)使用AdaBoost算法训练接触网关键部件的强分类器，将接触网关键部件从原 始图像中分离；
[0016] (4)对接触网的三角结构、主干区域和电线等较清晰的几个接触网关键部件区域 使用sobel边缘检测算子进行边缘提取，分别为边缘图Ιτ，Ι Μ和Iw，对提取到边缘图Ιτ，ΙΜ和Iw 进行Hough直线检测得到图Ith，Imh和Ira;
[0017] (5)分别将边缘图和Hough直线检测得到的图中所有像素值进行逻辑"异或"，并进 行腐蚀运算，得到图Γτη,Ι'μη和I'WH;统计图中的像素值个数n，当像素值个数η大于设定阈 值％时，判断此结构包含异常状态，执行步骤(6);否则认为无异常，执行步骤(2);
[0018] (6)对图I 'ΤΗ，Ι 'ΜΗ和I 'WH建立直角坐标系；提取待拟合的曲线，选取图中像素点并 记录坐标(xi，yi)，（i = l，2···ηι)，其中
[0019] (7)对选取的点进行非线性拟合，寻找函数/(υ，）使得函数在点Xi(i = l，2···ηι)处 的函数值与观测数据偏差的平方和达到最小；
[0020] (8)计算函数的可决系数R2,当可决系数R2大于预设阈值a R时，认定拟合效 果达到要求，则选取函数/(^>为最佳拟合函数，检测结果包含疑似缺陷，执行步骤(9);否 贝1J，执行步骤(2);
[0021 ] (9)将疑似缺陷的接触网运行异常状态图像筛选至待检测文件夹中；
[0022] (10)使用智能分析管理人机交互模块对疑似缺陷的接触网运行异常状态图像进 行人工细检，管理人员可以对系统进行配置、查询、运行和中断等操作，最终筛选出真正缺 陷的接触网状态。
[0023]本发明与现有技术相比，具有以下优点：
[0024]第一，由于本发明根据同类铁路段接触网的建设特点，采用机器学习的方法对高 速摄像机采集到的图像关键部件进行区域提取，并通过边缘图与Hough直线检测的结果精 确获取接触网运行疑似缺陷区域的边缘细节，通过最佳拟合函数的求解，检测出非线性特 征中的除圆形特征的其他特征，可以用于精确检测到鸟窝等圆形特征不明显的异常状态。 [00 25]第二，由于本发明使用的Haar-1 ike矩形特征做检测，并通过AdaBoost算法训练接 触网关键部件的强分类器，解决了需要满足鸟窝出现在接触网支柱主干区域周围的先验经 验的限定，无需训练有鸟窝等异常状态的负样本，解决了鸟窝等异常状态在接触网出现的 频率要远远小于正样本导致的训练鲁棒性降低的问题。
【附图说明】
[0026] 图1为本发明的流程图；
[0027] 图2为本发明边缘检测与直线检测示意图，其中图2的（a)是高速摄像机采集到的 接触网图像，图2的（b)是使用Adaboost算法训练接触网三角结构、主干区域和电线等较清 晰的几个关键部件区域的强分类器并进行sobel边缘检测结果图，图2的（c)是对sobel边缘 检测结果图进行Hough直线检测结果图；
[0028] 图3为本发明提取待拟合曲线示意图，其中图3的(a)和图3的(b)是图2的(b)与图2 的（c)进行"异或"操作后提取到的接触网异常状态特征，是本发明中提取有待拟合的待检 测曲线；
[0029]图4为本发明的非线性拟合结果图，其中图4的(a)是对图3的（a)提取待拟合曲线 后选取插值点结果图，图4的(b)是对图3的(b)提取待拟合曲线后选取插值点结果图，图4的 (c)是对图4的(a)进行非线性曲线拟合的结果图，图4的（d)是对图4的（b)进行非线性曲线 拟合的结果图；
【具体实施方式】
[0030] 下面结合附图对本发明的具体实施做详细的描述。
[0031] 参照图1，实现本发明方法的具体步骤如下：
[0032]步骤1，系统初始化
[0033]本发明中，采用统一分辨率较高的摄像机拍摄接触网运行状态图像;接触网运行 异常状态智能检测系统配备有两个车载高速摄像机，分辨率分别为2448X2056(500万像 素)和1620X1236(200万像素）；在列车行进过程中，高速摄像机以17帧/秒的帧率拍摄列车 行车方向的接触网图像；
[0034]车载高速摄像机将拍摄到的接触网运行状态图像信息通过网络传输设备发送给 铁路局检测中心，铁路局检测中心将待检测的接触网运行状态图像存储至数据库中，准备 进行离线分析和检测；
[0035] 步骤2,图像预处理
[0036] 选择特殊气候和光照条件微弱的情况下，对接触网状态图像进行预处理，增强图 像的亮度和对比度，预处理之后的图像g(x):
[0037] δ(χ)=α?(χ)+β
[0038] 其中，g(x)是输出图像像素，参数a>0是增益，β是偏置；用这两个参数分别控制对 比度和亮度，f(x)是输入图像；
[0039] 步骤3,根据同类铁路段接触网的建设特点，使用机器学习的方法对高速摄像机拍 摄的图像进行区域提取，只关注较清晰的几个接触网关键部件区域，所谓机器学习的方法， 采用的是Adaboost自适应增强，利用前一个基本分类器分错的样本的增强，使加权后的全 体样本再次被用来训练下一个基本分类器，同时，在每一轮中加入一个新的弱分类器，直到 达到某个预定的足够小的错误率或达到预先设定的最大迭代次数；
[0040] 对高速摄像机采集到的图像利用Haar-like矩形特征做检测反应其线性特征;根 据特征模板的特征值定义，即白色矩形像素和减去黑色矩形像素和，求出每个待检测子窗 口中的特征