本发明涉及车顶绝缘子粗糙度检测领域,具体涉及一种车顶绝缘子表面粗糙度非接触式分级检测方法。
背景技术:
在列车高速运行过程中,硅橡胶绝缘子表面可能与具有一定硬度的沙尘等污秽颗粒碰撞,经过长时间磨蚀,绝缘子表面粗糙度会大大增加。绝缘子表面粗糙度的变化会直接影响绝缘子的憎水性、积污特性及闪络特性,使得绝缘子的绝缘性能改变及劣化,造成列车行车过程中的安全隐患。
目前国内外对于高速铁路绝缘子表面粗糙度的测试研究多是在实验室采用激光检测方法及光波干涉法等方法或者在现场采用针触式的检测方法进行测试,这些测试方法虽然能够准确判断绝缘子表面状态,但是在实验室进行测试必须对绝缘子进行拆卸,而在现场的接触式检测方法必须进行停电检测,使得车顶绝缘子的检测效率低。
技术实现要素:
针对现有技术中的上述不足,本发明提供的一种车顶绝缘子表面粗糙度非接触式分级检测方法解决了现有车顶绝缘子检测效率低的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种车顶绝缘子表面粗糙度非接触式分级检测方法,其包括以下步骤:
s1、获取每个车顶绝缘子样品表面粗糙度,确定车顶绝缘子表面粗糙度等级数,获取每个表面粗糙度等级的取值区间;
s2、获取已知粗糙度的车顶绝缘子样品的高光谱图像,并对获取的高光谱图像进行预处理,得到样品图像数据;
s3、采用连续投影方法对样品图像数据进行波段选择,获取样品图像数据的特征波段数据;
s4、将样品图像数据的特征波段数据作为训练数据,根据每个表面粗糙度等级的取值区间,采用支持向量机构建车顶绝缘子表面粗糙度等级判别模型;
s5、采用与步骤s2和步骤s3相同的方法获取待测车顶绝缘子的特征波段数据,采用车顶绝缘子表面粗糙度等级判别模型对待测车顶绝缘子的特征波段数据进行判别,完成车顶绝缘子表面粗糙度检测。
进一步地,步骤s2的具体方法包括以下子步骤:
s2-1、采用高光谱成像仪获取已知粗糙度的车顶绝缘子样品的高光谱图像r0;
s2-2、根据公式
对高光谱图像r0进行黑白校正,得到校正后的光谱图像r;其中d为标准黑板的反射图像;w为标准白板的反射图像;
s2-3、获取每个已知粗糙度的车顶绝缘子样品校正后光谱图像对应的光谱矢量,并将不同已知粗糙度的车顶绝缘子样品对应的光谱矢量列入光谱矢量矩阵a,其中光谱矢量矩阵a为n×p维定标光谱数据矩阵,n为样本数,p为光谱采集所用的全谱波长个数;
s2-4、根据公式
获取所有车顶绝缘子样品的平均光谱矢量
s2-5、根据公式
对第i个车顶绝缘子样品的光谱矢量ai与平均光谱矢量
s2-6、根据公式
对第i个车顶绝缘子样品对应的光谱矢量ai进行多元散射校正,得到第i个车顶绝缘子样品校正后的光谱矢量ai(msc),即得到每个车顶绝缘子样品校正后的光谱矢量,将每个车顶绝缘子样品校正后的光谱矢量作为其样品图像数据,完成预处理。
进一步地,步骤s4中采用支持向量机构建车顶绝缘子表面粗糙度等级判别模型的具体方法包括:
采用径向基核函数对支持向量机进行建模,得到车顶绝缘子表面粗糙度等级判别模型,其中径向基核函数k(xb,xc)为:
k(xb,xc)=exp(-||xb-xc||2/2σ2)
径向基核函数对应的判别函数f(x)为:
其中xc为第c个核函数中心;σ为函数的宽度参数;exp(·)为以自然常数e为底的指数函数;xb为第b个训练数据,yb为xb对应的粗糙度等级标签;sign(·)为sign函数;αb为拉格朗日系数,d为偏差值;h为训练数据总数。
进一步地,粗糙度等级共分为7个,其取值区间分别为0.5μm~1μm、1.01μm~1.5μm、1.51μm~2μm、2.01μm~2.5μm、2.51μm~3μm、3.01μm~3.5μm和3.51μm~4μm。
本发明的有益效果为:本方法能够在非接触的情况下对车顶绝缘子的表面粗糙度进行分级检测,可直接运用在高速铁路日常维护中,保障高速列车的安全稳定运行,改善现有车顶绝缘子表面粗糙度检测方法需要进行拆卸并在实验室情况下进行检测的缺陷,提高检测效率。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该车顶绝缘子表面粗糙度非接触式分级检测方法包括以下步骤:
s1、获取每个车顶绝缘子样品表面粗糙度,确定车顶绝缘子表面粗糙度等级数,获取每个表面粗糙度等级的取值区间;
s2、获取已知粗糙度的车顶绝缘子样品的高光谱图像,并对获取的高光谱图像进行预处理,得到样品图像数据;
s3、采用连续投影方法对样品图像数据进行波段选择,获取样品图像数据的特征波段数据;
s4、将样品图像数据的特征波段数据作为训练数据,根据每个表面粗糙度等级的取值区间,采用支持向量机构建车顶绝缘子表面粗糙度等级判别模型;
s5、采用与步骤s2和步骤s3相同的方法获取待测车顶绝缘子的特征波段数据,采用车顶绝缘子表面粗糙度等级判别模型对待测车顶绝缘子的特征波段数据进行判别,完成车顶绝缘子表面粗糙度检测。
步骤s2的具体方法包括以下子步骤:
s2-1、采用高光谱成像仪获取已知粗糙度的车顶绝缘子样品的高光谱图像r0;
s2-2、根据公式
对高光谱图像r0进行黑白校正,得到校正后的光谱图像r;其中d为标准黑板的反射图像;w为标准白板的反射图像;
s2-3、获取每个已知粗糙度的车顶绝缘子样品校正后光谱图像对应的光谱矢量,并将不同已知粗糙度的车顶绝缘子样品对应的光谱矢量列入光谱矢量矩阵a,其中光谱矢量矩阵a为n×p维定标光谱数据矩阵,n为样本数,p为光谱采集所用的全谱波长个数;
s2-4、根据公式
获取所有车顶绝缘子样品的平均光谱矢量
s2-5、根据公式
对第i个车顶绝缘子样品的光谱矢量ai与平均光谱矢量
s2-6、根据公式
对第i个车顶绝缘子样品对应的光谱矢量ai进行多元散射校正,得到第i个车顶绝缘子样品校正后的光谱矢量ai(msc),即得到每个车顶绝缘子样品校正后的光谱矢量,将每个车顶绝缘子样品校正后的光谱矢量作为其样品图像数据,完成预处理。
步骤s4中采用支持向量机构建车顶绝缘子表面粗糙度等级判别模型的具体方法包括:
采用径向基核函数对支持向量机进行建模,得到车顶绝缘子表面粗糙度等级判别模型,其中径向基核函数k(xb,xc)为:
k(xb,xc)=exp(-||xb-xc||2/2σ2)
径向基核函数对应的判别函数f(x)为:
其中xc为第c个核函数中心;σ为函数的宽度参数;exp(·)为以自然常数e为底的指数函数;xb为第b个训练数据,yb为xb对应的粗糙度等级标签;sign(·)为sign函数;αb为拉格朗日系数,d为偏差值;h为训练数据总数。
在具体实施过程中,粗糙度等级共分为7个,其取值区间分别为0.5μm~1μm、1.01μm~1.5μm、1.51μm~2μm、2.01μm~2.5μm、2.51μm~3μm、3.01μm~3.5μm和3.51μm~4μm。
本方法能够在非接触的情况下对车顶绝缘子的表面粗糙度进行分级检测,可直接运用在高速铁路日常维护中,保障高速列车的安全稳定运行,改善现有车顶绝缘子表面粗糙度检测方法需要进行拆卸并在实验室情况下进行检测的缺陷,提高检测效率。