一种基于自适应学习机制的接触网导线识别算法

一种基于自适应学习机制的接触网导线识别算法

游晨曦

（广铁集团供电处）

摘要：本文介绍一种基于自适应学习机制的接触网导线识别算法，主要应用于地铁线路接触网导线识别，便于进行后续相关几何参数测量检测。该方法以相机成像图像分析为基础，通过训练学习方法获取接触网导线几何和空间分布模型，最终实现识别率高、稳定性强的导线识别算法，同时该算法能适应不同线路成像差异性问题，能快速扩展应用到不同铁路线路检测。通过试验数据对比表明，该种方法检测识别在准确率、稳定性方面都优于传统图像处理算法，同时也满足较强扩展性，具有很好的实际应用价值。

关键词：接触网刚性导线；几何参数；自适应学习算法；图像处理

1.引言

接触网主要由接触悬挂、支持装置、定位装置、支柱及相关基础设施等构成，是沿铁路线上空架设的一种特殊输电线路。它的功能是通过接触线与受电弓之间的接触，从而为电力机车提供电能[1]。因此，要保证机车行车安全，保证受电弓与接触线良好接触以及稳定受流，除了对接触悬挂的设计施工和运营需要严格要求之外，对接触网各个设施设备进行状态检测也必不可少。

评价接触网受流性能主要参考两个状态类参数：几何参数和动力学参数。几何参数包括：接触线高度、拉出值、定位管坡度、线岔、接触线磨耗和支柱位置等；动力学参数主要包括悬挂硬点、接触压力等。几何参数的检测测量主要包括接触式和非接触式两种方法，随着图像分析、机器视觉相关技术的日益成熟以及基于设备成本等原因，非接触式几何参数测量方法已经变得日益重要[1-2]。

自上世纪50年代开始，国内外相关研究人员已经对接触网进行研究。德国接触网检测[12]侧重动力学参数测量，对于几何参数测量方面存在部分项目不能够检测；意大利接触网检测侧重利用非接触式检测几何参数，但无法进行动力学参数测量，同时计算复杂度较高，在实时在线检测方面可行性较低；我国接触网检测研究较突出的主要是西南交通大学研制的相关产品，优点是对动态拉出值和导线高度等非接触式检测较准确，在实际运用中取得较好效果[2]。

非接触式几何参数检测方法[3],[8][9]主要采用较传统的图形图像处理分析方法，基本主要针对导线成像图像进行图像增强、滤波等预处理操作，然后利用阈值化、边缘检测算子和相关Blob分析等处理，识别得到导线相关位置信息。这种图像处理分析方法在应用于地铁等线路进行测量时，由于各个线路环境差异导致的相机成像区别较大，因而需要针对不同线路进行较大改动，无法良好的扩展应用。

针对上述接触网检测技术现状[2-5][8][11]，本文提出了一种基于自适应学习机制的接触网导线识别算法，该算法采用机器学习方式训练学习获取导线几何形状和空间分布模型，再结合图像分析处理方法，进行导线识别检测，能够较好克服线路环境差异问题，具备较高的识别准确率和稳定性，能快速扩展应用到不同线路巡检检测。

2.基本原理

本文采用的基于自适应学习机制的非接触式接触线检测算法，主要包括两个部分：离线学习算法和实时在线检测算法，基本结构框图如图1所示。

离线学习算法主要通过不间断地学习训练导线标定数据，获取不同铁路线路上刚性接触网导线的几何形状和空间分布两种模型，导线标定数据主要通过标定平台工具(如图2所示)进行标定，单条地铁线路单路相机需要标定帧图像共计组数据。其中，几何形状模型是指刚性接触网导线所特有的导线与汇流排之间的相互关系模型；空间分布模型是指刚性导线在拉出值层面的空间分布关系模型。

实时在线检测算法利用图像预处理、边缘检测算子等相关算子模块检测定位汇流排边缘轮廓信息，如图3所示，然后再结合离线训练学习得到的导线几何形状模型与空间分布模型，从而识别得到导线精准位置关系，如图4所示。

3.方法

3.1离线学习算法

该离线学习算法以Ransac算法作为核心算法，用以训练得到各地铁线路接触网导线几何形状模型和空间分布模型，所以本节将主要介绍核心Ransac算法。

经典的Ransac算法由Fischer和Bolles于1981年首次提出[6]。简要的说，Ransac是一个通过不断尝试调整目标空间参数，从而使得目标函数C最大化的一个过程。该过程通过多次迭代随机选择数据集中的子集形成子空间，作为基础模型估计，然后利用该基础模型对数据集空间剩余样本点进行测试，可得到该模型的评估得分，最终选取模型评估得分最高的作为整个数据集的模型。

Ransac算法目标函数C：第次迭代过程中，对变换参数，设完整数据集为U，对于U中满足变换参数的点，称为类内点；其余称为类外点。判别U中单个点是否为类内点，取决于判别阈值。设置信度为，单次采样选取m个类内点，则为保证整个迭代过程至少存在一次采样能取得目标函数最大值，迭代次数应该满足：

在二值图像中，结合导线的几何形状参数，通过Blob分析，识别得到导线边缘轮廓图像，如图4所示。

由导线边缘轮廓图像，为计算得到最终导线定位位置信息，采用灰度响应特性曲线[13]与离线训练学习得到的导线几何形状模型和空间分布模型相结合进行识别。设导线边缘轮廓图像为，对该图像进行基于边缘轮廓的平移变换，得到平直导线图像：

然后基于垂直方向，进行灰度响应特性统计，生成灰度特性响应曲线，如图X所示，提取该曲线的波峰、波谷特征点，如图8所示。最后，经过大量数据统计分析，将波峰、波谷特征点与离线训练学习得到的导线几何形状模型、空间分布模型结合，即可判别得到最终导线位置，如图9所示。

4.试验

为验证研制的接触网非接触式几何参数测量方法的识别精度与稳定性，本文采用离线式测试方法，同时为验证该方法在克服线路环境差异，扩展性较强的问题，采用多条不同线路、成像环境差异性较大相机图像(如图X所示)进行测试，共计选取4条地铁线路，编号分别是：C3,N1,H1,H4，从4条线路中随机抽取若干帧相机图像数据，以识别最终结果像素误差偏移划分三类进行统计计算，最终测试统计结果如表1所示，其中p>5代表识别误差像素偏移超过5个像素，其余两类与之意义相同。测试时，各条线路离线训练学习均随机抽取500帧图像数据进行标定学习，得到各线路对应导线几何形状和空间分布模型。

从表1可知，该方法能够同时适应不同地铁线路环境差异导致的成像不同问题，具备较强扩展能力，同时识别精度和稳定性较高(p≦3均保持在98%以上)，基本能够达到接触网几何参数检测相关指标需要。

5.结论

针对目前现有非接触式几何参数基于机器视觉的测量方法所存在不足的现状下，本文设计的基于自适应学习机制的图像分析方法，在适应不同线路差异较大的问题上，具有较强的扩展性，能够在保证整个测量系统识别精度和稳定性的前提下，快速应用到实际项目线路检测中，能够极大提高整个实施应用进度，且试验结果表明该种方法在识别精度上相较于其他方法也具有一定的优势。

参考文献

[1]于万聚.高速电气化铁路接触网[M].成都:西南交通大学出版社,2003.

[2]陈唐龙.高速铁路接触网检测若干关键技术研究[D].成都：西南交通大学,2006.

[3]于志刚，吴东波，赵少鹏，等.接触网几何参数检测仪的原理及应用[J].山东科学,2009,22(3):77-79.

[4]于万聚.接触网检测数据处理系统[J].铁道学院，1989(3):29-35.

[5]刘寅秋,韩通新,刘会平.基于图像处理的接触网动态几何参数测量研究[J].铁道机车车辆,2012,32(5):86-91.

[6]M.A.FischlerandR.C.Bolles,“RandomSampleConsensus:AParadigmforModelFittingwidthApplicationstoImageAnalysisandAutomatedCartography”,Comm.ACM,vol.24,no.6,pp.381-395,1981.

[7]LUNACA,MAZOM,LAZAROJL,etal.Methodtomeasuretherotationanglesinvibratingsystems[J].IEEETrans.OnInstrumentationandMeasurement,2006,55(1):232-239.

[8]牛大鹏.非接触式接触网几何参数检测系统研究[D].成都:西南交通大学,2008.

[9]高速铁路供电安全检测监测系统(6C系统)总体技术规范[D].

[10]KIESSLING,PUSCHMANN,SCHMIEDER,etal.Contactlinesforelectricrailways[M].Erlangen:PublicisPublishing,2009.

[11]SHINGAWC,PASCOSCHIG.Contactwirewearmeasurementanddatamanagement[C].IETInternationalConferenceonRailwayConditionMonitoring,2006:182-187.

[12]HUIBW,WENGJ,ZHANGP,etal.Anovellinescancameracalibrationtechniquewithanauxiliaryframecamera[J].IEEETrans.OnInstrumentationandMeasurement,2013,62(9):2567-2575.

[13]冈萨雷斯.数字图像处理(第三版)[M],电子工业出版社,2011.