图像识别技术及神经网络在接触网病害识别中的应用研究

张丕富



图像识别技术及神经网络在接触网病害识别中的应用研究

张丕富

运用图像处理技术和神经网络技术对高速铁路接触网支撑装置中管帽、开口销不良状态进行检测，通过图像增强-频域增强对接触网悬挂装置待检测图像进行预处理，利用SURF局部特征匹配方法实现目标图像识别与提取，运用神经网络对目标局部图像进行残差恢复处理，使之形成稳定且广域的检测判据，从而被机器视觉准确认知，最后实现管帽、开口销病害的有效识别。

管帽不良状态；开口销不良状态；频域增强；神经网络残差恢复

0 引言

安全、稳定、可靠的供电系统是现代高速铁路的重要组成部分，对确保高速铁路动车组的运行安全及运营秩序起到至关重要的作用。面对快速发展的高速铁路，整个行业对铁路运营安全的提升及运营维护精细化管理的需求日益迫切。2012年由原铁道部牵头针对铁路供电检测监测领域制定了《高速铁路供电安全检测监测系统（6C）总体技术规范》，其中运用非接触式检测设备对接触网悬挂系统零部件状态进行检测是该规范的重要组成部分及今后行业技术发展的趋势。

图像识别技术与神经网络技术是计算机视觉中的前沿技术，国内外不少相关产品已经成功应用于安检、考勤、信息安全等领域，将图像识别技术运用于“接触网悬挂部件典型缺陷自动识别”同样具有可能性。为此，本文以接触网验损识别作业中出现损坏率最高的2种接触网零件—腕臂管帽和开口销作为研究的切入点，充分运用图像识别技术及神经网络技术实现以上2种零件病害的系统自动识别，从而解决实际的工程应用问题[3]。

1 研究背景

因接触网架设于室外，自然坏境复杂，平腕臂和定位管为管状构型，如有水汽侵蚀，内部会形成锈蚀且不易被发现，故需要在平腕臂和定位管的端头上安装管帽，用于防止水汽进入平腕臂和定位管的内部。

接触网具备结构上的稳定性及应力防护性是其最基本的设计目标。开口销作为最通用和常用的接触网固定防护件，在铁路供电系统中使用广泛。因列车运行造成的长期振动或因人工检修安装时造成的施工缺陷，极易产生管帽脱落或开口销开口角度不足等接触网病害缺陷，从而引发螺母脱落，严重时导致部件松动，影响铁路供电安全。针对接触网零部件以上不良状态，需通过检测手段及时发现并进行相应处置，排除相关安全隐患[4]。

2 图像预处理

2.1 扭曲矫正

4C接触网悬挂状态检测监测装置作为接触网悬挂状态图像的采集装置，因相机矩阵安装的角度及检测车运行带来的振动等客观原因，所获取的图像会产生一定程度的畸变。因管帽、开口销属于接触网细微部件，即使很微量的图像畸变也会影响神经网络及机器视觉的识别效果，所以在对待识别图像进行特征提取之前，需首先采用高次函数以拟合的矫正方式对待识别图像进行预处理。其中拟合函数为

(,) =×(1 +1×2+2×2) （1）

(,) =×(1 +1×2+2×2) （2）

式中，1、2分别为控制水平方向、竖直方向上的扭曲矫正参数。

2.2 低光照增强

巡检车对接触网悬挂状态的检测通常在夜间进行，虽在图像的拍摄过程中4C接触网悬挂状态检测监测装置可以不间断地进行补光操作，但因夜间光照环境不好以及光照散射、透光率及夜间雾气等气候原因，必须对待识别的图片进行低光照增强操作，使图像清晰度更高，识别目标更明确，更便于机器视觉及神经网络的识别判定，提高其识别检测准确性。

对于待处理的低光照图像，首先进行翻转操作：

C() = 255-C() （3）

然后根据现场具体的拍摄情况进行计算机视觉的建模：

() =()() +[1-()] （4）

其中，为待识别图片；为透射率；为大气环境成分，通常为一个常量。

通过该建模方式求出透射率，然后根据和式（4）反解得，再对其进行反转操作，即可得到增强后的图像。

在增强算法中，被定义为

表征为全图RGB三个通道和最大像素点的各通道值（此处需将图像进行归一化处理到0-1），然后通过下式对待识别图像进行反解，再对进行图像反转，即可得到增强后的图像：

通过以上步骤及方法对一幅接触网图像进行处理，其中高频部分所对应的是待识别目标的边缘细节，低频部分所对应的是图像背景轮廓，具体增强效果如图1所示。从图中看出，增强后目标图像位置突出，目标边缘更加立体清晰，背景轮廓区分更明显。

（a）原始图像

（b）增强效果

图1 图像增强效果对比

3 图像特征提取

由于待检测图像为接触网悬挂状态的全局图像（图1），其中包含各种接触网零部件图元信息，且拍摄环境为野外，图像背景情况复杂，存在多元干扰的情况。管帽及开口销属于接触网细微零部件，待检目标较小，包含的图元信息多且复杂，可能存在零部件不良状态不明显或难以识别的情况，所以在全域图像中需要完成待检局部目标的准确识别难度很大，且受其他图元信息及背景信息的干扰，极易造成错误识别、漏识别的现象发生（通过人工识别也存在上述现象），严重影响识别检测结果的稳定性及可靠性。针对该情况，在进行状态检测之前，有必要对全域图像进行分割提取，从而准确找到待检测目标，提取目标特征，降低检测难度，提高检测效率，实现检测结果的快速稳定输出。

针对管帽及开口销在接触网全局中的不同特征，采用SURF局部特征提取法，对待识别图像特征进行提取。通过实验验证所提取的待检目标局部特征在通过图像旋转、尺度变换、仿射变换和视角变化的处理流程后，仍然完整保留了必要的相关特征信息，具有良好的不变性。图像局部特征的提取匹配算法流程如图2所示。

图2 基于特征图像的匹配算法流程

4 特征超分辨率技术（神经网络残差恢复）

特征图像超分辨率技术是指从原始图像获得更高分辨率图像的技术[6]。对于接触网病害识别作业，虽然接触网悬挂状态原始图像具有较高的分辨率（用于管帽、双耳连接器、开口销、V拉线夹、承力索吊悬线夹等接触网悬挂状态小微部件图像的分辨率恢复，如图3所示），通过前期的特征提取必然会因不均匀采样而丢失部分高频特征信息，且经过以上不同函数对图像进行插值处理后，得到的是无限多个被放大的图像，其分辨率在经过降采样后相当于全域原图像的分辨率。因此为了确保对接触网不良状态的检测效果，采集的特征需进行超分辨处理才能交由机器进行深度学习。

图3 接触网小微部件

5 深度学习（AdaMiX模型）

深度学习是机器学习的重要延伸和发展。传统机器学习的本质是给定一些可用的离散术语，描述需要定义的条件，并给出大量的实际信息，从而交由机器去学习判定正确的行为，其典型特征是需要通过外部的流程来判断行为是否正确。而深度学习则是通过构建类似于人类视觉神经系统的多层次体系，每单元层之间含有更多的隐含单元，通过对原始输入数据的逐层判断及三维非线性变换，可以进行更复杂、更高层次、更抽象的特征表述，强化原始输入数据的差异性，削弱不相关影响，具有更好的准确性及稳定性。与传统机器学习和信号处理方法相比，深度学习是一种更智能、更深入的人工智能技术。因此，针对具体的接触网悬挂状态验损应用制定相应的深度学习策略，着重解决深度学习模型的收敛速度及运算时间问题，对于接触网的海量原始图片数据及工程应用十分重要。从图4可以看出，要实现相同的收敛效果，常数型学习率需要更多的迭代次数，即需要更长的计算时间。综合考虑重构误差和计算时间，AadMix的性能优于其他3种学习策略。

图4 学习策略性能比较

6 目标识别

根据接触网悬挂装置全局图像具体特点，以及深度学习（AdaMix模型）结果，在研究过程中分别运用仿射不变矩、SIFT、SURF 3种不同的局部图像特征匹配方法对待检目标进行识别，并对识别结果进行统计、分析和比较。最终选择了SURF算法，其优势在于通过采用积分图像提高了算法速度，结合已经过深度学习的AdaMix模型，SURF特征检测算法可以更快速、准确地匹配识别目标图像[7]。

7 检测实验

利用已完成训练的系统模型分别对管帽图片及开口销图片进行识别处理，管帽图片包括管帽正常、管帽缺失状态图片各40张；开口销图片包括销钉正常、开口销缺失状态图片各40张。检测结果见表1、表2。

表1 管帽状态检测实验数据

表2 开口销状态检测实验数据

以上2种接触网零件脱落状态基本被正确检测，管帽缺失及开口销缺失状态的正确检测率均在90%以上。其中出现少量管帽被误检测识别的情况，原因在于部分图片中出现了遮挡，导致特征不明显，或者边缘等重要信息丢失；少数开口销被误检测的情况，其原因在于污垢过多造成部件的边缘形状出现变化或开口销与耳片的背景灰度接近，较难区分。

8 结语

本文基于图像识别及神经网络技术，利用扭曲矫正及低光照增强技术，降低环境、光照对待检原始图片图元信息的干扰，使之图像更清晰、待识别局部与背景更加突出，便于机器视觉分析和神经网络判别；采用了SURF局部特征提取法，对待识别图像特征进行提取，并利用神经网络残差恢复技术实现对微小特征点丢失信息的恢复，并交由系统进行学习，效果较好。结合已经过深度学习的AdaMix模型，SURF特征检测算法可以更快速、准确地匹配识别目标图像，可以对管帽及开口销存在的6种状态进行识别检测，特别是可对其脱落状态进行准确识别，而对松脱程度的判断仍有待做进一步研究。实验结果显示，对管帽、开口销的不良状态具有较高的正确检出率，为接触网悬挂状态的非接触式检测提供了一种技术参考。

[1] 钟俊平，刘志刚，陈隽文，等. 高速铁路接触网悬挂装置开口销不良状态检测方法研究[J]. 铁道学报，2018，40（6）：51-59.

[2] 张卫华，沈志云. 接触网动态研究[J]. 铁道学报，1991，13（4）：26-33.

[3] 刘杰. 接触网参数的非接触检测[J]. 电气化铁道，1998（2）：43-45.

[4] 钟俊平，刘志刚，张桂南，等. 高铁接触网旋转双耳销钉状态检测方法研究[J]. 铁道学报，2017，39（6）：65-71.

[5] 黄艳红.受电弓滑板磨耗图像检测算法研究[D]. 西南交通大学，2008.

[6] Barnea Daniel L, Silverman H. F. A Class of Algorithms for Fast Digital Image Registration. Computers, IEEE Transactions on[J]. 1972，C-21(2)：179-186.

[7] Medioni G., Nevada R. Matching Images Using Linear Features. Pattern Analysis and Machine Intelligence, IEEE Transactions on[J]. 1984, PAMI-6(6): 675-685.

The image identification technology and neural network technology are used for inspection of improper status of pipe caps and split pins in supporting structures of overhead contact line of high speed railway, to preprocess the inspection images of contact lines which are waiting to be inspected by means of image intensification and frequency-domain intensification, realize identification and extraction of target images by SURF local feature matching method, execute residue restoration of target local images by neural network technology, make them forming a stable and wide-area inspection criteria, which is able to be confirmed and recognized by the machine vision so as to realize the identification of defects of pipe caps and split pins.

Improper status of pipe cap; improper status of split pin; frequency domain intensification; neural network residue restoration

10.19587/j.cnki.1007-936x.2018.06.018

U226.8

B

1007-936X(2018)06-0073-04

2018-10-25

张丕富.中国铁路成都局集团有限公司达州供电段，工程师。