基于支持向量回归的地铁刚性接触网导线磨耗检测方法研究

鲁尧

（深圳地铁运营集团有限公司，广东 深圳 518000）

1 概述

在受电弓和接触网长期接触中会因为各种各样的原因导致接触线磨损，如弓网接触压力、弓网摩擦、硬点等会导致接触线产生机械磨损，而燃弧等原因又会造成接触线的电气磨损，长此以往，若不及时处理，则可能对地铁交通造成致命后果。因此，在地铁实际运营过程中，需要采取一定技术措施对接触线磨耗进行精确稳定的检测，以保障乘客安全以及城市的有序发展。

目前，针对接触网磨耗的检测方式大致可以分为2种：一种是接触式检测技术，如位移传感器，该方式有较多缺陷，比如，投入高、效率低、难度大等；另一种是非接触式检测技术，主要通过超声波、3D、面阵相机、线阵相机等方式，该种技术具有检测效率高、投入少、精度高等诸多优势，因此也备受国内外推崇。

本文所提出的方法就是线阵相机对接触网扫描成像，进一步利用图像处理和机器学习相结合的方式对图像中的磨耗区域进行精确提取，最后计算得到接触线磨耗值。该方法相比3D、超声波等方式成本更低，相比仅仅利用传统图像处理更加精确和稳定。

本文对提出的方法进行较充分的实验验证，识别准确率可达到99%以上，磨耗误差精度可达到0.5mm 左右。

2 方法

本文所涉及的图像数据由线阵相机采集，即通过安装在车顶的线阵相机对地铁刚性接触网中的汇流排区域进行等距扫描，然后将帧扫描数据拼接成一幅二维图像用于后续处理。如图1 所示，线阵相机扫描得到的数据具有较强的结构特征，图中有三条光带，左右两条光带是汇流排边缘凹槽部分，中间光带是导线磨耗区域，本文所提出的算法重点就在于精确提取出图像中每一行中间光带的宽度，用以磨耗计算。

图1 线阵相机采集的原始图像

图2 表征汇流排趋势的曲线

本文所涉及的刚性接触网导线磨耗检测方法主要由三大部分组成：（1）获取汇流排边界曲线；（2）通过支持向量回归算法获取导线边界曲线；（3）导线范围内提取磨耗区域并计算磨耗。

2.1 汇流排边界提取

本文首先通过求取原始图像横向梯度图，再进行二值化，而不是直接对原图进行二值化操作。

在得到横向梯度图后，对梯度图像进行动态二值化，即分块并自适应设置不同阈值，进一步在二值化图像中提取八连通域。

进一步，每个连通域都可以跟踪出一条完整图像高度的曲线，在得到若干条曲线后，计算每条曲线所在像素的平均灰度值，并选取灰度值最大的曲线作为表征汇流排趋势的曲线。

在得到表征汇流排趋势的曲线后，将该曲线在原始图像中向左移动，每移动一次，则计算一次该曲线的灰度均值，当连续出现若干次灰度均值小于某阈值时，认为找到了汇流排左边界曲线。同理，将汇流排趋势曲线向右移动可搜索到汇流排右边界曲线，如图3 所示。

图3 识别的汇流排左右边界曲线示意

图4 识别到的导线区域

图5 识别出的磨耗区域

2.2 计算导线左右边界

本文在计算导线左右边界时，采用支持向量回归的方式，该方式可以有效利用已有数据进行有监督学习，在应用过程中需要调试的参数极少。

本文的任务就是通过已有的图像数据先识别汇流排的左右边界，左右边界的坐标作为训练数据，再通过人工手动在图像上标记出导线坐标作为拟合目标值。

其中，di表示第i 帧汇流排左右边界坐标，因为是线阵相机，因此只需要横坐标即可，即xi,1表示第i 帧汇流排左边界坐标，xi,2表示汇流排右边界坐标；ti表示第i 帧人工标记的导线左右边界坐标，即表示第i 帧导线左边界坐标，第i 帧导线右边界坐标。

在标记了一定数量的样本后，可通过以下数学模型进行训练：

其中，w、b 是需要训练得到的模型参数，ε为管道参数，实际应用中，ε设置太小无法保证所有样本点都在管道内，ε太大回归超平面会被一些异常点带偏，因此，可根据实际测试效果设置；为松弛变量；φ(■)为某种非线性映射关系。

通过上述模型进行训练可得到一组超平面参数，即w*，b*。在实时检测阶段，当收到一幅新的图像时，先识别到汇流排的左右边界，然后即可通过超平面参数计算得到导线左右边界，即

2.3 识别磨耗区域

识别到导线区域后，在导线范围内通过像素灰度变化即可识别磨耗区域。

首先，在某一帧的导线范围内搜索出最大灰度值，然后根据该最大灰度值设定一个灰度阈值，本文将该阈值设置为当前帧导线范围内最大灰度值的0.8 倍。

在导线范围内搜索出连续大于上述灰度阈值的最长线段，该线段的范围即是当前帧的磨耗区域。

在识别到导线区域后，根据事先标定好的像素精度即可计算出磨耗弦长或高度，即磨耗弦长为磨耗区域像素宽度乘以像素精度。

3 实验

本文实验所用的数据是由8K 线阵相机采集，每次拼接1000 行进行处理，即单次处理图像大小为。

本次测试所用训练图像2000 张，测试图像5000 张，模型训练阶段损失曲线如图6 所示。

图6 磨耗区域识别效果示意

图7 磨耗误差分布示意图

在经过600 次epoch 后损失基本不变，表明此时训练基本达到收敛状态。

在测试阶段，其汇流排边界正确识别率为99.66%，导线边界正确识别率为99.32%，具体如表1 所示。

表1 汇流排与导线边界识别统计

表2 磨耗误差分布统计

本次测试图像涉及线路里程数为20km，算法测量出磨耗值后根据公里标人工复核200 处，最大误差0.63mm，最小误差0.17mm，平均误差0.44mm，其中误差0.4 ～0.5 占比63%，误差0.6mm 以下占99%。

4 结语

本文对地铁刚性接触网导线磨耗检测方法进行了研究，提出了一种传统图像处理和机器学习相结合的磨耗测量方法，其导线识别正确率可达到99%以上，磨耗误差可达到0.5mm 左右，相较仅利用传统图像处理，其稳定性和精度都有较大提升，已达到可在实际工程中应用的水平，后续的研究方向是进一步提高检测精度。