本發(fā)明涉及高速鐵路接觸網(wǎng)故障檢測(cè)領(lǐng)域，尤其涉及一種基于級(jí)聯(lián)分類器的高鐵接觸網(wǎng)雙套管連接器六邊形螺母脫落不良狀態(tài)檢測(cè)方法

背景技術(shù)：

在高鐵接觸網(wǎng)L型腕臂支持裝置中，雙套管連接器是重要的承力部件，為保證列車行車安全，該部件的施工質(zhì)量有嚴(yán)格的要求。對(duì)于雙套管連接器，六邊形螺母是重要的緊固件。列車長(zhǎng)期運(yùn)行時(shí)產(chǎn)生的震動(dòng)或施工缺陷可能導(dǎo)致套管大螺母出現(xiàn)脫落的不良狀態(tài)，使得腕臂的承力能力降低，接觸網(wǎng)機(jī)械強(qiáng)度下降，增加發(fā)生事故的可能性。原鐵道部頒布的4C系統(tǒng)技術(shù)規(guī)范，包含對(duì)接觸網(wǎng)的懸掛部分、腕臂部分的高清晰視頻監(jiān)測(cè)，涉及基于數(shù)字圖像處理技術(shù)對(duì)接觸網(wǎng)支撐及懸掛裝置中零部件的故障檢測(cè)。

目前我國(guó)對(duì)接觸網(wǎng)零件狀態(tài)檢測(cè)的主要方法是對(duì)接觸網(wǎng)成像檢測(cè)車拍攝到的接觸網(wǎng)支撐裝置圖像在離線狀態(tài)下人工識(shí)別，該方法效率較低且工作量巨大?；跀?shù)字圖像處理技術(shù)的非接觸式弓網(wǎng)檢測(cè)技術(shù)研究可實(shí)現(xiàn)弓網(wǎng)參數(shù)和故障的自動(dòng)識(shí)別，具有眾多優(yōu)勢(shì)。國(guó)內(nèi)外基于圖像處理的弓網(wǎng)故障狀態(tài)檢測(cè)已有一些研究，陳維榮研究了基于形態(tài)學(xué)處理和Radon變換的受電弓滑板狀態(tài)監(jiān)測(cè)。張桂南采用金字塔近鄰平均算法和小波奇異值法檢測(cè)接觸網(wǎng)絕緣子故障，并研究了基于Harris角點(diǎn)與譜聚類實(shí)現(xiàn)了絕緣子的抗旋轉(zhuǎn)匹配和故障檢測(cè)。劉寅秋采用歸一化互相關(guān)和局部二值化法，提取并計(jì)算接觸網(wǎng)動(dòng)態(tài)高度以及拉出值等參數(shù)。由于現(xiàn)場(chǎng)采集的接觸網(wǎng)支撐及懸掛裝置圖像普遍較復(fù)雜，且照片中緊固件容易受到反光的影響，采用圖像處理技術(shù)的檢測(cè)存在較大的難度，目前此方面的研究還未見(jiàn)相關(guān)報(bào)道。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種基于級(jí)聯(lián)分類器的高鐵接觸網(wǎng)雙套管連接器六邊形螺母脫落不良狀態(tài)檢測(cè)方法，實(shí)現(xiàn)了雙套管連接器定位的準(zhǔn)確性和套管大螺母脫落故障的檢測(cè)。

本發(fā)明是通過(guò)下面的手段實(shí)現(xiàn)的：

A、專用綜合列檢車在一定運(yùn)行速度下，對(duì)高速鐵路接觸網(wǎng)支撐及懸掛裝置進(jìn)行成像，將上行和下行的高清圖像分別存儲(chǔ)在兩個(gè)圖像庫(kù)中；

B、對(duì)采集的圖像進(jìn)行篩選，建立關(guān)于雙套管連接器部件的樣本庫(kù)，正樣本是雙套管連接器部件的圖像，負(fù)樣本是不包含雙套管連接器部件的圖像；

C、計(jì)算樣本的HOG特征，利用AdaBoost算法和支持向量機(jī)算法訓(xùn)練分類器，實(shí)現(xiàn)雙套管連接器部件的準(zhǔn)確定位；

a、HOG特征的提取過(guò)程：每一個(gè)檢測(cè)窗口圖像按空間位置被均勻分成若干個(gè)細(xì)胞單元，每個(gè)細(xì)胞單元的大小為8×8像素；對(duì)于每一個(gè)像素點(diǎn)I(x,y)，采用簡(jiǎn)單的一階模板在細(xì)胞單元中計(jì)算梯度大小m(x,y)和方向θ(x,y)，

在細(xì)胞單元內(nèi)，按預(yù)先設(shè)定的量化間隔統(tǒng)計(jì)梯度直方圖，梯度方向?qū)?°～360°分為9個(gè)方向塊，每個(gè)方向塊大小為20°；將每四個(gè)相鄰的細(xì)胞單元按滑動(dòng)的方式合并為一個(gè)塊，相鄰的塊會(huì)有細(xì)胞單元重疊；對(duì)每一個(gè)細(xì)胞單元計(jì)算HOG積分描述子，將同一塊中4個(gè)細(xì)胞單元的梯度直方圖連接在在一起，形成一個(gè)9×4＝36維的特征向量；為了消除光照變化等帶來(lái)的影響，在一個(gè)塊內(nèi)進(jìn)行直方圖歸一化，如式2；

其中，ε為一個(gè)很小的常數(shù)，目的是避免分母為0；歸一化后的特征向量v對(duì)應(yīng)于一個(gè)塊的HOG積分描述子；

b、AdaBoost算法中，被錯(cuò)分樣本的權(quán)值依靠因子β_t增加，使得該樣本對(duì)下一個(gè)弱分類器的影響變大；AdaBoost算法采用加權(quán)多數(shù)表決的原則，即對(duì)錯(cuò)誤率較低的分類器賦予較高的權(quán)值，使得它們?cè)跊Q策中發(fā)揮更大的作用；

定位過(guò)程中，檢測(cè)窗口在待檢測(cè)圖像表面滑動(dòng)，計(jì)算窗口內(nèi)圖像的HOG特征，將特征向量通過(guò)級(jí)聯(lián)分類器，若其中某一子分類器判定為非檢測(cè)目標(biāo)，則該窗口被拒絕，不進(jìn)入下一個(gè)分類器的判定；如果窗口包含檢測(cè)目標(biāo)，則會(huì)通過(guò)每一級(jí)AdaBoost分類器，直到最后一級(jí)；

c、在級(jí)聯(lián)的AdaBoost分類器后再級(jí)聯(lián)SVM分類器，以降低誤匹配率；SVM學(xué)習(xí)目標(biāo)是解決訓(xùn)練數(shù)據(jù)集線性不可分時(shí)尋找最優(yōu)分類超平面的問(wèn)題，即式3中的凸二次規(guī)劃問(wèn)題：

D、雙套管連接器的分割：

a、為了便于分析雙套管連接器大螺母的工作狀態(tài)，首先通過(guò)對(duì)提取到的雙套管連接器圖像進(jìn)行平滑濾波和增強(qiáng)對(duì)比度的處理，使得套管連接的平腕臂和斜腕臂的兩側(cè)邊緣更接近直線段，以便于確定分割點(diǎn)；

b、利用Hough變換檢測(cè)直線，提取Hough矩陣中前5個(gè)灰度峰值點(diǎn)，取角度小于30的峰值點(diǎn)的平均值作為平腕臂的兩側(cè)邊緣平行線段的傾角，并將平腕臂旋轉(zhuǎn)至水平方向；

c、選用Canny算子對(duì)旋轉(zhuǎn)后的圖像檢測(cè)邊緣，并對(duì)同一縱坐標(biāo)上的像素點(diǎn)的灰度值累加得到統(tǒng)計(jì)曲線；曲線中像素累加值的兩個(gè)最大值分別為平腕臂的兩個(gè)邊緣；根據(jù)像素累加值最大值對(duì)應(yīng)的水平坐標(biāo)確定平腕臂的分割直線；

d、將剪切后的圖像根據(jù)平腕臂的傾角旋轉(zhuǎn)回原來(lái)的方向；取Hough矩陣角度大于45°的峰值點(diǎn)的傾角平均值作為斜腕臂的傾角，并將斜腕臂旋轉(zhuǎn)至豎直方向；

e、選用Canny算子對(duì)旋轉(zhuǎn)后的圖像檢測(cè)邊緣，并對(duì)同一橫坐標(biāo)上的像素點(diǎn)的灰度值累加得到統(tǒng)計(jì)曲線；曲線中像素累加值的兩個(gè)最大值分別為斜腕臂的兩個(gè)邊緣；根據(jù)像素累加值最大值對(duì)應(yīng)的水平坐標(biāo)確定斜腕臂的分割直線；

E、六邊形大螺母脫落不良狀態(tài)的檢測(cè)：

采用橫向灰度奇異值檢測(cè)的方法實(shí)現(xiàn)六邊形螺母脫落的檢測(cè)，

利用小波變換來(lái)分析信號(hào)的奇異性及奇異性位置；小波變換的模極大值點(diǎn)與信號(hào)的奇異性的確切關(guān)系根據(jù)Lipschitz指數(shù)判定；函數(shù)在某一點(diǎn)的Lipschitz指數(shù)γ表征了該點(diǎn)的奇異性大??；γ越大，該點(diǎn)平滑度就越高；反之，該點(diǎn)奇異性越大；

若函數(shù)f(t)在區(qū)間[t₁,t₂]中|W_f(a,t)|≤ka^γ成立，k為常數(shù)，則γ值恒定；奇異點(diǎn)t₀的γ值小于(t₀,ε)內(nèi)其他點(diǎn)的γ值，當(dāng)a→0時(shí)t₀處小波變換值衰減最慢，(t₀,ε)內(nèi)其他點(diǎn)的小波變換值不斷收斂，使得t₀處小波變換值成為模極大值，從而信號(hào)的奇異性檢測(cè)轉(zhuǎn)變?yōu)樾〔ㄗ儞Q的模極大值檢測(cè)；

橫向灰度值信號(hào)在突變點(diǎn)的奇異性通過(guò)小波變換模的局部極大值來(lái)描述；模極大值的檢測(cè)過(guò)程：

1)在圖像進(jìn)行橫向基線標(biāo)定，基線上像素點(diǎn)與小波高斯函數(shù)卷積，進(jìn)行圖像的小波變換。為避免光斑的干擾，將基線設(shè)置于光斑的切線以上。

2)計(jì)算每個(gè)像素點(diǎn)的模值，并求出圖像小波變換后的模極大值點(diǎn)；

3)對(duì)模極大值進(jìn)行歸一化處理；

4)設(shè)定閾值，去除較小的模極大值點(diǎn)；

5)找出模極大值區(qū)域間離散時(shí)間間距，進(jìn)行相關(guān)比較分析，從而檢測(cè)異常區(qū)域。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

1、本發(fā)明直接通過(guò)圖像處理方法對(duì)高鐵接觸網(wǎng)雙套管連接器六邊形大螺母部件的狀態(tài)進(jìn)行檢測(cè)，給出客觀、真實(shí)、準(zhǔn)確的檢測(cè)分析結(jié)果，克服了傳統(tǒng)人工檢測(cè)方法的缺陷。該發(fā)明為高鐵接觸網(wǎng)支撐及懸掛裝置零部件故障檢測(cè)提供一種較好的思路；

2、本發(fā)明根據(jù)六邊形大螺母的結(jié)構(gòu)特點(diǎn)，巧妙地將Hough變換和大螺母灰度分布規(guī)律結(jié)合，對(duì)大螺母的狀態(tài)檢測(cè)簡(jiǎn)單、有效；

3、本發(fā)明中涉及的接觸網(wǎng)支撐懸掛裝置雙套管連接器部件緊固件的故障檢測(cè)，其研究還未見(jiàn)相關(guān)報(bào)道。

綜上所述，本發(fā)明的方法能有效地針對(duì)接觸網(wǎng)雙套管連接器六邊形大螺母脫落故障進(jìn)行檢測(cè)。正確檢測(cè)率較高，簡(jiǎn)化了故障檢測(cè)的難度，并首次為接觸網(wǎng)雙套管連接器六邊形大螺母脫落部件的不良狀態(tài)檢測(cè)提出了一種解決方法。

附圖說(shuō)明

圖1為本發(fā)明方法的處理過(guò)程框圖。

圖2為本發(fā)明現(xiàn)場(chǎng)采集圖像中的雙套管連接器圖像。

圖3為本發(fā)明關(guān)于雙套管連接器部件的樣本庫(kù)，(a)正樣本，(b)負(fù)樣本。

圖4為本發(fā)明級(jí)聯(lián)的AdaBoost分類器定位效果圖。

圖5為本發(fā)明支持向量機(jī)分類器精確定位效果圖。

圖6為本發(fā)明雙套管連接器圖像預(yù)處理前后對(duì)比圖。

圖7為本發(fā)明用Hough變換求取雙套管連接器平腕臂、斜腕臂傾角圖，(a)Hough矩陣提取前5個(gè)峰值點(diǎn)，(b)Hough變換峰值對(duì)應(yīng)的線段。

圖8為本發(fā)明分割雙套管連接器與平腕臂的過(guò)程，(a)邊緣圖像水平方向像素分布，(b)平腕臂與套管連接器的分割。

圖9為本發(fā)明分割雙套管連接器與平腕臂的過(guò)程，(a)邊緣圖像水平方向像素分布，(b)斜腕臂與套管連接器的分割。

圖10為本發(fā)明雙套管連接器的兩種安裝狀態(tài)圖，(a)正常狀態(tài)，(b)脫落狀態(tài)。

圖11為本發(fā)明大螺母正常狀態(tài)灰度奇異值檢測(cè)過(guò)程圖，(a)根據(jù)光斑位置確定基線，(b)基線橫向灰度值曲線模極大值檢測(cè)。

圖12為本發(fā)明大螺母脫落狀態(tài)灰度奇異值檢測(cè)過(guò)程圖，(a)根據(jù)光斑位置確定基線，(b)基線橫向灰度值曲線模極大值檢測(cè)。

具體實(shí)施方式

本發(fā)明是通過(guò)下面的手段實(shí)現(xiàn)的：

1.專用綜合列檢車在一定運(yùn)行速度下，對(duì)高速鐵路接觸網(wǎng)支撐及懸掛裝置進(jìn)行成像。將上行和下行的高清圖像分別存儲(chǔ)在兩個(gè)圖像庫(kù)中。

2.對(duì)采集的圖像進(jìn)行篩選，建立關(guān)于雙套管連接器部件的樣本庫(kù)，正樣本是雙套管連接器占據(jù)主體部分的圖像，共100張。負(fù)樣本是不包含雙套管圖像，共3000張。

3.雙套管連接器的定位與提取

3.1計(jì)算雙套管連接器正負(fù)樣本的HOG特征，利用特征算子訓(xùn)練級(jí)聯(lián)的AdaBoost分類器，通過(guò)訓(xùn)練得到的分類器對(duì)待檢測(cè)圖像上固定大小窗口滑動(dòng)進(jìn)行雙套管連接器的目標(biāo)識(shí)別。

3.2為提高定位正確率，本發(fā)明將3.1檢測(cè)到的偽正難例作為新的負(fù)樣本，共100張，訓(xùn)練SVM分類器。最后利用級(jí)聯(lián)的AdaBoost與SVM分類器，實(shí)現(xiàn)雙套管連接器部件的精確提取。

4.雙套管連接器六邊形大螺母的分割

a、首先通過(guò)對(duì)提取到的雙套管連接器圖像進(jìn)行平滑濾波和增強(qiáng)對(duì)比度的處理，使得套管連接的平腕臂和斜腕臂的兩側(cè)邊緣更接近直線段，以便于確定分割點(diǎn)。

b、利用Hough變換檢測(cè)直線，提取Hough矩陣中前5個(gè)灰度峰值點(diǎn)，取角度小于30的峰值點(diǎn)的平均值作為平腕臂的兩側(cè)邊緣平行線段的傾角，并將平腕臂旋轉(zhuǎn)至水平方向。

c、選用Canny算子對(duì)旋轉(zhuǎn)后的圖像檢測(cè)邊緣，并對(duì)同一縱坐標(biāo)上的像素點(diǎn)的灰度值累加得到統(tǒng)計(jì)曲線。曲線中像素累加值的兩個(gè)最大值分別為平腕臂的兩個(gè)邊緣。根據(jù)像素累加值最大值對(duì)應(yīng)的水平坐標(biāo)確定平腕臂的分割直線。

d、將剪切后的圖像根據(jù)平腕臂的傾角旋轉(zhuǎn)回原來(lái)的方向。取Hough矩陣角度大于的峰值點(diǎn)的傾角平均值作為斜腕臂的傾角，并將斜腕臂旋轉(zhuǎn)至豎直方向。

e、選用Canny算子對(duì)旋轉(zhuǎn)后的圖像檢測(cè)邊緣，并對(duì)同一橫坐標(biāo)上的像素點(diǎn)的灰度值累加得到統(tǒng)計(jì)曲線。曲線中像素累加值的兩個(gè)最大值分別為斜腕臂的兩個(gè)邊緣。根據(jù)像素累加值最大值對(duì)應(yīng)的水平坐標(biāo)確定斜腕臂的分割直線。

5.六邊形大螺母不良狀態(tài)的檢測(cè)

針對(duì)于綜合列檢車在不同的拍攝位置拍攝會(huì)導(dǎo)致圖像中雙套管連接器六邊形大螺母表面有光斑，難以通過(guò)統(tǒng)一模板進(jìn)行匹配檢測(cè)的關(guān)鍵問(wèn)題。本發(fā)明抓住了橫向雙套管連接器灰度的變化規(guī)律，采用了檢測(cè)橫向灰度奇異值的方法。主要包括圖像增強(qiáng)，根據(jù)光斑確定基線位置和基于小波變換的奇異值檢測(cè)三部分。

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步的詳述。

圖1為本發(fā)明方法的處理過(guò)程框圖。圖2示出現(xiàn)場(chǎng)采集圖像中雙套管連接器的位置。

A、雙套管連接器的定位與提取

計(jì)算樣本的HOG特征，利用AdaBoost算法和支持向量機(jī)(SVM)算法訓(xùn)練分類器，實(shí)現(xiàn)雙套管連接器部件的準(zhǔn)確定位。

a、HOG特征的提取過(guò)程如圖1所示。每一個(gè)檢測(cè)窗口圖像按空間位置被均勻分成若干個(gè)細(xì)胞單元(Cell)，每個(gè)細(xì)胞單元的大小為8×8像素。對(duì)于每一個(gè)像素點(diǎn)I(x,y)，采用簡(jiǎn)單的一階模板在細(xì)胞單元中計(jì)算梯度大小m(x,y)和方向θ(x,y)。

b、在細(xì)胞單元內(nèi)，按預(yù)先設(shè)定的量化間隔統(tǒng)計(jì)梯度直方圖，梯度方向?qū)?°～360°分為9個(gè)方向塊，每個(gè)方向塊大小為20°左右時(shí)檢測(cè)效果最好。將每四個(gè)相鄰的細(xì)胞單元按滑動(dòng)的方式合并為一個(gè)塊(block)，相鄰的塊會(huì)有細(xì)胞單元重疊。對(duì)每一個(gè)細(xì)胞單元計(jì)算HOG積分描述子，將同一塊中4個(gè)細(xì)胞單元的梯度直方圖連接在在一起，形成一個(gè)9×4＝36維的特征向量。為了消除光照變化等帶來(lái)的影響，在一個(gè)塊內(nèi)進(jìn)行直方圖歸一化，如式2。

其中，ε為一個(gè)很小的常數(shù)，目的是避免分母為0。歸一化后的特征向量v對(duì)應(yīng)于一個(gè)塊的HOG積分描述子。

c、AdaBoost算法中，被錯(cuò)分樣本的權(quán)值依靠因子β_t增加，使得該樣本對(duì)下一個(gè)弱分類器的影響變大。AdaBoost算法采用加權(quán)多數(shù)表決的原則，即對(duì)錯(cuò)誤率較低的分類器賦予較高的權(quán)值，使得它們?cè)跊Q策中發(fā)揮更大的作用。

定位過(guò)程中，檢測(cè)窗口在待檢測(cè)圖像表面滑動(dòng)，計(jì)算窗口內(nèi)圖像的HOG特征，將特征向

量通過(guò)級(jí)聯(lián)分類器，若其中某一子分類器判定為非檢測(cè)目標(biāo)，則該窗口被拒絕，不進(jìn)入下一

個(gè)分類器的判定。如果窗口包含檢測(cè)目標(biāo)，則會(huì)通過(guò)每一級(jí)AdaBoost分類器，直到最后一級(jí)。

隨著級(jí)聯(lián)分類器中的后幾層AdaBoost分類器包含的弱分類器個(gè)數(shù)增加，訓(xùn)練時(shí)間大大增加且學(xué)習(xí)難度增大容易造成過(guò)度擬合，因此分類效率降低。在級(jí)聯(lián)的AdaBoost分類器后再級(jí)聯(lián)SVM分類器，以降低誤匹配率。支持向量機(jī)是一種二類分類模型。SVM學(xué)習(xí)目標(biāo)是解決訓(xùn)練數(shù)據(jù)集線性不可分時(shí)尋找最優(yōu)分類超平面的問(wèn)題，即式3中的凸二次規(guī)劃問(wèn)題：

B、雙套管連接器的分割。

Step1為了便于分析雙套管連接器大螺母的工作狀態(tài)，首先通過(guò)對(duì)提取到的雙套管連接器圖像進(jìn)行平滑濾波和增強(qiáng)對(duì)比度的處理，使得套管連接的平腕臂和斜腕臂的兩側(cè)邊緣更接近直線段，以便于確定分割點(diǎn)。

Step2利用Hough變換檢測(cè)直線，提取Hough矩陣中前5個(gè)灰度峰值點(diǎn)，取角度小于30°的峰值點(diǎn)的平均值作為平腕臂的兩側(cè)邊緣平行線段的傾角，并將平腕臂旋轉(zhuǎn)至水平方向。

Step3選用Canny算子對(duì)旋轉(zhuǎn)后的圖像檢測(cè)邊緣，并對(duì)同一縱坐標(biāo)上的像素點(diǎn)的灰度值累加得到統(tǒng)計(jì)曲線。曲線中像素累加值的兩個(gè)最大值分別為平腕臂的兩個(gè)邊緣。根據(jù)像素累加值最大值對(duì)應(yīng)的水平坐標(biāo)確定平腕臂的分割直線。

Step4將剪切后的圖像根據(jù)平腕臂的傾角旋轉(zhuǎn)回原來(lái)的方向。取Hough矩陣角度大于45°的峰值點(diǎn)的傾角平均值作為斜腕臂的傾角，并將斜腕臂旋轉(zhuǎn)至豎直方向。

Step5選用Canny算子對(duì)旋轉(zhuǎn)后的圖像檢測(cè)邊緣，并對(duì)同一橫坐標(biāo)上的像素點(diǎn)的灰度值累加得到統(tǒng)計(jì)曲線。曲線中像素累加值的兩個(gè)最大值分別為斜腕臂的兩個(gè)邊緣。根據(jù)像素累加值最大值對(duì)應(yīng)的水平坐標(biāo)確定斜腕臂的分割直線。

C、六邊形大螺母脫落不良狀態(tài)的檢測(cè)

由于六邊形大螺母尺寸較大，綜合檢測(cè)車在不同位置拍攝時(shí)會(huì)拍攝金屬零件時(shí)會(huì)產(chǎn)生反光，光斑太大難以通過(guò)濾波等方式消除，也難以通過(guò)統(tǒng)一模板進(jìn)行檢測(cè)。但由于光斑出現(xiàn)的位置有一定的規(guī)律，本發(fā)明抓住了橫向灰度值變化的特點(diǎn)，采用了橫向灰度奇異值檢測(cè)的方法實(shí)現(xiàn)六邊形螺母脫落的檢測(cè)。

由于小波變換具有空間局部化性質(zhì)，因此利用小波變換來(lái)分析信號(hào)的奇異性及奇異性位置是比較有效的。小波變換的模極大值點(diǎn)與信號(hào)的奇異性的確切關(guān)系可根據(jù)Lipschitz指數(shù)判定。函數(shù)在某一點(diǎn)的Lipschitz指數(shù)γ表征了該點(diǎn)的奇異性大小。γ越大，該點(diǎn)平滑度就越高；反之，該點(diǎn)奇異性越大。

若函數(shù)f(t)在區(qū)間[t₁,t₂]中|W_f(a,t)|≤ka^γ成立，k為常數(shù)，則γ值恒定。奇異點(diǎn)t₀的γ值小于(t₀,ε)內(nèi)其他點(diǎn)的γ值，當(dāng)a→0時(shí)t₀處小波變換值衰減最慢，(t₀,ε)內(nèi)其他點(diǎn)的小波變換值不斷收斂，使得t₀處小波變換值成為模極大值，從而信號(hào)的奇異性檢測(cè)轉(zhuǎn)變?yōu)樾〔ㄗ儞Q的模極大值檢測(cè)。

正常工作的大螺母所在套管連接器的橫向灰度值具有一定的規(guī)律，即大螺母處較為暗黑，而大螺母周圍較為高亮，大螺母的周圍是灰度的跳變點(diǎn)。而脫落的大螺母會(huì)使暗黑處消失，灰度值變化較為平緩，不存在較大的灰度跳變點(diǎn)。由于小波變換所得小波系數(shù)數(shù)值的大小取決于信號(hào)在奇異點(diǎn)附近的特性以及小波變換所選取的尺度,在較小的尺度上,它提供了信號(hào)的局部化性質(zhì)。因此,橫向灰度值信號(hào)在突變點(diǎn)的奇異性可通過(guò)小波變換模的局部極大值來(lái)描述。模極大值的檢測(cè)過(guò)程：

1)在圖像進(jìn)行橫向基線標(biāo)定，基線上像素點(diǎn)與小波高斯函數(shù)卷積，進(jìn)行圖像的小波變換。為避免光斑的干擾，將基線設(shè)置于光斑的切線以上。

2)計(jì)算每個(gè)像素點(diǎn)的模值，并求出圖像小波變換后的模極大值點(diǎn)；

3)對(duì)模極大值進(jìn)行歸一化處理；

4)設(shè)定閾值，去除較小的模極大值點(diǎn)；

5)找出模極大值區(qū)域間離散時(shí)間間距，進(jìn)行相關(guān)比較分析，從而檢測(cè)異常區(qū)域。