本發(fā)明涉及鐵路接觸網(wǎng)檢測領(lǐng)域，具體是指基于圖像處理和卷積神經(jīng)網(wǎng)絡(luò)的鐵路接觸網(wǎng)缺陷檢測方法。
背景技術(shù)：
隨著高速鐵路運輸技術(shù)的進(jìn)一步發(fā)展及其廣泛應(yīng)用，高鐵接觸網(wǎng)作為向機車提供電能的重要設(shè)施，其是否處于安全工作狀態(tài)也越來越受到關(guān)注。為了保證接觸網(wǎng)處于良好工作狀態(tài)，以利于電氣化鐵道的安全運營，需要盡快發(fā)現(xiàn)并處理接觸網(wǎng)中出現(xiàn)的故障。實際中，高鐵接觸網(wǎng)故障主要由零部件的松、脫、缺、裂等造成。接觸網(wǎng)各個器件對供電安全有至關(guān)重要的作用，其缺陷識別與故障排查就成為鐵路運營重要一環(huán)。
目前，高鐵接觸網(wǎng)的檢測主要靠人工夜間爬桿作業(yè)進(jìn)行檢查。這種方法不但對于作業(yè)人員有較高的要求，且不夠安全可靠，檢查速度慢，效率低。也有輔助設(shè)備在夜間進(jìn)行圖像自動拍攝，并采用人工對圖像進(jìn)行逐一分析，此種方法的問題在于，圖像數(shù)據(jù)是海量數(shù)據(jù)，視場較寬，對每一器件逐一分析，耗時長，效率低。
技術(shù)實現(xiàn)要素：
本發(fā)明提供了基于圖像處理和卷積神經(jīng)網(wǎng)絡(luò)的鐵路接觸網(wǎng)缺陷檢測方法，該方法安全可靠，人力成本少，檢測速度快，檢測效率高，誤報率低，漏報率低，運行成本低，不會出現(xiàn)夜間作業(yè)疲勞嗜睡現(xiàn)象。
本發(fā)明通過下述技術(shù)方案實現(xiàn)：
基于圖像處理和卷積神經(jīng)網(wǎng)絡(luò)的鐵路接觸網(wǎng)缺陷檢測方法，所述方法步驟如下：
步驟一：輸入多張有缺陷的樣本圖像和多張無缺陷的樣本圖像，并對樣本圖像對比度進(jìn)行拉伸增強；
步驟二：選擇樣本圖像中檢測部件附近的大器件作為匹配特征；
步驟三：在無缺陷的樣本圖像中選擇一張作為標(biāo)準(zhǔn)圖像，標(biāo)準(zhǔn)圖像的判斷方法為：該圖像的匹配特征和檢測部件在該標(biāo)準(zhǔn)圖像中清晰可見；
步驟四：將標(biāo)準(zhǔn)圖像以外的樣本圖像的匹配特征與標(biāo)準(zhǔn)圖像的匹配特征進(jìn)行對比匹配，實現(xiàn)樣本圖像的粗定位，并得到相應(yīng)的中心行列坐標(biāo)、旋轉(zhuǎn)角度、縮放系數(shù)和匹配分?jǐn)?shù)；
步驟五：根據(jù)步驟四得到的數(shù)值，對匹配成功的樣本圖像，進(jìn)行旋轉(zhuǎn)縮放處理和歸一化處理，處理完成后，裁剪得到檢測部件的圖像；
步驟六：對步驟五中得到的檢測部件圖像采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練，通過不斷校正并保存網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)，最終構(gòu)建好相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)，并確定好相應(yīng)的缺陷設(shè)定分?jǐn)?shù)；
步驟七：拍攝實際圖像，使用線性變換對實際圖像對比度進(jìn)行拉伸增強，將實際圖像的匹配特征與標(biāo)準(zhǔn)圖像的匹配特征進(jìn)行對比匹配，實現(xiàn)實際圖像的粗定位，并得到相應(yīng)的中心行列坐標(biāo)、旋轉(zhuǎn)角度、縮放系數(shù)和匹配分?jǐn)?shù)，根據(jù)該數(shù)值，對匹配成功的實際圖像進(jìn)行旋轉(zhuǎn)縮放處理和歸一化處理，處理完成后，裁剪得到實際圖像的待檢測部件圖像；
步驟八：利用步驟六中構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)，將步驟七中實際圖像的待檢測部件圖像帶入其中，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行向前運算，得到相應(yīng)分?jǐn)?shù)，如果該缺陷分?jǐn)?shù)大于缺陷設(shè)定分?jǐn)?shù)，則認(rèn)為有缺陷，如果該缺陷小于或等于缺陷設(shè)定分?jǐn)?shù)，則認(rèn)為無缺陷。
該方法安全可靠，人力成本少，檢測速度快，檢測效率高，誤報率低，漏報率低，運行成本低，不會出現(xiàn)夜間作業(yè)疲勞嗜睡現(xiàn)象。
進(jìn)一步的，所述步驟四和步驟七中的匹配過程包括離線階段和在線階段，離線階段使用canny濾波器處理標(biāo)準(zhǔn)圖像匹配特征，并計算出區(qū)域內(nèi)邊緣點的方向向量；在線階段使用金字塔分層搜索策略，首先在圖像金字塔最頂層遍歷搜索進(jìn)行相似性度量匹配，設(shè)目標(biāo)模板像素點為pi＝(ri,ci)T，相應(yīng)的方向向量為di＝(ti,ui)T,i＝1,2,…,n，方向向量通過Canny濾波后計算得到，搜索圖像也使用Canny濾波后計算出每個點(r,c)的方向向量er,c＝(vr,c,wr,c)T，將模板進(jìn)行仿射變換，并將仿射變化的平移部分分離，變換后的模板點為p′i＝Api，相應(yīng)的方向向量為d′i＝Adi，A為二階標(biāo)準(zhǔn)旋轉(zhuǎn)矩陣。在搜索圖像某個特定點q＝(r,c)T處，模板與搜索圖像進(jìn)行匹配，計算變換后模板中所有點的歸一化方向向量和搜索圖像相應(yīng)處的歸一化方向向量的點積的總和，并以此作為匹配分值，即變換后的模板在q點的相似度量，相似度量的計算公式為：
并返回潛在匹配點中心行列坐標(biāo)(ModelRow，ModelColumn)、匹配分值ModelScore、縮放系數(shù)ModelScale和旋轉(zhuǎn)角度ModelAngle。
其中，匹配分?jǐn)?shù)閾值ThresholdScore＝smin＝0.5。
根據(jù)模板圖像采用變換矩陣的方式將所述支持定位裝置圖像進(jìn)行空間域變換；變換矩陣HomMat2DGlobal為：
HomMat2DGlobal＝HomMat2DScale*HomMat2DRotat
其中，HomMat2DScale表示縮放變換矩陣，HomMat2DRotate表示旋轉(zhuǎn)變換矩陣；
縮放變換矩陣HomMat2DScale為：
其中，ModelScale表示支持定位裝置圖像相對于模板圖像的縮放系數(shù)；
旋轉(zhuǎn)變換矩陣HomMat2DRotate為：
其中，phi表示待匹配圖像歸一化時，支持定位裝置圖像相對于模板圖像的旋轉(zhuǎn)角度，即phi＝ModelAngle。
進(jìn)一步的，所述步驟五和步驟七中裁剪的具體方法為：以待檢測部件中心為中心，左右各延伸多個像素，上下各延伸多個像素，得到待檢測部件圖像。該像素個數(shù)根據(jù)待檢測部件的大小確定，待檢測部件越大，相數(shù)個數(shù)越多。
進(jìn)一步的，所述步驟一和步驟七中拉伸增強的方式為線性變換。具體實現(xiàn)為：
g’＝g×Mult+Add
Mult＝255/(GMax-GMin)
Add＝Mult×GMin
其中，g為增強處理前圖像中像素點的灰度值，g′為增強處理后結(jié)果圖像灰度值；Mult為線性變換系數(shù)，Add為線性變換增量，GMax和GMin分別表示增強處理前圖像中的最大灰度值和最小灰度值。
進(jìn)一步的，所述卷積神經(jīng)網(wǎng)絡(luò)采用Googlenet模型、Alexnet模型、VGGnet模型或lenet模型。以其能實現(xiàn)判斷較準(zhǔn)確為選擇依據(jù)。
進(jìn)一步的，所述步驟七中拍攝實際圖像采用非接觸相機成像。可以將相機裝在用于檢測的火車上進(jìn)行拍攝，也可以采用其他方法進(jìn)行拍攝，以成像清晰，拍攝速度快，節(jié)約成本為標(biāo)準(zhǔn)進(jìn)行選擇。
本發(fā)明與現(xiàn)有技術(shù)相比，具有的有益效果為：
(1)本發(fā)明安全可靠，人力成本少，檢測速度快，檢測效率高，誤報率低，漏報率低，運行成本低，不會出現(xiàn)夜間作業(yè)疲勞嗜睡現(xiàn)象。
(2)本發(fā)明圖像處理過程可使用計算機處理，智能化程度高。
具體實施方式
下面結(jié)合實施例對本發(fā)明作進(jìn)一步地詳細(xì)說明，但本發(fā)明的實施方式不限于此。
實施例1：
基于圖像處理和卷積神經(jīng)網(wǎng)絡(luò)的鐵路接觸網(wǎng)缺陷檢測方法，所述方法步驟如下：
步驟一：輸入多張有缺陷的樣本圖像和多張無缺陷的樣本圖像，并對樣本圖像對比度進(jìn)行拉伸增強；
步驟二：選擇樣本圖像中檢測部件附近的大器件作為匹配特征；
步驟三：在無缺陷的樣本圖像中選擇一張作為標(biāo)準(zhǔn)圖像，標(biāo)準(zhǔn)圖像的判斷方法為：該圖像的匹配特征和檢測部件在該標(biāo)準(zhǔn)圖像中清晰可見；
步驟四：將標(biāo)準(zhǔn)圖像以外的樣本圖像的匹配特征與標(biāo)準(zhǔn)圖像的匹配特征進(jìn)行對比匹配，實現(xiàn)樣本圖像的粗定位，并得到相應(yīng)的中心行列坐標(biāo)、旋轉(zhuǎn)角度、縮放系數(shù)和匹配分?jǐn)?shù)；
步驟五：根據(jù)步驟四得到的數(shù)值，對匹配成功的樣本圖像，進(jìn)行旋轉(zhuǎn)縮放處理和歸一化處理，處理完成后，裁剪得到檢測部件的圖像；
步驟六：對步驟五中得到的檢測部件圖像采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練，通過不斷校正并保存網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)，最終構(gòu)建好相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)，并確定好相應(yīng)的缺陷設(shè)定分?jǐn)?shù)；
步驟七：拍攝實際圖像，使用線性變換對實際圖像對比度進(jìn)行拉伸增強，將實際圖像的匹配特征與標(biāo)準(zhǔn)圖像的匹配特征進(jìn)行對比匹配，實現(xiàn)實際圖像的粗定位，并得到相應(yīng)的中心行列坐標(biāo)、旋轉(zhuǎn)角度、縮放系數(shù)和匹配分?jǐn)?shù)，根據(jù)該數(shù)值，對匹配成功的實際圖像進(jìn)行旋轉(zhuǎn)縮放處理和歸一化處理，處理完成后，裁剪得到實際圖像的待檢測部件圖像；
步驟八：利用步驟六中構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)，將步驟七中實際圖像的待檢測部件圖像帶入其中，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行向前運算，得到相應(yīng)分?jǐn)?shù)，如果該缺陷分?jǐn)?shù)大于缺陷設(shè)定分?jǐn)?shù)，則認(rèn)為有缺陷，如果該缺陷小于或等于缺陷設(shè)定分?jǐn)?shù)，則認(rèn)為無缺陷。
該方法安全可靠，人力成本少，檢測速度快，檢測效率高，誤報率低，漏報率低，運行成本低，不會出現(xiàn)夜間作業(yè)疲勞嗜睡現(xiàn)象。
實施例2：
本實施例在實施例1的基礎(chǔ)上做進(jìn)一步改進(jìn)，所述步驟四和步驟七中的匹配過程包括離線階段和在線階段，離線階段使用canny濾波器處理標(biāo)準(zhǔn)圖像匹配特征，并計算出區(qū)域內(nèi)邊緣點的方向向量；在線階段使用金字塔分層搜索策略，首先在圖像金字塔最頂層遍歷搜索進(jìn)行相似性度量匹配，設(shè)目標(biāo)模板像素點為pi＝(ri,ci)T，相應(yīng)的方向向量為di＝(ti,ui)T,i＝1,2,…,n，方向向量通過Canny濾波后計算得到，搜索圖像也使用Canny濾波后計算出每個點(r,c)的方向向量er,c＝(vr,c,wr,c)T，將模板進(jìn)行仿射變換，并將仿射變化的平移部分分離，變換后的模板點為p′i＝Api，相應(yīng)的方向向量為d′i＝Adi，A為二階標(biāo)準(zhǔn)旋轉(zhuǎn)矩陣。在搜索圖像某個特定點q＝(r,c)T處，模板與搜索圖像進(jìn)行匹配，計算變換后模板中所有點的歸一化方向向量和搜索圖像相應(yīng)處的歸一化方向向量的點積的總和，并以此作為匹配分值，即變換后的模板在q點的相似度量，相似度量的計算公式為：
并返回潛在匹配點中心行列坐標(biāo)(ModelRow，ModelColumn)、匹配分值ModelScore、縮放系數(shù)ModelScale和旋轉(zhuǎn)角度ModelAngle。
其中，匹配分?jǐn)?shù)閾值ThresholdScore＝smin＝0.5。
根據(jù)模板圖像采用變換矩陣的方式將所述支持定位裝置圖像進(jìn)行空間域變換；變換矩陣HomMat2DGlobal為：
HomMat2DGlobal＝HomMat2DScale*HomMat2DRotat
其中，HomMat2DScale表示縮放變換矩陣，HomMat2DRotate表示旋轉(zhuǎn)變換矩陣；
縮放變換矩陣HomMat2DScale為：
其中，ModelScale表示支持定位裝置圖像相對于模板圖像的縮放系數(shù)；
旋轉(zhuǎn)變換矩陣HomMat2DRotate為：
其中，phi表示待匹配圖像歸一化時，支持定位裝置圖像相對于模板圖像的旋轉(zhuǎn)角度，即phi＝ModelAngle。
所述步驟五和步驟七中裁剪的具體方法為：以待檢測部件中心為中心，左右各延伸多個像素，上下各延伸多個像素，得到待檢測部件圖像。該像素個數(shù)根據(jù)待檢測部件的大小確定，待檢測部件越大，相數(shù)個數(shù)越多。
所述步驟一和步驟七中拉伸增強的方式為線性變換。具體實現(xiàn)為：
g’＝g×Mult+Add
Mult＝255/(GMax-GMin)
Add＝Mult×GMin
其中，g為增強處理前圖像中像素點的灰度值，g′為增強處理后結(jié)果圖像灰度值；Mult為線性變換系數(shù)，Add為線性變換增量，GMax和GMin分別表示增強處理前圖像中的最大灰度值和最小灰度值。
所述卷積神經(jīng)網(wǎng)絡(luò)采用Googlenet模型、Alexnet模型、VGGnet模型或lenet模型。以其能實現(xiàn)判斷較準(zhǔn)確為選擇依據(jù)。
所述步驟七中拍攝實際圖像采用非接觸相機成像。可以將相機裝在用于檢測的火車上進(jìn)行拍攝，也可以采用其他方法進(jìn)行拍攝，以成像清晰，拍攝速度快，節(jié)約成本為標(biāo)準(zhǔn)進(jìn)行選擇。
本實施例的其他部分與實施例1相同，不再贅述。
以上所述，僅是本發(fā)明的較佳實施例，并非對本發(fā)明做任何形式上的限制，凡是依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施例所作的任何簡單修改、等同變化，均落入本發(fā)明的保護(hù)范圍之內(nèi)。