一种基于图像处理的受电弓状态检测装置及方法

1.本发明属于城市轨道交通安全工程技术领域，特别是一种基于图像处理的受电弓状态检测装置及方法。


背景技术：

2.在城市化的快速发展中，城市交通面临着巨大的压力和挑战。城市轨道交通以其高安全性、高速度、高准点率、大客流、强舒适性等优势，成为缓解大城市交通压力的首选。轨道交通的网络化运营，对弓网系统的安全性和稳定性提出了更高要求。受电弓是用于为列车获取动力源的关键电气设备，其状态的好坏对列车的安全运营有着重大的影响。因此，受电弓的状态监测对于降低受电弓故障的概率具有重要意义。
3.受电弓状态的检测是城轨列车车辆日常检测的一项重要指标，目前，受电弓状态的主要检测方法仍为人工检测法，但该方法需人工登顶检测受电弓，检测效率低、安全性差且检测结果受人为因素影响较大。随着图像处理技术和机器视觉测量技术的飞速发展，基于图像处理的列车受电弓状态检测已成为一种行之有效的方法。但在实际应用中受闪光灯打光质量、受电弓复杂的背景环境和滑板污迹等因素的影响，受电弓图像的处理难度较大，进而影响检测精度较低。同时，现有技术更多关注的是滑板磨耗的检测，对整体受电弓状态的分析较少。


技术实现要素：

4.本发明目的在于提供一种简单高效、精确可靠的受电弓状态检测装置及方法，实现受电弓状态的智能化检测。
5.实现本发明目的的技术解决方案为：一种基于图像处理的受电弓状态检测装置，包括现场触发模块、图像采集模块和图像处理模块，其中：
6.所述现场触发模块，用于对受电弓滑板的位置进行定位，并提供相机的触发信号；
7.所述图像采集模块，采集运行中的列车受电弓图片并传输给图像处理模块；
8.所述图像处理模块，接收实时受电弓图像，采用图像处理技术对实时受电弓图像进行分析，对受电弓羊角是否缺失、受电弓运行姿态及滑板磨损状态进行分析，得到受电弓的实时状态信息并存储。
9.一种基于图像处理的受电弓状态检测方法，该方法采用所述的基于图像处理的受电弓状态检测装置，具体步骤如下：
10.s1：提取受电弓全弓图片，对羊角是否缺失进行检测；
11.s2：提取左、右羊角边界点，分析受电弓的运行姿态；
12.s3：提取受电弓滑板图片，采用行灰度和定位算法和图像处理技术获取滑板的磨损曲线，分析滑板的磨损状态；
13.s4：根据羊角检测结果、受电弓运行姿态结果和滑板磨损状态结果，对受电弓的状态进行评判。
14.本发明与现有技术相比，其显著优点为：
15.(1)本发明对受电弓状态的分析更加系统化，不仅仅对滑板状态进行分析，还对羊角缺失、受电弓运行姿态进行分析；
16.(2)本发明在对滑板边缘提取之前增加了滑板定位环节，能够有效较少背景环境的干扰，进一步提高了检测准确性；
17.(3)本发明所述受电弓状态检测装置，检测准确性和稳定性较好，能够缩减人工检修时间，优化检修流程，进一步提高了受电弓检修的效率和可靠性。
附图说明
18.图1是本发明中受电弓状态检测装置模块图。
19.图2是本发明中磁钢传感器安装距离设计示意图。
20.图3是本发明中受电弓滑板与定位车轴示意图。
21.图4是本发明中图像采集模块安装示意图。
22.图5是本发明中受电弓状态检测方法流程图。
23.图6是本发明中受电弓运行姿态分析结果图。
24.图7是本发明中受电弓滑板精确定位图。
25.图8是本发明中受电弓滑板剩余磨损厚度曲线图。
26.图9是本发明中受电弓滑板磨损变化量图。
具体实施方式
27.本发明提供一种基于图像处理的受电弓状态检测装置，包括现场触发模块、图像采集模块和图像处理模块，其中：
28.所述现场触发模块，用于受电弓滑板的位置进行精确定位并提供相机的触发信号；
29.所述图像采集模块，负责采集运行中的列车受电弓图片并传输给图像处理模块；
30.所述图像处理模块，接收实时受电弓图像，采用图像处理技术对实时受电弓图像进行分析，对受电弓羊角是否缺失、受电弓运行姿态及滑板磨损状态进行分析，得到受电弓的实时状态信息并存储。
31.进一步的，所述现场触发模块，主要包括plc和磁钢传感器，其中：
32.plc安装于轨旁控制箱，用于现场设备的实时控制；
33.磁钢传感器安装于钢轨内侧，用于对受电弓滑板位置进行精确定位，采用一个磁钢定位一根滑板的方案，当磁钢传感器检测到定位车轴时触发相机拍照，磁钢传感器的安装距离计算如下：
34.假设目标滑板与定位车轴的距离为l1，相机拍摄距离为l2，以相机镜头位置为起点位置，沿着列车前进方向，若目标滑板在定位车轴前面，磁钢传感器安装距离为l2-l1，若滑板在定位车轴后面，则磁钢传感器安装距离为l2 l1，考虑实际现场轨枕的位置干涉问题，需增加备选定位车轴进行安装距离的计算。
35.进一步的，所述图像采集模块包括正、反相机模组，每组包含一台中心线相机和两台磨耗相机，安装于接触网上方，采用俯拍的方式采集受电弓图片，其中中心线相机拍摄全
弓图片，磨耗相机拍摄滑板图片；所述正、反相机模组，正相机模组拍摄受电弓进入检测区域时的受电弓及滑板图片，反相机模组拍摄受电弓离开检测区域时的受电弓及滑板图片，正反相机模组相互配合完成受电弓及装配滑板的图片采集。
36.本发明还提供一种基于图像处理的受电弓状态检测方法，具体步骤如下：
37.s1：提取受电弓全弓图片，对羊角是否缺失进行检测；
38.s2：提取左、右羊角边界点，分析受电弓的运行姿态；
39.s3：提取受电弓滑板图片，采用行灰度和定位算法和图像处理技术获取滑板的磨损曲线，分析滑板的磨损状态；
40.s4：根据羊角检测结果、受电弓运行姿态结果和滑板磨损状态结果，对受电弓的状态进行评判。
41.进一步的，步骤s1所述对羊角是否缺失进行检测，具体过程如下：
42.s11：基于相机的触发方案和列车的ato自动驾驶模式，根据经验设置上下阈值，实现受电弓的定位；
43.s12：对于定位后的受电弓图片，依次进行高斯滤波、canny边缘检测以及hough变换，根据羊角边缘角度及位置信息对羊角的边缘直线进行检测，通过分析羊角边缘直线是否存在实现羊角缺失的检测，假设左、右羊角边缘直线分别记为l
left
、l
right
，直线l
left
的端点分别为(u
left1
,v
left1
)、(u
left2
,v
left2
)，角度为θ
left
，直线l
right
端点分别为(u
right1
,v
right1
)、(u
right2
,v
right2
)，角度为θ
right
，羊角边缘直线的筛选条件如下：
[0044][0045][0046]
进一步的，步骤s2所述提取左、右羊角边界点，具体过程如下：
[0047]
s21：基于步骤s12，对羊角进行定位，提取直线l
left
、l
right
的中心点，并以该点为基准点设置固定宽度和高度的矩形窗口，实现羊角的定位；
[0048]
s22：羊角定位后，采用基于滑动窗口的角点检测方法对左右羊角的边界点进行检测，具体如下：
[0049]
提取左羊角定位区域qy
left
左下角像素点坐标，以该左下角像素点为起始点，采用3
×
3滑动窗口，当前点位于窗口左下角，按照纵向从下往上，横向从左往右的方向，逐个扫描qy
left
的像素点，并统计滑动窗口内的边缘点数量n，当n＞3且(i,j)、(i 1,j)、(i 2,j)都为边缘点时，停止边缘点扫描工作，认为点(i,j)为左羊角的边界点，记为(u
left3
,v
left3
)；
[0050]
提取右羊角定位区域qy
right
右下角像素点坐标，以该右下角像素点为起始点，采用3
×
3滑动窗口，当前点位于窗口右下角，按照纵向从下往上，横向从右往左的方向，逐个扫描qy
right
的像素点，并统计滑动窗口内的边缘点数量n，当n＞3且(i,j)、(i-1,j)、(i-2,j)都为边缘点时，停止边缘点扫描工作，认为点(i,j)为右羊角的边界点，记为(u
right3
,v
right3
)。
[0051]
进一步的，步骤s2所述分析受电弓的运行姿态，具体如下：
[0052]
基于步骤s22提取的左、右羊角边界点，相机标定后采用受电弓中心线偏移值、受电弓垂直高度差以及受电弓水平度这三个指标对受电弓的运行姿态进行分析，具体指标定
义如下：
[0053]
中心线偏移值：
[0054]
垂直高度差：py＝y
left-y
right-y_base
[0055]
水平度：
[0056]
式中，(x
left
,y
left
)、(x
right
,y
right
)分别为(u
left3
,v
left3
)、(u
right3
,v
right3
)相机标定后的坐标值，x_base、y_base和k_base分别为受电弓正常姿态的中心线位置、左右羊角高度差和受电弓弓头连接线的斜率；
[0057]
当中心线偏移值、垂直高度差以及水平度超出设置阈值时，受电弓姿态可能存在异常。
[0058]
进一步的，步骤s3所述分析滑板的磨损状态，具体过程如下：
[0059]
s31：基于经验值实现目标滑板的初步定位，然后采用基于行灰度和的滑板定位技术实现滑板的精确定位；
[0060]
s32：提取滑板磨损区域，采用边缘检测技术实现目标滑板的上下边缘；
[0061]
s33：采用相机标定技术，获取磨损区域内滑板的剩余厚度曲线；
[0062]
s34：根据滑板剩余厚度曲线，对滑板的磨损状态进行分析。
[0063]
进一步的，步骤s31所述采用基于行灰度和的滑板定位技术实现滑板的精确定位，具体过程如下：
[0064]
s311：滑板初定位后，计算行灰度和y1i，判断行灰度和曲线是否存在波谷点，如若不存在波谷点，则滑板定位阈值分别为h1
up
＝h-h_cut,h1
down
＝h，其中h为图像裁剪后的高度，h_cut是根据新滑板高度及单个像素尺寸设计的一个阈值；
[0065]
s312：曲线存在波谷点，采用峰值函数筛选满足条件y1i≤y
t1
的波谷点，并按照行号从小到大的顺序进行排序，记为h1_p1,h1_p2,
…
,h1_pm，其中y
t1
为设计的筛选阈值，m为波谷点的数量，逆序搜索满足式abs(h1_p
k-h)＞ε
t1
m≥1，k∈{1,2,
…
,m}的第一个波谷点作为目标波谷点h1_pk，其中，h为波谷点距图像边界的距离阈值，ε
t1
为偏差阈值，则滑板上、下边界初步分别为h
up
_tmp＝h1_p
k-h_cut、h
down
_tmp＝h1_pk；
[0066]
s313：滑板上、下边界精确定位，滑板初次定位后分别选取包含边界的局部区域计算行灰度和，上下边界精确提取如下：
[0067]
滑板上边界，行灰度和为y2i，筛选满足条件y2i≤y
t2
的数据点{(x21,y21),(x22,y22)
…
,(x2n,y2n)}，其中n为满足条件的数据点数，y
t2
为设计的筛选阈值，根据下式对滑板上边界进行二次定位；
[0068][0069]
滑板下边界，行灰度和为y3i，筛选满足条件y3i≤y
t3
的数据点{(x31,y31),(x32,y32)
…
,(x3n,y3n)}，其中n为满足条件的数据点数，y
t3
为设计的筛选阈值，根据下式对滑板下边界进行二次定位。
[0070][0071]
进一步的，步骤s34所述对滑板的磨损状态进行分析，具体如下：
[0072]
根据滑板剩余厚度曲线，采用最小剩余厚度wm和磨损变化量wv对滑板的状态进行分析，状态评判规则如下：
[0073]
wm＝min(w(x))＜gm,x∈[0,ls]
[0074][0075]
式中，w(x)表示位置x处的滑板磨耗值，ls表示滑板磨损区域的长度，gm是磨耗报警阈值，gv是滑板磨损变化量的报警阈值；xi、x
i 1
分别表示第i、第i 1个位置；
[0076]
当滑板最小剩余厚度wm小于磨耗阈值gm时，滑板存在过磨损状态；
[0077]
当磨损变化量abs(wv)大于阈值gv时，说明滑板磨耗曲线存在超过阈值的上升或者下降的情况，如果磨耗变化量先大于阈值g
wv
，然后在一定的宽度距离内小于g
wv
，则存在沟槽型磨损。
[0078]
下面结合附图及具体实施例对本发明作进一步详细说明。
[0079]
实施例
[0080]
结合图1，一种基于图像处理的受电弓状态检测装置，其特征在于，包括现场触发模块、图像采集模块和图像处理模块；所述现场触发模块，用于受电弓滑板的位置进行精确定位并提供相机的触发信号；所述图像采集模块，负责采集运行中的列车受电弓图片并传输给图像处理模块；所述图像处理模块，接收实时受电弓图像并分析，得到受电弓的实时状态信息并存储。
[0081]
所述现场触发模块，主要包括plc和磁钢传感器，plc安装于轨旁控制箱，用于现场设备的实时控制；磁钢传感器安装于钢轨内侧，用于对受电弓滑板位置进行精确定位，采用一个磁钢定位一根滑板的方案，当磁钢传感器检测到定位车轴时触发相机拍照，磁钢传感器的安装距离计算如下：
[0082]
如图2～图3所示，以列车滑板1为例，定位车轴为第7根轴，列车滑板1与定位车轴的距离为1150mm，相机拍摄距离为3800mm，以相机镜头位置为起点位置，沿着列车前进方向，滑板1在定位车轴前面，磁钢传感器的安装距离为2650mm，同理可求出其余滑板定位磁钢传感器的安装距离；
[0083]
检测列车装备2台受电弓，每台受电弓装配2条滑板，该列车共计4块滑板，分别编号滑板1、滑板2、滑板3和滑板4，滑板1和3以第7根车轴为定位车轴，对应磁钢传感器的安装距离分别为2650mm和5250mm，滑板2和4以第17根车轴为定位车轴，对应磁钢传感器的安装距离分别为2950mm和4950mm；
[0084]
考虑实际现场轨枕的位置干涉问题，需增加备选定位车轴进行安装距离的计算，滑板1和3以第8根车轴为备选定位车轴，对应磁钢传感器安装距离分别为4950mm和2950mm，滑板2和4以第18根车轴为备选定位车轴，对应磁钢传感器安装距离分别为5250mm和2650mm。
[0085]
所述图像采集模块包括正反相机模组，如图4所示，每组包含一台中心线相机和两
台磨耗相机，安装于接触网上方，采用俯拍的方式采集受电弓图片，其中中心线相机拍摄全弓图片，磨耗相机拍摄滑板图片；所述正反相机模组，正相机模组拍摄受电弓进入检测区域时的受电弓及滑板图片，反相机模组拍摄受电弓离开检测区域时的受电弓及滑板图片，正反相机模组相互配合完成受电弓及其装配滑板的图片采集。
[0086]
所述图像处理模块，采用图像处理技术对实时受电弓图像进行分析，对受电弓羊角是否缺失、受电弓运行姿态及滑板磨损状态进行分析并存储。
[0087]
结合图5，一种基于图像处理的受电弓状态检测方法，其特征在于，具体步骤如下：
[0088]
s1：提取受电弓全弓图片，对羊角是否缺失进行检测；
[0089]
s2：提取左右羊角边界点，分析受电弓的运行姿态；
[0090]
s3：提取受电弓滑板图片，采用行灰度和定位算法和图像处理技术获取滑板的磨损曲线，分析滑板的磨损状态；
[0091]
s4：获取上述步骤羊角检测结果、受电弓运行姿态结果和滑板磨损状态结果，对受电弓的状态进行评判。
[0092]
步骤s1所述羊角缺失检测，具体过程如下：
[0093]
s11：基于相机的触发方案和列车的ato自动驾驶模式，根据经验设置上下阈值，实现受电弓的定位，设置阈值为row_up＝380，row_down＝680；
[0094]
s12：对于定位后的受电弓图片，依次进行高斯滤波、canny边缘检测以及hough变换，根据羊角边缘角度及位置信息对羊角的边缘直线进行检测，通过分析羊角边缘直线是否存在实现羊角缺失的检测，假设左、右羊角边缘直线分别记为l
left
、l
right
，直线l
left
的端点分别为(u
left1
,v
left1
)、(u
left2
,v
left2
)，角度为θ
left
，直线l
right
端点分别为(u
right1
,v
right1
)、(u
right2
,v
right2
)，角度为θ
right
，羊角边缘直线的筛选条件如下：
[0095][0096][0097]
步骤s2所述羊角边界点提取，具体过程如下：
[0098]
s21：基于步骤s12，对羊角进行定位，提取直线l
left
、l
right
的中心点，并以该点为基准点设置固定宽度和高度的矩形窗口，实现羊角的定位，设置矩形窗口宽度和高度都为100个像素点；
[0099]
s22：羊角定位后，采用基于滑动窗口的角点检测方法对左右羊角的边界点进行检测，具体如下：
[0100]
提取左羊角定位区域qy
left
左下角像素点坐标，以该点为起始点，采用3
×
3滑动窗口，当前点位于窗口左下角，按照纵向从下往上，横向从左往右的方向，逐个扫描qy
left
的像素点，并统计滑动窗口内的边缘点数量n，当n＞3且(i,j)、(i 1,j)、(i 2,j)都为边缘点时，停止边缘点扫描工作，认为点(i,j)为左羊角的边界点，记为(u
left3
,v
left3
)；
[0101]
提取右羊角定位区域qy
right
右下角像素点坐标，以该点为起始点，采用3
×
3滑动窗口，当前点位于窗口右下角，按照纵向从下往上，横向从右往左的方向，逐个扫描qy
right
的像素点，并统计滑动窗口内的边缘点数量n，当n＞3且(i,j)、(i-1,j)、(i-2,j)都为边缘点时，
停止边缘点扫描工作，认为点(i,j)为右羊角的边界点，记为(u
right3
,v
right3
)；
[0102]
羊角边界点提取如图6所示，图6中以红色
☆
表示检测到的左、右羊角边界点，像素坐标分别为(253,223)和(1329,221)。
[0103]
结合图6，步骤s2所述受电弓运行姿态分析，基于步骤s22提取的左、右羊角边界点，相机标定后坐标值分别为(870.5587，-399.3508)、(-642.8516，-409.6961)，采用受电弓中心线偏移值、受电弓垂直高度差以及受电弓水平度这三个指标对受电弓的运行姿态进行分析，中心线偏移值px＝3.4515mm，垂直高度差py＝8.6058mm，水平度pa＝0.3257
°
；
[0104]
对正常受电弓姿态进行统计分析，获取受电弓正常姿态的中心线位置、左右羊角高度差和受电弓弓头连接线的斜率，设置x_base＝117.3051mm、y_base＝1.7391mm、k_base＝0.0012；
[0105]
设置中心线偏移值、垂直高度差和水平度的报警阈值分别为20mm、20mm和5
°
，则该测试受电弓姿态正常。
[0106]
结合图7～图9，以正相机组中左侧相机拍摄的4张滑板图片为例进行滑板磨损状态的分析，分别命名为滑板1、滑板2、滑板3和滑板4。
[0107]
步骤s3所述滑板磨损状态分析，具体过程如下：
[0108]
s31：基于经验值实现目标滑板的初步定位，然后采用基于行灰度和的滑板定位技术实现滑板的精确定位，经验值设置为row_up＝350、row_down＝630、column_left＝1000、column_right＝2050；
[0109]
s32：提取滑板磨损区域，采用边缘检测技术实现目标滑板的上下边缘；
[0110]
s33：采用相机标定技术，获取磨损区域内滑板的剩余厚度曲线；
[0111]
s34：根据滑板剩余厚度曲线，对滑板的磨损状态进行分析。
[0112]
步骤s31所述基于行灰度和的滑板定位技术，以滑板1图片为例进行定位技术的具体分析，滑板定位结果如图7所示，具体分析过程如下：
[0113]
s311：滑板初定位后，计算行灰度和y1i，判断行灰度和曲线是否存在波谷点，如若不存在波谷点，则滑板定位阈值分别为h1
up
＝h-h_cut,h1
down
＝h，其中h＝280为图像裁剪后的高度，h_cut＝110是根据新滑板高度及单个像素尺寸设计的一个阈值；
[0114]
s312：曲线存在波谷点，采用峰值函数筛选满足条件y1i≤y
t1
的波谷点，并按照行号从小到大的顺序进行排序，记为h1_p1,h1_p2,
…
,h1_pm，其中y
t1
＝150000为设计的筛选阈值，m为波谷点的数量，逆序搜索满足式abs(h1_p
k-h)＞ε
t1
m≥1，k∈{1,2,
…
,m}的第一个波谷点作为目标波谷点h1_pk，其中，h为波谷点距图像边界的距离阈值，ε
t1
＝10为偏差阈值，则滑板上、下边界初步分别为h
up
_tmp＝112、h
down
_tmp＝222；
[0115]
s313：滑板上、下边界精确定位，滑板初次定位后分别选取包含边界的局部区域计算行灰度和，上下边界精确提取如下：
[0116]
滑板上边界，行灰度和为y2i，筛选满足条件y2i≤y
t2
的数据点{(x21,y21),(x22,y22)
…
,(x2n,y2n)}，其中n为满足条件的数据点数，y
t2
＝15000为设计的筛选阈值，根据下式对滑板上边界进行二次定位，h
up
＝14；
[0117][0118]
滑板下边界，行灰度和为y3i，筛选满足条件y3i≤y
t3
的数据点{(x31,y31),(x32,
y32)
…
,(x3n,y3n)}，其中n为满足条件的数据点数，y
t3
＝25000为设计的筛选阈值，根据下式对滑板下边界进行二次定位，h
down
＝108。
[0119][0120]
步骤s34所述滑板磨损状态分析，根据滑板剩余厚度曲线，采用最小剩余厚度wm和磨损变化量wv对滑板的状态进行分析，测试所用4根滑板的剩余厚度曲线如图8所示，4根滑板的最小剩余厚度分别为24.61mm、27.42mm、24.77mm和23.31mm，设置报警阈值gm＝20mm，4根滑板均大于gm，则测试滑板不存在过磨损状态；
[0121]
滑板磨损变化量曲线如图9所示，设置磨损量报警阈值gv＝1mm，测试滑板磨损变化量均小于gv，则测试滑板不存在沟槽型磨损。
[0122]
统计羊角检测结果、受电弓运行姿态结果和滑板磨损状态结果，对受电弓的状态进行评判。
[0123]
本发明所述的一种基于图像处理的受电弓状态检测装置及方法的其它结构参见现有技术，在此不再赘述。
[0124]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。