一种受电弓异物检测方法、存储介质及计算机设备技术

本发明专利技术公开了一种受电弓异物检测方法、存储介质及计算机设备，涉及弓网检测技术领域。本发明专利技术将输入的图像进行二值化处理，对二值化处理后的图像进行形态学处理，对形态学处理后的图像进行去噪处理，从去噪处理之后的图像中提取轮廓，并计算轮廓参数，对轮廓参数进行多维度阈值筛选并轮廓原始灰度图进行灰度参数阈值筛选，从而排除一部分非异物图像，然后再经过SVM分类处理，最终识别到受电弓异物图像。本申请的受电弓异物检测方法能适应异物的多样性，适应图像背景的复杂性，在训练SVM模型之前，先通过图像处理方法确定异物候选框，再由形态学筛选和灰度特征筛选滤除部分候选框，保证了漏检率低，提高了SVM的分类效率和精度。

【技术实现步骤摘要】
一种受电弓异物检测方法、存储介质及计算机设备
本专利技术涉及弓网检测
，尤其涉及受电弓检测
，更具体地说涉及一种受电弓异物检测方法、存储介质及计算机设备。
技术介绍
所有轨道交通列车都通过列车受电弓与接触网之间的滑动接触从外部获取电能，弓网间接触关系对列车安全、正常运营至关重要。由于受电弓与接触网特殊的接触关系及结构特点，不便于在运营列车受电弓或接触网上安装测试设备，而且，运营列车一旦发生严重的弓网异常接触或附着异物，在线路区段也不便于登乘车顶检查，需要借助于专门附着设备登乘车顶检查，或者列车换弓维持运行，直接影响到列车正点运行。现有技术中，受电弓运行状态的维护和监测主要是在每天列车入库后由专门技术人员人工检查、登记，判断受电弓外形结构尺寸、升降状态是否正常。但是这种维护方式只能确保受电弓本身是否出现显著异常，不能确保投入运营后能够实现正常的弓网接触关系。另外也可以通过在车顶安装高清摄像机，记录列车运行过程中受电弓状态，但是只能通过人工视频回放方式查看是否出现异常，无法实时评估弓网接触关系状态、是否撞击或附着异物。目前，针对受电弓的异物检测，主要通过图像识别的方式进行检测。当前接触网和受电弓滑板区域的异物检测识别主要有以下缺点：(1)识别率低，由于异物种类的多样性，单独采用传统图像处理方式很难做到识别出不同的异物；(2)误报率高，同样由于异物形式各样，理论上有无限多种可能的异物出现，且异物很可能与检测图像的背景非常相似，同时图像背景相对复杂，如果想用传统的方式去识别尽可能多的异物，将会造成大量的误识别。
技术实现思路
为了克服上述现有技术中存在的缺陷和不足，本申请提供了一种受电弓异物检测方法，本申请的专利技术目的在于解决上述现有技术中异物识别率低，误报率高和图像数据处理量大的问题。本申请的受电弓异物检测方法将输入的图像进行二值化处理，对二值化处理后的图像进行形态学处理，对形态学处理后的图像进行去噪处理，从去噪处理之后的图像中提取轮廓，并计算轮廓参数，对轮廓参数进行多维度阈值筛选并对轮廓原始灰度图进行灰度参数阈值筛选，从而排除一部分非异物图像，然后再经过SVM分类处理，最终识别到受电弓异物图像。本申请的受电弓异物检测方法能适应异物的多样性，适应图像背景的复杂性，经过两次阈值判断滤除了部分图像，大大减少了SVM模型分类的计算量，但同时确保漏检率变低，提高了SVM的分类效率和精度。为了解决上述现有技术中存在的问题，本专利技术是通过下述技术方案实现的：一种受电弓异物检测方法，包括以下步骤：图像处理步骤：采集并读入受电弓滑条区域灰度图像，采用局部自适应二值化方法对受电弓滑条区域图像进行二值化处理，对二值化处理后得到的图像进行形态学处理，对形态学处理后的图像进行去噪处理，在经去噪处理后的图像中搜索连通域，并将连通域的外边界作为轮廓输出；对输出的轮廓的轮廓参数进行计算，所述轮廓参数包括轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高和轮廓宽高比；阈值Ⅰ判断步骤，将图像处理步骤中计算得到的轮廓参数与预先设定的轮廓参数阈值进行对比判断，若输出的轮廓的轮廓参数全部位于轮廓参数阈值内，则将该轮廓判定为疑似异物轮廓并输出至下一步骤，若有任一轮廓参数不在其对应的轮廓参数阈值内，则判定为非异物轮廓；若输入的图像中的轮廓均为非异物轮廓，则更新数据输入下一幅图像重复图像处理步骤和本步骤进行检测；阈值Ⅱ判断步骤，将阈值Ⅰ判断步骤中判定的疑似异物轮廓对应到与其对应的原始输入图像中，在原始输入图像中计算对应该轮廓中的像素灰度均值和方差；并将计算出的灰度均值和方差分别与预先设定的灰度均值阈值和方差阈值进行对比判断，若疑似异物轮廓的灰度均值和方差均位于灰度均值阈值和方差阈值中，则判定该疑似异物轮廓为近似异物轮廓；灰度均值和方差中任一要素不满足灰度均值阈值和方差阈值，则判定该疑似异物轮廓为非异物轮廓；若输入的图像中的疑似异物轮廓均为非异物轮廓，则更新数据输入下一幅图像重复图像处理步骤、阈值Ⅰ判断步骤和本步骤进行检测；SVM分类步骤，对样本图像利用主成分分析法进行降维，利用降维后的数据训练得到SVM分类决策函数；将阈值Ⅱ判断步骤中判定的近似异物轮廓对应到原始图像中，并根据该近似异物轮廓框在原始图形中的位置设置感兴趣区域，然后对感兴趣区域代入到SVM分类决策函数中进行异物或非异物的二分类。所述阈值Ⅰ判断步骤中，预先设定的预先设定的轮廓参数阈值包括轮廓面积阈值、轮廓面积与轮廓框面积比阈值、轮廓宽阈值、轮廓高阈值和轮廓宽高比阈值；轮廓参数阈值、灰度均值阈值和方差阈值是通过在若干张样品图像中手动框出每一张图像中的异物区域，然后经过图像处理步骤得到异物轮廓的轮廓参数、灰度均值和方差，并利用统计学进行统计得到的。所述阈值Ⅰ判断步骤中和阈值Ⅱ判断步骤中的预先设定的轮廓参数阈值、灰度均值阈值和方差阈值是通过下述过程得到的：在若干张样品图像中手动框出每一张图像中的异物区域，然后进行二值化处理、形态学处理、去噪处理和提取轮廓处理，得到若干张异物小图像，再对异物小图像的轮廓进行轮廓参数计算步骤计算轮廓面积Ack、轮廓面积与轮廓框面积比ARck、轮廓宽RWck、轮廓高RHck和轮廓宽高比RWck/RHck；经灰度参数计算步骤计算出异物小图像轮廓在原始图像中对应轮廓的像素灰度均值和方差，利用统计学进行统计进而得到各参数的最大统计值MaxSto和最小统计值MinSto，在统计得到的最大统计值MaxSto和最小统计值MinSto中加入冗余量，即ThrMax＝MaxSto*(1+Ratio1)，ThrMin＝MinSto*(1-Ratio2)，其中Ratio1∈(0,1)，Ratio2∈(0,1)，从而得到轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高、轮廓宽高比、灰度均值和灰度方差的阈值。所述阈值Ⅰ判断步骤和阈值Ⅱ判断步骤中参数阈值中，Ratio1和Ratio2为0.05、0.1或0.2。所述阈值Ⅰ判断步骤和阈值Ⅱ判断步骤中参数阈值中，其中Stof为统计分布满足最大频数的参数值。所述SVM分类决策函数的具体训练过程如下所示：(a)根据已有受电弓图像样本，在其上手动框出异物区域和非异物区域，生成待训练的正负样本，并将每个样本的大小重新调整为M*N，待训练样本集为D＝[D0,D1,...,Di,...,DI-1]，样本标签为y＝[y0,y1,...,yi,...,yI-1]，共有I个样本，且yi∈{-1,+1},-1表示非异物样本，+1表示异物样本；(b)将Di按行重构为首位相接的M*N维列向量xi，从而待训练样本集可写为X＝[x1,x2,...,xI-1]；(c)利用数据集X求取PCA降维矩阵，首先计算出数据集的中心向量u，再用每一个样本减去中心向量，得到去中心样本其中再对去中心样本的协方差矩阵进行特征值分解，其中λ＝[λ0,λ1,...,λM*N-1]为协方差矩阵的特征值，且λ0>λ1>...>λM*N-1，Q＝[q1,q2,...,qM*N-1]为本文档来自技高网...

【技术保护点】
1.一种受电弓异物检测方法，其特征在于：包括以下步骤：/n图像处理步骤：采集并读入受电弓滑条区域灰度图像，采用局部自适应二值化方法对受电弓滑条区域图像进行二值化处理，对二值化处理后得到的图像进行形态学处理，对形态学处理后的图像进行去噪处理，在经去噪处理后的图像中搜索连通域，并将连通域的外边界作为轮廓输出；对输出的轮廓的轮廓参数进行计算，所述轮廓参数包括轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高和轮廓宽高比；/n阈值Ⅰ判断步骤，将图像处理步骤中计算得到的轮廓参数与预先设定的轮廓参数阈值进行对比判断，若输出的轮廓的轮廓参数全部位于轮廓参数阈值内，则将该轮廓判定为疑似异物轮廓并输出至下一步骤，若有任一轮廓参数不在其对应的轮廓参数阈值内，则判定为非异物轮廓；若输入的图像中的轮廓均为非异物轮廓，则更新数据输入下一幅图像重复图像处理步骤和本步骤进行检测；/n阈值Ⅱ判断步骤，将阈值Ⅰ判断步骤中判定的疑似异物轮廓对应到与其对应的原始输入图像中，在原始输入图像中计算对应该轮廓中的像素灰度均值和方差；并将计算出的灰度均值和方差分别与预先设定的灰度均值阈值和方差阈值进行对比判断，若疑似异物轮廓的灰度均值和方差均位于灰度均值阈值和方差阈值中，则判定该疑似异物轮廓为近似异物轮廓；灰度均值和方差中任一要素不满足灰度均值阈值和方差阈值，则判定该疑似异物轮廓为非异物轮廓；若输入的图像中的疑似异物轮廓均为非异物轮廓，则更新数据输入下一幅图像重复图像处理步骤、阈值Ⅰ判断步骤和本步骤进行检测；/nSVM分类步骤，对样本图像利用主成分分析法进行降维，利用降维后的数据训练得到SVM分类决策函数；将阈值Ⅱ判断步骤中判定的近似异物轮廓对应到原始图像中，并根据该近似异物轮廓框在原始图形中的位置设置感兴趣区域，然后对感兴趣区域代入到SVM分类决策函数中进行异物或非异物的二分类。/n...

【技术特征摘要】
1.一种受电弓异物检测方法，其特征在于：包括以下步骤：
图像处理步骤：采集并读入受电弓滑条区域灰度图像，采用局部自适应二值化方法对受电弓滑条区域图像进行二值化处理，对二值化处理后得到的图像进行形态学处理，对形态学处理后的图像进行去噪处理，在经去噪处理后的图像中搜索连通域，并将连通域的外边界作为轮廓输出；对输出的轮廓的轮廓参数进行计算，所述轮廓参数包括轮廓面积、轮廓面积与轮廓框面积比、轮廓宽、轮廓高和轮廓宽高比；
阈值Ⅰ判断步骤，将图像处理步骤中计算得到的轮廓参数与预先设定的轮廓参数阈值进行对比判断，若输出的轮廓的轮廓参数全部位于轮廓参数阈值内，则将该轮廓判定为疑似异物轮廓并输出至下一步骤，若有任一轮廓参数不在其对应的轮廓参数阈值内，则判定为非异物轮廓；若输入的图像中的轮廓均为非异物轮廓，则更新数据输入下一幅图像重复图像处理步骤和本步骤进行检测；
阈值Ⅱ判断步骤，将阈值Ⅰ判断步骤中判定的疑似异物轮廓对应到与其对应的原始输入图像中，在原始输入图像中计算对应该轮廓中的像素灰度均值和方差；并将计算出的灰度均值和方差分别与预先设定的灰度均值阈值和方差阈值进行对比判断，若疑似异物轮廓的灰度均值和方差均位于灰度均值阈值和方差阈值中，则判定该疑似异物轮廓为近似异物轮廓；灰度均值和方差中任一要素不满足灰度均值阈值和方差阈值，则判定该疑似异物轮廓为非异物轮廓；若输入的图像中的疑似异物轮廓均为非异物轮廓，则更新数据输入下一幅图像重复图像处理步骤、阈值Ⅰ判断步骤和本步骤进行检测；
SVM分类步骤，对样本图像利用主成分分析法进行降维，利用降维后的数据训练得到SVM分类决策函数；将阈值Ⅱ判断步骤中判定的近似异物轮廓对应到原始图像中，并根据该近似异物轮廓框在原始图形中的位置设置感兴趣区域，然后对感兴趣区域代入到SVM分类决策函数中进行异物或非异物的二分类。


2.如权利要求1所述的一种受电弓异物检测方法，其特征在于：所述阈值Ⅰ判断步骤中，预先设定的轮廓参数阈值包括轮廓面积阈值、轮廓面积与轮廓框面积比阈值、轮廓宽阈值、轮廓高阈值和轮廓宽高比阈值；轮廓参数阈值、灰度均值阈值和方差阈值是通过在若干张样品图像中手动框出每一张图像中的异物区域，然后经过图像处理步骤得到异物轮廓的轮廓参数、灰度均值和方差，并利用统计学进行统计得到的。


3.如权利要求2所述的一种受电弓异物检测方法，其特征在于：所述阈值Ⅰ判断步骤中和阈值Ⅱ判断步骤中的预先设定的轮廓参数阈值、灰度均值阈值和方差阈值是通过下述过程得到的：
在若干张样品图像中手动框出每一张图像中的异物区域，然后进行二值化处理、形态学处理、去噪处理和提取轮廓处理，得到若干张异物小图像，再对异物小图像的轮廓进行轮...

【专利技术属性】
技术研发人员：占栋，高仕斌，于龙，向文剑，刘朝洪，邓伪兵，
申请(专利权)人：西南交通大学，成都唐源电气股份有限公司，
类型：发明
国别省市：四川;51