[发明专利]一种基于图像增强处理的接触网斜拉线故障自动检测方法

说明书

本发明公开了一种基于图像增强处理的接触网斜拉线故障自动检测方法，具体为：首先，通过3DLUT的深度卷积神经网络对接触网图像进行增强，使图像更清晰，更容易识别；其次，利用基于角度的CNN网络DAL对斜拉线进行定位，将角度参数引入到目标检测网络中，使斜拉线定位更准确，更便于后续的故障分析；最后，利用霍夫变换对斜拉线进行检测，并基于Hough变换的峰值分布，提出了基于曲率变化的斜拉线松动缺陷判据。本发明能有效增强接触网图像，能准确定位斜拉线，并能准确定位不同条件下斜拉线构件的所有缺陷。

技术领域

本发明属于高速铁路图像智能检测技术领域，尤其涉及一种基于图像增强处理的接触网斜拉线故障自动检测方法。

背景技术

接触网是高速铁路系统中最重要的设备之一，负责高速列车的供电，如图3所示。接触网支撑装置中有许多部件，如绝缘子、承力索底座、斜拉线、定位器底座等。这些组件被组装在一起来固定接触线，这样列车就可以稳定地接收电流。一旦其中一个部件发生故障，将对整个列车运行安全构成严重威胁。

目前，针对不同的接触网零部件，有很多基于深度卷积神经网络(CNNs)和图像处理的方法被提出来，也有一定的效果。韩烨提出了一种接触网绝缘子的检测与定位方法。首先，从图像中提取出包含条带器件的子图像；然后，在这些条带图像中，结合潜在支持向量机(SVM)和变形部件模型(DPM)对绝缘子进行检测。陈隽文提出了一种采用三级级级联CNN的接触网紧固件故障检测方法。首先，利用前两种网络检测不同大小的接触网零部件；然后，将定位和裁剪后的子图像发送到轻量化网络，实现了紧固件的故障检测。康高强提出了一种基于AE网络的接触网棒状绝缘子故障检测方法。首先，绝缘子被Faster R-CNN定位。然后，将绝缘子区域划分为多个小块发送到多任务神经网络中，该神经网络包含两个功能子网络:一个是用于识别绝缘子区域的CNN，另一个是用于提取绝缘子故障区域的AE网络。陈东杰提出了一种定位器支座的斜率检测方法。首先，利用基于Region CNN(R-CNN)检测定位器支座。然后根据安装关系，利用Hough变换对定位器支座进行检测。最后，检测定位器支座的斜率。刘凯提出了一种基于Faster R-CNN的承力索底座裂纹故障检测方法。刘志刚提出了一种基于改进CNN的接触网等电位线高精度松弛故障检测方法。刘文强采用了结合深度可分卷积模型的目标检测网络来实现对吊弦载流环故障的检测，首先利用吊弦载流环递进定位网络(DPLN)进行吊弦载流环定位，然后利用吊弦载流环故障识别网络(DFRN)识别吊弦故障类型。刘文强还提出了一种基于无监督学习的接触网棒绝缘子故障检测方法；首先，将Mask R-CNN与曲线拟合方法相结合，对接触网绝缘子片区域进行分割；然后，利用所提出的网络RCCAEN提取故障区域；最后通过噪声应用的基于密度的空间聚类等指标来判断故障级别。刘文强还提出了一种新的接触网斜拉线故障检测方法。核心阶段如下。首先，Faster R-CNN被引入，以准确定位承力索基座和斜拉线定位钩。然后根据这两个零部件之间的结构信息提取斜拉线区域，并利用Hough变换对斜拉线进行定位。然后结合Hough变换的检测结果对斜拉线的松动故障进行检测。

在刘文强提出的接触网斜拉线故障检测方法中，虽然其达到了斜拉线构件故障检测的目的，但在某些情况下存在一些严重缺点，1)若只有一个承力索底座和斜拉线定位钩，则斜拉线不会被定位到。这将导致斜拉线的故障无法检测到。2)在一张图片中，可能会有多个承力索底座和斜拉线定位钩，它们不能相互匹配。这会导致斜拉线定位错误，无法检测到斜拉线部件的故障。3)因为图像采集系统的补光可能没有完全照满斜拉线，而且光线太暗，使得斜拉线提取困难。

发明内容

针对上述问题，本发明提供一种基于图像增强处理的接触网斜拉线故障自动检测方法。

本发明的一种基于图像增强处理的接触网斜拉线故障自动检测方法，包括以下步骤：

步骤1：对高速铁路接触网支撑及悬挂装置进行图像采集。