基于计算机视觉受电弓滑板磨耗图像识别.docVIP

基于计算机视觉受电弓滑板磨耗图像识别 　　摘 要：根据计算机视觉原理、数字图像处理与识别理论，针对受电弓滑板图片，文章提出边缘提取和上边缘搜索等改进算法，实现滑板磨耗超限故障图像的辨识。将图片进行滤波去噪等预处理，再进行边缘定位检测、图像分割、图像增强、图像复原等处理。综合运用改进的Canny算法、Hough变换、BP神经网络来识别滑板厚度。文章的研究成果对高速铁路受电弓滑板磨耗超限等典型故障的检测与识别具有一定的理论研究价值和工程实用价值。 　　关键词：数字图像处理；图像预处理；Canny算法；BP神经网络 　　电力机车通过输电网的受电弓获取电能，受电弓滑板表面和导线之间构成一对摩擦副，当滑板磨耗超限等典型故障出现时，可能造成卡网或拉网，严重危及列车安全，因此对受电弓滑板的磨耗图像进行准确识别具有重要意义。 　　目前，受电弓滑板检测的方法主要有人工登顶测量法、光纤检测法、超声波传感器检测法、光学三角测量法和计算机图像检测法。图像处理利用图像测量技术，检测所需参数的特征，属于非接触测量动态与静态测量相结合，客观真实。本文对由CCD相机拍摄的受电弓照片进行图像处理，包括图像预处理、图像增强、图像复原、图像分割与特征提取、图像识别五部分，同时采用优化算子、改进算法使图像识别的精确度和结果的正确度都有相应提高。 　　1 滑板磨耗图像识别 　　1.1 图像预处理 　　图像预处理是对受电弓滑板图片进行混合增强来突出更多细节。受电弓滑板图片较模糊，边缘不够清晰，对比度不够，对此首先用Laplace变换突出图像中的细节，再用sobel梯度法突出其边缘。最后用灰度变换来扩展平滑后图像的灰度动态范围。 　　在图像处理中，彩色图RGB没法直接进行锐化、去除噪声、平滑滤波、边沿突出等步骤及其算法实现。只含亮度信息，不含色彩信息的灰度图最利于数字图像处理。所以先将彩色图转化为灰度图，再进行空间域图像增强。已知Laplace算子的定义如下： 　　图2比图1有较好的视觉改进效果。 　　1.2 图像增强 　　先对预处理后的图像进行中值滤波。对于图像中某一点，以该点为中心的邻域内的所有像素的统计排序中值作为该点的响应，可有效去除噪声点。中值滤波在降噪的同时引起的模糊效应较低。 　　由图3-4可见，中值滤波的效果十分明显，能有效去除背景上的椒盐噪声，但滑板的图像上存在的椒盐噪声点仍有部分没有去除，较模糊，故进行高斯平滑处理。 　　1.4 图像分割 　　图像分割后的区域将作为后续处理的对象。主要的方法有边缘检测、边界跟踪、区域生长等。对比上述分割方法的处理效果，选择适宜于受电弓滑板磨耗图片处理的方法，部分方法处理的效果如图6-8所示。 　　综合比较后，本文选择边缘检测进行图像处理，基本步骤为：先平滑滤波去除噪声，再锐化滤波，加强有价值的像素点的灰度局部变化，接着边缘判定，最后连接间断边缘，同时去除假边缘。 　　Roberts算子、Sobel算子、Prewitt算子等都是图像不含噪声或者先平滑去除噪声后才能正常应用，且处理结果都不够理想。而Canny算子力求在抗噪声干扰和精确定位之间找到最佳折中方案，能给出较为连续准确的分割结果。引入Hough变换来解决图片中部分边缘点不连续的情况。最终得到结合Canny算子和Hough变换的图像分割结果（见图9）。 　　1.5 识别结果 　　本文图像识别部分采用基于BP人工神经网络的图像识别方法。BP神经网络模型结构包括输入层、隐含层和输出层。本文确定的训练和识别的神经网络结构如表1所示。 　　将已知厚度的样本特征值作为训练样本集，用于训练网络。输入未知厚度的滑板样本，训练好的网络计算出滑板厚度，实现厚度的识别，并将其自动归入提前划分的4种磨耗等级中，给出相应的处理建议（见图10）。 　　2 结语 　　受电弓是电力机车的重要组成部分，为机车提供电力，因此受电弓故障是值得研究的问题。本文主要针对受电弓滑板磨耗的情况进行了处理与识别，使用了较为合适的算法与数学模型，来识别受电弓滑板的厚度。本文的研究成果对高速铁路受电弓滑板磨耗超限等典型故障的检测与识别具有一定的理论研究价值和工程实用价值，能为受电弓滑板磨耗的检测提供一定的参考。 　　[参考文献] 　　[1]罗鹏.电力机车入库受电弓滑板磨耗检测[J].光电工程，2004（12）：89-90. 　　[2]任时光.新型滑板磨耗检测及自动降弓装置[J].铁道运营技术，2000（4）：77-79. 　　[3]香坂秀一.受电弓自动监视装置的研制[J].变流技术与电力牵引，2000（3）：36-38. 　　[4]孙爱玉.检测受电弓接触磨损的新方法[J].电力机车技术，2001（4）：46-48. 　　[5]刘德仁，葛宰林，毕铁艳.电力机车