本發(fā)明涉及鐵路接觸網(wǎng)檢測領(lǐng)域，具體是指基于圖像的鐵路接觸網(wǎng)承力索座裝反與否的檢測方法。
背景技術(shù)：
目前，高鐵接觸網(wǎng)的檢測主要靠人工夜間爬桿作業(yè)進行檢查。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。而接觸網(wǎng)上承力索座是涉及到接觸網(wǎng)能否長期安全實現(xiàn)其相應(yīng)作用的主要部件，其是否裝反對于承力索座和斜拉線是否受力均衡，且在受力時，斜拉線是否容易脫落有著相當大的影響。若承力索座裝反，則受到震動等因素影響時，斜拉線容易從彎鉤中滑落，給高速鐵路列車的運行造成非常大的安全隱患。目前除了人工巡檢外，還未有相關(guān)技術(shù)對承力索座的檢測進行公開。
技術(shù)實現(xiàn)要素：
本發(fā)明提供了基于圖像的鐵路接觸網(wǎng)承力索座裝反與否的檢測方法，該方法安全可靠，人力成本少，檢測速度快，檢測效率高，運行成本低，夜間作業(yè)不會有疲勞嗜睡現(xiàn)象。
本發(fā)明通過下述技術(shù)方案實現(xiàn)：
基于圖像的鐵路接觸網(wǎng)承力索座裝反與否的檢測方法，所述方法步驟如下：
步驟一：輸入承力索座原始圖像，去噪后制作成匹配模板；
步驟二：拍攝承力索座檢測圖像；
步驟三：對拍攝的承力索座檢測圖像進行選擇，去噪后與匹配模板對比匹配，實現(xiàn)檢測圖像的粗略定位；
步驟四：對第三步中匹配成功的檢測圖像，先進行旋轉(zhuǎn)縮放處理，再進行承力索座的歸一化處理，處理完成后，裁剪得到承力索座彎鉤圖像；
步驟五：檢測彎鉤方向；
步驟六：檢測與彎鉤相連的斜拉線方向；
步驟七：根據(jù)彎鉤方向和斜拉線方向，判斷承力索座裝反與否。
本發(fā)明安全可靠，人力成本少，檢測速度快，檢測效率高，運行成本低，夜間作業(yè)不會有疲勞嗜睡現(xiàn)象。
進一步的，所述步驟五中彎鉤方向的具體檢測方式是：將彎鉤圖像進行灰度垂直投影，得到該圖像垂直方向的灰度值，若彎鉤圖像中心左側(cè)的垂直灰度投影疊加值大于右側(cè)的垂直灰度投影疊加值，則說明彎鉤開口方向在右側(cè)；相反若彎鉤圖像中心左側(cè)的垂直灰度投影疊加值小于右側(cè)的垂直灰度投影疊加值，則說明彎鉤開口方向在左側(cè)。
進一步的，所述步驟六中彎鉤方向的具體檢測方式是：通過基于高斯的線段檢測方法，檢測上述承力索座所在彎鉤圖像的邊緣，提取最長的直線線段，并計算此線段的斜率方向，即斜拉線的傾斜方向。
進一步的，所述步驟七中，若彎鉤方向與斜拉線方向相同，則承力索座裝反，若彎鉤方向與斜拉線方向不同，則承力索座未裝反。
進一步的，所述步驟三中，匹配選取的特征為承力索座的旋轉(zhuǎn)雙耳，匹配后可以得到該檢測圖像的旋轉(zhuǎn)角度ModelAngle、縮放系數(shù)ModelScale、匹配分數(shù)ModelScore和旋轉(zhuǎn)雙耳的中心行列坐標，當匹配分數(shù)ModelScore大于設(shè)定的匹配分數(shù)閥值thresholdScore時，表示匹配成功并實現(xiàn)粗定位，反之不成功。匹配具體方式為：
離線階段：選取拍攝質(zhì)量較好的含有承力索座的圖像，選擇旋轉(zhuǎn)雙耳區(qū)域，使用canny濾波器處理兩圖像，并計算出區(qū)域內(nèi)邊緣點的方向向量；同時，以相同的方式計算出匹配模板的雙耳區(qū)域內(nèi)邊緣點的方向向量。
在線階段：使用圖像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行相似性度量匹配，設(shè)目標模板像素點為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為二階標準旋轉(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、匹配分值ModelScore及變化參數(shù)ModelScale、ModelAngle。
其特征在于，所述的匹配分數(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行空間域變換；所述變換矩陣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；
所述平移變換矩陣計算方式為：
所述縮放變換矩陣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)；
所述旋轉(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。
進一步的，所述步驟四中的裁剪包括兩步，先使用固定的矩形區(qū)域裁剪出固定尺寸的承力索座圖像，具體是將檢測圖像進行歸一化處理后，以中心行列坐標為中心，左右各延伸160個像素，上下延伸400個像素，得到大小為320*800的承力索座圖像；再根據(jù)坐標點進行承力索座圖像的裁剪，得到彎鉤圖像，具體是將承力索座圖像進行歸一化處理后，沿左上坐標點為(82,469)，右下坐標點為(219,587)進行裁剪。
進一步的，所述步驟三中，對拍攝的承力索座檢測圖像進行選擇后，對該圖像進行增強處理，增強方式為線性變換。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。
進一步的，所述步驟二中的檢測圖像采用非接觸相機成像?？梢詫⑾鄼C裝在用于檢測的火車上進行拍攝，也可以采用其他方法進行拍攝，以成像清晰，拍攝速度快，節(jié)約成本為標準進行選擇。
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，運行成本低，夜間作業(yè)不會有疲勞嗜睡現(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)明作進一步地詳細說明，但本發(fā)明的實施方式不限于此。
實施例1：
基于圖像的鐵路接觸網(wǎng)承力索座裝反與否的檢測方法，其特征在于：所述方法步驟如下：
步驟一：輸入承力索座原始圖像，去噪后制作成匹配模板；
步驟二：拍攝承力索座檢測圖像；
步驟三：對拍攝的承力索座檢測圖像進行選擇，去噪后與匹配模板對比匹配，實現(xiàn)檢測圖像的粗略定位；
步驟四：對第三步中匹配成功的檢測圖像，先進行旋轉(zhuǎn)縮放處理，再進行承力索座的歸一化處理，處理完成后，裁剪得到承力索座彎鉤圖像；
步驟五：檢測彎鉤方向；
步驟六：檢測與彎鉤相連的斜拉線方向；
步驟七：根據(jù)彎鉤方向和斜拉線方向，判斷承力索座裝反與否。
本發(fā)明安全可靠，人力成本少，檢測速度快，檢測效率高，運行成本低，夜間作業(yè)不會有疲勞嗜睡現(xiàn)象。
實施例2：
本實施例在實施例1的基礎(chǔ)上做進一步改進，所述步驟五中彎鉤方向的具體檢測方式是：將彎鉤圖像進行灰度垂直投影，得到該圖像垂直方向的灰度值，若彎鉤圖像中心左側(cè)的垂直灰度投影的疊加值大于右側(cè)的垂直灰度的投影疊加值，則說明彎鉤開口方向在右側(cè)；相反若彎鉤圖像中心左側(cè)的垂直灰度投影疊加值小于右側(cè)的垂直灰度投影疊加值，則說明彎鉤開口方向在左側(cè)。
所述步驟六中彎鉤方向的具體檢測方式是：通過基于高斯的線段檢測方法，檢測上述承力索座所在彎鉤圖像的邊緣，提取最長的直線線段，并計算此線段的斜率方向，即斜拉線的傾斜方向。
所述步驟七中，若彎鉤方向與斜拉線方向相同，則承力索座裝反，若彎鉤方向與斜拉線方向不同，則承力索座未裝反。
所述步驟三中，匹配選取的特征為承力索座的旋轉(zhuǎn)雙耳，匹配后可以得到該檢測圖像的旋轉(zhuǎn)角度ModelAngle、縮放系數(shù)ModelScale、匹配分數(shù)ModelScore和旋轉(zhuǎn)雙耳的中心行列坐標，當匹配分數(shù)ModelScore大于設(shè)定的匹配分數(shù)閥值thresholdScore時，表示匹配成功并實現(xiàn)粗定位，反之不成功。匹配具體方式為：
離線階段：選取拍攝質(zhì)量較好的含有承力索座的圖像，選擇旋轉(zhuǎn)雙耳區(qū)域，使用canny濾波器處理兩圖像，并計算出區(qū)域內(nèi)邊緣點的方向向量；同時，以相同的方式計算出匹配模板的雙耳區(qū)域內(nèi)邊緣點的方向向量。
在線階段：使用圖像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行相似性度量匹配，設(shè)目標模板像素點為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為二階標準旋轉(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、匹配分值ModelScore及變化參數(shù)ModelScale、ModelAngle。
其特征在于，所述的匹配分數(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行空間域變換；所述變換矩陣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；
所述平移變換矩陣計算方式為：
所述縮放變換矩陣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)；
所述旋轉(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。
所述步驟四中的裁剪包括兩步，先使用固定的矩形區(qū)域裁剪出固定尺寸的承力索座圖像，具體是將檢測圖像進行歸一化處理后，以中心行列坐標為中心，左右各延伸160個像素，上下延伸400個像素，得到大小為320*800的承力索座圖像；再根據(jù)坐標點進行承力索座圖像的裁剪，得到彎鉤圖像，具體是將承力索座圖像進行歸一化處理后，沿左上坐標點為(82,469)，右下坐標點為(219,587)進行裁剪。
所述步驟三中，對拍攝的承力索座檢測圖像進行選擇后，對該圖像進行增強處理，增強方式為線性變換。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。
所述步驟二中的檢測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行拍攝，也可以采用其他方法進行拍攝，以成像清晰，拍攝速度快，節(jié)約成本為標準進行選擇。
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)明的保護范圍之內(nèi)。