基于接触网成像技术的绝缘子故障检测方法

工作环境恶劣且无备用，一旦发生设备故障将中断行车，甚至严重影响电气化铁路运输安全。因此，在电气化铁路的运营过程中，通过各种检测手段及时发现各类接触网设备隐患是极其重要的一项工作。

1 绝缘子检测现状

在高速铁路开通以前，接触网检测手段相对单一，只能对接触网几何参数进行检测，针对接触网零部件“缺、松、脱、断，以及绝缘部件闪络、破损”等问题的检测技术较为缺乏。2010年原广州铁路（集团）公司供电处牵头首次研发了成像检测装置[3]，2012年原铁道部发布了《高速铁路供电安全检测监测系统（6C系统）总体技术规范》（铁运[2012]136号）[4]，将成像检测装置纳入接触网悬挂状态检测监测装置中。接触网悬挂状态检测监测装置（以下简称“4C装置”）是对接触网关键零部件以及其悬挂状态进行成像检测的车载检测系统，通常安装在检测车上，通過车顶高清成像设备，对接触网各关键零部件进行成像检测。4C装置如图1所示。

绝缘子是接触网支持装置中的关键设备，其主要作用是保持接触网接触悬挂及支持装置对地的电气绝缘，由于接触网设备露天设置且无备用的工作特性，如其绝缘性能下降或发生破损、断裂，将引起接触网跳闸或改变接触网支持装置的物理稳定性，严重时甚至可能造成接触网断线。因此对绝缘子的性能状态进行检测，是防范接触网故障的重要手段。绝缘子常见故障有：附着异物、破损缺片、闪络放电等，对上述故障，过去主要依赖人工巡视检查，在4C装置推广运用后，主要依靠人工对4C装置的成像检测图片数据进行分析，判断是否存在故障。该方式虽然在一定程度上降低了劳动强度，但效率依然较低。近年来，随着机器视觉、神经网络等技术的快速发展，不少学者提出了基于机器视觉的接触网绝缘子故障智能识别方法。如西南交通大学机械工程学院提出基于纹理特征和可能性均值聚类的异常检测方法，检测接触网绝缘子脏污程度[5]。兰州交通大学针对接触网绝缘子破损，提出了基于双目立体视觉结合SURF算法的识别定位方法，并利用小波分解与重构特性，结合维纳滤波增强破损特征[6]。本文针对接触网绝缘子附着异物、破损缺片、闪络放电3种典型故障，采用方向梯度直方图（Histogram of Oriented Gradient， HOG）特征对绝缘子进行定位，通过缺陷绝缘子外形特征识别判别绝缘子状态，进而完成绝缘子破损等形态缺陷的检测。

2 基于HOG特征的绝缘子图像定位

2.1 绝缘子图片采集

如图1所示，4C装置车顶设备主要由多个高清相机组和补偿光源组成。通过对相机角度进行调节，可实现对接触网定位支持装置全局及5个不同局部的拍摄，如图2所示。相机拍摄的数据传输至车内服务器，通过对图片进一步的分析处理，运用各类算法识别部件缺陷，判断其工作状态，并结合站区、杆号、公里标等信息进行缺陷定位。

2.2 图像预处理

由于光照、天气等外界条件因素的影响，绝缘子自身反光不均匀，造成每片绝缘子存在斑点或图像色差较大，如图3所示。为减少绝缘子的图像不均匀问题，须对图像进行预处理。本文采用非线性的中值滤波方法对成像检测原图进行预处理，处理后如图4所示。

2.3 绝缘子定位

要识别绝缘子故障，首先要在图片中对绝缘子进行定位。基于4C装置成像图片背景复杂的特点，本文采用HOG特征结合支持向量机（Support Vector Machine，SVM）分类器，在复杂背景中对目标物体即绝缘子进行查找。HOG特征结合SVM分类器检测是由法国研究人员Dalal提出，早期在行人检测中得到大量应用。通过取固定大小的局部图像作为检测窗口，将检测窗内图像分割为许多同样大小的块区域，再将块区域进一步分为大小固定的像素单元，对每个像素单元构建HOG[7]。联合检测窗口内所有像素单元的HOG，形成高维特征，作为SVM分类器的数据输入。HOG特征检测子描述如图5所示。

SVM分类器是一种正负样本最大间隔寻优算法，其对边界噪声具有很强的鲁棒性，是目前应用最广的分类器之一[8]。本文截取不同光照、不同拍摄角度、不同线路的绝缘子图像作为正样本，选择绝缘子之外的背景作为负样本，投入SVM分类器进行训练。利用多尺度滑动窗口对局部图像进行分类，获得绝缘子的大致位置。绝缘子初步定位效果如图6所示。

在完成初步定位后，采用局部二值化对初步定位区域的图片进行分割，根据绝缘子弧形的轮廓特征对每片绝缘子进行提取，即可完成绝缘子的精确定位，如图7所示。在精确定位的基础上，对绝缘子进行故障特征判断，完成状态检测。

3 绝缘子状态检测

3.1 绝缘子图片形态矫正

本文检测目标为斜（平）腕臂绝缘子。由于其本身安装特点，且拍摄时角度可能有一定变化，为便于绝缘子特征判别，需要根据定位点的绝缘子边界点进行仿射变换，将绝缘子图片旋转到水平方向。具体步骤为：图像增强、图像二值化、区域筛选及根据区域最小外接矩形计算图像旋转角度，完成绝缘子图像旋转，如图8所示。

在完成绝缘子图片形态矫正后，针对附着异物、破损缺片、闪络放电3类故障特点，分别设计了不同的识别算法，实现对故障的智能识别。

3.2 绝缘子破损缺片故障检测

选取绝缘子破损缺片案例如图9所示。故障出现后，绝缘子片间隙会出现占位以及扩大等现象，意味着绝缘子间距在一定程度上可以反映其故障情况。因此，设计识别算法时基于绝缘子本身的弯曲特征，对其从上到下分割为3段，分别进行投影，最后根据投影后黑条柱状图间距进行缺陷检测。本案例中绝缘子3段投影如图10所示，明显可见绝缘子破损处在3段投影图的相应部位绝缘子间距增大。

3.3 绝缘子闪络放电故障检测

选取绝缘子闪络放电案例如图11所示，由于闪络痕迹在原图中并不明显，可在直方图均衡后对精确定位后的绝缘子进行图像增强。在图像增强的基础上再对绝缘子进行闪络等故障特征的判断，即可完成绝缘子缺陷检测。图像增强后如图12所示。

分析可见，闪络放电故障出现后，绝缘子闪络区域亮度显著提升，故可以采用亮度特征设计识别算法。通过设定经验阈值，对图像进行二值化操作，超过一定阈值可判断为绝缘子闪络放电。如图13a所示，在进行二值化后，由于绝缘子反光等干扰信号造成了部分正常区域亮度也超出阈值。为尽可能避免干扰信号造成故障误判，计算提取到的二值化各区域特征时，可通过面积特征去除干扰区域（即面积过小区域判断为干扰区域），如图13b所示。

3.4 绝缘子附着异物故障检测

选取绝缘子附着异物案例如图14所示，先对图像进行增强运算，然后采用全局二值化方法对增强后的图片进行二值化及连通区域提取，如图15a、图15b所示。不同的颜色代表不同的物体区域，根据经验知识，绝缘子片的长宽比相对较大，而附着异物的长宽比相对较小，当满足某提取区域在2个绝缘子片中间，且长宽比较小时，可判断绝缘子附着异物，如图15c所示。

4 现场检测试验

运用上述方法对2018年8月以及11月中国铁路广州局集团有限公司部分线路2次成像检测图片进行绝缘子定位及缺陷识别，对疑似绝缘子缺陷进行预警。绝缘子故障识别统计信息如表1所示。其有效定位率在90%以上，对存在故障的绝缘子均能正确识别。

5 结论

以4C装置检测图片为研究对象，设计了基于HOG特征的绝缘子定位方法，并針对绝缘子常见的破损缺片、闪络放电、附着异物3种故障分别设计了故障智能识别算法。实践证明，本文采用的方法检测准确率较高，具有一定的工程意义，可为接触网故障智能识别分析方法提供技术参考。

参考文献

[1] 陆东福.奋勇担当交通强国铁路先行历史使命 努力开创新时代中国铁路改革发展新局面[R].北京：中国铁路总公司2019年年度工作报告，2019.

[2] 于万聚. 高速电气化铁路接触网[M]. 四川成都：西南交通大学出版社，2003.

[3] 卢海燕，游诚曦.接触网成像检测系统运用[J].铁路技术创新，2014（3）：37-40.

[4] 中华人民共和国铁道部.铁运[2012]136号 高速铁路供电安全检测监测（6C系统）系统总体技术规范[G]. 2012.

[5] 党帅涛，柯坚，吴文海，等.基于PCM和纹理特征的铁路绝缘子污秽程度异常检测[J].电瓷避雷器，2019（2）：197-201.

[6] 潘影丽. 基于机器视觉的接触网绝缘子破损检测技术研究[D].甘肃兰州：兰州交通大学，2018.

[7] Dalal N， Triggs B. Histograms of oriented gradients for human detection[C]// Computer Vision and Pattern Recognition， 2005. CVPR 2005. IEEE Computer Society Conference on. IEEE，2005.

[8] 顾亚祥，丁世飞. 支持向量机研究进展[J]. 计算机科学，2011，38（2）：14-17.

[9] 赵俊彦，任崇巍. 电气化铁路接触网成像检测系统在高铁上的运用[J].铁道机车车辆，2012（3）：136-138.

[10] 张平，张建辉，李平芳. 高速铁路接触网安全巡检系统[J]. 铁路计算机应用，2016（3）：34-36.

[11] 韦炳干，李世斌，包忠明，等. 接触网监测及故障定位系统的设计与实现[J]. 电气化铁道，2014（4）：5-8.

[12] 何海永. 电气化铁路线路故障诊断系统及其应用[J].科技视界，2015（4）：104-105，175.

[13] 金立军，曹培，胡娟. 可见光图像颜色特征与支持向量机相结合的绝缘子污秽状态识别方法[J].高压电器，2015（2）：1-7，17.

[14] 刘丽，匡纲要. 图像纹理特征提取方法综述[J].中国图象图形学报，2009（4）：622-635.

[15] 谢凤英.数字图像处理及应用[M]. 北京：电子工业出版社，2014.

收稿日期 2019-08-15

责任编辑 宗仁莉

Insulator fault detection method based

on OCS imaging technology

You Chengxi

Abstract： Insulator is one of the most vulnerable parts in OCS of electrified railway. This paper uses the image of OCS imaging detection and SVM classifier， and the insulators in the OCS imaging data are positioned preliminarily based on the HOG features and then the precise location of insulators is realized by local binarization. Aiming at three typical defects of insulator， such as broken insulator， flashover discharge and foreign object attachment， fault identification algorithms are designed respectively. The method has been tested on some lines of Guangzhou Railway Administration Group Co.， Ltd. China Railway， and the results are satisfactory.

Keywords： electrified railway， OCS， imaging detection， insulator， HOG features， fault identification

推荐访问:绝缘子 成像 检测方法 故障 接触