[发明专利]一种高铁绝缘子巡检图像识别方法

摘要

本发明公开了一种高铁绝缘子巡检图像识别方法，涉及到轨道交通领域，以高铁接触网安全巡检系统中的工程实测图像为例，首先对巡检图像的感兴趣区域(ROI，Region of Interest)进行图像增强、去噪等预处理，然后采用图像切割的方式提取感兴趣区域中的正负样本并利用多层CNN对其进行训练学习，最后通过对训练后的模型进行分层次识别、针对错误集微调等优化处理，实现对巡检图像中绝缘子的精准识别。本发明尤其适用于背景复杂的接触网环境，可在接触网环境中以98.2％的识别率精确定位绝缘子，在不同的拍摄距离、角度、亮度下均能展现出较好的泛化能力。

主权项

1.一种图库联合的高铁绝缘子巡检图像识别方法，其特征在于，具体处理方法如下：（1）巡检图像的采集和感兴趣区域划分高速铁路车载安全巡检采集系统先利用安装在车顶的高清摄像头拍摄铁路沿线视频，将实时数据传输到控制中心进行信息处理，然后通过视频软件将采集的视频处理成每一帧图像，并实时显示当前帧图像的录像时间，方便对故障零部件的杆号及公里标号定位，最后将巡检图像格式转换为处理软件需要的格式；划分感兴趣区域时先将巡检图像十字划分，再选取包含绝缘子的感兴趣区域进行预处理；（2）ROI区域的图像预处理采用色相（H,Hue）、饱和度(S,Saturation)、明度(V,Value)颜色空间模型的颜色编码方法来对采集到的图像进行灰度化处理，设（r ROI，g ROI，b ROI）分别为巡检图像感兴趣区域中一个像素的坐标，max ROI等价于这些值中的最大者，minROI等价于最小者，该转换过程就是要求HSV颜色模型颜色空间对应像素点的（h ROI，s ROI，lROI）值，计算公式为：对灰度化后的图像采用Gamma变换将图像增强处理，并选用了小波去噪法对感兴趣区域进行去噪处理，具体步骤是：首先针对巡检图像的特点，选取Haar小波进行分解，分解层次为N，再由此计算出从信号S到第N层的分解，为1~N每一层的高频系数选择一个阈值进行量化，最后选用表现更优的软阈值对其进行去噪处理；（3）感兴趣区域正负样本数据库的建立从30000多张巡检图像中随机抽取12000张进行标记工作，建立了含3000张图片的正样本库和1000张图片的负样本库，图片大小为64*64；（4）巡检图像感兴趣区域的分层次识别处理本发明提出了一种分层次识别策略，先识别绝缘子所在区域，再对区域内绝缘子进行提取，从原图中剪裁出目标区域时需根据区域内目标检测的像素精度要求来缩放，以此来提高对感兴趣区域中绝缘子的识别精度；（5）针对巡检图像感兴趣区域错误集的微调优化本发明的部分训练集采用了一种针对错误集的微调策略：首先用未标注测试集对模型进行测试，再根据检测出的区域数量判断缺少的区域，将缺少不同区域的图片分类存储，然后对缺少N号区域的图片标注N号区域，将其他部分处理为黑色，形成错误集，最后利用处理好的错误集在原有网络模型的基础上进行微调；（6）基于卷积神经网络的Pa‑CNN模型本发明将Pa‑CNN模型定义为卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域大小,Pa‑CNN模型含有多层神经网络，它的每一层包含多个二维平面，而每个二维平面又包含多个独立的神经元,其在网络结构上采用了卷积层、采样层交替结构,卷积层利用不同的卷积核进行卷积运算，增强原信号特征，降低噪音，通过局部感知场，抽取一些类似有向边角的基本视觉特征，构成一幅输入图像的特征图，卷积层中通常包含多个具有不同权值向量的特征图，使得在同一个位置能够获得多种不同的特征；（7）不同网络层数对Pa‑CNN模型的影响通过大量对比实验探索了隐层数与模型好坏的关系,卷积层和池化层是Pa‑CNN模型中特有的网络结构，且池化层通常紧跟在卷积层的后面，具有简化计算的作用,设Pa‑CNN1中含有三个卷积层和三个池化层，Pa‑CNN2中含有两个卷积层和三个池化层，利用500个正样本和300个负样本构成的小样本训练集进行对比实验；设Pa‑CNN3中含有三个卷积层和两个池化层，将Pa‑CNN1中第三个卷积层后面紧跟的池化层去掉，利用500个正样本和300个负样本构成的小样本训练集进行对比实验；（8）基于HOG特征与SVM分类器的绝缘子识别将所有正负样本的HOG特征作为两组SVM数据进行分类器训练，训练后可得到最终的SVM分类器，将分类器中的数据储存在xml文件中;从大量的巡检图像感兴趣区域中选取1000张作为测试样本，样本中绝缘子数目为2068个，运行环境WIN10系统，编程环境VS2010+OpenCV2.4.10;为增加算法识别精度，本实验将误识别样本添加到负样本中，通过不断调整和完善正负样本来提高识别精度；（9）基于Haar特征与Adaboost分类器的绝缘子识别从大量的巡检图像感兴趣区域中选取1000张作为测试样本，样本中绝缘子数目为2068个，运行环境WIN10系统，编程环境VS2010+OpenCV2.4.10;在基于Haar特性和Adaboost分类器的绝缘子识别实验中，为增加算法识别精度，将误识别样本添加到负样本中，通过不断完善正、负样本数量并且调整OpenCV_traincascade.exe的参数来提高识别精度；（10）Pa‑CNN模型与HOG特征+SVM分类器、Haar特征+Adaboost分类器的实验结果对比分析:从大量的巡检图像ROI区域中选取1000张作为测试样本，样本中绝缘子数目为2068个，为增加算法识别精度，本实验进行了多尺度识别，检测图像中的绝缘子并将其框选保存，同时将误识别样本添加到负样本中，通过不断调整和完善正负样本来提高识别精度，从测试结果来看，尽管基于Haar特征和Adaboost分类器算法识别正确率达到了94.8%，但其误识别率高达91.3%；基于HOG特征和SVM分类器算法虽然误识别率为2.7%，但绝缘子识别正确率上仅有66.7%;5. 而基于Pa‑CNN模型的新识别方法，不仅识别正确率高达98.2%，误识别率也仅有2.1%，各项重要指标均明显优于前两种方法。