接触网绝缘子是保证电气化铁路安全运行的重要部件，绝缘污闪导致的局部或者大面积停电仍然时有发生，污闪引起的停电事故会造成巨大经济损失.而污闪的防治很多情况下是在天窗时间通过人工进行绝缘子的清洗和维护，这种方法存在一定的危险性并且效率低.

近年来，机器视觉技术凭借着其非接触式、速度快、准确性高、智能化程度高等众多优势，以机器视觉技术为基础的智能检测技术得到飞速的发展.因此本文将机器视觉运用到接触网绝缘子污秽检测技术中，实现接触网绝缘子的识别定位与污秽识别分类，全面掌握绝缘子污秽状态.

1 基于立体视觉系统的接触网绝缘子识别定位

由于接触网是高压电磁环境，容易对摄像头和传输设备产生干扰，本文使用可以有效消除椒盐噪声以及脉冲噪声的中值滤波法对图像进行预处理[1-3]，其效果如图1所示.

  

图1 噪声处理效果图Fig.1 Noise treatment effect

本文提出了基于加速鲁棒特征 (speed up robust features，SURF)特征样本库的识别方案对接触网绝缘子进行识别.

SURF特征[4]具有良好的鲁棒性，尺度和光照的影响较小，而且速度较快，具有一定的实时性.SURF特征的提取过程如下：

含矿主岩伟晶状白岗岩基本上是一个“矿化体”，铀矿化对岩性选择不明显，主要受断裂控制。含矿岩性有三种，分别为伟晶状白岗岩、石英岩和黑云母斜长片岩，主要矿石矿物为晶质铀矿，成矿时代为中条期，岩体的成因类型为半原地型壳源重熔-结晶交代岩体[1]。典型矿床有铀207(红石泉)矿床(图5)，以及青井子、石东和石灰窑等矿点。

住院医师培训的重点是各种临床技能，但是CP教学法有其自身的局限性，特别是对于心血管外科，临床上只有3种疾病可以实施CP，很多复杂的疾病尚无法建立CP，执行CP的疾病个体之间也存在一定的变异性。对于这些还未建立起标准路径的心血管外科疾病，只能采取其他教学模式。因此，CP教学法不能作为单独的住院医师培养手段，必须和其他教学方法相结合，才能收到更好的教学效果。

1) 计算积分图像

SURF特征的快速提取得益于积分图像[5]的使用.通过计算原图像的积分图像，可以使用大尺寸滤波器，使盒式卷积滤波速度更快.如式(1)所示.

 

(1)

其中：(x,y)表示积分图像中的任意像素点；I(i,j)表示原始图像；I∑(X)表示积分图像.

2) 构建海森矩阵

在SURF算法中，为了确定特征点的位置，需要使用海森矩阵行列式的值进行判断.主要运用其行列式在该位置的一个双变量函数值(极大值、极小值、驻点)的性质作为确定是否为特征点的依据，初步特征点的确定需要海森矩阵在该点取得极值.假设式(1)积分图像对应函数为f(x,y)，海森矩阵H是由f的偏导数组成，如式(2)所示.

 

(2)

3) 建立尺度空间

对于图像不同尺度下的表示，SURF算法是这样处理的.构建尺度空间时，SURF算法使用不同规模的盒滤波器在图像上进行卷积操作，节省了降采样过程的时间，并在这一过程中应用了积分图像近似替代高斯核.盒式滤波的权值如图2所示.

1) 运用采集到的不同种类的接触网绝缘子样本，生成特征样本库；

有了摄像机参数，根据这些参数消除两个摄像头采集到的图像畸变，然后将两幅图像上相同的点严格地对应起来，这样立体匹配的时候只需要按行进行搜索就可以了.最终校完的效果如图8所示.

(3)

其中：盒式滤波器与图像卷积运算结果为Dxx、Dyy、Dxy；Hessian矩阵的行列式为det(Happrox)，ω的权重系数一般取0.9.

  

图2 盒滤波权值图Fig.2 Box filter weight

4) 定位特征点

对于初步特征位置的选取，对每个像素点用海森矩阵进行处理，然后与其邻域内的其余26个像素进行比较，如果其值是其中的最大值或最小值，则作为初步的特征进行保留.该过程使用不同尺度空间下所对应的滤波核进行.举3×3的滤波核的例子，如图3(a)所示.

由式(4)可知，目标视差为d，以左摄像头为坐

5) 特征点主方向确定

自从苏长河有了将石头招之即来挥之即去的幻术之后，石头就经常晚归早出，神不知鬼不觉地把他媳妇的毛病治愈了。就像干旱的土地，有了雨水一遍遍的浇洗，没有了病痛，却有了滋润。柳红丰满了一些，美丽了一些，肌肤像冻猪油一样细白、水嫩；尤其她的胸脯滚圆滚圆的，比春天大了许多，要是有了孩子，绝对养人。

为了确保特征在图像旋转时不发生变化，每个特征的矢量方向需要被选定下来.将特征点作为圆心，半径为6s(s为特征点所在的尺度值)的圆记为A.统计A中60°扇形区域中所有的像素在水平和竖直方向上的哈尔小波响应(边长为4s)，根据相对于圆心的距离分配给不同的高斯权重.越靠近圆心权重越大，反之则权重越小，然后相加形成新的矢量.用扇形统计A中的所有矢量，选择最长的作为该特征的矢量方向.该过程的示意图如图3(b)所示.

6) 特征点描述子生成

绝缘子的识别工作已经将绝缘子区域在图像中标记出来，之后只需要读出绝缘子区域的三维信息即可，选取区域中最前端的位置作为绝缘子到摄像头的距离，求出距离效果如图11所示，单位为cm.

接触网绝缘子的SURF特征提取效果，如图3(d)所示.

  

图3 SURF特征效果图Fig.3 SURF feature renderings

运用图3(d)的绝缘子样本图像进行绝缘子匹配，匹配效果如图4所示.

  

图4 绝缘子匹配效果图Fig.4 Insulator matching effect

基于以上条件，提出了基于SURF特征样本库的接触网绝缘子识别过程如图5所示.

识别流程如下：

在此过程中，盒式滤波是需要赋高斯权重系数.对于水平方向上的滤波，将图2左图黑色部分赋值为-2，图2右图赋值为-1，其余区域不进行赋值；对于竖直方向的滤波，将图2左右两图的白色部分同时赋值为1，其余区域同样不进行赋值.这样一来，海森矩阵的二阶导数行列式就可以近似为公式(3).

2) 采集接触网环境图像，将图像与样本库中的绝缘子进行匹配，识别图像中的绝缘子.

在绝缘子识别的基础上，使用双目立体视觉系统还原绝缘子及其周围环境的信息，不仅能够准确得出绝缘子的空间信息，而且相较传统单目摄像头在智能应用上更具有优势.双目测距的原理如图6所示，

观察组患者疼痛程度为Ⅰ级的数量要高于对照组，而Ⅱ级、Ⅲ级的数量要明显低于对照组，差异有统计学意义（P＜0.05）。见表1。

  

图5 基于特征样本库的绝缘子识别流程图Fig.5 A flow chart of insulator recognition based on feature sample database

双目测距是根据目标像素在图6水平方向上的差别进行计算的，即Z=fT/d.其中：视差d=xl-xr，其中xl、xr为空间点P在左右图像上成像点的横坐标；Z为目标像素与像之间的欧式距离；f为焦距，T为两摄像头投影中心线的距离.其计算如式(4)所示.

 

(4)

如式(5)～(6)，目标像素在以摄像头为原点的世界坐标系中存在如下关系：

 

(5)

 

(6)

  

图6 视差关系图Fig.6 Parallax chart

在该尺度空间中，比较图中“X”的点与自身层中其余8个点和在其之上及之下的两个尺度层9个点进行比较，如果大于这26个点的值，则将“X”记为该区域的特征点.之后规定一个阈值将小于此值的点去掉，从而获得最强的特征点.

(1) 通过BIM建模软件建立 BIM 模型,并对BIM模型进行简化处理,例如删除模型中非主要构件,简化gbXML文件，设置模型详细程度等；

柱状图一般用于展示二维数据，在一般情况下，用横坐标表示数据的类别，纵坐标表示相应的数据的数值，即利用柱子的高度反映数据的差异，因此柱状图是对单一维度的数据的一种有效的比较方法。

标原点，目标的坐标为(X,Y,Z)，则有式(6)所示变换关系.为了计算目标的深度Z，还需要从标定过程中获得焦距f、摄像头中心距Tx，然后通过立体匹配计算视差d.而X和Y的获取，则还需要通过标定获得图像坐标系与立体坐标系之间的偏移这些参数统称为摄像头的内外参数.

测距的流程如下：

1) 单目标定与立体标定

为了进行双目测距，首先需要对双目摄像头进行标定，得到内外参数.摄像机标定分为单目标定和立体标定[6-7]，如图7所示.

2) 左右图像进行校正和行校准

形体礼仪课程在多数院校只是作为选修课开设，教学时间一般只有一学期。礼仪知识博大精深，仅有的一学期课程教学根本无法将礼仪知识教授给学生，更难将理论和实践融合于一体。根据不同的分类方法,礼仪分为众多不同的类型，如何有选择地将常识礼仪及旅游相关礼仪知识教授给学生，需要较长时间的摸索。目前，礼仪课程的教材种类繁多，礼仪课程的教学内容尚未形成体系，同一专业、同一年级，不同教师授课内容上都存在差异，导致教学内容混乱，学生陷入困惑。

det(Happrox)=DxxDyy-(ωDxy)2,

3) 双目匹配

匹配的实现方式有很多，比较常见的算法有BM、SGBM、GC等.但是都有一个共同的问题，匹配效果好的算法速度上较慢，而速度快的方法效果比较差.所以本文采取了折中的方式，后文实验验证中选择使用SGBM算法，相比速度更快的BM算法，它的匹配效果要更好，计算速度又不至于无法满足要求[8].

  

图7 摄像头标定Fig.7 Camera calibration

  

图8 校正和行校准效果图Fig.8 Calibration and line calibration effect

4) 视差计算

在相同的点对应起来后，运用三角测量，计算对应点间的视差.

5) 三维重建

骨折作为临床上一类发病率较高的外伤性疾病，可由于多种原因引起，包括骨质疏松、应变能力较差、外伤作用等，不仅对患者的躯体功能造成了较大的影响，威胁到了患者的循环系统、内分泌系统、神经系统功能等，同时也为患者带来了不同程度的心理负担[1]。以往临床工作中实施的常规护理仅能满足患者基本需求，现我院开始在常规护理基础上，加用新型关注型心理护理干预，旨在从心理干预的角度减少患者心理上的负担，减少因心理负担导致的躯体功能恢复不良以及睡眠质量不佳等问题，结果总结报告如下。

以计算后的视差结果为基础，对照物体在图像中的投影，来恢复物体在空间中的距离和三维数据.

水稻产地土壤样品数据统计结果显示（表3），Cd总质量分数为0.005~0.937 mg·kg-1（均值为0.14 mg·kg-1)，Cd 含量超过土壤背景值（0.110 mg·kg-1），变异系数为85.7%，Cd的超标样点有252个，占总样点数的16.1%，超标率较高，表明水稻产地土壤明显受到Cd的污染。稻米样品数据统计结果显示，Cd总质量分数为 0~0.936 mg·kg-1（均值为 0.163 mg·kg-1)，超标点位为294个，超标率为33.4%。

按照以上步骤，首先从双目摄像头读入需要定位的绝缘子，得到两个绝缘子样本的左右视图，如图9所示.

  

图9 绝缘子左右视图Fig.9 Left and right view of an insulator

对图9左右视图进行校正、立体匹配和计算视差，然后生成三维点云图，如图10所示.其环境与绝缘子的位置信息已经包含在三维点云图中.

  

图10 三维点云图Fig.10 Three dimensional cloud chart

从特征点的附近取一个边长为20s，方向为步骤5)中所确定的方向的方形，将其划分成16个区域.统计各区域中平行和垂直于方形方向像素的哈尔小波特征的和以及绝对值的和.特征描述子生成的过程如图3(c)所示.

2 接触网绝缘子污秽分类识别

将绝缘子从背景分割出来后才能较为方便地进行污秽的识别分类，对于绝缘子的分割首先将图像转换到HSV色彩空间后，运用最大类间方差法，将绝缘子分割出来，以便统计绝缘子的表面特征.

HSV模型成锥形，H代表颜色，S代表纯度，V代表明度，如图12所示，HSV转换效果如图13所示.

  

图11 绝缘子距离信息图Fig.11 Insulator distance information

  

图12 HSV色彩空间Fig.12 HSV color space

  

图13 HSV转换效果Fig.13 HSV conversion effect

RGB与HSV的转换关系如式(7)～(9)所示.

 

(7)

 

(8)

V←max(R,G,B).

(9)

运用RGB转换到HSV色彩空间后的绝缘子盘片图像S分量进行图像分割.先读取需要分割的绝缘子图片，进行HSV色彩空间转换，取出S分量作为灰度图像.之后用最大类间方差法找到合适的阈值，将灰度图像转换为二值图像.最后运用图像的形态学运算去除绝缘子图像区域中小的空洞.

对图中的绝缘子进行识别，结果如图14(a)所示，将识别结果进行分割后，最后的分割效果如图14(b)所示.

在Matlab环境下，运用8分量标记连接区域，可以看到分割好的绝缘子图像被分为两个区域B(1,1)，B(2,1)，如图15(a)所示.区域B(1,1)，B(2,1)的数值对应于对象轮廓像素的坐标，如图15(b)所示.

  

图14 绝缘子识别、分割效果图Fig.14 Insulator identification and segmentation effect

  

图15 绝缘子像素信息图Fig.15 Insulator pixel information

对于表面污秽的识别分类，本文采用了基于颜色特征的方式进行.需要对样本图像区域的颜色特征进行统计， HSV的色彩范围如表1所列.

 

表1 HSV色彩范围表

 

Tab.1 HSV color range table

  

黑灰白红橙黄绿青蓝紫Hmin000015611263578100125Hmax1801801801018025347799124155Smin00043434343434343Smax2554330255255255255255255255Vmin04622146464646464646Vmax46220255255255255255255255255

根据HSV色彩范围表(下同)，其中：沙子黄色的判别如式(10)所示.

在欧洲封建主义社会中，统治阶级（贵族、地主）与被统治阶级（农民）构成了当时社会对立的两大阵营，处于这两大对立阶级之间的人群（资产阶级、手工业者、自由职业者、市民等）构成了中间阶层，即国王、贵族、僧侣之外的“第四等级”，他们所举行的法国大革命推翻了贵族地主阶级统治的封建主义社会，促成了资本主义社会和制度的产生。在资本主义社会中，处于无产阶级和资产阶级两大对立阶级之间的农民、小业主、手工业者、知识分子等人群，组成了中间阶层。第二次世界大战之后，中间阶层在欧美发达资本主义社会中成为主导性的社会群体。

((H(i,j)≥20&&(H(i,j,1)<65))&&(V(i,j)>50)&&(S(i,j)>30).

GEVIs的另一个优势在于，它不同于电极主要从细胞胞体处记录，而能够从神经细胞的任意部位记录电信号，从胞体一直到树突末端（见下图“直击多尺度”）。这如同是能够直接听见钢琴家左手弹奏的音符。“这是我多年来的梦想，自然我也绝非一人，”加拿大魁北克省拉瓦尔大学的神经生物学家凯特琳·托斯（Katalin Toth）说，“许多神经科学家都努力通过追踪神经元整体的电压变化，来研究电压在细胞不同区域内的变化。”

(10)

实验采用70 kN级盘形悬式瓷绝缘子，污秽选择的是沙子和铁锈，对绝缘子区域进行颜色特征提取，沙子的结果如图16所示，右图中白色的部分为沙子.对像素的统计结果为：Sand_Yellow=106 5.检测结果为黄色沙子.

  

图16 沙子识别效果Fig.16 Sand recognition effect

铁锈的样本，如图17所示，对像素的统计结果为：Rust_Red=160 9，检测结果为红色铁锈.

2.2.2 茎粗 从玉米全生育期茎粗调查结果来看（表5），不同肥料处理对玉米茎粗有一定影响，且各处理茎粗在大喇叭口期达到峰值。其中，AO乡喜、埃尔夫2个处理植株茎粗值较大，复合酵素、PK及NK处理植株茎粗值较小。

  

图17 铁锈识别效果Fig.17 Rust identification effect

使用的判别如下：

((H(i,j)≥0)&&(H(i,j)<15))‖((H(i,j)≥245)&&(H(i,j)≤255)).

(11)

3 实验验证

本文建立了一套完整的绝缘子污秽识别检测平台，硬件采用双目摄像头、六自由度机械臂等设备.先使用Matlab对理论进行验证，然后用软件加以实现.软件使用Visual Studio 2013和OpenCV 2.4.9[9-11]进行编写.实验室测试表明，在双目摄像头的支持下，该设计对绝缘子的识别定位准确，并且很好地完成了绝缘子污秽的识别工作.实验环境的搭建与连接如图18所示.

  

图18 实验环境图Fig.18 Experimental environment

软件界面及实验结果如图19所示.

通过界面参数设置选择PC摄像头，如图19所示，位于界面上方的左视图和右视图显示双目摄像头采集绝缘子图像，然后计算视差，并把视差图显示到界面上，便于查看视差效果.接着导入绝缘子样本与采集到的图像进行绝缘子识别，从结果看，能够比较准确地识别出绝缘子.最后对已识别出的绝缘子进行污物检测及等级划分.检测结果中，白色部分为沙子.通过多次实验发现，如果摄像机距离目标较远，会对绝缘子表面污秽特征的提取产生影响.因此在固定距离进行实验，实验结果彩色视差的计算大致是250 ms左右，绝缘子的定位76 cm左右，比较精确.

  

图19 实验结果图Fig.19 Experimental result

4 结论

从以上研究和实验可以得知，运用机器视觉技术能够从接触网中准确识别出绝缘子，得出绝缘子的位置信息，并识别出绝缘子污秽种类，从而全面掌握绝缘子污秽程度.以此为基础，未来可向绝缘子自动清洗、自动更换等方面进行应用研究.

护理3个月后，由医院自行设计问卷调查表，对患者饮食控制、运动锻炼、规律用药、定时血糖检测、足部护理、定期复诊等依从性进行调查；采取EQ-5D生活质量量表对患者护理前后行动能力、自理能力、日常生活能力、疼痛或不适、焦虑或抑郁等生活质量进行评分，该评分量表每项为100分，分数越高则患者生活质量越好。

参考文献：

[1] 刘会灯,朱飞.MATLAB编程基础与典型应用[M].北京:人民邮电出版社,2008.

[2] 赵小川.MATLAB图像处理[M].北京:北京航空航天大学出版社,2014.

[3] 王民,文义玲.常用图像去噪算法的比较与研究[J].西安建筑科技大学学报(自然科学版),2010,42(6):895-898.

[4] BAY H,ESS A,TUYTELAARS T,et al.Speeded-Up robust features[J].Computer Vision & Image Understanding,2008,110(3):404-417.

[5] VIOLA P,JONES M.Rapid object detection using a boosted cascade of simple features[C]// Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Kauai:IEEE Press,2001,1:511-518.

[6] ZHANG Z.A flexible new technique for camera calibration[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(11):1330-1334.

[7] HEIKKILA J,SILVEN O.A four-step camera calibration procedure with implicit image correction[C]//IEEE International Conference on Computer Vision and Pattern Recognition.San Juan:IEEE Press,1997:1106-1112.

[8] 张欢,安利,张强,等.SGBM算法与BM算法分析研究[J].测绘与空间地理信息,2016(10):214-216.

[9] 布拉德斯基,克勒.学习OpenCV:中文版[M].北京:清华大学出版社,2009.

[10] KAEHLER A,BRADSKI G.Learning OpenCV 3:computer vision in C++ with the OpenCV library[M].Nanjing:O'Reilly Media,2016.

[11] 王浩,许志闻,谢坤,等.基于OpenCV的双目测距系统[J].吉林大学学报,2014(2):188-194.