[發明專利]一種基于彈性形變算法的吊弦故障仿真方法

有效

• 申請號: 202110042979.9
• 申請日: 2021-01-13
• 公開（公告）號: CN112802047B
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 唐鵬;張興斌
• 申請（專利權）人: 西南交通大學
• 主分類號: G06T7/194
• 分類號: G06T7/194;G06T7/00;G06T5/00;G06T3/40;G06F17/16
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 卓仲陽

本發明公開了一種基于彈性形變算法的吊弦故障仿真方法，具體為：首先通過直線檢測算法將正常吊弦圖像中的吊弦檢測出來，并將原吊弦圖像分成兩部分，一為吊弦區域的圖像，二為用背景將吊弦區域填充后的無吊弦圖像；再根據吊弦故障類型設計相應的函數，再通過彈性形變算法將吊弦區域的圖像單獨進行處理，得到相應形狀的吊弦，最后再與無吊弦圖像結合得到相應的故障吊弦樣本。本發明只對吊弦進行處理，因此不會扭曲其他區域的圖像；能夠仿真出多種故障吊弦樣本，有效解決了故障吊弦樣本稀缺的問題。

技術領域

本發明屬于機車監控與鐵路運營安全領域，尤其涉及一種基于彈性形變算法的吊弦故障仿真方法。

背景技術

高速鐵路接觸網是列車安全運營的重要設施，整體吊弦是接觸網系統的關鍵組成部分，安裝在承力索和接觸線之間，主要作用是增加接觸懸掛點，改善接觸線的弛度和彈性均勻度，調節接觸懸掛的結構高度，并起到一定承載力和載流的作用。受電弓通過時，接觸線持續抬高、振動，整體吊弦也隨之抬高、彎曲，整體吊弦會出現松脫、斷脫等故障，成為影響列車安全運營的一大隱患。

目前，基于深度學習的圖像處理技術廣泛應用于目標檢測，但是吊弦的異常樣本稀少，滿足不了深度學習對于大數據的需求。因此需要通過異常樣本仿真的來獲得更多的異常樣本。目前的圖像增強方法可以仿真一些松脫的吊弦，但會對圖像的其他部件也造成影響，并且無法仿真其他故障吊弦。

發明內容

為解決現有吊弦松脫異常樣本稀少問題。本發明提供一種基于彈性形變算法的吊弦故障仿真方法。

本發明的一種基于彈性形變算法的吊弦故障仿真方法，包括以下步驟：

步驟1：首先對正常吊弦樣本圖像進行直線檢測，再對直線進行篩選，選出代表吊弦的直線；然后再通過這條直線畫出一個蒙蔽，通過蒙蔽提取出吊弦區域圖像，并將原圖中吊弦區域圖像用背景填充，得到去除吊弦的背景圖。

步驟2：設計一個能夠模擬故障吊弦形狀的函數，根據該函數生成彈性形變算法中的位移算子矩陣，利用彈性形變算法改變吊弦區域的形狀，根據吊弦松脫和斷脫故障的不同需求，將吊弦區域改變成不同的形狀。

步驟3：最后將改變形狀后的吊弦區域圖像與去除吊弦的背景圖結合得到故障吊弦樣本。

進一步的，步驟1中將吊弦區域圖像提取出來單獨進行增強，并使用基于快速行進方法的圖像修復技術填充原圖中的吊弦區域，得到一個去除吊弦的背景圖。

步驟2具體為：

S2.1生成一個與吊弦原圖大小一致的位移算子矩陣Δx，它包含m個相同的列向量元素dx；再通過一個描述吊弦形狀的函數對其進行賦值；Δx的結構如下：

dx＝(dx₀,dx₁,...,dx_n-1)

其中n為圖像的高度，m為圖像的寬度。

S2.2根據Δx和原圖生成與原圖大小相同的新圖像，新圖像(x,y)處的像素由原圖像(x-Δx(x,y),y)處周圍的四個像素通過雙線性插值得到，公式如下：

I′(x,y)＝I(x′,y)＝(x′-[x′])(I([x′]+1,y)-I([x′],y))+I([x′],y)

其中，I(x,y)為原圖像在(x,y)處的像素值，I′(x,y)為新圖像在(x,y)處的像素值，[]為向下取整數。

本發明的有益技術效果為：

本發明只對吊弦進行處理，不改變其他區域，不會導致圖中承力索、接觸線等物體形變。本發明可控性強，能夠控制吊弦形狀按照需求進行改變，仿真各種類型的故障吊弦。

附圖說明