基于计算机视觉的复杂场景闪电落点定位方法

肖桐; 谢智多; 李辉; 靳邵云; 马颖

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (28) :12011-12021

天文学、地球科学

基于计算机视觉的复杂场景闪电落点定位方法

肖桐 ¹^,²^,³ ,
谢智多 ⁴ ,
李辉 ²^,³^,^* ,
靳邵云 ² ,
马颖 ⁵

作者信息 +

Lightning Strike Location Method in Complex Scenarios Based on Computer Vision

XIAO Tong ¹^,²^,³ ,
XIE Zhi-duo ⁴ ,
LI Hui ²^,³^,^* ,
JIN Shao-yun ² ,
MA Ying ⁵

Author information +

文章历史 +

摘要

雷击灾害因其时空随机性强、破坏性大的特点,对铁路运营构成严重威胁。传统雷击定位依赖人工巡查方式,存在查找困难、响应滞后等弊端。为应对上述挑战,针对铁路现场复杂场景以及闪电成像中的过曝问题,提出一种融合自适应背景差分与增强型边缘检测的计算机视觉定位方法。通过动态高斯混合模型实现背景建模,结合改进Canny算子增强闪电通道特征提取,并引入形态学滤波消除噪声干扰,从而构建闪电目标的高效检测框架。为验证方法有效性,选取包含不同场景的37组自然闪电案例进行实验。结果显示,闪电通道的识别召回率和精确率分别为0.86和0.89,闪电落点的识别准确率达到了97.3%。所提方法显著提升了复杂环境下闪电定位的鲁棒性与实时性,有效缓解了过曝导致的特征丢失问题,具有较高的闪电落点定位精度,可为铁路雷击灾害的智能化监测与快速应急响应提供可靠的技术支撑。

Abstract

Lightning disasters pose a serious threat to railway operations due to their strong spatiotemporal randomness and high destructiveness. Traditional lightning location methods rely on manual inspections, which suffer from difficulties in detection and delayed responses. To address the aforementioned challenges, a computer vision-based positioning method was proposed that integrated adaptive background subtraction with enhanced edge detection, specifically designed for complex railway scenes and overexposure issues in lightning imaging. This approach employed a dynamic Gaussian mixture model for background modeling, combined an improved Canny operator to enhance lightning channel feature extraction, and incorporated morphological filtering to eliminate noise interference, thereby establishing an efficient framework for lightning target detection. To verify the effectiveness of the method, 37 sets of natural lightning cases with different scenarios were selected for experimentation. The results show that the recall and accuracy of lightning channel recognition are 0.86 and 0.89, respectively, and the accuracy of lightning landing point recognition reaches 97.3%. The proposed method significantly improves the robustness and real-time performance of lightning localization in complex environments, effectively alleviates the problem of feature loss caused by overexposure, and has high accuracy in lightning landing point localization. It can provide reliable technical support for intelligent monitoring and rapid emergency response of railway lightning disasters.

Graphical abstract

关键词

闪电定位 / 图像处理 / 边缘检测 / 背景差分 / 铁路防雷

Key words

lightning location / image processing / edge detection / background subtraction / railway lightning protection

引用本文

引用格式 ▾

肖桐, 谢智多, 李辉, 靳邵云, 马颖. 基于计算机视觉的复杂场景闪电落点定位方法[J]. 科学技术与工程, 2026, 26(28): 12011-12021

XIAO Tong, XIE Zhi-duo, LI Hui, JIN Shao-yun, MA Ying. Lightning Strike Location Method in Complex Scenarios Based on Computer Vision[J]. Science Technology and Engineering, 2026, 26(28): 12011-12021 DOI:

登录浏览全文

4963

注册一个新账户忘记密码

截至2024年底,中国高速铁路已达4.8×10⁴ km;新一代CR450动车组运营时速已达400 km/h,繁忙区段的列车行车间隔缩短至3 min。成熟完善的路网与便捷的出行体验,依赖于多专业的协同配合:铁路系统需要电力设施提供牵引动力,通信设备传递列车运行信息,信号设备控制列车的运行安全与调度。然而雷电因其产生的大电流和强电磁辐射造成的设备故障^[1],严重威胁着铁路沿线设备安全、路网畅通和运营效率。据报道,中国铁路广州局、南宁局及南昌局3个集团公司,2023年因雷击导致的信号设备故障就多达60余起^[2]。雷击造成的设备损坏多次引发局部乃至大面积行车中断。按照铁路部门的雷害故障处置流程,需要查找雷击落点,还原雷电流侵入径路,顺次排查损坏设备^[3]。然而,实际巡线查找工作受制于天气、光线和技术手段等因素,往往需要投入大量的人力和时间,给事故抢修和灾害处置工作造成极大不便。此外,对于雷击地面产生的地电位反击或雷击设备附近造成的闪络更加难以识别,导致雷害处置常局限于设备更换,而未有效根除潜在的防雷缺陷^[4]。因此,亟须研究一种适用于铁路沿线的闪电识别与落点精准查找新方法。

中外对闪电的定位方法主要依靠电磁定位技术,该技术成熟可靠,可实现大范围覆盖^[5],然而由于其原理性误差,无法实现米级定位精度,不能满足闪电落点的准确查找。随着科学技术的发展,各式各样的光学观测设备不断被应用于闪电观测^[6],如胶片相机、磁带式录像机、数码相机、数字摄像机、条纹相机、高速摄像机等,为研究人员分析闪电特征提供了丰富的观测资料,并取得了丰富的研究成果^[7-11]。杨欣怡等^[12]分别采用全局自适应阈值法、局部自适应阈值法和基于Otus自适应计算阈值的Canny算子的方法进行闪电通道识别,总结了自适应阈值算法的优势,以及3种算法的适用场景。但是该研究仅对3种阈值算法的识别结果进行了定性对比,真实应用场景下的识别效果不详。高彦等^[13]利用双站摄像资料,提出了重建闪电三维通道的方法,为提取自然闪电的时空发展特性和闪电三维特征分析提供了更为直观高效的方法。但该方法侧重于三维通道的重建,不适用于闪电落点识别和工程化应用。李峰等^[14]采用线支持区域生长的方法实现了闪电通道的分段识别,获得了较好的通道识别结果,但该方法仅采用同一背景进行识别验证,无法证明其是否适用于各类场景。翟坤宁等^[15]基于改进U2Net实现了云图的精准分割,该方法运用颜色通道分量阈值分割法剔除了太阳光干扰,侧面证明了采用阈值分割法剔除闪电图像中过曝光盲点、光斑的可行性,但该模型并未应用于闪电识别,其扩展性有待进一步研究。铁路系统近年来也大量布设各类安防相机,用于监控异物侵限等危险事件^[16]。以此为基础的视频分析技术也日趋成熟,李兴鑫等^[17]通过自适应的目标检测算法,尝试解决前景目标与背景图像的分割,为铁路系统的智能视频分析提供了工程化方法。王飞等^[18]提出了基于U-Net孪生网络的异物侵限识别方法,进一步提高了精确率和召回率。然而上述两种方法主要针对大型物体,如人、动物、落石,局限于异物入侵、限界识别的范围,尚不具备识别闪电的能力。

综上所述,采用光学技术观测识别闪电,主要通过阈值分割等图像处理技术,还原闪电的时空发展模式,旨在服务于雷电物理的研究。铁路系统的图像识别则利用阈值分割或神经网络等方法,侧重于识别异物或缓慢动作目标。现有研究均未着眼于闪电落点的定位识别,尤其对于通道较短的闪电事件,以及背景噪声显著或背景地物占比较高的图像,尚无较好的解决方法。

鉴于此,针对现场需求和现有识别算法的不足,提出一种基于边缘检测与自适应背景差分的混合图像识别算法,实现闪电落点的准确定位。为了适应不同亮度区域和背景的变化,提高闪电事件的识别精确率,首先对原始图像进行预处理,然后采用自适应加权背景模型构建的静态背景,再利用经典Canny边缘检测算法对同一背景下的全部图像进行边缘检测提取,之后进行差分运算,由此提取出疑似闪电的轮廓,实现闪电的识别。最后,在此基础上,进一步探讨了闪电落点的定位方法。该算法弥补了现有雷电定位技术的局限性,为后续优化铁路运维模式奠定了可靠的技术基础。

1 方法概述

1.1 数据集

早期铁路各专业自行建设的前端视频设备多采用模拟摄像机+编码器的方式,分辨率以4CIF(704×576)为主。近年来,新建和改建视频系统已逐步采用720P(1 280×720)和1 080P(1 920×1 080)的IP摄像机。目前,4K超高清摄像机、一体化高清摄像机和全景摄像机已被正式纳入标准,并根据需要应用到具体工程中^[19]。然而,受限于铁路沿线现有视频监控系统的视场角度与分辨率等因素,大量的雷击过程未能直接捕捉。

为了更好地实现复杂背景下闪电通道的识别与闪电落点的定位,并尽量贴合真实应用场景,本实验选用中国气象局雷电野外科学试验基地(Field Experiment Base on Lightning Sciences, China Meteorological Administration,CMA-FEBLS)提供的城市观测数据作为数据集的重要补充。重点选取背景复杂度高的图片,如包含多栋建筑物、光斑亮点、地物轮廓模糊等特点。广州高建筑物雷电观测站(Tall-object Lightning Observatory in Guangzhou,TOLOG)位于广州市中心区域,作为CMA-FEBLS的关键组成部分始建于2009年,迄今已积累数百次高建筑物雷电资料。该观测站包含6个观测点,主观测点东南方向视野范围内有8座高度超过300 m的建筑物,通过站内设置的闪电通道成像仪、高速摄像机和全视野通道成像仪等多种光学观测设备,能够全面地对广州珠江新城地区高建筑物上的闪电过程进行观测,清晰捕捉自然闪电击中建筑物的图像^[20]。该观测站完备的观测设备,能够为本次实验提供清晰、翔实的数据,其复杂的背景环境较为贴近铁路站场,便于调试算法、验证效果。

此外,为了扩充数据集规模并提升其多样性,通过人工筛选开源图像素材网站,增补了一批背景复杂的地闪图像样本。此举旨在构建更具挑战性的测试集,以进一步评估算法在复杂场景下的鲁棒性。最终,本实验所使用的数据集共包含37组图像,涵盖铁路现场真实闪电事件、典型地闪以及云闪3种类型,为全面验证算法性能提供了数据基础。

1.2 识别流程

鉴于不同来源的闪电图像在分辨率、尺寸、色彩和图片质量等方面存在差异,为了确保输入图像数据的一致性,消除不同分辨率图像对后续处理流程可能产生的影响,首先将所有输入图像的分辨率统一调整至1 920×1 080,然后进行灰度化和滤波处理。一系列标准化预处理旨在消除图像来源差异带来的潜在偏差,从而提高算法的稳定性和泛化能力,并为后续的特征提取和落点识别提供统一的输入格式。

调取真实铁路场景视频可知,图像背景除常规复杂的背景信息(如云、建筑物、树木等)外,还包含地面灯光、列车灯光或行进列车等强干扰信息,现有方法难以有效区分闪电事件和背景信息,容易造成错误识别。为了解决这一问题,采用边缘检测和自适应背景差分对预处理后的图像进行处理,重点关注闪电的轮廓特征和形态学滤波结果,以期有效地滤除地物信息和干扰信息,聚焦闪电的局部形状变化,增强了对闪电通道的识别能力,减少了噪声和复杂背景的干扰,从而实现更精确的闪电通道提取。最后,通过对闪电通道的遍历比对与阈值判断,得到闪电落点。

识别方法的总体流程如图1所示,包含图像预处理、背景建模、边缘检测、通道识别和落点定位 5个关键部分,通过提取闪电轮廓,实现闪电落点的准确定位。

2 算法实现

2.1 图像预处理

以下以TOLOG捕捉到的一次地闪图像为例,对算法流程进行介绍。如图2(a)所示,该数据包含多处光亮噪点,高耸建筑物较多。此外,与背景中其他地物相比,闪电通道宽度略窄,整体亮度相对较弱,仅采用传统图像分割法难以有效提取闪电通道。闪电落点的位置相对较高,在进行落点判断时极易与云闪发生混淆,也会造成闪电落点的漏检。因此选用该闪电图像展示处理过程,能够在一定程度上说明混合识别算法的应用效果。

首先,对图像实施大小调整操作,通过插值、缩放、填充等方法将图像分辨率统一修改为1 920×1 080,宽高比16∶9。考虑到预处理阶段的插值效果直接影响特征计算的准确度,此处的插值算法选用Lanczos方法,最大限度保留边缘信息,确保后续各类图像处理算法在相同尺度下运行。然后,通过检查通道数量判断图像是否为灰度图,对不满足要求的图像进行灰度化处理。最后,为了兼顾滤波效果和处理速度,选取高斯函数对图像进行平滑处理^[21-22],预处理效果如图2(b)所示。通过合理设定标准差来控制滤波强度,最大程度地保留闪电图像中的关键特征信息。这种滤波操作对于提高后续图像梯度计算、边缘检测等处理步骤的准确性至关重要,为从复杂的原始图像中准确提取闪电相关特征创造了有利条件。

2.2 背景建模

背景建模旨在利用相同视角下捕捉的图像序列建立一个统计模型,描述场景的静态部分,以便有效地检测变化目标。背景建模的质量直接决定了背景差分法的检测性能,高质量的背景模型能够有效抑制光照变化、阴影干扰以及背景自身的轻微扰动,从而提高目标检测的精度和鲁棒性^[23-24]。假设背景为静态或变化缓慢的部分,采用多帧像素值的统计信息描述背景,标注出背景中的各类特征点。基于高斯混合模型构造函数,设背景图像为B(x,y)∈[0,255],待检测图像为I(x,y),采用自适应加权背景模型为

(1)B_t₊₁(x,y)=αI_t(x,y)+(1-α)B_t(x,y)

式(1)中:B_t+1(x,y)为第t+1帧的背景模型在像素坐标(x,y)处的像素值;I_t(x,y)为第t帧待检测图像在像素坐标(x,y)处的像素值;α为权重系数,取值范围为[0,1],根据光照变化率动态调整,可表示为

(2)α=$\frac{1}{1+{\mathrm{e}}^{-k(\mathrm{\Delta }E-{E}_{0})}}$

式(2)中:ΔE为环境光强变化量;k=0.1;E₀=20 lx。

通过调整α实现背景噪声的抑制更加符合真实场景应用需求,同时满足多张图像不同时间下的统一背景建模,处理效果如图3所示。

2.3 边缘检测

边缘检测作为从图像中提取目标物体边界信息的核心技术^[25],在闪电图像识别研究中占据关键地位,这里采用经典的Canny算法对经过高斯滤波处理后的图像进行边缘检测。Canny边缘检测算法基于信号处理中的最优边缘检测理论^[26],其目标是在降低噪声影响的同时,尽可能精准地检测出图像中的真实边缘^[27]。

该算法主要涵盖以下步骤:首先,对图像进行高斯平滑处理(图片预处理中已单独开展高斯滤波操作,此步骤在Canny算法内部主要是为了与算法整体流程相适配),进一步削减噪声。接着,计算图像在水平和垂直方向的梯度幅值和方向,计算公式如式(3)、式(4)所示。

水平梯度G_x:

(3)G_x=$\left[\begin{array}{lll}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$

垂直梯度G_y:

(4)G_y=$\left[\begin{array}{lll}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

下一步,采用式(5)、式(6)计算梯度幅值和方向。

梯度幅值:

(5)G=$\sqrt{{G}_{x}^{2}+{G}_{y}^{2}}$

梯度方向:

(6)θ=arctan$\frac{{G}_{y}}{{G}_{x}}$

随后,通过非极大值抑制技术,在梯度方向上对梯度幅值进行细化,仅保留局部梯度幅值最大的点,从而剔除一些可能由噪声或其他非边缘因素引发的虚假边缘响应。最后,通过双阈值检测和边缘连接操作,依据设定的高低阈值,将梯度幅值(G)大于高阈值(T_H)的点确定为强边缘点,小于低阈值(T_L)的点确定为非边缘点,介于两者之间的点在与强边缘点相连时才被视为边缘点。通过高、低阈值区分强边缘、弱边缘和非边缘。

(7)$\left\{\begin{array}{ll}G>{T}_{\mathrm{H}},& \mathrm{强}\mathrm{边}\mathrm{缘}\\ {T}_{\mathrm{L}}<G<{T}_{\mathrm{H}},& \mathrm{弱}\mathrm{边}\mathrm{缘}\\ G<{T}_{\mathrm{L}},& \mathrm{非}\mathrm{边}\mathrm{缘}\end{array}\right.$

由此通过边缘检测算法有效地将图像中的边缘区域进行分离,生成了全新的二值图像(图4),从而为后续的闪电轮廓分析提供清晰的边界信息。此外,通过对二值图像的轮廓进行提取,可以获取图像中所有的轮廓信息以及轮廓之间的层次关系,便于下一步分析轮廓形状,有效识别闪电。

2.4 通道识别

2.4.1 差分处理

背景差分法是一种常用的动态目标检测方法,基本原理是利用连续帧或多张背景图像计算背景模型,然后将被检测图像与背景图像进行差值运算^[28-29],从而提取变化区域,找出图像中的变化目标^[30]。如前所述,铁路站场内除了林立的设备、杆塔、轨道、接触网等复杂的固定地物场景外,还遍布了各种颜色的信号机灯,在图像处理过程中表现出了与闪电击中地物时发出火花类似的高对比度亮斑,仅凭借常规的阈值分割法难以准确区分^[31]。基于铁路站场内监控相机拍摄角度相对固定这一特点,选择在边缘检测的结果基础上融合背景差分法,从而有效提取灰度图像中的闪电目标,差异图像生成方法如下。

将可能包含闪电通道的图像与背景模型逐像素比较,获得差异图像,反映变化区域。差异图像的求取函数为

(8)$ D(x, y)=\left\{\begin{array}{ll}|I(x, y)-B(x, y)|, & T_{\mathrm{L}}<\nabla G(x, y)<T_{\mathrm{H}} \\0, & \text { 其他 }\end{array}\right.$

式(8)中: ▽G(x,y)为背景图像的梯度幅值,确保能够保留显著亮度差异的同时,抑制了高梯度背景区域的误检。

2.4.2 闪电轮廓分析

前一步得到的差分图像中除了需要识别的闪电通道外,通常还会包含各类形态的噪声^[32],直接在差分结果上采取滤波手段会导致闪电通道位置改变,从而影响最终的落点查找准确性。因此,对差分图像分别采取以下两种处理方法。

(1)初步识别。在获取差分图像中的轮廓信息后,通过宽度、高度参数判断,对结果进行初步筛选,在剔除微小噪声后遍历所有的轮廓,并针对每个轮廓计算其外接矩形。外接矩形是包含轮廓的最小矩形,其参数[左上角坐标(x,y)、宽度w和高度h]能够简洁且有效地描述轮廓的大致位置和范围。返回轮廓信息(以一系列点的坐标表示)以及外接矩形参数,并在原始图像上绘制对应的矩形框,以此直观地展示疑似闪电通道在原始图像中的位置和大致范围,有利于单独观察和分析差分结果的形状特征,为后续的研究和分析提供清晰的视觉参考。

(2)滤波识别。依据闪电图像的高亮度、瞬时性的特点,利用形态学滤波对前一步得到的变化区域进行处理^[33],消除细小噪声和伪影,最终认可结果中具有显著变化的像素识别为目标区域,并计算外接矩形。具体运算中,首先构造结构元素进行开运算和闭运算,可表示为

(9)$\left\{\begin{array}{l}{M}_{\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{n}}={\gamma }^{\left(m\right)}D(x,y)\\ {M}_{\mathrm{c}\mathrm{l}\mathrm{o}\mathrm{s}\mathrm{e}}={\varphi }^{\left(n\right)}{M}_{\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{n}}\end{array}\right.$

式(9)中:M_open为经过m次开运算后的中间图像,主要用于去除小噪声点、分离细小连接;M_close为在M_open基础上再进行n次闭运算后的最终滤波图像,主要用于填充内部孔洞、平滑边缘、连接断裂区域;D(x,y)为输入图像在像素坐标(x,y)处的二值化或灰度值;γ^{(^m)}表示连续执行m次开运算;ϕ⁽ⁿ⁾表示连续执行n次闭运算;m和n分别为圆盘和矩形结构元素,取值可依据重构效果设置,此处设置为3×3。

然后,按照闪电的特征选定空间连续性、形状指数和纹理熵作为重点参数进行滤波判断依据,表达式为

(10)$ \begin{aligned}A_{\text {valid }}= & \left\{R_{i} \left\lvert\, \frac{P^{2}}{4 \pi A}>2.5\right. \text { 且 } A>5\right. \text { 且 } \\& \left.\operatorname{Entropy}\left(R_{i}\right)>4.5\right\}\end{aligned}$

式(10)中:A_valid为最终保留的连通区域集合;R_i为图像中第i个连通区域;P为连通区域R_i的周长;A为该区域的面积,通过第一个条件筛选出整体形状相对不规则,长宽比更大的区域,通过第二个条件滤除小光斑或噪点的干扰;Entropy(R_i)为该区域的熵值,衡量区域内像素灰度值分布的混乱程度,用于判断区域的复杂程度。

通过该条件筛选出纹理比较复杂的区域,此处按8位灰度图像考虑,熵的最大值是8,因此选择4.5作为初始阈值。由此得到具备闪电通道特征的轮廓图像(图5),然后在此基础上参照初步识别步骤,同样绘制其外接矩形并记录参数,用于下一步处理。

2.5 闪电落点定位

2.5.1 闪电通道定位

如前所述,为了准确识别闪电落点,需要对比初步识别结果与滤波识别结果给出的轮廓信息,找出闪电通道在图像中所处的原始位置。考虑到图像处理过程中的滤波、腐蚀、膨胀等操作均对闪电通道的轮廓位置构成影响,为了排除人为引入的干扰影响,采用对比分析法进行判断。以滤波识别结果给出的矩形集合{A}为基准,遍历查找初步识别结果中的矩形集合{B}中是否有与之对应的矩形,确保最终识别到的闪电落点更加准确真实,设置以下参数作为筛选条件。

(1)坐标差异。计算两个矩形左上角坐标的差值,计算公式为

(11)$\left\{\begin{array}{l}\mathrm{d}x={x}_{n}-{x}_{m}\\ \mathrm{d}y={y}_{An}-{y}_{Bm}\end{array}\right.$, n∈A,m∈B

式(11)中:dx为矩形左上角横坐标差值;dy为矩形左上角纵坐标差值;x_n,y_An为初步识别结果(集合A)中第n个矩形的左上角坐标(x,y);x_m,y_Bm为滤波识别结果(集合B)中第m个矩形的左上角坐标(x,y)。

(2)尺寸差异。计算两个矩形宽度和高度的差值比例,计算公式为

(12)$\left\{\begin{array}{l}\mathrm{\delta }w=\frac{{w}_{n}-{w}_{m}}{{w}_{n}}\\ \mathrm{\delta }h=\frac{{h}_{n}-{h}_{m}}{{h}_{n}}\end{array}\right.$, n∈A,m∈B

式(12)中:δw为宽度差值比例;δh为高度差值比例;w_n、h_n分别为滤波识别结果(集合A)中第n个矩形的宽度、高度;w_m、h_m分别为滤波识别结果(集合B)中第m个矩形的宽度、高度。

(3)交集与并集比值(intersection over union,IoU)。交并比是衡量A、B两个矩形区域重叠程度的指标,计算公式为

(13)IoU(A,B)=$\frac{\mathrm{A}\mathrm{r}\mathrm{e}\mathrm{a}\left(A\right)\bigcap \mathrm{A}\mathrm{r}\mathrm{e}\mathrm{a}\left(B\right)}{\mathrm{A}\mathrm{r}\mathrm{e}\mathrm{a}\left(A\right)\bigcup \mathrm{A}\mathrm{r}\mathrm{e}\mathrm{a}\left(B\right)}$

式(13)中:Area(A)∩Area(B)为矩形A与B的交集面积;Area(A)∪Area(B)为矩形A与B的并集面积(覆盖部分的总面积)。

采用加权融合计算上述指标的综合评分S,计算公式为

(14)S=$\left\{\begin{array}{l}0,\mathrm{　}\mathrm{d}x>96\wedge \mathrm{d}y>54\\ \alpha (1-\mathrm{\delta }w-\mathrm{\delta }h)+\beta \mathrm{I}\mathrm{o}\mathrm{U}\end{array}\right.$

式(14)中:S为综合评分;α和β分别为尺寸差异和交并比的权重系数。

对判定相似的矩形,采信初步识别结果给出的坐标位置,完成闪电通道的位置查找。这种基于外接矩形尺寸的筛选方法显著提高了闪电通道位置的准确性,聚焦于更有可能代表真实闪电区域的轮廓对象,以便后续对闪电落点进行精准识别。

2.5.2 地物连接点查找

在得到闪电通道轮廓后,通过遍历所有的轮廓以及每个轮廓内的所有点来寻找可能的闪电击落点。从几何意义上看,假设闪电的击落点通常位于闪电形状的最底部,因此通过比较每个点的纵坐标值来确定最底部点。在遍历过程中,针对每个轮廓中的每个点,将其纵坐标值与当前记录的最大纵坐标值(初始化为极小值)进行比较。若某一点的纵坐标值大于当前最大值,则更新最大值,并记录该点的坐标信息作为新的最底部点候选。

当遍历完当前轮廓的所有点后,所得的最终最底部点坐标(x_l,y_l)被视作闪电可能的击落点。为进一步判断该点是否真正代表闪电击落到地面等目标物体上的位置,采用分析图像局部区域的灰度方法,判定该落点是否位于前景与背景的过渡区域。首先,以目标像素点(x_l,y_l)为中心,构建一个局部邻域窗口W,其尺寸为n×n像素,其中n为奇数,若邻域超出图像边界,则自动截断至有效范围。其次,计算邻域窗口W的灰度直方图,采用Otsu算法优化类间方差,求解最优阈值T_local,可表示为

(15)T_local=arg$\underset{T}{\mathrm{m}\mathrm{a}\mathrm{x}}$[${\sigma }_{\mathrm{b}}^{2}$(T)]

式(15)中:${\sigma }_{\mathrm{b}}^{2}$(T)为阈值T划分的类间方差。

定义疑似闪电落点灰度值I_l=I(y_l,x_l),当满足式(16)时,则判定该点位于分界区域,是有效的闪电击落点,在识别结果图像[图6(a)]和原始图像[图6(b)]上以红色圆圈标记。

(16)$ \left|I_{1}-T_{\text {local }}\right| \leqslant \Delta_{\text {tol }}$

式(16)中:Δ_tol为预设容差。

若不满足式(16)条件,则判定该连接点无效,即闪电未实际击落到地面或目标物体上。通过示例图像可以清楚地看到,闪电通道的轮廓信息被完整提取,闪电落点识别准确,证明所提出的混合算法可以很好地克服通道难以提取和落点判断的困难。这种基于局部阈值分割技术的落点识别方法,是对闪电在图像中位置特征的一种经验性假设和分析,能够适应不均匀亮度条件下的闪电落点识别。借助该方式,尝试从图像中提取有关闪电是否击落到目标物体的信息,可以为闪电定位开辟新的视角和分析方法。

3 实验结果与评价

3.1 典型结果分析

图7(a)展示了一次典型的地闪图像,背景中地物复杂且光噪干扰明显。尽管地闪的主放电通道亮度较高,但靠近地面处受云层遮挡,导致通道在图像中出现断裂。此外,主通道两侧分布着多条分支闪电。这些复杂因素共同对识别算法的准确性提出了挑战。图7(b)显示了通道的识别结果。受云层干扰影响,算法错误地将同一闪电主通道识别为两条独立通道,并分别绘制了其外接矩形。原图像中存在的十余条分支闪电通道,大部分未能被识别;算法仅提取了其中一条分支的一部分。尽管闪电通道识别存在不完整性,但如图7(c)所示,闪电落点的准确查找并未因此受到影响。通过阈值判断,算法不仅成功识别了真实的闪电落点,而且有效排除了云层遮挡造成的虚假干扰,避免将通道断裂处错误识别为落点。这表明该算法在处理复杂地闪图像时表现出良好的鲁棒性和准确性。

图7(d)为云闪图像,背景较为干净,闪电通道亮度适中。但该数据作为云闪过程,并为无闪电落点,相比于其他图像更易出现落点误判,因此选用云闪数据可以有效地评判本算法在落点识别上的可靠性。云闪通道的识别效果如图7(e)所示,落点识别效果如图7(f)所示,经过地物连接算法的计算,判断虽然存在闪电通道及其最底部点,但其阈值不满足条件,因此识别为无闪电落点,与实际情况相符。

图7(g)为某火车站遭遇了的一次真实的雷击事件,闪电击中站内设施后发出明亮白色火花,放电所产生的瞬时强光反射到地面钢轨,照亮了闪电落点附近区域的轨道,引入了新的干扰源。图7(h)为闪电的识别结果,虽然原始图像中并无典型闪电通道形状,但本算法仍旧较好地提取了与闪电事件相关的信息,并未发生遗漏或误判。图7(i)为闪电落点识别结果,可以看到,尽管被照亮的钢轨在原始图像中十分明显,边缘检测后该部分轮廓亦被提取,给识别工作造成巨大的干扰,但是基于局部阈值法的地物连接算法准确剔除了干扰,给出了正确的闪电落点。高质量的背景建模为最终的差分计算奠定了良好的基础,边缘检测算法和自适应背景差分法的整体识别效果也显著优于单一算法,在此基础上进行地物连接点查找的结果更加真实可靠。

上述实验结果表明,所提出的混合识别方法在地闪、云闪和真实铁路场景的雷电事件中均表现出了较好的识别能力,对闪电落点的定位也符合预期。

3.2 闪电通道识别效果评价

为了全面评估所提出的混合闪电识别方法的性能和优势,采用召回率(R_recall)和精确率(P_pre)指标评价闪电通道的识别效果^[34],其计算公式分别为

(17)R_recall=$\frac{{T}_{\mathrm{P}}}{{T}_{\mathrm{P}}+{F}_{\mathrm{N}}}$

(18)P_pre=$\frac{{T}_{\mathrm{P}}}{{T}_{\mathrm{P}}+{F}_{\mathrm{P}}}$

式中:T_P为正确识别的闪电通道像素数;F_N为没能被识别出的闪电通道像素数;F_P为误识别成闪电通道的像素数。

经过计算,本文方法的R_recall与P_pre分别为0.86和0.89,相较于全局自适应阈值法、局部自适应阈值法等单一算法实现了显著提升^[14]。R_recall略低的原因在于算法构建过程中,更侧重于闪电落点识别的核心任务,通过阈值调整机制,主动牺牲闪电分支通道的识别精度,变相提高了P_pre,为后续闪电落点定位任务奠定了坚实基础。从评价结果来看,闪电主放电通道均得到了较好的识别。除了阈值调整的积极作用,性能提升还得益于多种算法的有效融合,使其在闪电检测任务中表现出更强的适应性和综合性能。考虑到闪电通道的显著特征和图像的复杂性,检测任务往往会受到局部特征和背景噪声的影响,边缘检测和自适应背景差分的混合方法可以很好地过滤或抑制背景噪声,使得这种融合措施可以更全面地捕捉和识别闪电,从而提高准确率。

3.3 闪电落点识别效果评价

为了进一步量化评价闪电落点的识别性能,采用欧氏距离计算算法识别雷击点(x_pred,y_pred)与人工标注雷击点(x_true,y_true)之间的像素差(d_Euclidean),当该值小于图像分辨率的5%时,判定识别的雷击点是正确的。

欧氏距离和误差参量分别通过式(19)、式(20)计算。

(19)d_Euclidean=$\sqrt{({x}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}-{x}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}{)}^{2}+({y}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}-{y}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}{)}^{2}}$

平均误差($\stackrel{-}{E}$):计算所有点的欧氏距离的平均值,作为整体误差。

(20)$\stackrel{-}{\mathrm{E}}=\frac{1}{N}\sum _{i=1}^{N}{d}_{\mathrm{E}\mathrm{u}\mathrm{c}\mathrm{l}\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{n}}({p}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}^{i},{p}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}^{i})$

式(20)中:N为预测点的数量;${p}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}^{i}$为第i个人工标注点的坐标;${p}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}^{i}$为第i个识别点的坐标。

最大误差(E_max):计算所有点中误差最大的值。

(21)E_max=max[d_Euclidean(${p}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}^{i}$,${p}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}^{i}$)]

标准差误差(σ):计算所有误差的标准差,衡量误差的波动性。

(22)$\mathrm{\sigma }=\sqrt{\frac{1}{N}\sum _{i=1}^{N}\left[{d}_{\mathrm{E}\mathrm{u}\mathrm{c}\mathrm{l}\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{n}}\right({p}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}^{i},{p}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}^{i}{)-\stackrel{-}{E}]}^{2}}$

采用上述公式对数据集中的识别结果进行误差计算,结果如表1所示。

本文算法对闪电落点的识别正确率为97.3%,除一幅包含多分支闪电通道的闪电落点出现了漏检外,数据集内其他图像的闪电落点定位均符合预期。这也导致标准差误差σ攀升至65.6,剔除错误结果后,σ回归到12.9。基于上述实验结果,该算法在闪电落点识别中展现出卓越的性能,但面对多分支闪电的落点定位,还具备优化的空间。

4 结论

针对复杂铁路站场环境下的雷击事件排查需求,提出一种基于计算机视觉的闪电图像识别与闪电落点定位的创新方法。通过整合图像处理技术与形态学分析手段,构建一套具有工程实用价值的闪电探测算法框架,并基于实际观测数据验证了方法的有效性。得出如下主要结论。

(1)通过融合边缘检测法与自适应背景差分法构建的闪电图像识别方法,增强了边缘检测的稳定性与鲁棒性,能够准确识别铁路站场环境中的闪电事件。定量评估结果显示,该方法的召回率为0.86,精确率达到0.89,均显著优于单一阈值分割方法。因此,针对诸如铁路站场等特殊场景下的闪电识别,应尝试多种算法融合检测的思路设计识别模型,避免单一算法的应用局限性。

(2)基于局部阈值分割技术实现了闪电落点的准确查找,有助于铁路运维人员有针对性地开展快速响应,辅助雷害排查工作,缩短故障影响时间,为铁路防雷工作提供了新思路。尤其是在有复杂背景的环境中,该方法依然表现出优良的鲁棒性,为后续的推广和应用奠定了基础。

(3)常见的边缘检测与背景差分法多采用先差分后检测的顺序,然而研究中发现,复杂场景下的天空、树木、人员、机车车辆等对检测率和识别速度产生的影响较大。针对闪电活动的偶发性和其在图像中表现出的强对比度等特点,采用先检测后差分的混合方法,能够大幅降低算法复杂度,更适合实时检测。应对背景变化和噪声干扰的抗扰度更佳,结合形态学滤波等方法,能够有效增强检测效果。

研究成果显著提升了复杂背景下闪电通道和闪电落点的识别准确性,拓展了铁路雷害排查的技术手段,有效地提高了运维效率。未来将继续整合多源信息、引入深度学习等先进技术,提升多场景下的闪电目标识别能力,以及视频流的实时识别能力,实现雷电探测的智能化与精准化,在铁路安全基础设施维护、自然灾害预警等领域发挥积极作用,推动铁路防雷技术的持续发展。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	吕伟涛, 陈绍东, 郑栋, 等. 广东雷电野外综合观测试验20年进展[J]. 应用气象学报, 2025, 36(5): 513-529.

[2]	Lü Weitao, Chen Shaodong, Zheng Dong, et al. Twenty-year progresses of Guangdong comprehensive observing experiment on lightning discharge[J]. Journal of Applied Meteorological Science, 2025, 36(5): 513-529.

[3]	肖桐, 倪奋斌, 靳邵云, 等. 基于混合云构建的铁路雷电探测系统研究与运用[J]. 铁道通信信号, 2026, 62(2): 6-14.

[4]	Xiao Tong, Ni Fenbin, Jin Shaoyun, et al. Research and application of railway lightning detection system based on hybrid cloud[J]. Railway Signalling & Communication, 2026, 62(2): 6-14.

[5]	付茂金, 肖桐. 铁路通信信号防雷技术研究及展望[J]. 铁道通信信号, 2019, 55(S1): 167-170.

[6]	Fu Maojin, Xiao Tong. Research and prospect of lightning protection technology for railway communication signals[J]. Railway Signalling & Communication, 2019, 55(S1): 167-170.

[7]	侯文玉. 高速铁路接触网雷害特征与防护[J]. 中国铁路, 2016(11): 1-6.

[8]	Hou Wenyu. Characteristics and protection of lightning damage in high-speed railway catenary[J]. China Railway, 2016(11): 1-6.

[9]	杨俊, 刘岩, 李杰, 等. 基于多尺度残差网络的闪电类型识别[J]. 科学技术与工程, 2025, 25(27): 11483-11489.

[10]	Yang Jun, Liu Yan, Li Jie, et al. Research on lightning type recognition based on multi-scale residual networks[J]. Science Techno-logy and Engineering, 2025, 25(27): 11483-11489.

[11]	Warner T A. Observations of simultaneous upward lightning leaders from multiple tall structures[J]. Atmospheric Research, 2012, 117: 45-54.

[12]	Gao Y, Chen M, Qin Z, et al. The spatial evolution of upward po-sitive stepped leaders initiated from a 356-m-tall tower in southern China[J]. Journal of Geophysical Research: Atmospheres, 2020, 125(2): 1-18.

[13]	Su Z, Lü W, Chen L, et al. Shielding effect of surrounding buildings on the lightning-generated vertical electric field at the top of a tall building[J]. IEEE Transactions on Electromagnetic Compatibility, 2019, 61(1): 174-182.

[14]	Chen L, Lü W, Zhang Y, et al. Correlated luminosity and magnetic field peaks produced by canton tower-strokes[J]. Atmospheric Research, 2019, 218: 59-69.

[15]	Fan X, Zhang Y, Krehbiel P R, et al. Application of ensemble empirical mode decomposition in low-frequency lightning electric field signal analysis and lightning location[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(1): 86-100.

[16]	Fan X, Zhang Y, Krehbiel P, et al. Channel development and electric parameter characteristics of regular pulse bursts in lightning[J]. Geophysical Research Letters, 2024, 51(7): e2023GL106582.

[17]	杨欣怡, 吕伟涛, 杨俊, 等. 3种阈值方法在闪电通道图像识别中的应用[J]. 应用气象学报, 2014, 25(4): 427-435.

[18]	Yang Xinyi, Lü Weitao, Yang Jun, et al. Applications of three threshold methods to the lightning channel image recognition[J]. Journal of Applied Meteorological Science, 2014, 25(4): 427-435.

[19]	高彦, 吕伟涛, 陈绿文, 等. 双站摄像资料重建闪电三维通道的方法[J]. 高原气象, 2015, 34(3): 842-849.

[20]	Gao Yan, Lü Weitao, Chen Lüwen, et al. Reconstruction method of 3D lightning channel from two-station video observation[J]. Plateau Meteorology, 2015, 34(3): 842-849.

[21]	李峰, 吕伟涛, 李清勇, 等. 基于线支持区域的闪电通道识别算法[J]. 应用气象学报, 2016, 27(6): 725-733.

[22]	Li Feng, Lü Weitao, Li Qingyong, et al. Lightning channel image recognition based on line support region[J]. Journal of Applied Meteorological Science, 2016, 27(6): 725-733.

[23]	翟坤宁, 付主木, 王秀菊, 等. 基于改进U2Net的地基云图分割技术[J]. 科学技术与工程, 2025, 25(14): 5737-5744.

[24]	Zhai Kunning, Fu Zhumu, Wang Xiuju, et al. Improved U2Net-based ground cloud image segmentation techniques[J]. Science Technology and Engineering, 2025, 25(14): 5737-5744.

[25]	康学东. 我国铁路智能建设与运营管理初探[J]. 铁道工程学报, 2019, 36(4): 84-89.

[26]	Kang Xuedong. A preliminary exploration of intelligent construction and operation management of railways in China[J]. Journal of Railway Engineering Society, 2019, 36(4): 84-89.

[27]	李兴鑫, 朱力强, 余祖俊. 自适应铁路场景前景目标检测[J]. 交通运输系统工程与信息, 2020, 20(2): 83-90.

[28]	Li Xingxin, Zhu Liqiang, Yu Zujun. Adaptive foreground object detection in railway scene[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(2): 83-90.

[29]	王飞, 刘桂卫, 陈则连, 等. 基于U-Net孪生网络的铁路异物侵限监测技术研究[J]. 铁道工程学报, 2025, 42(4): 88-92.

[30]	Wang Fei, Liu Guiwei, Chen Zelian, et al. Research on railway foreign object intrusion detection technology based on U-Net siamese network[J]. Journal of Railway Engineering Society, 2025, 42(4): 88-92.

[31]	中国国家铁路集团有限公司. 铁路综合视频监控系统技术规范:Q/CR575—2022[S]. 北京: 中国铁道出版社, 2022.

[32]	China State Railway Group Co., Ltd. Technicalspecificationforintegratedvideomonitoringsystemofrailway:Q/CR575—2022[S]. Beijing: China Railway Publishing House, 2022.

[33]	吕伟涛, 陈绿文, 马颖, 等. 广州高建筑物雷电观测与研究10年进展[J]. 应用气象学报, 2020, 31(2): 129-145.

[34]	Lü Weitao, Chen Lüwen, Ma Ying, et al. Advances of observation and study on tall-object lightning in Guangzhou over the last decade[J]. Journal of Applied Meteorological Science, 2020, 31(2): 129-145.

[35]	王文标, 时启衡, 郝友维. 基于自适应高斯混合模型与ResDN的火焰检测算法[J]. 科学技术与工程, 2025, 25(4): 1580-1586.

[36]	Wang Wenbiao, Shi Qiheng, Hao Youwei. Fire detection algorithm combining adaptive Gaussian mixture model and residual dense network[J]. Science Technology and Engineering, 2025, 25(4): 1580-1586.

[37]	赵娅琳, 陶青川, 卢倩雯, 等. 基于梯度二阶导数的Canny阈值自适应选取算法[J]. 科学技术与工程, 2018, 18(14): 179-185.

[38]	Zhao Yalin, Tao Qingchuan, Lu Qianwen, et al. The Canny threshold selection algorithm based on the second derivative of image gradient[J]. Science Technology and Engineering, 2018, 18(14): 179-185.

[39]	Narayana M, Hanson A, Learned-Miller E G. Background subtraction: separating the modeling and the inference[J]. Machine Vision and Applications, 2014, 25(5): 1163-1174.

[40]	舒兆翰, 李小龙, 郭霞, 等. 面向鬼影抑制的改进ViBe算法及其应用[J]. 科学技术与工程, 2025, 25(14): 5948-5956.

[41]	Shu Zhaohan, Li Xiaolong, Guo Xia, et al. Improved ViBe algorithm for ghosting suppression and its application[J]. Science Technology and Engineering, 2025, 25(14): 5948-5956.

[42]	姜星宇, 宋振强, 薛港, 等. 耦合多尺度卷积与边缘检测的芒果单株树冠提取[J]. 科学技术与工程, 2025, 25(33): 14371-14379.

[43]	Jiang Xingyu, Song Zhenqiang, Xue Gang, et al. Individual mango tree Canopy extraction by coupling multi-scale convolution and boundary detection techniques[J]. Science Technology and Engineering, 2025, 25(33): 14371-14379.

[44]	杜文汉, 李东兴, 王倩楠, 等. 融合改进帧差和边缘提取算法的运动目标检测[J]. 科学技术与工程, 2022, 22(5): 1944-1949.

[45]	Du Wenhan, Li Dongxing, Wang Qiannan, et al. Moving target detection based on improved frame difference and edge extraction algorithm[J]. Science Technology and Engineering, 2022, 22(5): 1944-1949.

[46]	李玲星, 张小俊. 基于目标检测的激光雷达道路边缘检测算法[J]. 科学技术与工程, 2024, 24(9): 3519-3525.

[47]	Li Lingxing, Zhang Xiaojun. Lidar road edge detection algorithm based on target detection[J]. Science Technology and Engineering, 2024, 24(9): 3519-3525.

[48]	舒兆翰, 李小龙, 吴从辉. 融合两帧差分法的改进视觉背景提取算法[J]. 科学技术与工程, 2024, 24(11): 4618-4625.

[49]	Shu Zhaohan, Li Xiaolong, Wu Conghui. Improved visual background extraction algorithm incorporating two-frame difference method[J]. Science Technology and Engineering, 2024, 24(11): 4618-4625.

[50]	冯鹏帆, 郝如江, 尚腾龙, 等. 基于融合图形差分场和改进型高效能网络的齿轮箱故障诊断[J]. 科学技术与工程, 2026, 26(3): 1038-1045.

[51]	Feng Pengfan, Hao Rujiang, Shang Tenglong, et al. Gearbox fault diagnosis based on MDF and efficientnet[J]. Science Technology and Engineering, 2026, 26(3): 1038-1045.

[52]	Yoshinaga S, Shimada A, Nagahara H, et al. Object detection based on spatiotemporal background models[J]. Computer Vision and Image Understanding, 2014, 122: 84-91.

[53]	罗威, 吴超华, 肖俊, 等. 基于改进粒子群算法的焊接缺陷三阈值图像分割方法[J]. 科学技术与工程, 2025, 25(22): 9463-9470.

[54]	Luo Wei, Wu Chaohua, Xiao Jun, et al. Three-threshold image segmentation of welding defects based on improved particle swarm algorithm[J]. Science Technology and Engineering, 2025, 25(22): 9463-9470.

[55]	蔡靖, 王锴, 李岳, 等. Canny算子+模糊C聚类融合的红外热成像机场道面积水识别方法[J]. 科学技术与工程, 2024, 24(28): 12382-12390.

[56]	Cai Jing, Wang Kai, Li Yue, et al. Infrared image airport runway water identification method based on the fusion algorithm of Canny operator + fuzzy C-means clustering[J]. Science Technology and Engineering, 2024, 24(28): 12382-12390.

[57]	Zhang K Q, Chen S C, Whitman D, et al. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4): 872-882.

[58]	Felzenszwalb P F, Girshick R B, McAllester D, et al. Object detection with discriminatively trained part-based models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1627-1645.

基金资助

国家自然科学基金高铁联合基金(U2268217)

中国铁道科学研究院基金(2024YJ318)

中国铁道科学研究院通号所基金(2024HT04)

PDF (8209KB)

访问

被引

详细

导航

Received	Published	Revised
2026-01-05	2026-10-18	2026-04-07
Online Date
2026-10-23

摘要