本发明受电弓结构异常检测技术领域，尤其涉及一种基于图像处理的受电弓结构异常检测算法。
背景技术：
随着铁路事业的飞速发展，对其运输安全性的要求越来越高。受电弓是给电力机车提供能量的主要部件之一，如果发生结构异常的故障缺陷，将有可能引发严重的交通事故，危及行车安全。因而，准确、及时地发现受电弓结构异常故障对于受电弓的维护和行车安全具有重大意义。
列车在运行过程中需要通过车顶上的受电弓从接触网取电。随着国内轨道交通的快速发展，机车受电弓——接触网系统被大量应用于其中，与此同时，随着列车运行负载的加重和里程数量的增加，受电弓容易出现诸如结构异常之类的缺陷故障。准确、及时地发现受电弓结构异常的缺陷对于受电弓的快速维修具有良好的指导意义，同时能避免出现不可预料的行车安全事故。传统的受电弓故障检测方法需要列车驶进机务段，停车、降弓、断电以及人工登顶查看，该方法效率低、精度差、费时费力、精确性差，而且属于高空危险作业，测量次数受限，因而存在误判和安全问题，对受电弓异常情况的监控力度不够，故不适应铁路的高速发展。而图像检测技术测属于一种非接触式测量技术，可以独立、客观地对被测物体进行动、静态测量。测量结果更为客观，测量效率更为高效、测量精度更为准确。
如现有技术中，公开号为cn108681733a，公开日为2018年10月19日，名称为“一种基于图像处理的受电弓状态异常检测系统及检测方法”的发明专利文献，公开了一种基于图像处理的受电弓状态异常检测系统及检测方法，包括电源单元，还包括采集触发单元、视频图像采集单元、视频信息合成单元、受电弓检测单元、故障故障报警单元、无线通讯单元、视频图像存储单元和信息显示单元，其中采集触发单元与机车系统单元、视频图像采集单元连接，视频图像采集单元与视频信息合成单元以及受电弓检测单元连接，视频信息合成单元还与机车系统单元的信号输出端连接，视频信息合成单元与视频图像存储单元连接，受电弓检测单元与视频图像存储单元和故障故障报警单元连接，视频图像存储单元经无线通讯单元与信息显示单元连接。
但是现有技术的这些图像识别技术方案中，对于受电弓在图像中的定位以及对受电弓特征的提取方法，在实际使用中会有不准确以及计算复杂度高导致处理进度慢的问题，并且这类算法只能对受电弓是否发生异常进行定性分析，并不能判定受电弓发生结构异常的程度。
技术实现要素：
为了克服上述现有技术中存在的问题和不足，本发明旨在于提供一种对于背景复杂、光照不均、含噪声等图像具有良好的适应性，算法检测准确率高、提高了受电弓结构异常故障的检测效率的受电弓结构异常检测算法。
为了实现上述发明目的，本发明的技术方案如下：
基于图像处理的受电弓结构异常检测算法，其特征在于，包括以下步骤：
图像预处理步骤，去除待识别图像中的噪声；受电弓图像为白天、晚上24小时全天候拍摄，因此会存在光照不均匀、图像对比度较低的情况，另外，相机自身电子干扰、采用jpeg格式对受电弓原始图像进行压缩等一些原因，容易使得所拍摄图像中会有噪声。如果不对相机拍摄的原始图像进行预处理，将会影响后续的特征提取准确度，从而影响受电弓定位以及异常判断的准确率。
所述图像预处理步骤是，采用高斯滤波的方法对待识别图像采集过程中出现的噪声进行噪声滤除，针对光照不均匀、图像对比度较低的情况，以及采取直方图均衡的方法对待识别图像进行图像增强和提高图像对比度。
受电弓定位步骤，具体包括受电弓分类模型建立和受电弓识别定位；所述受电弓分类模型建立是通过hog特征提取的方法对样本图像进行特征提取得到每张样本图像的hog特征，然后通过svm分类模型对样本图像中的受电弓图像和非受电弓图像的hog特征进行训练学习，得到受电弓分类模型；所述受电弓识别定位是将待识别图像输入并通过hog特征提取，将hog特征提取结果输入受电弓分类模型，识别定位出待识别图像中的受电弓。采用hog svm的方法对经过图像预处理步骤后的待识别图像中包含的受电弓影像进行定位，具体包括：一般的受电弓图像的原始大小都比较大，而需要检测的前景区域(含受电弓)则约占图像大小的1/5，若直接对全图进行算法处理，将会比较耗时，另外由于受电弓图像背景较为复杂多变，直接进行全图处理时，容易受到背景干扰的影响导致检测效果不准确。因此，本文在进行图像预处理后，采用hog svm的方法对受电弓进行定位，以提高后续算法的检测效率，减少干扰。
所述样本图像包括受电弓正、负样本，正样本为包含受电弓的图像，负样本为不含受电弓的任意图像。
所述通过hog特征提取的方法对样本图像进行特征提取，具体包括以下步骤：
归一化处理，由于所拍摄受电弓图像光照情况不一，为减少光照因素和局部阴影的影响，需将每张图进行归一化处理
i(x，y)＝i(x，y)gamma，其中(x，y)为图像的像素点；
对图像x方向和y方向进行梯度计算，梯度计算是为进一步弱化光照的影响，图像中的像素点(x，y)的梯度为
gx(x，y)＝h(x 1，y)-h(x-1，y)
gy(x，y)＝h(x，y 1)-h(x，y-1)
根据以上式子，可得到像素点(x，y)处的梯度幅值
和梯度方向
特征合成，遍历样本图像中的每个像素点，计算得到所有像素点的梯度幅值和梯度方向值，对所有梯度幅值和梯度方向进行一定方式的有机组合，再进行直方图统计计算得到整张图的hog特征。
所述通过svm训练方法对样本图像中的受电弓图像和非受电弓图像的对hog特征进行分类，包括对线性可分的样本图像hog特征点以最优分类线进行分类，以及对非线性可分的样本图像hog特征点以最优分类超平面进行分类。通过最优分类分类线，面函数可对受电弓整正、负样本图像进行训练学习，最终得到一个受电弓分类模型。
受电弓轮廓提取步骤，对经过受电弓定位步骤的待识别图像进行图像增强，然后进行固定阈值化处理，并采取二值化方法对待识别图像进行二值分割，遍历待识别图像的所有像素，以像素值为提取标准提取前景像素。
具体的，对待识别图像进行图像增强是为了增加图像受电弓羊角外侧边缘区域与背景图像的对比度，增强后的待识别图像中羊角外侧边缘较黑，背景相对而言较亮，因此可对图像进行固定阈值化处理，提取图像中的低像素范围区域，然后对阈值化后的整个区域进行连通域计算，得到各不同性质的区域；然后对连通域图像进行形态学开运算处理，去除较小孤立干扰区域，并计算各区域的外接矩形，在此基础上计算各区域的面积、长、宽等特征。通过设定一定阈值，筛选出满足阈值条件的区域，经过增强后的受电弓，羊角边缘区域、羊角与滑板之间的间隙区域像素都比较低。根据此特性，采取二值化方法对受电弓图像进行二值分割，遍历图像所有像素，将像素值范围在0到5范围内的像素作为前景像素提取；二值化后的图像包含很多干扰区域，需要通过求取各区域的特征对干扰区域进行筛除：对二值化图像后的图像进行连通域求取；采用形态学开运算算法去除孤立小区域及噪点；计算各个区域的面积，外接矩形，通过各区域的面积大小、长、宽等特征去除干扰。
关键轮廓提取步骤，对经过所述受电弓轮廓提取步骤处理的待识别图像提取出受电弓左、右两侧的区域，对提取出的区域中心线进行轮廓分割，对分割出的轮廓依次遍历计算每个轮廓的纵坐标最大值，将每个轮廓的纵坐标最大值从大到小进行排序，排序最末的纵坐标所对应的轮廓和排序第一的纵坐标所在轮廓即为关键轮廓线；感兴趣区域提取的只是区域，无法利用其进行关键点的准确计算。本文需对提取到的区域进行骨架提取，即将提取出的感兴趣区域从多像素宽度减少到单位像素宽度，也可称之为提取感兴趣区域中心线。对提取出的区域中心线进行轮廓分割是为方便后续计算滑板长度以及弓头长度。
关键点提取步骤，提取所述关键轮廓线中的滑板与羊角间隙中心线轮廓、以及羊角边缘中心线轮廓，获得包括受电弓滑板和羊角端点的关键点。
所述关键点提取步骤中，要对滑板的关键点提取，遍历滑板与羊角间隙中心线轮廓上所有点的横坐标，并求取横坐标均值作为滑板关键点的x坐标；对所有轮廓点的纵坐标在进行排序，选择纵坐标最大值作为滑板关键点的y坐标。
所述关键点提取步骤中，要对羊角关键点提取，将羊角边缘中心线轮廓坐标点在纵坐标方向由从大到小排序，遍历关键点集所有点的横坐标，并求取横坐标均值作为羊角关键点的x坐标；将关键点集中的纵坐标最大值作为羊角关键点的y坐标。优选地，为减小关键点计算误差，对排序后的坐标点截取前20个坐标点集作为羊角关键点集，用于羊角关键点的计算。
提取的关键轮廓包含滑板与羊角间隙中心线轮廓、羊角边缘中心线轮廓，需对其进行区分，方便后续准确地进行滑板关键点的提取以及羊角关键点的提取，而区分的方法，是因滑板相关轮廓线与羊角相关轮廓线在图像中的位置差别比较大，因此可通过轮廓线在图像中的位置关系进行区分，对任意轮廓随机抽取一个轮廓坐标点，如果小于一定阈值，则判定其为羊角边缘中心线轮廓，否则为滑板与羊角间隙中心线轮廓。
参数计算与异常判断步骤，包括包括通过所述关键点提取步骤的结果对受电弓滑板长度、受电弓弓头长度和受电弓弓头高度进行计算，将计算得到的滑板长度、弓头长度、弓头高度和标准值进行比较并判定受电弓结构有异常现象。
所述受电弓滑板长度，是利用已找到的受电弓左、右两端滑板关键点，根据两点之间的直线距离计算方法进行计算。
所述受电弓弓头长度是利用已找到的受电弓左、右两端羊角关键点，根据两点之间的直线距离计算方法进行计算。
受电弓弓头高度是根据受电弓左、右两端滑板关键点找出滑板中点m1，左、右两端羊角关键点计算羊角中点m2，根据两个中点可计算受电弓弓头高度。
本发明的有益效果如下：
本发明的算法，在机车运行时刻、停止时刻均可对受电弓结构异常与否进行检测，旨在解决以往受电弓结构异常检测需停车、人工登顶查看、手工测量的弊端。通过对大量数据的实验测试表明，该算法检测准确率在90％以上，能够很好的满足在线检测的需求，具有良好的应用前景。
附图说明
本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚，附图中：
图1为本发明的逻辑关系示意图。
具体实施方式
下面通过几个具体的实施例来进一步说明实现本发明目的技术方案，需要说明的是，本发明要求保护的技术方案包括但不限于以下实施例。
实施例1
本实施例公开了基于图像处理的受电弓结构异常检测算法，如图1，包括图像预处理步骤、受电弓定位步骤、受电弓轮廓提取步骤、关键轮廓提取步骤、关键点提取步骤和参数计算与异常判断步骤；
图像预处理步骤，去除待识别图像中的噪声；受电弓图像为白天、晚上24小时全天候拍摄，因此会存在光照不均匀、图像对比度较低的情况，另外，相机自身电子干扰、采用jpeg格式对受电弓原始图像进行压缩等一些原因，容易使得所拍摄图像中会有噪声。如果不对相机拍摄的原始图像进行预处理，将会影响后续的特征提取准确度，从而影响受电弓定位以及异常判断的准确率。
优选地，所述图像预处理步骤是采用高斯滤波的方法对待识别图像采集过程中出现的噪声进行噪声滤除，针对光照不均匀、图像对比度较低的情况，以及采取直方图均衡的方法对待识别图像进行图像增强和提高图像对比度
受电弓定位步骤，具体包括受电弓分类模型建立和受电弓识别定位；所述受电弓分类模型建立是通过hog特征提取的方法对样本图像进行特征提取得到每张样本图像的hog特征，然后通过svm分类模型对样本图像中的受电弓图像和非受电弓图像的hog特征进行训练学习，得到受电弓分类模型，即，所述样本图像包括受电弓正、负样本，正样本为包含受电弓的图像，负样本为不含受电弓的任意图像；所述受电弓识别定位是将待识别图像输入并通过hog特征提取，将hog特征提取结果输入受电弓分类模型，识别定位出待识别图像中的受电弓。采用hog svm的方法对经过图像预处理步骤后的待识别图像中包含的受电弓影像进行定位，具体包括：一般的受电弓图像的原始大小都比较大，如为2048*1080，而需要检测的前景区域(含受电弓)则约占图像大小的1/5，若直接对全图进行算法处理，将会比较耗时，另外由于受电弓图像背景较为复杂多变，直接进行全图处理时，容易受到背景干扰的影响导致检测效果不准确。因此，本文在进行图像预处理后，采用hog svm的方法对受电弓进行定位，以提高后续算法的检测效率，减少干扰。
所述通过hog特征提取的方法对样本图像进行特征提取，具体包括以下步骤：
归一化处理，由于所拍摄受电弓图像光照情况不一，为减少光照因素和局部阴影的影响，需将每张图进行归一化处理
i(x，y)＝i(x，y)gamma，其中(x，y)为图像的像素点；
对图像x方向和y方向进行梯度计算，梯度计算是为进一步弱化光照的影响，图像中的像素点(x，y)的梯度为
gx(x，y)＝h(x 1，y)-h(x-1，y)
gy(x，y)＝h(x，y 1)-h(x，y-1)
根据以上式子，可得到像素点(x，y)处的梯度幅值
和梯度方向
特征合成，遍历样本图像中的每个像素点，计算得到所有像素点的梯度幅值和梯度方向值，对所有梯度幅值和梯度方向进行一定方式的有机组合，再进行直方图统计计算得到整张图的hog特征。
所述通过svm训练方法对样本图像中的受电弓图像和非受电弓图像的对hog特征进行分类，包括对线性可分的样本图像hog特征点以最优分类线进行分类，以及对非线性可分的样本图像hog特征点以最优分类超平面进行分类。
具体的，对于线性可分的样本图像hog特征点，设{(xi，yi)，i＝1，..，n}为n个样本图像的集合，其中xi为每一个样本图像，yi＝1或-1表示xi所属的类，例如可将正样本所在的类表示为1，负样本所在的类表示为-1；
以所属的类为分类的标准构成线性方程y＝w·x b对样本图像分类，x代表所有样本图像xi，y代表所有yi，w表示权值，b为偏移量；即指有样本xi属于正样本所在的类还是负样本所在的类；
寻找一个最优分类线将不同的类分开，同时使分类间隔最大，使两类样本同时满足|y|≥1可以表示为y的条件，此时分类间隔等于2/||w||。因为在二维空间中，y＝0为正、负样本的分类线，当y＝1或-1时，计算y＝1或-1直线上的点到y＝0直线的距离为y/||w||，和即2/||w||，分类间隔最大化即等价于下面的优化问题：ming(w)＝||w||2，使得yi[(w·xi) b]-1≥0,i＝1,...,n，满足yi[(w·x) b]-1＝0的训练样本叫做支持向量。
构造拉格朗日函数
约束条件为
其中，sgn指的是微积分数学中的符号函数，自变量为正数时取1，0取0，负数取-1；公式(10)中x为自变量。
而对于非线性可分的样本图像hog特征点，用一个非线性函数φ将样本特征点映射到一个高维的特征空间，在特征空间进行线性分类。若能找到映射φ，则内积运算(xi·x)可以用(φ(xi)·φ(x))来代替，通常用核函数k(xi,x)＝(φ(xi)·φ(x))表示内积运算，如此，最优分类超平面可表示为
通过最优分类函数可对受电弓整正、负样本图像进行训练学习，最终得到一个受电弓分类模型。
输入待识别图像，设置窗口大小w1*h1、窗口滑动参数ω，在x和y方向分别以ω为步长滑动窗口，将待识别图像截取为大小是w1*h1的若干小图，按照前述的hog特征提取方法计算得到每个小图的hog特征，然后采用最近邻方法将小图hog特征与受电弓分类模型进行比对，如果小图的hog特征与分类模型正样本相似，则检测到受电弓，反之则无受电弓。本领域技术人员应当知晓，所述窗口大小与样本图像的大小一致或近似一致。
受电弓轮廓提取步骤，对经过受电弓定位步骤的待识别图像进行图像增强，然后进行固定阈值化处理，并采取二值化方法对待识别图像进行二值分割，遍历待识别图像的所有像素，以像素值为提取标准提取前景像素。
具体的，对待识别图像进行图像增强是为了增加图像受电弓羊角外侧边缘区域与背景图像的对比度，增强后的待识别图像中羊角外侧边缘较黑，背景相对而言较亮，因此可对图像进行固定阈值化处理，提取图像中的低像素范围区域，然后对阈值化后的整个区域进行连通域计算，得到各不同性质的区域；然后对连通域图像进行形态学开运算处理，去除较小孤立干扰区域，并计算各区域的外接矩形，在此基础上计算各区域的面积、长、宽等特征。通过设定一定阈值，筛选出满足阈值条件的区域，经过增强后的受电弓，羊角边缘区域、羊角与滑板之间的间隙区域像素都比较低。根据此特性，采取二值化方法对受电弓图像进行二值分割，遍历图像所有像素，将像素值范围在0到n范围内的像素作为前景像素提取，其中n为设定的前景像素阈值，优选地，如n＝5；二值化后的图像包含很多干扰区域，需要通过求取各区域的特征对干扰区域进行筛除：对二值化图像后的图像进行连通域求取；采用形态学开运算算法去除孤立小区域及噪点；计算各个区域的面积，外接矩形，通过各区域的面积大小、长、宽等特征去除干扰。
关键轮廓提取步骤，对经过所述受电弓轮廓提取步骤处理的待识别图像提取出受电弓左、右两侧的区域，对提取出的区域中心线进行轮廓分割，对分割出的轮廓依次遍历计算每个轮廓的纵坐标最大值，将每个轮廓的纵坐标最大值从大到小进行排序，排序最末的纵坐标所对应的轮廓和排序第一的纵坐标所在轮廓即为关键轮廓线；感兴趣区域提取的只是区域，无法利用其进行关键点的准确计算。本文需对提取到的区域进行骨架提取，即将提取出的感兴趣区域从多像素宽度减少到单位像素宽度，也可称之为提取感兴趣区域中心线。对提取出的区域中心线进行轮廓分割是为方便后续计算滑板长度以及弓头长度。
关键点提取步骤，提取所述关键轮廓线中的滑板与羊角间隙中心线轮廓、以及羊角边缘中心线轮廓，获得受电弓滑板和羊角的关键点。
所述关键点提取步骤中，要对滑板的关键点提取，遍历滑板与羊角间隙中心线轮廓上所有点的横坐标，并求取横坐标均值作为滑板关键点的x坐标；对所有轮廓点的纵坐标在进行排序，选择纵坐标最大值作为滑板关键点的y坐标。
所述关键点提取步骤中，要对羊角关键点提取，将羊角边缘中心线轮廓坐标点在纵坐标方向由从大到小排序，遍历关键点集所有点的横坐标，并求取横坐标均值作为羊角关键点的x坐标；将关键点集中的纵坐标最大值作为羊角关键点的y坐标。优选地，为减小关键点计算误差，对排序后的坐标点截取前20个坐标点集作为羊角关键点集，用于羊角关键点的计算。
提取的关键轮廓包含滑板与羊角间隙中心线轮廓、羊角边缘中心线轮廓，需对其进行区分，方便后续准确地进行滑板关键点的提取以及羊角关键点的提取，而区分的方法，是因滑板相关轮廓线与羊角相关轮廓线在图像中的位置差别比较大，因此可通过轮廓线在图像中的位置关系进行区分，对经过关键轮廓提取步骤的待识别图像中任意轮廓随机抽取一个轮廓坐标点p(x，y)，如果py小于设定阈值，则判定其为羊角边缘中心线轮廓，否则判定其为滑板与羊角间隙中心线轮廓。
参数计算与异常判断步骤，包括包括通过所述关键点提取步骤的结果对受电弓滑板长度、受电弓弓头长度和受电弓弓头高度进行计算，将计算得到的滑板长度、弓头长度、弓头高度和标准值进行比较并判定受电弓结构有异常现象。
具体的，所述受电弓滑板长度，是利用已找到的受电弓左、右两端滑板关键点，根据两点之间的直线距离计算方法进行计算。
所述受电弓弓头长度是利用已找到的受电弓左、右两端羊角关键点，根据两点之间的直线距离计算方法进行计算。
受电弓弓头高度是根据受电弓左、右两端滑板关键点找出滑板中点m1，左、右两端羊角关键点计算羊角中点m2，根据两个中点可计算受电弓弓头高度。
1.基于图像处理的受电弓结构异常检测算法，其特征在于，包括以下步骤：
图像预处理步骤，去除待识别图像中的噪声；
受电弓定位步骤，具体包括受电弓分类模型建立和受电弓识别定位；所述受电弓分类模型建立是通过hog特征提取的方法对样本图像进行特征提取得到每张样本图像的hog特征，然后通过svm分类模型对样本图像中的受电弓图像和非受电弓图像的hog特征进行训练学习，得到受电弓分类模型；所述受电弓定位步骤是将待识别图像输入并通过hog特征提取，将hog特征提取结果输入受电弓分类模型，识别定位出待识别图像中的受电弓；
受电弓轮廓提取步骤，对经过受电弓定位步骤的待识别图像进行图像增强，然后进行固定阈值化处理，并采取二值化方法对待识别图像进行二值分割，遍历待识别图像的所有像素，以像素值为提取标准提取前景像素；
关键轮廓提取步骤，对经过所述受电弓轮廓提取步骤处理的待识别图像提取出受电弓左、右两侧的区域，对提取出的区域中心线进行轮廓分割，对分割出的轮廓依次遍历计算每个轮廓的纵坐标最大值，将每个轮廓的纵坐标最大值从大到小进行排序，排序最末的纵坐标所对应的轮廓和排序第一的纵坐标所在轮廓即为关键轮廓线；
关键点提取步骤，提取所述关键轮廓线中的滑板与羊角间隙中心线轮廓、以及羊角边缘中心线轮廓，获得包括受电弓滑板和羊角端点的关键点；
参数计算与异常判断步骤，包括通过所述关键点提取步骤的结果对受电弓滑板长度、受电弓弓头长度和受电弓弓头高度进行计算，将计算得到的滑板长度、弓头长度、弓头高度和标准值进行比较并判定受电弓结构有无异常现象。
2.如权利要求1所述的基于图像处理的受电弓结构异常检测算法，其特征在于：所述图像预处理步骤是采用高斯滤波的方法对待识别图像采集过程中出现的噪声进行噪声滤除；针对光照不均匀、图像对比度较低的情况，以及采取直方图均衡的方法对待识别图像进行图像增强和提高图像对比度。
3.如权利要求1所述的基于图像处理的受电弓结构异常检测算法，其特征在于：所述受电弓分类模型建立中，所述样本图像包括受电弓正、负样本，正样本为包含受电弓的图像，负样本为不含受电弓的任意图像。
4.如权利要求1所述的基于图像处理的受电弓结构异常检测算法，其特征在于，所述通过hog特征提取的方法对样本图像或待识别图像进行特征提取，具体包括以下步骤：
归一化处理，i(x，y)＝i(x，y)gamma，其中(x，y)为图像的像素点；
对图像x方向和y方向进行梯度计算，图像中的像素点(x，y)的梯度为
gx(x，y)＝h(x 1，y)-h(x-1，y)
gy(x，y)＝h(x，y 1)-h(x，y-1)，
且可得到像素点(x，y)处的梯度幅值
特征合成，遍历样本图像或待识别图像中的每个像素点，计算得到所有像素点的梯度幅值和梯度方向值，对所有梯度幅值和梯度方向进行组合，再进行直方图统计计算得到整张图的hog特征。
5.如权利要求3所述的基于图像处理的受电弓结构异常检测算法，其特征在于：所述受电弓分类模型建立中，所述通过svm训练方法对样本图像中的受电弓图像和非受电弓图像的对hog特征进行分类，包括对线性可分的样本图像hog特征点以最优分类线进行分类，以及对非线性可分的样本图像hog特征点以最优分类超平面进行分类。
6.如权利要求1所述的基于图像处理的受电弓结构异常检测算法，其特征在于：所述受电弓轮廓提取步骤中，对待识别图像进行图像增强是增加图像受电弓羊角外侧边缘区域与背景图像的对比度；然后对图像进行固定阈值化处理并对阈值化后的整个区域进行连通域计算；对连通域图像进行形态学开运算处理；采取二值化方法对受电弓图像进行二值分割，遍历图像所有像素，将像素值范围在0到n范围内的像素作为前景像素提取，其中n为设定的前景像素阈值。
7.如权利要求1所述的基于图像处理的受电弓结构异常检测算法，其特征在于：所述关键点提取步骤中，对经过关键轮廓提取步骤的待识别图像中任意轮廓随机抽取一个轮廓坐标点p(x，y)，如果py小于设定阈值，则判定其为羊角边缘中心线轮廓，否则判定其为滑板与羊角间隙中心线轮廓。
8.如权利要求7所述的基于图像处理的受电弓结构异常检测算法，其特征在于：所述关键点提取步骤中，要对滑板的关键点提取，遍历滑板与羊角间隙中心线轮廓上所有点的横坐标，并求取横坐标均值作为滑板关键点的x坐标；对所有轮廓点的纵坐标在进行排序，选择纵坐标最大值作为滑板关键点的y坐标；
所述关键点提取步骤中，要对羊角关键点提取，将羊角边缘中心线轮廓坐标点在纵坐标方向由从大到小排序，遍历关键点集所有点的横坐标，并求取横坐标均值作为羊角关键点的x坐标；将关键点集中的纵坐标最大值作为羊角关键点的y坐标。
9.如权利要求7所述的基于图像处理的受电弓结构异常检测算法，其特征在于：所述受电弓滑板长度，是利用已找到的受电弓左、右两端滑板关键点，根据两点之间的直线距离计算方法进行计算；
所述受电弓弓头长度是利用已找到的受电弓左、右两端羊角关键点，根据两点之间的直线距离计算方法进行计算；
受电弓弓头高度是根据受电弓左、右两端滑板关键点找出滑板中点，左、右两端羊角关键点计算羊角中点，根据两个中点可计算受电弓弓头高度。
技术总结