CN104657706A - 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 - Google Patents

Abstract

本发明涉及一种基于图像的高铁线路线杆断裂异常与联接结构体异常检测方法，采用一种多尺度局部二值化算法对待检测的高速铁路沿线拍摄图像进行二值化处理，突出线路主体，并有效排除背景干扰，利用一种骨架提取算法对二值图像进行处理，得到线路的骨架结构，针对线路中存在的线杆断裂异常，通过分析线路骨架结构进行断裂点检测，发现并定位可能出现断裂的位置，针对联接结构体异常，利用线路骨架结构图对联接体局部图像进行提取，并利用卷积神经网络进行异常的检测与判定；本发明可以自动、高效地对铁路线路进行线杆断裂异常和联接结构体异常检测，从而有效提高输电线路安全监察工作的效率。

Description

基于图像的高铁线路线杆断裂与联接结构体异常检测方法

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于图像的高铁线路线杆断裂与联接结构体异常检测方法。

背景技术

中国已经成为世界上高速铁路技术发展最快的国家。我国高速铁路的线路里程、运营时速、在建规模等在世界上均处于领先水平，高速铁路日渐成为一种现代化的交通方式。目前，我国已经研发并投入使用了新型的线路检测车辆，这类检测车辆沿铁路线路行驶，并由车上的摄像头拍摄线路图像，记录线路的实时状态，对于拍摄的线路图像数据则多采用人工判读的方式进行异常检查。人工判读高铁线路图片存在着诸多问题，例如检测周期长、人力资源消耗大、检测标准不一致等，如果可以用机器视觉的相关算法，自动地进行相应检测，则由于机器工作具有速度快、可长时间运行、人力劳动强度低等优点，检测效率会有极大地提升。目前对于高铁线路中存在的某些种类的异常，已存在相应的自动化检测方法，例如申请号为201310721802.7、名称为“基于图像的铁路接触网鸟窝异常情况检测方法”的中国专利申请中提出了一种铁路接触网鸟窝异常检测的方法，该方法采用一种多窗口自适应二值化的算法，对线路结构进行提取，并通过定位鸟窝可疑区域与特征提取等手段来定位鸟窝异常。相对于线杆断裂异常(如承重线断开)与联接结构体异常(如支撑架联接处变形开裂)，鸟窝异常的定位并不需要精确的线路结构，故上述发明所采用的二值化算法与线路结构的提取方法均不适用于线杆断裂与联接结构体异常检测。相对于上述发明，本发明采用了不同的线路图像二值化与结构提取策略，在二值化过程中采用固定大小的局部窗口，将线路图像下采样至不同的尺度下进行二值化操作，并在每个尺度下选择合适大小的前景目标进行保留，最后统一至同一尺度进行合并。该算法不但能精确提取各种尺寸的线路结构，而且能够避免因采用小尺寸窗口而产生的噪声等问题。在线路结构提取上，由于断裂与联接结构体检测需要获得完整的铁路线路结构信息，本发明采用了一种骨架提取算法，对铁路线路二值图进行骨架提取，从而得到清晰而便于处理的线路结构信息。最后针对线路中存在的线杆断裂异常，通过对骨架结构进行断裂点检测，发现并定位可能出现断裂的位置，针对联接结构体异常，利用骨架结构对联接体局部图像进行提取，并利用卷积神经网络进行异常的检测与判定。

发明内容

本发明所要解决的技术问题是高速铁路线路巡检图像中线杆断裂异常与联接结构体异常的自动识别，该问题的核心是线路结构信息的精确提取与断裂位置的确定。为了解决上述问题，本发明采取了一种基于图像的高铁线路线杆断裂与联接结构体异常检测方法，包括如下步骤，

采用一种多尺度局部二值化算法对待检测的高速铁路沿线拍摄图像进行二值化处理并得到二值图像，突出线路主体，并有效排除背景干扰；

利用一种骨架提取算法对所述的二值图像进行处理，得到线路的骨架结构；

针对线路中存在的线杆断裂异常，通过分析所述线路的骨架结构进行断裂点检测，发现并定位可能出现断裂的位置；

针对联接结构体异常，利用线路骨架结构图对联接体局部图像进行提取，并利用卷积神经网络进行异常的检测与判定。

进一步地，采用一种多尺度局部二值化算法对待检测的高速铁路沿线拍摄图像进行二值化处理并得到二值图像，突出线路主体，并有效排除背景干扰，还包括，将输入图像向下采样，形成包括原图在内的共四张尺寸不同的子图；利用一种固定窗口大小的局部二值化算法分别对四张子图进行二值化处理，得到四张二值图像；依据图像的尺度，分别在上述四张二值图像中选择一定大小范围内的前景物体进行保留；将选择出的前景目标统一合并到同一尺度，得到包含精确结构信息的二值图。

进一步地，针对线路中存在的线杆断裂异常，通过分析所述线路的骨架结构进行断裂点检测，发现并定位可能出现断裂的位置，还包括，通过多次迭代操作，逐渐剥离二值图中图形的边缘，并最终留下骨架图像。

进一步地，针对线路中存在的线杆断裂异常，通过分析所述线路的骨架结构进行断裂点检测，发现并定位可能出现断裂的位置，还包括，通过分析骨架图中的骨架像素点及其周围八个像素点，确定图中每个骨架像素点的类型；通过对像素点的类型进行检查，确定可疑断裂点；通过对可疑断裂点进行筛选，排除误检，得到最终异常检测结果。

进一步地，针对联接结构体异常，利用线路骨架结构图对联接体局部图像进行提取，并利用卷积神经网络进行异常的检测与判定，还包括，通过提取骨架图中特定类型像素点周围的区域，得到高铁线路中联接结构体的局部图像；通过提取局部图像的HOG特征，并用K-means聚类算法对联接结构体图像进行聚类，得到大量同类联接结构体的局部图像；将联接结构体的正常与异常的局部图像送入卷积神经网络进行训练，得到能够区分联接结构体异常与否的卷积神经网络模型；利用训练好的卷积神经网络模型对待检测图像中的联接结构体进行异常检测。

进一步地，还包括，对输入图像进行向下采样，首先将输入图像转换成灰度图像，然后在三个不同的尺度上进行下采样操作，得到三张子图；计算待采样灰度图像的积分图像，得到积分图像后计算像素值，得到四张不同尺度的灰度图像；在得到四张灰度图像后，利用一种固定窗口大小的局部二值化算法分别对四张灰度图像进行二值化处理，得到四张不同尺度的二值图像；在得到四张二值图像后，进行前景物体的选择；在完成前景物体选择后，算法接下来将上一步的结果合并至一张图上。

进一步地，还包括，将二值图简化成用一个矩阵来进行表示，在算法的迭代过程中，某次迭代赋予像素点的新值由上一次迭代完成后该像素点的八个邻居像素点的值决定，迭代后二值图中的所有像素点都能够被更新；算法的一次迭代分为两个子迭代过程；经过这两个子迭代过程，图形的边缘点会被逐渐删除，将这两个子迭代过程一直重复下去直到图像不发生改变，此时图中留下的就是最终的骨架。

进一步地，还包括，对于任意某个像素点，其周围的八个像素点按顺时针的顺序可以组成一个首尾相连的环状结构，在该环状结构中可能存在一个或几个由连续的0像素点构成的子片段，依据这些子片段的数量可以将像素点分为三类；在线路骨架图中，断裂的断口处属于第三类点，既该点仅有一端与骨架的其余部分相连接；对骨架图进行扫描操作，并筛选出具有上述特征的点，即可作为可疑断裂点；检查与其连接的线段的长度，如果小于某个阈值，则认为其是正常的，如果线段超过了一定长度，则认为该处是异常。

进一步地，还包括，将联接体结构周围一定大小的矩形区域的图像内容进行单独保存，即可得到联接体结构的局部图像；构造只包含这类联接体结构图像的数据集，利用K-means聚类算法对联接体结构图像进行聚类操作，实现联接体结构图像的聚类；采用卷积神经网络进行联接体结构图像的识别与异常检测；在训练过程中采用两类训练样本，一类为某种联接体结构在正常情况下的图像，另一类为同种联接体结构发生异常时的图像，训练完毕后即可得到能够区分联接结构体异常与否的卷积神经网络模型；在训练完毕后，利用训练后的网络对包含正常与异常联接体结构图像的测试数据集进行测试，若网络对某一张联接体结构图像的识别结果为正常，则可以认为该联接体结构没有问题，否则认为该联接体结构存在异常状况。

本发明的益处在于：适用性广,可针对多种线路的高速铁路沿线拍摄图像进行检测；检测效率高，相对于人工检测，本发明利用机器视觉相关方法实现异常的自动检测，检测速度快，可以提高巡检工作人员的工作效率并缩短巡检时间。

附图说明

图1是本发明基于图像的高铁线路线杆断裂异常与联接结构体异常检测方法流程示意图；

图2是本发明存在线杆断裂异常的线路结构的示例图；

图3是本发明联接结构体局部图像及其异常情况的示例图；

图4是本发明所述的多尺度局部二值化算法的基本框架；

图5是本发明线路骨架结构图中不同像素点类型的示意图；

图6是本发明线杆断裂异常检测方法的基本框架；

图7是本发明联接结构体异常检测方法的基本框架。

具体实施方式

当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细说明。

实施例1：如图1至图7所示，本发明所采用的图像数据为铁路接触网巡检车辆上的CCD摄像机所拍摄的线路图像，其分辨率为2448×2050(500W像素)。图2是存在线杆断裂异常的线路结构的示例图，可以看到图中存在着连接线、杆断开的现象。图3是联接结构体局部图像及其异常情况的示例图，可以看到图中支撑杆连接部分存在开裂的现象。针对上述异常，本发明提出一种基于图像的高铁线路线杆断裂与联接结构体异常检测方法，包括如下步骤，

步骤1)图像二值化，采用一种多尺度局部二值化算法对待检测的高速铁路沿线拍摄图像进行二值化处理并得到二值图像，突出线路主体，并有效排除背景干扰；

步骤2)二值图像骨架提取，利用一种骨架提取算法对步骤1)得到的二值图像进行处理，得到线路的骨架结构；

步骤3)可疑断裂点检测，针对线路中存在的线杆断裂异常，通过分析线路的骨架结构进行断裂点检测，发现并定位可能出现断裂的位置；

步骤4)联接结构体异常的检测与判定，针对联接结构体异常，利用线路骨架结构图对联接体局部图像进行提取，并利用卷积神经网络进行异常的检测与判定。

在优选方案中，步骤1还包括，

步骤1.1)下采样阶段，将输入图像向下采样，形成包括原图在内的共四张尺寸不同的子图；

步骤1.2)局部二值化处理阶段，利用一种固定窗口大小的局部二值化算法分别对四张子图进行二值化处理，得到四张二值图像；

步骤1.3)前景目标选择阶段，依据图像的尺度，分别在上述四张二值图像中选择一定大小范围内的前景物体进行保留；

步骤1.4)结果合并阶段，将选择出的前景目标统一合并到同一尺度，得到包含精确结构信息的二值图。

在优选方案中，步骤2)还包括，通过多次迭代操作，逐渐剥离二值图中图形的边缘，并最终留下骨架图像。

在优选方案中，步骤3)还包括，

步骤3.1)分析阶段，通过分析骨架图中的骨架像素点及其周围八个像素点，确定图中每个骨架像素点的类型；

步骤3.2)检测阶段，通过对像素点的类型进行检查，确定可疑断裂点；

步骤3.3)筛选阶段，通过对可疑断裂点进行筛选，排除误检，得到最终异常检测结果。

在优选方案中，步骤4)还包括，

步骤4.1)局部图像提取阶段，通过提取骨架图中特定类型像素点周围的区域，得到高铁线路中联接结构体的局部图像；

步骤4.2)图像聚类阶段，通过提取局部图像的HOG特征，并用K-means聚类算法对联接结构体图像进行聚类，得到大量同类联接结构体的局部图像；

步骤4.3)训练阶段，将联接结构体的正常与异常的局部图像送入卷积神经网络进行训练，得到能够区分联接结构体异常与否的卷积神经网络模型；

步骤4.4)检测阶段，利用训练好的卷积神经网络模型对待检测图像中的联接结构体进行异常检测。

铁路线路图像二值化

对于待检测的高铁线路图像，本发明首先采用一种多尺度局部二值化算法对图像进行二值化处理，算法的基本框架如图4所示，该算法详细分为以下几个步骤：

下采样(Subsampling)操作

算法的第一步是对输入图像进行向下采样。对于给定的输入图像，首先将该图像转换成灰度图I，然后在三个不同的尺度上进行下采样操作，得到三张子图I₂、I₃和I₄。其中，相邻尺度的子图之间所采用的缩减因子(ReductionFactor)为2，既三张子图的尺寸分别为原图的以及在下采样过程中，为了提高采样效率，待采样图像的积分图像(Integral Image)会首先被计算出来。对于一幅灰度图像I，I的积分图像Z中任意一点的值等于从I的左上角到这个点所构成的矩形区域内所有的像素点的灰度值之和，既

$Z(x,y)=\underset{i=1}{\overset{x}{\mathrm{\Σ}}}\underset{j=1}{\overset{y}{\mathrm{\Σ}}}I(i,j)$

在实际计算中，积分图像可以由下面两个公式快速计算得到：

$\left\{\begin{array}{c}s(x,y)=s(x,y-1)+I(x,y)\\ Z(x,y)=Z(x-1,y)+s(x,y)\end{array}\right.$

其中中间变量s(x,y)是图像列的积分值。

得到积分图像后，在缩减因子为2的情况下，第s张子图I_s在点(x,y)处的采样值即可由以下公式快速计算得到：

$I_s(x,y)=\frac{1}{4}\×\left(\begin{array}{c}{Z}_{s-1}(x+1,y+1)+Z_{s-1}(x-1,y-1)\\ -Z_{s-1}(x+1,y-1)-Z_{s-1}(x-1,y+1)\end{array}\right)$

算法第一步执行结束后，得到了四张不同尺度的灰度图像I₁、I₂、I₃和I₄。

局部二值化处理

在得到四张灰度图像后，利用一种固定窗口大小的局部二值化算法分别对I₁、I₂、I₃和I₄进行二值化处理。假设所需计算出的二值图为B，则对于I中的任意像素I(x,y)，都有

$B(x,y)=\left\{\begin{array}{cc}0& I(x,y)\≤m(x,y)[1+k(\frac{\mathrm{\δ}(x,y)}{R}-1)]\\ 1& I(x,y)>m(x,y)[1+k(\frac{\mathrm{\δ}(x,y)}{R}-1)]\end{array}\right.$

其中m(x,y)和δ(x,y)分别是一个w×w大小的窗口内以像素(x,y)作为中心来计算的像素的局部均值以及标准差，R是标准差的最大值(对于像素值在0-255的8-bit灰度图像来说该值为128)，而k则是一个偏移系数，其取值范围为[0.1,0.5]。式中偏移系数k和局部窗口大小w均是由用户定义的固定大小的参数。

算法第二步执行结束后，得到了四张不同尺度的二值图像B₁、B₂、B₃和B₄。

前景目标选择

在得到的四张二值图像B₁、B₂、B₃和B₄中包含着许多连通的前景像素所构成的区域，每一个区域都可以看成一个前景物体，这些物体的尺寸大小不一，过大或者过小的物体非常有可能是不理想的分割结果，所以需要被排除，对于二值图B_s，保留面积在min_area(s)和max_area(s)之间的前景物体，，min_area(s)和max_area(s)遵循如下规律：

对于B₁，min_area(1)＝0，max_area(1)＝w²×0.7

对于B_s，min_area(s)＝0.9×max_area(s-1)/4，max_area(s)＝max_area(s-1)×4

对于B₄，min_area(4)＝0.9×max_area(3)/4，max_area(s)＝+∞

由于四张子图具有不同的尺寸，它们包含的前景物体也具有不同的尺寸，故在四张图像上同时应用固定大小的窗口进行二值化操作，再加上后续前景物体尺寸筛选，对于原图中任意尺寸的前景物体，都能够在其中某张子图上被完整的分割出来，且原图中过小的噪音点会因为下采样而模糊，避免了前景物体的丢失以及噪音的干扰。

将前景目标选择得到的结果进行合并

在完成前景物体选择后，算法接下来将结果合并至一张图上，为了实现这个目标，在下采样子图中被选择出来的前景物体将被重新放大。算法至此结束。

二值图像骨架提取

在将待检测的图像进行二值化后，为了突出线路结构，便于分析，本发明接下来对上一步骤中得到的二值图进行骨架提取操作。一幅二值图B可以简化成用一个矩阵M来进行表示，在M中每一个像素M(i,j)的取值为0或1，在此我们假设图中用于表示前景物体的像素的值为1。算法在针对M中的每个像素点进行迭代变换的时候，是根据该点周围的8个邻居像素点的值进行的，这些点从左上角开始按顺时针顺序分别是P₁(i-1,j-1),P₂(i-1,j),P₃(i-1,j+1),P₄(i,j+1),P₅(i+1,j+1),P₆(i+1,j),P₇(i+1,j-1)和P₈(i,j-1)。在算法的迭代过程中，某次迭代赋予像素点的新值由上一次迭代完成后该像素点的八个邻居像素点的值决定，这种迭代的特点决定了迭代后二值图中的所有像素点都能够被更新。

算法的一次迭代分为两个子迭代过程。在第一个子迭代过程中，对于像素点P₁，令函数A(P₁)为该像素以及其邻居像素中01模式(01Pattern)的数量(01模式是指在某像素点及其周围八个像素形成的3×3窗口中，有左右两个像素，它们的值满足一个为0，另一个为1)，函数B(P₁)为像素P₁的邻居像素中非零像素的个数，则满足如下条件的像素点会被删除：

2≤B(P₁)≤6

A(P₁)＝1

P₂*P₄*P₆＝0

P₄*P₆*P₈＝0

在第二个子迭代过程中，同样是按照一定条件删除像素点，其中前两个条件保持不变，后两个条件改为P₂*P₄*P₈＝0和P₂*P₆*P₈＝0。

经过这两个子迭代过程，图形的边缘点会被逐渐删除，将这两个子迭代过程一直重复下去直到图像不发生改变，此时图中留下的就是最终的骨架。

可疑断裂点检测与筛选

骨架图的生成意味着整个高速铁路线路结构提取工作结束，针对线路中可能存在的线杆断裂异常，本发明提出了一种基于线路骨架图的检测方法，该方法的基本框架如图6所示，具体分为以下几个步骤：

骨架像素点类型分析

在高速铁路线路骨架图中，骨架像素点按其位置特征可以分为三类：第一类是骨架连接点，这类点位于图中多个线段的连接处，其周围有多个像素点与其连接，联接结构体的结合处、电线的交叉处等位置的点就属于这类点；第二类是处于线段内部的点，这类点的两端均有其它像素点与其连接，输电线上的绝大部分像素点都属于这类点；第三类是孤立点，这类点既不是位于连接处，也不是位于线段内部，而是处于某线段的端点。在一副正常的高速铁路线路图中，孤立点多半属于某些具有复杂边缘的结构，如线路上的绝缘子等，这些结构由于骨架化算法的处理而具有类似鱼骨的突起。图5是在高铁线路骨架图中不同类型的点的一些示例，其中点A、B和C分别代表三类点。

由于上述三类点具有明显不同的位置特征，所以要知道某像素具体属于哪一类点，只需要对该像素的八邻域像素进行分析即可。对于任意像素点，其周围的八个像素点按顺时针的顺序可以组成一个首尾相连的环状结构[p2,p3,…,p8,p9]，在该环状结构中可能存在一个或几个由连续的0像素点构成的子片段。令函数E(P₁)为这些子片段的个数，则当E(P₁)≥3时，该点为第一类点，这类点属于图中多条线段的交叉点；当E(P₁)＝2时，该点为第二类点，这类点属于图中处于线段上的点；当E(P₁)＝1时，该点为第三类点，这类点处于线段的端点处。从图5可以看出，对于点A，其周围存在3段空白像素段，故可以判定点A为第一类点，同理B周围有2段空白像素段，而C点周围只有一段较长的空白像素段。

可疑断裂点确定

通过简单分析可以知道，在线路骨架图中，断裂的断口处属于第三类点，既该点仅有一端与骨架的其余部分相连接。根据这个特点，对骨架图进行扫描操作，并筛选出具有上述特征的点，即可作为可疑断裂点。

可疑断裂点筛选

并非所有在上一步骤中被检测到的孤立点都是断点，在正常的高速铁路线路图中这类点也存在。正常的孤立点大多属于某些具有复杂边缘的结构，这些结构的骨架具有沿着中轴突起的特点，所以在突起的末端会形成孤立点。根据经验，联接结构体的直径相对较小，对于这些孤立点，与它们相连接的线段往往只有比较短的一段，不会过长，而对于断开的输电线或杆，与断点处连接的线段长度大多会很长。所以对于可疑断裂点，首先检查与其连接的线段的长度，如果小于某个阈值，则认为其是正常的，如果线段超过了一定长度，说明很可能是一段较长的线段发生了断裂，此时就认为该处是异常。此外，由于断裂的线杆会因重力的作用而下垂，所以在图像中末端指向上方的线段中的可疑断裂点也应该同时被排除。

通过排除正常的孤立点，剩下的点即可视为断裂点。

联接结构体异常的检测与判定

除了线杆断裂异常外，在高速铁路线路系统中还可能出现多种其它的异常，例如联接结构体破损，断裂与缺失等等，这类异常如果不加检测，同样会对高速铁路的安全运行产生严重的影响。为了检测线路中的联接结构体异常，本发明提出一种基于卷积神经网络的联接结构体异常检测方法，该方法的基本框架如图7所示，分为以下几个步骤：

局部图像提取阶段

高速铁路线路图中包含线路的整体结构，其中包含多种联接体结构信息，为了能够较为方便地对各类联接体结构进行异常分类与识别，首先应当从高速铁路线路图中将这些联接体结构所在的区域提取出来，形成背景单一，尺寸较小的联接体结构局部图像。在高速铁路线路中，输电线联接体结构多半用于输电线或支撑杆的连接，所以这些联接体结构往往连接着多条线、杆状结构。由前述步骤的分析可知，在高铁线路骨架图中，存在三类不同的像素点，它们分别代表线路中线与线的交叉点、线上的点和孤立点，通过简单观察可以得知，这些联接体结构本身往往包含上述第一类点，因此对于骨架图中的第一类点，本发明尝试将其周围一定大小的矩形区域的图像内容进行单独保存，即可得到联接体结构的局部图像。

图像聚类阶段

由于高速铁路图像中存在多种不同的联接体结构，要具体针对某一种联接体结构进行异常检测，首先需要构造只包含这类联接体结构图像的数据集。本发明将联接体结构图像的方向梯度直方图(Histogram of Or iented Gradient,HOG)作为特征，利用K-means聚类算法对联接体结构图像进行聚类操作，成功地实现了联接体结构图像的聚类。

训练阶段

高铁联接体结构图像的异常检测的本质是图像识别，由于卷积神经网络在数字识别等近似应用上表现优秀，本发明尝试采用卷积神经网络进行联接体结构图像的识别与异常检测。在训练过程中采用两类训练样本，一类为某种联接体结构在正常情况下的图像，另一类为同种联接体结构发生异常时的图像，由于真实状况下的异常图像数量较少，训练用的异常图像采取人工修改的方式获得，并按异常发生位置的不同分为多组，在训练完毕后即可得到能够区分联接结构体异常与否的卷积神经网络模型。

检测阶段

在训练完毕后，利用训练后的网络对包含正常与异常联接体结构图像的测试数据集进行测试，若网络对某一张联接体结构图像的识别结果为正常，则可以认为该联接体结构没有问题，否则认为该联接体结构存在异常状况。

本实施例的技术效果为：适用性广,可针对多种线路的高速铁路沿线拍摄图像进行检测；检测效率高，相对于人工检测，本发明利用机器视觉相关方法实现异常的自动检测，检测速度快，可以提高巡检工作人员的工作效率并缩短巡检时间。

本领域技术人员应能理解，图1仅为简明起见而示出的流程图，但这种省略无疑是以不会影响对发明实施例进行清楚、充分的公开为前提的。

以上仅是本发明的一个优选实施例，所述具体实施方式只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的技术人员而言，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也属于本发明权利要求的保护范围。

Claims (9)

1.一种基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于包括如下步骤，

采用一种多尺度局部二值化算法对待检测的高速铁路沿线拍摄图像进行二值化处理并得到二值图像，突出线路主体，并有效排除背景干扰；

利用一种骨架提取算法对所述的二值图像进行处理，得到线路的骨架结构；

针对线路中存在的线杆断裂异常，通过分析所述线路的骨架结构进行断裂点检测，发现并定位可能出现断裂的位置；

针对联接结构体异常，利用线路骨架结构图对联接体局部图像进行提取，并利用卷积神经网络进行异常的检测与判定。

2.根据权利要求1所述的基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于采用一种多尺度局部二值化算法对待检测的高速铁路沿线拍摄图像进行二值化处理并得到二值图像，突出线路主体，并有效排除背景干扰，还包括，

将输入图像向下采样，形成包括原图在内的共四张尺寸不同的子图；

利用一种固定窗口大小的局部二值化算法分别对四张子图进行二值化处理，得到四张二值图像；

依据图像的尺度，分别在上述四张二值图像中选择一定大小范围内的前景物体进行保留；

将选择出的前景目标统一合并到同一尺度，得到包含精确结构信息的二值图。

3.根据权利要求1所述的基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于针对线路中存在的线杆断裂异常，通过分析所述线路的骨架结构进行断裂点检测，发现并定位可能出现断裂的位置，还包括，通过多次迭代操作，逐渐剥离二值图中图形的边缘，并最终留下骨架图像。

4.根据权利要求1所述的基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于针对线路中存在的线杆断裂异常，通过分析所述线路的骨架结构进行断裂点检测，发现并定位可能出现断裂的位置，还包括，

通过分析骨架图中的骨架像素点及其周围八个像素点，确定图中每个骨架像素点的类型；

通过对像素点的类型进行检查，确定可疑断裂点；

通过对可疑断裂点进行筛选，排除误检，得到最终异常检测结果。

5.根据权利要求1所述的基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于针对联接结构体异常，利用线路骨架结构图对联接体局部图像进行提取，并利用卷积神经网络进行异常的检测与判定，还包括，

通过提取骨架图中特定类型像素点周围的区域，得到高铁线路中联接结构体的局部图像；

通过提取局部图像的HOG特征，并用K-means聚类算法对联接结构体图像进行聚类，得到大量同类联接结构体的局部图像；

将联接结构体的正常与异常的局部图像送入卷积神经网络进行训练，得到能够区分联接结构体异常与否的卷积神经网络模型；

利用训练好的卷积神经网络模型对待检测图像中的联接结构体进行异常检测。

6.根据权利要求2所述的基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于还包括，

对输入图像进行向下采样，首先将输入图像转换成灰度图像，然后在三个不同的尺度上进行下采样操作，得到三张子图；

计算待采样灰度图像的积分图像，得到积分图像后计算子图的像素值，得到四张不同尺度的灰度图像；

在得到四张灰度图像后，利用一种固定窗口大小的局部二值化算法分别对四张灰度图像进行二值化处理，得到四张不同尺度的二值图像；

在得到四张二值图像后，进行前景物体的选择；

在完成前景物体选择后，将上一步的结果合并至一张图上。

7.根据权利要求3所述的基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于还包括，

将二值图简化成用一个矩阵来进行表示，在算法的迭代过程中，某次迭代赋予像素点的新值由上一次迭代完成后该像素点的八个邻居像素点的值决定；迭代后二值图中的所有像素点都能够被更新；算法的一次迭代分为两个子迭代过程，经过这两个子迭代过程，图形的边缘点会被逐渐删除，将这两个子迭代过程一直重复下去直到图像不发生改变，此时图中留下的就是最终的骨架。

8.根据权利要求4所述的基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于还包括，

对于任意某个像素点，其周围的八个像素点按顺时针的顺序可以组成一个首尾相连的环状结构，在该环状结构中可能存在一个或几个由连续的0像素点构成的子片段，依据这些子片段的数量可以将像素点分为三类；在线路骨架图中，断裂的断口处属于第三类点，既该点仅有一端与骨架的其余部分相连接；对骨架图进行扫描操作，并筛选出具有上述特征的点，即可作为可疑断裂点；

检查与可疑断裂点连接的线段的长度，如果小于某个阈值，则认为其是正常的，如果线段超过了一定长度，则认为该处是异常。

9.根据权利要求5所述的基于图像的高铁线路线杆断裂与联接结构体异常检测方法，其特征在于还包括，

将联接体结构周围一定大小的矩形区域的图像内容进行单独保存，即可得到联接体结构的局部图像；

构造只包含这类联接体结构图像的数据集，利用K-means聚类算法对联接体结构图像进行聚类操作，实现联接体结构图像的聚类；

采用卷积神经网络进行联接体结构图像的识别与异常检测；在训练过程中采用两类训练样本，一类为某种联接体结构在正常情况下的图像，另一类为同种联接体结构发生异常时的图像，训练完毕后即可得到能够区分联接结构体异常与否的卷积神经网络模型；

在训练完毕后，利用训练后的网络对包含正常与异常联接体结构图像的测试数据集进行测试，若网络对某一张联接体结构图像的识别结果为正常，则可以认为该联接体结构没有问题，否则认为该联接体结构存在异常状况。