CN115541591A - 列车受电弓碳滑板磨耗边缘检测方法及系统 - Google Patents

Abstract

本发明提供一种列车受电弓碳滑板磨耗边缘检测方法及系统，属于轨道交通运维技术领域，对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；基于碳滑板图片信息的数值特征，辅助边缘检测算子进行自适应的边缘检测，通过边缘追踪方法与离群点筛除方法，获得碳滑板磨耗边缘；基于多边缘检测算法，通过合并结果算法，获得碳滑板边缘检测结果。本发明提高了碳滑板磨耗边缘检测的完整性和准确性的同时，提高了碳滑板磨耗边缘检测速率；为维修部门提供有针对性的轴承维护保养建议，帮助制定最佳的打磨和更换策略，从而降低碳滑板维护的时间和经济成本，提高了城轨车辆的运营服务可靠性。

Description

列车受电弓碳滑板磨耗边缘检测方法及系统

技术领域

本发明涉及轨道交通运维技术领域，具体涉及一种基于历史检测信息的列车受电弓碳滑板磨耗边缘检测方法及系统。

背景技术

随着我国轨道里程的逐渐增加，对列车的安全性和可靠性提出了更高的要求。受电弓碳滑板的状况是否良好会影响列车的运行安全，碳滑板磨损会影响受电弓与接触网的接触情况，过高可能导致接触网线卡在碳滑板表面的深槽中，进而产生滑板裂纹、弓头倾斜、受电弓部件损坏或丢失等受电弓缺陷，毁坏受电弓。因此，实时精准的受电弓碳滑板磨损边缘检测是保证弓网安全的重要措施。

针对行列车受电弓碳滑板磨耗剩余量检测问题，目前大都是通过人工检测、传感器或者检修车检测、激光检测和图像检测等。但是在实际应用中，人工检测较为繁琐且效率低、工作量大、精度和准确度低；使用传感器或者检修车检测需要占用线路从而干扰行车，或安装大量传感器在碳滑板上，进而增加了碳滑板成本；激光检测精度较高但设备昂贵，图像检测得到的碳滑板磨耗边缘不连续且检测算法耗时较长。

发明内容

本发明的目的在于提供一种能够快速、完整精确的提取碳滑板磨耗边缘图像的基于历史检测信息的列车受电弓碳滑板磨耗边缘检测方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种列车受电弓碳滑板磨耗边缘检测方法，包括：

对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；

基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；

对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

可选的，使用二维熵辅助的磨耗边缘提取算法提取碳滑板初始磨耗边缘，包括：

对碳滑板图像进行滑窗，滑窗大小与汇流排宽度相当，将汇流排所在区域剔除；

将碳滑板图像滑窗内像素点的灰度值与该像素点的邻域信息构成二元组(I_i,I_j-vertical)，其中I_i是三个相邻像素中中间位置像素的灰度值，若点i的坐标为(x,y)，则：

对每一对(I_i,I_j-vertical)进行计数，并记为f_ij-vertical；每个二元数对的频率p_ij-vertical可得：

p_ij-vertical是像素位置的灰度值和周围像素的灰度分布的综合特征之一；

二维灰熵公式为：

将列车车号与对应的各个碳滑板每个滑窗中的二维熵数值进行记录；

对每个滑窗内单独使用Canny算子进行边缘检测，Canny算子的阈值设定为th_low＝0.001×H,th_high＝0.003×H；对结果进行筛选后，得到初始碳滑板磨耗曲线结果。

可选的，基于多边缘检测算法结合提取初始磨耗边缘，包括：使用Edge drawing边缘检测算子对图像进行磨耗曲线提取，而后使用形态学边缘检测算法提取磨耗曲线，对比两个算法得到的磨耗边缘，当两个算法中的磨耗边缘检测结果冲突时，采用图片中坐标纵轴数值较高的磨耗边缘结果；对空缺处使用基于二维熵的磨耗边缘检测算法，补全磨耗边缘，得到初步的碳滑板磨耗曲线结果。

进一步的，基于像素灰度的碳滑板磨耗边缘追踪包括：

相邻像素之间距离大于3像素的磨耗边缘像素点为切分点，而后对磨耗边缘进行追踪，依据像素灰度的高低判断是否为磨耗边缘像素；

若碳滑板图片中汇流排存在处的左右边界横坐标分别为L_busbar和R_busbar对于已得到的碳滑板磨耗边缘点集A＝{a₁,a₂,...,a_p}，对于

若

且i＜p，当a_i∈[0,L_busbar)时，在区间(a_i,min(a_i+1,L_busbar))中寻找缺失的碳滑板磨耗曲线，当a_i∈(R_busbar,a_p)时，在区间(a_i,a_i+1)之间寻找缺失的碳滑板磨耗曲线；设X是碳滑板磨耗边缘像素横坐标集合，Y是碳滑板磨耗边缘像素纵坐标集合，对X中的每个x，Y中存在唯一的一个元素y与之对应，在进行邻域检索时使用遍历横向相邻像素的方式寻找下一个边缘像素。

优选的，在进行像素追踪时，对像素灰度值进行判断，具体包括：

设起始像素为a_k，坐标为(m,n)，a_k＝a_i

记与a_k相邻的(m+1,n+1),(m+1,n),(m+1,n-1)三个坐标处像素a_k1,a_k2,a_k3的灰度值为grey_k1,grey_k2,grey_k3；

若grey_kmax＝grey_k1,a_k+1＝a_k1，

若grey_kmax＜grey_k2×1.05,grey_kmax＝grey_k2×1.05,a_k+1＝a_k2

若grey_kmax＜grey_k3,grey_kmax＝grey_k3,a_k+1＝a_k3

a_k＝a_k+1，当

时终止追踪；而后对汇流排右侧磨耗边缘起始点进行磨耗边缘跟踪，将磨耗曲线补全；

由于碳滑板其余部分均存在磨耗曲线，仅需要对(R_busbar,a_m)区间内的磨耗边缘进行跟踪，其中，a_m＞R_busbar,a_m-1＜R_busbar。

进一步的，对得到的磨耗边缘进行离散点筛除，包括：根据相邻磨耗边缘点之间的距离切分补全后的磨耗边缘，找到最短边缘，若边缘长度小于最小长度，删除该最短边，并再次进行边缘追踪，直到磨耗边缘不能切分，或切分出的边缘都大于最小长度为止。

第二方面，本发明提供一种列车受电弓碳滑板磨耗边缘检测系统，包括：

处理模块，用于对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；

提取模块，用于基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；

追踪筛除模块，用于对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的列车受电弓碳滑板磨耗边缘检测方法。

第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的列车受电弓碳滑板磨耗边缘检测方法。

第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的列车受电弓碳滑板磨耗边缘检测方法的指令。

本发明有益效果：

与现有的最好的现有技术相比，本发明所述方法对碳滑板磨耗边缘进行完整、准确估计，实现对碳滑板磨耗边缘快速提取，减少算法计算量，最终达到提高检测效率，降低检测时间的目的。此外，便于实际应用，可以为工程实际中的轴承退化轨迹预测提供技术支撑。

本发明所述方法考虑了利用碳滑板图片中边缘灰度值之间的关系，有效地提高了碳滑板磨耗边缘提取的完整性，并降低算法耗时。同时，考虑了碳滑板历史检测参数，利用历史检测参数辅助碳滑板磨耗边缘提取，减少算法计算量，提高算法检测效率。

本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所述的列车受电弓碳滑板磨耗边缘检测方法流程图。

图2为本发明实施例所述的对一张碳滑板图片中完整的磨耗边缘进行追踪的流程示意图。

图3为本发明实施例所述的对单独空缺处的碳滑板磨耗边缘进行追踪的流程示意图。

图4为本发明实施例所述的碳滑板磨耗边缘离散点筛除流程示意图。

图5为本发明实施例所述的为磨耗边缘提取的目标碳滑板图像。

图6为本发明实施例所述的碳滑板磨耗边缘追踪与离群点剔除过程示意图。

图7为本发明实施例所述的锚定位置示意图。

图8为本发明实施例所述的使用不同算法的碳滑板磨耗边缘完整性对比示意图。

图9为本发明实施例所述的使用不同算法的碳滑板磨耗边缘精准度对比示意图。

具体实施方式

下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。

还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。

本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。

实施例1

为了提高轨道车辆运行的安全性和可靠性，克服现有技术中由于受电弓图像检测流程复杂、碳滑板磨耗边缘提取耗时长的问题，本实施例提供了一种基于同列车历史检测信息的碳滑板磨耗边缘提取技术，相对于已有的列车碳滑板磨耗边缘检测算法，利用碳滑板图片中边缘灰度值之间的关系与历史检测参数，对磨耗边缘进行提取，得到碳滑板磨耗边缘坐标数组，以便后续对碳滑板进行维护，为城市车辆碳滑板的更换和打磨提供依据，保障城轨车辆的安全可靠运行。

首先，本实施例1提供一种列车受电弓碳滑板磨耗边缘检测系统，该系统包括：处理模块，用于对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；提取模块，用于基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；追踪筛除模块，用于对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

其次，本实施例1中，利用上述的列车受电弓碳滑板磨耗边缘检测系统实现了列车受电弓碳滑板磨耗边缘检测方法，包括：使用处理模块对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；利用提取模块基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；最后利用追踪筛除模块对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

在获得初始碳滑板磨耗边缘的步骤中，如，可基于二维熵的自适应边缘检测算法，对碳滑板图片滑窗中纵向灰度信息进行评价，将数值特征应用于Canny算子，得到磨耗边缘，具体包括：

对碳滑板图像进行滑窗，滑窗大小与汇流排宽度相当，将汇流排所在区域剔除；

将碳滑板图像滑窗内像素点的灰度值与该像素点的邻域信息构成二元组(I_i,I_j-vertical)，其中I_i是三个相邻像素中中间位置像素的灰度值，若点i的坐标为(x,y)，则：

对每一对(I_i,I_j-vertical)进行计数，并记为f_ij-vertical；每个二元数对的频率p_ij-vertical可得：

p_ij-vertical是像素位置的灰度值和周围像素的灰度分布的综合特征之一；

二维灰熵公式为：

并将列车车号与对应的各个碳滑板每个滑窗中的二维熵数值进行记录；

对每个滑窗内单独使用Canny算子进行边缘检测，Canny算子的阈值设定为th_low＝0.001×H,th_high＝0.003×H；对结果进行筛选后，得到初步的碳滑板磨耗曲线结果。

在获得初始碳滑板磨耗边缘的步骤中，还可基于多边缘检测算法的边缘检测方法进行初始边缘提取，包括：使用Edge drawing边缘检测算子对图像进行磨耗曲线提取，而后使用形态学边缘检测算法提取磨耗曲线，对比两个算法得到的磨耗边缘，融合磨耗边缘中的非磨耗边缘部分大都位于碳滑板侧面，故而当两个算法中的磨耗边缘检测结果冲突时，采用图片中靠上的磨耗边缘结果；对空缺处使用基于二维熵的磨耗边缘检测算法，补全磨耗边缘，得到初步的碳滑板磨耗曲线结果。

基于像素灰度的碳滑板磨耗边缘追踪方法与离群点筛除除包括：

相邻像素之间距离大于3像素的磨耗边缘像素点为切分点，而后对磨耗边缘进行追踪，依据像素灰度的高低判断是否为磨耗边缘像素；

若碳滑板图片中汇流排存在处的左右边界横坐标分别为L_busbar和R_busbar对于已得到的碳滑板磨耗边缘点集A＝{a₁,a₂,...,a_p}，对于

若

且i＜p，当a_i∈[0,L_busbar)时，在区间(a_i,min(a_i+1,L_busbar))中寻找缺失的碳滑板磨耗曲线，当a_i∈(R_busbar,a_p)时，在区间(a_i,a_i+1)之间寻找缺失的碳滑板磨耗曲线；设X是碳滑板磨耗边缘像素横坐标集合，Y是碳滑板磨耗边缘像素纵坐标集合，对X中的每个x，Y中存在唯一的一个元素y与之对应，在进行邻域检索时使用遍历横向相邻像素的方式寻找下一个边缘像素。

在进行像素追踪时，对像素灰度值进行判断，具体包括：

设起始像素为a_k，坐标为(m,n)，a_k＝a_i

记与a_k相邻的(m+1,n+1),(m+1,n),(m+1,n-1)三个坐标处像素a_k1,a_k2,a_k3的灰度值为grey_k1,grey_k2,grey_k3；

若grey_kmax＝grey_k1,a_k+1＝a_k1，

若grey_kmax＜grey_k2×1.05,grey_kmax＝grey_k2×1.05,a_k+1＝a_k2，

若grey_kmax＜grey_k3,grey_kmax＝grey_k3,a_k+1＝a_k3。

a_k＝a_k+1，当

时终止追踪；而后对汇流排右侧磨耗边缘起始点进行磨耗边缘跟踪，将磨耗曲线补全；

由于碳滑板其余部分均存在磨耗曲线，仅需要对(R_busbar,a_m)区间内的磨耗边缘进行跟踪，其中，a_m＞R_busbar,a_m-1＜R_busbar；

对得到的磨耗边缘进行筛选，根据相邻磨耗边缘点之间的距离切分补全后的磨耗边缘，找到最短边缘，若边缘长度小于最小长度，删除该最短边，并再次进行边缘追踪，直到磨耗边缘不能切分，或切分出的边缘都大于最小长度为止；而后再进行边缘追踪，得到最终碳滑板磨耗边缘。

实施例2

对于现有的碳滑板磨耗边缘提取研究中，较少的考虑到碳滑板图片中边缘灰度值之间的关系和碳滑板历史检测参数的影响。碳滑板磨耗边缘的灰度值较周围碳滑板非边缘像素灰度值更高，通过已检测得到的磨耗边缘与周围像素灰度值可以补全已有的磨耗边缘之间的断续部分，同时受电弓在不同的时间检测图片中相对位置、边缘与非边缘区域对比度以及部分磨耗边缘变化微小，通过使用历史检测参数对碳滑板进行快速分割和边缘提取可以缩短检测耗时。因此，本实施例2中提供一种基于历史检测信息的列车受电弓碳滑板磨耗边缘检测方法。

本实施例2中，基于历史检测信息的列车受电弓碳滑板磨耗边缘检测方法，首先通过改善磨耗边缘提取算法，提高磨耗边缘提取完整度和准确率，而后使用碳滑板磨耗边缘追踪算法，根据碳滑板图片灰度信息对已经得到的磨耗边缘进行追踪，而后对追踪的结果中的离群点进行筛选，最后对筛选的结果再次进行边缘追踪得到最终的磨耗边缘，并记录碳滑板磨耗边缘检测信息。在基于历史信息的受电弓图片快速检测过程中，在已检测过的受电弓后续检测过程中应用记录的参数信息减少检测计算量，最终达到提高检测效率，降低检测时间的目的。

具体的，本实施例2所述的基于同列车历史检测信息的碳滑板磨耗边缘提取技术，包括：对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

所述的对碳滑板图片进行处理，选取碳滑板图片信息的数值特征对边缘检测算法进行自适应优化，包括：获取的受电弓图片中碳滑板位置坐标应用于后续检测。获取碳滑板二维熵数据{H₁,H₂,...,H_k,...,H_n},(k＝1,2,...,n)，H_k为第k个碳滑板图片滑窗的二维熵。多个边缘检测算法融合检测磨耗边缘。基于像素灰度关系的碳滑板磨耗边缘追踪与离群点剔除。获取的受电弓图片中碳滑板磨耗边缘应用于后续检测。

本实施例2中，可基于二维熵的自适应边缘检测算法，对碳滑板图片滑窗中纵向灰度信息进行评价，将数值特征应用于Canny算子，得到初始磨耗边缘。或者也可结合多种边缘检测算法提取初始磨耗边缘。

具体的，基于二维熵的自适应碳滑板磨耗边缘提取方法包括：

对碳滑板图像进行滑窗，滑窗大小与汇流排宽度相当，将汇流排所在区域剔除，使其不影响计算；

将碳滑板图像滑窗内像素点的灰度值与该像素点的邻域信息构成二元组(I_i,I_j-vertical)，其中I_i是三个相邻像素中中间位置像素的灰度值，若点i的坐标为(x,y)，则：

对每一对(I_i,I_j-vertical)进行计数，并记为f_ij-vertical。每个二元数对的频率p_ij-vertical可得：

p_ij-vertical是像素位置的灰度值和周围像素的灰度分布的综合特征之一。二维灰熵公式为

并将列车车号与对应的碳滑板滑窗中的二维熵数值记录在list3中；

对每个滑窗内单独使用Canny算子进行边缘检测，Canny算子的阈值设定为th_low＝0.001×H,th_high＝0.003×H。对结果进行筛选后，得到初步的碳滑板磨耗曲线结果。

具体的，基于多边缘检测算法的边缘检测方法包括：

使用Edge drawing边缘检测算子对图像进行磨耗曲线提取，而后使用形态学边缘检测算法提取磨耗曲线，对比两个算法得到的磨耗边缘，融合磨耗边缘中的非磨耗边缘部分大都位于碳滑板侧面，故而当两个算法中的磨耗边缘检测结果冲突时，采用图片中靠上的磨耗边缘结果。对空缺处使用基于二维熵的磨耗边缘检测算法，补全磨耗边缘，得到初步的碳滑板磨耗曲线结果。对空缺处使用基于二维熵的磨耗边缘检测算法，补全磨耗边缘，得到初步的碳滑板磨耗曲线结果。

本实施例2中，基于像素灰度的碳滑板磨耗边缘追踪方法与离群点剔除方法，具体包括：

基于像素距离切分磨耗边缘。相邻像素之间距离大于3像素的磨耗边缘像素点为切分点，而后对磨耗边缘进行追踪，依据像素灰度的高低判断是否为磨耗边缘像素。

若碳滑板图片中汇流排存在处的左右边界横坐标分别为L_busbar和R_busbar对于已得到的碳滑板磨耗边缘点集A＝{a₁,a₂,...,a_p}，对于

若

且i＜p，当a_i∈[0,L_busbar)时，在区间(a_i,min(a_i+1,L_busbar))中寻找缺失的碳滑板磨耗曲线，当a_i∈(R_busbar,a_p)时，在区间(a_i,a_i+1)之间寻找缺失的碳滑板磨耗曲线。设X是碳滑板磨耗边缘像素横坐标集合，Y是碳滑板磨耗边缘像素纵坐标集合，对X中的每个x，Y中存在唯一的一个元素y与之对应，在进行邻域检索时使用遍历横向相邻像素的方式寻找下一个边缘像素。

在进行像素追踪时，对像素灰度值进行判断，具体步骤如下所示：

设起始像素为a_k，坐标为(m,n)，a_k＝a_i

记与a_k相邻的(m+1,n+1),(m+1,n),(m+1,n-1)三个坐标处像素a_k1,a_k2,a_k3的灰度值为grey_k1,grey_k2,grey_k3。

若grey_kmax＝grey_k1,a_k+1＝a_k1，

若grey_kmax＜grey_k2×1.05,grey_kmax＝grey_k2×1.05,a_k+1＝a_k2

若grey_kmax＜grey_k3,grey_kmax＝grey_k3,a_k+1＝a_k3

a_k＝a_k+1，当

时终止追踪，不满足条件时重复步骤2)。

而后对汇流排右侧磨耗边缘起始点进行磨耗边缘跟踪，将磨耗曲线补全。

由于碳滑板其余部分均存在磨耗曲线，仅需要对(R_busbar,a_m)区间内的磨耗边缘进行跟踪，其中，a_m＞R_busbar,a_m-1＜R_busbar。同时，为了保证在像素邻域存在多个亮度值一样的情况，根据经验优先选取横向邻域上的像素，具体边缘跟踪步骤如下所示：

设起始像素为a_k，坐标为(m,n)，a_k＝a_m

记与a_k相邻的(m-1,n+1),(m-1,n),(m-1,n-1)三个坐标处像素a_k1,a_k2,a_k3的灰度值为grey_k1,grey_k2,grey_k3。

若grey_kmax＝grey_k1,a_k+1＝a_k1，

若grey_kmax＜grey_k2×1.05,grey_kmax＝grey_k2×1.05,a_k+1＝a_k2

若grey_kmax＜grey_k3,grey_kmax＝grey_k3,a_k+1＝a_k3

a_k＝a_k+1，当

时终止追踪。

本实施例2中，对得到的磨耗边缘进行筛选包括：根据相邻磨耗边缘点之间的距离切分补全后的磨耗边缘，找到最短边缘，若边缘长度小于最小长度，删除该最短边，并再次进行边缘追踪，直到磨耗边缘不能切分，或切分出的边缘都大于最小长度为止。而后再进行边缘追踪，得到最终碳滑板磨耗边缘。

在具体的后续应用中，基于历史检测得到的二维熵可快速提取磨耗边缘，缩短了检测提取时间，提高了效率，具体包括：

通过保存的历史图片二维熵数值对切割后的碳滑板磨耗边缘进行提取：通过车号提取list3中列车图片对应的碳滑板中对应滑窗的二维熵，将碳滑板图片进行滑窗切分，并在滑窗内中使用前次检测中的对应二维熵数值H，Canny算子的阈值设置为th_low＝0.001×H,th_high＝0.003×H，将得到的磨耗边缘进行边缘追踪与离群点剔除后得到此次受电弓磨耗边缘结果。

基于历史检测得到的磨耗边缘坐标快速更新磨耗边缘，包括：

通过历史检测中得到的碳滑板磨耗边缘坐标对该碳滑磨耗边缘进行快速提取，首先将碳滑板底板下两个固定螺丝作为关键点，对同列车不同时间碳滑板图片进行配准。

根据历史检测结果中的中线结果，将碳滑板图片中中线以上部位去除，使其不影响后续关键点定位。

而后对剩余底板图像进行自适应二值化处理，分离碳滑板底板与背景图片。通过形态学方法对二值图像中存在的噪声和空洞进行剔除。而后对得到的底板部分进行宽度筛选。对二值图中的碳滑板底板厚度进行统计，去除厚度小于二值化图片中前景厚度的集合中中位数的底板部分后得到不完整的碳滑板底板下方边缘，而后通过曲线拟合得到完整碳滑板底板下边缘。将碳滑板图像的sobel边缘检测结果进行自适应二值化处理，二值化图片中下边缘上方图像涂黑后进行连通域筛选，去除面积较小连通域，得到包含铆钉两侧边缘的二值化图像。

两铆钉位置如图7所示(图中黑色方框处)，两铆钉内侧边缘分别为x_l,x_r，则根据汇流排位置关系，对铆钉位置进行限定：x_l＜L_busbar,x_r＞w_img-L_busbar。找到碳滑板底板下方两个铆钉后通过碳滑板两个铆钉坐标对两个碳滑板图片进行匹配，根据上一次检测过程中的碳滑板图片与此次检测的碳滑板图片上铆钉的相对位置判断是否能够匹配，若相对位置差距较小则通过对齐点的方式对齐两张碳滑板图片。

将对齐后的两张碳滑板图片做差分并自适应二值化，根据差值图进行磨耗边缘的更新。在二值化差值图片上取原磨耗边缘到其下h像素高度的图片区域，得到宽度为磨耗边缘点坐标列表长度，高度为h的二值化图像，仅保留图片中较大的连通域，并取出连通域骨架。得到的骨架坐标即为需要更新的磨耗边缘。

实施例3

本实施例3中，提出了一种基于像素灰度相互关系和历史检测信息的碳滑板磨耗边缘检测方法，实现了受电弓碳滑板磨耗边缘检测，为车辆维修部门提供运维保障支持。方法流程如图1所示。

图8、图9与表1中前3张受电弓图片(12张碳滑板图片)为第一次磨耗边缘检测，前6张受电弓图片(24张碳滑板图片)为使用历史检测信息进行磨耗边缘检测。算法1代表通过基于二维熵改进的Canny算子并通过边缘追踪算法补全边缘间的空隙，后续检测应用保存的二维熵数值减少算法计算量，提高运行速度。算法2代表通过车辆第一次检测图片经过人工标注，而后续检测结果依靠第一次检测结果，通过对图片间差值进行磨耗边缘的更新。算法3代表多边缘检测算法结合的算法检测到的碳滑板磨耗边缘，并通过边缘追踪算法进行补全，而后续检测结果依靠第一次检测结果，通过对图片间差值进行磨耗边缘的更新。算法2与算法3中，若后续检测图像匹配出现错误，则按照未检测图片流程重新检测。表1中，针对三个算法统计列车第一次检测中从完整受电弓拍摄图片中提取出磨耗边缘的时间time1，列车第一次检测中从切割完成的碳滑板图片中提取出磨耗边缘的时间time2，从已检测过的列车完整受电弓图片中提取出磨耗边缘的时间time3和从已检测过的列车碳滑板图片中提取出磨耗边缘的时间time4。

步骤1：提取列车车号

通过列车车号照片识别列车车号，并将车号与车号列表list1中存储的车号进行对比，若列表中不存在该车号，则将车号存入表list1中，并进行步骤2，若列表中存在该车号，则进行步骤6、7。

步骤2：碳滑板图片空间位置参数存储

对受电弓图片使用形态学、边缘检测等方法得到碳滑板在图片中的坐标位置，并将坐标存储在列表list2中。

步骤3：碳滑板初始磨耗边缘提取

本实施例中，对碳滑板磨耗边缘进行提取可使用如下三种方法：

方法一：使用二维熵辅助的磨耗边缘提取算法，提取碳滑板磨耗边缘。对碳滑板图像进行滑窗，滑窗大小与汇流排宽度相当，将汇流排所在区域剔除，使其不影响计算。

将碳滑板图像滑窗内像素点的灰度值与该像素点的邻域信息构成二元组(I_i,I_j-vertical)，其中I_i是三个相邻像素中中间位置像素的灰度值，若点i的坐标为(x,y)，则：

对每一对(I_i,I_j-vertical)进行计数，并记为f_ij-vertical。每个二元数对的频率p_ij-vertical可得：

p_ij-vertical是像素位置的灰度值和周围像素的灰度分布的综合特征之一。二维灰熵公式为

并将列车车号与对应的碳滑板滑窗中的二维熵数值记录在list3中。

对每个滑窗内单独使用Canny算子进行边缘检测，Canny算子的阈值设定为th_low＝0.001×H,th_high＝0.003×H。

对结果进行筛选后，得到初步的碳滑板磨耗曲线结果。

方法二：使用多种边缘检测结合的磨耗边缘检测方法：

算法首先使用Edge drawing边缘检测算子对图像进行磨耗曲线提取，具体步骤如下所示：1)使用高斯滤波对图像进行降噪处理。2)计算图像集合中每个元素梯度的幅值和方向。3)提取出集合中的锚点。4)通过智能寻路算法自动连接锚点，得到图像中的边缘。5)对结果进行筛选，得到碳滑板磨耗曲线。

而后使用形态学边缘检测算法提取磨耗曲线：1)使用闭运算消除原始图像中存在的噪声。2)对原始图像进行膨胀操作，得到膨胀图像。3)对原始图像进行腐蚀操作，得到腐蚀图像。4)膨胀图像与腐蚀图像差分。5)对差分后的边缘图像进行自适应二值化

对Edge drawing边缘检测结果与形态学边缘检测结果进行融合。在融合过程中，对两个算法得到的磨耗边缘进行对比，由于碳滑板侧面纹路对边缘检测算法影响较大，检测结果中的非磨耗边缘部分大都位于碳滑板侧面，当两个算法中的磨耗边缘检测结果冲突时，采用图片中靠上的磨耗边缘结果。

对融合后的碳滑板磨耗边缘检测结果进行检测，若结果中出现大于50像素的空缺，对空缺处使用基于二维熵的磨耗边缘检测算法，补全磨耗边缘，得到初步的碳滑板磨耗曲线结果。对空缺处使用基于二维熵的磨耗边缘检测算法，补全磨耗边缘，得到初步的碳滑板磨耗曲线结果。

方法三：通过人工标注的手段标注图片中的碳滑板磨耗边缘。

步骤4：磨耗边缘追踪

磨耗边缘追踪过程如图2、图3所示：

首先，将得到的磨耗边缘根据像素之间的距离进行切分。相邻像素之间距离大于3像素的磨耗边缘像素点为切分点，将磨耗边缘切分为几段边缘，而后对磨耗边缘进行追踪。根据碳滑板图像中，磨耗边缘与其周围均为明亮区域，但是碳滑板磨耗边缘相较于其余部分更加明亮，灰度值对比于周围更高的原理，对边缘跟踪算法进行调整，将根据梯度跟踪边缘调整为根据边缘像素横向邻域内的像素灰度值判断是否为磨耗边缘像素。

根据碳滑板图片中的像素灰度特性，在边缘跟踪时判断像素点是否为磨耗边缘的依据更换为像素灰度的高低，若碳滑板图片中汇流排存在处的左右边界横坐标分别为L_busbar和R_busbar对于已得到的碳滑板磨耗边缘点集A＝{a₁,a₂,...,a_p}，对于

若

且i＜p，当a_i∈[0,L_busbar)时，在区间(a_i,min(a_i+1,L_busbar))中寻找缺失的碳滑板磨耗曲线，当a_i∈(R_busbar,a_p)时，在区间(a_i,a_i+1)之间寻找缺失的碳滑板磨耗曲线。设X是碳滑板磨耗边缘像素横坐标集合，Y是碳滑板磨耗边缘像素纵坐标集合，对X中的每个x，Y中存在唯一的一个元素y与之对应，在进行邻域检索时使用遍历横向相邻像素的方式寻找下一个边缘像素。

在进行像素追踪时，对像素灰度值进行判断，具体步骤如下所示：

设起始像素为a_k，坐标为(m,n)，a_k＝a_i；

记与a_k相邻的(m+1,n+1),(m+1,n),(m+1,n-1)三个坐标处像素a_k1,a_k2,a_k3的灰度值为grey_k1,grey_k2,grey_k3；

若grey_kmax＝grey_k1,a_k+1＝a_k1，

若grey_kmax＜grey_k2×1.05,grey_kmax＝grey_k2×1.05,a_k+1＝a_k2；

若grey_kmax＜grey_k3,grey_kmax＝grey_k3,a_k+1＝a_k3；

a_k＝a_k+1，当

时终止追踪，不满足条件时重复步骤2；

而后对汇流排右侧磨耗边缘起始点进行磨耗边缘跟踪，将磨耗曲线补全。

由于碳滑板其余部分均存在磨耗曲线，仅需要对(R_busbar,a_m)区间内的磨耗边缘进行跟踪，其中，a_m＞R_busbar,a_m-1＜R_busbar。同时，为了保证在像素邻域存在多个亮度值一样的情况，根据经验优先选取横向邻域上的像素，具体边缘跟踪步骤如下所示：

设起始像素为a_k，坐标为(m,n)，a_k＝a_m；

记与a_k相邻的(m-1,n+1),(m-1,n),(m-1,n-1)三个坐标处像素a_k1,a_k2,a_k3的灰度值为grey_k1,grey_k2,grey_k3；

若grey_kmax＝grey_k1,a_k+1＝a_k1，

若grey_kmax＜grey_k2×1.05,grey_kmax＝grey_k2×1.05,a_k+1＝a_k2；

若grey_kmax＜grey_k3,grey_kmax＝grey_k3,a_k+1＝a_k3；

a_k＝a_k+1，当

时终止追踪，不满足条件时重复步骤2。

步骤5：磨耗边缘离群点筛除，得到最终的磨耗边缘。

对得到的磨耗边缘进行筛选，根据碳滑板磨耗边缘像素之间的距离对磨耗边缘进行切分，将与其余片段背离的区域剔除，得到完整的磨耗边缘。具体流程图如图4所示：将补全后的边缘切分后找到最短边缘，且边缘长度小于最小长度，删除该最短边，并再次进行边缘追踪，直到磨耗边缘不能切分，或切分出的边缘都大于最小长度为止。离群点剔除效果如图6所示，从上到下依次是得到的磨耗边缘图、边缘追踪后磨耗边缘图，后二张均为离群点筛除过程图片，最后一张为最终磨耗边缘图片。

步骤6：基于历史检测信息的碳滑板快速切分

由于列车在轨道上存在晃动，同列车在不同时间拍摄的图片中存在细微不同，首先对受电弓图片进行图片匹配。图像匹配步骤如下所示：

关键点提取：通过使用ORB算法提取图像的特征点。提取受电弓图像的特征点采用ORB算法，ORB算法的第一步是定位目标图像中的所有关键点。而后将关键点用相应的二进制特征向量进行描述。

关键点匹配：使用暴力穷举算法在两幅图像的关键点中找到最相近的20个关键点。使用RANSAC算法，将得到的20个匹配的关键点中可能存在的“外点”去除。

图像旋转：得到匹配的关键点之后通过计算得到多个二维点对之间的最优单映射变换矩阵H，而后对图片进行单应性变换，得到与历史检测中同样晃动角度的受电弓图片。

碳滑板提取：使用此列车历史检测中弓头切割坐标可以快速得到此次图片中的弓头区域图片，并将历史检测中的碳滑板位置坐标引用到得到的弓头区域图片中，对图片进行切割。

步骤7：边缘快速更新方法

本实施例中，可使用以下几种方法进行碳滑板边缘的更新：

方法一：通过保存的历史图片二维熵数值对切割后的碳滑板磨耗边缘进行提取：通过车号提取list3中列车图片对应的碳滑板中对应滑窗的二维熵，将碳滑板图片进行滑窗切分，并在滑窗内中使用前次检测中的对应二维熵数值H，Canny算子的阈值设置为th_low＝0.001×H,th_high＝0.003×H，将得到的磨耗边缘进行步骤4后得到此次受电弓磨耗边缘结果。

方法二：通过历史检测中得到的碳滑板磨耗边缘坐标对该碳滑磨耗边缘进行快速提取：首先将碳滑板底板下两个固定螺丝作为关键点坐标。由于碳滑板支架处下方垫片位置可能发生改变，对关键点的选取若考虑整体部分坐标，坐标会受到链接部位影响。在选取坐标时采用支架左上角处与碳滑板底板相交的位置作为关键点，对同列车不同时间碳滑板图片进行配准。

根据历史检测结果中的中线结果，将碳滑板图片中中线以上部位去除，使其不影响后续关键点定位。

而后对剩余底板图像进行自适应二值化处理，分离碳滑板底板与背景图片。通过形态学方法对二值图像中存在的噪声和空洞进行剔除。而后对得到的底板部分进行宽度筛选。对二值图中的碳滑板底板厚度进行统计，去除厚度小于二值化图片中前景厚度的集合中中位数的底板部分后得到不完整的碳滑板底板下方边缘，而后通过曲线拟合得到完整碳滑板底板下边缘。将碳滑板图像的sobel边缘检测结果进行自适应二值化处理，二值化图片中下边缘上方图像涂黑后进行连通域筛选，去除面积较小连通域，得到包含铆钉两侧边缘的二值化图像。

两铆钉内侧边缘为x_l,x_r，则根据汇流排位置关系，对铆钉位置进行限定：x_l＜L_busbar,x_r＞w_img-L_busbar。找到碳滑板底板下方两个铆钉后通过碳滑板两个铆钉坐标对两个碳滑板图片进行匹配，根据上一次检测过程中的碳滑板图片与此次检测的碳滑板图片上铆钉的相对位置判断是否能够匹配，若相对位置差距较大则进行步骤3、4，若相对位置差距较小则通过对齐点的方式对齐两张碳滑板图片。

将对齐后的两张碳滑板图片做差分并自适应二值化，根据差值图进行磨耗边缘的更新。在二值化差值图片上取原磨耗边缘到其下h像素高度的图片区域，得到宽度为磨耗边缘点坐标列表长度，高度为h的二值化图像，仅保留图片中较大的连通域，并取出连通域骨架。得到的骨架坐标即为需要更新的磨耗边缘。以此得到的碳滑板磨耗边缘检测精度如图8、图9所示。图8为完整度评价指标F值，图9为精准度评价指标Imp值，算法耗时如表1所示。

表1

实施例4

本发明实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现列车受电弓碳滑板磨耗边缘检测方法，该方法包括：

对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；

基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；

对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

实施例5

本发明实施例5提供一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现列车受电弓碳滑板磨耗边缘检测方法，该方法包括：

对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；

基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；

对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

实施例6

本发明实施例6提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现列车受电弓碳滑板磨耗边缘检测方法的指令，该方法包括：

对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；

基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；

对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

综上所述，本发明实施例所述的立车受电弓碳滑板磨耗边缘检测方法及系统，通过二维熵等指标评价区域内磨耗边缘内灰度变化情况，并调整Canny算子阈值，达到自适应边缘检测的目的。通过多边缘检测算法融合的方式得到磨耗边缘，而后使用耗时较长的检测方法补全缺漏，保证算法具有较高精度的同时降低算法耗时。充分的考虑到碳滑板磨耗边缘像素灰度关系，针对磨耗边缘进行边缘追踪算法，并通过得到的磨耗边缘像素之间的距离剔除离群点。考虑了利用碳滑板图片中边缘灰度值之间的关系与历史检测参数，记录受电弓图片检测参数信息，在后续检测过程中应用记录的历史参数信息减少检测计算量，提高检测效率。相比于现有的碳滑板磨耗边缘检测方法，本发明所述方法可以实现更加完整、精确快速的碳滑板磨耗边缘检测，在保证碳滑板磨耗边缘检测准确率和完整度的情况下降低检测时间，为维修部门提供有针对性的碳滑板打磨和更换建议，从而降低时间、经济成本，提高城轨车辆的可靠性。易于用相关软件对该方法的算法进行编程，计算简单，方便实用。因此，该发明具有一定的经济效益和社会效益。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种列车受电弓碳滑板磨耗边缘检测方法，其特征在于，包括：

对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；

基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；

对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

2.根据权利要求1所述的列车受电弓碳滑板磨耗边缘检测方法，其特征在于，二维熵辅助的磨耗边缘提取算法提取碳滑板初始磨耗边缘，包括：

对碳滑板图像进行滑窗，滑窗大小与汇流排宽度相当，将汇流排所在区域剔除；

将碳滑板图像滑窗内像素点的灰度值与该像素点的邻域信息构成二元组(I_i,I_j-vertical)，其中I_i是三个相邻像素中中间位置像素的灰度值，若点i的坐标为(x,y)，则：

对每一对(I_i,I_j-vertical)进行计数，并记为f_ij-vertical；每个二元数对的频率p_ij-vertical可得：

p_ij-vertical是像素位置的灰度值和周围像素的灰度分布的综合特征之一；

二维灰熵公式为：

将列车车号与对应的各个碳滑板每个滑窗中的二维熵数值进行记录；

对每个滑窗内单独使用Canny算子进行边缘检测，Canny算子的阈值设定为th_low＝0.001×H,th_high＝0.003×H；对结果进行筛选后，得到初始碳滑板磨耗曲线结果。

3.根据权利要求1所述的列车受电弓碳滑板磨耗边缘检测方法，其特征在于，基于多边缘检测算法结合提取初始磨耗边缘，包括：使用Edge drawing边缘检测算子对图像进行磨耗曲线提取，而后使用形态学边缘检测算法提取磨耗曲线，对比两个算法得到的磨耗边缘，当两个算法中的磨耗边缘检测结果冲突时，采用图片中坐标纵轴数值较高的磨耗边缘结果；对空缺处使用基于二维熵的磨耗边缘检测算法，补全磨耗边缘，得到初步的碳滑板磨耗曲线结果。

4.根据权利要求4所述的列车受电弓碳滑板磨耗边缘检测方法，其特征在于，基于像素灰度的碳滑板磨耗边缘追踪包括：

相邻像素之间距离大于3像素的磨耗边缘像素点为切分点，而后对磨耗边缘进行追踪，依据像素灰度的高低判断是否为磨耗边缘像素；

若碳滑板图片中汇流排存在处的左右边界横坐标分别为L_busbar和R_busbar对于已得到的碳滑板磨耗边缘点集A＝{a₁,a₂,...,a_p}，对于

若

且i＜p，当a_i∈[0,L_busbar)时，在区间(a_i,min(a_i+1,L_busbar))中寻找缺失的碳滑板磨耗曲线，当a_i∈(R_busbar,a_p)时，在区间(a_i,a_i+1)之间寻找缺失的碳滑板磨耗曲线；设X是碳滑板磨耗边缘像素横坐标集合，Y是碳滑板磨耗边缘像素纵坐标集合，对X中的每个x，Y中存在唯一的一个元素y与之对应，在进行邻域检索时使用遍历横向相邻像素的方式寻找下一个边缘像素。

5.根据权利要求4所述的列车受电弓碳滑板磨耗边缘检测方法，其特征在于，在进行像素追踪时，对像素灰度值进行判断，具体包括：

设起始像素为a_k，坐标为(m,n)，a_k＝a_i

记与a_k相邻的(m+1,n+1),(m+1,n),(m+1,n-1)三个坐标处像素a_k1,a_k2,a_k3的灰度值为grey_k1,grey_k2,grey_k3；

若grey_kmax＝grey_k1,a_k+1＝a_k1，

若grey_kmax＜grey_k2×1.05,grey_kmax＝grey_k2×1.05,a_k+1＝a_k2

若grey_kmax＜grey_k3,grey_kmax＝grey_k3,a_k+1＝a_k3

a_k＝a_k+1，当

时终止追踪；而后对汇流排右侧磨耗边缘起始点进行磨耗边缘跟踪，将磨耗曲线补全；

由于碳滑板其余部分均存在磨耗曲线，仅需要对(R_busbar,a_m)区间内的磨耗边缘进行跟踪，其中，a_m＞R_busbar,a_m-1＜R_busbar。

6.根据权利要求5所述的列车受电弓碳滑板磨耗边缘检测方法，其特征在于，对得到的磨耗边缘进行离散点筛除，包括：根据相邻磨耗边缘点之间的距离切分补全后的磨耗边缘，找到最短边缘，若边缘长度小于最小长度，删除该最短边，并再次进行边缘追踪，直到磨耗边缘不能切分，或切分出的边缘都大于最小长度为止。

7.一种列车受电弓碳滑板磨耗边缘检测系统，其特征在于，包括：

处理模块，用于对获取的碳滑板图片进行处理，选取表征碳滑板图片信息的数值特征；

提取模块，用于基于碳滑板图片信息的数值特征，结合边缘检测算法进行自适应的边缘检测，得到初始磨耗边缘；

追踪筛除模块，用于对得到的初始磨耗边缘，进行基于像素灰度的碳滑板磨耗边缘追踪和离群点筛除，获得最终的碳滑板磨耗边缘图像。

8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的列车受电弓碳滑板磨耗边缘检测方法。

9.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如权利要求1-6任一项所述的列车受电弓碳滑板磨耗边缘检测方法。

10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的列车受电弓碳滑板磨耗边缘检测方法的指令。

Images