基于主動形狀模型的受電弓自動檢測方法與流程

本發明屬于計算機數字圖像處理與模式識別技術領域，主要涉及電動牽引機車使用的受電弓在線自動檢測方法，具體涉及一種基于主動形狀模型的受電弓在線自動檢測方法。

背景技術：
電力牽引機車受電弓是電氣化鐵路電力機車從接觸網上受取電源的裝置。在實際機車運行過程中，受電弓碳滑板與接觸網導線直接接觸，從接觸網導線上受取電流供機車使用。在高速電氣化鐵路系統中，機車必須保持穩定的受流狀態。受電弓弓頭破損、碳滑板過度磨耗不僅影響電力機車的正常供電，甚至會造成軌道交通的中斷。因此作為直接與接觸網接觸的取流關鍵設備-受電弓碳滑板的狀態極為關鍵，它關系到機車能否穩定、可靠地從接觸線取電。實際管理中，相關部門需要對受電弓碳滑板運行狀態進行定期檢測，以保證機車的穩定、安全運行。隨著我國軌道交通和高速鐵路的飛速發展，對受電弓的可靠運行提出了更高的要求，實現對受電弓運行狀態的在線自動檢測具有重要意義。目前國內外受電弓狀態的檢測方法主要包括入庫靜態檢測、機載檢測系統和在線定點式檢測3種方式。入庫靜態檢測即在機車進入檢修庫停車后，降下受電弓，截斷接觸網電源，檢修人員登上車頂通過測量儀器手工測量碳滑板磨損和變形狀況。該檢測方法存在一定的局限性，首先要求接觸網必須在受電弓檢測前斷電，且通常只能在機車入庫停車后才能檢測，屬于一種靜態檢測方法。不能實現受電弓的在線自動檢測。在實際運作中需要投入較大規模的人力、成本較高。詳見文獻：謝力.基于圖像處理的受電弓狀態檢測技術研究：[碩士學位論文]：西南交通大學，2009。機載受電弓檢測方法屬于一種在線自動檢測方法。主要包括2種方式，其一是通過在機車上安裝光、電、力學等多種傳感器采集受電弓位置、碳滑板的磨耗，以及受電弓弓頭左右偏移量狀態等信息對受電弓進行檢測，但傳感器獲取的受電弓運行狀態信息容易受機車運行過程中產生的震動的干擾；其二是將光纖內埋式磨損傳感器嵌入受電弓滑板中，當受電弓滑板收到接觸網的沖擊作用而產生磨損時或者產生缺失時，傳感器給出相應的磨損信號。根據不同的信號強度給出不同等級的報警信號，從而獲得受電弓滑板的磨損狀態。該方法的主要缺點是：一是對于材料的要求比較高，要在受電弓滑板中內嵌傳感器，材料工藝要求高，受電弓滑板材料結構改變可能會降低受電弓的使用壽命，提高了成本；二是傳感器不能布滿整個受電弓碳滑板，因此得到的數據是幾個點的，不能得到各個點的磨損狀態；三是整個系統裝置比較多，比較復雜，系統安裝維修不方便。在線定點式自動檢測方式，國內外主要有基于超聲波傳感器的檢測和基于圖像的檢測方法。超聲波傳感器檢測方法多見于國外機車系統，其基本方法是：在機車行駛的路段上安裝多個超聲波傳感器發送超聲波，超聲波通過空氣傳輸到達被測受電弓碳滑板上，然后超聲波反射返回到傳感器上。根據超聲波的傳輸時間與當時的波速，經計算后獲得受電弓碳滑板的厚度信息，進而實現對受電弓碳滑板的磨損狀態進行在線檢測。該方法存在的顯著不足是超聲波信號容易受超聲波工作距離、超聲波信號強弱和受電弓運行中的姿態的影響。近年來，國內外出現了許多基于在線獲取圖像的受電弓檢測方法。該方法核心包括拍照和檢測2部分，首先將在線拍照系統安裝在機車行駛的路段上方，待機車受電弓行駛通過拍照系統時，同步觸發相機和閃光燈對受電弓進行拍照，完成受電弓圖像的在線采集，然后采用數字圖像處理方法對采集到的圖像進行仔細分析，最終獲取受電弓在線運行狀態。該方法的優勢非常明顯，可以在機車行駛過程中做到在線自動檢測；缺點是檢測精度依賴于拍照系統采集圖像的質量，對受電弓在線拍照系統精度要求比較高。國內目前已有廠商和科研單位正在研發基于圖像的受電弓在線運行狀態的檢測系統，存在的問題主要集中于：1)受電弓圖像采集質量較低，不利于后續圖像處理與分析；2)對機車運行速度有限制，難以實現真正的在線檢測；3)采集到的受電弓圖像背景復雜、不統一，圖像處理方法難以進行精確的受電弓定量檢測，相關方法亟需進一步改進。詳見南京大學于2012年公開的專利《高速機車受電弓滑板磨損自動檢測裝置》，專利公開號：CN102507600A。基于可變模型對目標物體特征點定位的研究取得了很大成就，特別是對于圖像中的目標物體變化很大的情況。可變模型的基本思想是：建立一個目標物體的通用模型，對于任意給定圖像，如果圖像中有與該模型相同的目標物體，則可以根據物體圖像的內部和外部特征與模型之間的差異，通過調整模型參數將模型進行變化，其形狀和紋理能夠與目標物體在一定誤差內實現匹配，詳見文獻：CootesT.F.DeformableObjectModellingandMatching.In：KimmelR，KletteR，SugimotoA，eds.ComputerVision-Accv2010，PtI.Berlin：Springer-VerlagBerlin；2011：1-10.英國曼徹斯特大學(UniversityofManchester)的Tim.Cootes等人提出的主動形狀模型ASM(ActiveShapeModels)是實現上述思想的一個典型代表。該方法已成為當前主流的目標定位方法，在目標對象的定位中，特別是在人臉檢測、手勢識別和醫學人體器官圖像檢測方面得到了廣泛的應用，詳見文獻：CootesT.F.，C.J.Taylor，D.H.Cooper，etal.ActiveShapeModels-TheirTrainingandApplication.ComputerVisionandImageUnderstanding.1995，61(1)：38-59.ASM是一種基于統計學的灰度和形狀分離的可變形模型，允許待定位目標有一定程度的形變，同時采用灰度和梯度信息指導形狀模型收斂，其收斂速度較快。其主要方法是通過對樣本圖像中的目標物體進行關鍵特征點手動標定，進而形成樣本集目標點分布模型(PointDistributionModel)，然后對點分布模型進行訓練、統計分析建立ASM模型，再以此模型作為依據，在測試圖像中與目標特征進行快速匹配，找到被定位目標的位置。其優點是容易選擇目標輪廓特征點作為建模基礎，但ASM的匹配精度與匹配起始位置密切相關，因此獲取ASM匹配起始位置的目標定位方法是影響ASM最終匹配結果優劣的一個重要因素。實際應用ASM方法進行目標精確定位時，需要首先進行目標的初略定位，否則匹配過程容易陷入局部最優，導致匹配不到實際的目標上。隨著我國高速鐵路建設的不斷發展，機車的行駛速度越來越快，對受電弓運行質量的要求越來越高，同時也對受電弓在線自動檢測的精確性、穩定性提出了更高的要求。針對目前國內基于圖像的受電弓在線檢測方法精度差的問題，迫切需要研發一種新型的受電弓運行狀態在線自動檢測方法。

技術實現要素：
(一)發明目的本發明的目的是：針對基于圖像的受電弓檢測，提供一種基于主動形狀模型的受電弓在線自動檢測方法，在機車正常行駛過程中，能夠對受電弓碳滑板厚度進行定量檢測。(二)技術解決方案本發明提供了一種基于主動形狀模型的受電弓自動檢測方法，包括以下步驟：步驟10、獲取受電弓圖像學習樣本集；步驟20、構建受電弓主動形狀模型；步驟30、對新獲取、待檢測的圖像進行受電弓初始定位；步驟40、結合初始定位和主動形狀模型的受電弓精確匹配；步驟50、受電弓定量檢測和分析。所述步驟10中獲取受電弓圖像學習樣本集，具體通過安裝于電力牽引車接觸網上方的受電弓在線拍照系統采集若干受電弓圖像，形成受電弓圖像學習樣本集，學習樣本集至少包含50張受電弓圖像，且各受電弓圖像的分辨率保持一致。所述步驟20中構建受電弓主動形狀模型，具體步驟是：采用形態學濾波運算方法對步驟10采集的受電弓圖像逐一進行圖像降噪預處理；在每張圖像中選取受電弓輪廓的角點、邊界點作為特征點，通過人工手動的方式，對受電弓特征點進行標記，且每張受電弓圖像中的特征標記點必須相互對應、數量保持一致；將標記完成的受電弓特征點的圖像坐標保存于文本文件中，不同受電弓圖像的特征點分開保存，且受電弓圖像文件名稱與對應的特征點文件名稱保持一致。圖像坐標指以圖像左上角為坐標原點，水平向右方向為X軸，垂直向下方向為Y軸的坐標體系的像素坐標。此時，所有受電弓圖像可以采用特征點的點分布模型(Pointdistributionmodel，PDM)對受電弓形狀進行描述，即受電弓圖像i的形狀可以通過其所有特征點數學表示為：N為受電弓圖像的特征點總數。受電弓圖像學習樣本集可以表示為：，i＝1，2，3，…，M，M為受電弓圖像總數目；基于受電弓圖像和相應的特征點，根據主動形狀模型(ActiveShapeModel，ASM)算法原理，建立受電弓主動形狀模型，該模型以文件的形式存在。具體步驟包括：1、采用GeneralizedProcrustesanalysis(GPA)方法對所有受電弓圖像的點分布模型進行對齊(Align)。對齊步驟如下：(1)對于受電弓形狀xi，i＝2，3，…，M，逐個進行旋轉、縮放和平移，并與形狀x1做對齊，得到變換后的形狀集合(2)計算變換后的所有受電弓圖像形狀的平均值m；其中：(3)將平均形狀m進行旋轉、縮放和平移，與樣本做對齊；(4)將進行旋轉、縮放和平移，與調整后的平均形狀進行對齊匹配；(5)如果平均形狀收斂，停止。否則跳至第(2)步。最終收斂的判定是依據重新對齊的各個受電弓形狀與平均形狀之間的差別，即尋找到變換(Ti)，使得下式取值最小。∑|m-Ti(xi)|2所述受電弓形狀之間通過旋轉、縮放和平移進行對齊描述為：以兩個受電弓形狀為例，每個形狀有N個坐標對：首先定義一個變換T，T是由一個平移(tx，ty)，旋轉θ和尺度s組成，則形狀x2的變換可以表示為：設將形狀x2經過變換T對齊到x1，最佳的變換可以通過最小化下面的表達式得到：E＝[x1-Rx2-(tx，ty)T]T[x1-Rx2-(tx，ty)T]這個最小化是最小二乘法的常規應用：E對未知變量θ，s，tx，ty的偏微分可以計算出來，并令它們為零，聯立這些方程，既可求解得變換T。2、ASM模型建立：假設目前已經存在經過對齊處理的M個訓練形狀每個形狀可以由N對坐標給出：平均形狀設為：然后計算協方差矩陣(2N×2N維)：訓練形狀在某些方向上的變化是描述受電弓形狀的重要性質，可以從協方差矩陣S的特征向量中得到，亦即，求解線性方程：Spi＝λipi。協方差矩陣S的特征向量為(對應的特征值已按降序排列)：P＝(p1p2p3…p2N)則對于任何向量X，存在向量b(形狀模型參數)，滿足也可表示為：特征值較大的特征向量描述了訓練形狀變化最大的方向，在描述“合理”的形狀與平均形狀偏差有多大時，p2N，p2N-1，…方向上的貢獻是微不足道的。因此可以設：Pt＝(p1p2p3…pt)t≤2Nbt＝(b1，b2，…，bt)T可以得到估計如果X是與訓練集相關的合理形狀，對于足夠大的t，該估計可以很好地擬合真實形狀。向量bt定義了一組可變模型參數，不同的bt可以擬合出不同變化的形狀。研究表明，bi在訓練集上的方差將會與特征值λi相關；相應地，對于較好的形狀，bi通常要求滿足下面的不等式所述步驟30待檢測受電弓圖像受電弓初始定位包括一系列圖像處理方法，具體步驟是：利用形態學濾波運算方法對待檢測受電弓圖像進行圖像降噪預處理；采用canny算子對待檢測受電弓圖像進行處理，提取受電弓邊緣信息，邊緣信息結果形式為與待檢測受電弓圖像尺寸一致的二值圖像，其中檢測到的受電弓邊緣像素用255表示，其他像素則用0表示；對受電弓邊緣像素提取結果進行矢量化：存儲各個邊緣所有像素的位置，對于邊緣存在分叉的情況，則分別進行存儲；采用曲線數據壓縮算法(Douglas-Peucker算法)對上述邊緣進行簡化，簡化后的canny邊緣由若干不同長度、方向的折線段組成，Douglas-Peucker算法原理描述如下：1、對給定一系列頂點：(x1，y1)，(x2，y2)，(x3，y3)，...，(xn，yn)和距離閾值threshold，選定初始起點(x1，y1)和終點(xn，yn)作為邊緣線的兩端點，見圖2(a)；2、連接兩端點形成一條直線段，檢測所有邊緣線上的點與直線段的最大距離。即計算剩余各頂點到直線段的垂直距離，在所有距離大于閾值threshold的點集中搜索最大距離對應的頂點(xm，ym)，見圖2(b)；3、從最大點處開始將其分為兩個部分。分別將原來的初始起點和終點與此頂點(xm，ym)相連，生成兩條新的直線段，見圖2(c)；4、重復2，3過程，不斷對每一條新的直線段進行下一輪的逼近，直至所有點到相應直線段的距離小于事先定義閾值threshold即終止，當所有邊緣線都處理完畢時，依次連接各個分割點形成的折線，即可以作為邊緣線的近似，見圖2(d)。去除較短的邊緣線段，并根據受電弓邊緣趨于水平方向的特性，去除邊緣線段方向與受電弓方向差異較大的邊緣線段；基于剔除了較短邊緣和方向不一致邊緣的像素，采用霍夫變換(Hough)檢測直線段；最后基于直線段檢測結果，采用模板匹配的思路，尋找趨于水平方向的直線段高密集區域對受電弓進行初始定位。所述步驟40中結合初始定位和主動形狀模型的受電弓精確匹配，具體采用單分辨率搜索算法精確匹配受電弓形狀，具體步驟包括：1、根據步驟20建立受電弓主動形狀模型過程中生成的平均形狀和待檢測圖像中受電工的初始位置，初始化受電弓形狀，表示如下：2、在初始化受電弓形狀的每一個標記點處，在邊界附近沿邊界的法向進行搜索，確定具有最高梯度的像素點，給該點打上最佳目標位置的標志，將標記點向這個標志點移動，如果沒有明顯的新目標點，標記點位置不作移動，算法示意如圖3所示。3、通過上述標記點移動后，形狀發生了改變，發生改變的形狀與初始化受電弓形狀之間存在一個位移向量由上述知：發生位移后可以表示為：可得進一步推導得4、重復第2、3步，直到姿態參數變化可以忽略不計。所述步驟50中受電弓定量檢測和分析，指在精確匹配結果基礎上對受電弓碳滑板厚度進行定量檢測和分析。具體步驟是：根據受電弓精確匹配結果，獲取受電弓厚度；由于受電弓支架厚度與受電弓類型相關，且對于特定的受電弓類型，受電弓支架厚度是固定已知的，可作為先驗知識。因此，碳滑板厚度可以通過受電弓厚度與受電弓支架厚度相減得到。(三)技術效果本發明與現有的技術方案相比具有如下的優點及有益效果：本發明對受電弓進行圖像檢測僅需一張圖像，不必要求拍照系統對同一受電弓成像多次；由于受電弓圖像具有復雜多變的背景，不能簡單地通過邊緣提取、模版匹配常規方法對受電弓進行定量檢測。本發明提出的基于主動形狀模型的受電弓自動檢測方法，事先通過受電弓形狀的學習，結合受電弓邊緣提取初始定位，能保證受電弓在運行狀態下有較大角度、大小變化情況下的檢測準確率。實驗結果表明：本發明提出的基于主動形狀模型的受電弓自動檢測方法準確率比邊緣提取、模版匹配等常規方法明顯提高，且能更好地為后續的受電弓的定量檢測分析打下基礎。附圖說明圖1是本發明實施例的基于主動形狀模型的受電弓自動檢測方法流程圖圖2是曲線數據壓縮Douglas-Peucker算法示意圖圖3是ASM單分辨率搜索算法示意圖圖4是采集的若干受電弓圖像集(部分)圖5是受電弓特征點標記示意圖圖6是受電弓初始定位結果圖7是受電弓厚度定量檢測結果具體實施方式下面結合附圖和實施例，對本發明的具體實施方式作進一步詳細描述。以下實施例用于說明本發明，但不用來限制本發明的范圍。如圖1所示，是本發明實施例的基于主動形狀模型的受電弓自動檢測方法流程圖，本實施例包括如下步驟：步驟10：獲取受電弓圖像學習樣本集；本實施例受電弓圖像至少包含50張，部分采集的受電弓圖像如圖4所示，各受電弓圖像的分辨率保持一致。步驟20：構建受電弓主動形狀模型；本實施例構建受電弓主動形狀模型步驟是：21：采用形態學濾波運算方法對步驟10采集的受電弓圖像逐一進行圖像降噪預處理；22：在每張圖像中選取受電弓輪廓的角點、邊界點作為特征點，通過人工手動的方式，對受電弓特征點進行標記，且每張受電弓圖像中的特征標記點必須相互對應、數量保持一致；23：將標記完成的受電弓特征點的圖像坐標保存于文本文件中，不同受電弓圖像的特征點分開保存，且受電弓圖像文件名稱與對應的特征點文件名稱保持一致，標記結果如圖5所示。圖像坐標指以圖像左上角為坐標原點，水平向右方向為X軸，垂直向下方向為Y軸的坐標體系的像素坐標。此時，所有受電弓圖像可以采用特征點的點分布模型(Pointdistributionmodel，PDM)對受電弓形狀進行描述，即受電弓圖像i的形狀可以通過其所有特征點數學表示為：N為受電弓圖像的特征點總數。受電弓圖像學習樣本集可以表示為：，i＝1，2，3，…，M，M為受電弓圖像總數目；24：基于受電弓圖像和相應的特征點，根據主動形狀模型(ActiveShapeModel，ASM)算法原理，建立受電弓主動形狀模型。具體步驟包括：241：采用GeneralizedProcrustesanalysis(GPA)方法對所有受電弓圖像的點分布模型進行對齊(Align)。對齊步驟如下：(1)對于受電弓形狀xi，i＝2，3，…，M，逐個進行旋轉、縮放和平移，并與形狀x1做對齊，得到變換后的形狀集合(2)計算變換后的所有受電弓圖像形狀的平均值m；其中：(3)將平均形狀m進行旋轉、縮放和平移，與樣本做對齊；(4)將進行旋轉、縮放和平移，與調整后的平均形狀進行對齊匹配；(5)如果平均形狀收斂，停止。否則跳至第(2)步。最終收斂的判定是依據重新對齊的各個受電弓形狀與平均形狀之間的差別，即尋找到變換(Ti)，使得下式取值最小。∑|m-Ti(xi)|2所述受電弓形狀之間通過旋轉、縮放和平移進行對齊描述為：以兩個受電弓形狀為例，每個形狀有N個坐標對：首先定義一個變換T，T是由一個平移(tx，ty)，旋轉θ和尺度s組成，則形狀x2的變換可以表示為：設將形狀x2經過變換T對齊到x1，最佳的變換可以通過最小化下面的表達式得到：E＝[x1-Rx2-(tx，ty)T]T[x1-Rx2-(tx，ty)T]這個最小化是最小二乘法的常規應用：E對未知變量θ，s，tx，ty的偏微分可以計算出來，并令它們為零，聯立這些方程，既可求解得變換T。242：ASM模型建立：假設目前已經存在經過對齊處理的M個訓練形狀每個形狀可以由N對坐標給出：平均形狀設為：然后計算協方差矩陣(2N×2N維)：訓練形狀在某些方向上的變化是描述受電弓形狀的重要性質，可以從協方差矩陣S的特征向量中得到，亦即，求解線性方程：Spi＝λipi。協方差矩陣S的特征向量為(對應的特征值已按降序排列)：P＝(p1p2p3…p2N)則對于任何向量X，存在向量b(形狀模型參數)，滿足也可表示為：特征值較大的特征向量描述了訓練形狀變化最大的方向，在描述“合理”的形狀與平均形狀偏差有多大時，p2N，p2N-1，…方向上的貢獻是微不足道的。因此可以設：Pt＝(p1p2p3…pt)t≤2Nbt＝(b1，b2，…，bt)T可以得到估計如果X是與訓練集相關的合理形狀，對于足夠大的t，該估計可以很好地擬合真實形狀。向量bt定義了一組可變模型參數，不同的bt可以擬合出不同變化的形狀。研究表明，bi在訓練集上的方差將會與特征值λi相關；相應地，對于較好的形狀，bi通常要求滿足下面的不等式步驟30：對新獲取、待檢測的圖像進行受電弓初始定位；本實施例對待檢測受電弓圖像受電弓初始定位包括一系列圖像處理方法，具體步驟是：31：利用形態學濾波運算方法對待檢測受電弓圖像進行圖像降噪預處理；32：采用canny算子對待檢測受電弓圖像進行處理，提取受電弓邊緣信息，邊緣信息結果形式為與待檢測受電弓圖像尺寸一致的二值圖像，其中檢測到的受電弓邊緣像素用255表示，其他像素則用0表示；33：對受電弓邊緣像素提取結果進行矢量化：存儲各個邊緣所有像素的位置，對于邊緣存在分叉的情況，則分別進行存儲；34：采用曲線數據壓縮算法(Douglas-Peucker算法)對上述邊緣進行簡化，簡化后的canny邊緣由若干不同長度、方向的折線段組成，Douglas-Peucker算法原理描述如下：341：對給定一系列頂點：(x1，y1)，(x2，y2)，(x3，y3)，...，(xn，yn)和距離閾值threshold，選定初始起點(x1，y1)和終點(xn，yn)作為邊緣線的兩端點，見圖2(a)；342：連接兩端點形成一條直線段，檢測所有邊緣線上的點與直線段的最大距離。即計算剩余各頂點到直線段的垂直距離，在所有距離大于閾值threshold的點集中搜索最大距離對應的頂點(xm，ym)，見圖2(b)；343：從最大點處開始將其分為兩個部分。分別將原來的初始起點和終點與此頂點(xm，ym)相連，生成兩條新的直線段，見圖2(c)；344：重復342，343過程，不斷對每一條新的直線段進行下一輪的逼近，直至所有點到相應直線段的距離小于事先定義閾值threshold即終止，當所有邊緣線都處理完畢時，依次連接各個分割點形成的折線，即可以作為邊緣線的近似，見圖2(d)。35：去除較短的邊緣線段，并根據受電弓邊緣趨于水平方向的特性，去除邊緣線段方向與受電弓方向差異較大的邊緣線段；36：基于剔除了較短邊緣和方向不一致邊緣的像素，采用霍夫變換(Hough)檢測直線段；37：最后基于直線段檢測結果，采用模板匹配的思路，尋找趨于水平方向的直線段高密集區域對受電弓進行初始定位。步驟40：結合初始定位和主動形狀模型的受電弓精確匹配；本實施例結合初始定位和主動形狀模型的受電弓精確匹配，具體采用單分辨率搜索算法精確匹配受電弓形狀，具體步驟包括：41、根據步驟20建立受電弓主動形狀模型過程中生成的平均形狀和待檢測圖像中受電工的初始位置，初始化受電弓形狀，表示如下：42、在初始化受電弓形狀的每一個標記點處，在邊界附近沿邊界的法向進行搜索，確定具有最高梯度的像素點，給該點打上最佳目標位置的標志，將標記點向這個標志點移動，如果沒有明顯的新目標點，標記點位置不作移動，算法示意如圖3所示。43、通過上述標記點移動后，形狀發生了改變，發生改變的形狀與初始化受電弓形狀之間存在一個位移向量由上述知：發生位移后可以表示為：可得進一步推導得44、重復第42、43步，直到姿態參數變化可以忽略不計。步驟50：受電弓定量檢測和分析。本實例在精確匹配結果基礎上對受電弓碳滑板厚度進行定量檢測和分析。具體步驟是：51：根據受電弓精確匹配結果，獲取受電弓厚度；52：由于受電弓支架厚度與受電弓類型相關，且對于特定的受電弓類型，受電弓支架厚度是固定已知的，可作為先驗知識。因此，碳滑板厚度可以通過受電弓厚度與受電弓支架厚度相減得到。最后，通過設定受電弓碳滑板厚度磨損的標準，與檢測結果進行對比，若判斷檢測受電弓碳滑板磨損超出標準，則發出報警并提示更換受電弓。實驗結果表明，通過本技術方案，可以對復雜背景下、不同角度和不同尺度變化的受電弓作出更加精確的定位和識別。相比現有的相關算法，本發明在保證精確率的同時，增強了算法的魯棒性，實現了受電弓的線上自動檢測。本發明跳出了傳統多圖像、安裝檢測裝置的受電弓在線檢測設計思路，提出一種全新的基于主動形狀模型的受電弓自動檢測方法。該方法只需在線獲取一張受電弓圖像，加入基于主動形狀模型的學習算法，從而能夠自適應地把具有形狀可變性的受電弓精確檢測出來，可更加快速地進行車輛維護，節約受電弓檢測成本。以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和變型，這些改進和變型也應視為本發明的保護范圍。