本发明涉及图像检测领域，具体涉及一种高铁接触网承力索支撑底座的裂纹检测方法。
背景技术：
接触网支持及悬挂装置担负着支撑接触网的重要任务，其装置状态的好坏影响着整个悬挂系统的稳定性，从而影响接触线的性能；故障时可能导致接触线与受电弓不能良好接触，影响受流质量；其中承力索底座工作环境恶劣、频繁剧烈震动、沿路人烟稀少，维护难度大，是支撑悬挂系统薄弱的环节之一；目前，接触网支撑悬挂装置的状态检测以人工检测为主，效率低；现有的智能化检测也都集中在受电弓识别定位，滑板磨耗超限以及接触网参数检测等；目前支撑悬挂装置检测主要方法有：观察法和常用工具检测法；这些检测方法存在设备昂贵笨重、危险性高、测量不准确、抗干扰能力差等问题；基于图像处理的接触网支撑及悬挂装置检测也有部分研究，例如：张桐林提出了利用角点匹配算法和基于仿射不变性的直线匹配算法实现定位器坡度的自动动态测量；范虎伟通过链码与radon变换相结合的角度计算方法定位包含定位器的区域；韩烨提出一种基于尺度不变特征变换判断是否存在耳片断裂故障的图像检测方法，但是目前通过图像处理方法对高铁接触网承力索底座的检测和分析，还未见相关报道。
技术实现要素：
本发明提供一种故障检测快速、精确的高铁接触网承力索支撑底座的裂纹检测方法。
本发明采用的技术方案是：一种高铁接触网承力索支撑底座的裂纹检测方法，包括以下步骤：
(1)获取图像，并将图像分类；
(2)将图像进行预处理后，提取钢管图像；通过radon变换矫正图像，对图像使用灰度统计直方图算法提取出完整承力索底座图像；
(3)通过sift特征匹配算法计算特征点间的相关距离，并且从大到小排列；删除相关距离大于阈值的特征点得到可能发生裂纹区域；
(4)通过beamlet小线算法和基于邻接表的局部曲线搜索算法对可能发生裂纹区域进行检测得到裂纹信息，根据得到的信息判断承力索底座是否存在裂纹。
进一步的，所述步骤(2)中的预处理方法包括以下步骤：
a、对图像进行开运算得到背景图像；
b、背景图像与原图相减得到增强图，增强图与原图相加得到原图增强结果图像；
c、通过对增强结果图像依次进行固定阈值的二值化、使用canny算子对二值图像进行边缘轮廓检测和边界信息过滤。
进一步的，所述步骤c中边界信息过滤包括如下步骤：
对提取出的边界进行膨胀腐蚀，具有一定面积的非边缘信息膨胀成为连通域，窄细的边界被腐蚀过滤，留下非边缘图像；
对边缘图像进行标记、标号、计算面积和计算位置操作；
筛选出面积小于规定阈值的连通区域，将这些连通区域对应坐标从边界图像中的对应位置删除，得到边界轮廓。
进一步的，所述步骤(3)中两特征点间的相关距离算法如下：
dxy＝1-ρxy
式中：x、y为特征点位置，ρxy为两特征点的相关系数，dxy为两特征点x与y间的相关距离，其中cov(x,y)为x与y的协方差，e为期望，d(x)为x的方差，d(y)为y的方差。
进一步的，其特征在于，所述步骤(4)中的beamlet小线算法包括beamlet字典、beamlet金字塔、beamlet变换、beamlet图和beamlet算法。
进一步的，所述beamlet字典是在一定小范围内的位置、尺度下，具有不同方向和长度的二进组织线段基库；beamlet变换是在beamlet字典中经由beamlet线段积分结果的集合；变换方法如下：
tf(b)＝∫bf(x(l))dl,b∈bn,δ
式中：n为变换为正方形图像边长的像素长度，δ为分割原图的小正方形边长的像素长度，x为像素位置，f为原图图像，t为beamlet变换结果，bn,δ表示beamlet字典，b表示beamlet字典中的线段；
beamlet金字塔是带有分级多尺度特性的所有beamlet变换结果；
beamlet图包含小正方形内所有beamlet线段基两端的像素点位置；
beamlet算法是基于beamlet图结构的方法从beamlet金字塔中抽取数据的方法。
进一步的，所述步骤(4)基于邻接表的局部曲线搜索算法，包括以下步骤：
1)、对图像进行beamlet变换，筛选大于设定阈值t1的beamlet系数作为邻接表p的初始数据；
2)、取邻接表第一个数据p(0)并搜索其周围beamlet邻域b的beamlet系数t[b]；
3)、若步骤2)中一个邻域bi∈b的beamlet系数t[bi]>t2，并且满足该邻域bi与p(0)的beamlet系数差值小于阈值即：
|t[bi]-t[p(0)]|<t3
则将bi加入邻接表p，其中t2为判断bi点是否为局部搜索起点的阈值，t3为判断bi点是否为曲线下一点的阈值；
3)、删除邻接表p中的第一个数据p(0)，重复步骤2)直至邻接表p为空；
4)将搜索出的所有局部链比较长度、横纵坐标位置信息，满足要求的输出该局部链为裂纹，否则输出状态正常。
本发明的有益效果是：
(1)本发明通过图像处理方法对高铁接触网承力索底座检测和分析，检测结果客观、真实和精确；
(2)本发明通过图像预处理，并且将sift特征匹配算法和beamlet局部曲线搜索算法结合，提高了故障检测的准确性，缩短了检测时间，降低了故障检测的难度。
附图说明
图1为本发明结构流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示，一种高铁接触网承力索支撑底座的裂纹检测方法，包括以下步骤：
(1)获取图像，并将图像分类；可以通过检测车拍摄接触网及支撑悬挂装置；
(2)将图像进行预处理后，提取钢管图像；通过radon变换矫正图像，对图像使用灰度统计直方图算法提取出完整承力索底座图像；
(3)通过尺度不变特征转换sift特征匹配算法计算特征点间的相关距离，并且从大到小排列；删除相关距离大于阈值的特征点得到可能发生裂纹区域；sift特征匹配算法由于特征点丰富，易发生误匹配或匹配点分布过广的情况，遂将特征点间的相关距离从大到小排列，筛选出相关距离大即相关性小的特征点，可以使得识别的准确率有所提高；并且通过该算法寻找承力索底座正面螺母区域，并将识别目标从原图中剔除后，得到剩余承力索区域即为可能发生裂纹区域；通过对承力索座的力学分析，一般裂纹等不正常状态只会出现在承力索座与钢管接触区域，通过提取螺母、承力索座上半部分等这些特征点明显，复杂度较高、信息丰富、且不会发生裂纹区域，对剩下的区域进行裂纹识别即可；
(4)通过beamlet小线算法和基于邻接表的局部曲线搜索算法对可能发生裂纹区域进行检测得到裂纹信息，根据得到的信息判断承力索底座是否存在裂纹；由于承力索底座表面有一定的纹理，若直接对图像进行边缘检测，有过多非裂纹的冗余信息，容易造成误检测或漏检；beamlet小线算法能够有效抑制噪声，针对承力索底座表面纹理有很强的抑制作用；经过beamlet重构后的图像大大简化了图像信息并且增强了边缘信息，通过基于邻接表的局部曲线搜索算法能够快速搜索得到裂纹的有效信息，最后通过比较裂纹长度等因素判断承力索底座是否存在裂纹不良状态。
进一步的，所述步骤(2)中的预处理方法包括以下步骤：
a、对图像进行开运算得到背景图像；
b、背景图像与原图相减得到增强图，增强图与原图相加得到原图增强结果图像；
c、通过对增强结果图像依次进行固定阈值的二值化、使用canny算子对二值图像进行边缘轮廓检测和边界信息过滤；
以50°～130°的角度范围使用radon变换及反变换对承力索底座图像矫正，并提取出校正后的钢管高度位置；由于钢管上下高度范围内含有承力索底座部分信息，可对提取出的钢管图像使用灰度统计直方图算法提取出完整承力索底座的横坐标，即可提取出完整且只包含承力索底座图像。
进一步的，所述步骤c中边界信息过滤包括如下步骤：
对提取出的边界进行膨胀腐蚀，具有一定面积的非边缘信息膨胀成为连通域，窄细的边界被腐蚀过滤，留下非边缘图像；
对边缘图像进行标记、标号、计算面积和计算位置操作；
筛选出面积小于规定阈值的连通区域，将这些连通区域对应坐标从边界图像中的对应位置删除，得到边界轮廓。
由于不同边缘算子的滤波操作得到的边界信息都含有或部分含有非边缘信息，通过对提取出的边界进行膨胀腐蚀操作，具有一定面积的非边缘信息膨胀成为连通域，窄细的边界被腐蚀过滤，留下非边缘图像；然后对边缘图像进行标记、编号、计算面积和计算坐标位置等操作，通过多种判断条件留下正确的非边缘图像；将这些连通区域对应坐标从边界图像中的对应位置删除，即可得到不包含其他内外部信息的完整边界轮廓。
进一步的，所述步骤(3)中两特征点间的相关距离算法如下：
dxy＝1-ρxy
式中：x、y为特征点位置，ρxy为两特征点的相关系数，dxy为两特征点x与y间的相关距离，其中cov(x,y)为x与y的协方差，e为期望，d(x)为x的方差，d(y)为y的方差；通过该算法匹配承力索底座正面螺母、承力索上半部分，并且将识别目标从原图中剔除后，得到的剩余承力索区域即为可能发生裂纹的区域。
进一步的，所述步骤(4)中的beamlet小线算法包括beamlet字典、beamlet金字塔、beamlet变换、beamlet图和beamlet算法。
进一步的，所述beamlet字典是在一定小范围内的位置、尺度下，具有不同方向和长度的二进组织线段基库；用于提供对所有线段集合的多尺度逼近；
beamlet变换是在beamlet字典中经由beamlet线段积分结果的集合；变换方法如下：
tf(b)＝∫bf(x(l))dl,b∈bn,δ
式中：n为变换为正方形图像边长的像素长度，δ为分割原图的小正方形边长的像素长度，x为像素位置，f为原图图像，t为beamlet变换结果，bn,δ表示beamlet字典，b表示beamlet字典中的线段；上式表示沿着beamlet字典中的一条线段b上的图像积分操作；
beamlet金字塔是带有分级多尺度特性的所有beamlet变换结果；
beamlet图包含小正方形内所有beamlet线段基两端的像素点位置；
beamlet算法是基于beamlet图结构的方法从beamlet金字塔中抽取数据的方法。
进一步的，所述步骤(4)基于邻接表的局部曲线搜索算法，包括以下步骤：
1)、对图像进行beamlet变换，筛选大于设定阈值t1的beamlet系数作为邻接表p的初始数据；
2)、取邻接表第一个数据p(0)并搜索其周围beamlet邻域b的beamlet系数t[b]；
3)、若步骤2)中一个邻域bi∈b的beamlet系数t[bi]>t2，并且满足该邻域bi与p(0)的beamlet系数差值小于阈值即：
|t[bi]-t[p(0)]|<t3
则将bi加入邻接表p，其中t2为判断bi点是否为局部搜索起点的阈值，t3为判断bi点是否为曲线下一点的阈值；
3)、删除邻接表p中的第一个数据p(0)，重复步骤2)直至邻接表p为空；
4)将搜索出的所有局部链比较长度、横纵坐标位置信息，满足要求的输出该局部链为裂纹，否则输出状态正常。
本发明通过图像的预处理，并且将sift特征匹配算法和beamlet局部曲线搜索算法结合，有效检测出提取出承力索底座裂纹的同时，提高了故障检测的精准性，有效的缩短检测时间，降低了故障检测的难度，能较针对性的解决高铁接触网的安全运营问题。