CN103076338A - 高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法 - Google Patents

Abstract

本发明公开了一种高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法。包括以下步骤：首先对选取的模板图像进行相应的变形处理，再利用金字塔近邻平均算法对图像与模板分层；接着对分层后的图像和模板进行归一化互相关计算，提取峰值点，达到快速模糊匹配的目的；然后提取匹配的目标区域，并对其横向灰度奇异值检测；最终对棒式绝缘子不良状态做出精确判断。本发明方法有效地降低了归一化互相关的运算量，加快了图像匹配速度，简化了故障诊断的难度，提高了故障检测的精准性，能较针对性的解决高铁接触网的安全运营问题。

Description

高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法

技术领域

本发明涉及图像智能检测领域，尤其是提高图像匹配快速性、故障检测精确性技术领域。

背景技术

高速铁路牵引供电线路为保证动车组的正常运行，必须具备两个基本条件，一是为传输电流的导线提供机械支撑；二是防止电流对地形成通道接地，而绝缘子就具备这两种功能，绝缘子在输电线路中占有重要地位。接触网上的绝缘子长期受到机械负荷作用、强电场作用以及环境气候影响，会对绝缘子造成不同程度的损坏。一旦绝缘子发生破损，就会降低乃至丧失绝缘能力，致使接触网在雷雨、大雾等天气发生线路短路、绝缘击穿等故障，引发动车组供电中断，造成运输秩序的混乱、危及工作人员的人身安全、造成严重的经济损失和不良的社会影响。因此，通过对绝缘子的定位和检测，可以有效提高供电区段检修速度、工作效率以及供电的可靠性。

目前国内外对绝缘子不良检测使用的检测方法主要有：观察法；常用工具检测法；红外测温法；超声波检测法等。这些检测方法都取得了一定的效果，但不少方法存在设备昂贵笨重、危险性高、测量不准确、检测任务重强度大、抗干扰能力差等问题。基于图像处理的绝缘子检测也有部分研究，如：刘国海利用图像处理技术完成对架空线路绝缘子的识别定位及破损检测；葛玉敏利用数字形态学对绝缘子图像进行了边缘检测；仲莉恩利用边缘方向直方图对绝缘子进行检测；王慧燕提出了一种通过动态处理瓷瓶图像实现的瓷瓶裂纹实时检测方案。虽然已有研究对绝缘子检测做出了不少工作，但由于接触网悬挂装置图像过于复杂，直接通过图像处理方法对高铁接触网棒式绝缘子检测和分析，国内外还未见相关报道。

发明内容

本发明的目的在于提供一种高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法。该方法保证了目标图像匹配的快速性及故障检测的精确性。

高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法，在接触网棒式绝缘子不良状态检测中保证了目标图像匹配的快速性及故障检测的精确性，其具体工作步骤包含：

A、目标图像采集：由于综合列检车在拍摄照片的过程中受上行、下行的影响，会造成绝缘子相反效果的遮挡，为了便于分析，需将上行、下行拍摄的图像分别储存在两个图像库中；

B、根据绝缘子现场安装位置的特点，本发明在匹配的过程中对模板图像做相应的变换处理，得到所需的水平模板、30°模板、60°模板；

C、利用归一化互相关函数模糊匹配定位绝缘子：

a、本发明引入归一化互相关函数法对目标棒式绝缘子进行定位。归一化互相关算法是基于灰度图像匹配技术中经典的算法，匹配准确度较高，鲁棒性较好。

设待匹配绝缘子I图像的像素大小为M×N，模板T的像素大小为m×n。从图像I中任意选取一块像素大小为m×n的子图I_x,y，其左上角的图像I坐标为(x,y)，此坐标范围为0≤x≤M-m，0≤y≤N-n。其中，M,N分别为带匹配图像的行数和列数，m,n分别为模板像素的行数和列数。子图I_x,y和模板T的归一化互相关值R_(x，y)定义为：

$R_{(x,y)}=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}][T_{(i,j)}-\stackrel{\‾}{T}]}{\sqrt{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}]}^2\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[T_{(i,j)}-\stackrel{\‾}{T}]}^2}}---\left(1\right)$

式中：(i,j)为像素在模板中的坐标，其中

为子图I_x,y的像素平均值，

为模板T的像素平均值，所有的归一化互相关值构成归一化互相关矩阵R。

根据相关文献对式(1)做如下简化处理：

$R_{(x,y)}^{\′}=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{I}_{(x+i,y+j)}{T}_{(i,j)}^{\′}}{\sqrt{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}]}^2}}---\left(2\right)$

采用NCC（Normalized Cross Correlation）方法匹配简单易行，但如果匹配图像较大的话，匹配所需时间较长。为了提高匹配速度，本发明使用金字塔近邻平均算法的多分辨率图像分解。

b、本发明在实验的过程中发现设置合适的阈值，可模糊匹配出图像中所有的棒式绝缘子。具体过程如下：待匹配图像与水平模板匹配后，可以检测到[-15°,15°]范围内的绝缘子；与30°模板匹配后，可以检测到[15°,45°]范围内的绝缘子；与60°模板匹配后，可以检测到[45°,75°]范围内的绝缘子；因而与这三种模板匹配，可检测出图像内的所有棒式绝缘子。因此对上行图库处理时，取水平绝缘子模板，并对模板做30°，60°变换处理，同理对下行图库匹配时需对选取的水平绝缘子模板做-30°，-60°变换处理。

D、基于金字塔近邻平均算法的多分辨率图像分解

由于要匹配图像的较大，使用归一化互相关函数法直接匹配，运算量极其庞大。为了保证匹配精度的前提下提高匹配速度，本发明采用金字塔近邻平均算法进行图像分层（考虑本发明的具体情况金字塔设定为五层，原图作为金字塔底层）。对金字塔i层像素点进行抽样：隔1行隔1列像素奇抽样；隔1行隔1列像素偶抽样；隔1列像素偶抽样，隔1行像素奇抽样；隔1列像素奇抽样，隔1行像素偶抽样；将抽样的像素矩阵变换成同等大小的矩阵，再对这四个抽样像素矩阵取平均，即得到了金字塔的i+1层。

E、基于横向灰度奇异值故障检测

针对于综合列检车在不同的拍摄位置拍摄会导致棒式绝缘子存在不同程度的瓷裙间遮挡，难以通过统一模板进行匹配检测的关键问题。本发明抓住了绝缘子横向灰度的周期性，采用了检测横向灰度奇异值的方法。主要包括绝缘子水平调整，图像滑动滤波和基于小波变换的奇异值检测三部分。

a、绝缘子水平调整

提取定位出的绝缘子，并储存在指定的文件夹，由于提取出的图像角度不统一，分析起来较为复杂，因此对绝缘子首先做水平调整。由于强光照的原因以及绝缘子的物理特性，在正对光源的位置反射现象较其余地方强烈。正对光源的绝缘子曲面与光源面相切的位置AB线段即为反射强烈的区域，图5即为绝缘子反射位置示意图。本发明对绝缘子图片进行高通滤波处理，再利用canny算子对滤波后的图像进行边缘提取，图片出现较为规律的空心亮斑，对每个空心亮斑提取几何中心，拟合出反射线，最后对反射线进行Hough变换，从而精确得到绝缘子偏转角度，并进行相应调整。

b、图像滑动平均滤波处理

判断绝缘子断裂破损、夹杂异物依据：由于绝缘子具有周期性，完好的绝缘子，其横向灰度值变化模式基本相同；瓷裙断裂破损、夹杂异物破坏了其空间排列的规律性。高铁接触网棒式绝缘子瓷裙的片数一般固定为10和11片，即绝缘子特征区域的个数确定，根据特征区域的周期性确定绝缘子是否夹杂异物、是否破损，从而给出故障判断。

T_{m_x}(y)＝T(x＝m,y)         （3）

T_{m_x}为m行对应的横向灰度值。为了降低灰度值不均匀造成的影响，采用滑动平均滤波进行平滑处理。经多次实验发现，本发明采用五点三次滑动平均滤波法，能使图片达到较为精确平滑的效果。

c、利用小波变换进行奇异值检测

由于小波变换具有空间局部化性质，因此利用小波变换来分析信号的奇异性及奇异性位置是比较有效的。小波变换的模极大值点与信号的奇异性的确切关系可根据Lipschitz指数判定。函数在某一点的Lipschitz指数γ表征了该点的奇异性大小。r越大，该点平滑度就越高；反之，该点奇异性越大。

若函数f(t)在区间[t₁,t₂]中|W_f(a,t)|≤ka^γ成立，k为常数，则γ值恒定。奇异点t₀的γ值小于(t₀,ε)内其他点的γ值，当a→0时t₀处小波变换值衰减最慢，(t₀,ε)内其他点的小波变换值不断收敛，使得t₀处小波变换值成为模极大值，从而信号的奇异性检测转变为小波变换的模极大值检测。

正常棒式绝缘子的横向灰度值具有周期性，而故障棒式绝缘子的横向灰度值具有局部奇异性。由于小波变换所得小波系数数值的大小取决于信号在奇异点附近的特性以及小波变换所选取的尺度,在较小的尺度上,它提供了信号的局部化性质。因此,横向灰度值信号在突变点的奇异性可通过小波变换模的局部极大值来描述。模极大值的检测过程：

1)在图像进行横向基线标定，基线上像素点与小波高斯函数卷积，进行图像的小波变换；

2)计算每个像素点的模值，并求出图像小波变换后的模极大值点；

3)对模极大值进行归一化处理；

4)设定阈值，去除较小的模极大值点；

5)找出模极大值区域间离散时间间距，进行相关比较分析，从而检测异常区域。

6）输出检测出异常区域信号至后续处理或标注设备入口。

与现有技术相比，本发明的有益效果是：

1、本发明直接通过图像处理方法对高铁接触网棒式绝缘子检测和分析，给出客观、真实、精确、科学的检测分析结果，克服了传统人工检测方法的缺陷，为高铁绝缘装置的可靠性检测提供一种较好的手段。

2、本发明将金字塔近邻平均算法和灰度奇异性的棒式绝缘子快速模糊匹配不良状态检测方法有机结合，在有效减少归一化互相关计算量的同时，提高了故障检测的精准性，有效的缩短了试验图像匹配时间，降低了故障检测的难度。

综上所述，本发明的方法有效地降低了归一化互相关的运算量，加快了图像匹配速度，简化了故障诊断的难度，提高了故障检测的精准性，能较针对性的解决高铁接触网的安全运营问题。

附图说明

图1为本发明的方法组成框图。

图2为本发明模板图（图2a:水平模板，图2b:30°模板，图2c:60°模板）。

图3为本发明绝缘子水平调整过程分析图(图3a:上行图片匹配范围图,图3b:下行图像匹配范围图)。

图4a为本发明金字塔分层流程图,图4b为金字塔分层效果图。

图5为本发明图片匹配模糊范围图（图5a:绝缘子边缘反射位置示意图，图5b:绝缘子原图，图5c:canny边缘检测图，图5d:拟合曲线图）。

图6为本发明正常绝缘子定位图（图6a:水平模板匹配图，图6b：-30度模板匹配图，

图6c:-60度模板匹配图）。

图7为本发明故障绝缘子定位图（图7a:破损绝缘子定位图，图7b:夹杂异物绝缘子定位图）。

图8为本发明绝缘子破损灰度奇异值检测过程图（图8a:横向基线定位图，图8b:两基线横向灰度值曲线，图8c:120基线灰度模极大值检测）。

图9为本发明绝缘子夹杂异物灰度奇异值检测过程图（图9a:横向基线定位图，图9b:基线横向灰度值曲线，图9c:基线灰度模极大值检测）。

具体实施方式：

下面结合在武广高铁拍摄的实际图片对本发明的实施方案做进一步的详述。

图1为本发明的方法组成框图。

A、本发明在匹配的过程中对模板图像做相应的变换处理，得到所需的水平模板、30°模板、60°模板；如图2所示。

B、归一化互相关函数模糊匹配定位绝缘子：

a、本发明引入归一化互相关函数法对目标棒式绝缘子进行定位。归一化互相关算法是基于灰度图像匹配技术中经典的算法，匹配准确度较高，鲁棒性较好。

设待匹配绝缘子I图像的像素大小为M×N，模板T的像素大小为m×n。从图像I中任意选取一块像素大小为m×n的子图I_{x_y}，其左上角的图像I坐标为(x,y)，此坐标范围为0≤x≤M-m，0≤y≤N-n。其中，M,N分别为带匹配图像的行数和列数，m,n分别为模板像素的行数和列数。子图I_x，y和模板T的归一化互相关值R_(x，y)定义为：

$R_{(x,y)}=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}][T_{(i,j)}-\stackrel{\‾}{T}]}{\sqrt{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}]}^2\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[T_{(i,j)}-\stackrel{\‾}{T}]}^2}}---\left(1\right)$

式中：(i,j)为像素在模板中的坐标，其中

为子图I_x,y的像素平均值，

为模板T的像素平均值，所有的归一化互相关值构成归一化互相关矩阵R。

根据相关文献对式(1)做如下简化处理：

$R_{(x,y)}^{\′}=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{I}_{(x+i,y+j)}{T}_{(i,j)}^{\′}}{\sqrt{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}]}^2}}---\left(2\right)$

采用NCC（Normalized Cross Correlation）方法匹配简单易行，但如果匹配图像较大的话，匹配所需时间较长。为了提高匹配速度，本发明使用金字塔近邻平均算法的多分辨率图像分解。

b、本发明在实验的过程中发现设置合适的阈值，可模糊匹配出图像中所有的棒式绝缘子。具体过程如下：待匹配图像与水平模板匹配后，可以检测到[-15°,15°]范围内的绝缘子；与30°模板匹配后，可以检测到[15°,45°]范围内的绝缘子；与60°模板匹配后，可以检测到[45°,75°]范围内的绝缘子；因而与这三种模板匹配，可检测出图像内的所有棒式绝缘子。因此对上行图库处理时，取水平绝缘子模板，并对模板做30°，60°变换处理，同理对下行图库匹配时需对选取的水平绝缘子模板做-30°，-60°变换处理。如图3所示，图3a为上行图像匹配范围图，图3b为下行图像匹配范围图。

C、金字塔近邻平均算法分层

由于要匹配图像的较大，使用归一化互相关函数法直接匹配，运算量极其庞大。为了保证匹配精度的前提下提高匹配速度，本发明采用金字塔近邻平均算法进行图像分层（考虑本设计的具体情况金字塔设定为五层，原图作为金字塔底层）。对金字塔i层像素点进行抽样：隔1行隔1列像素奇抽样；隔1行隔1列像素偶抽样；隔1列像素偶抽样，隔1行像素奇抽样；隔1列像素奇抽样，隔1行像素偶抽样；将抽样的像素矩阵变换成同等大小的矩阵，再对这四个抽样像素矩阵取平均，即得到了金字塔的i+1层。具体流程图如图4a。金字塔分层效果图如图4b，黑色实心圆代表第i层像素点，黑色三角形代表第i+1层像素点，黑色空心圆代表第i+2层像素点。

使用金字塔近邻平均算法分解多分辨率图像，近邻像素抽样取平均，可以考虑到了每个像素点的信息，以及相邻元素间较强的相关性，因此低分辨率图像仍能保持高分辨率图像的大部分特征，不会出现“病态”抽取。由效果图不难算出，经过分层后，模板图和匹配图只有原图1/4n大小，大大地减少了归一化互相关的运算量，加快了匹配速度。

D、绝缘子水平调整

将定位出的绝缘子提取，并储存在指定的文件夹，由于提取出的图像角度不统一，分析起来较为复杂，因此对绝缘子首先做水平调整。为了较好的确定绝缘子偏离水平方向的角度。由于强光照的原因以及绝缘子的物理特性，在正对光源的位置反射现象较其余地方强烈。正对光源的绝缘子曲面与光源面相切的位置AB线段即为反射强烈的区域，图5a即为绝缘子边缘反射位置示意图。本发明对绝缘子图片进行高通滤波处理，再利用canny算子对滤波后的图像进行边缘提取，图片出现较为规律的空心亮斑，对每个空心亮斑提取几何中心，拟合出反射线，最后对反射线进行Hough变换，从而精确得到绝缘子偏转角度，并进行相应调整。如图5所示，图5b为绝缘子原图；图5c为高通滤波canny边缘检测图；图5d为拟合曲线图。

E、利用小波变换进行奇异值检测

由于小波变换具有空间局部化性质，因此利用小波变换来分析信号的奇异性及奇异性位置是比较有效的。小波变换的模极大值点与信号的奇异性的确切关系可根据Lipschitz指数判定。函数在某一点的Lipschitz指数γ表征了该点的奇异性大小。r越大，该点平滑度就越高；反之，该点奇异性越大。

若函数f(t)在区间[t₁,t₂]中|w_f(a,t)|≤ka^γ成立，k为常数，则γ值恒定。奇异点t₀的γ值小于(t₀,ε)内其他点的γ值，当a→0时t₀处小波变换值衰减最慢，(t₀,ε)内其他点的小波变换值不断收敛，使得t₀处小波变换值成为模极大值，从而信号的奇异性检测转变为小波变换的模极大值检测。

正常棒式绝缘子的横向灰度值具有周期性，而故障棒式绝缘子的横向灰度值具有局部奇异性。由于小波变换所得小波系数数值的大小取决于信号在奇异点附近的特性以及小波变换所选取的尺度,在较小的尺度上,它提供了信号的局部化性质。因此,横向灰度值信号在突变点的奇异性可通过小波变换模的局部极大值来描述。模极大值的检测过程：

1)在图像进行横向基线标定，基线上像素点与小波高斯函数卷积，进行图像的小波变换；

2)计算每个像素点的模值，并求出图像小波变换后的模极大值点；

3)对模极大值进行归一化处理；

4)设定阈值，去除较小的模极大值点；

5)找出模极大值区域间离散时间间距，进行相关比较分析，从而检测异常区域。

6）输出检测出异常区域信号至后续处理或标注设备入口。

Claims (1)

1.高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法，在接触网棒式绝缘子不良状态检测中保证目标图像匹配的快速性及故障检测的精确性，其具体工作步骤包含：

A、目标图像采集：将上行、下行拍摄的图像分别储存在两个图像库中；

B、图像做相应的变换处理，得到所需的水平模板、30°模板、60°模板；

C、利用归一化互相关函数模糊匹配定位绝缘子：

a、引入归一化互相关函数法对目标棒式绝缘子进行定位：

设待匹配绝缘子I图像的像素大小为M×N，模板T的像素大小为m×n，从图像I中任意选取一块像素大小为m×n的子图I_x,y，其左上角的图像I坐标为(x,y)，此坐标范围为0≤x≤M-m，0≤y≤N-n；其中，M,N分别为带匹配图像的行数和列数，m,n分别为模板像素的行数和列数,子图I_x，y和模板T的归一化互相关值R_(x，y)定义为：

$R_{(x,y)}=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}][T_{(i,j)}-\stackrel{\‾}{T}]}{\sqrt{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}]}^2\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[T_{(i,j)}-\stackrel{\‾}{T}]}^2}}---\left(1\right)$

式中：(i,j)为像素在模板中的坐标，其中

为子图I_x,y的像素平均值，

为模板T的像素平均值，所有的归一化互相关值构成归一化互相关并简化得到矩阵

$R_{(x,y)}^{\′}=\frac{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{I}_{(x+i,y+j)}{T}_{(i,j)}^{\′}}{\sqrt{\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[I_{(x+i,y+j)}-{\stackrel{\‾}{I}}_{x,y}]}^2}}---\left(2\right)$

b、设置合适的阈值，模糊匹配出图像中所有的棒式绝缘子：

待匹配图像与水平模板匹配后，检测出图像内的所有棒式绝缘子；对上行图库处理时，取水平绝缘子模板，并对模板做30°，60°变换处理；对下行图库匹配时需对选取的水平绝缘子模板做-30°，-60°变换处理；

D、基于金字塔近邻平均算法的多分辨率图像分解

金字塔设定为五层，原图作为金字塔底层，对金字塔i层像素点进行抽样：隔1行隔1列像素奇抽样；隔1行隔1列像素偶抽样；隔1列像素偶抽样，隔1行像素奇抽样；隔1列像素奇抽样，隔1行像素偶抽样；将抽样的像素矩阵变换成同等大小的矩阵，再对这四个抽样像素矩阵取平均，即得到了金字塔的i+1层；

E、基于横向灰度奇异值故障检测

针对绝缘子横向灰度的周期性，采用检测横向灰度奇异值的方法；主要包括绝缘子水平调整，图像滑动滤波和基于小波变换的奇异值检测三部分：

a、绝缘子水平调整

提取定位出的绝缘子图片进行高通滤波处理，再利用canny算子对滤波后的图像进行边缘提取，图片出现较为规律的空心亮斑，对每个空心亮斑提取几何中心，拟合出反射线，最后对反射线进行Hough变换，从而精确得到绝缘子偏转角度，并进行相应调整；

b、图像滑动平均滤波处理

根据特征区域灰度值的周期性确定绝缘子是否夹杂异物、是否破损，从而给出故障判断；

T_{m_x}(y)＝T(x＝m,y)       （3）T_{m_x}为m行对应的横向灰度值；采用五点三次滑动平均滤波法，使图片达到较为精确平滑的效果；

c、利用小波变换进行奇异值检测后获得检测结果

横向灰度值信号在突变点的奇异性通过小波变换模的局部极大值来描述，模极大值的检测过程：

1)在图像进行横向基线标定，基线上像素点与小波高斯函数卷积，进行图像的小波变换；

2)计算每个像素点的模值，并求出图像小波变换后的模极大值点；

3)对模极大值进行归一化处理；

4)设定阈值，去除较小的模极大值点；

5)找出模极大值区域间离散时间间距，进行相关比较分析，从而检测出异常区域；

6）输出检测出异常区域信号至后续处理或标注设备入口。

Images