1.一种受电弓异常检测方法，包括如下步骤：步骤一、受电弓区域编码与数据集构建

采用铁路机车车顶监控摄像头拍摄的受电弓图像构成受电弓图像库，并将受电弓图像规则化为512×512×3像素大小，然后通过人工标注的方式对受电弓图像进行区域编码，具体为，将规则化后的受电弓图像划分为32×32格的网格，每个格子为16×16像素大小，将每个格子对应的受电弓区域没有异常的格子编码记为0，否则记为1；对所有格子编码后得到该受电弓图像对应的32×32格的区域编码，这些受电弓图像及其区域编码构成受电弓数据集；

步骤二、受电弓异常检测网络构建

受电弓异常检测网络采用深度编解码结构，包含输入层、中间层和输出层；输入层维度为512×512×6像素，由输入图像和区域扩充编码构成，其中输入图像为512×512×3像素的三维矩阵，区域扩充编码则是通过将32×32格的区域编码按照与输入图像相同的三个维度方向进行扩充得到，区域扩充编码的维度也是512×512×3像素，将输入图像和区域扩充编码在第三个维度上拼接在一起构成异常检测网络的输入层；中间层一共分为35层，其中，第一层、第二层均为256×256×64像素的卷积层，第三层、第四层均为128×128×128像素的卷积层，第五层、第六层均为64×64×256像素的卷积层，第七层、第八层均为32×32×51 

2像素的卷积层，第九层、第十层均为32×32×512像素的反卷积层，第十一层、第十二层均为64×64×256像素的反卷积层，第十三层、第十四层均为128×128×128像素的反卷积层，第十五层、第十六层均为256×256×64像素的反卷积层，第十七层为512×512×3像素的反卷积层，第十八层由第十七层的输出结果和区域扩充编码在第三个维度上拼接在一起构成，其维度为512×512×6像素，第十九层、第二十层均为256×256×64像素的卷积层，第二十一层、第二十二层均为128×128×128像素的卷积层，第二十三层、第二十四层均为64×

64×256像素的卷积层，第二十五层、第二十六层均为32×32×512像素的卷积层，第二十七层、第二十八层均为32×32×512像素的反卷积层，第二十九层、第三十层均为64×64×256像素的反卷积层，第三十一层、第三十二层均为128×128×128像素的反卷积层，第三十三层、第三十四层均为256×256×64像素的反卷积层，第三十五层为512×512×3像素的反卷积层；输出层直接提取第三十五层的结果作为输出；

步骤三、受电弓异常检测网络训练

使用步骤一构建的受电弓数据集对受电弓异常检测网络进行训练，训练方法采用目前广泛使用的随机梯度下降和Adam方法，训练时该网络的损失值计算为L＝L1+L2+L3，其中L1＝||Ix‑I′x||1，L2＝||Ix‑Iy||1， Ix表示网络的输入图像，I′x表示网络输出层的输出结果，Iy表示网络第十七层的输出结果，Zy表示网络第八层的输出结果，Zx表示网络第二十六层的输出结果；训练完成后，该异常检测网络具备对受电弓异常检测的能力；

步骤四、图像输入

在实时处理情况下，提取铁路机车车顶监控摄像头采集并保存在存储区的受电弓监控视频图像，作为要进行受电弓异常检测的输入图像；在离线处理情况下，将已采集的受电弓视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像；将输入图像规则化为512×512×3像素大小；如果输入图像为空，则整个流程中止；

步骤五、受电弓异常检测

使用步骤三训练得到的受电弓异常检测网络对输入图像进行异常检测，此时，将区域编码设置为其所有元素的值均为0，输入图像及其区域编码经该网络正向处理后，将网络第十七层的输出结果作为输入图像对应的无异常图像，然后将输入图像与其对应的无异常图像进行相差计算，得到异常结果图像，并对该异常结果图像进行去噪处理，随后，如果异常结果图像中存在元素值大于30的元素，且这样的元素的数目大于100，则认为当前输入图像存在异常，跳转到步骤六，否则，认为当前输入图像不存在异常，跳转到步骤四；异常结果图像的元素值是指元素对应位置上的像素的灰度值；

步骤六、受电弓异常检测网络在线学习

将被认为存在异常的输入图像进行区域编码，即将认为存在异常的输入图像划分为32×32格的网格，每个格子为16×16像素大小，如果格子对应的异常结果图像区域中没有元素值大于30的元素，则该格子的编码为0，否则为1，对所有格子编码后得到该输入图像对应的32×32格的区域编码；将输入图像及其区域编码作为在线训练集，并对检测网络进行在线学习，跳转到步骤四。