CN105160669A - 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法 - Google Patents

Abstract

本发明公开了一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，属于图像提取与识别技术领域。本发明的绝缘子缺陷的检测和定位方法，其步骤为：步骤一、将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，将提取的H分量图像和S分量图像分别进行二值化处理后相与得到绝缘子串的初步轮廓二值图像；步骤二、采用基于粒子群优化参数的蚁群算法对绝缘子单体的轮廓进行提取；步骤三、采用最小二乘法对绝缘子单体轮廓进行椭圆拟合，并通过检测绝缘子单体轮廓之间的间距对绝缘子的缺陷进行定位。通过使用本发明中的技术方案，能够显著提高对绝缘子缺陷的检测精度，降低背景的干扰，且运行速度较快。

Description

一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法

技术领域

本发明属于图像提取与识别技术领域，更具体地说，涉及一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法。

背景技术

随着我国国民经济持续快速发展和城市建设规模日益扩大，高科技产业、金融、医疗卫生等行业快速密集发展，对电力能源的需求日益增强，而经济发展不仅使城乡电网负荷快速增长，也对供电的可靠性和供电质量提出了更高的要求。因此，电力公司需要对电力线路设备尤其是电力线和电力杆塔进行定期巡检，以保证电力传输***的稳定安全运行和社会生产生活的正常进行。我国的电力线路走廊，经常需要穿越各种复杂的地理环境，频繁经过湖泊水库以及崇山峻岭等，因此，输电线路就具有覆盖范围大、分布区域广、传输距离长、地理条件复杂多变及受环境气候影响显著等特点，从而给线路的日常运行、维护和检修带来极大挑战。

我国输电线路的巡视一般采用人工巡视方式，这种方法虽简单，但效率较低，周期较长，且需要配备大量光学设备和素质高、经验丰富的巡线人员，对人力、财力的要求较高。且当杆塔较高、周围地理环境较复杂时，人工巡线就更加困难，容易遗漏故障，造成巡线不彻底，从而使得人工巡线方式逐渐难以满足高压电网的运行维护要求。

从上世纪九十年代开始，欧美一些发达国家就已经尝试将无人机应用于输电线路抢修等工作，该技术至今已相对成熟。直升机巡检输电线路技术，具有安全快捷、受地域限制小、能快速发现故障等优点。我国从上世纪后期开始尝试直升机巡线作业，近几年来，我国也加大了无人机巡线技术的研发投入，2012年山东电力在全国率先实现了将无人机巡线纳入线路巡检常态化应用。2013年，由国家电网青海省电力公司检修公司承担的“高海拔地区输电线路无人巡检技术的应用研究”顺利通过国家电网公司的验收，并通过青海省科技厅的鉴定。

绝缘子是隔离电器的一种，在输电线路中起到支撑导线和防止电流回地的作用。由于长期暴露于大气中且工作在强电场、风雨雪雾、化学物质腐蚀等恶劣环境中，再加上本身用料、制作工艺水平及人为破坏等原因，绝缘子难以避免地会发生电气故障。绝缘子的电气性故障主要有闪络和自爆两种，闪络发生在绝缘子表面，可见到烧伤痕迹，通常并不失掉绝缘性能，而自爆多半由于绝缘子制造工艺以及周围自然环境变化而导致，绝缘子自爆缺失会严重影响到输电线路运行的安全有效性，且有可能造成难以估量的损失。因此，如何能够从背景复杂的航拍图像中及时精确地检测出绝缘子并识别其电气故障，尤其是识别其自爆故障就尤为重要。国内外关于利用无人机进行输电线路自动化巡检的研究已较多，但关于从输电线路图像中精确快速地提取出绝缘子并对绝缘子电气故障进行检测和定位的研究则较少，且现有检测方法的综合性不强，由于输电线路架设环境的复杂性和天气影响等原因，所采集的图像范围广、背景复杂、目标物较多，包含草木、大地、铁塔等干扰信息，会使部分图像中目标物与干扰因素重叠交错，从而进一步增加了绝缘子缺陷的检测难度，难以保证缺陷的检测精度，存在漏检或检测不准的不足。如文献《基于彩色图像的玻璃绝缘子缺陷诊断》提出了基于直方图匹配判据的玻璃绝缘子缺陷诊断排除方法，能快速排除大量正常的玻璃绝缘子图片，在一定程度上提高了故障检测效率，但该文献中并未对绝缘子具体故障点的定位进行研究，因此不能及时对发生故障的绝缘子进行替换。又如文献《SegmentationofInsulatorImagesBasedonHSIColorSpace》提出了在HSI空间运用最大类间方差法进行图像分割的方法，但其仅仅研究了蓝色绝缘子的提取，并不能用于绝缘子的缺陷检测。

发明内容

1.发明要解决的技术问题

本发明的目的在于克服现有技术中利用无人机对输电线路进行自动化巡检时，对电力杆塔中绝缘子电气故障的检测精度相对较低，存在漏检或错检的现象，从而使输电线路运行的安全性受到影响的不足，提供了一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法。通过使用本发明中的方法，能够将绝缘子从背景复杂的输电线路图像中快速、精确地提取出来，且对绝缘子电气故障的检测精度较高，保证了输电线路的安全、可靠运行。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，其特征在于：其步骤为：

步骤一、将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，提取HSI色度饱和度亮度空间的H分量图像和S分量图像，将提取的H分量图像和S分量图像分别进行二值化处理得到各自对应的二值图像，然后将以上两幅二值图像经中值滤波后相与即得到绝缘子串的初步轮廓二值图像；

步骤二、采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮廓二值图像中绝缘子单体的轮廓进行提取；

步骤三、采用最小二乘法对绝缘子单体轮廓进行椭圆拟合，并通过检测绝缘子单体轮廓之间的间距对绝缘子的缺陷进行定位。

更进一步地，步骤一中将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间时，对任一像素点，其H分量和S分量分别通过式(1)、式(2)进行计算：

$\left\{\begin{array}{c}H=\left\{\begin{array}{cc}\mathrm{\θ}& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.\\ \mathrm{\θ}={\cos }^{-1}\left\{\frac{\[(R-G)+(R-B)\]/2}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right\}\end{array}\right.---\left(1\right),$

$S=1-\frac{3*\min (R,G,B)}{R+G+B}---\left(2\right),$

其中，H和S分别代表HSI色度饱和度亮度空间的色调分量和色饱和度分量，R、G、B分别代表RGB色彩空间的红色分量、绿色分量和蓝色分量。

更进一步地，步骤一中采用最大类间方差法对提取的H分量图像和S分量图像分别进行二值化处理，具体步骤为：遍历H分量图像和S分量图像中的每个像素点，取出各像素点的灰度值，假设H分量图像和S分量图像中像素点的灰度范围均为0～m-1，此处m-1为H分量图像和S分量图像中像素点的最大灰度值，其中灰度为i的像素点出现的概率为p_i，H分量图像和S分量图像在0～m-1灰度范围内的灰度均值均为μ，假设存在灰度阈值T将两图像中的绝缘子目标与背景分离为G₀＝{0～T-1}和G₁＝{T～m-1}两个灰度区间，且G₀出现的概率为w₀，G₁出现的概率为w₁，则G₀和G₁区间内的平均亮度μ₀、μ₁以及这两个区间的类间方差δ²(T)分别为：

$\left\{\begin{array}{c}{\mathrm{\μ}}_0=\underset{i=0}{\overset{T-1}{\Σ}}\frac{{\mathrm{ip}}_i}{w_0}=\frac{\mathrm{\μ}\left(T\right)}{w\left(T\right)},{\mathrm{\μ}}_1=\frac{\mathrm{\μ}-\mathrm{\μ}\left(T\right)}{1-w\left(T\right)}\\ {\mathrm{\δ}}^2\left(T\right)=w_0{({\mathrm{\μ}}_0-\mathrm{\μ})}^2+w_1{({\mathrm{\μ}}_1-\mathrm{\μ})}^2\end{array}\right.---\left(3\right),$

式(3)中且w₀+w₁＝1，w₀μ₀+w₁μ₁＝μ；

使灰度阈值T在0～m-1灰度范围内逐步递增，使灰度阀值T取到0～m-1范围内的所有数值，计算出每次循环得到的类间方差δ²(T)，循环结束后得到最大类间方差maxδ²(T)，此时的T值即为最佳灰度分割阈值，将H分量图像和S分量图像中灰度值大于该T值的像素点的灰度值设为1，将灰度值小于该T值的像素点的灰度值设为0，从而得到H分量图像和S分量图像各自的二值图像。

更进一步地，步骤二中采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮廓二值图像中绝缘子单体的轮廓进行提取的具体步骤为：

步骤1、假设原航拍图像的大小为M*N，算法初始化(M/2)*(N/2)只蚂蚁随机分布于绝缘子串的初步轮廓二值图像中的不同像素点；

步骤2、上述(M/2)*(N/2)只蚂蚁均按照公式(4)中的转移概率公式在绝缘子串的初步轮廓二值图像中进行择向移动，即所有蚂蚁均向公式(4)中计算出的各自的概率最大方向移动：

$P_{(m,n).(l,f)}^{\left(t\right)}=\frac{{\left({\mathrm{\τ}}_{(m,n)(l,f)}\right(t\left)\right)}^a.{\left({\mathrm{\η}}_{l,f}\right)}^{\mathrm{\β}}}{\underset{(l,f)\∈\mathrm{\Ω}(m,n)}{\Σ}{\left({\mathrm{\τ}}_{(m,n)(l,f)}\right(t\left)\right)}^a.{\left({\mathrm{\η}}_{l,f}\right)}^{\mathrm{\β}}}---\left(4\right),$

式(4)中，t为迭代次数，(m，n)为蚂蚁当前所在像素点，(l，f)为点(m，n)的3*3邻域内的任一像素点，为在第t次迭代循环中蚂蚁由像素点(m，n)向像素点(l，f)转移的概率，Ω(m,n)为以点(m，n)的3*3邻域内的所有像素点的集合，η_l,f为点(l，f)处的启发函数，通过式(5)计算得到：

η_l,f＝c*▽I(l,f)

$\▿I(l,f)=\sqrt{{\left(\frac{\∂gray}{\∂l}\right)}^2+{\left(\frac{\∂gray}{\∂f}\right)}^2}---\left(5\right),$

式(5)中，C为放大常数，其数值取1；▽I(l,f)为蚂蚁所在位置(l，f)处的灰度梯度值，gray为图像中遍历各像素点所得到的灰度值；

式(4)中，τ_(m,n)(l,f)(t)为在第t次迭代时点(m，n)到点(l，f)的路径上信息素强度的大小，其初始值为0.001，每迭代一次，每只蚂蚁都会移动一次，并在新的位置产生信息素，从而将所有像素点的信息素强度进行更新，将每次蚁群算法迭代完成后各像素点的信息素强度和位置更新存储于M*N信息素强度矩阵图像中，上述信息素强度进行迭代更新的公式如下：

${\mathrm{\τ}}_{(m,n)(l,f)}\left(t\right)=(1-\mathrm{\ξ}(t\left)\right){\mathrm{\τ}}_{(m,n)(l,f)}(t-1)+\underset{k=1}{\overset{(M/2)*(N/2)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^k(t-1)+{\mathrm{\Δ}}^1{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)-{\mathrm{\Δ}}^2{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)---\left(6\right),$

${\mathrm{\Δ}}^1{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)=\underset{k=1}{\overset{\mathrm{\φ}(t-1)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^{\left(k\right)}(t-1)/L_1---\left(7\right),$

${\mathrm{\Δ}}^2{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)=\underset{k=1}{\overset{\mathrm{\φ}(t-1)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^{\left(k\right)}(t-1)/L_2---\left(8\right),$

式(6)-(8)中，τ_(m,n)(l,f)(t-1)为在第t-1次迭代循环时点(m，n)到点(l，f)的路径上信息素强度的大小，为第k只蚂蚁在第t-1次迭代循环时留在(m，n)到(l，f)路径上的信息素量，设所有蚂蚁迭代一次产生的信息素量均为一给定的固定正常数，Δ¹τ_(m,n)(l,f)(t-1)和Δ²τ_(m,n)(l,f)(t-1)分别为在第t-1次迭代循环时留在点(m，n)到(l，f)的局部最优路径和局部最差路径上的信息素总量，此处点(m，n)到(l，f)的局部最优路径是指像素点(m，n)到(l，f)的最短路径，(m，n)到(l，f)的局部最差路径是指像素点(m，n)到(l，f)的最长路径；L₁和L₂分别为以上局部最优路径和局部最差路径的长度，φ(t-1)和分别为在第t-1次迭代循环时走过以上局部最优路径L₁和局部最差路径L₂上蚂蚁的数量；ξ(t)为信息素的挥发率，其初始值为0.5，随着迭代循环的进行，挥发率ξ(t)的衰减方程如下：

$\mathrm{\ξ}\left(t\right)=\frac{{\mathrm{\τ}}_{max}-{\mathrm{\τ}}_{\min }}{t-1}*\mathrm{\ξ}(t-1)+J$

$J=\underset{t=0}{\overset{cn}{\Σ}}\frac{\mathrm{\ξ}\left(t\right)-\mathrm{\ξ}(t-1)}{t}---\left(9\right),$

式(9)中，ξ(t)和ξ(t-1)分别为在第t次、第t-1次迭代时信息素的挥发率，cn为算法当前迭代次数，τ_max和τ_min分别为第t-1次迭代时所有蚂蚁留在点(m，n)到点(l，f)路径上的信息素总量的最大值及最小值，J为挥发率修正值；

式(4)中，α与β分别为信息素强度和启发函数的权重因子，分别随机给定α和β的初始值，且α和β的初始值均为正数，随着蚁群算法的循环，使用粒子群算法对α和β进行参数训练优化，具体优化的过称为：

步骤a、初始化(M/2)*(N/2)个随机解矢量θ_i＝(α_i,β_i)作为随机粒子，将每个θ_i＝(α_i,β_i)视为一个点在二维空间中的位置，其中，给第i个随机粒子赋有随机速度矢量

步骤b、每个粒子通过调用f_max次蚁群算法进行训练，其中，第i个随机粒子在调用蚁群算法时按照公式(10)对自己的空间位置和速度进行迭代更新：

v_i(f)＝wv_i(f-1)+c₁s₁(P_best(f-1)-θ_i(f-1))+c₂s₂(G_best(i-1)-θ_i(f-1))

(10)，

θ_i(f)＝θ_i(f-1)+v_i(f)

其中，f为调用蚁群算法的次数，f_max的数值取5；v_i(f)和θ_i(f)分别为第i个粒子在第f次蚁群算法结束时的速度与位置，v_i(f-1)和θ_i(f-1)分别为第i个粒子在第f-1次蚁群算法结束时的速度与位置，其中，1≤i≤(M/2)*(N/2)；w为惯性权值，取大于1的随机数；P_best(f-1)为第i个随机粒子在调用第f-1次蚁群算法中找到的最优粒子位置，G_best(i-1)为此时整个粒子群所找到的最优粒子位置；常数c₁、c₂分别决定了一个粒子选择P_best和G_best的倾向，且均为[0-2]之间相互独立的随机数；常数s₁、s₂为[0-1]之间相互独立的随机数；

步骤c、当第i个粒子调用蚁群算法检测绝缘子轮廓且运动更新达到预设蚁群算法循环次数f_max或再次循环更新的结果与上次循环结果一致时则停止循环，更新变量G_best；

步骤d、更换下一粒子再次重复上述步骤b、步骤c直至所有的粒子均完成迭代，最终得到的G_best即为最优粒子群位置，根据此时的最优粒子群位置G_best对公式(4)中的α与β进行更新；

步骤3、当蚁群算法的调用次数达到设定最大循环次数时，即完成了蚁群算法的运行，针对此时整个粒子群所找到的信息素强度矩阵图像使用最大类间方差法确定最佳信息素强度分割阈值τ₀，经阈值分割后即得到绝缘子单体的轮廓。

更进一步地，步骤三中通过检测绝缘子单体轮廓之间的间距对绝缘子的缺陷进行定位的具体步骤为：遍历绝缘子椭圆轮廓中心的坐标点，并将同一直线上的绝缘子中心坐标存储到同一数组A[x][y]中，分别计算该直线上所有绝缘子轮廓的宽度及高度的平均值，分别采用以上宽度平均值D和高度平均值H作为单个绝缘子轮廓宽度和高度的参考值；将上述同一直线上绝缘子轮廓中心点的x坐标按照冒泡排序法依次从小到大排列，按照公式(11)计算出相邻绝缘子之间的间距R：

$R=\sqrt{{(x_1-x_0)}^2+{(y_1-y_0)}^2}\≈(\mathrm{\λ}+1)R_0---\left(11\right),$

上式中，R₀为上述同一直线上相邻绝缘子的轮廓中心的平均间距，若λ>1，则说明相邻绝缘子A[x1][y1]和A[x0][y0]之间存在λ个绝缘子缺失，此时根据相邻绝缘子坐标求取其间λ个伪绝缘子的中心位置并按其宽度参考值D、高度参考值H在原图中绘制出缺陷绝缘子的轮廓。

3.有益效果

采用本发明提供的技术方案，与现有技术相比，具有如下显著效果：

(1)本发明的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，结合绝缘子在输电线路图像中的成像特点，选择合适的颜色空间，同时结合H分量和S分量对图像进行分割处理，从而既能充分利用图像的色彩信息，又能降低光照强度对分割效果的影响，大大提高了图像中绝缘子与背景的分割效果；本发明中还通过选择相配的空间分割策略，进一步保证了绝缘子与背景的分割效果，为后续绝缘子单体及其故障的检测提供了有利条件。发明人经长期的理论分析与实践，采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮廓二值图像中绝缘子单体的轮廓进行提取，通过粒子群算法对蚁群算法中的参数进行优化，将二者结合并进行了进一步改进，大大提高了对绝缘子单体轮廓的提取精度，从而保证了对绝缘子故障的检测精度，能够有效防止漏检或错检的现象，保证了输电线路的安全、可靠运行。

附图说明

图1是本发明的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法的流程图；

图2(a)是本发明实施例中得到的三串并排绝缘子的实际航拍图像；

图2(b)是本发明实施例中得到的存在缺陷的单串绝缘子的实际航拍图像；

图3(a)是图2(a)中三串并排绝缘子的初步轮廓二值图像；

图3(b)是图2(b)中存在缺陷的单串绝缘子的初步轮廓二值图像；

图4(a)是采用基于粒子群优化参数的蚁群算法从图3(a)中提取得到的绝缘子单体的轮廓图；

图4(b)是采用基于粒子群优化参数的蚁群算法从图3(b)中提取得到的绝缘子单体的轮廓图；

图5(a)是经椭圆拟合后的图4(a)中的绝缘子单体的轮廓图；

图5(b)是经椭圆拟合后的图4(b)中的绝缘子单体的轮廓图；

图6(a)与图6(b)是本发明实施例中的绝缘子缺陷标记前与标记后的对比图像。

具体实施方式

为进一步了解本发明的内容，现结合附图和实施例对本发明作详细描述。

实施例1

绝缘子在航拍图像中的主要表现为以下特征：(1)绝缘子单体外形为统一长宽的椭圆型；(2)在输电线路中呈等间距串状排列；(3)与背景相比其色度和饱和度值较高；(4)固定电压等级输电线路中，绝缘子串中的绝缘子个数是一定的；(6)绝缘子一般为浅绿色、半透明状，在航拍图像中，其颜色与地表植被、泛绿的湖水等背景相似。

本发明的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，是结合绝缘子在航拍图像中的以上特点开发出来的，其流程如图1所示，其具体步骤为：

步骤一、如图2(a)、图2(b)所示为本实施例的实际航拍图像，结合绝缘子一般为浅绿色、半透明状，在航拍图像中，其颜色与地表植被、泛绿的湖水等背景相似的特点，将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，提取HSI色度饱和度亮度空间的H分量图像和S分量图像，从而可以充分利用图像的色彩信息，并降低光照强度对分割效果的影响，大大提高了图像中绝缘子与背景的分割效果，避免了由于季节、天气变化等因素对图像分割效果的影像。其中，对任一像素点，其H分量和S分量分别通过式(1)、式(2)进行计算：

$\left\{\begin{array}{c}H=\left\{\begin{array}{cc}\mathrm{\θ}& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.\\ \mathrm{\θ}={\cos }^{-1}\left\{\frac{\[(R-G)+(R-B)\]/2}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right\}\end{array}\right.---\left(1\right),$

$S=1-\frac{3*\min (R,G,B)}{R+G+B}---\left(2\right),$

上式中，H和S分别代表HSI色度饱和度亮度空间的色调分量和色饱和度分量，R、G、B分别代表RGB色彩空间的红色分量、绿色分量和蓝色分量。

将提取的H分量图像和S分量图像分别进行二值化处理得到各自对应的二值图像，然后将以上两幅二值图像经中值滤波后相与即得到绝缘子串的初步轮廓二值图像，图2(a)、图2(b)所对应的绝缘子串的初步轮廓二值图像分别如图3(a)、图3(b)所示。本实施例中是采用最大类间方差法对提取的H分量图像和S分量图像分别进行二值化处理，具体步骤为：遍历H分量图像和S分量图像中的每个像素点，取出各像素点的灰度值，假设H分量图像和S分量图像中像素点的灰度范围均为0～m-1，此处m-1为H分量图像和S分量图像中像素点的最大灰度值，其中灰度为i的像素点出现的概率为p_i，H分量图像和S分量图像在0～m-1灰度范围内的灰度均值均为μ，假设存在灰度阈值T将两图像中的绝缘子目标与背景分离为G₀＝{0～T-1}和G₁＝{T～m-1}两个灰度区间，且G₀出现的概率为w₀，G₁出现的概率为w₁，则G₀和G₁区间内的平均亮度μ₀、μ₁以及这两个区间的类间方差δ²(T)分别为：

$\left\{\begin{array}{c}{\mathrm{\μ}}_0=\underset{i=0}{\overset{T-1}{\Σ}}\frac{{\mathrm{ip}}_i}{w_0}=\frac{\mathrm{\μ}\left(T\right)}{w\left(T\right)},{\mathrm{\μ}}_1=\frac{\mathrm{\μ}-\mathrm{\μ}\left(T\right)}{1-w\left(T\right)}\\ {\mathrm{\δ}}^2\left(T\right)=w_0{({\mathrm{\μ}}_0-\mathrm{\μ})}^2+w_1{({\mathrm{\μ}}_1-\mathrm{\μ})}^2\end{array}\right.---\left(3\right),$

式(3)中且w₀+w₁＝1，w₀μ₀+w₁μ₁＝μ；

使灰度阈值T在0～m-1灰度范围内逐步递增，使灰度阀值T取到0～m-1范围内的所有数值，计算出每次循环得到的类间方差δ²(T)，循环结束后得到最大类间方差maxδ²(T)，此时的T值即为最佳灰度分割阈值，将H分量图像和S分量图像中灰度值大于该T值的像素点的灰度值设为1，将灰度值小于该T值的像素点的灰度值设为0，从而得到H分量图像和S分量图像各自的二值图像。

步骤二、采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮廓二值图像中绝缘子单体的轮廓进行提取，其具体步骤为：

步骤1、假设原航拍图像的大小为M*N，算法初始化(M/2)*(N/2)只蚂蚁随机分布于绝缘子串的初步轮廓二值图像中的不同像素点。

步骤2、上述(M/2)*(N/2)只蚂蚁均按照公式(4)中的转移概率公式在绝缘子串的初步轮廓二值图像中进行择向移动，即所有蚂蚁均向公式(4)中计算出的各自的概率最大方向移动：

$P_{(m,n).(l,f)}^{\left(t\right)}=\frac{{\left({\mathrm{\τ}}_{(m,n)(l,f)}\right(t\left)\right)}^a.{\left({\mathrm{\η}}_{l,f}\right)}^{\mathrm{\β}}}{\underset{(l,f)\∈\mathrm{\Ω}(m,n)}{\Σ}{\left({\mathrm{\τ}}_{(m,n)(l,f)}\right(t\left)\right)}^a.{\left({\mathrm{\η}}_{l,f}\right)}^{\mathrm{\β}}}---\left(4\right).$

式(4)中，t为迭代次数，(m，n)为蚂蚁当前所在像素点，(l，f)为点(m，n)的3*3邻域内的任一像素点，为在第t次迭代循环中蚂蚁由像素点(m，n)向像素点(l，f)转移的概率，Ω(m,n)为以点(m，n)的3*3邻域内的所有像素点的集合。η_l,f为点(l，f)处的启发函数，通过式(5)计算得到：

η_l,f＝c*▽I(l,f)

$\▿I(l,f)=\sqrt{{\left(\frac{\∂gray}{\∂l}\right)}^2+{\left(\frac{\∂gray}{\∂f}\right)}^2}---\left(5\right),$

式(5)中，C为放大常数，其数值取1；▽I(l,f)为蚂蚁所在位置(l，f)处的灰度梯度值，gray为图像中遍历各像素点所得到的灰度值，本实施例中以蚂蚁所在位置(l，f)处的灰度梯度值▽I(l,f)作为启发函数，由于绝缘子轮廓边缘部分灰度变化较为剧烈，这样可以更好地将绝缘子电梯轮廓的像素点与其他像素点区分开来，提高对绝缘子单体轮廓的检测精度且保证算法的正常启动。

式(4)中，τ_(m,n)(l,f)(t)为在第t次迭代时点(m，n)到点(l，f)的路径上信息素强度的大小，其初始值为0.001，每迭代一次，每只蚂蚁都会移动一次，并在新的位置产生信息素，从而将所有像素点的信息素强度进行更新，本实施例中将每次蚁群算法迭代完成后各像素点的信息素强度和位置更新存储于M*N信息素强度矩阵图像中，上述信息素强度进行迭代更新的公式如下：

${\mathrm{\τ}}_{(m,n)(l,f)}\left(t\right)=(1-\mathrm{\ξ}){\mathrm{\τ}}_{(m,n)(l,f)}(t-1)+\underset{k=1}{\overset{(M/2)*(N/2)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^k(t-1)+{\mathrm{\Δ}}^1{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)-{\mathrm{\Δ}}^2{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)---\left(6\right),$

${\mathrm{\Δ}}^1{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)=\underset{k=1}{\overset{\mathrm{\φ}(t-1)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^{\left(k\right)}(t-1)/L_1---\left(7\right),$

${\mathrm{\Δ}}^2{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)=\underset{k=1}{\overset{\mathrm{\φ}(t-1)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^{\left(k\right)}(t-1)/L_2---\left(8\right),$

式(6)-(8)中，τ_(m,n)(l,f)(t-1)为在第t-1次迭代循环时点(m，n)到点(l，f)的路径上信息素强度的大小，为第k只蚂蚁在第t-1次迭代循环时留在(m，n)到(l，f)路径上的信息素量，设所有蚂蚁迭代一次产生的信息素量均为一给定的固定正常数，Δ¹τ_(m,n)(l,f)(t-1)和Δ²τ_(m,n)(l,f)(t-1)分别为在第t-1次迭代循环时留在点(m，n)到(l，f)的局部最优路径和局部最差路径上的信息素总量，此处点(m，n)到(l，f)的局部最优路径是指像素点(m，n)到(l，f)的最短路径，(m，n)到(l，f)的局部最差路径是指像素点(m，n)到(l，f)的最长路径；L₁和L₂分别为以上局部最优路径和局部最差路径的长度，φ(t-1)和分别为在第t-1次迭代循环时走过以上局部最优路径L₁和局部最差路径L₂上蚂蚁的数量；本实施例中通过采用精英策略来处理最差路径上蚂蚁释放的信息素，同时放大最优路径上的蚂蚁释放的信息素浓度，这样可以防止搜索陷入局部最优伪解这种情况的出现，使误检为轮廓上的信息素量降到最低，从而增加轮廓检测的准确率。ξ为信息素的挥发率，其初始值为0.5，随着迭代循环的进行，挥发率ξ的衰减方程如下：

$\mathrm{\ξ}\left(t\right)=\frac{{\mathrm{\τ}}_{max}-{\mathrm{\τ}}_{\min }}{t-1}*\mathrm{\ξ}(t-1)+J$

$J=\underset{t=0}{\overset{cn}{\Σ}}\frac{\mathrm{\ξ}\left(t\right)-\mathrm{\ξ}(t-1)}{t}---\left(9\right),$

式(9)中，ξ(t)和ξ(t-1)分别为在第t次、第t-1次迭代时信息素的挥发率，cn为算法当前迭代次数，τ_max和τ_min分别为第t-1次迭代时所有蚂蚁留在点(m，n)到点(l，f)路径上的信息素总量的最大值及最小值，J为挥发率修正值；

式(4)中，α与β分别为信息素强度和启发函数的权重因子，分别随机给定α和β的初始值，且α和β的初始值均为正数，随着蚁群算法的循环，使用粒子群算法对α和β进行参数训练优化，具体优化的过称为：

步骤a、初始化(M/2)*(N/2)个随机解矢量θ_i＝(α_i,β_i)作为随机粒子，将每个θ_i＝(α_i,β_i)视为一个点在二维空间中的位置，其中，给第i个随机粒子赋有随机速度矢量

步骤b、每个粒子通过调用f_max次蚁群算法进行训练，其中，第i个随机粒子在调用蚁群算法时按照公式(10)对自己的空间位置和速度进行迭代更新：

v_i(f)＝wv_i(f-1)+c₁s₁(P_best(f-1)-θ_i(f-1))+c₂s₂(G_best(i-1)-θ_i(f-1))

(10)，

θ_i(f)＝θ_i(f-1)+v_i(f)

其中，f为调用蚁群算法的次数，通过大量的试验研究对f_max的数值进行优化，经优化确定的f_max的数值取4-8，本实施例中取5，从而可以防止局部最优伪解的产生，提高了绝缘子单体轮廓的检测精度。v_i(f)和θ_i(f)分别为第i个粒子在第f次蚁群算法结束时的速度与位置，v_i(f-1)和θ_i(f-1)分别为第i个粒子在第f-1次蚁群算法结束时的速度与位置，其中，1≤i≤(M/2)*(N/2)；w为惯性权值，取大于1的随机数；P_best(f-1)为第i个随机粒子在调用第f-1次蚁群算法时找到的最优粒子位置，G_best(i-1)为第i-1个随机粒子在调用蚁群算法结束时整个粒子群所找到的最优粒子位置；常数c₁、c₂分别决定了一个粒子选择P_best和G_best的倾向，且均为[0-2]之间相互独立的随机数；常数s₁、s₂为[0-1]之间相互独立的随机数。

本实施例中，第i个随机粒子每调用一次蚁群算法就对其找到的最优粒子位置P_best进行更新，设第i个随机粒子在第f-1次蚁群算法结束时找到的最优粒子位置为P_best(f-1)，该粒子在第f次蚁群算法结束时的位置θ_i(f)＝(α_i(f),β_i(f))，将该粒子调用第f次蚁群算法时蚂蚁所走路径的长度L_f与寻找P_best(f-1)所调用的蚁群算法中蚂蚁所走路径的长度L_best(f-1)相比较，若L_f≤L_best(f-1)，则以θ_i(f)＝(α_i(f),β_i(f))作为该粒子在第f次蚁群算法时找到的最优粒子位置P_best(f)；若L_f＞L_best(f-1)，则仍以P_best(f-1)作为该粒子在第f次蚁群算法时找到的最优粒子位置P_best(f)。本实施例中以第i个随机粒子的初始空间位置θ_i＝(α_i,β_i)为其寻找到的最优粒子位置P_best的初始值。

步骤c、当第i个粒子调用蚁群算法检测绝缘子轮廓且运动更新达到预设蚁群算法循环次数f_max或再次循环更新的结果与上次循环结果一致，即该次循环时找到的P_best与上次循环找到的P_best相同时则停止循环，并将第i个粒子寻找其最优粒子位置P_best时所调用蚁群算法中蚂蚁所走路径的长度与寻找G_best(i-1)所调用蚁群算法中蚂蚁所走路径的长度进行比较，同样以蚂蚁所走路径较短为衡量标准来更新变量G_best。

步骤d、更换下一粒子再次重复上述步骤b、步骤c直至所有的粒子均完成迭代，最终得到的G_best即为最优粒子群位置，根据此时的最优粒子群位置G_best对公式(4)中的α与β进行更新。

步骤3、当蚁群算法的调用次数达到设定最大循环次数时，即完成了蚁群算法的运行，针对此时整个粒子群所找到的信息素强度矩阵图像使用最大类间方差法确定最佳信息素强度分割阈值τ₀，采用τ₀对此时整个粒子群所找到的信息素强度矩阵图像进行分割，信息素强度大于τ₀的像素点即为绝缘子单体轮廓上的像素点，因此经阈值分割后即可得到绝缘子单体的轮廓，如图4(a)和图4(b)。

值得说明的是，虽然现有技术中关于将粒子群优化算法与蚁群算法进行结合的研究已有相关报道，但关于将其应用于无人机输电线路图像中绝缘子缺陷的检测并未有任何研究，而由于绝缘子成像特点的复杂性及其受地表植被、湖水等相似颜色背景的干扰较为严重，并不能将现有基于粒子群参数优化的改进蚁群算法直接用于绝缘子缺陷的检测，其检测精度较低，易发生错检和漏检的现象，且运行时间较长，而这也成为困扰发明人较长时间的问题。发明人通过对绝缘子成像特点的分析，并结合图像中背景成像与绝缘子成像的差异，经过长期大量的研究和实验模拟，通过对现有基于粒子群参数优化的改进蚁群算法进行进一步的改进，才得到了本发明的技术方案，使改进后的蚁群算法适用于分割后得到的绝缘子串的初步轮廓二值图像中绝缘子单体轮廓的提取，并使其能够适应绝缘子的成像特点，从而大大提高了对绝缘子缺陷的检测精度，降低了背景的干扰，提高了运行速度。

步骤三、遍历每个绝缘子轮廓的中心点坐标及长短轴长度，由于绝缘子单体轮廓在图像中外形为统一长宽的椭圆型且在输电线路中呈等间距串状排列，采用最小二乘法对绝缘子单体轮廓进行椭圆拟合，并设置变量用以计算图像中连通域数目，拟合后的绝缘子单体轮廓如图5(a)和图5(b)。通过检测绝缘子单体轮廓之间的间距对绝缘子的缺陷进行定位，对绝缘子的缺陷进行定位的具体步骤为：遍历绝缘子椭圆轮廓中心的坐标点，并将同一直线上的绝缘子中心坐标存储到同一数组A[x][y]中，分别计算该直线上所有绝缘子轮廓的宽度及高度的平均值，分别采用以上宽度平均值D和高度平均值H作为单个绝缘子轮廓宽度和高度的参考值。将上述同一直线上绝缘子轮廓中心点的x坐标按照冒泡排序法依次从小到大排列，按照公式(11)计算出相邻绝缘子之间的间距R：

$R=\sqrt{{(x_1-x_0)}^2+{(y_1-y_0)}^2}\≈(\mathrm{\λ}+1)R_0---\left(11\right),$

上式中，R₀为上述同一直线上相邻绝缘子的轮廓中心的平均间距，若λ>1，则说明相邻绝缘子A[x1][y1]和A[x0][y0]之间存在λ个绝缘子缺失，此时根据相邻绝缘子坐标求取其间λ个伪绝缘子的中心位置并按其宽度参考值D、高度参考值H在原图中绘制出缺陷绝缘子的轮廓。

如图6(a)和图5(b)所示分别为本实施例中绝缘子缺陷标记前与标记后的对比图，图中统计出当前图像中绝缘子的个数以及绝缘子缺失的个数分别为35个与1个。本实施例的平台基于Qt软件开发，算法运行时间约为20ms，可移植如嵌入式平台灵活使用，也可二次开发后应用于视频实时处理***。

Claims (5)

1.一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，其特征在于：其步骤为：

步骤一、将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，提取HSI色度饱和度亮度空间的H分量图像和S分量图像，将提取的H分量图像和S分量图像分别进行二值化处理得到各自对应的二值图像，然后将以上两幅二值图像经中值滤波后相与即得到绝缘子串的初步轮廓二值图像；

步骤二、采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮廓二值图像中绝缘子单体的轮廓进行提取；

步骤三、采用最小二乘法对绝缘子单体轮廓进行椭圆拟合，并通过检测绝缘子单体轮廓之间的间距对绝缘子的缺陷进行定位。

2.根据权利要求1所述的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，其特征在于：步骤一中将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间时，对任一像素点，其H分量和S分量分别通过式(1)、式(2)进行计算：

$\left\{\begin{array}{c}H=\left\{\begin{array}{cc}\mathrm{\θ}& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.\\ \mathrm{\θ}={\cos }^{-1}\left\{\frac{\[(R-G)+(R-B)\]/2}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right\}\end{array}\right.---\left(1\right),$

$S=1-\frac{3*\min (R,G,B)}{R+G+B}---\left(2\right),$

其中，H和S分别代表HSI色度饱和度亮度空间的色调分量和色饱和度分量，R、G、B分别代表RGB色彩空间的红色分量、绿色分量和蓝色分量。

3.根据权利要求2所述的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，其特征在于：步骤一中采用最大类间方差法对提取的H分量图像和S分量图像分别进行二值化处理，具体步骤为：遍历H分量图像和S分量图像中的每个像素点，取出各像素点的灰度值，假设H分量图像和S分量图像中像素点的灰度范围均为0～m-1，此处m-1为H分量图像和S分量图像中像素点的最大灰度值，其中灰度为i的像素点出现的概率为p_i，H分量图像和S分量图像在0～m-1灰度范围内的灰度均值均为μ，假设存在灰度阈值T将两图像中的绝缘子目标与背景分离为G₀＝{0～T-1}和G₁＝{T～m-1}两个灰度区间，且G₀出现的概率为w₀，G₁出现的概率为w₁，则G₀和G₁区间内的平均亮度μ₀、μ₁以及这两个区间的类间方差δ²(T)分别为：

$\left\{\begin{array}{c}{\mathrm{\μ}}_0=\underset{i=0}{\overset{T-1}{\Σ}}\frac{{\mathrm{ip}}_i}{w_0}=\frac{\mathrm{\μ}\left(T\right)}{w\left(T\right)},{\mathrm{\μ}}_1=\frac{\mathrm{\μ}-\mathrm{\μ}\left(T\right)}{1-w\left(T\right)}\\ {\mathrm{\δ}}^2\left(T\right)=w_0{({\mathrm{\μ}}_0-\mathrm{\μ})}^2+w_1{({\mathrm{\μ}}_1-\mathrm{\μ})}^2\end{array}\right.---\left(3\right),$

式(3)中且w₀+w₁＝1，w₀μ₀+w₁μ₁＝μ；

使灰度阈值T在0～m-1灰度范围内逐步递增，使灰度阀值T取到0～m-1范围内的所有数值，计算出每次循环得到的类间方差δ²(T)，循环结束后得到最大类间方差maxδ²(T)，此时的T值即为最佳灰度分割阈值，将H分量图像和S分量图像中灰度值大于该T值的像素点的灰度值设为1，将灰度值小于该T值的像素点的灰度值设为0，从而得到H分量图像和S分量图像各自的二值图像。

4.根据权利要求1-3中任一项所述的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，其特征在于：步骤二中采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮廓二值图像中绝缘子单体的轮廓进行提取的具体步骤为：

步骤1、假设原航拍图像的大小为M*N，算法初始化(M/2)*(N/2)只蚂蚁随机分布于绝缘子串的初步轮廓二值图像中的不同像素点；

步骤2、上述(M/2)*(N/2)只蚂蚁均按照公式(4)中的转移概率公式在绝缘子串的初步轮廓二值图像中进行择向移动，即所有蚂蚁均向公式(4)中计算出的各自的概率最大方向移动：

$P_{(m,n).(l,f)}^{\left(t\right)}=\frac{{\left({\mathrm{\τ}}_{(m,n)(l,f)}\right(t\left)\right)}^a.{\left({\mathrm{\η}}_{l,f}\right)}^{\mathrm{\β}}}{\underset{(l,f)\∈\mathrm{\Ω}(m,n)}{\Σ}{\left({\mathrm{\τ}}_{(m,n)(l,f)}\right(t\left)\right)}^a.{\left({\mathrm{\η}}_{l,f}\right)}^{\mathrm{\β}}}---\left(4\right),$

式(4)中，t为迭代次数，(m，n)为蚂蚁当前所在像素点，(l，f)为点(m，n)的3*3邻域内的任一像素点，为在第t次迭代循环中蚂蚁由像素点(m，n)向像素点(l，f)转移的概率，Ω(m,n)为以点(m，n)的3*3邻域内的所有像素点的集合，η_l,f为点(l，f)处的启发函数，通过式(5)计算得到：

η_l,f＝c*▽I(l,f)

$\▿I(l,f)=\sqrt{{\left(\frac{\∂gray}{\∂l}\right)}^2+{\left(\frac{\∂gray}{\∂f}\right)}^2}---\left(5\right),$

式(5)中，C为放大常数，其数值取1；▽I(l,f)为蚂蚁所在位置(l，f)处的灰度梯度值，gray为图像中遍历各像素点所得到的灰度值；

式(4)中，τ_(m,n)(l,f)(t)为在第t次迭代时点(m，n)到点(l，f)的路径上信息素强度的大小，其初始值为0.001，每迭代一次，每只蚂蚁都会移动一次，并在新的位置产生信息素，从而将所有像素点的信息素强度进行更新，将每次蚁群算法迭代完成后各像素点的信息素强度和位置更新存储于M*N信息素强度矩阵图像中，上述信息素强度进行迭代更新的公式如下：

${\mathrm{\τ}}_{(m,n)(l,f)}\left(t\right)=(1-\mathrm{\ξ}){\mathrm{\τ}}_{(m,n)(l,f)}(t-1)+\underset{k=1}{\overset{(M/2)*(N/2)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^k(t-1)+{\mathrm{\Δ}}^1{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)-{\mathrm{\Δ}}^2{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)---\left(6\right),$

${\mathrm{\Δ}}^1{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)=\underset{k=1}{\overset{\mathrm{\φ}(t-1)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^{\left(k\right)}(t-1)/L_1---\left(7\right),$

${\mathrm{\Δ}}^2{\mathrm{\τ}}_{(m,n)(l,f)}(t-1)=\underset{k=1}{\overset{\mathrm{\φ}(t-1)}{\Σ}}{\mathrm{\Δ\τ}}_{(m,n)(l,f)}^{\left(k\right)}(t-1)/L_2---\left(8\right),$

式(6)-(8)中，τ_(m,n)(l,f)(t-1)为在第t-1次迭代循环时点(m，n)到点(l，f)的路径上信息素强度的大小，为第k只蚂蚁在第t-1次迭代循环时留在(m，n)到(l，f)路径上的信息素量，设所有蚂蚁迭代一次产生的信息素量均为一给定的固定正常数，Δ¹τ_(m,n)(l,f)(t-1)和Δ²τ_(m,n)(l,f)(t-1)分别为在第t-1次迭代循环时留在点(m，n)到(l，f)的局部最优路径和局部最差路径上的信息素总量，此处点(m，n)到(l，f)的局部最优路径是指像素点(m，n)到(l，f)的最短路径，(m，n)到(l，f)的局部最差路径是指像素点(m，n)到(l，f)的最长路径；L₁和L₂分别为以上局部最优路径和局部最差路径的长度，φ(t-1)和分别为在第t-1次迭代循环时走过以上局部最优路径L₁和局部最差路径L₂上蚂蚁的数量；ξ为信息素的挥发率，其初始值为0.5，随着迭代循环的进行，挥发率ξ的衰减方程如下：

$\mathrm{\ξ}\left(t\right)=\frac{{\mathrm{\τ}}_{max}-{\mathrm{\τ}}_{\min }}{t-1}*\mathrm{\ξ}(t-1)+J$

$J=\underset{t=0}{\overset{cn}{\Σ}}\frac{\mathrm{\ξ}\left(t\right)-\mathrm{\ξ}(t-1)}{t}---\left(9\right),$

式(9)中，ξ(t)和ξ(t-1)分别为在第t次、第t-1次迭代时信息素的挥发率，cn为算法当前迭代次数，τ_max和τ_min分别为第t-1次迭代时所有蚂蚁留在点(m，n)到点(l，f)路径上的信息素总量的最大值及最小值，J为挥发率修正值；

式(4)中，α与β分别为信息素强度和启发函数的权重因子，分别随机给定α和β的初始值，且α和β的初始值均为正数，随着蚁群算法的循环，使用粒子群算法对α和β进行参数训练优化，具体优化的过称为：

步骤a、初始化(M/2)*(N/2)个随机解矢量θ_i＝(α_i,β_i)作为随机粒子，将每个θ_i＝(α_i,β_i)视为一个点在二维空间中的位置，其中，给第i个随机粒子赋有随机速度矢量

步骤b、每个粒子通过调用f_max次蚁群算法进行训练，其中，第i个随机粒子在调用蚁群算法时按照公式(10)对自己的空间位置和速度进行迭代更新：

v_i(f)＝wv_i(f-1)+c₁s₁(P_best(f-1)-θ_i(f-1))+c₂s₂(G_best(i-1)-θ_i(f-1))(10)，

θ_i(f)＝θ_i(f-1)+v_i(f)

其中，f为调用蚁群算法的次数，f_max的数值取5；v_i(f)和θ_i(f)分别为第i个粒子在第f次蚁群算法结束时的速度与位置，v_i(f-1)和θ_i(f-1)分别为第i个粒子在第f-1次蚁群算法结束时的速度与位置，其中，1≤i≤(M/2)*(N/2)；w为惯性权值，取大于1的随机数；P_best(f-1)为第i个随机粒子在调用第f-1次蚁群算法中找到的最优粒子位置，G_best(i-1)为此时整个粒子群所找到的最优粒子位置；常数c₁、c₂分别决定了一个粒子选择P_best和G_best的倾向，且均为[0-2]之间相互独立的随机数；常数s₁、s₂为[0-1]之间相互独立的随机数；

步骤c、当第i个粒子调用蚁群算法检测绝缘子轮廓且运动更新达到预设蚁群算法循环次数f_max或再次循环更新的结果与上次循环结果一致时则停止循环，更新变量G_best；

步骤d、更换下一粒子再次重复上述步骤b、步骤c直至所有的粒子均完成迭代，最终得到的G_best即为最优粒子群位置，根据此时的最优粒子群位置G_best对公式(4)中的α与β进行更新；

步骤3、当蚁群算法的调用次数达到设定最大循环次数时，即完成了蚁群算法的运行，针对此时整个粒子群所找到的信息素强度矩阵图像使用最大类间方差法确定最佳信息素强度分割阈值τ₀，经阈值分割后即得到绝缘子单体的轮廓。

5.根据权利要求4所述的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，其特征在于：步骤三中通过检测绝缘子单体轮廓之间的间距对绝缘子的缺陷进行定位的具体步骤为：遍历绝缘子椭圆轮廓中心的坐标点，并将同一直线上的绝缘子中心坐标存储到同一数组A[x][y]中，分别计算该直线上所有绝缘子轮廓的宽度及高度的平均值，分别采用以上宽度平均值D和高度平均值H作为单个绝缘子轮廓宽度和高度的参考值；将上述同一直线上绝缘子轮廓中心点的x坐标按照冒泡排序法依次从小到大排列，按照公式(11)计算出相邻绝缘子之间的间距R：

$R=\sqrt{{(x_1-x_0)}^2+{(y_1-y_0)}^2}\≈(\mathrm{\λ}+1)R_0---\left(11\right),$

上式中，R₀为上述同一直线上相邻绝缘子的轮廓中心的平均间距，若λ>1，则说明相邻绝缘子A[x1][y1]和A[x0][y0]之间存在λ个绝缘子缺失，此时根据相邻绝缘子坐标求取其间λ个伪绝缘子的中心位置并按其宽度参考值D、高度参考值H在原图中绘制出缺陷绝缘子的轮廓。