CN106225705A - 基于lsd算法和机器学习的防震锤变形检测方法 - Google Patents

Abstract

本发明公开了一种基于LSD算法和机器学***，提高资产的利用率，降低事故发生率。

Description

基于LSD算法和机器学习的防震锤变形检测方法

技术领域

本发明涉及一种防震锤变形检测方法，特别是一种基于LSD算法和机器学习的防震锤变形检测方法。

背景技术

目前，我国输电线路仍然以架空线为主，高压、特高压输电线路分布点多、面广，所处地形复杂，自然环境恶劣，在山地地区，由于水土流失、雨水、泥石流等的原因，会造成对输电线路、尤其是杆塔等电力设施地基的破坏，导致杆塔倾倒或设备损坏，直接破坏输电线路。建设在矿区的输电线路，可能会由于采掘区的变化，造成杆塔地基突然下沉，导致输电线路被破坏。因此，对于处在这类危险地区的输电线路，需要经常观察和监测电力设备地基变化情况。

目前常用的方法是人工实地勘察，直接观察地基是否有下沉、地基附近山体是否有土质疏松、是否有产生泥石流的地质倾向等。但是，人工观察效率低、观察区域受到局限。另外，电力线及杆塔附件长期暴露在野外，受到持续的机械张力、雷击闪络、材料老化、人为的影响而产生倒塔、断股、磨损、腐蚀、受力等损伤，绝缘子还存在被雷击损伤，树木生长引起输电线放电，杆塔存在被偷窃等意外事件，一旦发现必须及时处理。据统计，由于污闪而引起的绝缘闪络事故居电网总事故的第2位，仅次于雷击事故，而污闪事故造成的损失却是雷击事故的10倍。因此，对输电线路的及时检测是保障输电线路安全运行的唯一手段。传统的人工巡检方法不仅工作量大而且条件艰苦，特别是对多山区和跨越大江大河的输电线路的巡检，以及在冰灾、水灾、地震、滑坡、夜晚期间巡线检查，所花时间长、人力成本高、困难大、风险高。

近几年，采用无人直升机低空遥感方式实现地表观察、地质勘探、线路巡检的技术逐渐成熟，特别是无人机巡检以其高效、准确和安全等特点逐渐成为高压输电线路巡检的重要发展方向，通过对航拍巡检采集到的大量航拍图像进行处理和分析可以发现输电线路故障和缺陷，并对特殊地质环境中电力设施灾害监测与预警。但是，航拍巡检过程中获取的图像或者视频资料，数量非常大，如果采用事后人工筛查、人工分析和判断的方式，直接处理巨大的视频和图片信息，无疑是非常艰苦的工作，并且很 容易遗漏关键信息；如果采用人工在线监视、实时判断和发现输变电线路的异常，是更加艰苦的工作、更容易遗漏和误报关键信息。

发明内容

本发明的目的在于克服现有技术的不足之处，而提供一种具备人眼的识别和人脑的分析能力，通过视觉分析，监测分析输电线路上的防震锤变形的基于LSD算法和机器学习的防震锤变形检测方法。

一种基于LSD算法和机器学习的防震锤变形检测方法，采用如下步骤实现：

(1)通过无人机从输电线路上拍摄大量图像，并将图像缩小为原来的80％，然后分别计算图像的每个像素点的梯度值和梯度幅值，计算公式表示如下：

公式(1)-(2)中：g_x(x，y)和g_y(x，y)分别表示像素点在X方向和Y方向上的梯度值；G(x，y)表示像素点的梯度幅值；i(x，y)是坐标中心像素点[i，j]的灰度值；

然后将梯度幅值最大的像素点作为种子点，对图像的每个像素点由小到大进行排序，由此得到排序列表；然后以排序列表中一个未使用的像素点作为种子点进行递归以进行区域增长，并对区域增长结果进行矩形估计，由此检测出图像中局部的直的轮廓；

(2)预先建立防震锤样本库，并从防震锤样本库中提取大量防震锤样本，然后采用机器学习***对大量防震锤样本进行机器学习；在机器学习的基础上，机器学习***根据图像中局部的直的轮廓识别出图像中的防震锤；若防震锤发生变形，则机器学习***通过直线拟合算法检测出图像中局部的直的轮廓变得弯曲，由此实现防震锤变形的检测。

综上所述的，本发明相比现有技术如下优点：

本发明通过引入具有人工智能意义的计算机视觉分析技术，使得现有的巡检***将具备人眼的识别和人脑的分析能力，通过视觉分析，监测分析输电线路上的金具变形等潜在威胁事件，从而对输电线路中的关键设备进行有效监测，对设备的可靠性达到实时预警，进一步增强配电网相关设备的状态检修和需求侧的管理水平，提高资产的利用率，降低事故发生率。

具体实施方式

下面结合实施例对本发明进行更详细的描述。

实施例1

一种基于LSD算法和机器学习的防震锤变形检测方法，采用如下步骤实现：

(1)通过无人机从输电线路(例如220KV输电线路)上拍摄大量图像，并将图像缩小为原来的80％，然后分别计算图像的每个像素点的梯度值和梯度幅值，计算公式表示如下：

公式(1)-(2)中：g_x(x，y)和g_y(x，y)分别表示像素点在X方向和Y方向上的梯度值；G(x，y)表示像素点的梯度幅值；i(x，y)是坐标中心像素点[i，j]的灰度值；

然后将梯度幅值最大的像素点作为种子点，对图像的每个像素点由小到大进行排序，由此得到排序列表；然后以排序列表中一个未使用的像素点作为种子点进行递归以进行区域增长，并对区域增长结果进行矩形估计，由此检测出图像中局部的直的轮廓；

(2)预先建立防震锤样本库，并从防震锤样本库中提取大量防震锤样本，然后采用机器学习***对大量防震锤样本进行机器学习；在机器学习的基础上，机器学习***根据图像中局部的直的轮廓识别出图像中的防震锤；若防震锤发生变形，则机器学习***通过直线拟合算法检测出图像中局部的直的轮廓变得弯曲，由此实现防震锤 变形的检测。

本实施例未述部分与现有技术相同。

Claims (1)

1.一种基于LSD算法和机器学习的防震锤变形检测方法，其特征在于：采用如下步骤实现：

(1)通过无人机从输电线路上拍摄大量图像，并将图像缩小为原来的80％，然后分别计算图像的每个像素点的梯度值和梯度幅值，计算公式表示如下：

$\begin{array}{c}{g}_x(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\\ g_y(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\end{array}---\left(1\right);$

$G_{(x,y)}=\sqrt{g_x^2(x+y)+g_y^2(x,y)}---\left(2\right);$

公式(1)-(2)中：g_x(x，y)和g_y(x，y)分别表示像素点在X方向和Y方向上的梯度值；G(x，y)表示像素点的梯度幅值；i(x，y)是坐标中心像素点[i，j]的灰度值；

然后将梯度幅值最大的像素点作为种子点，对图像的每个像素点由小到大进行排序，由此得到排序列表；然后以排序列表中一个未使用的像素点作为种子点进行递归以进行区域增长，并对区域增长结果进行矩形估计，由此检测出图像中局部的直的轮廓；

(2)预先建立防震锤样本库，并从防震锤样本库中提取大量防震锤样本，然后采用机器学习***对大量防震锤样本进行机器学习；在机器学习的基础上，机器学习***根据图像中局部的直的轮廓识别出图像中的防震锤；若防震锤发生变形，则机器学习***通过直线拟合算法检测出图像中局部的直的轮廓变得弯曲，由此实现防震锤变形的检测。