CN108665468B - 一种提取直线塔绝缘子串的装置及方法 - Google Patents
一种提取直线塔绝缘子串的装置及方法 Download PDFInfo
- Publication number
- CN108665468B CN108665468B CN201711105128.4A CN201711105128A CN108665468B CN 108665468 B CN108665468 B CN 108665468B CN 201711105128 A CN201711105128 A CN 201711105128A CN 108665468 B CN108665468 B CN 108665468B
- Authority
- CN
- China
- Prior art keywords
- image
- degrees
- insulator string
- gray
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种基于降维灰度纹理‑形状矩阵提取直线塔绝缘子串的装置及方法，包括以下模块：样本存储模块，用于存储各种型号绝缘子片的图像；无人机航拍模块，用于获得超高压输电线路上的直线塔绝缘子串彩色图像，边缘检测模块，用于对预处理后的图像进行边缘检测，生成初次处理图片；航拍图像细分模块，计算出每张小图片在能量、对比度、相关性、均匀度的值；通信对比模块，相应角度下对比地面样本库内的参考值与无人机航拍的实际值；绝缘子串定位模块，得到最终提取的直线塔绝缘子串图像。本发明能准确提取无人机航拍图像中超高压输电线路上的直线塔绝缘子串，为判断直线塔绝缘子串是否完整和识别绝缘子盘面是否存在缺陷打下技术基础。
Description
技术领域
本发明涉及无人机的技术领域，具体涉及一种应用于电力行业上的一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法。
背景技术
在我国的超高压输电线路维护中，绝缘子串性能不良是出现事故的重要原因，因绝缘子串断裂引起事故目前成为电力***最大的祸害。在电网设备上的绝缘子串由于长期暴露在自然环境下，服役期长后容易出现裂缝，污闪和爆裂等现象，这会严重影响电力***的正常运行。
目前国内外高压输变电线路杆塔上的绝缘子串的缺陷检测主要通过采集图像后，采用传统的人工肉眼观察的方法。人工检测具有很强的主观性，其检测率也会因人而异，影响了缺陷识别的效率。若及时地掌握服役中绝缘子串的运行状态，将会大大减少或避免电力***出现故障。传统的检查绝缘子串运行状态的方法是定期停电或带电人工检测，这些检测任务不仅需要人力高空作业，而且高空作业中存在的高空、高压、高温的现实条件是需要花费精力考虑的。
因此，输电线路维护采用无人机代替人工巡视，应用数字图像处理和模式识别的装置提取出绝缘子串图像，是现代化、智能化电网的迫切要求。
发明内容
本发明所要解决的技术问题是提供一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法，能够使无人机在巡视输电线路中，由其自带的摄影装置航拍到一系列直线塔的绝缘子串图像，然后通过降维灰度纹理-形状矩阵定位，提取出图像中直线塔的绝缘子串图像，为下一步判断直线塔的绝缘子串性能的好坏打下技术基础。
本发明采取的技术方案为：
一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，包括以下模块：
样本存储模块，用于存储各种型号绝缘子片的图像，每张图像都有第一象限内大小椭圆边缘点连线在0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，生成一个参考值；
无人机航拍模块，用于获得超高压输电线路上的直线塔绝缘子串彩色图像，并具备预处理功能；
边缘检测模块，用于对预处理后的图像进行边缘检测，检测出来的边缘线若是连接成一个矩形的则保留，把边缘线的位置标记，并显示到预处理后的图像中，去除未标记的图案，生成初次处理图片；
航拍图像细分模块，把初次处理图片分割成一块块小图片，同样把每张小图片同样本库里一样用两个椭圆处理，计算出每张小图片在第一象限0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到第一象限0°、 30°、45°、60°、90°下各一个实际值；
通信对比模块，相应角度下对比地面样本库内的参考值与无人机航拍的实际值，两者差距若在一定阈值范围内，则认为找到了航拍图像中绝缘子串的实际位置，把该位置标记；
绝缘子串定位模块，把标记的位置生成一幅二值图像，与原初次处理图像点乘，得到最终提取的直线塔绝缘子串图像。
本发明一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法，能准确提取无人机航拍图像中超高压输电线路上的直线塔绝缘子串，为判断直线塔绝缘子串是否完整和识别绝缘子盘面是否存在缺陷打下技术基础。
附图说明
图1为本发明的模块关系图。
其中：图1中样本存储模块1，无人机航拍模块2，边缘检测模块3，航拍图像细分模块4，通信对比模块5，绝缘子串定位模块6，无人机上装置7，地面端装置8。
图2为本发明的目标直线塔绝缘子串结构示意图。
其中：图2中切线L，绝缘子串本体9，杆塔构件10。
图3为本发明的样本绝缘子片图像处理示意图。
图4为本发明的航拍绝缘子串图像处理示意图。
其中：图3、4中O为坐标原点，m、n为航拍图像的边长，w为大小椭圆之间的间隔长。
样本绝缘子片边缘11，样本图12，小椭圆13，大椭圆14，实际绝缘子串15，m*n个网格16，航拍图像17。
图5为降维灰度纹理-形状矩阵在0°下的示意图。
图6为降维灰度纹理-形状矩阵在30°下的示意图。
图7为降维灰度纹理-形状矩阵在45°下的示意图。
图8为降维灰度纹理-形状矩阵在60°下的示意图。
图9为降维灰度纹理-形状矩阵在90°下的示意图。
具体实施方式
一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，包括以下模块，如图1 所示。
样本存储模块，用于存储各种型号绝缘子片的图像，每张图像都有第一象限内大小椭圆边缘点连线在0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，生成一个参考值。
无人机航拍模块，用于获得超高压输电线路上的直线塔绝缘子串彩色图像，并具备预处理功能。
边缘检测模块，用于对预处理后的图像进行边缘检测，检测出来的边缘线若是连接成一个矩形的则保留，把边缘线的位置标记，并显示到预处理后的图像中，去除未标记的图案，生成初次处理图片。
航拍图像细分模块，把初次处理图片分割成一块块小图片，同样把每张小图片同样本库里一样用两个椭圆处理，计算出每张小图片在第一象限0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到第一象限0°、 30°、45°、60°、90°下各一个实际值。
通信对比模块，相应角度下对比地面样本库内的参考值与无人机航拍的实际值，两者差距若在一定阈值范围内，则认为找到了航拍图像中绝缘子串的实际位置，把该位置标记。
绝缘子串定位模块，把标记的位置生成一幅二值图像，与原初次处理图像点乘，得到最终提取的直线塔绝缘子串图像。
所述样本存储模块，在生产商的设计资料中找到绝缘子串的型号，对不同型号的绝缘子片建立标准的样本库，对样本图像生成一种关于绝缘子片降维灰度纹理-形状矩阵。如图 3所示，它是在一定距离角度下拍摄出直线塔绝缘子串单片绝缘子的彩色图像，把图像色彩分析，对复合绝缘子和玻璃绝缘子的彩色图像进行不同的转换，变成灰度图像。然后用一个小椭圆覆盖住绝缘子片本体的一部分，另一个大椭圆形大于整个绝缘子片的大小，但两个椭圆的中心点和绝缘子片的中心点完全重合，然后保留两个椭圆边之间的灰度值，图 3所示的阴影区域，而把图像其它部分的灰度值置0，生成一幅特定样本的绝缘子片灰度图像，然后考虑这种形状得到该种特定灰度图像下的灰度共生矩阵即为降维灰度纹理-形状矩阵，利用这种矩阵(如图5-9所示)计算出在第一象限内大小椭圆边缘点连线的0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到在0°、30°、45°、60°、90°下各一个参考值。
具体的步骤如下所示：
步骤1.1，在生产商的设计资料中找到绝缘子串的型号，对不同型号的绝缘子片建立标准的样本库，然后建立超高压输电线路直线塔绝缘子串的图像库，这些图像库都有在不同距离和拍摄角度下的图像，且对这些直线塔绝缘子串图像可以随时查阅和备份；
步骤1.2，把样本的单片绝缘子图像色彩分析，通过长短半轴长设置两个不同大小的椭圆形，样本的绝缘子片是铅锤状态，它的盘面刚好是一个椭圆形状，故其长短半轴在图像中可以计算出来，这样用一个小于盘面半轴长的小椭圆覆盖住绝缘子片本体的一部分，另一个大椭圆形大于整个绝缘子片的大小，但两个椭圆的中心点和绝缘子片的中心点完全重合，大小椭圆边的间隔设为w，然后人为保留两个椭圆边之间的灰度值，而把图像其它部分的灰度值置0，生成一幅特定样本的绝缘子片灰度图像，这样就大大减少了图像的数据量；
步骤1.3，然后考虑这种形状得到该种特定灰度图像下的灰度共生矩阵即为降维灰度纹理-形状矩阵，利用这种矩阵计算出在0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到在0°、30°、45°、60°、90°下各一个参考值；
其中，对能量、对比度、相关性、均匀度定义如下：
①、能量：灰度共生矩阵元素值的平方和。能量值大表明一种较均一和规则变化的纹理模式。
其中i和j代表的是灰度共生矩阵P的坐标位置，L是图像的灰度级。
②、对比度：反映了图像的清晰度和纹理沟纹深浅的程度。
其中i、j、L意义同(1)式。
③、相关性：它度量空间共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。
其中i、j、L意义同(1)式。
④、均匀度：反映图像纹理的粗糙度，粗纹理的均匀度越大，细纹理的均匀度较小。
其中i、j、L意义同(1)式。
然后，对第一象限内大小椭圆边缘点连线的0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值进行权重分配，为q1、q2、q3、q4，分别乘以由式(1)、 (2)、(3)、(8)计算出来的能量、对比度、相关性、均匀度的值，然后累加，得到参考值。具体公式如下：
RV(θ)＝q1*ASM+q2*CON+q3*COR+q4*IDM (9)
其中，q1+q2+q3+q4＝1，θ可取0°、30°、45°、60°、90°。
所述无人机航拍模块，利用电力***无人机巡线过程中，用其自带超声波测距的云台定焦摄像机采集到一定距离下的超高压输电线路上直线塔绝缘子串的彩色图像，保证绝缘子串的位置是铅锤状态。但由于采集的彩色图像中的背景场所***，故对航拍图像进行预处理，包括色彩分析、滤波、直方图均衡化，这样就减小了图像的数据量，过滤了拍摄过程中产生的噪声，还增强了直线塔绝缘子串与图片中其它背景图案的对比度。
包括以下步骤：
步骤2.1，用其自带超声波测距的云台定焦摄像机采集到一定距离下的超高压输电线路上直线塔绝缘子串的彩色图像，其距离和样本库中拍摄的距离应一致，无人机与直线塔绝缘子串的距离由超声波确定；
步骤2.2，把图片色彩分析是建立灰度G(i)，i＝1，2与R、G、B三个颜色分量的对应，所谓的灰度图其实就是每一个像素颜色的各个分量的值都相等。
若是对于复合绝缘子，则利用式(10)进行转换。
G1＝R/(R+G+B) (10)
若是对于玻璃绝缘子，则利用式(11)进行转换。
式(10)、(11)中，R是表示的像素点颜色的红色分量，同理G，B分别表示绿色和蓝色分量，G表示该点转换后的灰度级别。最后，只需将该像素点RGB分量值都设为G 即可。以这个值表达图像的灰度值，从而转化成范围0到255的灰度图片。
步骤2.3，采用中值滤波，可以抑制随机噪声的同时不使边缘模糊，它的数学描述如下：如果S为像素(x0，y0)的领域集合，(x，y)表示S中的元素，f(x，y)表示(x，y) 点的灰度值，|S|表示集合S中元素的个数，Sort表示排序，则对(x0，y0)进行平滑可表示为：
中值滤波不是简单地取平均值，因此所产生的模糊比较少，matlab图像处理工具箱中提供了medfilt2函数用来实现数字图像的二维中值滤波处理。
步骤2.4，对中值滤波后的图像进行自适应直方图均衡化。增强绝缘子串与灰度图像中其它图案的对比度。其算法实现过程如下：
①给出原始图像的所有灰度级i，统计原始图像各灰度级的像素数ni；
②计算原始图像的直方图与累积直方图；
③用式(12)计算k值，
其中k'为比例系数，
为整幅图像的噪声方差，
为窗W内的灰度方差。
用式(13)
进行计算局部灰度值；其中xi,j和x'i,j表示变换前后的图像灰度值，mi,j表示为以xi,j为中心的窗邻域均值，T表示对xi,j的变换函数。
④用式(14)计算局部对比度，实现均衡化；
x'i,j＝mi,j+k(xi,j-mi,j) (15)
其中xi,j、x'i,j分布为变换前、后的中心象素，
为窗W内象素的平均灰值。
⑤用p(ti)＝ni/n计算新的直方图。
所述边缘检测模块，包括以下步骤：
对无人机航拍模块预处理后的图像进行边缘检测，边缘检测是检测出灰度图像的边缘线条，由于直线塔绝缘子串是铅锤状态，它本身图案左右上下边缘点的切线，刚好应该组成一个矩形框架，如图3所示，找到有这样矩形框架的位置并标记，并显示到预处理后的图像中，只保留标记矩形框内部的图案，去除其它部分的图案，生成初次处理图像。
边缘检测‘canny’算子，其实现检测图像边缘的步骤与方法如下：
a.用高斯滤波器平滑图像。
b.计算滤波后图像梯度的幅值和方向。
c.对梯度幅值应用非极大值抑制，其过程为找出图像梯度中的局部极大值点，把其他非局部极大值置零，以得到细化的边缘。
d.再用双阈值算法检测和连接边缘。
这里采用双阈值法进行边缘判别，凡是边缘强度大于高阈值的一定是边缘点，小于低阈值的一定不是边缘点，如果边缘强度大于低阈值但又小于高阈值，则看这个像素的邻接像素中有没有超过高阈值的边缘点，如果有，它就是边缘点；如果没有，它就不是边缘点。
然后求边缘点的切线，若存在垂直和水平的切线，则保留，并把水平和垂直的切线内部的所有位置标记，并显示到预处理后的图像中，只保留标记矩形框内部的图案，去除其它部分的图案，生成初次处理图像。
所述航拍图像细分模块，对边缘检测模块生成的初次处理图像划分成为m×n的小图片，如图4所示，同样把m*n幅小图片同样本库里一样用两个椭圆处理，计算出每张小图片在大小椭圆边缘连线下的0°、30°、45°、60°、90°下的降维灰度纹理-形状矩阵，如图 5-9所示，并得到m*n幅小图片的能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到第一象限内大小椭圆边缘点连线0°、30°、45°、60°、90°下四个特征量组合的实际值，并按照图片编号的顺序把0°、30°、45°、60°、90°角度下的实际值存放在A、B、C、D、E五个矩阵中。
具体的步骤如下：
步骤4.1，利用matlab软件把灰度图像分成m×n的小图片，并对大小椭圆边缘点连线0°、30°、45°、60°、90°的角度计算出m*n幅小图片各自的降维灰度纹理-形状矩阵，该矩阵的计算方法与步骤1样本绝缘子的生成矩阵方法相同，由此得到了四个不同角度下的降维灰度纹理-形状矩阵；
步骤4.2，按照式(1)、(2)、(3)、(8)计算出来的能量、对比度、相关性、均匀度的值；
步骤4.3，同样按照式(9)方法算出每张小图片在五个角度下的实际值，并将值按照图片编号的顺序把0°、30°、45°、60°、90°角度下的实际值存放在A、B、C、D、E 五个矩阵中。
所述通信对比模块，包括以下步骤：
在0°、30°、45°、60°、90°五个相应角度下对比参考值与实际值，如式(16) 进行作差求绝对值，两者差距若在一定阈值Ti，i＝1，2，3，4，5范围内，则认为是可能存在直线塔绝缘子串的区域，并标记出区域位置；
|RV(0°)-A|≤T1
|RV(30°)-B|≤T2
|RV(45°)-C|≤T3
|RV(60°)-D|≤T4
|RV(90°)-E|≤T5
(16) 所述绝缘子串定位模块，包括以下步骤：
对通信对比模块得到的标记位置加以利用，生成一幅标记二值图像，与边缘检测模块的初次处理图像点乘，这样就去除了其它背景区域的干扰，得到最终提取的直线塔绝缘子串图像。
Claims (8)
1.一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，其特征在于包括以下模块：
样本存储模块，用于存储各种型号绝缘子片的图像，每张图像都有第一象限内大小椭圆边缘点连线在0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，生成一个参考值；
无人机航拍模块，用于获得超高压输电线路上的直线塔绝缘子串彩色图像，并具备预处理功能；
边缘检测模块，用于对预处理后的图像进行边缘检测，检测出来的边缘线若是连接成一个矩形的则保留，把边缘线的位置标记，并显示到预处理后的图像中，去除未标记的图案，生成初次处理图片；
航拍图像细分模块，把初次处理图片分割成一块块小图片，同样把每张小图片同样本库里一样用两个椭圆处理，计算出每张小图片在第一象限0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到第一象限0°、30°、45°、60°、90°下各一个实际值；
通信对比模块，相应角度下对比地面样本库内的参考值与无人机航拍的实际值，两者差距若在一定阈值范围内，则认为找到了航拍图像中绝缘子串的实际位置，把该位置标记；
绝缘子串定位模块，把标记的位置生成一幅二值图像，与原初次处理图像点乘，得到最终提取的直线塔绝缘子串图像。
2.根据权利要求1所述一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，其特征在于：所述样本存储模块，包括以下步骤：
步骤1.1，在生产商的设计资料中找到绝缘子串的型号，对不同型号的绝缘子片建立标准的样本库，然后建立超高压输电线路直线塔绝缘子串的图像库，这些图像库都有在不同距离和拍摄角度下的图像，且对这些直线塔绝缘子串图像可以随时查阅和备份；
步骤1.2，把样本的单片绝缘子图像色彩分析，通过长短半轴长设置两个不同大小的椭圆形，样本的绝缘子片是铅锤状态，它的盘面刚好是一个椭圆形状，故其长短半轴在图像中可以计算出来，这样用一个小于盘面半轴长的小椭圆覆盖住绝缘子片本体的一部分，另一个大椭圆形大于整个绝缘子片的大小，但两个椭圆的中心点和绝缘子片的中心点完全重合，大小椭圆边的间隔设为w，然后人为保留两个椭圆边之间的灰度值，而把图像其它部分的灰度值置0，生成一幅特定样本的绝缘子片灰度图像，这样就大大减少了图像的数据量；
步骤1.3，然后考虑这种形状得到该种特定灰度图像下的灰度共生矩阵即为降维灰度纹理-形状矩阵，利用这种矩阵计算出在0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到在0°、30°、45°、60°、90°下各一个参考值；
其中，对能量、对比度、相关性、均匀度定义如下：
①、能量：灰度共生矩阵元素值的平方和；能量值大表明一种较均一和规则变化的纹理模式；
其中i和j代表的是灰度共生矩阵P的坐标位置，L是图像的灰度级；
②、对比度：反映了图像的清晰度和纹理沟纹深浅的程度；
其中i、j、L意义同(1)式；
③、相关性：它度量空间共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性；
其中i、j、L意义同(1)式；
④、均匀度：反映图像纹理的粗糙度，粗纹理的均匀度越大，细纹理的均匀度较小；
其中i、j、L意义同(1)式；
然后，对第一象限内大小椭圆边缘点连线的0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值进行权重分配，为q1、q2、q3、q4，分别乘以由式(1)、(2)、(3)、(8)计算出来的能量、对比度、相关性、均匀度的值，然后累加，得到参考值；具体公式如下：
RV(θ)＝q1*ASM+q2*CON+q3*COR+q4*IDM (9)
其中，q1+q2+q3+q4＝1，θ可取0°、30°、45°、60°、90°。
3.根据权利要求1所述一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，其特征在于：所述无人机航拍模块，包括以下步骤：
步骤2.1，用其自带超声波测距的云台定焦摄像机采集到一定距离下的超高压输电线路上直线塔绝缘子串的彩色图像，其距离和样本库中拍摄的距离应一致，无人机与直线塔绝缘子串的距离由超声波确定；
步骤2.2，把图片色彩分析是建立灰度G(i)，i＝1，2与R、G、B三个颜色分量的对应，所谓的灰度图其实就是每一个像素颜色的各个分量的值都相等；
若是对于复合绝缘子，则利用式(10)进行转换；
G1＝R/(R+G+B) (10)
若是对于玻璃绝缘子，则利用式(11)进行转换；
式(10)、(11)中，R是表示的像素点颜色的红色分量，同理G，B分别表示绿色和蓝色分量，G表示该点转换后的灰度级别；最后，只需将该像素点RGB分量值都设为G即可；以这个值表达图像的灰度值，从而转化成范围0到255的灰度图片；
步骤2.3，采用中值滤波，可以抑制随机噪声的同时不使边缘模糊，它的数学描述如下：如果S为像素(x0，y0)的领域集合，(x，y)表示S中的元素，f(x，y)表示(x，y)点的灰度值，|S|表示集合S中元素的个数，Sort表示排序，则对(x0，y0)进行平滑可表示为：
中值滤波不是简单地取平均值，因此所产生的模糊比较少，matlab图像处理工具箱中提供了medfilt2函数用来实现数字图像的二维中值滤波处理；
步骤2.4，对中值滤波后的图像进行自适应直方图均衡化；增强绝缘子串与灰度图像中其它图案的对比度；其算法实现过程如下：
①给出原始图像的所有灰度级i，统计原始图像各灰度级的像素数ni；
②计算原始图像的直方图与累积直方图；
③用式(12)计算k值，
其中k'为比例系数，
为整幅图像的噪声方差，
为窗W内的灰度方差；
用式(13)
进行计算局部灰度值；其中xi,j和x′i,j表示变换前后的图像灰度值，mi,j表示为以xi,j为中心的窗邻域均值，T表示对xi,j的变换函数；
④用式(14)计算局部对比度，实现均衡化；
x′i,j＝mi,j+k(xi,j-mi,j) (15)
其中xi,j、x′i,j分布为变换前、后的中心象素，
为窗W内象素的平均灰值；
⑤用p(ti)＝ni/n计算新的直方图。
4.根据权利要求1所述一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，其特征在于：所述边缘检测模块，包括以下步骤：
对无人机航拍模块预处理后的图像进行边缘检测，边缘检测是检测出灰度图像的边缘线条，由于直线塔绝缘子串是铅锤状态，它本身图案左右上下边缘点的切线，刚好应该组成一个矩形框架，找到有这样矩形框架的位置并标记，并显示到预处理后的图像中，只保留标记矩形框内部的图案，去除其它部分的图案，生成初次处理图像；
边缘检测‘canny’算子，其实现检测图像边缘的步骤与方法如下：
a.用高斯滤波器平滑图像；
b.计算滤波后图像梯度的幅值和方向；
c.对梯度幅值应用非极大值抑制，其过程为找出图像梯度中的局部极大值点，把其他非局部极大值置零，以得到细化的边缘；
d.再用双阈值算法检测和连接边缘；
这里采用双阈值法进行边缘判别，凡是边缘强度大于高阈值的一定是边缘点，小于低阈值的一定不是边缘点，如果边缘强度大于低阈值但又小于高阈值，则看这个像素的邻接像素中有没有超过高阈值的边缘点，如果有，它就是边缘点；如果没有，它就不是边缘点；
然后求边缘点的切线，若存在垂直和水平的切线，则保留，并把水平和垂直的切线内部的所有位置标记，并显示到预处理后的图像中，只保留标记矩形框内部的图案，去除其它部分的图案，生成初次处理图像。
5.根据权利要求1所述一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，其特征在于：所述航拍图像细分模块，包括以下步骤：
步骤4.1，利用matlab软件把灰度图像分成m×n的小图片，并对大小椭圆边缘点连线0°、30°、45°、60°、90°的角度计算出m*n幅小图片各自的降维灰度纹理-形状矩阵，该矩阵的计算方法与步骤1样本绝缘子的生成矩阵方法相同，由此得到了四个不同角度下的降维灰度纹理-形状矩阵；
步骤4.2，按照式(1)、(2)、(3)、(8)计算出来的能量、对比度、相关性、均匀度的值；
步骤4.3，同样按照式(9)方法算出每张小图片在五个角度下的实际值，并将值按照图片编号的顺序把0°、30°、45°、60°、90°角度下的实际值存放在A、B、C、D、E五个矩阵中。
6.根据权利要求1所述一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，其特征在于：所述通信对比模块，包括以下步骤：
在0°、30°、45°、60°、90°五个相应角度下对比参考值与实际值，如式(16)进行作差求绝对值，两者差距若在一定阈值Ti，i＝1，2，3，4，5范围内，则认为是可能存在直线塔绝缘子串的区域，并标记出区域位置；
7.根据权利要求1所述一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置，其特征在于：所述绝缘子串定位模块，包括以下步骤：
对通信对比模块得到的标记位置加以利用，生成一幅标记二值图像，与边缘检测模块的初次处理图像点乘，这样就去除了其它背景区域的干扰，得到最终提取的直线塔绝缘子串图像。
8.一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的方法，其特征在于：
步骤1：在生产商的设计资料中找到绝缘子串的型号，对不同型号的绝缘子片建立标准的样本库，对样本图像生成一种降维灰度纹理-形状矩阵及参考值的过程如下：
在一定距离角度下拍摄出直线塔绝缘子串单片绝缘子的彩色图像，把图像色彩分析，用一个小椭圆覆盖住绝缘子片本体的一部分，另一个大椭圆形大于整个绝缘子片的大小，但两个椭圆的中心点和绝缘子片的中心点完全重合，然后保留两个椭圆边之间的灰度值，而把图像其它部分的灰度值置0，生成一幅特定样本的绝缘子片灰度图像，然后考虑这种形状得到该种特定灰度图像下的灰度共生矩阵即为降维灰度纹理-形状矩阵，利用这种矩阵计算出在第一象限内大小椭圆边缘点连线在0°、30°、45°、60°、90°下能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到在0°、30°、45°、60°、90°下各一个参考值；
步骤2：利用电力***无人机巡线过程中，用其自带超声波测距的云台定焦摄像机采集到一定距离下的超高压输电线路上直线塔绝缘子串的彩色图像，保证绝缘子串的位置是铅锤状态；但由于采集的彩色图像中的背景场所***，故对航拍图像进行预处理，包括色彩分析、滤波、直方图均衡化，这样就减小了图像的数据量，过滤了拍摄过程中产生的噪声，还增强了直线塔绝缘子串与图片中其它背景图案的对比度；
步骤3：对步骤2预处理后的图像进行边缘检测，边缘检测是检测出灰度图像的边缘线条，由于直线塔绝缘子串是铅锤状态，它本身图案左右上下边缘点的切线，刚好应该组成一个矩形框架，找到有这样矩形框架的位置并标记，并显示到预处理后的图像中，只保留标记矩形框内部的图案，去除其它部分的图案，生成初次处理图像；
步骤4：对步骤3生成的初次处理图像划分成为m×n的小图片，同样把m*n幅小图片同样本库里一样用两个椭圆处理，计算出每张小图片在第一象限的0°、30°、45°、60°、90°下的降维灰度纹理-形状矩阵，并得到m*n幅小图片的能量、对比度、相关性、均匀度的值，并分配四个特征值一定的权值，得到0°、30°、45°、60°、90°下各一个实际值，并按照图片编号的顺序把0°、30°、45°、60°、90°角度下的实际值存放在A、B、C、D、E五个矩阵中；
步骤5：五个相应角度下对比参考值与实际值，进行作差求绝对值，两者差距若在一定阈值范围内，则认为是可能存在直线塔绝缘子串的区域，并标记出区域位置；
步骤6：对步骤5得到的标记位置加以利用，生成一幅标记二值图像，与步骤3的初次处理图像点乘，这样就去除了其它背景区域的干扰，得到最终提取的直线塔绝缘子串图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711105128.4A CN108665468B (zh) | 2017-11-10 | 2017-11-10 | 一种提取直线塔绝缘子串的装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711105128.4A CN108665468B (zh) | 2017-11-10 | 2017-11-10 | 一种提取直线塔绝缘子串的装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108665468A CN108665468A (zh) | 2018-10-16 |
| CN108665468B true CN108665468B (zh) | 2021-05-14 |
Family
ID=63785013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711105128.4A Active CN108665468B (zh) | 2017-11-10 | 2017-11-10 | 一种提取直线塔绝缘子串的装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665468B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378921B (zh) * | 2019-07-22 | 2023-03-14 | 江苏海洋大学 | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 |
| CN111539954B (zh) * | 2020-05-25 | 2024-01-23 | 国网湖南省电力有限公司 | 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、***及介质 |
| CN111984034A (zh) * | 2020-08-24 | 2020-11-24 | 广东电网有限责任公司 | 一种无人机电力巡线*** |
| CN112991432A (zh) * | 2021-04-15 | 2021-06-18 | 重庆大学 | 基于图像处理的覆冰冰形识别方法 |
| CN117969548A (zh) * | 2024-02-01 | 2024-05-03 | 余姚启望五金有限公司 | 用于配电电网的绝缘子的表面材料均匀分析*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| CN103529362A (zh) * | 2013-10-28 | 2014-01-22 | 国家电网公司 | 基于感知的绝缘子识别与缺陷诊断方法 |
| CN105427316A (zh) * | 2015-11-25 | 2016-03-23 | 国网吉林省电力有限公司电力科学研究院 | 一种输电线路可见光图像中绝缘子单盘面提取方法 |
| US9555264B1 (en) * | 2011-02-15 | 2017-01-31 | Velayudhan Sahadevan | MEMS based parallel microbeam radiosurgery without adaptive resistance to radiation |
| CN106570853A (zh) * | 2015-10-08 | 2017-04-19 | 上海深邃智能科技有限公司 | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 |
-
2017
- 2017-11-10 CN CN201711105128.4A patent/CN108665468B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9555264B1 (en) * | 2011-02-15 | 2017-01-31 | Velayudhan Sahadevan | MEMS based parallel microbeam radiosurgery without adaptive resistance to radiation |
| CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| CN103529362A (zh) * | 2013-10-28 | 2014-01-22 | 国家电网公司 | 基于感知的绝缘子识别与缺陷诊断方法 |
| CN106570853A (zh) * | 2015-10-08 | 2017-04-19 | 上海深邃智能科技有限公司 | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 |
| CN105427316A (zh) * | 2015-11-25 | 2016-03-23 | 国网吉林省电力有限公司电力科学研究院 | 一种输电线路可见光图像中绝缘子单盘面提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《A Texture Segmentation Algorithm Based on PCA and Global Minimization Active Contour Model for Aerial Insulator Images》;Qinggang Wu等;《 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20121031;第5卷(第5期);全文 * |
| 《一种基于多特征的绝缘子识别方法》;于兰英 等;《电瓷避雷器》;20160630;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108665468A (zh) | 2018-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
| CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
| CN105279372B (zh) | 一种确定建筑物高度的方法和装置 | |
| CN104483326B (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及*** | |
| CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
| CN108416771A (zh) | 一种基于单目相机的金属材料锈蚀面积检测方法 | |
| CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
| CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| CN111292321B (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
| CN106595500A (zh) | 基于无人机双目视觉的输电线路覆冰厚度测量方法 | |
| CN110110131B (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
| CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
| CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
| CN112529875A (zh) | 一种基于人工智能的光伏组件玻璃爆裂预警方法及*** | |
| CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| CN112102395B (zh) | 一种基于机器视觉的自主巡检的方法 | |
| CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
| CN111220619B (zh) | 一种绝缘子自爆检测方法 | |
| CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
| CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
| CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
| CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
| CN109671084B (zh) | 一种工件形状的测量方法 | |
| CN113947724A (zh) | 一种基于双目视觉的线路覆冰厚度自动测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181016 Assignee: Yichang Yizhixing Technology Co.,Ltd. Assignor: CHINA THREE GORGES University Contract record no.: X2023980034895 Denomination of invention: A device and method for extracting insulator strings from linear towers Granted publication date: 20210514 License type: Common License Record date: 20230426 |