CN108734709B - 一种绝缘子凸缘形状参数识别与破坏检测方法 - Google Patents
一种绝缘子凸缘形状参数识别与破坏检测方法 Download PDFInfo
- Publication number
- CN108734709B CN108734709B CN201810533013.3A CN201810533013A CN108734709B CN 108734709 B CN108734709 B CN 108734709B CN 201810533013 A CN201810533013 A CN 201810533013A CN 108734709 B CN108734709 B CN 108734709B
- Authority
- CN
- China
- Prior art keywords
- flange
- insulator
- area
- circularity
- region
- 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 75
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000007547 defect Effects 0.000 claims abstract description 15
- 230000002950 deficient Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000009434 installation Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种绝缘子凸缘形状参数识别与破坏检测方法具体如下:步骤1:根据绝缘子串的位置调整摄像机的安装位置和拍摄角度;对采集到的现场绝缘子图像进行直方图均衡化、分割、滤波、连通域标记处理,最终得到绝缘子凸缘区域;步骤2:通过分析绝缘子完好凸缘和缺损凸缘在图像中的特征,提取凸缘区域的周长C、面积A、相对圆心距离d、圆形度e四个形状特征作为凸缘缺陷检测的特征参数,进一步确定绝缘子是否存在破损;步骤3:构建绝缘子凸缘破坏检测模型,将步骤2中得到的四个特征参数作为输入,凸缘完好/存在缺陷作为输出,训练并测试模型,最终实现绝缘子凸缘破坏的检测与识别。本方法能够实现绝缘子凸缘破坏的非接触、在线监测。
Description
技术领域
本发明属于输电线路图像处理技术领域,具体涉及一种绝缘子凸缘形状参数识别与破坏检测方法。
背景技术
随着经济的迅猛发展,电力需求也逐渐增大,高压和超高压架空电力线成为长距离输配电的主要方式,其安全稳定运行是我国经济建设的重要保障。绝缘子在高压输电线路中占有重要的地位: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,其工作状态直接关系到整个电力***的正常运行。绝缘子在运行过程中不仅承受着工作电压和各种过电压的作用,还承受着绝缘子自重、导线重量、风力、机械力以及气候变化和化学物质的腐蚀,工作条件恶劣,极易发生龟裂、裙边缺损、凸缘缺损、球头锈蚀等各种故障。局部的凸缘缺损虽然不一定会引起事故,但由于会扩展成龟裂,所以应及时发现更换为好。但目前的凸缘破坏主要依靠人工检测,存在安全性差、耗时耗力等问题,因此亟需提出一种智能化的绝缘子凸缘缺陷检测技术。
发明内容
本发明的目的是提供一种绝缘子凸缘形状参数识别与破坏检测方法,能够建立绝缘子凸缘破坏检测模型,并将通过图像处理技术提取得到的绝缘子凸缘的周长、面积、相对圆心距离、圆形度等特征参数作为输入,最终输出绝缘子凸缘的完损情况,实现凸缘破坏的非接触、在线监测。
本发明所采用的技术方案是,一种绝缘子凸缘形状参数识别与破坏检测方法,具体按照以下步骤实施:
步骤1:根据绝缘子串的位置调整摄像机的安装位置和拍摄角度;对采集到的现场绝缘子图像进行直方图均衡化、分割、滤波、连通域标记处理,最终得到绝缘子凸缘区域;
步骤2:通过分析绝缘子完好凸缘和缺损凸缘在图像中的特征,提取凸缘区域的周长C、面积A、相对圆心距离d、圆形度e四个形状特征作为凸缘缺陷检测的特征参数,进一步确定绝缘子是否存在破损;
步骤3:构建绝缘子凸缘破坏检测模型,将步骤2中得到的四个特征参数作为输入,凸缘完好/存在缺陷作为输出,训练并测试模型,最终实现绝缘子凸缘破坏的检测与识别。
本发明的特点还在于,
步骤1按照以下步骤实施:
步骤1.1:限制对比度自适应直方图均衡化算法增强图像;
步骤1.2:最大类间方差法提取绝缘子区域;
步骤1.3:采用形态学、高斯滤波去除噪声并通过连通域标记法筛选出绝缘子的凸缘区域。
步骤1.1按照以下步骤实施:
步骤1.1.1,将绝缘子图像划分为若干子块,计算每个子块的直方图并用预先定义的阈值裁剪直方图;假设直方图中灰度级个数为F,裁剪值为limit,求直方图中高于该值的部分excess并假设将其均分给所有灰度级,求出直方图整体上升的高度excess/F;以upper=limit-excess/F为界限,若幅值高于limit直接置为limit,幅值处于upper和limit之间将其填补至limit,幅值低于upper直接补excess/F个像素点;
步骤1.1.2,假定子块大小为N×N,第j个子块的局部累积分布函数为CDF(j),CDF(j)的导数为局部直方图,则局部映射函数为:
利用插值运算,即每个像素点处的值由它周围四个子块的映射函数值进行双线性插值得到,边界点除外。
步骤2中,所述周长C、面积A、相对圆心距离d、圆形度e的具体计算方法如下:
(1)周长C:连通区域边界上所有像素点的像素之和即为周长;
(2)面积A:矩不变量是指当图像中目标物体的位置发生了平移、旋转或比例变换后,仍然保持不变的特征量。连通域中像素(x,y)的p+q阶矩表示为:
(4)圆形度e:指基于区域面积和周长而计算得到的有关区域形状的特征量,用来描述目标区域与圆形的接近程度;基于(1)和(2)中计算得到的周长C和面积A,可得到圆形度e的计算公式:
e的取值范围在0-1之间,圆形的圆形度为1,其余形状的圆形度都小于1,连通域形状越接近圆e值就越大。
步骤3中,构建的绝缘子凸缘破坏检测模型为卷积神经网络,其输入层包含4个神经元,输入分别为周长、面积、相对圆心距离和圆形度,输出为0或1,凸缘完好输出0,存在缺陷输出1。
本发明的有益效果是:通过图像增强、分割等步骤提取绝缘子凸缘区域的周长、面积、相对圆心距离、圆形度等形状特征,建立绝缘子凸缘破坏检测模型并将这些特征参数作为输入,最终输出绝缘子凸缘的完损情况,实现凸缘破坏的非接触、在线监测。
附图说明
图1是本发明一种绝缘子凸缘形状参数识别与破坏检测方法的流程图;
图2是本发明直方图均衡化分块示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种绝缘子凸缘形状参数识别与破坏检测方法,如图1所示,具体按照以下步骤实施:
步骤1:绝缘子凸缘分布在绝缘子的下表面,因此需要根据绝缘子串的位置调整摄像机的安装位置和拍摄角度。对采集到的现场绝缘子图像进行直方图均衡化、分割、滤波、连通域标记等处理,最终得到绝缘子凸缘区域。
步骤1.1:本发明采用限制对比度自适应直方图均衡化(CLAHE,Contrast LimitedAdaptive Histogram Equalization)算法增强图像中目标像素与背景像素的对比度,具体步骤为:
步骤1.1.1,将绝缘子图像划分为若干子块,计算每个子块的直方图并用预先定义的阈值裁剪直方图。假设直方图中灰度级个数为F,裁剪值为limit,求直方图中高于该值的部分excess并假设将其均分给所有灰度级,求出直方图整体上升的高度excess/F。以upper=limit-excess/F为界限,若幅值高于limit直接置为limit,幅值处于upper和limit之间将其填补至limit,幅值低于upper直接补excess/F个像素点;
步骤1.1.2,假定子块大小为N×N,第j个子块的局部累积分布函数为CDF(j)(CDF(j)的导数为局部直方图),则局部映射函数为:
若每个子块中的像素点仅通过该块的局部映射函数进行变换,则会导致块状效应,因此我们利用插值运算,即每个像素点处的值由它周围四个子块的映射函数值进行双线性插值得到(边界点除外)。图2以4×4子块为例,图像左上角、左下角、右上角和右下角的四个子块中心像素点围成一个虚线四边形,边界像素点是指落在四边形之外的像素点。对虚线四边形内的像素点以它周围四个子块做映射变换并双线性插值,对于虚线四边形外的像素点,阴影像素点直接以一个子块做映射变换,其余像素点以两个子块做映射变换并线性插值,分别计算得到图像中每个子块的映射函数。
步骤1.2:图像区域可以大致分为绝缘子区域和非绝缘子区域(背景区域),本发明采用最大类间方差分割法分割图像。假设图像中有L个灰度级,通过一个灰度级门限s将像素点分为C0和C1两类,C0表示灰度级为1到s的像素点,C1表示灰度级为s到L的像素点,两类出现的概率分别为:
式中Pi表示灰度级为i的像素点出现的概率。两类的平均灰度级为:
最佳门限s*:
将图像中所有灰度值与s*进行比较,将小于s*的像素置为0(黑色),剩余像素置为255(白色)即可得到绝缘子的二值图像。
步骤1.3:采用形态学闭运算消除图像内部的局部空穴,并采用高斯滤波进一步去除图像中的无关信息,保证后续算法的准确性。得到目标区域由若干个相互连通的像素结合构成。本发明采用8连通域标记法进行标记,8连通包括指与中心点像素存在公共顶角的上、下、左、右和对角线像素,标记完成后筛选得到绝缘子的凸缘区域。
步骤2:通过分析绝缘子完好凸缘和缺损凸缘在图像中的特征,提取凸缘区域的周长C、面积A、相对圆心距离d、圆形度e四个形状特征作为凸缘缺陷检测的特征参数,进一步确定绝缘子是否存在破损;
绝缘子凸缘实际呈同心圆状分布在绝缘子下表面,但由于绝缘子现场安装位置、拍摄角度等因素的影响,摄像机不可能刚好拍摄到绝缘子正下方的图像,因此凸缘区域在图像中一般呈同心椭圆状分布。通过分析绝缘子图像可以发现,完好的绝缘子凸缘为一个连续的椭圆,周长和面积最大且只存在一个周长值和一个面积值,椭圆的质心和圆心位置重合(相对圆心距离为0),圆形度小于1;但当凸缘存在缺损时,就会打破原本持续的椭圆,一个连通域就会被分为两个甚至更多,周长和面积会相应减小且个数随之增多,质心位置发生偏离,破损部分的圆形度要大于凸缘其他区域的圆形度。因此通过分析与实验,最终选取周长、面积、相对圆心距离、圆形度四个形状特征作为缺陷检测的特征参数,具体计算方法如下:
(1)周长C:连通区域边界上所有像素点的像素之和即为周长。
(2)面积A:矩不变量是指当图像中目标物体的位置发生了平移、旋转或比例变换后,仍然保持不变的特征量。连通域中像素(x,y)的p+q阶矩表示为:
(4)圆形度e:指基于区域面积和周长而计算得到的有关区域形状的特征量,通常用来描述目标区域与圆形的接近程度。基于(1)和(2)中计算得到的周长C和面积A,可得到圆形度e的计算公式:
e的取值范围在0-1之间,圆形的圆形度为1,其余形状的圆形度都小于1,连通域形状越接近圆e值就越大。
步骤3:构建绝缘子凸缘破坏检测模型,将步骤2中得到的四个特征参数作为输入,凸缘完好/存在缺陷作为输出,训练并测试模型,最终实现绝缘子凸缘破坏的检测与识别。
在相对简单的情况下,使用步骤2中得到的四个特征参数之一或利用线性方法就可以判断出绝缘子凸缘是否存在破损。但在实际应用中,凸缘破损情况多样,仅仅通过一个特征判断绝缘子的完损情况具有一定的局限性,要想精准地判别出绝缘子凸缘是否存在破损,就要将这四种特征组合起来进行综合判断,即建立一个识别模型。卷积神经网络是一种前馈神经网络,由于其局部权值共享的特殊结构,使其在语音识别和图像处理等方面有着独特的优越性。基本结构包括两层:特征提取层,每个神经元的输入与前一层的局部接受域相连并提取该局部特征;特征映射层,每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等且共享,因而减少了网络自由参数的个数。因此本发明采用卷积神经网络作为绝缘子凸缘破坏的检测模型,其输入层包含4个神经元,输入分别为周长、面积、相对圆心距离和圆形度,输出为0或1,凸缘完好输出0,存在缺陷输出1。选取多幅绝缘子图像通过步骤1和2提取得到所需的四个特征参数,将所得数据以2:1的比例进行网络训练与测试,输出相应的识别结果并与实际情况进行对比,判断模型的准确性。
Claims (1)
1.一种绝缘子凸缘形状参数识别与破坏检测方法,其特征在于,具体按照以下步骤实施:
步骤1:根据绝缘子串的位置调整摄像机的安装位置和拍摄角度;对采集到的现场绝缘子图像进行直方图均衡化、分割、滤波、连通域标记处理,最终得到绝缘子凸缘区域;
步骤2:通过分析绝缘子完好凸缘和缺损凸缘在图像中的特征,提取凸缘区域的周长C、面积A、相对圆心距离d、圆形度e四个形状特征作为凸缘缺陷检测的特征参数,进一步确定绝缘子是否存在破损;
步骤3:构建绝缘子凸缘破坏检测模型,将步骤2中得到的四个特征参数作为输入,将凸缘完好或存在缺陷作为输出,训练并测试模型,最终实现绝缘子凸缘破坏的检测与识别;
所述步骤1按照以下步骤实施:
步骤1.1:限制对比度自适应直方图均衡化算法增强图像;
步骤1.2:最大类间方差法提取绝缘子区域;
步骤1.3:采用形态学、高斯滤波去除噪声并通过连通域标记法筛选出绝缘子的凸缘区域;
步骤1.1按照以下步骤实施:
步骤1.1.1,将绝缘子图像划分为若干子块,计算每个子块的直方图并用预先定义的阈值裁剪直方图;假设直方图中灰度级个数为F,裁剪值为limit,求直方图中高于该值的部分excess并假设将其均分给所有灰度级,求出直方图整体上升的高度excess/F;以upper=limit-excess/F为界限,若幅值高于limit直接置为limit,幅值处于upper和limit之间将其填补至limit,幅值低于upper直接补excess/F个像素点;
步骤1.1.2,假定子块大小为N×N,第j个子块的局部累积分布函数为CDF(j),CDF(j)的导数为局部直方图,则局部映射函数为:
利用插值运算,即每个像素点处的值由它周围四个子块的映射函数值进行双线性插值得到,边界点除外;
步骤2中,所述周长C、面积A、相对圆心距离d、圆形度e的具体计算方法如下:
(1)周长C:连通区域边界上所有像素点的像素之和即为周长;
(2)面积A:矩不变量是指当图像中目标物体的位置发生了平移、旋转或比例变换后,仍然保持不变的特征量;连通域中像素(x,y)的p+q阶矩表示为:
(4)圆形度e:指基于区域面积和周长而计算得到的有关区域形状的特征量,用来描述目标区域与圆形的接近程度;基于(1)和(2)中计算得到的周长C和面积A,可得到圆形度e的计算公式:
e的取值范围在0-1之间,圆形的圆形度为1,其余形状的圆形度都小于1,连通域形状越接近圆e值就越大;
步骤3中,构建的绝缘子凸缘破坏检测模型为卷积神经网络,其输入层包含4个神经元,输入分别为周长、面积、相对圆心距离和圆形度,输出为0或1,凸缘完好输出0,存在缺陷输出1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533013.3A CN108734709B (zh) | 2018-05-29 | 2018-05-29 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533013.3A CN108734709B (zh) | 2018-05-29 | 2018-05-29 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734709A CN108734709A (zh) | 2018-11-02 |
CN108734709B true CN108734709B (zh) | 2022-03-25 |
Family
ID=63936629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810533013.3A Active CN108734709B (zh) | 2018-05-29 | 2018-05-29 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734709B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062919B (zh) * | 2019-12-12 | 2023-11-03 | 苏州韦士肯检测科技有限公司 | 一种轴承套圈外观缺陷检测方法 |
CN111289853A (zh) * | 2020-02-25 | 2020-06-16 | 安徽炬视科技有限公司 | 一种基于通道-空间注意力机制的绝缘子检测***及算法 |
CN113643234B (zh) * | 2021-07-05 | 2024-05-17 | 华北电力大学 | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300323A (zh) * | 2015-11-18 | 2016-02-03 | 江苏省电力公司连云港供电公司 | 绝缘子rtv涂层脱落面积检测方法及检测装置 |
CN105957081A (zh) * | 2016-04-28 | 2016-09-21 | 华北电力大学(保定) | 一种玻璃绝缘子掉串故障检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101113145B1 (ko) * | 2007-04-05 | 2012-03-13 | 후지쯔 세미컨덕터 가부시키가이샤 | 표면 형상 센서와 그 제조 방법 |
CN105740844A (zh) * | 2016-03-02 | 2016-07-06 | 成都翼比特自动化设备有限公司 | 基于图像识别技术的绝缘子炸裂故障检测方法 |
CN106290388B (zh) * | 2016-08-03 | 2018-09-28 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106228172B (zh) * | 2016-09-20 | 2019-09-24 | 西安工程大学 | 基于聚类分析的破损绝缘子图像提取方法 |
CN107145846B (zh) * | 2017-04-26 | 2018-10-19 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN107680068A (zh) * | 2017-08-31 | 2018-02-09 | 田其冲 | 一种考虑图像自然度的数字图像增强方法 |
-
2018
- 2018-05-29 CN CN201810533013.3A patent/CN108734709B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300323A (zh) * | 2015-11-18 | 2016-02-03 | 江苏省电力公司连云港供电公司 | 绝缘子rtv涂层脱落面积检测方法及检测装置 |
CN105957081A (zh) * | 2016-04-28 | 2016-09-21 | 华北电力大学(保定) | 一种玻璃绝缘子掉串故障检测方法 |
Non-Patent Citations (1)
Title |
---|
High-speed railway rod-insulator detection using segment clustering and deformable part models;Ye Han et.al;《 2016 IEEE International Conference on Image Processing (ICIP)》;20160819;第3852-3856页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108734709A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
CN107507194B (zh) | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN108734709B (zh) | 一种绝缘子凸缘形状参数识别与破坏检测方法 | |
CN108986104B (zh) | 基于距离变换和标记分水岭算法的绝缘子图像分割方法 | |
CN108108772B (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN105957088B (zh) | 基于计算机视觉的变压器复合绝缘子套管监测方法及*** | |
CN112560634B (zh) | 基于现场图像的电力线路绝缘子快速检测定位方法及*** | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN111783773B (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
CN111126253A (zh) | 基于图像识别的刀闸状态检测方法 | |
CN110276787B (zh) | 基于标志物图像检测的导线舞动监测方法 | |
CN110766016A (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测*** | |
CN110874825B (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN115018846A (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN115690012A (zh) | 一种电能表接错线的检测方法 |
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 |