CN109523529A - 一种基于surf算法的输电线路缺陷识别方法 - Google Patents
一种基于surf算法的输电线路缺陷识别方法 Download PDFInfo
- Publication number
- CN109523529A CN109523529A CN201811341159.4A CN201811341159A CN109523529A CN 109523529 A CN109523529 A CN 109523529A CN 201811341159 A CN201811341159 A CN 201811341159A CN 109523529 A CN109523529 A CN 109523529A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- image
- electricity
- point
- surf
- 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.)
- Granted
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SURF算法的输电线路缺陷识别方法,包括以下步骤:对输电线路图像进行边缘检测,然后将边缘检测图像进行灰度化处理,利用霍夫变换得到输电线路图像中的输电线路,调用OpenCV中的Rect函数,求出输电线路图像中输电线路所在最小矩形区域四个顶点的坐标,从而得到原图中包含输电线路的最小矩形区域,即感兴趣区域ROI,完成对输电线路图像感兴趣区域的提取过程;针对输电线路图像的特点,采用SURF算法提取输电线路图像特征,结合BOW算法将输电线路图像表示为数值向量;通过SVM算法确定输电线路图像中输电线路的缺陷类型。本发明能够快速准确的识别复杂自然环境中电力线路的缺陷类型,极大地提高电力线路的巡检效率。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及一种基于SURF算法的输电线路缺陷识别方法。
背景技术
绝大多数电力线路长期暴露在自然环境中,受到各种自然灾害的威胁,对于电力线路故障如不及时修复更换,最终会导致严重事故,造成大面积的停电和巨大的经济损失,对电力***的安全和稳定构成严重威胁。输电线路的平稳运行对保障电网结构的完整性发挥着决定性作用,现阶段,输电线路巡检方式为无人机与人工巡线并举,效率虽有很大提高,但依赖人工识别缺陷,费时费力。
发明内容
为了解决背景技术中存在的技术问题,本发明提供了一种可以有效确定输电线路图像缺陷类型的基于SURF算法的输电线路缺陷识别方法,采用本发明提供的技术方案,能够很大程度地提高电力线路的巡检效率。
本发明采用如下技术方案来实现的:
一种基于SURF算法的输电线路缺陷识别方法,包括以下步骤:
(1)对输电线路图像进行边缘检测处理和灰度化处理,利用霍夫变换得到输电线路图像中的输电线路,调用OpenCV中的Rect函数,求出输电线路图像中输电线路所在最小矩形区域四个顶点的坐标,从而得到原图中包含输电线路的最小矩形区域,即感兴趣区域;
(2)对输电线路图像的感兴趣区域进行灰度化处理和中值滤波处理;
(3)对步骤(2)中预处理后的输电线路图像采用SURF算法提取输电线路图像特征,使用BOW算法将输电线路图像表示成数值向量,进而用于SVM训练分类模型进行分类;
(4)通过使用高斯核函数和有向无环图多分类器的SVM算法进行实验,确定达到最佳缺陷识别效果的Hessian阈值和聚类数目,根据确定的最优参数组合,对输电线路图像进行缺陷识别处理,判断输电线路图像的缺陷类型。
本发明进一步的改进在于,步骤(1)中,对输电线路图像进行边缘检测、灰度化处理和霍夫变换,其具体方法如下:
对输电线路图像进行边缘检测的目的就是将输电线路图像中灰度值变化剧烈的零界点标记出来,这样能够将输电线路图像中目标物标记出来,边缘检测中使用的是canny算子边缘检测算法,使用OpenCV中的canny函数;
灰度化处理是将彩色图像转换为灰度图像的方法,其中彩色图像由红、绿和蓝三种基色构成,采用加权平均值法对彩色图像进行灰度化,如下:
Vgray=WRR+WGG+WBB
其中,WR=0.30,WG=0.59,WB=0.11,R、G、B为决定彩色图像中每个像素颜色的三个分量,R表示红色,G表示绿色,B表示蓝色;
霍夫变换是检测间断点边界形状的方法,通过将图像坐标空间变换到参数空间,来实现直线与曲线的拟合。
本发明进一步的改进在于,步骤(2)中,对输电线路图像进行中值滤波预处理,其具体方法如下:
输电线路图像采用中值滤波法进行平滑处理,对于每一个像素点,以该点为中心创建一个3×3的模板,以该模板内所有像素的中值代替该像素点处的像素值。
本发明进一步的改进在于,步骤(3)中,对输电线路图像采用SURF算法提取特征,使用BOW算法将输电线路图像表示成数值向量,其具体方法如下:
SURF算法提取特征过程:
1)构建Hessian矩阵,生成所有的兴趣点,用于特征的提取;
2)构建尺度空间;
3)特征点定位;
4)特征点主方向匹配;
5)生成特征点描述符;
BOW算法处理过程:
1)利用SURF算法从不同类别的图像中提取视觉词汇向量,这些向量代表的是图像中局部不变的特征点;
2)将所有特征点向量集合到一块,利用K-Means算法合并词义相近的视觉词汇,构造一个包含K个词汇的单词表;
3)统计单词表中每个单词在图像中出现的次数,从而将图像表示成为一个K维数值向量。
本发明进一步的改进在于,SURF算法提取特征过程中:
步骤1)构建Hessian矩阵时,具体如下:
构建Hessian矩阵以生成图像稳定的边缘点,黑塞矩阵是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率,对一个图像f(x,y),其Hessian矩阵如下:
在构造Hessian矩阵前首先对图像进行高斯滤波,经过高斯滤波后的Hessian矩阵表述为:
式中,σ为特征点尺度,Lxx(x,σ)、Lyy(x,σ)、Lxy(x,σ)为像素点与高斯二阶偏导数的卷积,当Hessian矩阵的判别式取得局部极大值时,判定当前点是比周围邻域内其他点更亮或更暗的点,由此来定位关键点的位置。
其中,Hessian矩阵的判别式,是当前点对水平方向二阶偏导乘以垂直方向的二阶偏导再减去当前点水平、垂直二阶偏导的二次方:
det(H)=Dxx*Dyy-Dxy*Dxy
Hessian矩阵判别式中的f(x,y)是原始图像的高斯卷积,由于高斯核实服从正态分布的,从中心点往外,系数越来越低,为了提高运算速度,SURF使用了盒式滤波器来近似替代高斯滤波器,在Dxy上乘了一个加权系数0.9,为了平衡因使用盒式滤波器近似所带来的误差:
det(H)=Dxx*Dyy-(0.9*Dxy)2
2)构建尺度空间时,具体如下:
SURF的尺度空间是由O组L层组成,在SURF中,不同组间图像的尺寸都是一致的,不同之处在于不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但滤波器的模糊系数逐渐增大;
3)特征点定位时,具体如下:
将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较,像素点的特征值若大于周围像素则确定该点为该区域的特征点,初步定位出特征点后,再经过滤除能量比较弱的特征点以及错误定位的特征点,筛选出最终的稳定的特征点;
4)特征点主方向分配时,具体如下:
在SURF中,特征点方向分配采用的是统计以特征点为圆心、半径为6σ(σ为该特征点的尺度)的圆形邻域内的haar小波特征,haar小波的尺寸为4σ。在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直haar小波特征总和,然后扇形以0.2弧度大小的间隔进行旋转并再次统计该区域内haar小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向。过程如附图7所示。
5)生成特征点描述符时,具体如下:
以特征点为中心的坐标轴旋转到主方向后,选取边长为20σ的正方形区域,并将其划分为16个子区域(每个子区域大小为5σ×5σ),计算每个点、方向的haar小波响应,然后将每个子区域的响应以及响应的绝对值相加得到∑dx、∑|dx|、∑dy、∑|dy|。因此每个子区域内可形成一个四维的矢量,对该特征点,则形成4×4×4=64维的特征描述向量作为SURF特征的描述符。过程如附图8所示。
本发明进一步的改进在于,步骤(4)的具体方法如下:
通过比较实验确定达到最佳缺陷识别效果的Hessian阈值和聚类数目,使用最优参数组合,对输电线路图像进行缺陷识别,确定缺陷类型。
本发明具有如下有益的技术效果:
本发明提供的一种基于SURF算法的输电线路缺陷识别方法,用于对输电线路图像进行预处理,消除了图像中的噪点或畸变信息,减少了输入,去除了一些可能对结果产生影响的噪声干扰,也增强了有用的信息。有利于后续图像特征提取、图像识别等方法对图像的处理,增加了结果的可靠性。
具体来说,本发明能够准确地检测到输电线路的异物、断股和鸟巢等典型缺陷,且在对图像进行预处理前调用OpenCV中的Rect函数,求出输电线路图像中输电线路所在最小矩形区域四个顶点的坐标,从而得到原图中包含输电线路的最小矩形区域,即输电线路图像的感兴趣区域,极大提高了图像检测效率。
附图说明
图1为本发明一种基于SURF算法的输电线路缺陷识别方法的架构图;
图2为本发明实施提供的输电线路图像感兴趣区域提取过程效果图;其中,图2(a)为输电线路原始图像,图2(b)为输电线路Canny边缘检测图,图2(c)为霍夫变换检测图,图2(d)为ROI检测图,图2(e)为ROI图;
图3为本发明实施提供的输电线路图像预处理效果图;其中,图3(a)为正常线路原图,图3(b)为正常线路灰度图,图3(c)为正常线路中值滤波图,图3(d)为断股线路原图,图3(e)为断股线路灰度图,图3(f)为断股线路中值滤波图,图3(g)为异物线路原图,图3(h)为异物线路灰度图,图3(i)为异物线路中值滤波图,图3(j)为鸟巢原图,图3(k)为鸟巢灰度图,图3(l)为鸟巢中值滤波图;
图4为本发明实施提供的SURF特征提取过程图;
图5为SURF算法的尺度空间;
图6为特征点定位过程;
图7为确定特征点主方向过程;
图8为描述符生成过程;
图9为将图像表示成数值向量过程;
图10为本发明实施提供的输电线路图像SURF特征提取效果图;其中,图10(a)为正常线路中值滤波图,图10(b)为正常线路SURF特征提取效果图,图10(c)为断股线路中值滤波图,图10(d)为断股线路SURF特征提取效果图,图10(e)为异物线路中值滤波图,图10(f)为异物线路SURF特征提取效果图,图10(g)为鸟巢中值滤波图,图10(h)为鸟巢SURF特征提取效果图;
图11为本发明实施提供的分类器设计图。
具体实施方式
为使本发明的目的、技术方案和特点更加清楚明白,以下结合参考附图,对本发明进一步详细说明。
如图1所示,本发明提供的一种基于SURF算法的输电线路缺陷识别方法,包括以下步骤:
(1)对输电线路图像进行边缘检测处理和灰度化处理,利用霍夫变换得到输电线路图像中的输电线路,调用OpenCV中的Rect函数,求出输电线路图像中输电线路所在最小矩形区域四个顶点的坐标,从而得到原图中包含输电线路的最小矩形区域,即感兴趣区域(ROI);
(2)对输电线路图像进行灰度化处理和中值滤波处理;
(3)对步骤(2)中预处理后的输电线路图像采用SURF算法提取输电线路图像特征,使用BOW算法将输电线路图像表示成数值向量,进而用于SVM训练分类模型进行分类;
(4)通过使用高斯核函数和有向无环图多分类器的SVM算法进行实验,确定达到最佳缺陷识别效果的Hessian阈值和聚类数目,根据确定的最优参数组合,对输电线路图像进行缺陷识别处理,判断输电线路图像的缺陷类型。
其中,步骤(1)中对输电线路图像进行边缘检测处理、灰度化处理和霍夫变换处理:
对图像进行边缘检测的目的就是将图像中灰度值变化剧烈的零界点标记出来,这样可以将图像中目标物标记出来,如输电线路图像中的输电线。本发明使用的是边缘检测中最常用canny算子边缘检测算法,使用OpenCV中的canny函数。
灰度化是将彩色图像转换为灰度图像的方法,在本发明中,彩色图像由红(R)、绿(G)、蓝(B)三种基色构成,本发明采用加权平均值法对彩色图像进行灰度化:
Vgray=WRR+WGG+WBB
其中,WR=0.30,WG=0.59,WB=0.11,R、G、B为决定彩色图像中每个像素颜色的三个分量,R表示红色,G表示绿色,B表示蓝色;
霍夫变换是一个非常重要的检测间断点边界形状的方法。它通过将图像坐标空间变换到参数空间,来实现直线与曲线的拟合。通过霍夫变换可以识别图像中的输电线路,进而通过调用OpenCV中的Rect函数得到输电线路图像的感兴趣区域,处理过程如附图2所示。
步骤(2)中对步骤(1)中得到的输电线路图像采进行灰度化处理和中值滤波处理:图像的平滑处理采用中值滤波法,对于每一个像素点,以该点为中心创建一个3×3的模板,以该模板内所有像素的中值代替该像素点处的像素值。经过处理后的效果如附图3所示。
步骤(3)中对步骤(2)中预处理后的输电线路图像采用SURF算法提取输电线路图像特征,使用BOW算法将输电线路图像表示成数值向量,进而可以用于SVM训练分类模型进行分类。
SURF特征提取算法如附图4所示,步骤如下所示:
1)构建黑塞矩阵
构建Hessian矩阵以生成图像稳定的边缘点(突变点),跟Canny、拉普拉斯边缘检测的作用类似。
构建Hessian矩阵以生成图像稳定的边缘点,黑塞矩阵是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率,对一个图像f(x,y),其Hessian矩阵如下:
在构造Hessian矩阵前首先对图像进行高斯滤波,经过高斯滤波后的Hessian矩阵表述为:
式中,σ为特征点尺度,Lxx(x,σ)、Lyy(x,σ)、Lxy(x,σ)为像素点与高斯二阶偏导数的卷积,当Hessian矩阵的判别式取得局部极大值时,判定当前点是比周围邻域内其他点更亮或更暗的点,由此来定位关键点的位置;
在离散数字图像中,一阶导数是相邻像素的灰度差:
Dx=f(x+1,y)-f(x,y)
二阶导数是对一阶导数的再次求导:
Dxx=[f(x+1,y)-f(x,y)]-[f(x,y)-f(x-1,y)]=f(x+1,y)+f(x-1,y)-2*f(x,y)
Hessian矩阵的判别式,其实就是当前点对水平方向二阶偏导乘以垂直方向的二阶偏导再减去当前点水平、垂直二阶偏导的二次方:
det(H)=Dxx*Dyy-Dxy*Dxy
Hessian矩阵判别式中的f(x,y)是原始图像的高斯卷积,由于高斯核实服从正态分布的,从中心点往外,系数越来越低,为了提高运算速度,SURF使用了盒式滤波器来近似替代高斯滤波器,在Dxy上乘了一个加权系数0.9,为了平衡因使用盒式滤波器近似所带来的误差:
det(H)=Dxx*Dyy-(0.9*Dxy)2
2)构建尺度空间
SURF的尺度空间是由O组L层组成,在SURF中,不同组间图像的尺寸都是一致的,不同之处在于不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但滤波器的模糊系数逐渐增大。尺度空间如附图5所示。
3)特征点定位
将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较,像素点的特征值若大于周围像素则确定该点为该区域的特征点。初步定位出特征点后,再经过滤除能量比较弱的特征点以及错误定位的特征点,筛选出最终的稳定的特征点,定位特征点过程如附图6所示。
4)特征点主方向分配
在SURF中,特征点方向分配采用的是统计以特征点为圆心、半径为6σ的圆形邻域内的haar小波特征,σ为该特征点的尺度,haar小波的尺寸为4σ;在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直haar小波特征总和,然后扇形以0.2弧度大小的间隔进行旋转并再次统计该区域内haar小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向;
5)生成特征点描述符
以特征点为中心的坐标轴旋转到主方向后,选取边长为20σ的正方形区域,并将其划分为16个子区域,每个子区域大小为5σ×5σ,计算每个点x、y方向的haar小波响应,然后将每个子区域的响应以及响应的绝对值相加得到∑dx、∑|dx|、∑dy和∑|dy|;因此每个子区域内可形成一个四维的矢量,对该特征点,则形成4×4×4=64维的特征描述向量作为SURF特征的描述符。
BOW算法步骤如下所示:
1)利用SURF算法,从每类图像中提取视觉词汇,将所有的视觉词汇集合在一起。
2)利用K-Means算法构造单词表。K-Means算法是一种基于样本间相似性度量的间接聚类方法,此算法以K为参数,把N个对象分为K个簇,使簇内具有较高相似度,而簇间相似度较低。SURF提取的视觉词汇向量之间根据距离的远近,可以利用K-Means算法将词义相近的词汇合并,作为单词表中的基础词汇。
3)利用单词表中的词汇表示图像。利用SURF算法,可以从每幅图像中提取很多个特征点,这些特征点都可以用单词表中的单词近似代替,通过统计单词表中每个单词在图像中出现的次数,可以将图像表示成为一个K维数值向量。
利用Bag-of-words模型将一幅输电线路图像表示成为数值向量:
第一步:利用SURF算法从不同类别的输电线路图像中提取视觉词汇向量,这些向量代表的是图像中局部不变的特征点;
第二步:将所有特征点向量集合到一块,利用K-Means算法合并词义相近的视觉词汇,构造一个包含K个词汇的单词表,这些词汇包括正常输电线路、断股输电线路、异物输电线路、鸟巢;
第三步:统计单词表中每个单词在图像中出现的次数,从而将图像表示成为一个K维数值向量,如附图9所示。
用BOW描述图像,即将训练集以及测试集的图像用BOW模型描述,进而用SVM训练分类模型进行分类。
步骤(4)中具体方法如下:使用高斯核函数和有向无环图多分类器的SVM算法进行实验,其中高斯核函数的参数C取10,高斯核γ值取4,确定达到最佳缺陷识别效果的Hessian阈值大小和聚类数目,进而根据确定的最优参数组合,对输电线路图像进行缺陷识别处理,判断输电线路图像的缺陷类型。
本发明数据集中输电线路图像共计447张,正常输电线路图像88张,断股输电线路图像133张,异物输电线路图像102张,鸟巢输电线路图像124张,统计情况如表1所示。采用K-折交叉验证的方式对数据集进行训练和测试,其中K的取值为10。
表1本发明数据集图像统计
输电线路类型 | 图像张数 |
正常 | 88 |
断股 | 133 |
异物 | 102 |
鸟巢 | 124 |
总计 | 447 |
Hessian阈值是SURF特征的重要参数。Hessian阈值的大小决定了提取的输电线路SURF特征维数及SVM的特征训练的计算量。从根本上影响着***的运行速度和缺陷识别准确率。
应用SURF描述符在不同Hessian阈值取值情况下的识别统计结果如表2所示。随着Hessian阈值增大,平均识别准确率不断增大,在Hessian阈值达到300时,平均识别准确率取得最大值,然而当Hessian阈值大于300时,平均识别准确率不断下降。综合考虑实验结果,在后续缺陷识别分析中,本发明采用的Hessian阈值大小是300。
表2不同Hessian阈值的识别结果
Hessian阈值大小 | 平均识别准确率 |
150 | 65.7% |
200 | 66.3% |
250 | 66.8% |
300 | 67.6% |
350 | 67.1% |
400 | 66.7% |
表3给出了不同聚类数目下SURF方法的识别结果。随着聚类数目增大,识别准确率不断增大,在聚类数目为700时,识别准确率达到较高水平。然而聚类数目为900和1100时,不仅处理速度下降,识别准确率也没有明显提升。综合考虑实验结果,在后续缺陷识别分析中,本发明采用的聚类数目是700。
表3基于SURF方法识别结果
Claims (6)
1.一种基于SURF算法的输电线路缺陷识别方法,其特征在于,包括以下步骤:
(1)对输电线路图像进行边缘检测处理和灰度化处理,利用霍夫变换得到输电线路图像中的输电线路,调用OpenCV中的Rect函数,求出输电线路图像中输电线路所在最小矩形区域四个顶点的坐标,从而得到原图中包含输电线路的最小矩形区域,即感兴趣区域;
(2)对输电线路图像的感兴趣区域进行灰度化处理和中值滤波处理;
(3)对步骤(2)中预处理后的输电线路图像采用SURF算法提取输电线路图像特征,使用BOW算法将输电线路图像表示成数值向量,进而用于SVM训练分类模型进行分类;
(4)通过使用高斯核函数和有向无环图多分类器的SVM算法进行实验,确定达到最佳缺陷识别效果的Hessian阈值和聚类数目,根据确定的最优参数组合,对输电线路图像进行缺陷识别处理,判断输电线路图像的缺陷类型。
2.根据权利要求1所述的一种基于SURF算法的输电线路缺陷识别方法,其特征在于,步骤(1)中,对输电线路图像进行边缘检测、灰度化处理和霍夫变换,其具体方法如下:
对输电线路图像进行边缘检测的目的就是将输电线路图像中灰度值变化剧烈的零界点标记出来,这样能够将输电线路图像中目标物标记出来,边缘检测中使用的是canny算子边缘检测算法,使用OpenCV中的canny函数;
灰度化处理是将彩色图像转换为灰度图像的方法,其中彩色图像由红、绿和蓝三种基色构成,采用加权平均值法对彩色图像进行灰度化,如下:
Vgray=WRR+WGG+WBB
其中,WR=0.30,WG=0.59,WB=0.11,R、G、B为决定彩色图像中每个像素颜色的三个分量,R表示红色,G表示绿色,B表示蓝色;
霍夫变换是检测间断点边界形状的方法,通过将图像坐标空间变换到参数空间,来实现直线与曲线的拟合。
3.根据权利要求2所述的一种基于SURF算法的输电线路缺陷识别方法,其特征在于,步骤(2)中,对输电线路图像进行中值滤波预处理,其具体方法如下:
输电线路图像采用中值滤波法进行平滑处理,对于每一个像素点,以该点为中心创建一个3×3的模板,以该模板内所有像素的中值代替该像素点处的像素值。
4.根据权利要求3所述的一种基于SURF算法的输电线路缺陷识别方法,其特征在于,步骤(3)中,对输电线路图像采用SURF算法提取特征,使用BOW算法将输电线路图像表示成数值向量,其具体方法如下:
SURF算法提取特征过程:
1)构建Hessian矩阵,生成所有的兴趣点,用于特征的提取;
2)构建尺度空间;
3)特征点定位;
4)特征点主方向匹配;
5)生成特征点描述符;
BOW算法处理过程:
1)利用SURF算法从不同类别的图像中提取视觉词汇向量,这些向量代表的是图像中局部不变的特征点;
2)将所有特征点向量集合到一块,利用K-Means算法合并词义相近的视觉词汇,构造一个包含K个词汇的单词表;
3)统计单词表中每个单词在图像中出现的次数,从而将图像表示成为一个K维数值向量。
5.根据权利要求4所述的一种基于SURF算法的输电线路缺陷识别方法,其特征在于,SURF算法提取特征过程中:
步骤1)构建Hessian矩阵时,具体如下:
构建Hessian矩阵以生成图像稳定的边缘点,黑塞矩阵是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率,对一个图像f(x,y),其Hessian矩阵如下:
在构造Hessian矩阵前首先对图像进行高斯滤波,经过高斯滤波后的Hessian矩阵表述为:
式中,σ为特征点尺度,Lxx(x,σ)、Lyy(x,σ)、Lxy(x,σ)为像素点与高斯二阶偏导数的卷积,当Hessian矩阵的判别式取得局部极大值时,判定当前点是比周围邻域内其他点更亮或更暗的点,由此来定位关键点的位置;
其中,Hessian矩阵的判别式,是当前点对水平方向二阶偏导乘以垂直方向的二阶偏导再减去当前点水平、垂直二阶偏导的二次方:
det(H)=Dxx*Dyy-Dxy*Dxy
Hessian矩阵判别式中的f(x,y)是原始图像的高斯卷积,由于高斯核实服从正态分布的,从中心点往外,系数越来越低,为了提高运算速度,SURF使用了盒式滤波器来近似替代高斯滤波器,在Dxy上乘了一个加权系数0.9,为了平衡因使用盒式滤波器近似所带来的误差:
det(H)=Dxx*Dyy-(0.9*Dxy)2
2)构建尺度空间时,具体如下:
SURF的尺度空间是由O组L层组成,在SURF中,不同组间图像的尺寸都是一致的,不同之处在于不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但滤波器的模糊系数逐渐增大;
3)特征点定位时,具体如下:
将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较,像素点的特征值若大于周围像素则确定该点为该区域的特征点,初步定位出特征点后,再经过滤除能量比较弱的特征点以及错误定位的特征点,筛选出最终的稳定的特征点;
4)特征点主方向分配时,具体如下:
在SURF中,特征点方向分配采用的是统计以特征点为圆心、半径为6σ的圆形邻域内的haar小波特征,σ为该特征点的尺度,haar小波的尺寸为4σ;在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直haar小波特征总和,然后扇形以0.2弧度大小的间隔进行旋转并再次统计该区域内haar小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向;
5)生成特征点描述符时,具体如下:
以特征点为中心的坐标轴旋转到主方向后,选取边长为20σ的正方形区域,并将其划分为16个子区域,每个子区域大小为5σ×5σ,计算每个点x、y方向的haar小波响应,然后将每个子区域的响应以及响应的绝对值相加得到∑dx、∑|dx|、∑dy和∑|dy|;因此每个子区域内可形成一个四维的矢量,对该特征点,则形成4×4×4=64维的特征描述向量作为SURF特征的描述符。
6.根据权利要求5所述的一种基于SURF算法的输电线路缺陷识别方法,其特征在于,步骤(4)的具体方法如下:
通过比较实验确定达到最佳缺陷识别效果的Hessian阈值和聚类数目,使用最优参数组合,对输电线路图像进行缺陷识别,确定缺陷类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811341159.4A CN109523529B (zh) | 2018-11-12 | 2018-11-12 | 一种基于surf算法的输电线路缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811341159.4A CN109523529B (zh) | 2018-11-12 | 2018-11-12 | 一种基于surf算法的输电线路缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523529A true CN109523529A (zh) | 2019-03-26 |
CN109523529B CN109523529B (zh) | 2021-07-13 |
Family
ID=65774131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811341159.4A Active CN109523529B (zh) | 2018-11-12 | 2018-11-12 | 一种基于surf算法的输电线路缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523529B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
CN110751630A (zh) * | 2019-09-30 | 2020-02-04 | 山东信通电子股份有限公司 | 基于深度学习的输电线路异物检测方法、装置及介质 |
CN111160373A (zh) * | 2019-12-30 | 2020-05-15 | 重庆邮电大学 | 一种变速鼓零件缺陷图像特征提取以及检测分类方法 |
CN111595337A (zh) * | 2020-04-13 | 2020-08-28 | 宁波深寻信息科技有限公司 | 一种基于视觉建模的惯性定位的自校正方法 |
CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN113160255A (zh) * | 2021-02-24 | 2021-07-23 | 国网福建省电力有限公司检修分公司 | 一种运行线路走廊环境因子变化监控方法 |
CN117291911A (zh) * | 2023-11-24 | 2023-12-26 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及*** |
CN117673953A (zh) * | 2023-12-06 | 2024-03-08 | 国网山东省电力公司莒县供电公司 | 一种基于无人机的电力线路运维检修***及方法 |
CN117746000A (zh) * | 2023-12-27 | 2024-03-22 | 广东瑞福密封科技有限公司 | 橡胶密封圈多类表面缺陷分类定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
CN104601956A (zh) * | 2015-01-15 | 2015-05-06 | 西安工程大学 | 基于固定翼无人机的输电线路在线监测***及监测方法 |
CN106491322A (zh) * | 2016-12-14 | 2017-03-15 | 西安邮电大学 | 基于OpenCV图像识别的盲人拐杖控制***及方法 |
CN106897721A (zh) * | 2017-01-23 | 2017-06-27 | 国家计算机网络与信息安全管理中心 | 一种局部特征与词袋模型相结合的刚体目标跟踪方法 |
CN107833221A (zh) * | 2017-11-29 | 2018-03-23 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水监测方法 |
CN108021890A (zh) * | 2017-12-05 | 2018-05-11 | 武汉大学 | 一种基于plsa和bow的高分遥感影像港口检测方法 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
-
2018
- 2018-11-12 CN CN201811341159.4A patent/CN109523529B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
CN104601956A (zh) * | 2015-01-15 | 2015-05-06 | 西安工程大学 | 基于固定翼无人机的输电线路在线监测***及监测方法 |
CN106491322A (zh) * | 2016-12-14 | 2017-03-15 | 西安邮电大学 | 基于OpenCV图像识别的盲人拐杖控制***及方法 |
CN106897721A (zh) * | 2017-01-23 | 2017-06-27 | 国家计算机网络与信息安全管理中心 | 一种局部特征与词袋模型相结合的刚体目标跟踪方法 |
CN107833221A (zh) * | 2017-11-29 | 2018-03-23 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水监测方法 |
CN108021890A (zh) * | 2017-12-05 | 2018-05-11 | 武汉大学 | 一种基于plsa和bow的高分遥感影像港口检测方法 |
Non-Patent Citations (4)
Title |
---|
宋屹峰 等: "基于视觉方法的输电线断股检测与机器人行为规划", 《机器人》 * |
张敏 等: "基于HALCON与SURF的多特征融合条烟识别***", 《电子设计工程》 * |
王福滨: "BOF特征提取算法的改进及在行人再识别问题上的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
苟佳维: "基于OpenCV的焊缝图像缺陷识别***设计", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
CN110751630A (zh) * | 2019-09-30 | 2020-02-04 | 山东信通电子股份有限公司 | 基于深度学习的输电线路异物检测方法、装置及介质 |
CN110751630B (zh) * | 2019-09-30 | 2020-12-08 | 山东信通电子股份有限公司 | 基于深度学习的输电线路异物检测方法、装置及介质 |
CN111160373B (zh) * | 2019-12-30 | 2022-07-15 | 重庆邮电大学 | 一种变速鼓零件缺陷图像特征提取以及检测分类方法 |
CN111160373A (zh) * | 2019-12-30 | 2020-05-15 | 重庆邮电大学 | 一种变速鼓零件缺陷图像特征提取以及检测分类方法 |
CN111595337B (zh) * | 2020-04-13 | 2023-09-26 | 浙江深寻科技有限公司 | 一种基于视觉建模的惯性定位的自校正方法 |
CN111595337A (zh) * | 2020-04-13 | 2020-08-28 | 宁波深寻信息科技有限公司 | 一种基于视觉建模的惯性定位的自校正方法 |
CN113160255A (zh) * | 2021-02-24 | 2021-07-23 | 国网福建省电力有限公司检修分公司 | 一种运行线路走廊环境因子变化监控方法 |
CN113076802B (zh) * | 2021-03-04 | 2022-06-07 | 国网湖北省电力有限公司超高压公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN117291911A (zh) * | 2023-11-24 | 2023-12-26 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及*** |
CN117291911B (zh) * | 2023-11-24 | 2024-02-09 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及*** |
CN117673953A (zh) * | 2023-12-06 | 2024-03-08 | 国网山东省电力公司莒县供电公司 | 一种基于无人机的电力线路运维检修***及方法 |
CN117746000A (zh) * | 2023-12-27 | 2024-03-22 | 广东瑞福密封科技有限公司 | 橡胶密封圈多类表面缺陷分类定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523529B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523529A (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN106846316B (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN110363182B (zh) | 基于深度学习的车道线检测方法 | |
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN109215034B (zh) | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 | |
WO2019104767A1 (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
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 | |
CN107679453B (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
Khalifa et al. | Malaysian Vehicle License Plate Recognition. | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN111079955A (zh) | 一种基于x射线成像的gis设备缺陷检测方法 | |
Wazalwar et al. | A design flow for robust license plate localization and recognition in complex scenes | |
CN109191430A (zh) | 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法 | |
CN113436218B (zh) | 基于高斯滤波与均值滤波的sar图像边缘检测方法 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN114581709A (zh) | 识别医学图像中的目标的模型训练、方法、设备及介质 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN116823725A (zh) | 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN114581364A (zh) | 一种基于X-ray imaging与Sobel-SCN的GIS缺陷检测方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 |
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 |