CN109523543A - 一种基于边缘距离的导线断股检测方法 - Google Patents
一种基于边缘距离的导线断股检测方法 Download PDFInfo
- Publication number
- CN109523543A CN109523543A CN201811418629.2A CN201811418629A CN109523543A CN 109523543 A CN109523543 A CN 109523543A CN 201811418629 A CN201811418629 A CN 201811418629A CN 109523543 A CN109523543 A CN 109523543A
- Authority
- CN
- China
- Prior art keywords
- image
- obtains
- conducting wire
- value
- pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims abstract description 7
- 230000006872 improvement Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000015556 catabolic process Effects 0.000 claims description 17
- 239000004020 conductor Substances 0.000 claims description 15
- 230000004807 localization Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 abstract description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 9
- 229910052782 aluminium Inorganic materials 0.000 description 9
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 239000004411 aluminium Substances 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000027950 fever generation Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T5/70—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明公开的一种基于边缘距离的导线断股检测方法,具体按照以下步骤实施:步骤1,通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1;再归一化的改进色差灰度化图像I2;步骤2,利用OTSU算法对I2做阈值分割获取图像二值图I3,然后经过一次空洞填充消除背景中的亮噪点,得到图像I4;对图像I4取反得到图像I5后进行第二次空洞填充消除导线内部存在的暗噪点,得到图像I6,对图像I6取反即可得到准确的导线图像I7;步骤3,通过对图像I7做列差分获得图像I9,判断是否存在故障并对有故障导线进行故障定位。本发明方法解决了现有技术采用人工输电线路巡检方式中检测误差率大的问题。
Description
技术领域
本发明属于电力输电线路监测技术领域,具体涉及一种基于边缘距离的导线断股检测方法。
背景技术
目前,中国电网工程长距离电力输配主要使用的是钢芯铝绞线。其在野外常年经受严寒酷暑、雷击、湿度等环境因素影响和风力、覆冰、舞动等严重的外力作用,易产生局部疲劳损伤,容易引起外部包绕的绞线发生断股。钢芯铝绞线刚发生断股的一段时间内,传输的电流并不会受到明显影响,不容易通过远方探测的方式发现。如果不及时处理,就会发生断股导线在断股点附近迅速劳损、断路甚至短路的情况,造成大面积停电和设备人员损失等严重后果。对于导线断股缺陷的发现方式,虽然有许多学者进行尝试,但目前还是线路巡检方式最有效。
目前对导线断股等缺陷的检测方法是采用人工巡检的方式,这种方法工作量大、效率低,难以对故障缺陷位置进行准确判断。也有采用基于声学的超声检测法,利用导线缺陷部位的电晕放电产生的超声波进行故障识别和定位,但定位准确度不高,易受周围环境干扰,不能够对故障位置放电量的大小进行标定。而采用红外热成像的检测方法,利用故障位置局部发热的原理,对导线故障进行检测。但导线故障时主要在故障位置处发生电晕放电,这种利用热量积累效应进行检测的手段灵敏度不高,难以对故障进行有效判断。
近年来,应用直升机尤其是无人机巡检的方式开始在巡检中使用,极大地提高了巡线的工作效率,降低经济成本。本发明基于可见光图像处理利用图像处理技术和图像识别技术来检测输电线路中导线断股缺陷并定位其故障位置。
发明内容
本发明的目的是提供一种基于边缘距离的导线断股检测方法,解决了现有技术采用人工输电线路巡检方式中费时费力、检测误差率大的问题。
本发明所采用的技术方案是,一种基于边缘距离的导线断股检测方法,具体按照以下步骤实施:
步骤1,通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1;提取获取的输电导线俯拍视频图像I1的三通道图像R、G、B,再计算归一化的改进色差灰度化图像I2;
步骤2,利用OTSU算法对I2做阈值分割获取图像二值图I3,然后经过一次空洞填充消除背景中的亮噪点,得到图像I4;对图像I4取反得到图像I5后进行第二次空洞填充消除导线内部存在的暗噪点,得到图像I6,对图像I6取反即可得到准确的导线图像I7;
步骤3,通过对图像I7做列差分获得图像I9,将边界值作差,获取导线导线宽度数组wid1,通过wid1获得wid1max,wid1min,和上方的故障判断元素a1、b1及c1,将图像I9旋转180°,获取故障下方的判断元素a2、b2及c2,根据a1和a2的取值分成四种情形,分列检测过程,判断是否存在故障并对有故障导线进行故障定位。
本发明的特征还在于,
步骤1中,计算归一化的改进色差灰度化图像I2的具体步骤如下:
步骤1.1,通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1,并从图像I1提取三通道灰度图像R、G、B,根据式(1-1)计算色差图像s:
s(x,y)=T1×(B(x,y)-T2×R(x,y))+T3 (1-1)
其中,R(x,y)和B(x,y)为图像R和图像B在(x,y)处的像素值,T1是对图像B与图像R的差值进行放大的系数,T2是图像R的缩小系数,T3是补偿系数;
步骤1.2,对图像s做如下运算:
根据式(1-3)对图像S的像素点做归一化处理,得到色差归一化的导线图像I2:
I2(x,y)=S(x,y)/255 (1-3)
步骤2具体按照如下步骤实施:
步骤2.1,利用OTSU算法对图像I2进行运算,生成自动阈值T,对图像I2进行阈值分割,大于阈值的取1,小于阈值的取0,得到图像I3。
步骤2.2,第一次空洞填充
将已知目标点像素值为1,背景点像素为0,遍历二值图I2所有像素点,计算出二值图I2中所有的连通域;
依次计算各个连通域的像素点数;逐一判断连通域的像素点数,若其值小于p时,则该连通域内的所有像素值都更新为0,遍历完所有连通域即得到去除图像背景中亮噪点的图像I4;
步骤2.3,第一次图像取反
对图像I4做反色处理,即:
步骤2.4,第二次空洞填充
遍历二值图I5所有像素点,计算出二值图I5中所有的连通域,计算方法同步骤2.2;依次计算各个连通域的像素点数;逐一判断连通域的像素点数,若其值小于p时,则该连通域内的所有像素值都更新为0,遍历完所有连通域即得到去除导线内部暗噪点的图像I6;
步骤2.5第二次图像取反
再对图像I6做反色处理得到准确的导线区域图像I7。
步骤2中所述连通域的计算方法如下:
采用8连接方式,即当前像素点为1时,判断其上、下、左、右、左上、右上、左下、右下中是否存在一个像素点的像素值为1;若有,并入该区域继续判断这个像素点的8领域直到没有满足条件的点;若无,寻找图像中不包含已检测区域的像素点继续计算,直至找出所有区域。
步骤3具体按照如下步骤实施:
步骤3.1,差分获取导线边缘
对图像I7的列元素做差分运算得到导线边缘图像I8,具体运算如下:
I8(i,j+1)=I7(i,j+1)-I7(i,j) (3-1)
其中i=1,2,3,...,m;j=1,2,3,...,n-1;
步骤3.2,宽度检测
取图像中纵坐标中前两条边缘,并用大值减小值,即导线的下边界与上边界纵坐标的差值,获得宽度值,用一个1行n列的数组wid1记录;
步骤3.3,故障判断元素获取
此时数组包含的宽度存在两种,即股线宽度和导线整体宽度,搜索数组的最大值wid1max和最小值wid1min,获取断股检测阈值和定位元素的获取:
对I9旋转180°得到I10,重复步骤3.2,得到wid2,wid2max,wid2min,a2,b2,c2;
步骤3.4,故障位置的定位
检测结果存在四种情况,具体判断如下:
公式(3-6)中四种情况的故障定位处理方法具体如下:
1)若a1<3且a2<3,导线完好,无需进行后续处理;
2)若3≤a1且a2<3,导线上方存在导线故障,故障位置定位方法如下:
判断完毕后,将不存在故障的纵坐标对应I7的列对应的像素值都置0;得到仅包含故障的导线区域的图像I11,确定该区域的最小外接矩形,并在原图I1中框选并在图中标注故障说明。
3)若a1<3且3≤a2,导线下方存在导线故障,故障位置定位方法如下:
判断完毕后,将不存在故障的纵坐标对应I7的列对应的像素值都置0;得到仅包含故障的导线区域的图像I12,确定该区域的最小外接矩形,对I12旋转180°,获取旋转后的最小外接矩形,并在原图I1中框选并在图中标注故障说明;
4)若3≤a1且3≤a2,则导线的上方和下方均存在导线故障;上下的导线定位方法如式(3-7)、(3-8),上下方的最小外接矩形的确定也分别同2)和3)。
本发明的有益效果是,针对目前国内外关于输电线路导线断股检测问题相关报道和研究少这一研究现状,本发明通过改进的色差法突出导线区域,转换传统仅通过图像像素点灰度值对目标图像进行图像处理的理念,以像素点颜色的分布为研究对象进行下一步图像处理,能够克服航拍输电导线图像复杂背景的影响,在减少数据量的同时在复杂背景中突出目标,其同样适用于其他采集图像目标与背景颜色差距较大的图像分割前处理。其中,提出的根据导线宽度分布进行输电导线断股检测的方法,通过获取的导线最小直径的与最大直径的阈值、通过最大值和待测宽度的差值与待测宽度的比值、待测宽度和最小值的差值与最小值的比值来判断导线是否存在故障,同时定位导线故障点信息,将导线的断股检测问题简化为一维数据处理问题,实现导线断股的准确识别,为无人机巡检输电导线断股故障提供了一种新的思路。
附图说明
图1是本发明一种基于边缘距离的导线断股检测方法的流程图;
图2是本发明一种基于边缘距离的导线断股检测方法的整体应用效果流程图;
图3是本发明一种基于边缘距离的导线断股检测方法中故障导线的检测结果图。
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。
本发明一种基于边缘距离的导线断股检测方法,如图1所示,按照以下步骤具体实施:
步骤1通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1;提取获取的输电导线俯拍视频图像I1的三通道图像R、G、B,再计算归一化的改进色差灰度化图像I2。
归一化的色差灰度化图像获取的具体步骤如下:
通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1,并从图像I1提取三通道灰度图像R、G、B,根据式(1-1)计算色差图像s:
s(x,y)=T1×(B(x,y)-T2×R(x,y))+T3 (1-1)
其中,R(x,y)和B(x,y)为图像R和图像B在(x,y)处的像素值,T1是对图像B与图像R的差值进行放大的系数,T2是图像R的缩小系数,T3是补偿系数。
图像减法和差值比例放大使得图像的像素值可能大于255或小于0,而灰度图像像素值区间为0-255,所以对图像s做如下运算:
根据式(1-3)对图像S的像素点做归一化处理,得到色差归一化的导线图像I2:
I2(x,y)=S(x,y)/255 (1-3)
步骤2利用OTSU算法对I2做阈值分割获取图像二值图I3,然后经过一次空洞填充消除背景中的亮噪点,得到图像I4;对图像I4取反得到图像I5后进行第二次空洞填充消除导线内部存在的暗噪点,得到图像I6,对图像I6取反即可得到准确的导线图像I7;
具体步骤如下:
步骤2.1利用OTSU算法对图像I2进行运算,生成自动阈值T,对图像I2进行阈值分割,大于阈值的取1,小于阈值的取0,得到图像I3。
步骤2.2阈值分割得到的图像I3存在两种噪点:一种是导线外部即背景中存在的亮噪点;另一种是导线内部存在的暗噪点。
消除过程如下:
第一次空洞填充
将已知目标点像素值为1,背景点像素为0,遍历二值图I2所有像素点,计算出二值图I2中所有的连通域,连通域的计算如下:
采用8连接方式,即当前像素点为1时,判断其上、下、左、右、左上、右上、左下、右下中是否存在一个像素点的像素值为1;若有,并入该区域继续判断这个像素点的8领域直到没有满足条件的点;若无,寻找图像中不包含已检测区域的像素点继续计算,只至找出所有区域;
依次计算各个连通域的像素点数;逐一判断连通域的像素点数,若其值小于p时,则该连通域内的所有像素值都更新为0,遍历完所有连通域即得到去除图像背景中亮噪点的图像I4;
步骤2.3,第一次图像取反
对图像I4做反色处理,即:
步骤2.4,第二次空洞填充
遍历二值图I5所有像素点,计算出二值图I5中所有的连通域,计算方式同步骤2.2。
依次计算各个连通域的像素点数;逐一判断连通域的像素点数,若其值小于p时,则该连通域内的所有像素值都更新为0,遍历完所有连通域即得到去除导线内部暗噪点的图像I6;
步骤2.5,第二次图像取反
再对图像I6做反色处理得到准确的导线区域图像I7。
步骤3通过对图像I7做列差分获得图像I9,将边界值作差,获取导线导线宽度数组wid1,通过wid1获得wid1max,wid1min,和上方的故障判断元素a1,b1,c1,将图像I9旋转180°,获取故障下方的判断元素a2,b2,c2,根据a1和a2的取值分成四种情形,分列检测过程,判断是否存在故障并对有故障导线进行故障定位。
根据实际拍摄情况,会发现输电导线通常具备以下特征:
(1)输电导线在采集到的视频或单幅图像中,近似为直线;
(2)高压架空输电导线主要以钢芯铝绞线为主,在钢芯的周围捻合着铝股线。不同的导线型号与参数不同,导线各股的宽度也不同;
(3)当导线出现断股时,往往最外层的断股最明显。断股处的股线与其相邻股线之间距离、斜率会明显发生变化,严重的甚至会出现垂挂的情况。
为了更准确且符合实际情况,通过查找相关型号输电导线的设计规范,得知输电导线各股直径基本在1~5mm之间,整体直径在6~40mm之间,且内部钢芯直径基本小于至多等于铝线直径。由于输电导线是多层结构,内层钢芯外层铝线,层数在2~6层之间。钢芯主要用于承受拉力,铝线主要用于传输电能。
一般情景下,对于输电导线提取轮廓,结果可近似为两条细线,计算其上边界与下边界之间轮廓线的距离,可能是两种距离:一种是输电导线的整体线宽,即导线完好;另一种是每一股与相邻下一股之间的距离,相当于股与股之间的距离,即为判断断股时所用的参数;
由于断股是一种比较严重的输电导线故障,而输电导线类型的不同,导线层结构、直径,钢芯铝线的数量比等特征都会不同。由于最内部的钢芯为单根,所以导线的直径方向上的层数应为(2a-1),a为选型导线的层数。用于输电线路的钢芯铝绞线的最小层数是2,所以当其出现断股时,单股的直径与正常导线的整体直径的比值应大于等于3,可统一应用这一标准进行各种导线的检测,也可以避免考虑不同型号导线粗细对设立导线检测标准的影响。
但是当导线出现断股故障时,边缘轮廓却会增加。故障时,故障部分下方的宽度会变窄,采集到的导线纵向边界值将大于2。
下面利用这一宽度阈值对图像I7中进行检测定位的过程:
步骤3.1差分获取导线边缘
对图像I7的列元素做差分运算得到导线边缘图像I8,具体运算如下:I8(i,j+1)=I7(i,j+1)-I7(i,j),其中i=1,2,3,...,m;j=1,2,3,...,n-1.(3-1)
步骤3.2宽度检测
宽度检测取图像中纵坐标中前两条边缘,并用大值减小值,即导线的下边界与上边界纵坐标的差值,获得宽度值,用一个1行n列的数组wid1记录。
步骤3.3故障判断元素获取
此时数组包含的宽度可能存在两种,即股线宽度和导线整体宽度,搜索数组的最大值wid1max和最小值wid1min,获取断股检测阈值和定位元素的获取:
对I9旋转180°得到I10,重复步骤3.2,得到wid2,wid2max,wid2min,a2,b2,c2。
步骤3.4故障位置的定位
检测结果存在四种情况,具体判断如下:
四种情况的故障定位罗列如下:
1)若a1<3且a2<3,导线完好,无需进行后续处理;
2)若3≤a1且a2<3,导线上方存在导线故障,故障位置定位方法如下:
判断完毕后,将不存在故障的纵坐标对应I7的列对应的像素值都置0;得到仅包含故障的导线区域的图像I11,确定该区域的最小外接矩形,并在原图I1中框选并在图中标注故障说明。
3)若a1<3且3≤a2,导线下方存在导线故障,故障位置定位方法如下:
判断完毕后,将不存在故障的纵坐标对应I7的列对应的像素值都置0;得到仅包含故障的导线区域的图像I12,确定该区域的最小外接矩形,对I12旋转180°,获取旋转后的最小外接矩形,并在原图I1中框选并在图中标注故障说明。
4)若3≤a1且3≤a2,则导线的上方和下方均存在导线故障。上下的导线定位方法如式(3-7)、(3-8),上下方的最小外接矩形的确定也分别同2)和3);
采用上述方法对故障导线图像进行检测,检测过程效果如图2,最终检测效果如图3。
Claims (5)
1.一种基于边缘距离的导线断股检测方法,其特征在于,具体按照以下步骤实施:
步骤1,通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1;提取获取的输电导线俯拍视频图像I1的三通道图像R、G、B,再计算归一化的改进色差灰度化图像I2;
步骤2,利用OTSU算法对I2做阈值分割获取图像二值图I3,然后经过一次空洞填充消除背景中的亮噪点,得到图像I4;对图像I4取反得到图像I5后进行第二次空洞填充消除导线内部存在的暗噪点,得到图像I6,对图像I6取反即可得到准确的导线图像I7;
步骤3,通过对图像I7做列差分获得图像I9,将边界值作差,获取导线导线宽度数组wid1,通过wid1获得wid1max,wid1min,和上方的故障判断元素a1、b1及c1,将图像I9旋转180°,获取故障下方的判断元素a2、b2及c2,根据a1和a2的取值分成四种情形,分列检测过程,判断是否存在故障并对有故障导线进行故障定位。
2.根据权利要求1所述的一种基于边缘距离的导线断股检测方法,其特征在于,所述步骤1中,计算归一化的改进色差灰度化图像I2的具体步骤如下:
步骤1.1,通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1,并从图像I1提取三通道灰度图像R、G、B,根据式(1-1)计算色差图像s:
s(x,y)=T1×(B(x,y)-T2×R(x,y))+T3 (1-1)
其中,R(x,y)和B(x,y)为图像R和图像B在(x,y)处的像素值,T1是对图像B与图像R的差值进行放大的系数,T2是图像R的缩小系数,T3是补偿系数;
步骤1.2,对图像s做如下运算:
根据式(1-3)对图像S的像素点做归一化处理,得到色差归一化的导线图像I2:
I2(x,y)=S(x,y)/255 (1-3)。
3.根据权利要求1所述的一种基于边缘距离的导线断股检测方法,其特征在于,步骤2具体按照如下步骤实施:
步骤2.1,利用OTSU算法对图像I2进行运算,生成自动阈值T,对图像I2进行阈值分割,大于阈值的取1,小于阈值的取0,得到图像I3。
步骤2.2,第一次空洞填充
将已知目标点像素值为1,背景点像素为0,遍历二值图I2所有像素点,计算出二值图I2中所有的连通域;
依次计算各个连通域的像素点数;逐一判断连通域的像素点数,若其值小于p时,则该连通域内的所有像素值都更新为0,遍历完所有连通域即得到去除图像背景中亮噪点的图像I4;
步骤2.3,第一次图像取反
对图像I4做反色处理,即:
步骤2.4,第二次空洞填充
遍历二值图I5所有像素点,计算出二值图I5中所有的连通域,计算方法同步骤2.2;依次计算各个连通域的像素点数;逐一判断连通域的像素点数,若其值小于p时,则该连通域内的所有像素值都更新为0,遍历完所有连通域即得到去除导线内部暗噪点的图像I6;
步骤2.5第二次图像取反
再对图像I6做反色处理得到准确的导线区域图像I7。
4.根据权利要求3所述的一种基于边缘距离的导线断股检测方法,其特征在于,步骤2中所述连通域的计算方法如下:
采用8连接方式,即当前像素点为1时,判断其上、下、左、右、左上、右上、左下、右下中是否存在一个像素点的像素值为1;若有,并入该区域继续判断这个像素点的8领域直到没有满足条件的点;若无,寻找图像中不包含已检测区域的像素点继续计算,直至找出所有区域。
5.根据权利要求1所述的一种基于边缘距离的导线断股检测方法,其特征在于,步骤3具体按照如下步骤实施:
步骤3.1,差分获取导线边缘
对图像I7的列元素做差分运算得到导线边缘图像I8,具体运算如下:
I8(i,j+1)=I7(i,j+1)-I7(i,j) (3-1)
其中i=1,2,3,...,m;j=1,2,3,...,n-1;
步骤3.2,宽度检测
取图像中纵坐标中前两条边缘,并用大值减小值,即导线的下边界与上边界纵坐标的差值,获得宽度值,用一个1行n列的数组wid1记录;
步骤3.3,故障判断元素获取
此时数组包含的宽度存在两种,即股线宽度和导线整体宽度,搜索数组的最大值wid1max和最小值wid1min,获取断股检测阈值和定位元素的获取:
对I9旋转180°得到I10,重复步骤3.2,得到wid2,wid2max,wid2min,a2,b2,c2;
步骤3.4,故障位置的定位
检测结果存在四种情况,具体判断如下:
公式(3-6)中四种情况的故障定位处理方法具体如下:
1)若a1<3且a2<3,导线完好,无需进行后续处理;
2)若3≤a1且a2<3,导线上方存在导线故障,故障位置定位方法如下:
判断完毕后,将不存在故障的纵坐标对应I7的列对应的像素值都置0;得到仅包含故障的导线区域的图像I11,确定该区域的最小外接矩形,并在原图I1中框选并在图中标注故障说明。
3)若a1<3且3≤a2,导线下方存在导线故障,故障位置定位方法如下:
判断完毕后,将不存在故障的纵坐标对应I7的列对应的像素值都置0;得到仅包含故障的导线区域的图像I12,确定该区域的最小外接矩形,对I12旋转180°,获取旋转后的最小外接矩形,并在原图I1中框选并在图中标注故障说明;
4)若3≤a1且3≤a2,则导线的上方和下方均存在导线故障;上下的导线定位方法如式(3-7)、(3-8),上下方的最小外接矩形的确定也分别同2)和3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418629.2A CN109523543B (zh) | 2018-11-26 | 2018-11-26 | 一种基于边缘距离的导线断股检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418629.2A CN109523543B (zh) | 2018-11-26 | 2018-11-26 | 一种基于边缘距离的导线断股检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523543A true CN109523543A (zh) | 2019-03-26 |
CN109523543B CN109523543B (zh) | 2023-01-03 |
Family
ID=65779153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811418629.2A Active CN109523543B (zh) | 2018-11-26 | 2018-11-26 | 一种基于边缘距离的导线断股检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523543B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363749A (zh) * | 2019-06-21 | 2019-10-22 | 西安工程大学 | 基于图像处理的防震锤锈蚀程度评价方法 |
CN111161090A (zh) * | 2019-11-26 | 2020-05-15 | 北京海益同展信息科技有限公司 | 圈养栏信息的确定方法、装置及***、存储介质 |
CN111966857A (zh) * | 2020-08-19 | 2020-11-20 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测*** |
CN112198227A (zh) * | 2020-09-30 | 2021-01-08 | 东莞市李群自动化技术有限公司 | 超声无损检测缺陷位置回溯方法 |
CN112926556A (zh) * | 2021-04-28 | 2021-06-08 | 上海大学 | 一种基于语义分割的航拍输电线路散断股识别方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011018823A1 (de) * | 2011-04-27 | 2012-10-31 | Witrins S.R.O. | Verfahren und Vorrichtung zur Inspektion von gedruckten PCBs |
CN105551056A (zh) * | 2016-01-27 | 2016-05-04 | 云南电网有限责任公司电力科学研究院 | 一种线路断股检测方法及*** |
CN105718842A (zh) * | 2014-12-02 | 2016-06-29 | 中国科学院沈阳自动化研究所 | 一种输电线断股故障的机器视觉检测方法 |
JP2016166750A (ja) * | 2015-03-09 | 2016-09-15 | 中日本高速道路株式会社 | 斜張橋の斜材点検装置及び斜材点検方法 |
CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
CN108734689A (zh) * | 2018-02-07 | 2018-11-02 | 西安工程大学 | 一种基于区域生长的导线散股检测方法 |
-
2018
- 2018-11-26 CN CN201811418629.2A patent/CN109523543B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011018823A1 (de) * | 2011-04-27 | 2012-10-31 | Witrins S.R.O. | Verfahren und Vorrichtung zur Inspektion von gedruckten PCBs |
CN105718842A (zh) * | 2014-12-02 | 2016-06-29 | 中国科学院沈阳自动化研究所 | 一种输电线断股故障的机器视觉检测方法 |
JP2016166750A (ja) * | 2015-03-09 | 2016-09-15 | 中日本高速道路株式会社 | 斜張橋の斜材点検装置及び斜材点検方法 |
CN105551056A (zh) * | 2016-01-27 | 2016-05-04 | 云南电网有限责任公司电力科学研究院 | 一种线路断股检测方法及*** |
CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
CN108734689A (zh) * | 2018-02-07 | 2018-11-02 | 西安工程大学 | 一种基于区域生长的导线散股检测方法 |
Non-Patent Citations (3)
Title |
---|
王万国,张晶晶,韩军等: ""基于无人机图像的输电线断股与异物缺陷检测方法"", 《计算机应用》 * |
苗龙元,于正林,王震: ""基于连通区域标记的区域填充算法"", 《长春理工大学学报(自然科学版)》 * |
黄新波,张慧莹,张烨等: ""基于改进色差法的复合绝缘子图像分割技术"", 《高电压技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363749A (zh) * | 2019-06-21 | 2019-10-22 | 西安工程大学 | 基于图像处理的防震锤锈蚀程度评价方法 |
CN111161090A (zh) * | 2019-11-26 | 2020-05-15 | 北京海益同展信息科技有限公司 | 圈养栏信息的确定方法、装置及***、存储介质 |
CN111161090B (zh) * | 2019-11-26 | 2022-12-27 | 京东科技信息技术有限公司 | 圈养栏信息的确定方法、装置及***、存储介质 |
CN111966857A (zh) * | 2020-08-19 | 2020-11-20 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测*** |
CN111966857B (zh) * | 2020-08-19 | 2023-09-29 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测*** |
CN112198227A (zh) * | 2020-09-30 | 2021-01-08 | 东莞市李群自动化技术有限公司 | 超声无损检测缺陷位置回溯方法 |
CN112926556A (zh) * | 2021-04-28 | 2021-06-08 | 上海大学 | 一种基于语义分割的航拍输电线路散断股识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109523543B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
CN110458839B (zh) | 一种有效的电线电缆监测*** | |
CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
Zhang et al. | A recognition technology of transmission lines conductor break and surface damage based on aerial image | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN103413150A (zh) | 基于可见光影像对电力线路缺陷进行诊断的方法 | |
CN108734689A (zh) | 一种基于区域生长的导线散股检测方法 | |
CN105957073B (zh) | 输电线路散股故障检测方法 | |
CN111342391A (zh) | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 | |
CN107169966B (zh) | 一种基于温度分布的输电线路山火辨识方法 | |
CN102831393A (zh) | 电力杆塔轮廓的快速图像识别方法 | |
CN113159334B (zh) | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 | |
CN103852018A (zh) | 基于图像处理的输电线路覆冰厚度测量算法 | |
CN112150412B (zh) | 一种基于投影曲线分析的绝缘子自爆缺陷检测方法 | |
CN112001327A (zh) | 一种阀厅设备故障识别方法及*** | |
CN113486877A (zh) | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 | |
CN114724042B (zh) | 一种输电线路中零值绝缘子自动检测方法 | |
Li et al. | PEDNet: A lightweight detection network of power equipment in infrared image based on YOLOv4-Tiny | |
CN111079852B (zh) | 一种输电线路绝缘子覆冰厚度侦测方法 | |
CN114184232A (zh) | 一种输电线路多参量集成监测*** | |
CN105528790A (zh) | 一种输电线路小型部件识别方法 | |
CN111062933A (zh) | 一种基于视场自适应调节的输电线路覆冰图像检测方法 | |
Wang et al. | Study on edge extraction methods for image-based icing on-line monitoring on overhead transmission lines | |
CN108492292B (zh) | 基于红外图像处理的导线散股检测方法 |
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 |