CN110288571A - 一种基于图像处理的高铁接触网绝缘子异常检测方法 - Google Patents
一种基于图像处理的高铁接触网绝缘子异常检测方法 Download PDFInfo
- Publication number
- CN110288571A CN110288571A CN201910489410.XA CN201910489410A CN110288571A CN 110288571 A CN110288571 A CN 110288571A CN 201910489410 A CN201910489410 A CN 201910489410A CN 110288571 A CN110288571 A CN 110288571A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- insulator
- curve
- angle
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1245—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
-
- 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
- G06T7/0002—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
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/10—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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Ceramic Engineering (AREA)
- Signal Processing (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的高铁接触网绝缘子异常检测方法,以接触网高清灰度图像为研究对象,在利用深度学习技术实现对绝缘子区域的检测和分类的基础上,对截取的绝缘子图片进行处理和分析,判断绝缘子是否异常。所述的方法主要包括:对待处理的图像进行预处理;绝缘子边缘检测;通过检测绝缘子区域和边缘的形状特征判定故障。本发明能够有效的对接触网绝缘子进行故障检测,算法的计算量小,由于在图像预处理过程中针对实例中存在的干扰加入了相应的图像处理算法,从而保障了故障检测的准确率。漏检率在1%以下,故障检测准确率在97%以上,均符合实际工程需要。本发明尤其对负样本不足的基于图像处理的故障检测提供了一个可行的方案。
Description
技术领域
本发明属于图像处理与分析技术领域,具体涉及一种接触网绝缘子异常检测方法。
背景技术
接触网是电气化输电线路建设中的重要部分,它通过沿线支柱设备架设在铁路沿线线路。电力机车主要通过接触网传输获得运行所需要的电能,因此时刻保证接触网良好的工作状态至关重要。在接触网***中,绝缘子是除机械支架之外悬挂装置中重要部件之一,一方面使接触网带电导体之间有足够的距离,另一方面让带电导体与大地之间保证绝缘。由于绝缘子工作环境需要长期暴露在大气环境中,还需长期经受强电场和强机械应力,出现故障的几率较大,绝缘子难免会产生不同程度的破损。绝缘子瓷体发生破损会降低其绝缘强度,如果长时间不被发现并且得不到更换,将会导致瓷瓶断裂而引发电路中其他不可预知的故障。而目前,传统的人工检测效率低、工作强度大、危险系数高,电场法不能检测一些不影响电场的外绝缘缺陷,这些检测方法都不具备一定的实用性。在保证电力机车安全运行的同时,提高检测效率实现智能化巡检对于逐渐增多的铁路里程显得尤为重要,因此,研究智能巡检技术在未来铁路发展中具有重要意义。
近年来,随着数字图像处理技术和机器学习技术的发展,计算机视觉技术已被广泛应用于各种物体检测和工业故障检测的任务中。故本发明基于计算机视觉技术提出一种接触网绝缘子故障检测方法,通过基于深度学习的目标检测算法,对工业相机拍摄到的接触网区域内超高清视频和图片中的绝缘子实现目标检测和分类,进而通过计算机视觉技术对检测到的绝缘子提取边缘的几何特征和区域的纹理特征,最后通过机器学习的分类算法和边缘跟踪检测算法实现故障的诊断。本发明将有助于绝缘子缺陷的非接触、在线监测的实现,为接触网悬挂装置的故障诊断提供了新思路。具有重要的科学意义和实际应用价值。
发明内容
本发明的目的是提供一种基于图像处理的高铁接触网绝缘子异常检测方法,能高效的识别接触网绝缘子是否存在故障。包括以下步骤:
步骤(1):通过接触网悬挂状态检测装置拍摄接触网区域,得到接触网支撑装置的图像,筛选出图像中有绝缘子的作为研究样本,并把这些图像制作成带有标签的数据。
步骤(2):根据各张图像制作绝缘子检测训练样本,再把这些样本放到深度卷积网络中训练得到绝缘子目标检测模型。
步骤(3):通过目标检测网络模型检测待处理的测试图像,得到绝缘子区域并截取该区域。
步骤(4):对截取的绝缘子区域进行滤波预处理;
考虑到研究图像存在噪声的情况,首先对图像进行中值滤波,中值滤波就是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。
预先对绝缘子图像进行方向校正,并以此得到绝缘子的尺寸,具体的步骤如下:对绝缘子进行Otsu阈值分割,Otsu方法是使阈值被选择出来的可能性最大,把图像分割成目标和背景;分别计算二值图像在0°、45°、90°、135°方向上的投影宽度,再用二分法查找得到最小的投影宽度,并得到校正角度,其算法流程如下:
1)设三个变量a,mid,b分别指向角度值的左端点,中间,右端点,在其角度方向上的投影宽度分别表示为f(a),f(mid),f(b);
2)计算二值图像在0°、45°、90°、135°方向上的投影宽度,选择其中投影宽度最小时的角度为mid,则(mid-45°)、(mid+45°)分别为a、b,角度取值在0°~180°,若计算过程中不在此范围内,可通过加减180°将角度值调整在此范围;
3)判断|f(a)-f(b)|<d和f((a+b)/2)>Max(f(a)、f(b)),d是小于10-3的常数值,若两式至少有一式成立,则停止流程,mid为校正角度;若两式均不成立,则继续运行;
4)比较f(a)和f(b)的大小,若f(a)<f(b),表明需在左半段查找校正角度,将b值更新为mid,若f(a)>f(b),表明需在右半段查找校正角度,将a值更新为mid;返回上一步,直至流程结束。
由于绝缘子的中间区域受光照影响比较大,采取基于主干区域灰度值的反光区域消除补偿的办法,消除光照对边缘提取的影响,具体的步骤如下:对绝缘子进行阈值分割,标记二值图像中的白色区域,并对白色区域在原图中的位置的像素点求灰度平均值X,再对原图中灰度值在区间(αX,1)的像素点进行平滑插补。
步骤(5):对经过预处理的区域其进行特征提取,包括绝缘子两侧区域的提取和边缘检测提取。
定义一个表面的斜率和方向,数学上是通过梯度来实现的,
式中I(x)表示原图像,J(x)表示局部梯度方向,它指向亮度函数的极速上升的方向;
考虑到求取图像的导数强调了高频率的部分而放大了噪声,在计算梯度之前将图像用一个低通滤波器进行平滑,选用高斯函数作为圆对称滤波器,平滑后的梯度图形写为:
其中二维高斯函数的一般形式为:
式中,参数σ反映了高斯函数的带宽;
再将边界基元连成链状,以提取特征,具体的处理步骤为:
1)对边缘检测得到的曲线进行8-连接规范化处理,即使得线条中的任意像素点最多只能有两个线上的点与之相邻;
2)消除分支点;
3)若任意两曲线端点距离小于3个像素点,且端点处的斜率与端点连接线的斜率相近,则将此两条曲线为相连。
为了提取完整的绝缘子两侧边缘,且避免边缘不规则纹理对边缘提取的影响,采用区域分割算法主要为以背景点为起点的区域生长算法,区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程,其基本思想是从一组生长点开始(生长点可以是单个像素,也可以是某个小区域),将与该生长点性质相似的相邻像素或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止,然后进行特征提取。
需要提取的轮廓形状特征有:
a)边界长度
边界长度L是边界基本的属性,垂直和水平的步幅为单位长度,在8连通下的对角步幅的长度为
b)边界曲率
遍历一条平面曲线,假设A是曲线上点B领域内的一个点、δ是这两个点的正向切线所形成的交角,AB表示点A和点B的距离,AB定义连续的边界曲率k为:
在二值图像中,利用曲线上某点Ai与其前驱点Ai-bp和后继点Ai+bs的位置关系,近似为曲线上距离该点某一棋盘距离的两点,通过Ai-bp,Ai,Ai+bs这三个点确定的前驱数字直线分割计算边界曲率,算法如下:
1)计算
lp=||Ai-bp,Ai||,ls=||Ai,Ai+bs||,
δp=|Θp-Θ|,δs=|Θs-Θ|
其中lp,ls分别为点Ai与其前驱点和后继点的距离,Θp,Θs分别为前驱倾斜角和后继倾斜角,δp,δs分别为前驱偏转角和后继偏转角;
xi+bs,yi+bs分别为后继点Ai+bs的横坐标和纵坐标,xi-bp,yi-bp分别为前驱点Ai-bp的横坐标和纵坐标,xi,yi分别为点Ai的横坐标和纵坐标。
2)在Ai点的边界曲率k(Ai)为
各个像素点处于一个离散的空间中,切线的倾斜角近似为曲线上距离该点一定棋盘距离的两点的倾斜角。
c)弯曲能量
边界的弯曲能量BE是把一个横杆弯曲成所要求的形状所需要的能量,计算为边界曲率k(Ai)的平方和除以边界像素点个数N:
需要提取的区域形状特征主要有:
a)面积
区域的面积指闭合区域内包含的像素个数。
b)投影
分别定义水平和垂直的区域投影gh(i)和gv(j)为
I(i,j)为图像函数。
c)离心率
离心率e特征是区域最长弦Q和垂直于Q的最长弦P的长度比。
d)中心矩
区域的矩表示把一个归一化的灰度级图像函数当作为一个二维随机变量的概率密度,中心矩表示为
其中p、q表示矩的阶,xc,yc是区域重心的坐标。
步骤(6):进行特征检测与匹配,完成目标的故障检测。
故障检测可分为两个部分:
1)两侧边缘异常检测,根据步骤(5)提取绝缘子两侧边缘区域图像特征面积、投影、离心率、中心矩,用支持向量机实现异常的识别。
2)中间边缘异常检测,正常的绝缘子中间边缘是平滑的,即曲线上点的切线斜率应该是单调变化的,由于二值图像中曲线不是严格的曲线,而是一条8连接的像素点组成的,导致像素点上的切线的倾斜角变化是震荡的,为此将绝缘子中间边缘曲线上各个像素点切线的倾斜角绘制在直角坐标系上,并对该序列图像进行平滑处理,即:将曲线上除端点外每一像素点灰度值迭代为该点和与之相邻两点的平均灰度,迭代的次数为曲线的长度,观察平滑图像的单调性,作为边缘是否异常的判定依据,该算法的具体步骤如下:
遍历一条平面曲线l,曲线的长度,即像素点个数为n,则曲线上的点用p1,p2…pi…pn来表示;
对于曲线l上的任意一个点pi,2<i<n-1,该点的坐标为该点的切线的斜率定义为:
点pi的切线倾斜角表示为:
将曲线上点切线的倾斜角绘制直角坐标系上,横坐标为点序列,纵坐标为点切线倾斜角,将的值进行m次平滑迭代处理:1<i<n,j为当前迭代次数,m=INT(βn),INT是取整函数,β取值范围是0~1的常数,表明迭代次数与像素点个数是正相关关系;
将更新的倾斜角绘制直角坐标系上,若得到图像为非单调变化的曲线,表明边缘故障。
所述的步骤4)中α取值为1.5。
所述的β取值为0.8。
本发明算法的计算量小,由于在图像预处理过程中对存在的干扰加入了相应的图像处理算法,从而保障了故障检测的准确率。漏检率达到了1%以下,故障检测准确率在97%以上,均符合实际工程需要。本发明尤其对负样本不足的基于图像处理的故障检测提供了一个可行的方案。
附图说明
图1为本发明提供的绝缘子故障检测流程示意图;
图2为本发明提供的研究对象绝缘子的一个实例的示意图;
图3为本发明提供的利用二分搜索法对绝缘子进行方向校正的流程示意图;
图4为本发明提供的绝缘子反光区域消除补偿的一个实施例的示意图,(a)为处理前的图像,(b)为处理后的图像;
图5为本发明提供的经过方向校正后边缘提取的一个实施例的示意图,(a)为原始图像,(b)为方向校正后的图像,(c)为边缘算子处理后的图像,(d)边缘提取后的图像;
图6为本发明提供的利用区域生长法进行图像分割和边缘提取的一个实施例的示意图,(a)为原始图像,(b)为Canny算子处理后的图像(c)为区域生长法进行图像分割的图像(d)为根据(c)提取的边缘图像。
图7为本发明提供的绝缘子边缘曲线像素点的切线倾斜角序列示意图;
图8为本发明提供的经过平滑迭代处理后的绝缘子边缘曲线像素点的切线倾斜角序列示意图。
具体实施方式
为使本发明的技术方案和实现步骤更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
参照图1所示,本实施例中,接触网关键部件目标检测方法的步骤如下:
一、获取样本图像
获取高清摄像机在列车行车过程中采集到的触网支撑装置图像,筛选出图像中有绝缘子的作为研究样本,并把这些图像制作成带有标签的数据。采集到的样本图像的尺寸为4000*6000。
二、绝缘子目标检测与分类
要检测绝缘子的故障,首先要实现绝缘子的目标检测,目前应用效果最好的方法就是基于深度学习的目标检测网络。把步骤一中的标签数据放到深度学习网络中训练,本发明采用one stage的方法进行绝缘子的目标检测和分类。
三、图片预处理
采用的预处理方式主要有线性滤波、绝缘子方向校正、反光区域的消除补偿。步骤二得到的绝缘子图像如图2所示。考虑到研究图像存在噪声的情况,首先要对图像进行中值滤波,去除椒盐噪声,椒盐噪声是由图像***中的解码误差等原因产生的,导致图像中出现白点和黑点。中值滤波一般使用模板的方法实现,对模板内的像素按照像素点灰度值的大小进行排序,生成单调上升(或下降)的二维数据序列,并使用下面的公式进行输出:
g(x,y)=med{f(x-m,y-n),(m,n∈W)}
其中,f(x,y)表示原始的图像,而g(x,y)表示处理后的图像,W为二维模板,m和n分别为W的行和列。
中值滤波一般使用二维模板,滤波窗口通常为3*3,5*5,7*7区域,在本发明中采用3*3矩形区域。实现方法是通过从图像中的某个采样窗口取出奇数个数据进行排序。用排序后的中值取代要处理的数据即可。
考虑到研究图像存在噪声的情况,首先要对图像进行中值滤波,中值滤波就是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。中指的一个常见的作用就是去除椒盐噪声。
预先对绝缘子图像进行方向校正,并以此得到绝缘子的尺寸,具体的步骤如下:对绝缘子进行Otsu阈值分割,Otsu方法是使阈值被选择出来的可能性最大,把图像分割成目标和背景;分别计算二值图像在0°、45°、90°、135°方向上的投影宽度,再用二分法查找得到最小的投影宽度,并得到校正角度,其算法流程如下:
1)设三个变量a,mid,b分别指向角度值的左端点,中间,右端点,在其角度方向上的投影宽度分别表示为f(a),f(mid),f(b);
2)计算二值图像在0°、45°、90°、135°方向上的投影宽度,选择其中投影宽度最小时的角度为mid,则(mid-45°)、(mid+45°)分别为a、b,角度取值在0°~180°,若计算过程中不在此范围内,可通过加减180°将角度值调整在此范围;
3)判断|f(a)-f(b)|<d和f((a+b)/2)>Max(f(a)、f(b)),d是小于10-3的常数值,若两式至少有一式成立,则停止流程,mid为校正角度;若两式均不成立,则继续运行;
4)比较f(a)和f(b)的大小,若f(a)<f(b),表明需在左半段查找校正角度,将b值更新为mid,若f(a)>f(b),表明需在右半段查找校正角度,将a值更新为mid;返回上一步,直至流程结束;其流程示意图如图3所示。
由于绝缘子的中间区域受光照影响比较大,采取基于主干区域灰度值的反光区域消除补偿的办法,消除光照对边缘提取的影响。具体的步骤如下:对绝缘子进行阈值分割(阈值的选择由图片的灰度值分布所决定),标记二值图像中的白色区域,并对白色区域在原图中的位置的像素点求灰度平均值X,再对原图中灰度值在区间(αX,1)的像素点进行平滑插补(α为一常数系数,通过实验获得,对本发明的研究对象取1.5效果较好)。其效果示意图如图4所示。
四、边缘提取与区域分割算法
从数学的角度定义一个表面的斜率和方向是通过它的梯度来实现的。
式中I(x)表示原图像,J(x)表示局部梯度方向,它指向亮度函数的极速上升的方向;
但是,求取图像的导数强调了高频率的部分因而放大了噪声,因为噪声和信号的比例在高频部分较大,因此在计算梯度之前需要先考虑将图像用一个低通滤波器进行平滑。高斯函数是是唯一可分离的圆对称滤波器。因为微分是一个线性操作,所以它和其他线性滤波操作可交换。因此一个平滑后的梯度图形可以写作
其中二维高斯函数的一般形式为:
式中,参数σ反映了高斯函数的带宽。
在此基础上,为了更好的分离各独立的绝缘子边缘并防止边缘因旋转、椒盐噪声出现断开的情况,本发明根据曲线特征将边界连成链状以便提取特征,具体的处理步骤:
1)对边缘检测得到的曲线进行8-连接规范化处理,即使得线条中的任意像素点最多只能有两个线上的点与之相邻;
2)消除分支点;
3)若任意两曲线端点距离小于3个像素点,且端点处的斜率与端点连接线的斜率相近,则将此两条曲线为相连。其效果图如图5所示。
为了提取完整的绝缘子两侧边缘,且避免边缘不规则纹理对边缘提取的影响,本发明采取的区域分割算法主要为以背景点为起点的区域生长算法。区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。其基本思想是从一组生长点开始(生长点可以是单个像素,也可以是某个小区域),将与该生长点性质相似的相邻像素点或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止。效果图如图6所示。
五、特征提取
再进行特征提取,需要提取的轮廓形状特征有:
a)边界长度
边界长度L是边界基本的属性,垂直和水平的步幅为单位长度,在8连通下的对角步幅的长度为
b)边界曲率
遍历一条平面曲线,假设A是曲线上点B领域内的一个点、δ是这两个点的正向切线所形成的交角,AB表示点A和点B的距离,AB定义连续的边界曲率k为:
在二值图像中,利用曲线上某点Ai与其前驱点Ai-bp和后继点Ai+bs的位置关系,近似为曲线上距离该点某一棋盘距离的两点,通过Ai-bp,Ai,Ai+bs这三个点确定的前驱数字直线分割计算边界曲率。算法可以被简要概述如下:
1)计算
lp=||Ai-bp,Ai||,ls=||Ai,At+bs||,
δp=|Θp-Θ|,δs=|Θs-Θ|
其中lp,ls分别为点与其前驱点和后继点的距离,Θp,Θs分别为前驱倾斜角和后继倾斜角,δp,δs分别为前驱偏转角和后继偏转角。xi+bs,yi+bs分别为后继点Ai+bs的横坐标和纵坐标,xi-bp,yi-bp分别为前驱点Ai-bp的横坐标和纵坐标,xi,yi分别为点Ai的横坐标和纵坐标。
2)在Ai点的曲率k(Ai)为
在数字图像处理中,各个像素点处于一个离散的空间中,切线的倾斜角可以近似为曲线上距离该点一定棋盘距离的两点的倾斜角。
c)弯曲能量
边界的弯曲能量(BE)是把一个横杆弯曲成所要求的形状所需要的能量,可以计算为边界曲率k(Ai)的平方和除以边界像素点个数N。
需要提取的区域形状特征主要有:
a)面积
区域的面积指闭合区域内包含的像素个数;
b)投影
定义水平和垂直的区域投影gh(i)和gv(j)为
I(i,j)为图像函数;
c)离心率
离心率e特征是区域最长弦Q和垂直于Q的最长弦P的长度比。
d)中心矩
区域的矩表示把一个归一化的灰度级图像函数理解为一个二维随机变量的概率密度。中心矩表示为
其中p、q表示矩的阶,xc,yc是区域重心的坐标。
六、故障检测
故障可分为两个部分,1)两侧边缘异常检测。由于两侧边缘的曲率变化和受噪声干扰的影响较大,不方便根据轮廓特征判断是否异常,所以本发明先提取绝缘子两侧边缘区域图像特征面积、投影、离心率和中心矩,再用支持向量机实现异常的识别。2)中间边缘异常检测。正常的绝缘子中间边缘应该是平滑的,即曲线上点的切线斜率应该是单调变化的,但由于二值图像中曲线不是严格的曲线,而是一条8连接的像素点组成的,因此像素点上的切线的倾斜角变化也是震荡的,基于此,本发明将绝缘子中间边缘曲线上各个像素点切线的倾斜角绘制在直角坐标系上,并对该序列图像进行平滑处理(将曲线上除端点外每一像素点灰度值迭代为该点和与之相邻两点的平均灰度,迭代的次数为曲线的长度)。观察平滑图像的单调性,以此作为边缘是否异常的一项判定依据。
该算法的具体步骤如下:
1)遍历一条平面曲线l,曲线的长度,即像素点个数为n,则曲线上的点用p1,p2…pi…pn来表示;
2)对于曲线l上的任意一个点pi,2<i<n-1,该点的坐标为该点的切线的斜率定义为:
3)点pi的切线倾斜角表示为:
4)将曲线上点切线的倾斜角绘制直角坐标系上,横坐标为点序列,纵坐标为点切线倾斜角,以图2为实例,其处理结果如图7所示;
5)将的值进行m次平滑迭代处理:1<i<n,j为当前迭代次数,m=INT(βn),INT是取整函数,β取值范围是0~1的常数,表明迭代次数与像素点个数是正相关关系;
6)将更新的倾斜角绘制直角坐标系上,若得到图像为非单调变化的曲线,表明边缘故障,如图8所示。
Claims (3)
1.一种基于图像处理的高铁接触网绝缘子异常检测方法,其特征在于包括以下步骤:
步骤(1):通过接触网悬挂状态检测装置拍摄接触网区域,得到接触网支撑装置的图像,筛选出图像中有绝缘子的作为研究样本,并把这些图像制作成带有标签的数据;
步骤(2):根据各张图像制作绝缘子检测训练样本,再把这些样本放到深度卷积网络中训练得到绝缘子目标检测模型;
步骤(3):通过目标检测网络模型检测待处理的测试图像,得到绝缘子区域并截取该区域;
步骤(4):对截取的绝缘子区域进行滤波预处理;
考虑到研究图像存在噪声的情况,首先对图像进行中值滤波,中值滤波就是基于排序统计理论的一种能有效抑制噪声的非线性信号处理方法;
预先对绝缘子图像进行方向校正,并得到绝缘子的尺寸,具体的步骤如下:对绝缘子进行Otsu阈值分割,Otsu方法是使阈值被选择出来的可能性最大,把图像分割成目标和背景;分别计算二值图像在0°、45°、90°、135°方向上的投影宽度,再用二分法查找得到最小的投影宽度,并得到校正角度,其算法流程如下:
1)设三个变量a,mid,b分别指向角度值的左端点,中间,右端点,在其角度方向上的投影宽度分别表示为f(a),f(mid),f(b);
2)计算二值图像在0°、45°、90°、135°方向上的投影宽度,选择其中投影宽度最小时的角度为mid,则(mid-45°)、(mid+45°)分别为a、b,角度取值在0°~180°,若计算过程中不在此范围内,通过加减180°将角度值调整到该范围;
3)判断|f(a)-f(b)|<d和f((a+b)/2)>Max(f(a)、f(b)),d是小于10-3的常数值,若两式至少有一式成立,则停止流程,mid为校正角度;若两式均不成立,则继续运行;
4)比较f(a)和f(b)的大小,若f(a)<f(b),表明需在左半段查找校正角度,将b值更新为mid,若f(a)>f(b),表明需在右半段查找校正角度,将a值更新为mid;返回上一步,直至流程结束;
由于绝缘子的中间区域受光照影响比较大,采取基于主干区域灰度值的反光区域消除补偿的办法,消除光照对边缘提取的影响,具体的步骤如下:对绝缘子进行阈值分割,标记二值图像中的白色区域,并对白色区域在原图中的位置的像素点求灰度平均值X,再对原图中灰度值在区间(αX,1)的像素点进行平滑插补;
步骤(5):对经过预处理的区域其进行特征提取,包括绝缘子两侧区域的提取和边缘检测提取:
定义一个表面的斜率和方向,数学上是通过梯度来实现的,
式中I(x)表示原图像,J(x)表示局部梯度方向,指向亮度函数的极速上升的方向;
考虑到求取图像的导数强调了高频率的部分而放大了噪声,在计算梯度之前将图像用一个低通滤波器进行平滑,选用高斯函数作为圆对称滤波器,平滑后的梯度图形写为:
其中二维高斯函数的一般形式为:
式中,参数σ反映了高斯函数的带宽;
再将边界基元连成链状,以提取特征,具体的处理步骤为:
1)对边缘检测得到的曲线进行8-连接规范化处理,即使得线条中的任意像素点最多只能有两个线上的点与之相邻;
2)消除分支点;
3)若任意两曲线端点距离小于3个像素点,且端点处的斜率与端点连接线的斜率相近,则将此两条曲线为相连;
为了提取完整的绝缘子两侧边缘,且避免边缘不规则纹理对边缘提取的影响,采用区域分割算法主要为以背景点为起点的区域生长算法,区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程,其基本思想是从一组生长点开始,生长点是单个像素,或者是某个小区域,将与该生长点性质相似的相邻像素或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止,然后进行特征提取:
需要提取的轮廓形状特征有:
a)边界长度
边界长度L是边界基本的属性,垂直和水平的步幅为单位长度,在8连通下的对角步幅的长度为
b)边界曲率
遍历一条平面曲线,假设A是曲线上点B领域内的一个点、δ是这两个点的正向切线所形成的交角,AB表示点A和点B的距离,AB定义连续的边界曲率k为:
在二值图像中,利用曲线上某点Ai与其前驱点Ai-bp和后继点Ai+bs的位置关系,近似为曲线上距离该点某一棋盘距离的两点,通过Ai-bp,Ai,Ai+bs这三个点确定的前驱数字直线分割计算边界曲率,算法如下:
1)计算
lp=‖Ai-bp,Ai‖,ls=‖Ai,Ai+bz‖,
δp=|Θp-Θ|,δs=|Θs-Θ|
其中lp,ls分别为点Ai与其前驱点和后继点的距离,Θp,Θs分别为前驱倾斜角和后继倾斜角,δp,δs分别为前驱偏转角和后继偏转角;
xi+bs,yi+bs分别为后继点Ai+bs的横坐标和纵坐标,xi-bp,
yi-bp分别为前驱点Ai-bp的横坐标和纵坐标,
xi,yi分别为点Ai的横坐标和纵坐标;
2)在Ai点的边界曲率k(Ai)为
各个像素点处于一个离散的空间中,切线的倾斜角近似为曲线上距离该点一定棋盘距离的两点的倾斜角;
c)弯曲能量
边界的弯曲能量BE是把一个横杆弯曲成所要求的形状所需要的能量,计算公式是边界曲率k(Ai)的平方和除以边界像素点个数N:
需要提取的区域形状特征有:
a)面积
区域的面积指闭合区域内包含的像素个数;
b)投影
分别定义水平和垂直的区域投影gh(i)和gv(j)为
I(i,j)为图像函数;
c)离心率
离心率e特征是区域最长弦Q和垂直于Q的最长弦P的长度比;
d)中心矩
区域的矩表示把一个归一化的灰度级图像函数当作为一个二维随机变量的概率密度,中心矩表示为
其中p、q表示矩的阶,xc,yc是区域重心的坐标;
步骤(6):进行特征检测与匹配,完成目标的故障检测;
故障可分为两个部分:
1)两侧边缘异常检测,根据步骤(5)提取绝缘子两侧边缘区域图像特征面积、投影、离心率、中心矩,用支持向量机实现异常的识别;
2)中间边缘异常检测,正常的绝缘子中间边缘是平滑的,即曲线上点的切线斜率应该是单调变化的,由于二值图像中曲线不是严格的曲线,而是一条8连接的像素点组成的,导致像素点上的切线的倾斜角变化是震荡的,为此将绝缘子中间边缘曲线上各个像素点切线的倾斜角绘制在直角坐标系上,并对该序列图像进行平滑处理,即:将曲线上除端点外每一像素点灰度值迭代为该点和与之相邻两点的平均灰度,迭代的次数为曲线的长度,观察平滑图像的单调性,作为边缘是否异常的判定依据,该算法的具体步骤如下:
遍历一条平面曲线l,曲线的长度,即像素点个数为n,则曲线上的点用p1,p2…pi…pn来表示;
对于曲线l上的任意一个点pi,2<i<n-1,该点的坐标为该点的切线的斜率定义为:
点pi的切线倾斜角表示为:
将曲线上点切线的倾斜角绘制直角坐标系上,横坐标为点序列,纵坐标为点切线倾斜角,将的值进行m次平滑迭代处理: j为当前迭代次数,m=INT(βn),INT是取整函数,β取值范围是0~1的常数,表明迭代次数与像素点个数是正相关关系;
将更新的倾斜角绘制直角坐标系上,若得到图像为非单调变化的曲线,表明边缘故障。
2.如权利要求1所述的一种基于图像处理的高铁接触网绝缘子异常检测方法,其特征在于:所述的步骤4)中,α取值为1.5。
3.如权利要求1所述的一种基于图像处理的高铁接触网绝缘子异常检测方法,其特征在于:所述的β取值为0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489410.XA CN110288571B (zh) | 2019-06-06 | 2019-06-06 | 一种基于图像处理的高铁接触网绝缘子异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489410.XA CN110288571B (zh) | 2019-06-06 | 2019-06-06 | 一种基于图像处理的高铁接触网绝缘子异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288571A true CN110288571A (zh) | 2019-09-27 |
CN110288571B CN110288571B (zh) | 2021-03-23 |
Family
ID=68003439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910489410.XA Active CN110288571B (zh) | 2019-06-06 | 2019-06-06 | 一种基于图像处理的高铁接触网绝缘子异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288571B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221614A (zh) * | 2020-12-23 | 2021-08-06 | 南方电网电力科技股份有限公司 | 一种基于混合神经网络的电网绝缘子破损图像识别方法 |
CN113911885A (zh) * | 2021-10-29 | 2022-01-11 | 南京联了么信息技术有限公司 | 一种基于图像处理的电梯防夹方法及*** |
CN114022483A (zh) * | 2022-01-08 | 2022-02-08 | 南通欣斯特机械制造有限公司 | 一种基于边缘特性的注塑飞边区域识别方法 |
CN115272831A (zh) * | 2022-09-27 | 2022-11-01 | 成都中轨轨道设备有限公司 | 接触网悬挂状态监测图像的传输方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3616802A1 (de) * | 1986-05-17 | 1987-11-19 | Bergner Richard Gmbh Co | Schutzvorrichtung gegen die folgen eines isolatorbruches bei doppelketten einer hochspannungs-freileitung |
US20030032243A1 (en) * | 2001-08-13 | 2003-02-13 | Seiki Ogura | Twin NAND device structure, array operations and fabrication method |
CN105572541A (zh) * | 2015-12-07 | 2016-05-11 | 浙江大学 | 一种基于视觉注意机制的高压巡线故障检测方法及*** |
CN106934418A (zh) * | 2017-03-09 | 2017-07-07 | 国家电网公司 | 一种基于卷积递归网络的绝缘子红外诊断方法 |
CN107727658A (zh) * | 2017-08-21 | 2018-02-23 | 南京理工大学 | 基于图像处理的受电弓裂纹在线检测装置及方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及*** |
CN108154072A (zh) * | 2016-12-02 | 2018-06-12 | 天津工业大学 | 基于深度卷积神经网络的航拍绝缘子故障自动检测 |
CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
CN108693453A (zh) * | 2018-05-18 | 2018-10-23 | 云南电网有限责任公司电力科学研究院 | 一种复合绝缘子内部缺陷的主动红外热像检测装置及方法 |
CN108828409A (zh) * | 2018-08-03 | 2018-11-16 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的故障检测*** |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109711257A (zh) * | 2018-11-27 | 2019-05-03 | 成都宜泊信息科技有限公司 | 一种基于图像识别的道闸状态检测方法及*** |
CN109801284A (zh) * | 2019-01-25 | 2019-05-24 | 华中科技大学 | 一种基于深度学习的高铁接触网绝缘子故障检测方法 |
-
2019
- 2019-06-06 CN CN201910489410.XA patent/CN110288571B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3616802A1 (de) * | 1986-05-17 | 1987-11-19 | Bergner Richard Gmbh Co | Schutzvorrichtung gegen die folgen eines isolatorbruches bei doppelketten einer hochspannungs-freileitung |
US20030032243A1 (en) * | 2001-08-13 | 2003-02-13 | Seiki Ogura | Twin NAND device structure, array operations and fabrication method |
CN105572541A (zh) * | 2015-12-07 | 2016-05-11 | 浙江大学 | 一种基于视觉注意机制的高压巡线故障检测方法及*** |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及*** |
CN108154072A (zh) * | 2016-12-02 | 2018-06-12 | 天津工业大学 | 基于深度卷积神经网络的航拍绝缘子故障自动检测 |
CN106934418A (zh) * | 2017-03-09 | 2017-07-07 | 国家电网公司 | 一种基于卷积递归网络的绝缘子红外诊断方法 |
CN107727658A (zh) * | 2017-08-21 | 2018-02-23 | 南京理工大学 | 基于图像处理的受电弓裂纹在线检测装置及方法 |
CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
CN108693453A (zh) * | 2018-05-18 | 2018-10-23 | 云南电网有限责任公司电力科学研究院 | 一种复合绝缘子内部缺陷的主动红外热像检测装置及方法 |
CN108828409A (zh) * | 2018-08-03 | 2018-11-16 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的故障检测*** |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109711257A (zh) * | 2018-11-27 | 2019-05-03 | 成都宜泊信息科技有限公司 | 一种基于图像识别的道闸状态检测方法及*** |
CN109801284A (zh) * | 2019-01-25 | 2019-05-24 | 华中科技大学 | 一种基于深度学习的高铁接触网绝缘子故障检测方法 |
Non-Patent Citations (8)
Title |
---|
BINGFENG LI 等: "A Method of Insulator Detection from Video Sequence", 《2012 FOURTH INTERNATIONAL SYMPOSIUM ON INFORMATION SCIENCE AND ENGINEERING》 * |
GANG LI 等: "Adaptive Seeded Region Growing for Image Segmentation Based on Edge Detection, Texture Extraction and Cloud Model", 《INTERNATIONAL CONFERENCE ON INFORMATION COMPUTING AND APPLICATIONS》 * |
RICHARD SZELISKI 著,艾海舟 等译: "《计算机视觉--算法与应用》", 31 January 2012 * |
刘雅琴: "图像边缘检测在输电线巡检中的应用", 《数字技术与应用》 * |
杨照光 等: "基于数字图像处理的绝缘子串掉片监测方法的研究", 《第三届(2012)全国架空输电线路技术交流研讨会论文集》 * |
王伟 等: "绝缘子图像的边缘检测", 《微计算机信息》 * |
程海燕 等: "基于Faster R-CNN的航拍图像中绝缘子识别", 《现代电子技术》 * |
贺萌: "基于自适应形态学的边缘检测及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221614A (zh) * | 2020-12-23 | 2021-08-06 | 南方电网电力科技股份有限公司 | 一种基于混合神经网络的电网绝缘子破损图像识别方法 |
CN113911885A (zh) * | 2021-10-29 | 2022-01-11 | 南京联了么信息技术有限公司 | 一种基于图像处理的电梯防夹方法及*** |
CN114022483A (zh) * | 2022-01-08 | 2022-02-08 | 南通欣斯特机械制造有限公司 | 一种基于边缘特性的注塑飞边区域识别方法 |
CN114022483B (zh) * | 2022-01-08 | 2022-03-25 | 南通欣斯特机械制造有限公司 | 一种基于边缘特性的注塑飞边区域识别方法 |
CN115272831A (zh) * | 2022-09-27 | 2022-11-01 | 成都中轨轨道设备有限公司 | 接触网悬挂状态监测图像的传输方法及*** |
CN115272831B (zh) * | 2022-09-27 | 2022-12-09 | 成都中轨轨道设备有限公司 | 接触网悬挂状态监测图像的传输方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110288571B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264448A (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN110288571A (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN115601367B (zh) | 一种led灯芯缺陷检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN105158257B (zh) | 滑板测量方法及装置 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN104992429B (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN110276747A (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN110910443B (zh) | 基于单监控相机的接触网几何参数实时测量方法及装置 | |
CN108921164B (zh) | 一种基于三维点云分割的接触网***坡度检测方法 | |
CN104318582A (zh) | 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法 | |
CN111462045B (zh) | 一种悬链支撑组件缺陷的检测方法 | |
CN110717900B (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
CN110263662B (zh) | 一种基于分级的人体轮廓关键点和关键部位识别方法 | |
Tao et al. | Gap detection of switch machines in complex environment based on object detection and image processing | |
CN105447489A (zh) | 一种图片ocr识别***的字符与背景粘连噪声消除方法 | |
CN110782411B (zh) | 一种基于图像处理的防震锤滑移识别方法 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN111127381B (zh) | 一种受电弓滑板不平行检测方法 | |
CN113409303A (zh) | 一种高速铁路接触网目标检测与跟踪方法 | |
CN109359646A (zh) | 基于巡检机器人的液位型仪表识别方法 | |
CN105989351B (zh) | 一种指纹图像背景分割的方法 | |
CN111723792A (zh) | 适用于刚柔接触网的实时定位点识别方法 | |
He et al. | Online images detection for pantograph slide abrasion |
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 |