CN110363749B - 基于图像处理的防震锤锈蚀程度评价方法 - Google Patents
基于图像处理的防震锤锈蚀程度评价方法 Download PDFInfo
- Publication number
- CN110363749B CN110363749B CN201910542387.6A CN201910542387A CN110363749B CN 110363749 B CN110363749 B CN 110363749B CN 201910542387 A CN201910542387 A CN 201910542387A CN 110363749 B CN110363749 B CN 110363749B
- Authority
- CN
- China
- Prior art keywords
- image
- vibration damper
- corrosion
- pixel
- area
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 title claims abstract description 10
- 230000007797 corrosion Effects 0.000 claims abstract description 56
- 238000005260 corrosion Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 42
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 239000004020 conductor Substances 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 239000000956 alloy Substances 0.000 claims description 3
- 229910045601 alloy Inorganic materials 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000010186 staining Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/13—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
- G06T7/60—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
- G06T7/90—Determination of colour characteristics
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)
Abstract
本发明公开了基于图像处理的防震锤锈蚀程度评价方法,具体为:步骤1、通过图像采集设备获取防震锤的图像I1,并对获取的防震锤图像I1进行灰度化处理得到图像I2;步骤2、首先对图像I2进行处理依次得到I3及I4;步骤3、对图像I4进行各向异性方向导数滤波等处理得到边缘强度映射图像I6;步骤4、获取防震锤区域图像,获得防震锤图像I9,最后将防震锤图像I9映射回图像I1获得防震锤图像I10;步骤5、检测防震锤锈蚀情况。本发明方法能够准确分离出防震锤区域,对防震锤锈蚀区域的定位和锈蚀程度进行判定,将有利于指导运维人员的检修工作。
Description
技术领域
本发明属于电力输电线路监测技术领域,具体涉及一种基于图像处理的防震锤锈蚀程度评价方法。
背景技术
高压输电线因其特殊的地理位置,常常受到野外恶劣环境的影响,甚至自然界的微风都将引起输电导线的高频率小幅度震动,即导线微风震动。输电导线悬挂点以及连接处常常因为这种高频率小幅度的震动产生磨损,进而造成导线断股、断线等线路故障。防震锤正是为了防止和减少输电导线微风震动的而设计的专用部件,已经成为输电线路不可或缺的一部分。当前,对防震锤的研究仅局限于对其材料、类型、安装位置和固定线夹等方面的研究,然而针对防震锤本体缺陷的研究还较少,主要依靠传统的人工巡线,不仅检测效率低,而且存在安全隐患问题。防震锤锈蚀是一种常见的防震锤本体故障,形成锈蚀的防震锤容易发生移位、松动、脱落等故障,不利于输电线路的安全稳定运行。因此,对防震锤进行定期的故障排查,准确定位防震锤,快速检测防震锤本体缺陷,并及时采取补救措施,对保证电力能源的可靠传输具有重要意义。
发明内容
本发明的目的是提供一种基于图像处理的防震锤锈蚀程度评价方法,能够准确分离出防震锤区域,并在防震锤区域获取锈蚀面积比、锈蚀颜色指数和锈蚀颜色深度指数来进行防震锤锈蚀区域的定位和锈蚀程度的判定,将有利于指导运维人员的检修工作。
本发明所采用的技术方案是,基于图像处理的防震锤锈蚀程度评价方法,按照以下步骤具体实施:
步骤1、通过无人机或巡检机器人或杆塔摄像机上安装的图像采集设备获取防震锤的图像I1,并对获取的防震锤图像I1进行灰度化处理得到图像I2;
步骤2、首先对图像I2进行局部差值处理得到边缘图像I3,再通过对比度增强突出防震锤的边缘,得到图像I4;
步骤3、对图像I4进行各向异性方向导数滤波,获取基于各向异性方向导数的边缘强度映射图像I5;再将边缘强度映射图像I5与对比度增强的图像I4融合,获得新的边缘强度映射图像I6;
步骤4、防震锤区域图像的获取具体为:首先对图像I6做阈值分割和形态学处理获得防震锤疑似图像I7,同时对图像I4做阈值分割和形态学处理获得导线区域图像I8,再通过图像I7与图像I8的图像相减,获得防震锤图像I9,最后将防震锤图像I9映射回图像I1获得防震锤图像I10;
步骤5、从图像I10中提取锈蚀面积比和锈蚀颜色深度指数,检测防震锤锈蚀情况,并将锈蚀程度分成无锈蚀、轻微锈蚀、中等锈蚀和严重锈蚀。
本发明的特点还在于,
步骤2中,局部差值处理的具体步骤如下:
以r*r的模板中心点为导向,依次遍历整幅图像I2各像素点获取对应的灰度差值处理后的边缘图像I3,根据公式(2-1)~(2-3)计算遍历模板内各像素点的最大值、最小值和差值:
M(x,y)=I2max-I2min (2-3)
其中,Mij为模版内第i行第j列像素点的灰度值,I2max为模板内的最大值;I2min为模板内的最小值;M(x,y)为模板中心位置点(x,y)的灰度值;
对灰度差值处理后的边缘图像I3进行对比度增强处理,得到图像I4。
步骤3的具体实施步骤如下:
步骤3.1、构建图像的各向异性及其方向导数,通过创建16个方向来细化方向模板进行边缘提取,具体创建过程如下:
首先,旋转拉长高斯函数,拉长的高斯函数Gσ,ρ(n)表示如式(3-1):
式中,ρ为各向异性因子;σ为高斯尺度;n=[x,y]T为平面坐标;
然后,旋转拉长高斯函数后,可得到一组各向异性高斯核函数,如下所示:
步骤3.2、通过步骤3.1创建的模板与对比度增强后的图像I4进行卷积运算,得到16个模板对应的结果图像,取16幅结果图像任意(x,y)位置处灰度值的最大值作为基于ANDD的边缘映射图像I5位置为(x,y)处的灰度值,遍历结果图像所有的像素点,整体表达式如下:
步骤3.3、把基于ANDD的ESM图像I5和对比度增强图像I4融合成一个新的ESM图像I6,针对每个像素点的计算方式如下:
步骤4的具体实施步骤如下:
步骤4.1、对图像I6做二值分割,阈值取值为T1;再通过形态学处理的空洞填充、开运算和闭运算分割出防震锤疑似图像I7;
步骤4.2、由于防震锤疑似图像I7仍包含导线区域,需进一步提取导线的区域再做处理,导线区域提取的方法如下:对图像I4做二值分割,阈值取值为T2,再通过形态学处理的空洞填充、开运算和闭运算分割出导线区域,得到图像I8;
步骤4.3、通过防震锤疑似图像I7与导线区域图像I8的图像相同位置的像素点灰度值做减法,去除包含的输电导线非防震锤区域,获取分割完整的防震锤图像I9;
步骤4.4、由于图像I1是由三个颜色通道构成的,所以构建一个同样由三通道构成的图像I10,图像I10各通道灰度图的灰度值获取方法为:取防震锤图像I9的像素点逐点判断,若像素点的灰度值大于0,将该像素点位置映射回图像I1对应位置,取图像I1RGB三通道的灰度值赋值给图像I10对应通道的灰度值;否则图像I10三通道像素点的灰度值都取值为0,表达式如下:
式中,I1(x,y,i)表示拍摄的防震锤图像某一通道的图像,i表示颜色通道,i=1,2,3分别表示原图中的R、G、B三个通道。
步骤5的具体实施方式如下:
步骤5.1、从防震锤区域中提取锈蚀面积比RCA,使用如下定义分割防震锤图像中的锈蚀像素:
首先对图像I10像素点进行判断,若图像像素点为背景像素点,则直接取值为0,不进行下一步处理;
若非背景像素点满足设置的阈值条件,则该像素被分类为锈蚀像素,否则为完好像素,具体判定过程如下:
cor和hel初始值都设为0;
调整阈值GCth直到其正确区分锈蚀像素和未锈蚀像素,最终确定GCth=41000;cor是锈蚀像素统计数;hel是未锈蚀像素统计数;R(x,y)、G(x,y)、B(x,y)是分割出的防震锤区域图像I10RGB三通道在(x,y)处的像素值;GC为防震锤锈蚀图像;
遍历防震锤区域图像I10,则锈蚀面积比RCA为:
步骤5.2、从防震锤区域中提取锈蚀颜色深度指数CCDI;
通过对锈蚀颜色指数CCI的定义将锈斑颜色纳入严重程度的评估中并将其量化,定义式如下:
在防震锤区域整个像素灰度级上获得CCI值,得到锈蚀颜色分布的直方图,其中CCI=0是分界点;
定义新指数锈蚀颜色深度指数CCDI,具体获取步骤如下:
其中CCI1是防震锤的锈蚀区域,CCI2是防震锤的无锈蚀区域即完好区域;CCI1和CCI2中没有定义的位置都取值为0;
步骤5.3、通过锈蚀面积比RCA和锈蚀颜色深度指数CCDI两个参数对防震锤进行锈蚀程度分级,分别为严重锈蚀,中等锈蚀,轻微锈蚀和无锈蚀;
具体分级标准设置如下:
RCA<0.5%,CCDI<0.2,无锈蚀;
0.5%≤RCA<2%,0.2≤CCDI<1,轻微锈蚀;
2%≤RCA<20%,1≤CCDI<10,中等锈蚀;
RCA≥20%,CCDI≥10,严重锈蚀。
本发明的有益效果是,借助其灵活的图像采集方式,结合机器视觉、图像处理等方式对输电线路防震锤锈蚀程度进行评价,有利于避免人工巡检效率低,精度小,巡检周期长,劳动强度大,且巡检数据受到巡检人员主观因素的影响等缺陷,有利于及时发现防震锤锈蚀故障,为运维人员及时维修替换提供依据。
附图说明
图1是本发明基于图像处理的防震锤锈蚀程度评价方法的算法流程图;
图2是本发明基于图像处理的防震锤锈蚀程度评价方法中局部差值处理的5*5模板示意图;
图3是锈蚀防震锤的原图;
图4是通过本发明方法对锈蚀防震锤进行局部差值处理的结果图;
图5是本发明方法中的各向异性高斯方向导数核模板示意图;
图6是本发明方法中锈蚀防震锤的分割结果图;
图7是本发明方法中锈蚀防震锤的检测结果图。
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。
本发明基于图像处理的防震锤锈蚀程度评价方法,如图1-7所示,按照以下步骤具体实施:
步骤1、通过无人机或巡检机器人或杆塔摄像机上安装的图像采集设备获取防震锤的图像I1,并对获取的防震锤图像I1进行灰度化处理得到图像I2;
步骤2、针对获取的防震锤图像中防震锤区域清晰度高,背景区域清晰度低的图像特点,首先对图像I2进行局部差值处理得到边缘图像I3,再通过对比度增强突出防震锤的边缘,得到图像I4;
局部差值处理的具体步骤如下:
以r*r的模板中心点为导向,依次遍历整幅图像I2各像素点获取对应的灰度差值处理后的边缘图像I3,根据公式(2-1)~(2-3)计算遍历模板内各像素点的最大值、最小值和差值:
M(x,y)=I2max-I2min (2-3)
其中,Mij为模版内第i行第j列像素点的灰度值,I2max为模板内的最大值;I2min为模板内的最小值;M(x,y)为模板中心位置点(x,y)的灰度值;选择模板尺寸r的值越大,局部差值处理后的图像边缘越模糊,此处选用r=5,用于试验的图像I1及灰度差值处理后的边缘图像I3分别如图3和图4;对灰度差值图I3进行对比度增强处理,得到图像I4;
步骤3、对图像I4进行各向异性方向导数滤波,获取基于各向异性方向导数的边缘强度映射图像I5;再将边缘强度映射图像I5与对比度增强的图像I4融合,获得新的边缘强度映射图像I6,能帮助去除基于各向异性方向导数的边缘强度映射可能导致的边缘模糊和边缘拉伸问题;边缘包含了图像的方向信息,它位于图像灰度突变处。由于各向异性高斯核滤波器对噪声有很好的抑制能力,并且能够很好的提取图像像素的各个方向的灰度变化信息,所以通过各向异性高斯核滤波器进一步去除非防震锤像素。
步骤3.1、构建图像的各向异性及其方向导数,为了更好地提取防震锤边缘,通过创建16个方向来细化方向模板进行边缘提取,具体创建过程如下:
首先,旋转拉长高斯函数,拉长的高斯函数Gσ,ρ(n)表示如式(3-1):
式中,ρ为各向异性因子;σ为高斯尺度;n=[x,y]T为平面坐标;
然后,旋转拉长高斯函数后,可得到一组各向异性高斯核函数,如下所示:
式中,是各向异性高斯核函数ANGKs(Anisotropic GaussianKernels);是角度为θk的各向异性方向导数ANDD(Anisotropic DirectionalDerivative)滤波器;是旋转矩阵,K=16;k=1,2,...,16;
其中ρ2=σ2=6,创建的模板如图5。
步骤3.2、通过步骤3.1创建的模板与对比度增强后的图像I4进行卷积运算,得到16个模板对应的结果图像。取16幅结果图像任意(x,y)位置处灰度值的最大值作为基于ANDD的边缘映射EMS(edge map strength)图像I5位置为(x,y)处的灰度值,遍历结果图像所有的像素点,整体表达式如下:
基于ANDD的ESM图像I5具有噪声稳健性。公式(3-4)中取最大值的操作方法等同于对图像做简单的选择性平滑滤波,对每一个像素的最佳平滑核是从k个预定义的ANGKs中挑选得到的。平滑滤波是对噪声图像进行边缘检测前的必要步骤。
步骤3.3、经过步骤3.2的处理可能带来边缘模糊和图像边缘拉伸,影响提取边缘的质量,尤其在各向异性高斯核由大尺度σ和大各向异性因子ρ组成时。考虑到使用基于ANDD的ESM边缘检测时可能会在真实边缘末端产生虚假边缘像素的问题,本发明把基于ANDD的ESM图像I5和对比度增强图像I4融合成一个新的ESM图像I6,针对每个像素点的计算方式如下:
步骤4、防震锤区域图像的获取具体为:首先对图像I6做阈值分割和形态学处理获得防震锤疑似图像I7,同时对图像I4做阈值分割和形态学处理获得导线区域图像I8,再通过图像I7与图像I8的图像相减,获得防震锤图像I9,最后将防震锤图像I9映射回图像I1获得防震锤图像I10;
防震锤锈蚀情况需基于防震锤区域,因此防震锤的正确分割非常必要。下面在检测到的边缘图像的基础上,利用二值分割形态学处理等图像处理方法完成对防震锤的分割,具体步骤如下:
步骤4.1、对图像I6做二值分割,阈值取值为T1;再通过形态学处理的空洞填充、开运算和闭运算分割出防震锤疑似图像I7;
步骤4.2、由于图像I7仍包含导线区域,需进一步提取导线的区域再做处理,导线区域提取的方法如下:对图像I4做二值分割,阈值取值为T2,再通过形态学处理的空洞填充、开运算和闭运算分割出导线区域,得到图像I8;
步骤4.3、通过防震锤疑似图像I7与导线区域图像I8的图像相同位置的像素点灰度值做减法,去除包含的输电导线区域,获取分割完整的防震锤图像I9。
步骤4.4、由于图像I1是由三个颜色通道构成的,所以构建一个同样由三通道构成的图像I10。图像I10各通道灰度图的灰度值获取方法为:取防震锤图像I9的像素点逐点判断,若像素点的灰度值大于0,将该像素点位置映射回图像I1对应位置,取图像I1RGB三通道的灰度值赋值给图像I10对应通道的灰度值;否则图像I10三通道像素点的灰度值都取值为0,表达式如下:
式中I1(x,y,i)表示拍摄的防震锤图像某一通道的图像,i表示颜色通道,i=1,2,3分别表示原图中的R、G、B三个通道,防震锤提取结果如图6;
步骤5、从图像I10中提取锈蚀面积比和锈蚀颜色深度指数,检测防震锤锈蚀情况,并将锈蚀程度分成无锈蚀、轻微锈蚀、中等锈蚀和严重锈蚀。
普遍认为锈蚀严重程度取决于两个因素:锈蚀区域的大小和锈蚀斑点的颜色。锈蚀面积越大,锈蚀斑点颜色越深,则锈蚀程度越严重。图像中锈蚀区域和锈蚀斑点颜色分别用锈蚀面积比RCA(ratio of corrosion area)和锈蚀颜色深度指数CCDI(Corrosioncolor depth index)来等效。
从防震锤图像I10中提取两个参数,即锈蚀面积比RCA和锈蚀颜色深度指数CCDI,用于检测防震锤是否锈蚀和判定对应的锈蚀等级。
步骤5.1、从防震锤区域中提取锈蚀面积比RCA,使用如下定义分割防震锤图像中的锈蚀像素:
首先对图像I10像素点进行判断,若图像像素点为背景像素点,则直接取值为0,不进行下一步处理;
若非背景像素点满足设置的阈值条件,则该像素被分类为锈蚀像素,否则为完好像素,具体判定过程如下:
cor和hel初始值都设为0;
调整阈值GCth直到其正确区分锈蚀像素和未锈蚀像素,最终确定GCth=41000;cor是锈蚀像素统计数;hel是未锈蚀像素统计数;R(x,y)、G(x,y)、B(x,y)是分割出的防震锤区域图像I10RGB三通道在(x,y)处的像素值;GC为防震锤锈蚀图像;
遍历防震锤区域图像I10,则锈蚀面积比RCA为:
步骤5.2、从防震锤区域中提取锈蚀颜色深度指数CCDI;
通过一系列的图像分析,发现R-G的值提供了作为锈蚀颜色分析的重要指示。对于图像像素点,若某像素点(x,y)其R(x,y)-G(x,y)的值大于0,其在RGB彩色图像中呈现为红褐色,且R(x,y)-G(x,y)的绝对值越大,该像素点在RGB彩色图像中颜色越深,符合锈蚀颜色变化规律。通过对锈蚀颜色指数CCI的定义将锈斑颜色纳入严重程度的评估中并将其量化,定义式如下:
在防震锤区域整个像素灰度级上获得CCI值,得到锈蚀颜色分布的直方图,其中CCI=0是分界点;
CCI是锈蚀严重性评估的重要指标,为了更有效地利用锈蚀严重性评估中获得的CCI分布信息,定义了新指数锈蚀颜色深度指数CCDI,具体获取步骤如下:
其中CCI1是防震锤的锈蚀区域,CCI2是防震锤的无锈蚀区域即完好区域;CCI1和CCI2中没有定义的位置都取值为0;
步骤5.3、通过锈蚀面积比RCA和锈蚀颜色深度指数CCDI两个参数对防震锤进行锈蚀程度分级,分别为严重锈蚀,中等锈蚀,轻微锈蚀和无锈蚀;
具体分级标准设置如下:
RCA<0.5%,CCDI<0.2,无锈蚀;
0.5%≤RCA<2%,0.2≤CCDI<1,轻微锈蚀;
2%≤RCA<20%,1≤CCDI<10,中等锈蚀;
RCA≥20%,CCDI≥10,严重锈蚀。
采用试例图的锈蚀检测结果如图7。
Claims (1)
1.基于图像处理的防震锤锈蚀程度评价方法,其特征在于,按照以下步骤具体实施:
步骤1、通过无人机或巡检机器人或杆塔摄像机上安装的图像采集设备获取防震锤的图像I1,并对获取的防震锤图像I1进行灰度化处理得到图像I2;
步骤2、首先对图像I2进行局部差值处理得到边缘图像I3,再通过对比度增强突出防震锤的边缘,得到图像I4;
步骤3、对图像I4进行各向异性方向导数滤波,获取基于各向异性方向导数的边缘强度映射图像I5;再将边缘强度映射图像I5与对比度增强的图像I4融合,获得新的边缘强度映射图像I6;
步骤4、防震锤区域图像的获取具体为:首先对图像I6做阈值分割和形态学处理获得防震锤疑似图像I7,同时对图像I4做阈值分割和形态学处理获得导线区域图像I8,再通过图像I7与图像I8的图像相减,获得防震锤图像I9,最后将防震锤图像I9映射回图像I1获得防震锤图像I10;
步骤5、从图像I10中提取锈蚀面积比和锈蚀颜色深度指数,检测防震锤锈蚀情况,并将锈蚀程度分成无锈蚀、轻微锈蚀、中等锈蚀和严重锈蚀;
所述步骤2中,局部差值处理的具体步骤如下:
以r*r的模板中心点为导向,依次遍历整幅图像I2各像素点获取对应的灰度差值处理后的边缘图像I3,根据公式(2-1)~(2-3)计算遍历模板内各像素点的最大值、最小值和差值:
M(x,y)=I2max-I2min (2-3)
其中,Mij为模版内第i行第j列像素点的灰度值,I2max为模板内的最大值;I2min为模板内的最小值;M(x,y)为模板中心位置点(x,y)的灰度值;
对灰度差值处理后的边缘图像I3进行对比度增强处理,得到图像I4;
步骤3的具体实施步骤如下:
步骤3.1、构建图像的各向异性及其方向导数,通过创建16个方向来细化方向模板进行边缘提取,具体创建过程如下:
首先,旋转拉长高斯函数,拉长的高斯函数Gσ,ρ(n)表示如式(3-1):
式中,ρ为各向异性因子;σ为高斯尺度;n=[x,y]T为平面坐标;
然后,旋转拉长高斯函数后,可得到一组各向异性高斯核函数,如下所示:
步骤3.2、通过步骤3.1创建的模板与对比度增强后的图像I4进行卷积运算,得到16个模板对应的结果图像,取16幅结果图像任意(x,y)位置处灰度值的最大值作为基于ANDD的边缘映射图像I5位置为(x,y)处的灰度值,遍历结果图像所有的像素点,整体表达式如下:
步骤3.3、把基于ANDD的ESM图像I5和对比度增强图像I4融合成一个新的ESM图像I6,针对每个像素点的计算方式如下:
步骤4的具体实施步骤如下:
步骤4.1、对图像I6做二值分割,阈值取值为T1;再通过形态学处理的空洞填充、开运算和闭运算分割出防震锤疑似图像I7;
步骤4.2、由于防震锤疑似图像I7仍包含导线区域,需进一步提取导线的区域再做处理,导线区域提取的方法如下:对图像I4做二值分割,阈值取值为T2,再通过形态学处理的空洞填充、开运算和闭运算分割出导线区域,得到图像I8;
步骤4.3、通过防震锤疑似图像I7与导线区域图像I8的图像相同位置的像素点灰度值做减法,去除包含的输电导线非防震锤区域,获取分割完整的防震锤图像I9;
步骤4.4、由于图像I1是由三个颜色通道构成的,所以构建一个同样由三通道构成的图像I10,图像I10各通道灰度图的灰度值获取方法为:取防震锤图像I9的像素点逐点判断,若像素点的灰度值大于0,将该像素点位置映射回图像I1对应位置,取图像I1 RGB三通道的灰度值赋值给图像I10对应通道的灰度值;否则图像I10三通道像素点的灰度值都取值为0,表达式如下:
式中,I1(x,y,i)表示拍摄的防震锤图像某一通道的图像,i表示颜色通道,i=1,2,3分别表示原图中的R、G、B三个通道;
步骤5的具体实施方式如下:
步骤5.1、从防震锤区域中提取锈蚀面积比RCA,使用如下定义分割防震锤图像中的锈蚀像素:
首先对图像I10像素点进行判断,若图像像素点为背景像素点,则直接取值为0,不进行下一步处理;
若非背景像素点满足设置的阈值条件,则该像素被分类为锈蚀像素,否则为完好像素,具体判定过程如下:
cor和hel初始值都设为0;
调整阈值GCth直到其正确区分锈蚀像素和未锈蚀像素,最终确定GCth=41000;cor是锈蚀像素统计数;hel是未锈蚀像素统计数;R(x,y)、G(x,y)、B(x,y)是分割出的防震锤区域图像I10 RGB三通道在(x,y)处的像素值;GC为防震锤锈蚀图像;
遍历防震锤区域图像I10,则锈蚀面积比RCA为:
步骤5.2、从防震锤区域中提取锈蚀颜色深度指数CCDI;
通过对锈蚀颜色指数CCI的定义将锈斑颜色纳入严重程度的评估中并将其量化,定义式如下:
在防震锤区域整个像素灰度级上获得CCI值,得到锈蚀颜色分布的直方图,其中CCI=0是分界点;
定义新指数锈蚀颜色深度指数CCDI,具体获取步骤如下:
其中CCI1是防震锤的锈蚀区域,CCI2是防震锤的无锈蚀区域即完好区域;CCI1和CCI2中没有定义的位置都取值为0;
步骤5.3、通过锈蚀面积比RCA和锈蚀颜色深度指数CCDI两个参数对防震锤进行锈蚀程度分级,分别为严重锈蚀,中等锈蚀,轻微锈蚀和无锈蚀;
具体分级标准设置如下:
RCA<0.5%,CCDI<0.2,无锈蚀;
0.5%≤RCA<2%,0.2≤CCDI<1,轻微锈蚀;
2%≤RCA<20%,1≤CCDI<10,中等锈蚀;
RCA≥20%,CCDI≥10,严重锈蚀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542387.6A CN110363749B (zh) | 2019-06-21 | 2019-06-21 | 基于图像处理的防震锤锈蚀程度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910542387.6A CN110363749B (zh) | 2019-06-21 | 2019-06-21 | 基于图像处理的防震锤锈蚀程度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363749A CN110363749A (zh) | 2019-10-22 |
CN110363749B true CN110363749B (zh) | 2021-07-27 |
Family
ID=68217499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910542387.6A Active CN110363749B (zh) | 2019-06-21 | 2019-06-21 | 基于图像处理的防震锤锈蚀程度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363749B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782411B (zh) * | 2019-10-28 | 2023-03-14 | 西安工程大学 | 一种基于图像处理的防震锤滑移识别方法 |
CN114049354B (zh) * | 2022-01-12 | 2022-04-29 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及*** |
CN115049649B (zh) * | 2022-08-12 | 2022-11-11 | 山东振鹏建筑钢品科技有限公司 | 基于锈蚀程度的钢筋打磨除锈控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183223A (zh) * | 2011-01-13 | 2011-09-14 | 新兴铸管股份有限公司 | 一种判定金属锈蚀面积的方法 |
CN104376564A (zh) * | 2014-11-24 | 2015-02-25 | 西安工程大学 | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133943B (zh) * | 2017-04-26 | 2018-07-06 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN109523543B (zh) * | 2018-11-26 | 2023-01-03 | 西安工程大学 | 一种基于边缘距离的导线断股检测方法 |
-
2019
- 2019-06-21 CN CN201910542387.6A patent/CN110363749B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183223A (zh) * | 2011-01-13 | 2011-09-14 | 新兴铸管股份有限公司 | 一种判定金属锈蚀面积的方法 |
CN104376564A (zh) * | 2014-11-24 | 2015-02-25 | 西安工程大学 | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 |
Non-Patent Citations (3)
Title |
---|
"Detection of soybean rust using a multispectral image sensor";Di Cui等;《Springer Science+Business Media》;20090130;第49-55页 * |
"基于各向异性高斯核的图像边缘和角点检测";章为川;《中国博士学位论文全文数据库》;20140115;第15-32页 * |
"高压输电线防震锤锈蚀缺陷检测";宋伟等;《仪器仪表学报》;20161231;第113-116页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110363749A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN110363749B (zh) | 基于图像处理的防震锤锈蚀程度评价方法 | |
CN106683075B (zh) | 一种输电线杆塔横担处螺栓缺陷检测方法 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN107742301B (zh) | 基于图像分类的复杂背景下输电线路图像处理方法 | |
CN104318582B (zh) | 一种高铁接触网旋转双耳部件销钉不良状态检测方法 | |
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 | |
CN109859160B (zh) | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 | |
CN110334750B (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
CN111127402A (zh) | 一种机器人焊接质量的视觉检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN107967681B (zh) | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 | |
CN112419298B (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
CN114897908B (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及*** | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检*** | |
CN111060442A (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN112232222B (zh) | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 | |
CN112067618A (zh) | 一种基于图形化的产品质量缺陷采集分析*** | |
CN117152161A (zh) | 一种基于图像识别的刨花板质量检测方法及*** | |
CN113888462A (zh) | 一种裂纹识别方法、***、可读介质及存储介质 | |
Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN102313740A (zh) | 太阳能电池板裂痕检测方法 |
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 |