CN110909751A - 用于变电站绝缘子清扫机器人的视觉识别方法、***及介质 - Google Patents
用于变电站绝缘子清扫机器人的视觉识别方法、***及介质 Download PDFInfo
- Publication number
- CN110909751A CN110909751A CN201911175633.5A CN201911175633A CN110909751A CN 110909751 A CN110909751 A CN 110909751A CN 201911175633 A CN201911175633 A CN 201911175633A CN 110909751 A CN110909751 A CN 110909751A
- Authority
- CN
- China
- Prior art keywords
- insulator
- curve
- ellipse
- cleaning robot
- point
- 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
Images
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于变电站绝缘子清扫机器人的视觉识别方法、***及介质,本发明通过绝缘子伞裙边识别的步骤包括提取出绝缘子图像中的所有边缘并去除直线线段、留下曲线段;计算所有曲线段的凹凸性,且仅保留只具有凹性和凸性的曲线段;针对每条曲线段,判断曲线段是否是椭圆的一部分,若是则保留该曲线段并记录其对应的椭圆二次曲线坐标,且针对记录椭圆的二次曲线坐标进行去重;运用聚类算法对所有椭圆进行聚类获得绝缘子伞裙边的椭圆,本发明能够实现绝缘子伞裙边的检测识别,使绝缘子清扫机器人能在绝缘子上攀爬,有利于清扫机器人进行针对性的除垢,提高除垢效率,具有识别准确度高的优点,能够高效、精确、迅速识别绝缘子的优点。
Description
技术领域
本发明涉及电力***带电作业自动化领域,具体涉及一种用于变电站绝缘子清扫机器人的视觉识别方法、***及介质。
背景技术
目前随着科技的进步,变电站的各种机器人得到广泛的应用,机器人的功能也越来越强大。稳定可靠工作,同时要求对极端恶劣自然情况也要有较好的承受能力。绝缘子的老化以及表面污染物的集聚都有可能导致绝缘子阻值下降,进而导致绝缘子劣化和击穿,造成重大安全事故。保证绝缘子的安全可靠对于保障电力线路的稳定运行,对于保证国家的电力安全具有重要意义。绝缘子传统清洁方式主要包括人工擦洗和手持高压水炮冲洗两种,手动清洗作业,存在劳动强度大、冲洗效率低、冲洗效果得不到保障等问题,同时存在着一定的作业安全隐患。研究变电站绝缘子清扫机器人可以有效减轻人工作业强度,降低作业安全事故发生的概率,改善清洗效果,对于变电站日常维护具有十分重要的意义,而实现机器人清洗的关键在于对绝缘子的准确识别、定位与污秽程度判别。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种用于变电站绝缘子清扫机器人的视觉识别方法、***及介质,本发明通过绝缘子伞裙边识别的步骤能够基于绝缘子图像识别出绝缘子伞裙边的椭圆,充分利用绝缘子的伞裙边特点来实现绝缘子伞裙边的检测识别,使绝缘子清扫机器人能在绝缘子上攀爬,有利于清扫机器人进行针对性的除垢,提高除垢效率,本发明具有识别准确度高的优点,能够高效、精确、迅速识别绝缘子,使绝缘子清扫机器人能在绝缘子上攀爬,达到提高工作效率,实现自动化清扫绝缘子的目的。
为了解决上述技术问题,本发明采用的技术方案为:
一种用于变电站绝缘子清扫机器人的视觉识别方法,包括进行绝缘子伞裙边识别的步骤,详细步骤包括:
1)提取出绝缘子图像中的所有边缘并去除直线线段、留下曲线段;
2)计算所有曲线段的凹凸性,且仅保留只具有凹性和凸性的曲线段;
3)针对每条曲线段,判断曲线段是否是椭圆的一部分,若是则保留该曲线段并记录其对应的椭圆二次曲线坐标,且针对记录椭圆的二次曲线坐标进行去重;
4)运用聚类算法对所有椭圆进行聚类获得绝缘子伞裙边的椭圆。
可选地,步骤1)的详细步骤包括:
1.1)将绝缘子图像进行二值化处理并提取其骨架;
1.2)针对提取出来的骨架,通过遍历寻找图像中第一个白色的点,然后从这个点开始向两边延伸寻找相邻的点,且每找到一个点则将其保存而后置黑,当搜索到一个没有相邻点的点时表示该端搜索完成并确定该线段的一端;最终找出骨架中所有的直线线段和曲线段;
1.3)采用Hough直线检测去除已保存的直线线段留下曲线段。
可选地,步骤2)的详细步骤包括:
2.1)根据下式计算所有曲线段的凹凸性f(x,y);
上式中,f(x,y)凹凸性计算结果,(x,y)为边缘线上某一点的横、纵坐标,下标L表示边缘线坐标的左端点,R表示边缘线坐标的右端点;
2.2)针对每一条曲线段的凹凸性f(x,y),如果凹凸性f(x,y)恒大于零时该曲线段为凸则将其保留,如果凹凸性f(x,y)恒小于零时该曲线段为凹则将其保留,如果凹凸性f(x,y)存在异号结果则判定该曲线段不满足要求并将其删除。
可选地,步骤3)的详细步骤包括:
3.1)从曲线段构造边缘点集D,初始化计数器C的值为0,循环计数k=0;
3.2)从边缘点集D中随机选取5点p1~p5;
3.3)通过5点p1~p5确定二次曲线Ax2+Bxy+Cy2+Dx+Ey+1=0的参数A,B,C,D,E,其中x,y表示点的坐标,当且仅当满足B2-4AC>0时判定该二次曲线是椭圆,执行步骤3.4),否则跳转执行步骤3.5);
3.4)从边缘点集D中随机的点p6,将点p6代入由点p1~p5所确定的二次曲线Ax2+Bxy+Cy2+Dx+Ey+1=0得到d6=|Ax6 2+Bx6y6+cy6 2+Dx6+Ey6+1|,上式中d6表示P6到椭圆P的距离的绝对值,x6,y6表示点p6的坐标;
3.5)遍历边缘点集D中的所有的边缘点,计算该边缘点到可能椭圆的距离d,如果满足d小于或等于容许误差δ则将计数器C加1,并将该边缘点从边缘点集D中去除、存入可能椭圆边缘点集P;否则跳转执行步骤3.6);若计数器C的值大于一个阈值Tg,则认为该可能椭圆为真实椭圆,输出二次曲线与中心点坐标,否则退出;
3.6)将循环计数k加1,若循环计数k大于指定的最大循环次数Kmax,则结束,否则跳转执行步骤3.2)。
可选地,步骤4)中运用聚类算法对所有椭圆进行聚类获得绝缘子伞裙边的椭圆具体是指对椭圆的中心坐标运用聚类算法进行聚类,针对聚类结果保留椭圆中心Y坐标与绝缘子Y坐标差值最小的那一簇的椭圆作为聚类获得的绝缘子伞裙边的椭圆。
可选地,步骤4)之后还包括计算各个绝缘子伞裙边的椭圆的长边与短边比,选择最扁的椭圆作为最终识别得到的目标绝缘子伞裙边的椭圆。
可选地,还包括进行绝缘子污秽分类的步骤,详细步骤包括:
S1)采集绝缘子图像;
S2)将绝缘子图像的背景干扰及噪点过滤掉并进行图像分割为绝缘子子图;
S3)将各个绝缘子子图的RGB图像分别转化为LAB色彩模型与HSI色彩模型,并将均值作为颜色特征值;
S4)将颜色特征值输入预先完成训练的机器学习分类模型,得到各个绝缘子的绝缘子污秽分类结果,所述机器学习分类模型被预先训练建立了绝缘子的颜色特征值、绝缘子污秽分类结果之间的映射。
可选地,所述机器学习分类模型为SVM分类器,步骤S4)之前还包括使用遗传算法对SVM分类器进行参数寻优确定RBF核函数c惩罚参数和g核函数参数的步骤,从而将在低维空间线性不可分的样本训练数据通过RBF核函数c映射到高维的特征空间变成线性可分。
此外,本发明还提供一种用于变电站绝缘子清扫机器人的视觉识别***,包括计算机设备,该计算机设备被编程或配置以执行所述用于变电站绝缘子清扫机器人的视觉识别方法的步骤,或该计算机设备的存储器上存储有被编程或配置以执行所述用于变电站绝缘子清扫机器人的视觉识别方法的计算机程序。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行所述用于变电站绝缘子清扫机器人的视觉识别方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、本发明用于变电站绝缘子清扫机器人的视觉识别方法进行绝缘子伞裙边识别的步骤能够基于绝缘子图像识别出绝缘子伞裙边的椭圆,充分利用绝缘子的伞裙边特点来实现绝缘子伞裙边的检测识别,使绝缘子清扫机器人能在绝缘子上攀爬,有利于清扫机器人进行针对性的除垢,提高除垢效率。
2、本发明用于变电站绝缘子清扫机器人的视觉识别方法进行绝缘子伞裙边识别的步骤包括识别边缘并去除直线线段、留下曲线段;计算所有曲线段的凹凸性,且仅保留只具有凹性和凸性的曲线段;针对每条曲线段,判断曲线段是否是椭圆的一部分,若是则保留该曲线段并记录其对应的椭圆二次曲线坐标,且针对记录椭圆的二次曲线坐标进行去重;运用聚类算法对所有椭圆进行聚类获得绝缘子伞裙边的椭圆,通过上述方式能够准确识别出绝缘子伞裙边的椭圆,具有识别准确度高的优点,能够高效、精确、迅速识别绝缘子,使绝缘子清扫机器人能在绝缘子上攀爬,达到提高工作效率,实现自动化清扫绝缘子的目的。
附图说明
图1为本发明实施例中进行绝缘子伞裙边识别的基本流程图。
图2为变电站绝缘子伞裙边轮廓在不同观察角度下示意图。
图3为本发明实施例中变电站绝缘子清扫机器人的攀爬示意图。
图4为本发明实施例中进行绝缘子污秽分类的流程示意图。
图5为本发明实施例中机器学习分类模型的训练和使用流程示意图。
具体实施方式
如图1所示,本实施例用于变电站绝缘子清扫机器人的视觉识别方法,包括进行绝缘子伞裙边识别的步骤,详细步骤包括:
1)提取出绝缘子图像中的所有边缘并去除直线线段、留下曲线段;
2)计算所有曲线段的凹凸性,且仅保留只具有凹性和凸性的曲线段;
3)针对每条曲线段,判断曲线段是否是椭圆的一部分,若是则保留该曲线段并记录其对应的椭圆二次曲线坐标,且针对记录椭圆的二次曲线坐标进行去重;
4)运用聚类算法对所有椭圆进行聚类获得绝缘子伞裙边的椭圆。
参见图1,和一般的图像识别方法类似,为了提高图像识别的准确度,本实施例步骤1)之前还包括对绝缘子图像预处理的步骤,可根据需要选择滤波降噪、灰度化等处理方式。
本实施例中,步骤1)的详细步骤包括:
1.1)将绝缘子图像进行二值化处理并提取其骨架;
1.2)针对提取出来的骨架,通过遍历寻找图像中第一个白色的点,然后从这个点开始向两边延伸寻找相邻的点,且每找到一个点则将其保存而后置黑,当搜索到一个没有相邻点的点时表示该端搜索完成并确定该线段的一端;最终找出骨架中所有的直线线段和曲线段;
1.3)采用Hough直线检测去除已保存的直线线段留下曲线段。
本实施例中,步骤2)的详细步骤包括:
2.1)根据下式计算所有曲线段的凹凸性f(x,y);
上式中,f(x,y)凹凸性计算结果,(x,y)为边缘线上某一点的横、纵坐标;xL和xR分别表示边缘线横坐标的左、右端点,yL和yR分别表示边缘线纵坐标的左、右端点;下标L表示边缘线坐标的左端点,R表示边缘线坐标的右端点。
2.2)针对每一条曲线段的凹凸性f(x,y),如果凹凸性f(x,y)恒大于零时该曲线段为凸则将其保留,如果凹凸性f(x,y)恒小于零时该曲线段为凹则将其保留,如果凹凸性f(x,y)存在异号结果则判定该曲线段不满足要求并将其删除。
本实施例中,步骤3)的详细步骤包括:
3.1)从曲线段构造边缘点集D,初始化计数器C的值为0,循环计数k=0;
3.2)从边缘点集D中随机选取5点p1~p5;
3.3)通过5点p1~p5确定二次曲线Ax2+Bxy+Cy2+Dx+Ey+1=0的参数A,B,C,D,E,其中x,y表示点的坐标,当且仅当满足B2-4AC>0时判定该二次曲线是椭圆,执行步骤3.4),否则跳转执行步骤3.5);
3.4)从边缘点集D中随机的点p6,将点p6代入由点p1~p5所确定的二次曲线Ax2+Bxy+Cy2+Dx+Ey+1=0得到d6=|Ax6 2+Bx6y6+cy6 2+Dx6+Ey6+1|,上式中d6表示P6到椭圆P的距离的绝对值,x6,y6表示点p6的坐标;
3.5)遍历边缘点集D中的所有的边缘点,计算该边缘点到可能椭圆的距离d,如果满足d小于或等于容许误差δ则将计数器C加1,并将该边缘点从边缘点集D中去除、存入可能椭圆边缘点集P;否则跳转执行步骤3.6);若计数器C的值大于一个阈值Tg,则认为该可能椭圆为真实椭圆,输出二次曲线与中心点坐标,否则退出;
3.6)将循环计数k加1,若循环计数k大于指定的最大循环次数Kmax,则结束,否则跳转执行步骤3.2)。
本实施例中,步骤4)中运用聚类算法对所有椭圆进行聚类获得绝缘子伞裙边的椭圆具体是指对椭圆的中心坐标运用聚类算法进行聚类,针对聚类结果保留椭圆中心Y坐标与绝缘子Y坐标差值最小的那一簇的椭圆作为聚类获得的绝缘子伞裙边的椭圆。
本实施例中,步骤4)之后还包括计算各个绝缘子伞裙边的椭圆的长边与短边比,选择最扁的椭圆作为最终识别得到的目标绝缘子伞裙边的椭圆,以便清扫机器人在最扁的椭圆处停留,清洗伞裙边之间的污秽。如图3所示,变电站绝缘子清扫机器人在绝缘子上进行攀爬时,其支撑部位为绝缘子伞裙边的边缘位置,因此根据椭圆的长边与短边比,选择最扁的椭圆作为最终识别得到的目标绝缘子伞裙边的椭圆,以便清扫机器人在最扁的椭圆处停留,清洗下一个绝缘子的伞裙边之间的污秽。
此外,为了实现对不同污秽等级的绝缘子采用不同级别的清扫以提高清扫效率,本实施例用于变电站绝缘子清扫机器人的视觉识别方法还包括进行绝缘子污秽分类的步骤,如图4和图5所示,详细步骤包括:
S1)采集绝缘子图像;
S2)将绝缘子图像的背景干扰及噪点过滤掉并进行图像分割为绝缘子子图;
S3)将各个绝缘子子图的RGB图像分别转化为LAB色彩模型与HSI色彩模型,并将均值作为颜色特征值;
S4)将颜色特征值输入预先完成训练的机器学习分类模型,得到各个绝缘子的绝缘子污秽分类结果,所述机器学习分类模型被预先训练建立了绝缘子的颜色特征值、绝缘子污秽分类结果之间的映射。
本实施例中通过LAB较强的色差分辨能力和HSI较强的视觉感知能力,提出颜色分量的平均值来表示颜色特征,最后通过SVM支持向量机构建分类模型,对绝缘子污秽进行分类,有利于提高分类的准确度。将各个绝缘子子图的RGB图像分别转化为LAB色彩模型时,RGB颜色空间不能直接转换为LAB颜色空间,需要借助XYZ颜色空间,把RGB颜色空间转换到XYZ颜色空间,之后再把XYZ颜色空间转换到Lab颜色空间,即:RGB->XYZ,再XYZ->LAB。由于上述颜色空间转换方法为现有公知方法,故详细步骤在此不再展开说明。将各个绝缘子子图的RGB图像分别转化为HSI色彩模型的颜色空间转换方法为现有公知方法,故详细步骤在此不再展开说明;
本实施例中,机器学习分类模型为SVM分类器,参见图5,步骤S4)之前还包括使用遗传算法对SVM分类器进行参数寻优确定RBF核函数c惩罚参数和g核函数参数的步骤,从而将在低维空间线性不可分的样本训练数据通过RBF核函数c映射到高维的特征空间变成线性可分。作为一种可选的实施方式,本实施例中预先完成训练的机器学习分类模型的、绝缘子污秽分类结果一共分为五个等级,因此训练时需要采集5种污秽等级不同的绝缘子图像信息,并分别对其图像进行标定,用均值滤波将灰尘等造成的背景干扰及噪点过滤掉,进行图像分割。参见图5,SVM分类器的详细训练步骤包括:
步骤一、通过采集绝缘子图像构建训练集、测试集,并分别为训练集、测试集附加标签;
步骤二、利用训练集及其标签采用遗传算法对SVM分类器进行参数寻优确定RBF核函数c惩罚参数和g核函数参数,从而将在低维空间线性不可分的样本训练数据通过RBF核函数c映射到高维的特征空间变成线性可分。其中,采用遗传算法对SVM分类器进行参数寻优确定RBF核函数c惩罚参数和g核函数参数的步骤包括:(1)准备样本数据;(2)遗传算法内部参数初始化;(3)产生参数对,使用交叉验证,在训练集上搜寻适应度最佳的参数;(4)使用最优参数,重新训练,得到支持向量机预测模型。
步骤三、根据寻优确定的RBF核函数c惩罚参数和g核函数参数,利用训练集及其标签对SVM分类器进行训练,然后利用测试集测试结果的标准率,如果标准率满足要求则完成SVM分类器的训练,否则继续执行步骤一进行SVM分类器的训练。
综上所述,本实施例用于变电站绝缘子清扫机器人的视觉识别方法使得种变电站绝缘子清扫能够自动完成变电站绝缘子污秽分类识别,通过视觉来自动定位绝缘子伞裙边,减少了人力物力的投入,提高了变电站绝缘子清扫的工作效率。变电站绝缘子清扫机器人在绝缘子上进行攀爬时,由于绝缘子伞裙边之间的污秽最难以清洗,有些种类的绝缘子伞裙边下部还有沟壑,所以识别绝缘子伞裙边有利于变电站绝缘子清扫机器人进行针对性的除垢,提高除垢效率。本实施例是通过摄像头实时采集变电站内绝缘子的图像,由于变电站绝缘子清扫机器人在上杆后需攀爬至绝缘子串顶部,并在攀爬过程中完成清扫、检测作业任务。变电站绝缘子清扫机器人的摄像头采集图像信息并处理,当检测到新的绝缘子伞裙出现并处于图像中间位置时,视为到达抓取位置,变电站绝缘子清扫机器人的夹紧机构夹紧识别到的伞裙。由于绝缘子伞裙边之间的污秽最难以清洗,有些种类的绝缘子伞裙边下部还有沟壑,所以识别绝缘子伞裙边有利于清扫机器人进行针对性的除垢,提高除垢效率。每完成一次攀爬运动,通过对采集到的图像序列进行分析,提取颜色特征值,在再将输入到之前训练好的机器学习分类模型,得到绝缘子污秽等级,绝缘子清扫机器人自动选择清洁模式。清扫机构清扫上绝缘子的下表面和下绝缘子的上表面。清扫机构携带的摄像头在机构回转时可以采集绝缘子表面的图像信息,用于检测绝缘子状态。变电站绝缘子清扫机器人,在自动选择的清洁模式清扫完绝缘子后还需绝缘子污秽等级算法检测绝缘子,若还有污秽,则自动选择清洁模式进行清扫。当清扫次数达到3次,清扫效果仍不佳时,则通知控制中心,进行人工检查。当变电站绝缘子清扫机器人从下到上进行清洗的过程中,变电站绝缘子清扫机器人的摄像头所拍摄的绝缘子伞裙边轮廓在不同观察角度下都近似于椭圆。如图3所示,离摄像头最近绝缘子伞裙边近似的椭圆最扁,越远的越圆。因此本实施例用于变电站绝缘子清扫机器人的视觉识别方法的前述进行绝缘子伞裙边识别的步骤能够准确识别出绝缘子伞裙边的椭圆,具有识别准确度高的优点,能够高效、精确、迅速识别绝缘子,使绝缘子清扫机器人能在绝缘子上攀爬,达到提高工作效率,实现自动化清扫绝缘子的目的。
此外,本实施例还提供一种用于变电站绝缘子清扫机器人的视觉识别***,包括计算机设备,该计算机设备被编程或配置以执行所述用于变电站绝缘子清扫机器人的视觉识别方法的步骤,或该计算机设备的存储器上存储有被编程或配置以执行所述用于变电站绝缘子清扫机器人的视觉识别方法的计算机程序。此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行所述用于变电站绝缘子清扫机器人的视觉识别方法的计算机程序。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种用于变电站绝缘子清扫机器人的视觉识别方法,其特征在于,包括进行绝缘子伞裙边识别的步骤,详细步骤包括:
1)提取出绝缘子图像中的所有边缘并去除直线线段、留下曲线段;
2)计算所有曲线段的凹凸性,且仅保留只具有凹性和凸性的曲线段;
3)针对每条曲线段,判断曲线段是否是椭圆的一部分,若是则保留该曲线段并记录其对应的椭圆二次曲线坐标,且针对记录椭圆的二次曲线坐标进行去重;
4)运用聚类算法对所有椭圆进行聚类获得绝缘子伞裙边的椭圆。
2.根据权利要求1所述用于变电站绝缘子清扫机器人的视觉识别方法,其特征在于,步骤1)的详细步骤包括:
1.1)将绝缘子图像进行二值化处理并提取其骨架;
1.2)针对提取出来的骨架,通过遍历寻找图像中第一个白色的点,然后从这个点开始向两边延伸寻找相邻的点,且每找到一个点则将其保存而后置黑,当搜索到一个没有相邻点的点时表示该端搜索完成并确定该线段的一端;最终找出骨架中所有的直线线段和曲线段;
1.3)采用Hough直线检测去除已保存的直线线段留下曲线段。
4.根据权利要求1所述用于变电站绝缘子清扫机器人的视觉识别方法,其特征在于,步骤3)的详细步骤包括:
3.1)从曲线段构造边缘点集D,初始化计数器C的值为0,循环计数k=0;
3.2)从边缘点集D中随机选取5点p1~p5;
3.3)通过5点p1~p5确定二次曲线Ax2+Bxy+Cy2+Dx+Ey+1=0的参数A,B,C,D,E,其中x,y表示点的坐标,当且仅当满足B2-4AC>0时判定该二次曲线是椭圆,执行步骤3.4),否则跳转执行步骤3.5);
3.4)从边缘点集D中随机的点p6,将点p6代入由点p1~p5所确定的二次曲线Ax2+Bxy+Cy2+Dx+Ey+1=0得到d6=|Ax6 2+Bx6y6+cy6 2+Dx6+Ey6+1|,上式中d6表示P6到椭圆P的距离的绝对值,x6,y6表示点p6的坐标;
3.5)遍历边缘点集D中的所有的边缘点,计算该边缘点到可能椭圆的距离d,如果满足d小于或等于容许误差δ则将计数器C加1,并将该边缘点从边缘点集D中去除、存入可能椭圆边缘点集P;否则跳转执行步骤3.6);若计数器C的值大于一个阈值Tg,则认为该可能椭圆为真实椭圆,输出二次曲线与中心点坐标,否则退出;
3.6)将循环计数k加1,若循环计数k大于指定的最大循环次数Kmax,则结束,否则跳转执行步骤3.2)。
5.根据权利要求1所述用于变电站绝缘子清扫机器人的视觉识别方法,其特征在于,步骤4)中运用聚类算法对所有椭圆进行聚类获得绝缘子伞裙边的椭圆具体是指对椭圆的中心坐标运用聚类算法进行聚类,针对聚类结果保留椭圆中心Y坐标与绝缘子Y坐标差值最小的那一簇的椭圆作为聚类获得的绝缘子伞裙边的椭圆。
6.根据权利要求1所述用于变电站绝缘子清扫机器人的视觉识别方法,其特征在于,步骤4)之后还包括计算各个绝缘子伞裙边的椭圆的长边与短边比,选择最扁的椭圆作为最终识别得到的目标绝缘子伞裙边的椭圆。
7.根据权利要求1~6中任意一项所述用于变电站绝缘子清扫机器人的视觉识别方法,其特征在于,还包括进行绝缘子污秽分类的步骤,详细步骤包括:
S1)采集绝缘子图像;
S2)将绝缘子图像的背景干扰及噪点过滤掉并进行图像分割为绝缘子子图;
S3)将各个绝缘子子图的RGB图像分别转化为LAB色彩模型与HSI色彩模型,并将LAB色彩模型与HSI色彩模型的均值作为颜色特征值;
S4)将颜色特征值输入预先完成训练的机器学习分类模型,得到各个绝缘子的绝缘子污秽分类结果,所述机器学习分类模型被预先训练建立了绝缘子的颜色特征值、绝缘子污秽分类结果之间的映射。
8.根据权利要求7所述用于变电站绝缘子清扫机器人的视觉识别方法,其特征在于,所述机器学习分类模型为SVM分类器,步骤S4)之前还包括使用遗传算法对SVM分类器进行参数寻优确定RBF核函数c惩罚参数和g核函数参数的步骤,从而将在低维空间线性不可分的样本训练数据通过RBF核函数c映射到高维的特征空间变成线性可分。
9.一种用于变电站绝缘子清扫机器人的视觉识别***,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求1~8中任意一项所述用于变电站绝缘子清扫机器人的视觉识别方法的步骤,或该计算机设备的存储器上存储有被编程或配置以执行权利要求1~8中任意一项所述用于变电站绝缘子清扫机器人的视觉识别方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有被编程或配置以执行权利要求1~8中任意一项所述用于变电站绝缘子清扫机器人的视觉识别方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175633.5A CN110909751B (zh) | 2019-11-26 | 2019-11-26 | 用于变电站绝缘子清扫机器人的视觉识别方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175633.5A CN110909751B (zh) | 2019-11-26 | 2019-11-26 | 用于变电站绝缘子清扫机器人的视觉识别方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909751A true CN110909751A (zh) | 2020-03-24 |
CN110909751B CN110909751B (zh) | 2022-09-02 |
Family
ID=69819650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911175633.5A Active CN110909751B (zh) | 2019-11-26 | 2019-11-26 | 用于变电站绝缘子清扫机器人的视觉识别方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909751B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009416A (zh) * | 2021-04-08 | 2021-06-22 | 国网江苏省电力有限公司检修分公司 | 一种基于激光传感器阵列的绝缘子检测定位方法 |
CN114638883A (zh) * | 2022-03-09 | 2022-06-17 | 西南交通大学 | 一种绝缘子水冲洗机器人视觉受限重定位目标方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216895A (zh) * | 2007-12-26 | 2008-07-09 | 北京航空航天大学 | 一种复杂背景图像中椭圆图像特征的自动提取方法 |
CN105678760A (zh) * | 2016-01-04 | 2016-06-15 | 国家电网公司 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
CN107067018A (zh) * | 2016-12-09 | 2017-08-18 | 南京理工大学 | 一种基于随机Hough变换和SVM的带电作业机器人螺栓识别方法 |
CN107240095A (zh) * | 2017-05-25 | 2017-10-10 | 武汉大学 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
CN109785285A (zh) * | 2018-12-11 | 2019-05-21 | 西安工程大学 | 一种基于椭圆特征拟合的绝缘子破损检测方法 |
-
2019
- 2019-11-26 CN CN201911175633.5A patent/CN110909751B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216895A (zh) * | 2007-12-26 | 2008-07-09 | 北京航空航天大学 | 一种复杂背景图像中椭圆图像特征的自动提取方法 |
CN105678760A (zh) * | 2016-01-04 | 2016-06-15 | 国家电网公司 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
CN107067018A (zh) * | 2016-12-09 | 2017-08-18 | 南京理工大学 | 一种基于随机Hough变换和SVM的带电作业机器人螺栓识别方法 |
CN107240095A (zh) * | 2017-05-25 | 2017-10-10 | 武汉大学 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
CN109785285A (zh) * | 2018-12-11 | 2019-05-21 | 西安工程大学 | 一种基于椭圆特征拟合的绝缘子破损检测方法 |
Non-Patent Citations (2)
Title |
---|
MICHELE FORNACIARI等: "A fast and effective ellipse detector for embedded vision applications", 《PATTERN RECOGNITION》 * |
谭孝元: "基于红外成像技术的零值绝缘子检测", 《中国优秀硕博士学位论文全文数据库(硕士) 工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009416A (zh) * | 2021-04-08 | 2021-06-22 | 国网江苏省电力有限公司检修分公司 | 一种基于激光传感器阵列的绝缘子检测定位方法 |
CN113009416B (zh) * | 2021-04-08 | 2024-03-12 | 国网江苏省电力有限公司检修分公司 | 一种基于激光传感器阵列的绝缘子检测定位方法 |
CN114638883A (zh) * | 2022-03-09 | 2022-06-17 | 西南交通大学 | 一种绝缘子水冲洗机器人视觉受限重定位目标方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110909751B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN110097596B (zh) | 一种基于opencv的目标检测*** | |
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 | |
CN106960178B (zh) | 绝缘子识别模型的训练方法以及绝缘子的识别与定位方法 | |
TWI611961B (zh) | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 | |
JP2008140270A (ja) | 眼部検出装置、眼部検出方法及びプログラム | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN110909751B (zh) | 用于变电站绝缘子清扫机器人的视觉识别方法、***及介质 | |
CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN115731228B (zh) | 一种镀金芯片缺陷检测***和方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN108508023B (zh) | 一种铁路接触网中接触端部顶紧螺栓的缺陷检测*** | |
CN109492544B (zh) | 一种通过增强光学显微镜对动物纤维进行分类的方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及*** | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN111008956A (zh) | 基于图像处理的梁底裂纹检测方法、***、装置及介质 | |
CN110826571A (zh) | 一种用于图像快速识别及特征匹配的图像遍历算法 | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及*** | |
CN116912805B (zh) | 一种基于无人清扫车的井盖异常智能检测识别方法及*** |
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 |