CN111008967B - 一种绝缘子rtv涂层缺陷识别方法 - Google Patents
一种绝缘子rtv涂层缺陷识别方法 Download PDFInfo
- Publication number
- CN111008967B CN111008967B CN201911226484.0A CN201911226484A CN111008967B CN 111008967 B CN111008967 B CN 111008967B CN 201911226484 A CN201911226484 A CN 201911226484A CN 111008967 B CN111008967 B CN 111008967B
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- rtv coating
- defects
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 155
- 239000011248 coating agent Substances 0.000 title claims abstract description 96
- 238000000576 coating method Methods 0.000 title claims abstract description 96
- 230000007547 defect Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 17
- 239000010959 steel Substances 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 229920002379 silicone rubber Polymers 0.000 description 2
- 239000004945 silicone rubber Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请属于图像处理技术领域,特别是涉及一种绝缘子RTV涂层缺陷识别方法。现有的绝缘子RTV涂层缺陷识别方法需要到现场进行检测,操作起来比较复杂。本申请提供了一种绝缘子RTV涂层缺陷识别方法,所述方法包括如下步骤:1)获取含有绝缘子RTV涂层缺陷的图像;2)对所述含有绝缘子RTV涂层缺陷的图像进行预处理;以便提高后续绝缘子图像分割和计算RTV涂层脱落面积占比的准确率。3)将所述预处理后的绝缘子图像分割为二值化图像,分割出绝缘子区域和RTV涂层缺陷区域。本申请提供的一种绝缘子RTV涂层缺陷识别方法,对绝缘子图像进行分割,能够获得正常绝缘子和RTV涂层脱落区域。
Description
技术领域
本申请属于图像处理技术领域,特别是涉及一种绝缘子RTV涂层缺陷识别方法。
背景技术
室温硫化硅橡胶(Room Temperature Silicone Rubber)简称RTV防污闪涂料,电力***户外设备电瓷表面的自然积污现象是不可避免的,随着我国国民经济的发展,大气污染日趋严重,各地污染源不断增多,盐密值范围逐年增高。反之,瓷绝缘配置普遍偏低,线路逐年增加,防污闪专业人员偏少,再考虑到过电压运行及变换不安的气候、鸟害等因素,污闪的可能性越来越大。
在恶劣气象条件下(如:雾、露、毛毛雨等),沿着潮湿的绝缘子表面会发生闪络,造成电力***污闪事故。污闪威胁着电力***的安全稳定运行,轻者影响局部供电,重者会对电网造成影响,甚至使整个电网产生裂解。污闪的发生对供电***的影响给国民经济造成了巨大的损失。
通过对绝缘子RTV涂层缺陷进行识别,有效的表征绝缘子RTV涂层缺陷的严重程度,为下一步是否需要复涂RTV涂料或者更换绝缘子提供理论依据。但是现有的绝缘子RTV涂层缺陷识别方法需要到现场进行检测操作起来比较复杂。
发明内容
1.要解决的技术问题
基于通过对绝缘子RTV涂层缺陷进行识别,有效的表征绝缘子RTV涂层缺陷的严重程度,为下一步是否需要复涂RTV涂料或者更换绝缘子提供理论依据。但是现有的绝缘子RTV涂层缺陷识别方法需要到现场进行检测操作起来比较复杂问题,本申请提供了一种绝缘子RTV涂层缺陷识别方法。
2.技术方案
为了达到上述的目的,本申请提供了一种绝缘子RTV涂层缺陷识别方法,所述方法包括如下步骤:
1)获取含有绝缘子RTV涂层缺陷的图像;
2)对所述含有绝缘子RTV涂层缺陷的图像进行预处理,以便提高后续绝缘子图像分割和计算RTV涂层脱落面积占比的准确率;
3)将所述预处理后的绝缘子图像分割为二值化图像,分割出绝缘子区域和RTV涂层缺陷区域。
本申请的另一种实施方式为:所述步骤1)中所述图像来自现场近距离的航拍的含有RTV涂层缺陷的绝缘子图像或者实验室拍摄的含有RTV涂层缺陷的绝缘子图像。
本申请的另一种实施方式为:所述绝缘子图像种包括绝缘子型号信息。对绝缘子本体颜色不做限制。
本申请的另一种实施方式为:所述步骤2)中所述预处理包括对图像灰度化和图像中值滤波,去除噪声,改善图像质量,提高所述绝缘子图像分割的准确性。后续可通过统计图像中像素点的个数计算绝缘子RTV涂层脱落面积占比。
本申请的另一种实施方式为:所述图像灰度化的转换公式为:
Y=0.2989*R+0.5870*G+0.1140*B
RGB为彩色图像中的三分量,R代表红色分量,G代表绿色分量,B代表蓝色分量。Y为灰度图像的灰度值。
本申请的另一种实施方式为:所述步骤3)中利用最大类间方差法将预处理过后的绝缘子图像进行分割为二值化图像,分割出绝缘子区域和RTV涂层缺陷区域。
本申请的另一种实施方式为:所述最大类间方差法包括遍历图像灰度的值空间,计算每个阈值对应的类间方差,使类间方差最大,即为最优阈值T;选取阈值T对图像的梯度值进行二值化。
本申请的另一种实施方式为:还包括统计所述二值化图像的黑白像素点个数,计算绝缘子RTV涂层脱落面积占比。
本申请的另一种实施方式为:所述绝缘子RTV涂层脱落面积占比为绝缘子正面或背面占绝缘子绝缘区域的比例。
由于绝缘子中间区域存在钢帽部件,该部件不具备绝缘性能,本专利的最终目的是计算绝缘子RTV涂层脱落面积占比,该占比是指绝缘子正面或背面占绝缘子绝缘区域的比例,不包括绝缘子中间钢帽部件区域,这种计算方式能够有效的表征绝缘子RTV涂层缺陷的严重程度。
本申请的另一种实施方式为:所述计算包括如下步骤:
a、计算二值化图像中绝缘子本体的圆心坐标(x,y),x=(max(x)+min(x))/2,y=(max(y)+min(y))/2;
b、计算二值化图像中绝缘子半径R=(max(x)-min(x))/2;
c、计算钢帽半径R1=R×d;
d、使用填充函数将钢帽区域填充为黑色,统计该图中黑色像素点个数,记作A;
e、计算钢帽区域面积为S=πR1 2;
f、通过过滤函数删除图像中绝缘子RTV涂层脱落区域,使得整个绝缘子区域为黑色,统计该图中黑色像素点个数,记作B;
g、计算绝缘子RTV涂层脱落区域占比Ratio=(B-A)/(B-S)×100%。
其中,绝缘子本体的圆心坐标为(x,y),绝缘子半径为R,钢帽直径占绝缘子盘径的百分比为d。
3.有益效果
与现有技术相比,本申请提供的一种绝缘子RTV涂层缺陷识别方法的有益效果在于:
本申请提供的一种绝缘子RTV涂层缺陷识别方法,对绝缘子图像进行分割,能够获得正常绝缘子和RTV涂层脱落区域。
本申请提供的一种绝缘子RTV涂层缺陷识别方法,通过采集含有绝缘子RTV涂层缺陷的图像,对图像进行处理识别,得到绝缘子RTV涂层缺陷及其占比面积,操作简单,而且不用去现场就可实现对绝缘子RTV涂层缺陷的识别,通过绝缘子RTV涂层缺陷占比面积表征绝缘子RTV涂层缺陷的严重程度。
附图说明
图1是本申请的一种绝缘子RTV涂层缺陷识别方法的原理示意图;
图2是本申请的具体实施结果示意图。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
OTSU算法也称最大类间差法,有时也称之为大津算法,由大津于1979年提出,被认为是图像分割中阈值选取的最佳算法,计算简单,不受图像亮度和对比度的影响,因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性,将图像分成背景和前景两部分。方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
参见图1~2,本申请提供一种绝缘子RTV涂层缺陷识别方法,所述方法包括如下步骤:
1)获取含有绝缘子RTV涂层缺陷的图像;
2)对所述含有绝缘子RTV涂层缺陷的图像进行预处理;
3)将所述预处理后的绝缘子图像分割为二值化图像,分割出绝缘子区域和RTV涂层缺陷区域。
进一步地,所述步骤1)中所述图像来自现场近距离的航拍的含有RTV涂层缺陷的绝缘子图像或者实验室拍摄的含有RTV涂层缺陷的绝缘子图像。
进一步地,所述绝缘子图像种包括绝缘子型号信息。
进一步地,所述步骤2)中所述预处理包括对图像灰度化和图像中值滤波,去除噪声,改善图像质量,提高所述绝缘子图像分割的准确性。
计算绝缘子RTV涂层缺陷面积占比的前提是确定绝缘子所在区域,即需要对原始图像进行分割,使得绝缘子区域与背景分离。由于原始图像中可能存在不同程度的噪声或者其他干扰因素,影响后续绝缘子图像分割识别的准确性,因此需要在进行图像分割操作之前对原始图像进行一系列的预处理操作,图像预处理的目的是降低噪声、改善图像质量,并尽可能保留原始图像中的RTV涂层缺陷信息。本申请采用的预处理方法分为图像灰度化、图像中值滤波。这两种方法能够为后期的绝缘子图像分割工作减少干扰并提高计算效率。
图像灰度化
经过采集获取到的原始图像一般都是彩色图像,将彩色图像转化为灰度图像的过程称为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量的范围为0~255,所以需要先将彩色图像转变成灰度图像以减少后续的计算量,灰度图像的描述与彩色图像一样仍然能反映图像的色度和亮度等级的分布和特征。
图像中值滤波
由于在采集图像时光照条件的多变性,采集到的图像会存在不同程度的噪声,这些噪声可能会使图像中均匀连续分布的灰度值在某个点突然变大或减小,导致算法识别出虚假的RTV涂层缺陷。为了减小噪声的影响,改善图像的质量,需要对灰度图像进行中值滤波处理。中值滤波是把数字图像中一点的值用该点的一个领域中各点值的中值代替,将周围像素灰度值的差比较大的像素改取与周围的像素值相接近的值,从而消除孤立的噪声点,可以做到既去除噪声又能保护绝缘子的边缘信息。
进一步地,所述图像灰度化的转换公式为:
Y=0.2989*R+0.5870*G+0.1140*B
其中,R代表红色分量,G代表绿色分量,B代表蓝色分量。Y为灰度图像的灰度值。
进一步地,所述步骤3)中利用最大类间方差法将预处理过后的绝缘子图像进行分割为二值化图像,分割出绝缘子区域和RTV涂层缺陷区域。
进一步地,所述最大类间方差法包括遍历图像灰度的值空间,计算每个阈值对应的类间方差,使类间方差最大,即为最优阈值T;选取阈值T对图像的梯度值进行二值化。
进一步地,还包括统计所述二值化图像的黑白像素点个数,计算绝缘子RTV涂层脱落面积占比。
进一步地,所述绝缘子RTV涂层脱落面积占比为绝缘子正面或背面占绝缘子绝缘区域的比例。
进一步地,所述计算包括如下步骤:
a、计算二值化图像中绝缘子本体的圆心坐标(x,y),x=(max(x)+min(x))/2,y=(max(y)+min(y))/2;
b、计算二值化图像中绝缘子半径R=(max(x)-min(x))/2;
c、计算钢帽半径R1=R×d;
d、使用填充函数将钢帽区域填充为黑色,统计该图中黑色像素点个数,记作A;
e、计算钢帽区域面积为S=πR1 2;
f、通过过滤函数删除图像中绝缘子RTV涂层脱落区域,使得整个绝缘子区域为黑色,统计该图中黑色像素点个数,记作B;
g、计算绝缘子RTV涂层脱落区域占比Ratio=(B-A)/(B-S)×100%。
其中,绝缘子本体的圆心坐标为(x,y),绝缘子半径为R,钢帽直径占绝缘子盘径的百分比为d。
图2中,原图为彩色图像。
原始图像经过上述预处理后,下一步需要将绝缘子区域从图像中分割出来。本专利使用Otsu阈值分割算法能够很好的将上述预处理后的绝缘子区域从图像中分割出来,它利用绝缘子与背景在灰度上的差异,通过设置阈值来把像素级分成若干类,判断图像中的每一个像素点的灰度值是否满足阈值的要求,从而确定图像中该像素点是否属于目标区域,即实现绝缘子与背景的分离。当绝缘子RTV涂层脱落时,脱落区域会露出绝缘子本体,绝缘子本体的颜色与RTV涂层的颜色相差较大,即二者在图像中的灰度差异较大,所以使用Otsu阈值分割算法同时可以区分出正常绝缘子区域和RTV涂层脱落区域。
Otsu阈值分割算法步骤如下:
设灰度图片大小为w*h,即图片的像素个数为w*h,设前景与背景的分割阈值为T,灰度值小于T的所有像素点为前景,大于T的所有像素点为背景。设前景像素个数占图像比例为ω0,其平均灰度为μ0,背景像素个数占图像比例为ω1,其平均灰度为μ1。图像的整体平均灰度为μ,类间方差为g,则有:
ω0+ω1=1 (1)
μ=ω0×μ0+ω1×μ1 (2)
可得类间方差为:
g=ω0×(μ0-μ)2+ω1×(μ1-μ)2 (3)
联立上式得:
g=ω0×ω1×(μ0-μ1)2 (4)
遍历图像灰度的值空间,计算每个阈值对应的类间方差,使类间方差g最大,即为最优阈值T。
选取阈值T对图像的梯度值进行二值化:
由式(5)可以得到图像f(x,y)分割后的图像g(x,y)。
由于绝缘子中间区域存在钢帽部件,该部件不具备绝缘性能,本专利的最终目的是计算的绝缘子RTV涂层脱落面积占比,该占比是指绝缘子正面或背面占绝缘子绝缘区域的比例,不包括绝缘子中间钢帽部件区域,这种计算方式能够有效的表征绝缘子RTV涂层缺陷的严重程度。
原始图像经过上述预处理方法以及Otsu阈值分割算法处理后得到二值图像,最终二值图像中正常绝缘子区域表示为黑色,RTV涂层脱落区域和背景为白色。
本申请提供的一种绝缘子RTV涂层缺陷识别方法,对绝缘子图像进行分割,能够获得正常绝缘子和RTV涂层脱落区域。
本申请提供的一种绝缘子RTV涂层缺陷识别方法,通过采集含有绝缘子RTV涂层缺陷的图像,对图像进行处理识别,得到绝缘子RTV涂层缺陷及其占比面积,操作简单,而且不用去现场就可实现对绝缘子RTV涂层缺陷的识别,通过绝缘子RTV涂层缺陷占比面积表征绝缘子RTV涂层缺陷的严重程度。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (7)
1.一种绝缘子RTV涂层缺陷识别方法,其特征在于:所述方法包括如下步骤:
1)获取含有绝缘子RTV涂层缺陷的图像;
2)对所述含有绝缘子RTV涂层缺陷的图像进行预处理;
3)将所述预处理后的绝缘子图像分割为二值化图像,分割出绝缘子区域和RTV涂层缺陷区域;所述二值图像中正常绝缘子区域表示为黑色,RTV涂层脱落区域和背景为白色,将钢帽区域填充为黑色,计算所述二值化图像的黑白像素点个数,计算绝缘子RTV涂层脱落面积占比;所述绝缘子RTV涂层脱落面积占比为绝缘子正面或背面占绝缘子绝缘区域的比例;所述计算包括如下步骤:
a、计算二值化图像中绝缘子本体的圆心坐标(x,y),x=(max(x)+min(x))/2,y=(max(y)+min(y))/2;
b、计算二值化图像中绝缘子半径R=(max(x)-min(x))/2;
c、计算钢帽半径R1=R×d;
d、使用填充函数将钢帽区域填充为黑色,统计该图中黑色像素点个数,记作A;
e、计算钢帽区域面积为S=πR1 2;
f、通过过滤函数删除图像中绝缘子RTV涂层脱落区域,使得整个绝缘子区域为黑色,统计该图中黑色像素点个数,记作B;
g、计算绝缘子RTV涂层脱落区域占比Ratio=(B-A)/(B-S)×100%;
其中,绝缘子本体的圆心坐标为(x,y),绝缘子半径为R,钢帽直径占绝缘子盘径的百分比为d。
2.如权利要求1所述的绝缘子RTV涂层缺陷识别方法,其特征在于:所述步骤1)中所述图像来自现场近距离的航拍的含有RTV涂层缺陷的绝缘子图像或者实验室拍摄的含有RTV涂层缺陷的绝缘子图像。
3.如权利要求2所述的绝缘子RTV涂层缺陷识别方法,其特征在于:所述绝缘子图像种包括绝缘子型号信息。
4.如权利要求1所述的绝缘子RTV涂层缺陷识别方法,其特征在于:所述步骤2)中所述预处理包括对图像灰度化和图像中值滤波,去除噪声,改善图像质量,提高所述绝缘子图像分割的准确性。
5.如权利要求4所述的绝缘子RTV涂层缺陷识别方法,其特征在于:所述图像灰度化的转换公式为:
Y=0.2989*R+0.5870*G+0.1140*B
其中,R代表红色分量,G代表绿色分量,B代表蓝色分量,Y为灰度图像的灰度值。
6.如权利要求1所述的绝缘子RTV涂层缺陷识别方法,其特征在于:所述步骤3)中利用最大类间方差法将预处理过后的绝缘子图像进行分割为二值化图像,分割出绝缘子区域和RTV涂层缺陷区域。
7.如权利要求6所述的绝缘子RTV涂层缺陷识别方法,其特征在于:所述最大类间方差法包括遍历图像灰度的值空间,计算每个阈值对应的类间方差,使类间方差最大,即为最优阈值T;选取阈值T对图像的梯度值进行二值化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226484.0A CN111008967B (zh) | 2019-12-04 | 2019-12-04 | 一种绝缘子rtv涂层缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911226484.0A CN111008967B (zh) | 2019-12-04 | 2019-12-04 | 一种绝缘子rtv涂层缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008967A CN111008967A (zh) | 2020-04-14 |
CN111008967B true CN111008967B (zh) | 2023-05-12 |
Family
ID=70114005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911226484.0A Active CN111008967B (zh) | 2019-12-04 | 2019-12-04 | 一种绝缘子rtv涂层缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008967B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638218A (zh) * | 2020-05-14 | 2020-09-08 | 哈尔滨工程大学 | 一种涂层表面缺陷的检测方法 |
CN111739032B (zh) * | 2020-06-22 | 2023-08-01 | 北京市测绘设计研究院 | 一种基于城市街景的绿化面积计算方法及*** |
CN116679171B (zh) * | 2023-05-15 | 2023-11-10 | 江苏云峰科技股份有限公司 | 风力发电开关的绝缘件的绝缘状态判断*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300323A (zh) * | 2015-11-18 | 2016-02-03 | 江苏省电力公司连云港供电公司 | 绝缘子rtv涂层脱落面积检测方法及检测装置 |
CN105740844A (zh) * | 2016-03-02 | 2016-07-06 | 成都翼比特自动化设备有限公司 | 基于图像识别技术的绝缘子炸裂故障检测方法 |
CN107886096A (zh) * | 2016-09-29 | 2018-04-06 | 成都思晗科技股份有限公司 | 一种输电线路的绝缘子脱落缺陷检测方法 |
HUE042725T2 (hu) * | 2017-05-18 | 2019-07-29 | Grob Gmbh & Co Kg | Eljárás és készülék bevont felületek minõségének vizsgálatára |
-
2019
- 2019-12-04 CN CN201911226484.0A patent/CN111008967B/zh active Active
Non-Patent Citations (2)
Title |
---|
MICROWAVE REFLECTION METHOD FOR COMPOSITE INSULATOR INTERNAL DEFECT DETECTION;Hongwei Mei et al.;《IEEE Explore》;全文 * |
绝缘子涂层缺陷检测研究;刘雨;田立国;;天津职业技术师范大学学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008967A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780438B (zh) | 基于图像处理的绝缘子缺陷检测方法及*** | |
CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
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 | |
CN108307146B (zh) | 一种高压输电线路安全隐患检测***及方法 | |
CN104483326B (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及*** | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
WO2020224458A1 (zh) | 一种基于图像处理的电晕检测方法 | |
CN106680285B (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
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 | |
CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN111292321B (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
CN111402247A (zh) | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 | |
CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
CN106408025B (zh) | 基于图像处理的航拍图像绝缘子分类识别方法 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
KR101549495B1 (ko) | 문자 추출 장치 및 그 방법 | |
CN110276787B (zh) | 基于标志物图像检测的导线舞动监测方法 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN114511770A (zh) | 道路标识标牌识别方法 |
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 |