CN111402215A - 一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法 - Google Patents
一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法 Download PDFInfo
- Publication number
- CN111402215A CN111402215A CN202010153833.7A CN202010153833A CN111402215A CN 111402215 A CN111402215 A CN 111402215A CN 202010153833 A CN202010153833 A CN 202010153833A CN 111402215 A CN111402215 A CN 111402215A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- value
- state
- principal component
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000012847 principal component analysis method Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012887 quadratic function Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002411 adverse Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 241001270131 Agaricus moelleri Species 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 5
- 230000002950 deficient Effects 0.000 abstract description 4
- 230000002596 correlated effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000725 suspension Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
- G06T7/0002—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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法，根据采集的接触网支撑及悬挂装置图像建立绝缘子样本数据集，并采用Mask‑RCNN卷积神经网络进行目标检测与分割，从而定位出图像中绝缘子的位置并分割；根据定位结果计算绝缘子最小外接矩，检测倾斜角度，根据倾斜角度旋转获取的图片，得到水平绝缘子图像；对采集到的绝缘子图像进行逐片裁剪，得到单个固定视角的绝缘子片数据集；对固定视角的绝缘子片数据集进行前景与背景分割；通过灰度共生矩阵对分离出的前景进行纹理特征提取，采用能量和熵来提取图像的纹理特征，并根据其是否正相关进行加权求和，并设置阈值识别绝缘子状态。本发明实现了绝缘子残缺及污垢等不良状态的检测与快速定位。
Description
技术领域
本发明涉及高速铁路图像智能检测技术领域，具体为一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法。
背景技术
高速铁路的快速发展，对牵引供电***的运行安全性提出了更高的要求，先进的检测技术和现代化的检测设备是提高牵引供电***维修质量的保证，是实现电气化铁路状态检测和状态维修的重要手段。在电气化铁道供电***中,腕臂支持装置主要包括斜腕臂、水平腕臂(拉杆)、棒式绝缘子及相关零部件。棒式绝缘子用以悬挂支持斜腕臂和水平腕臂并保持接触线对接地体保持电气绝缘。斜腕臂和水平腕臂组成稳定三角形结构，为承力索提供支持力并连接定位装置。由于需要承受斜腕臂和水平腕臂的重力负荷和面对严峻的环境条件，在运行时难免会产生绝缘子片残缺或者污垢等不正常运营状态，给动车组的安全运行带来隐患，因此需要对绝缘子的故障进行检测，并采取措施排除隐患。原铁道部颁布的4C***技术规范，包含对接触网的悬挂部分、腕臂部分的高清晰视频监测，涉及基于数字图像处理技术对接触网支撑及悬挂装置中零部件的故障检测。
目前国内外对接触网零部件状态缺陷使用的检测方法主要有：人工检测法、激光测试法、涡流法、超声波法等等。这些检测方法都取得了一定的效果，但不少方法存在测量不准确、危险性高、操作复杂、设备昂贵笨重、检测任务重强度大、抗干扰能力差等问题。基于图像处理技术的非接触式弓网检测技术研究可实现不干扰行车安全的弓网检测装置开发，所用设备可拓展性强，实现弓网参数和故障的自动识别，具有众多优势。
目前，国内外基于图像处理的弓网故障状态检测已有一些研究，阳红梅使用模板匹配surf检测绝缘子故障。张桂南研究了基于快速模糊匹配的接触网棒式绝缘子故障检测的方法。苗向鹏提出了一种模板匹配和图像局部膨胀与动态阈值的二值化处理相结合的绝缘子破损检测方法。韩烨采用HOG特征与二维Gabor小波变换法实现了高铁接触网支撑装置耳片断裂故障检测。杨辉金首先利用LBP与Adaboost组合模型来提取绝缘子，然后采用连通域求面积和周长的方法计算绝缘子裂纹的几何特征,从而实现绝缘子裂纹检测。郭晓旭提出了一种基于Harris角点与图像差分实现了绝缘子的抗旋转匹配和故障检测方法。吕洋采用生成对抗网络对绝缘子进行残缺故障检测。由于现场采集的接触网支撑及悬挂装置图像普遍较复杂，且采用的图像处理技术相对复杂，因此急需一种简单迅速的图像检测算法对绝缘子的故障状态进行快速定位与检测。
发明内容
针对上述问题，本发明的目的在于提供一种能够实现绝缘子残缺及污垢等不良状态的检测与快速定位的基于鲁棒主成分分析法的接触网绝缘子状态检测方法。技术方案如下：
一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法，包括以下步骤：
步骤A：对高速铁路接触网支撑及悬挂装置进行图像采集；
步骤B：建立每个支柱四个固定视角绝缘子的样本数据集，并采用Mask-RCNN卷积神经网络进行目标检测与分割，从而定位出接触网支撑及悬挂装置图像中绝缘子的位置并分割；
步骤C：根据上述定位结果计算绝缘子最小外接矩，然后采用Hough变换检测倾斜角度，根据倾斜角度旋转步骤B中获取的图片，最终得到水平绝缘子图像；再利用绝缘子的视觉特征，对采集到的绝缘子图像进行逐片裁剪，得到单个固定视角的绝缘子片数据集；
步骤D：利用鲁棒主成分分析算法，对所述固定视角的绝缘子片数据集进行前景与背景分割；
步骤E：通过灰度共生矩阵对分离出的前景进行纹理特征提取，采用能量和熵两个特征来提取图像的纹理特征，并根据其是否正相关进行加权求和，并设置阈值识别绝缘子状态。
进一步的，所述步骤B的具体过程如下：
步骤B1：对输入图像进行卷积操作，得到特征图；
步骤B2：由区域建议网络提取感兴趣区域；
步骤B3：对每个感兴趣区域进行分类、定位、分割生成掩码。
更进一步的，所述步骤C中利用绝缘子的视觉特征，对采集到的绝缘子图像进行逐片裁剪，得到单个固定视角的绝缘子片数据集的具体过程如下：
步骤C1：对全局图像进行灰度化处理，进而计算灰度值梯度，利用单个绝缘子片边缘白黑交替而产生的梯度峰值，定位得绝缘子片边缘坐标值；
步骤C2：利用每个绝缘子片的四个边缘坐标值，对绝缘子边缘进行二次函数拟合；
步骤C3：根据拟合结果，计算出二次函数顶点，即为单个绝缘子片分割处，根据顶点坐标进行裁剪，得到单个绝缘子片图像。
更进一步的，所述步骤D的具体过程如下：
步骤D1：把固定视角单个绝缘子片图像由a*b拉伸为一维向量1*m，m＝a*b；把n个图像依次排列，得到一个n*m的二维矩阵；
步骤D3：对处理后的二维矩阵单行进行拉伸得到a*b的前景图和背景图。
更进一步的，所述步骤E的具体过程如下：
步骤E1：首先提取绝缘子片前景图，提取后计算纹理特征；
步骤E2：灰度级量化：将灰度级分为8个灰度级；
步骤E3：选择纹理特征提取参数；
步骤E4：计算共生矩阵；
步骤E5：识别故障状态：采用能量和熵作为评判指标来判断绝缘子是否故障：
能量值和熵值分别表示为：
其中，P(i,j)为灰度共生矩阵中的元素(i，j)的值；
步骤E6：对计算出的纹理特征进行加权，能量值和不良状态呈负相关，取负权重；熵值与不良状态呈正相关，取正权重；纹理特征值写为：
f＝Ent-ASM
计算纹理特征值后选择阈值进行故障检测。
本发明的有益效果是：
1.本发明通过鲁棒主成分分析法及图像处理方法对高铁接触网绝缘子残缺和污垢不良状态的检测，不受光照强度，拍摄角度、距离的影响，给出客观、真实、精确的检测分析结果，克服了传统人工检测方法的缺陷。
2.本发明根据绝缘子片的结构特征，巧妙地将灰度值梯度峰值与绝缘子片光学规律结合，快速、有效的对单个绝缘子片进行分割。
3.本发明方法能够有效的针对高铁接触网绝缘子残缺和污垢等不良状态进行故障检测，正确检测率较高，简化了故障检测的难度。
附图说明
图1为本发明方法处理过程框图。
图2为本发明现场采集的高速铁路接触网支撑及悬挂装置图像。
图3为Mask-RCNN卷积神经网络定位到的绝缘子区域：(a)为原始图片；(b)为Mask-RCNN卷积神经网络定位到的绝缘子区域；(c)为截取得的绝缘子图片。
图4为经过Hough对绝缘子进行变换旋转图。
图5为周期提取时，利用梯度峰值计算的特征点提取图。
(a)横坐标代表图像水平方向上某一行像素点，纵坐标代表图像水平方向上某一行像素值；
(b)横坐标代表图像水平方向上某一行像素点，纵坐标代表图像水平方向上某一行像素值水平方向上梯度。
图6为绝缘子周期提取与绝缘子片拟合切割图。
图7为截取的单个绝缘子图像。
图8为经过鲁棒主成分分析法处理的绝缘子故障状态((a)残缺，(b)污秽)与(c)正常图像对比图。
图9为截取的绝缘子故障状态((a)残缺，(b)污秽)与(c)正常图像前景对比图。
图10为故障与正常前景图像计算得的纹理特征：(a)能量、(b)熵。
图11为加权后的纹理特征值。
图12为灰度矩阵A。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。图1为本发明方法处理过程框图。图2为现场采集的高铁接触网悬挂装置图像，本发明基于鲁棒主成分分析法的接触网绝缘子状态检测方法，其特征在于，包括以下步骤：
步骤A：采用专用综合列检车对高速铁路接触网支撑及悬挂装置进行成像；
步骤B：建立四个固定视角每个支柱绝缘子的样本数据集，采用Mask-RCNN卷积神经网络进行绝缘子目标检测与分割，从而定位出接触网支撑及悬挂装置图像中绝缘子的位置并分割。
如图3所示，利用Mask-RCNN卷积神经网络可以精准定位到的绝缘子区域并从背景中分割提取出来。具体过程如下：
步骤a：首先对输入图像进行卷积操作，得到特征图
步骤b：由区域提案网络(RPN，Region Proposal Network)提取感兴趣区域(RoI，region of interest)
步骤c：对每个RoI进行分类、定位、分割生成掩码。
步骤C：旋转图像，如图4所示，根据步骤B的定位结果计算绝缘子最小外接矩，计算外接矩后采用Hough变换检测倾斜角度，根据倾斜角度旋转步骤B中已经获取的图片，最终得到水平绝缘子图像。利用绝缘子的视觉特征，对采集到的绝缘子图像进行逐片裁剪，最终得到单个固定视角的绝缘子片数据集。
具体过程如下：
步骤a：计算绝缘子区域最小外接矩，计算外接矩后采用Hough变换检测倾斜角度，根据倾斜角度旋转步骤B中已经获取的图片，得到水平绝缘子图像。
步骤b：对全局图像进行灰度化处理，首先显示绝缘子一水平线上灰度值，计算灰度值梯度，提取梯度峰值。由于绝缘子光学反射特征，灰度值梯度处(亮暗交替处)即为绝缘子边缘。提取峰值得到n个绝缘子片片数(假设为一个绝缘子n个绝缘子片)的点坐标。
如图5所示(左图：横坐标代表图像水平方向上某一行像素点，纵坐标代表图像水平方向上某一行像素值；右图：横坐标代表图像水平方向上某一行像素点，纵坐标代表图像水平方向上。某一行像素值水平方向梯度)。利用绝缘子片视觉特征，首先显示水平直线上绝缘子灰度值，再进行梯度计算，利用绝缘子片边缘梯度峰值的特征得到在一水平直线上的9个特征点。依次计算4条直线，得到单个绝缘子片的4个边缘特征点。
步骤c：计算4条水平直线上的峰值，得到n个绝缘子片、每个绝缘子片边缘的4个点坐标，共4*n个坐标。对每个绝缘子片边缘的4个点坐标进行二次函数拟合。计算二次函数顶点，函数顶点即为单个绝缘子片分割点。
如图6所示，根据单个绝缘子片的4个特征点拟合二次函数，并计算出函数顶点，顶点即为绝缘子片分割处。依次计算9个绝缘子片的分割点。
步骤d：根据单个绝缘子片分割点把每个绝缘子分割成绝缘子片并保存。裁剪结果如图7所示。
步骤D：利用鲁棒主成分分析法算法，对步骤C采集的绝缘子片数据集进行前景与背景分割。
具体过程如下：
步骤a：把固定视角单个绝缘子片图像(a*b)拉伸为一维向量(1*m，m＝a*b)，把n个图像依次排列，得到一个n*m的二维矩阵D，使用算法的目的是把矩阵D分解一个低秩矩阵A(由于内部有一定的结构信息造成各行或列间是线性相关的)和一个稀疏矩阵E(含有噪声，稀疏的)。则以上要求可以写成以下的优化问题：
由于rank和L0范数在优化上存在非凸和非光滑特性，所以一般将这个问题转换成求解一
个松弛的凸优化问题：
步骤b:对步骤a处理后的二维矩阵，利用交替方向法(alternating directionmethods；ADM)即为不精确拉格朗日乘子法(inexact Augmented Lagrange Multiplier；inexactALM)对矩阵进行降秩处理，提取出前景与背景。目标函数加上惩罚项，则目标函数变为：
拉格朗日函数为：
1)初始化。
μ0>0，ρ>0，k＝0。
2)求解
令
2.1)更新Ak+1
2.2)更新Ek+1
2.3)j＝j+1。直至满足收敛条件，则
跳出2)。
3)更新其他
步骤c:对步骤b处理后的二维矩阵A(原图)、D(背景)、E(前景)分别单行进行拉伸得到a*b的原图、背景和前景对照图。处理后绝缘子不良状态和正常状态对比图如图8和图9所示。
步骤E：截取绝缘子片前景图。通过灰度共生矩阵(GLCM,Gray-level co-occurrence matrix)对分离出的前景进行纹理特征提取。采用两个个最常用的特征来提取图像的纹理特征：能量、熵，绝缘子不良状态和正常状态计算出的纹理特征值如图10所示。并根据其是否正相关进行加权求和，加权后特征值图如图11所示，并设置阈值识别绝缘子状态。
具体过程如下：
步骤a：首先提取绝缘子片前景图，提取后计算纹理特征。
步骤b：灰度级量化。在一幅图像中的灰度级有256级，从0--255。但在计算灰度共生矩阵时并不需要256个灰度级，且计算量实在太大，所以将其分为8个灰度级。
步骤c：纹理特征提取参数选择。
1)步距d：选择d＝1，即中心像素直接与其相邻像素点做比较运算；
2)方向选择：计算灰度共生矩阵的方向选择为0°、45°、90°、135°四个方向；求出四个方向矩阵的特征值后，通过计算四个特征值的平均值作为最终特征值共生矩阵。
步骤d：计算共生矩阵。灰度共生矩阵为方阵，维数等于图像的灰度级。选取参数后，进行灰度共生矩阵计算，灰度共生矩阵中的元素(i，j)的值表示了在图像中其中一个像素的灰度值为i，另一个像素的灰度值为j，并且相邻距离为d，方向为A的这样两个像素出现的次数。下面举例说明。某灰度矩阵A(大小为3*3，灰度级别为2)，如图12所示。
选择步距d＝1，求0°方向矩阵A的共生矩阵：则按照0°方向(即水平方向从左向右)，统计矩阵值(1，2)，此时满足矩阵值(1,2)统计条件的值共有4个，所以该窗口对应的GLCM统计矩阵的(1，2)位置元素的值即为4。
步骤e：故障状态识别。灰度共生矩阵理论提出了14种特征值，但由于灰度共生矩阵的计算量很大，所以为了简便，我们采用2个最常用的特征来提取图像的纹理特征：能量、熵，作为评判指标来判断绝缘子是否故障。
1)能量、也称为角二阶距(angular second moment)：能量是灰度共生矩阵各元素的平方和，又被称角二阶距。它是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细程度。
2)熵(entropy):熵是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。若灰度共生矩阵值分布均匀，也即图像近于随机或噪声很大，熵会有较大值。
步骤f：对计算出的纹理特征进行加权，可以看到能量值和不良状态呈负相关，取值范围为[0,1],取负权重；熵值与不良状态呈正相关，取值范围为[0,1],取正权重；因此，纹理特征值(feature)可以写为：
f＝Ent-ASM
计算纹理特征值后选择合适的阈值进行故障检测。
Claims (5)
1.一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法，其特征在于，包括以下步骤：
步骤A：对高速铁路接触网支撑及悬挂装置进行图像采集；
步骤B：建立每个支柱四个固定视角绝缘子的样本数据集，并采用Mask-RCNN卷积神经网络进行目标检测与分割，从而定位出接触网支撑及悬挂装置图像中绝缘子的位置并分割；
步骤C：根据上述定位结果计算绝缘子最小外接矩，然后采用Hough变换检测倾斜角度，根据倾斜角度旋转步骤B中获取的图片，最终得到水平绝缘子图像；再利用绝缘子的视觉特征，对采集到的绝缘子图像进行逐片裁剪，得到单个固定视角的绝缘子片数据集；
步骤D：利用鲁棒主成分分析算法，对所述固定视角的绝缘子片数据集进行前景与背景分割；
步骤E：通过灰度共生矩阵对分离出的前景进行纹理特征提取，采用能量和熵两个特征来提取图像的纹理特征，并根据其是否正相关进行加权求和，并设置阈值识别绝缘子状态。
2.根据权利要求1所述的基于鲁棒主成分分析法的接触网绝缘子状态检测方法，其特征在于，所述步骤B的具体过程如下：
步骤B1：对输入图像进行卷积操作，得到特征图；
步骤B2：由区域建议网络提取感兴趣区域；
步骤B3：对每个感兴趣区域进行分类、定位、分割生成掩码。
3.根据权利要求1所述的基于鲁棒主成分分析法的接触网绝缘子状态检测方法，其特征在于，所述步骤C中利用绝缘子的视觉特征，对采集到的绝缘子图像进行逐片裁剪，得到单个固定视角的绝缘子片数据集的具体过程如下：
步骤C1：对全局图像进行灰度化处理，进而计算灰度值梯度，利用单个绝缘子片边缘白黑交替而产生的梯度峰值，定位得绝缘子片边缘坐标值；
步骤C2：利用每个绝缘子片的四个边缘坐标值，对绝缘子边缘进行二次函数拟合；
步骤C3：根据拟合结果，计算出二次函数顶点，即为单个绝缘子片分割处，根据顶点坐标进行裁剪，得到单个绝缘子片图像。
4.根据权利要求1所述的基于鲁棒主成分分析法的接触网绝缘子状态检测方法，其特征在于，所述步骤D的具体过程如下：
步骤D1：把固定视角单个绝缘子片图像由a*b拉伸为一维向量1*m，m＝a*b；把n个图像依次排列，得到一个n*m的二维矩阵；
步骤D3：对处理后的二维矩阵单行进行拉伸得到a*b的前景图和背景图。
5.根据权利要求1所述的基于鲁棒主成分分析法的接触网绝缘子状态检测方法，其特征在于，所述步骤E的具体过程如下：
步骤E1：首先提取绝缘子片前景图，提取后计算纹理特征；
步骤E2：灰度级量化：将灰度级分为8个灰度级；
步骤E3：选择纹理特征提取参数；
步骤E4：计算共生矩阵；
步骤E5：识别故障状态：采用能量和熵作为评判指标来判断绝缘子是否故障：
能量值和熵值分别表示为：
其中，P(i,j)为灰度共生矩阵中的元素(i，j)的值；
步骤E6：对计算出的纹理特征进行加权，能量值和不良状态呈负相关，取负权重；熵值与不良状态呈正相关，取正权重；纹理特征值写为：
f＝Ent-ASM
计算纹理特征值后选择阈值进行故障检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010153833.7A CN111402215B (zh) | 2020-03-07 | 2020-03-07 | 一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010153833.7A CN111402215B (zh) | 2020-03-07 | 2020-03-07 | 一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111402215A true CN111402215A (zh) | 2020-07-10 |
| CN111402215B CN111402215B (zh) | 2022-04-29 |
Family
ID=71430614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010153833.7A Expired - Fee Related CN111402215B (zh) | 2020-03-07 | 2020-03-07 | 一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402215B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310761A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 |
| CN112634254A (zh) * | 2020-12-29 | 2021-04-09 | 北京市商汤科技开发有限公司 | 绝缘子缺陷检测方法及相关装置 |
| CN113158728A (zh) * | 2020-12-31 | 2021-07-23 | 杭州图歌科技有限公司 | 一种基于灰度共生矩阵的车位状态检测方法 |
| CN114414660A (zh) * | 2022-03-18 | 2022-04-29 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
| CN115546568A (zh) * | 2022-12-01 | 2022-12-30 | 合肥中科类脑智能技术有限公司 | 绝缘子缺陷检测方法、***、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN104504394A (zh) * | 2014-12-10 | 2015-04-08 | 哈尔滨工业大学深圳研究生院 | 一种基于多特征融合的密集人数估计方法和*** |
| CN106960178A (zh) * | 2017-02-23 | 2017-07-18 | 中国科学院自动化研究所 | 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 |
| CN108305259A (zh) * | 2018-02-06 | 2018-07-20 | 西安交通大学 | 一种多纹理特征融合的磨粒类型自动识别方法 |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| US20190132343A1 (en) * | 2016-09-07 | 2019-05-02 | Patternex, Inc. | Method and system for generating synthetic feature vectors from real, labelled feature vectors in artificial intelligence training of a big data machine to defend |
| CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
| CN110728283A (zh) * | 2019-10-11 | 2020-01-24 | 高新兴科技集团股份有限公司 | 一种车牌类型识别方法及设备 |
-
2020
- 2020-03-07 CN CN202010153833.7A patent/CN111402215B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN104504394A (zh) * | 2014-12-10 | 2015-04-08 | 哈尔滨工业大学深圳研究生院 | 一种基于多特征融合的密集人数估计方法和*** |
| US20190132343A1 (en) * | 2016-09-07 | 2019-05-02 | Patternex, Inc. | Method and system for generating synthetic feature vectors from real, labelled feature vectors in artificial intelligence training of a big data machine to defend |
| CN106960178A (zh) * | 2017-02-23 | 2017-07-18 | 中国科学院自动化研究所 | 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 |
| CN108305259A (zh) * | 2018-02-06 | 2018-07-20 | 西安交通大学 | 一种多纹理特征融合的磨粒类型自动识别方法 |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
| CN110728283A (zh) * | 2019-10-11 | 2020-01-24 | 高新兴科技集团股份有限公司 | 一种车牌类型识别方法及设备 |
Non-Patent Citations (8)
| Title |
|---|
| LEI MA: "Detection Method of Insulator Based on Faster R-CNN", 《2017 IEEE 7TH ANNUAL INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS (CYBER)》 * |
| QINGGANG WU: "A Texture Segmentation Algorithm Based on PCA and Global Minimization Active Contour Model for Aerial Insulator Images", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING ( VOLUME: 5, ISSUE: 5, OCT. 2012)》 * |
| YIFAN LIAO: "Study on Evaluation Method of Insulator Surface Contamination Level Based on LIBS Technology and PCA Algorithm", 《2019 2ND INTERNATIONAL CONFERENCE ON ELECTRICAL MATERIALS AND POWER EQUIPMENT (ICEMPE)》 * |
| 刘志刚: "多小波理论及其在电力***故障信号处理中的应用研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
| 张桂南: "基于角点匹配与谱聚类的接触网绝缘子破损/夹杂异物故障检测", 《仪器仪表学报 学术论文》 * |
| 杨红梅: "基于快速鲁棒性特征匹配的电气化铁路绝缘子不良状态检测", 《电网技术》 * |
| 胡建平: "一种新的航拍玻璃绝缘子图像分割方法", 《东北电力大学学报》 * |
| 阳武: "基于航拍图像的绝缘子识别与状态检测方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310761A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 |
| CN111310761B (zh) * | 2020-03-06 | 2022-04-29 | 西南交通大学 | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 |
| CN112634254A (zh) * | 2020-12-29 | 2021-04-09 | 北京市商汤科技开发有限公司 | 绝缘子缺陷检测方法及相关装置 |
| CN113158728A (zh) * | 2020-12-31 | 2021-07-23 | 杭州图歌科技有限公司 | 一种基于灰度共生矩阵的车位状态检测方法 |
| CN114414660A (zh) * | 2022-03-18 | 2022-04-29 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
| CN114414660B (zh) * | 2022-03-18 | 2024-01-12 | 盐城工学院 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
| CN115546568A (zh) * | 2022-12-01 | 2022-12-30 | 合肥中科类脑智能技术有限公司 | 绝缘子缺陷检测方法、***、设备及存储介质 |
| CN115546568B (zh) * | 2022-12-01 | 2023-03-10 | 合肥中科类脑智能技术有限公司 | 绝缘子缺陷检测方法、***、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111402215B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402215B (zh) | 一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法 | |
| WO2018028103A1 (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
| 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 | |
| CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
| CN103442209B (zh) | 一种输电线路的视频监控方法 | |
| CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
| CN106372667B (zh) | 一种高铁接触网斜撑套筒部件螺钉不良状态检测方法 | |
| CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
| CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| CN109191421B (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
| CN106485694B (zh) | 一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法 | |
| CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
| CN108537170A (zh) | 一种电力设备固件无人机巡检销钉缺失检测方法 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
| CN111462045B (zh) | 一种悬链支撑组件缺陷的检测方法 | |
| CN112991432A (zh) | 基于图像处理的覆冰冰形识别方法 | |
| CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
| CN117173590A (zh) | 一种基于多源时序遥感影像的水体异常监测方法 | |
| CN109272484B (zh) | 一种基于视频图像的降雨检测方法 | |
| CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
| CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
| CN112541478A (zh) | 一种基于双目摄像头的绝缘子串污损检测方法及*** | |
| CN116309407A (zh) | 一种铁路接触网螺栓异常状态的检测方法 | |
| WANG et al. | Visual Tracking Inspection Method of Transmission Line based on Infrared Thermal Imaging. |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220429 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |