CN113313013B - 一种基于红外图像处理技术的变压器套管目标检测方法 - Google Patents
一种基于红外图像处理技术的变压器套管目标检测方法 Download PDFInfo
- Publication number
- CN113313013B CN113313013B CN202110580695.5A CN202110580695A CN113313013B CN 113313013 B CN113313013 B CN 113313013B CN 202110580695 A CN202110580695 A CN 202110580695A CN 113313013 B CN113313013 B CN 113313013B
- Authority
- CN
- China
- Prior art keywords
- image
- transformer
- bushing
- transformer bushing
- sleeve
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
- 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
- G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于红外图像处理技术的变压器套管目标检测方法,包括如下步骤:采集变电站内变压器套管的红外图像;利用多模板多匹配的方法对红外图像中的变压器套管进行识别与提取;提取ROI区域将套管所处区域的图像分割出来进行检测;进行滤波去噪;对经图像预处理后的变压器套管进行语义分割,利用OTSU算法去除背景,利用Canny算子提取边缘,利用图像的形态学操作去除非连通区域,利用直方图二值化分割出套管底座与伞裙部分;对变压器套管各部分进行精细分割,生成测温参考基准线。本发明能快速准确地提取出变电站巡检红外图像中的变压器套管,对其进行目标检测定位。
Description
技术领域
本发明属于电力设备图像识别技术领域,具体涉及一种基于红外图像处理技术的变压器套管目标检测方法。
背景技术
随着我国电网规模不断扩大,变电设备数量和种类逐渐增多,组网复杂程度提高,使其运行压力增大,安全隐患也随之增加,对其安全可靠运行提出了更高要求,变电设备巡检和检测是保障变电设备可靠运行的重要手段之一。变电站内的变电设备由于设备特殊性,为保障检测人员的安全,必须限制在安全距离外对设备进行观察检测;同时在变电站相对封闭的空间内,设备繁多,种类复杂,并且许多都在带电运行中,所以对变电设备的观察角度有限。这就使得在红外检测设备采集红外图像的视野内背景复杂,拍摄距离、角度受限,降低了对变电设备识别的准确性,所采集的红外图像质量将明显下降,红外图像分辨率降低,这也使得红外图像的噪声和对比度不高的缺点得到了更明显的放大,图像的边缘变得模糊,细节丢失严重,因此给处于不同状态和位置的变电设备的识别带来了很大的难度。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足,提供一种于红外图像处理技术的变压器套管目标检测方法,能快速准确地对变电站巡检采集红外图像内的变压器套管进行目标检测定位。
本发明采用的技术方案是:一种基于红外图像处理技术的变压器套管目标检测方法,其特征在于包括以下步骤:
步骤1:采集变电站内变压器套管的红外图像(简称原始图像);
步骤2:利用多模板多匹配的方法对红外图像中的变压器套管进行识别与提取,初步定位变压器套管;
步骤3:提取变压套管的ROI区域的图像(简称ROI图像);
步骤4:针对提取结果,进行滤波去噪,得到ROI滤波图像;
步骤5:对处理后的变压器套管进行语义分割,利用OTSU算法将ROI滤波图像背景和变压器套管分离得到套管图像,利用Canny算子提取套管图像中变压器套管边缘,利用图像处理方法中的形态学操作去除非连通区域,利用直方图二值化分割出套管底座与伞裙部分;
步骤6:对变压器套管各部分进行精细分割,生成测温参考基准线。
上述技术方案中,所述步骤1中,通过人工巡视采集变压器套管的原始图像;或者使用巡检机器人设定自动采集路径,由巡检机器人自动采集相应点位的变压器套管原始图像。
上述技术方案中,所述步骤2中,若使用多模板多匹配方法对原始图像中的变压器套管进行识别与提取后,在原始图像中出现重复匹配的现象,将每一种匹配方法匹配的坐标进行冒泡排序,然后利用for()循环,将重复匹配的区域去除掉。
上述技术方案中,所述多模板多匹配的方法是指在图像处理平台框架OpenCV软件中,,首先根据所采集原始图像中套管的图像特征人工设计三种符合所采集变压器套管的图像特征模板,结合原始图像中变压器套管图像特征选用平方差匹配法、归一化平方差匹配法、相关匹配法、归一化相关匹配法、相关系数匹配法和归一化相关系数匹配法六种匹配方法,使用Method()函数针对原始图像同时与所设计的三种模板分别使用六种匹配方法计算原始图像与三种模板之间的相似度实现多模板多匹配过程;在经过Method()函数模板匹配处理之后的匹配点相似度,若亮度越高,则代表匹配的精度越准确;匹配精度最高的结果作为变压器套管的初步定位结果。
上述技术方案中,所述步骤3中,根据所采集数据集中变压器套管在原始图像中的位置分布设置原始图像的ROI区域,只对原始图像的ROI图像进行后续的滤波去噪;在OpenCV软件中,通过构造重载运算符,建立一个独立的用于存放原始图像中ROI图像变量;简单原始图像数据与ROI图像数据共享数据内存,ROI区域图像数据使用的仍然是原始图像数据的内存
上述技术方案中,所述步骤4中,采用双边滤波器对ROI图像进行平滑操作去除噪声;采用图像处理中的形态学操作以及三级金字塔滤波技术去除背景干扰;针对ROI图像边缘处,利用像边缘处的像素点的值的大小进行补充,只考虑变压器套管所属的一边的邻域,先根据像素点的值对要用来进行滤波的邻域进行分割,再给该像素点所属的类别相对较高的权重,然后进行邻域加权求和,得到最终的滤波结果ROI滤波图像。
上述技术方案中,所述步骤5中,采用OTSU算法将ROI滤波图像中背景和变压器套管分离的步骤如下:
对于ROI滤波图像I(x’,y’)(x’和y’指的是ROI滤波图像中每个像素点的横坐标值x’和纵坐标值y’),变压器套管和背景的分割阈值记作T,属于变压器套管的像素点数占整幅图像的比例记为ω0,平均灰度为μ0;背景像素点数占整幅图像的比例为ω1,平均灰度为μ1;整幅图像的平均灰度记为μ,类间方差记为g;假设图像的宽度为M,长度为N,则图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数为N0,像素灰度大于阈值T的像素个数为N1,则:
ω0=N0/(M×N) (1)
ω1=N1/(M×N) (2)
N0+N1=M×N (3)
ω0+ω1=1 (4)
μ=ω0*μ0+ω1*μ1 (5)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
g=ω0ω1(μ0-μ1)^2 (7)
采用遍历的方法使得类间方差g取值最大的分割阈值T,即为所求。
上述技术方案中,所述步骤5中,利用Canny算子对变压器套管进行边缘提取的步骤如下:
(1)对于套管图像L(x,y)(x和y指的是套管图像中每个像素点的横坐标值x和纵坐标值y)利用soble算子计算梯度幅值M(x,y)(x和y指的是套管图像中每个像素点的横坐标值x和纵坐标值y)和方向θM,即利用soble水平算子soblex和soble垂直算子sobley与输入图像卷积计算套管图像在水平方向的滤波dx以及在垂直方向的滤波dy:
dx=L(x,y)*Sobelx(s,y) (8)
dy=L(x,y)*Sobley(x,y) (9)
进一步可以得到套管图像的梯度幅值:
套管图像的梯度方向为:θM=arctan(dy/dx) (11)
(2)根据角度对幅值进行非极大值抑制,非极大值抑制沿着设定的梯度方向,比较设定邻域内对应邻域值的大小:在每一点上,邻域中心与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0;
(3)用双阈值处理和连接边缘:选取系数高阈值TH和低阈值TL;将小于低阈值TL的点抛弃,赋值为0;将大于高阈值TH的点立即标记,确定为边缘点并进行赋值;将小于高阈值TH,大于低阈值TL的点使用8连通区域确定。
上述技术方案中,所述步骤5中利用图像处理方法中的形态学操作去除非连通区域的步骤如下:在提取变压器套管边缘之后,在OpenCV软件中采用findContours()函数进行连通域面积计算,去除掉套管边缘中遗存的“气泡”状轮廓的面积部分。
上述技术方案中,所述步骤5中,在OpenCV软件中采用void Menu()函数进行灰度直方图二值化分割,得到的index1值即是所需要的分割阈值TS,然后利用threshold()函数将变压器套管底座与套管伞裙部分分离。
上述技术方案中,所述步骤6中具体包括以下步骤:遍历套管各部分像素,寻找套管出线接头、套管将军帽、套管伞裙、套管底座各区域的中心位置,生成测温参考基准线。
上述技术方案中,所述步骤6中具体包括以下步骤:利用for循环遍历变压器套管各部分图像像素,利用vector<Point>fp1容器将目标像素存储起来,计算变压器套管的长度H,得到从套管出线接头到套管底座结束的左侧像素坐标,存储在fp1容器中,通过指针访问fp1容器中的任何元素;进行直方图二值化分离出套管底座之后,再利用for循环遍历变压器套管底座各部分图像像素,利用vector<Point>fp2容器将套管底座像素存储起来,计算变压器套管底座的长度H1,得到从套管底座开始到套管底座结束部分的左侧像素坐标,存储在fp2容器中,通过指针访问fp2容器中的任何元素。则套管伞裙长度为H2=fp2[0].y-fp1[0].y。
按照上述像素遍历的原理,依据vector容器指针,得到变压器套管边缘上任意一点所对应的另外一边的边缘坐标,其中A1(a1,b1)为套管上出线接头的边缘,其对应的另外一侧边缘点为A2(a2,b1),则点A1、A2对应的中点Ma即套管出线接头部分Ma中点坐标为((a1+a2)/2,b1);
边缘点B1(a3,b2)为套管将军帽的边缘,与之对应的另一侧边缘点为B2(a4,b2),出B1、B2的中点即套管将军帽部分的中点Mb坐标为((a3+a4)/2,b2);
以此类推,依据一定的步长由套管伞裙、底座的边缘点依次确定套管各部分的中心点;将这些中心点相连接即可得到一条接近于套管中心线,将它作为测温参考基准线;
随机在直线中心线上取某点(p,q),则可以取到p±k的一个像素区间里的灰度,若套管长度为H,裙伞长度为H2,则套管伞裙检测区域为S=H2×2k的一个区域,遍历S区域,找出灰度值最高的点Max和最低点Min,为变压器套管发热缺陷诊断提供支撑。
本发明的有益效果是:本发明减少了电力***运维管理和巡检作业中存在的技术难题,通过对变压器套管红外图像进行目标检测,提升现场检测的智能化手段,有助于提升红外检测在现场作业时的工作效率和准确度,从而保障设备可靠运行,提高电网设备寿命,为社会企业生产运行和居民用电提供保障。
有益效果分析:通过多模板匹配方法提取红外图像中的变压器套管,经ROI提取区域、滤波去噪、语义分割和精细分割等步骤,得到变压器套管图像的精确图像,剔除因现场作业时拍摄距离、拍摄角度和背景复杂等不利因素的影响,将现场采集工作存在的困难与工作量转化到后台目标检测算法中去,从而大大降低现场巡检人员采集高质量变电设备红外图像的难度。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
本发明提供了一种基于红外图像处理技术的变压器套管目标检测方法,如图1所示,它包括如下步骤:
步骤1:采集变电站内变压器套管的红外图像;
步骤2:利用多模板多匹配的方法对红外图像中的变压器套管进行识别与提取;
步骤3:初步定位变压器套管后,使用ROI(region of interest)提取区域将套管所处区域的图像分割出来进行检测;
步骤4:在此基础之上,进行滤波去噪。对其进行双边滤波去除噪声;
步骤5:对经图像预处理后的变压器套管进行语义分割,利用OTSU算法去除背景,利用Canny算子提取边缘,利用图像的形态学操作去除非连通区域,利用直方图二值化分割出套管底座与伞裙部分;
步骤6:对变压器套管各部分进行精细分割。遍历套管各部分像素,寻找套管出线接头、套管将军帽、套管伞裙、套管底座等各区域的中心位置,生成测温参考基准线,为变压器套管发热缺陷诊断提供支撑。
上述技术方案的步骤1中,可通过人工巡视采集变压器套管的红外图像,也可使用巡检机器人设定好自动采集路径后,自动采集相应点位的变压器套管红外图像。
上述技术方案的步骤2中,首先利用多模板多匹配的方法对红外图像中的变压器套管进行识别与提取。模板匹配是一种用于在变压器套管的红外图像S中寻找定位给定目标图像T(即模板图像)的技术。其原理就是通过一定相似度准则来衡量两个图像块之间的相似度Similarity(S,T)是否满足要求。传统的模板匹配一次匹配一个目标,即只使用了一种模板和一种模板匹配方法。在此基础上,本发明提出采用多个模板、多种匹配方法相结合的方式来检测套管目标区域,如果一个模板与一种方法匹配的时间是t1,那么多模板多匹配方法的匹配时间为:
t2=模板数N×方法数M×t1,
本发明所使用的模板匹配方法包括如下六种:
(1)平方差匹配法CV_TM_SQDIFF;
(2)归一化平方差匹配法CV_TM_SQDIFF_NORMED;
(3)相关匹配法CV_TM_CCORR;
(4)归一化相关匹配法CV_TM_CCORR_NORMED;
(5)相关系数匹配法CV_TM_CCOEFF;
(6)归一化相关系数匹配法CV_TM_CCOEFF_NORMED
对于平方差匹配法和归一化平方差匹配法这两种方法而言,平方差的数值越小,则代表匹配效果越佳;而对于相关匹配法、归一化相关匹配法、相关系数匹配法、归一化相关系数匹配法这四种方法而言,若相关系数越高,则匹配效果越好。
在图像处理平台框架OpenCV软件中,根据上述六种匹配方法,使用Method()函数实现多模板多匹配过程。在经过Method()函数模板匹配处理之后的匹配点相似度,若图像亮度越高,则代表匹配的精度越准确。
上述技术方案的步骤2中,使用多模板匹配方法对图像中的变压器套管进行识别与提取后,在图像中会出现重复匹配的现象,因此,本发明将每一种匹配方法匹配的坐标matchLocation进行冒泡排序,然后利用for()循环,将重复匹配的区域去除掉。
上述技术方案的步骤3中,在OpenCV软件中,通过设置图像的ROI(region ofinterest)即感兴趣区域,可以只对图像的ROI区域进行操作,缩小处理范围,加快运算处理速度。在Opencv3.4.0中,通过构造重载运算符,建立一个独立的ROI子图像来存放每个套管。简单图像数据与复制的ROI数据共享数据内存,复制的ROI数据使用的仍然是简单图像数据的内存。
上述技术方案的步骤4中,现场采集得到的变压器套管红外图像为信息量丰富的灰度化图像,由于图像采集的方法以及设备表面杂质等不可抗拒的因素影响,图像往往存在一定的噪声干扰,为后续的计算测量带来不利影响,因此需要对图像采取去噪处理。本发明采用双边滤波对图像进行平滑处理,去除部分噪声;同时考虑到变电站背景复杂,在变压器套管的背景里可能存在断路器、隔离开关、避雷器和高压母线等干扰,因此采用图像的形态学操作,三级金字塔滤波等技术,去除大部分背景干扰。
上述技术方案的步骤4中,采用双边滤波器对图像进行平滑操作,既能对图像边缘有很好的反应,又可以去除部分噪声。自然图像在空间中变化缓慢,相邻的像素点会更相近。但是在图像的边缘处也用这种方式来进行滤波的话,即认为相邻相近,则得到的结果必然会模糊掉边缘。因此考虑利用像素点的值的大小进行补充,因为边缘两侧的点的像素值差别足够大,会使得其加权的权重具有很大的差别,从而只考虑变压器套管所属的一边的邻域。即先根据像素值对要用来进行滤波的邻域进行分割,再给该点所属的类别相对较高的权重,然后进行邻域加权求和,得到最终结果。
上述技术方案的步骤5中,首先采用OTSU算法(最大类间方差法)将图像背景和变压器套管分离。其步骤如下:
对于ROI滤波图像I(x’,y’)(x’和y’指的是ROI滤波图像中每个像素点的横坐标值x’和纵坐标值y’),前景(即变压器套管)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,平均灰度为μ0;背景像素点数占整幅图像的比例为ω1,平均灰度为μ1;整幅图像的平均灰度记为μ,类间方差记为g。假设图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数为N0,像素灰度大于阈值T的像素个数为N1,则:
ω0=N0/(M×N) (1)
ω1=N1/(M×N) (2)
N0+N1=M×N (3)
ω0+ω1=1 (4)
μ=ω0*μ0+ω1*μ1 (5)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
g=ω0ω1(μ0-μ1)^2 (7)
采用遍历的方法使得类间方差g取值最大的阈值T,即为所求。在Opencv3.4.0中可直接用threshold函数来调用OTSU算法。
上述技术方案的步骤5中,分离出目标套管和背景区域后,利用Canny算子进行边缘提取。
(1)对于套管图像L(x,y)(x和y指的是套管图像中每个像素点的横坐标值x和纵坐标值y),采用soble算子计算梯度幅值和方向,即利用soble水平算子和soble垂直算子与输入图像卷积计算图像在水平方向的滤波dx、图像在垂直方向的滤波dy:
dx=L(x,y)*Sobelx(s,y) (8)
dy=L(x,y)*Sobley(x,y) (9)
进一步可以得到图像的梯度幅值:
图像的梯度方向为:
θM=arctan(dy/dx) (11)
(2)根据角度对幅值进行非极大值抑制,量化情况可总结为:
(a)水平边缘与梯度方向为垂直:
θM∈[0,22.5)∪(-22.5,0]∪(157.5,180)∪(-180,157.5] (12)
(b)135°边缘与梯度方向为45°:
θM∈[22.5,67.5)∪(-157.5,112.5) (13)
(c)垂直边缘与梯度方向为水平:
θM∈[67.5,112.5]∪[-112.5,-67.5] (14)
(d)45°边缘与梯度方向为135°:
θM∈(112.5,157.5]∪[-67.5,-22.5] (15)
非极大值抑制即为沿着上述4种类型的梯度方向,比较3*3邻域内对应邻域值的大小。在每一点上,领域中心与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,这样可以抑制非极大值,保留局部梯度最大的点,以得到细化的边缘。
(3)用双阈值处理和连接边缘。选取系数TH和TL,比率为2:1或3:1(一般取TH=0.3或0.2,TL=0.1)。将小于低阈值TL的点抛弃,赋值为0;将大于高阈值TH的点立即标记(这些点为确定边缘点),赋值为1或255;将小于高阈值TH,大于低阈值TL的点使用8连通区域确定(即:只有与TH像素连接时才会被接受,成为边缘点,赋值为1或255)。
上述技术方案的步骤5中,在边缘检测之后,如果发现图像中还有许多小的“气泡”状轮廓,那么这将对后续的检测产生干扰。因此,采用findContours()函数进行连通域面积计算,去除掉这些小的面积部分。
上述技术方案的步骤5中,灰度直方图二值分割是一种利用双峰函数的性质来找出两个波峰之间的波谷T,将T作为阈值进行图像分割的方法。本发明在Opencv3.4.0中采用voidMenu()函数进行灰度直方图的二值化分割,得到的index1值即是所需要的阈值T,然后利用threshold()函数将变压器套管底座与套管伞裙部分分离。
上述技术方案的步骤6中,进行Canny边缘提取之后,利用for循环遍历图像像素,利用vector<Point>fp1容器将目标像素存储起来,计算变压器套管的长度H,得到从套管出线接头(像素开始)到套管底座结束(像素结束)的左侧像素坐标,存储在fp1中,可以通过指针访问fp1中的任何元素;进行直方图二值化分离出套管底座之后,同样可以利用上述原理对套管底座像素进行遍历,得到fp2,则套管伞裙长度为H2=fp2[0].y-fp1[0].y。y指的是容器fp1或fp2中像素坐标(x,y)的y值
按照上述像素检测(遍历)的原理,依据vector容器指针,可以得到变压器套管边缘上任意一点所对应的另外一边的边缘坐标,例如A1(a1,b1)为套管上出线接头的边缘,那么其对应的另外一侧边缘点为A2(a2,b1),则点A1、A2对应的中点Ma即套管出线接头部分中点坐标为Mab((a1+a2)/2,b1)。同理,再找一个边缘点B1(a3,b2)为套管将军帽的边缘,与之对应的另一侧边缘点为B2(a4,b2),即可求出B1、B2的中点即套管将军帽部分的中点Mb坐标为((a3+a4)/2,b2)。以此类推,即可依据一定的步长由套管伞裙、底座的边缘点依次确定套管各部分的中心点。将这些点相连接即可得到一条直线L,L接近于套管的中心线,因此可以将它作为测温参考基准线,随机在直线L上取某点(x,y),则可以取到x±k的一个像素区间里的灰度,若套管长度为H,裙伞长度为H2,则套管伞裙检测区域为S=H2×2k的一个区域,遍历S区域,找出灰度值最高的点Max和最低点Min,为变压器套管发热缺陷诊断提供支撑。
由于在变电站相对封闭的空间内设备繁多,种类复杂,在红外检测设备采集变压器套管红外图像的视野内背景复杂,拍摄距离、角度受限,红外图像分辨率降低,图像的边缘模糊,细节丢失严重,给处于不同状态和位置的变压器套管的识别带来了很大难度。本发明将图像特征提取技术与变压器套管及各部件的视觉特征相结合,采用逐步求精的设计思路,采用多模板多匹配方法、ROI提取变压器套管区域、双边滤波去除噪声、OTSU算法去除背景,利用Canny算子提取边缘,利用图像的形态学操作去除非连通区域,利用直方图二值化分割出套管底座与伞裙部分,利用像素遍历生成测温参考基准线等综合方法,逐步细化,从现场检测红外图像中分割出变压器套管,提高了变压器套管的分辨率,使其噪声降低,边缘得到锐化,提高了变压器套管识别精度与现场检测效率。经现场实验分析,该方法有较好的检测正确度。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (6)
1.一种基于红外图像处理技术的变压器套管目标检测方法,其特征在于包括以下步骤:
步骤1:采集变电站内变压器套管的红外图像作为原始图像;
步骤2:利用多模板多匹配的方法对红外图像中的变压器套管进行识别与提取,初步定位变压器套管;
步骤3:提取变压套管的ROI区域的图像,作为ROI图像;
步骤4:针对提取结果,进行滤波去噪,得到ROI滤波图像;
步骤5:对处理后的变压器套管进行语义分割,利用OTSU算法将ROI滤波图像背景和变压器套管分离得到套管图像,利用Canny算子提取套管图像中变压器套管边缘,利用图像处理方法中的形态学操作去除非连通区域,利用直方图二值化分割出套管底座与伞裙部分;
步骤6:对变压器套管各部分进行精细分割,生成测温参考基准线;
所述步骤2中,若使用多模板多匹配方法对原始图像中的变压器套管进行识别与提取后,在原始图像中出现重复匹配的现象,将每一种匹配方法匹配的坐标进行冒泡排序,然后利用for()循环,将重复匹配的区域去除掉;
所述多模板多匹配的方法是指在图像处理平台框架OpenCV软件中,首先根据所采集原始图像中套管的图像特征人工设计三种符合所采集变压器套管图像特征模板,结合原始图像中变压器套管图像特征选用平方差匹配法、归一化平方差匹配法、相关匹配法、归一化相关匹配法、相关系数匹配法和归一化相关系数匹配法六种匹配方法,使用Method()函数针对原始图像同时与所设计的三种模板分别使用六种匹配方法计算原始图像与三种模板之间的相似度实现多模板多匹配过程;在经过Method()函数模板匹配处理之后的匹配点相似度,若亮度越高,则代表匹配的精度越准确;匹配精度最高的结果作为变压器套管的初步定位结果;
所述步骤6中具体包括以下步骤:遍历套管各部分像素,寻找套管出线接头、套管将军帽、套管伞裙、套管底座各区域的中心位置,生成测温参考基准线;
所述步骤6中具体包括以下步骤:利用for循环遍历变压器套管各部分图像像素:利用vector<Point>fp1容器将目标像素存储起来,计算变压器套管的长度H,得到从套管出线接头到套管底座结束的左侧像素坐标,存储在fp1容器中,通过指针访问fp1容器中的任何元素;进行直方图二值化分离出套管底座之后,再利用for循环遍历变压器套管底座图像像素,利用vector<Point>fp2容器将套管底座像素存储起来,计算变压器套管底座的长度H1,得到从套管底座开始到套管底座结束部分的左侧像素坐标,存储在fp2容器中,通过指针访问fp2容器中的任何元素,则套管伞裙长度为H2=fp2[0].y-fp1[0].y,其中y指的是容器fp1或fp2中像素坐标(x,y)的y值;
按照上述for循环遍历变压器套管各部分图像像素的方法,依据vector容器指针,得到变压器套管边缘上任意一点所对应的另外一边的边缘坐标,其中A1(a1,b1)为套管上出线接头的边缘,其对应的另外一侧边缘点为A2(a2,b1),则点A1、A2对应的中点Ma即套管出线接头部分Ma中点坐标为((a1+a2)/2,b1);
边缘点B1(a3,b2)为套管将军帽的边缘,与之对应的另一侧边缘点为B2(a4,b2),出B1、B2的中点即套管将军帽部分的中点Mb坐标为((a3+a4)/2,b2);
以此类推,依据一定的步长由套管伞裙、底座的边缘点依次确定套管各部分的中心点;将这些中心点相连接即可得到一条接近于套管中心线,将它作为测温参考基准线;
随机在直线中心线上取某点(p,q),则可以取到p±k的一个像素区间里的灰度,若变压管套管长度为H,裙伞长度为H2,则套管伞裙检测区域为S=H2×2k的一个区域,遍历S区域,找出灰度值最高的点Max和最低点Min,为变压器套管发热缺陷诊断提供支撑。
2.根据权利要求1所述的一种基于红外图像处理技术的变压器套管目标检测方法,其特征在于:所述步骤3中,根据所采集数据集中变压器套管在原始图像中的位置分布设置原始图像的ROI区域,只对原始图像的ROI图像进行后续的滤波去噪;在OpenCV软件中,通过构造重载运算符,建立一个独立的用于存原始图像中ROI图像变量;原始图像数据与ROI图像数据共享数据内存,ROI图像数据使用的是原始图像数据的内存。
3.根据权利要求1所述的一种基于红外图像处理技术的变压器套管目标检测方法,其特征在于:所述步骤4中,采用双边滤波器对ROI图像进行平滑操作去除噪声;采用图像处理方法中的形态学操作以及三级金字塔滤波技术去除背景干扰;针对ROI图像边缘处,利用像边缘处的像素点的值的大小进行补充,只考虑变压器套管所属的一边的邻域,先根据像素点的值对要用来进行滤波的邻域进行分割,再给该像素点所属的类别相对较高的权重,然后进行邻域加权求和,得到最终的滤波结果ROI滤波图像。
4.根据权利要求1所述的一种基于红外图像处理技术的变压器套管目标检测方法,其特征在于:所述步骤5中,采用OTSU算法将ROI滤波图像中背景和变压器套管分离的步骤如下:
对于ROI滤波图像I(x’,y’),其中x’和y’指的是ROI滤波图像中每个像素点的横坐标值x’和纵坐标值y’;变压器套管和背景的分割阈值记作T,属于变压器套管的像素点数占整幅图像的比例记为ω0,平均灰度为μ0;背景像素点数占整幅图像的比例为ω1,平均灰度为μ1;整幅图像的平均灰度记为μ,类间方差记为g;假设整幅图像的宽度为M,长度为N,则整幅图像大小为M×N,整幅图像中像素的灰度值小于阈值T的像素个数为N0,像素灰度大于阈值T的像素个数为N1,则:
ω0=N0/(M×N) (1)
ω1=N1/(M×N) (2)
N0+N1=M×N (3)
ω0+ω1=1 (4)
μ=ω0*μ0+ω1*μ1 (5)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
g=ω0ω1(μ0-μ1)^2 (7)
采用遍历的方法使得类间方差g取值最大的分割阈值T,即为所求。
5.根据权利要求4所述的一种基于红外图像处理技术的变压器套管目标检测方法,其特征在于:所述步骤5中,利用Canny算子对变压器套管进行边缘提取的步骤如下:
(1)对于套管图像L(x,y),其中x和y指的是套管图像中每个像素点的横坐标值x和纵坐标值y,利用soble算子计算其梯度幅值M(x,y)和方向θM,所述M(x,y)是指在套管图像中像素(x,y)处的幅值;即利用soble水平算子Sobelx和soble垂直算子Sobely与输入图像卷积计算套管图像在水平方向的滤波dx以及在垂直方向的滤波dy:
dx=L(x,y)*Sobelx(s,y) (8)
dy=L(x,y)*Sobley(x,y) (9)
进一步可以得到套管图像的梯度幅值:
套管图像的梯度方向为:θM=arctan(dy/dx) (11)
(2)根据角度对幅值进行非极大值抑制,非极大值抑制沿着设定的梯度方向,比较设定邻域内对应邻域值的大小:在每一点上,邻域中心与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0;
(3)用双阈值处理和连接边缘:选取系数高阈值TH和低阈值TL;将小于低阈值TL的点抛弃,赋值为0;将大于高阈值TH的点立即标记,确定为边缘点并进行赋值;将小于高阈值TH,大于低阈值TL的点使用8连通区域确定。
6.根据权利要求1所述的一种基于红外图像处理技术的变压器套管目标检测方法,其特征在于:所述步骤5中利用图像处理方法中的形态学操作去除非连通区域的步骤如下:在提取变压器套管边缘之后,在OpenCV软件中采用findContours()函数进行连通域面积计算,去除掉套管边缘中遗存的“气泡”状轮廓的面积部分;在OpenCV软件中采用void Menu()函数进行灰度直方图二值化分割,得到的index1值即是所需要的分割阈值Ts,然后利用threshold()函数将变压器套管底座与套管伞裙部分分离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580695.5A CN113313013B (zh) | 2021-05-26 | 2021-05-26 | 一种基于红外图像处理技术的变压器套管目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580695.5A CN113313013B (zh) | 2021-05-26 | 2021-05-26 | 一种基于红外图像处理技术的变压器套管目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313013A CN113313013A (zh) | 2021-08-27 |
CN113313013B true CN113313013B (zh) | 2023-04-07 |
Family
ID=77375330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110580695.5A Active CN113313013B (zh) | 2021-05-26 | 2021-05-26 | 一种基于红外图像处理技术的变压器套管目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313013B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114078234B (zh) * | 2022-01-07 | 2022-05-31 | 泰豪软件股份有限公司 | 供电台区施工工艺的检测方法、***、存储介质及设备 |
CN114241199B (zh) * | 2022-02-18 | 2022-05-20 | 浙江天铂云科光电股份有限公司 | 用于套管异常发热检测的套管部件定位方法 |
CN115235991B (zh) * | 2022-08-30 | 2023-03-07 | 华创威新材料(广东)有限公司 | 基于纤维套管的耐磨性智能检测方法及装置 |
CN115375685B (zh) * | 2022-10-25 | 2023-03-24 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
CN117664351A (zh) * | 2023-11-16 | 2024-03-08 | 湖南元智电集控科技有限公司 | 基于双目成像仪的电力设备温度监测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751762A (zh) * | 2020-05-29 | 2020-10-09 | 江苏方天电力技术有限公司 | 一种电力变压器状态识别和安全防控*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101240469B1 (ko) * | 2010-11-23 | 2013-03-11 | 현대모비스 주식회사 | 객체 인식 시스템, 차량용 장애물 인식 시스템 및 차량용 장애물 인식 방법 |
US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN111160305A (zh) * | 2019-12-31 | 2020-05-15 | 武汉工程大学 | 一种变压器套管异常监测方法及计算机可读介质 |
CN111369516B (zh) * | 2020-03-01 | 2023-06-30 | 上海置信电气股份有限公司 | 基于红外图像识别的变压器套管发热缺陷检测方法 |
-
2021
- 2021-05-26 CN CN202110580695.5A patent/CN113313013B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751762A (zh) * | 2020-05-29 | 2020-10-09 | 江苏方天电力技术有限公司 | 一种电力变压器状态识别和安全防控*** |
Also Published As
Publication number | Publication date |
---|---|
CN113313013A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313013B (zh) | 一种基于红外图像处理技术的变压器套管目标检测方法 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN106023151B (zh) | 一种开放环境下中医舌象目标检测方法 | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
Yang et al. | Recognition of natural ice types on in-service glass insulators based on texture feature descriptor | |
CN107679494B (zh) | 基于选择性延展的指纹图像匹配方法 | |
CN109687382B (zh) | 一种基于颜色模版匹配的继电保护压板投退状态识别方法 | |
CN109344820A (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
CN111292321A (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
CN111861866A (zh) | 一种变电站设备巡检图像全景重建方法 | |
CN113888462A (zh) | 一种裂纹识别方法、***、可读介质及存储介质 | |
CN111220619B (zh) | 一种绝缘子自爆检测方法 | |
CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
Fang et al. | Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm | |
CN107016414A (zh) | 一种脚印的识别方法 | |
CN107886493A (zh) | 一种输电线路的导线分股缺陷检测方法 | |
CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN105528795B (zh) | 一种利用环形最短路径的红外人脸分割方法 | |
CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
Liu et al. | Effectively localize text in natural scene images | |
CN109359646A (zh) | 基于巡检机器人的液位型仪表识别方法 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 |
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 |