CN115713492A - 一种架空输电线路覆冰检测与预警*** - Google Patents
一种架空输电线路覆冰检测与预警*** Download PDFInfo
- Publication number
- CN115713492A CN115713492A CN202211363615.1A CN202211363615A CN115713492A CN 115713492 A CN115713492 A CN 115713492A CN 202211363615 A CN202211363615 A CN 202211363615A CN 115713492 A CN115713492 A CN 115713492A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- image
- early warning
- warning system
- overhead transmission
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
发明公开了一种架空输电线路覆冰检测与预警***,包括以下步骤:对输电线路巡检,采集视频和图像;图像滤波降噪;图像处理:采用高斯模糊进行图像平滑处理;找寻图像中灰度强度变化最明显的位置;非极大值抑制:寻求局部极值点;双阈值限制:置大小不同的两个阈值来筛选边缘像素点的梯度,两个阈值分别称高阈值和低阈值;滞后边界跟踪:通过双阈值限制得到了强边缘点和弱边缘点,通过Canny算法继续筛选弱边缘点。该架空输电线路覆冰检测与预警***通过本发明提及的覆冰检测算法,可以高精度的检测出线路覆冰状态,估计线路覆冰厚度,评估线路安全情况。
Description
技术领域
发明属于计算机图像处理技术领域,具体涉及一种架空输电线路覆冰检测与预警***。
背景技术
架空输电线路在电力产业中扮演着不可或缺的输电角色,输电线路的可靠运行是社会稳定与经济发展的重要保障。越来越多的架空线路分布于广泛的地理区域,环境恶劣、地形复杂等问题影响着输电线路的稳定运行,尤其是输电线路的覆冰现象,有可能导致跳闸,舞动,甚至造成断线,倒塔等严重危害。关于输电线路的防冰减灾已经成为目前电力***行业的重要任务之一。我国中南部在近几年多次出现输电线路严重覆冰的情况,且导致了输电服务地域内的停电事故,从而带来不容忽视的经济损失。因此架空输电线路覆冰在线监测,是加强电力***安全可靠运行的重要举措,覆冰监测与预警***的研究具有重大理论意义和实际使用价值。
近些年来随着图像处理技术和计算机技术的快速发展,人们开始逐步采用基于图像的覆冰检测技术,从而促使架空输电线路覆冰厚度求解的准确率和可靠性在一定程度上得到提高,数学方法上对曲线拟合的技术特别是对多项式的拟合方法已经成熟。
在无人机巡检架空输电线路的过程中,由于无人机上携带GPS装置,对其控制也相对简单,可以控制其由某一架空输电线路走廊路径巡检,线路巡检所采集的图像是用以判断输电线路覆冰程度的重要根据。由于无人机上携带的照相机或者由于天气等原因会造成图像的噪声明显,因此需要对图像滤波去噪。
视频采集与现场监控可以将输电线路现场导线覆冰状况通过网络传输到值班室,值班人员通过视频监控服务器监控线路状况,更方便的了解覆冰的形成及事故监控,以此来达到及时采取措施或者事故检修的目的。采用视频监控的方法可以获得覆冰图像数据,用以判断覆冰量,也是现在我国进行覆冰检测的重要方法,但是在天气条件恶劣的状况下,视频监控摄像头也有可能出现覆冰,造成视频模糊的问题。
发明内容
发明的目的在于提供一种架空输电线路覆冰检测与预警***,以解决上述背景技术中提出的问题。
为实现上述目的,发明提供如下技术方案:一种架空输电线路覆冰检测与预警***,包括以下步骤:
S1:对输电线路巡检,采集视频和图像;
S2:图像滤波降噪:确定模板领域大小,将领域中每个像素点的灰度值按从小到大的顺序排列后,取顺序中间的灰度值代替领域中间像素点的灰度值,最后对图像中所有的像素点均做上述处理,得到中值滤波图像g(x,y),则
g(x,y)=Med{f(x-k,y-l),(k,l∈W)}
其中,W为领域窗口大小,f(x-k,y-l)是领域模板中的像素值;
S3:图像处理:采用高斯模糊进行图像平滑处理;
S4:找寻图像中灰度强度变化最明显的位置;
S5:非极大值抑制:寻求局部极值点;
S6:双阈值限制:置大小不同的两个阈值来筛选边缘像素点的梯度,两个阈值分别称高阈值和低阈值;
S7:滞后边界跟踪:通过双阈值限制得到了强边缘点和弱边缘点,通过 Canny算法继续筛选弱边缘点。
优选的是,在步骤S2中,所述模板采用3×3、5×5、7×7模板。
上述任一方案中优选的是,在步骤S3中,所述高斯模糊在二维空间的定义为:
其中r是模糊半径,σ是正态分布的标准偏差。
上述任一方案中优选的是,在步骤S4中,所述找寻图像中灰度强度变化最明显的位置的步骤为:Sobel算子的计算如下:
之后就可以计算梯度模和方向,计算如下:
上述任一方案中优选的是,在步骤S7中,所述Canny算法采用八邻域方法检查弱边缘点邻域的像素点,如果存在强边缘点,则保留这个弱边缘点。
上述任一方案中优选的是,在步骤S6中,在筛选过程中,梯度值大于高阈值的边缘像素点会被当作强边缘点,梯度值处于两个阈值之间的边缘像素点当作弱边缘点,小于低阈值的边缘像素点会被筛选掉。
发明的技术效果和优点:该架空输电线路覆冰检测与预警***通过本发明提及的覆冰检测算法,可以高精度的检测出线路覆冰状态,估计线路覆冰厚度,评估线路安全情况。
具体实施方式
下面对发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解发明,但并不构成对发明的限定。此外,下面所描述的发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
采集层通过无人机对输电线路巡检,对采集到视频和图像进行降噪处理,使用基于计算机视觉的方法检测图像来判断是否发生线路覆冰;传输层使用远距离LoRa通信遥控无人机并使用5G模块输出视频数据,完成监测分站与主控端的信息传输;主控层采用JavaWeb技术将主控平台与服务器建立连接,完成覆冰监测与预警界面的设计,实现线路覆冰状态实时监测、覆冰厚度值预测、监测分站管理和历史数据查询等功能。为方便监测分站的近距离参数配置,设计具有LoRa模块的手持机设备,与监测分站建立通讯并完成配置功能。
一、图像滤波降噪
实际经验表明,图像处理后得出的像素坐标差值对覆冰厚度计算结果影响较大,图像处理的结果很大程度上影响最后覆冰厚度计算的准确度,因此,在输电线路覆冰厚度研究过程中,前期的图像预处理显得尤为重要。覆冰线路天气条件恶劣,光线变化、雪花噪声、椒盐噪声、覆冰线路舞动等因素都会导致目标图像失真,图像预处理之后的边缘分割不准确的后果。通过图像预处理,让目标覆冰图像的噪声等误差降到最小,凸显图像边缘有效信息。本发明采用的降噪方法是中值滤波法。
中值滤波法通过确定模板领域大小,通常选取3×3、5×5、7×7模板,将领域中每个像素点的灰度值按从小到大的顺序排列后,取顺序中间的灰度值代替领域中间像素点的灰度值,最后对图像中所有的像素点做上述处理。便可得到中值滤波图像g(x,y),则
g(x,y)=Med{f(x-k,y-l),(k,l∈W)}
其中,W为领域窗口大小,f(x-k,y-l)是领域模板中的像素值。未来更加简便的找出中心值,W领域包含的像素点总数一般去奇数值。中值滤波以后图像的轮廓边缘比较清晰,而且使用较小的模板得到的视觉效果反而更好。中值滤波既能去噪,消除孤立的噪声点,减弱随机干扰和脉冲干扰,也能保留目标边缘。
二、线路覆冰检测
1、Mask R-CNN
Mask R-CNN能在进行目标检测的同时进行实例分割,并取得了出色的效果。其网络的设计是在Faster R-CNN基础上,在原本的两个分支上(分类+回归)增加了一个分支进行语义分割。
(1)特征提取网络中使用Resnet结构
在深度学习中,网络性能的好坏与网络的深度有着很密切的联系,在一定程度内,网络的性能会随着网络的加深而变好。但超过一定的深度,网络的深度又会反过来造成梯度弥散或梯度***等问题,导致网络无法收敛,而 Resnet就是解决加深网络深度的方法之一。Mask R-CNN使用Resnet101作为主干特征提取网络,Mask R-CNN要求输入图像的尺寸必须是可以整除2的6 次方。在对输入图像进行特征提取后,Mask R-CNN利用长宽压缩了两次、三次、四次和五次的特征层来构造特征金字塔结构。
(2)特征金字塔的构建
特征金字塔网络(Feature Pyramid Networks,FPN)的提出主要解决的是目标检测中存在的尺度差异太大的问题,通过融合不同层的特征信息,充分利用了低层高分辨率信息和高层丰富的语义信息。FPN在几乎不增加模型计算量情况下,大幅提升了模型多尺度检测的性能。FPN在原先的模型网络结构上进行修改,每层分辨率的特征图(feature map)融合了下一层分辨率缩放两倍的特征图并做元素积(element-wise)的操作。在Mask R-CNN当中,取出在主干特征提取网络中长宽压缩了两次C2、三次C3、四次C4、五次C5的结果来进行特征金字塔结构的构造。
(3)FCN
Mask R-CNN在原有的分类和回归支路上又新增了一个分割支路,也就是 FCN支路。FCN是全卷积网络,不同于CNN网络,FCN把原来卷积神经网络的后面的全连接部分换成了反卷积,对图像进行像素级的分类即对每个像素点都进行分类,从而解决了语义级别的图像分割问题。
Mask R-CNN是以resnet101作为主干特征提取提取网络的,但是由于 resnet101网络深、参数多、模型大,导致Mask R-CNN检测速度慢,检测速度难以满足线路巡检过程中的实时性的需要。本发明就针对于提高Mask R-CNN在线路巡检中覆冰检测的速度进行了实验改进。
本发明发现构成resnet50和resnet101的基本块相同,只是resnet50的第四层中少了17个identity block结构。用resnet50作为主干提取网络,参数量是resnet101的一半,模型推理速度变快,且检测效果变化不大。在Resnet101 中,如果输入图片大小为1024×1024,用来构建特征金字塔的特征图大小分别为256×256,128×128,64×64和32×32。若输入图片大小为384×384或者 512×512,则特征图最小只有12×12或16×16,所以效果比预想的要差。在本发明的***中,使用resnet50构成Mask R-CNN的主干特征提取网络以实现覆冰检测的实时性,巡检过程中操纵无人机变焦放大线路图像来提高检测精度。
2、Canny边缘检测
本发明在使用基于深度学习的Mask R-CNN检测算法之外,添加了Canny 边缘检测算法进行辅助检测。边缘检测是图像分割中另一种常用的方法。在边缘检测中,通过计算像素梯度来确定图像中目标物体的边缘,根据闭合的边缘来确定目标物体所在的区域。常用的边缘检测算子有Laplacian算子、 Roberts算子和Canny算子等。目前边缘检测效果最好的就是Canny算子, Canny算法一共有以下五个步骤:
1)高斯模糊。
高斯模糊的主要作用是为了去除噪声,平滑图像。在进行高斯模糊的过程中,需要选择好高斯模糊的半径,因为图像的边缘信息和噪声往往都是高频信号,在去除噪声的同时要确保不要让一些弱边缘检测不到。因为图像是二维的,高斯模糊在二维空间的定义为:
其中r是模糊半径,σ是正态分布的标准偏差。
2)计算幅值和梯度
Canny算法的第二步是找寻图像中灰度强度变化最明显的位置,即梯度方向最高的位置。降噪后的图像中每个像素点的梯度由Sobel算子计算。Sobel 算子的计算如下:
之后就可以计算梯度模和方向,计算如下:
3)非极大值抑制
Canny算法利用非极大值抑制来消除边缘误检、细化边缘,是边缘检测中关键的一步。在这一步里Canny会寻求局部极值点,就是沿着梯度方向比较当前点的梯度值和该点前后方向点的梯度值。如果当前点的梯度值小于其余方向的点的梯度值,该点就会被抑制,并保留该点范围内梯度值最大的那一点。
4)双阈值限制
Canny算法会设置大小不同的两个阈值来筛选边缘像素点的梯度,两个阈值分别称高阈值和低阈值。在筛选过程中,梯度值大于高阈值的边缘像素点会被当作强边缘点,梯度值处于两个阈值之间的边缘像素点当作弱边缘点,小于低阈值的边缘像素点会被筛选掉。
5)滞后边界跟踪
上一步通过双阈值限制得到了强边缘点和弱边缘点,由于弱边缘点可能是因为噪声或颜色变化产生的,为了得到精确的边缘,Canny算法继续筛选弱边缘点。因为绝大多数图像中如果是真正边缘的弱边缘点周围应该是强边缘点,所以Canny通过八邻域方法检查弱边缘点邻域的像素点,如果存在强边缘点,则保留这个弱边缘点。
三、LoRa通信及5G传输
在无人机自动飞行时,需要保持飞行器与地面站之间的通讯。初期的无人机由于通讯距离限制,在作业中操作人员无法持续有效的监测飞行器。于是导致很多摔飞机,撞楼撞山的事故,严重影响了作业效率。后来研发人员采用加大功率的办法提高通讯距离,但是由于射频功率太大导致机载设备死机,同时由于飞行器的小型化,电台的发射功率与功耗受到了极大限制,使得飞行器作业半径依然受限,并且实际使用中必要数据的流量大约处于 2.4k-5kbit/s,数据量并不大。LoRa的特点是使用较低的功耗及发射功率,在较低空中速率的条件下完成超远距离的数据传输。在输电线路巡检过程中,巡检图像需要实时的返回给地面分站或主站,而视频数据一般比较大,传输缓慢。在本发明中,使用LoRa模块实现远程遥控无人机巡检,并搭载5G模块传输视频数据。
四、主控层
主控层包括监测及预警平台和移动手持机。监测及预警平台以巡检的方式获得各测点数据,分析计算数据后使用图表向用户展现,并通过将数据代入算法模型进行分析以实现预警的目的。移动手持机具有方便现场工作人员配置某个监测设备、查询某个监测设备历史数据和实时数据的作用。
尽管上面已经示出和描述了发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对发明的限制,本领域的普通技术人员在发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种架空输电线路覆冰检测与预警***,其特征在于:包括以下步骤:
S1:对输电线路巡检,采集视频和图像;
S2:图像滤波降噪:确定模板领域大小,将领域中每个像素点的灰度值按从小到大的顺序排列后,取顺序中间的灰度值代替领域中间像素点的灰度值,最后对图像中所有的像素点均做上述处理,得到中值滤波图像g(x,y),则
g(x,y)=Med{f(x-k,y-l),(k,l∈W)}
其中,W为领域窗口大小,f(x-k,y-l)是领域模板中的像素值;
S3:图像处理:采用高斯模糊进行图像平滑处理;
S4:找寻图像中灰度强度变化最明显的位置;
S5:非极大值抑制:寻求局部极值点;
S6:双阈值限制:置大小不同的两个阈值来筛选边缘像素点的梯度,两个阈值分别称高阈值和低阈值;
S7:滞后边界跟踪:通过双阈值限制得到了强边缘点和弱边缘点,通过Canny算法继续筛选弱边缘点。
2.根据权利要求1所述的一种架空输电线路覆冰检测与预警***,其特征在于:在步骤S2中,所述模板采用3×3、5×5、7×7模板。
5.根据权利要求1所述的一种架空输电线路覆冰检测与预警***,其特征在于:在步骤S7中,所述Canny算法采用八邻域方法检查弱边缘点邻域的像素点,如果存在强边缘点,则保留这个弱边缘点。
6.根据权利要求1所述的一种架空输电线路覆冰检测与预警***,其特征在于:在步骤S6中,在筛选过程中,梯度值大于高阈值的边缘像素点会被当作强边缘点,梯度值处于两个阈值之间的边缘像素点当作弱边缘点,小于低阈值的边缘像素点会被筛选掉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363615.1A CN115713492A (zh) | 2022-11-02 | 2022-11-02 | 一种架空输电线路覆冰检测与预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363615.1A CN115713492A (zh) | 2022-11-02 | 2022-11-02 | 一种架空输电线路覆冰检测与预警*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115713492A true CN115713492A (zh) | 2023-02-24 |
Family
ID=85231944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211363615.1A Pending CN115713492A (zh) | 2022-11-02 | 2022-11-02 | 一种架空输电线路覆冰检测与预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713492A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342656A (zh) * | 2023-03-29 | 2023-06-27 | 华北电力大学 | 一种基于自适应边缘检测的时空图像测速方法和装置 |
-
2022
- 2022-11-02 CN CN202211363615.1A patent/CN115713492A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342656A (zh) * | 2023-03-29 | 2023-06-27 | 华北电力大学 | 一种基于自适应边缘检测的时空图像测速方法和装置 |
CN116342656B (zh) * | 2023-03-29 | 2024-04-26 | 华北电力大学 | 一种基于自适应边缘检测的时空图像测速方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021093283A1 (zh) | 基于多传感融合的海面小面积溢油区域检测***及检测方法 | |
JP6759475B2 (ja) | シーンの多次元特徴に基づく船舶検出方法及びシステム | |
CN101556142B (zh) | 架空线路覆冰厚度的视觉检测方法 | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN110458839B (zh) | 一种有效的电线电缆监测*** | |
CN102393961A (zh) | 基于计算机视觉的飞行器输电线路实时检测跟踪方法 | |
Akarsu et al. | A fast and adaptive road defect detection approach using computer vision with real time implementation | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN111814678B (zh) | 一种基于视频监控的运输皮带中煤流识别方法及*** | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
CN103413150A (zh) | 基于可见光影像对电力线路缺陷进行诊断的方法 | |
CN103077539A (zh) | 一种复杂背景及遮挡条件下的运动目标跟踪方法 | |
CN112395972B (zh) | 一种基于无人机图像处理的电力***绝缘子串识别方法 | |
CN109359593B (zh) | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 | |
CN111951520A (zh) | 一种输电线路导线覆冰厚度侦测***及方法 | |
CN112184628B (zh) | 一种红外双波图像及云端预警的巡堤防汛查险***及方法 | |
CN108010065A (zh) | 低空目标快速检测方法及装置、存储介质及电子终端 | |
CN115713492A (zh) | 一种架空输电线路覆冰检测与预警*** | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉***及方法 | |
CN111402301B (zh) | 积水检测方法及装置、存储介质及电子装置 | |
CN112837313A (zh) | 一种输电线路异物的图像分割的方法 | |
CN112595936A (zh) | 基于无人机巡检的输电线复合绝缘子智能检测*** | |
CN117237597A (zh) | 一种基于北斗卫星数据与ai图形融合的数据处理终端 | |
CN109697410B (zh) | 一种架空输电线路覆盖地区的遥感地物识别方法 | |
CN113822814A (zh) | 利用大数据存储的环境辨识***及方法 |
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 |