CN116071368B - 绝缘子污秽多角度图像检测与精细度分析方法及装置 - Google Patents
绝缘子污秽多角度图像检测与精细度分析方法及装置 Download PDFInfo
- Publication number
- CN116071368B CN116071368B CN202310364791.5A CN202310364791A CN116071368B CN 116071368 B CN116071368 B CN 116071368B CN 202310364791 A CN202310364791 A CN 202310364791A CN 116071368 B CN116071368 B CN 116071368B
- Authority
- CN
- China
- Prior art keywords
- insulator
- pollution
- information
- image
- angle
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及绝缘子检测技术领域,公开一种绝缘子污秽多角度图像检测与精细度分析方法及装置,方法包括:获取多角度实时图像和绝缘子参数信息,统一多角度实时图像的光照强度并和绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型,根据先验信息补全初步模型得到成像模型,根据成像模型中的颜色信息得到绝缘子盘面的反射率,根据反射率和先验信息划分绝缘子表面各处的污秽等级;装置包括数据获取模块、图像预处理模块、匹配调整模块、补全模块和污秽识别模块。本发明可以有效获取全局信息、实现对绝缘子污秽的检测和污秽的精细化分区分级、提高自动化程度、适用范围大且方便推广。
Description
技术领域
本发明涉及绝缘子检测技术领域,尤其是指一种绝缘子污秽多角度图像检测与精细度分析方法及装置。
背景技术
绝缘子是安装在不同电位的导体或导体与接地构件之间的能够耐受电压和机械应力作用的器件,因此在电网建设中,绝缘子起着重要作用。但是,绝缘子在电网中的安装位置往往是在室外,难免会受到污染。附在绝缘子表面的污秽在特定环境条件下会造成表面沿面放电,导致污闪现象,影响绝缘子的绝缘性能,存在引发线路和变电站停电事故的风险。
针对污秽绝缘子,目前采取的防污手段除了传统人工清扫外,还有改变绝缘子形状和绝缘子材质或涂层、研究劣化绝缘子检测技术等方法。但是,这些手段存在需接触、推广慢和应用程度受限的问题。依托图像识别技术开展污秽识别具有非接触的优点,目前图像污秽识别集中在识别样本和算法模型的建立上,一般采用人工单点拍摄或者移动载具搭载摄像机的方式获取图像,但是这些方式也存在目标遮挡、光照阴影等造成的全局信息获取难的问题,如依托颜色特征进行污层检测、光照阴影造成的颜色偏移,都会影响识别的准确性和精度。同时,污秽会随着绝缘子的所处位置、表面状态、内部电场分布呈现出污秽不均匀分布的情况,如鸟粪造成的“线条”型污秽一般只分布在比较小的局部区域,现有技术对污秽分级的精细化程度不足,也就无法对污秽进行针对性处理。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的不足,提供一种绝缘子污秽多角度图像检测与精细度分析方法及装置,可以有效获取全局信息、实现对绝缘子污秽的检测和污秽的精细化分区分级、提高自动化程度、适用范围大且方便推广。
为解决上述技术问题,本发明提供了一种绝缘子污秽多角度图像检测与精细度分析方法,包括:
获取多角度实时图像和绝缘子参数信息,统一所述多角度实时图像的光照强度,将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型;
根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型,根据成像模型中的颜色信息得到所述成像模型中绝缘子盘面的反射率,根据所述反射率和先验信息划分绝缘子表面各处的污秽等级。
在本发明的一个实施例中,所述多角度实时图像包括视频监控图像和巡检图像,所述视频监控图像和巡检图像为异源图像;
所述绝缘子参数信息包括绝缘子的型号与片数组成的绝缘子模型、绝缘子所设杆塔或设备相关部位的线型分布模型、绝缘子绝缘配置信息。
在本发明的一个实施例中,统一所述多角度实时图像的光照强度,具体为:
将所述视频监控图像和巡检图像转换到HSV颜色空间分解为色调、色饱和度和亮度三个分量,将所述亮度通过颜色复原法进行低照度复原,将复原后的图像中的三个分量进行归一化处理。
在本发明的一个实施例中,所述将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型,具体为:
将统一光照强度后的所述视频监控图像和巡检图像融合至统一的坐标系下,结合所述绝缘子参数信息反演绝缘子在坐标系下的全局分布状态,计算目标匹配值P为:
P=Σ(pi-pi’)2,
其中,pi为包括所述绝缘子模型信息、线型分布模型信息和绝缘子绝缘配置信息三个匹配因子的图像检测数组,pi’为三个匹配因子的实际参数数组;
当目标匹配器P值大于预设阈值时重新匹配,直到目标匹配器P值小于等于预设阈值匹配完成,得到多角度绝缘子污秽的初步模型。
在本发明的一个实施例中,将所述视频监控图像和巡检图像融合至统一的坐标系下时,提取各图像的特定特征点进行匹配,根据所述特定特征点的匹配结果确定融合时的量值;融合时根据特定特征点的表征强弱情况进行优先级排序,根据优先级顺序进行融合;
所述特定特征点包括:
杆塔或变电设备的角点,为图像中各相梯度极大点,通过角点检测算法得到;
特定交叉直线,包括图像中的直线和交叉情况,通过直线检测算法得到;
绝缘子伞裙成像弧度,根据绝缘子参数信息中的绝缘子型号和图像的成像角度确定;
绝缘子模型尺寸,为绝缘子外轮廓的模型,通过CIM设计图或者三维扫描的方式获取;
绝缘子绝缘配置信息,包括绝缘子的片数和大小、伞裙绝缘子的配置情况。
在本发明的一个实施例中,所述根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型,具体为:
提取所述先验信息中的颜色信息,根据颜色信息的梯度变化对绝缘子污秽的成像模型中的污秽进行分区;结合历史污秽等级和由污秽引起的历史停电次数,使用高污秽区成像信息或边界成像信息补全所述初步模型得到多角度绝缘子污秽的成像模型。
在本发明的一个实施例中,根据所述反射率和先验信息划分绝缘子表面各处的污秽等级,具体为:
根据反射率与绝缘子污秽沉积的正相关关系得到绝缘子污秽沉积情况,获取包括绝缘子的历史记录、维护信息和环境因素的先验信息,结合所述绝缘子的历史记录、维护信息、环境因素和绝缘子污秽沉积情况得到污秽等级。
在本发明的一个实施例中,结合所述绝缘子的历史记录、维护信息、环境因素和绝缘子污秽沉积情况得到污秽等级,具体为:
将所述绝缘子的历史记录、维护信息和环境因素作为污秽影响因子的权值,计算污秽区域分布值w:
W=k1*PI+k2*HIS+k3*ENV,
其中,W为污秽区域分布数组,污秽区域分布值w为数组W的元素;PI为包括图像色调、色饱和度和亮度三个分量的数组,k1为经过低照度复原后的权重;HIS为包括历史记录和维护信息的齐次数组,数组值根据历史记录和维护信息确定,k2为该影响因子的权重;ENV为包括环境因素的齐次数组,数组值根据环境信息确定,k3为该影响因子的权重;
根据所述污秽区域分布值w划分不同的污秽等级。
本发明还提供了一种绝缘子污秽多角度图像检测与精细度分析装置,包括:
数据获取模块,用于获取多角度实时图像和绝缘子参数信息;
图像预处理模块,用于统一所述多角度实时图像的光照强度;
匹配调整模块,用于将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型;
补全模块,用于根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型;
污秽识别模块,用于根据成像模型中的颜色信息得到所述成像模型中绝缘子盘面的反射率,根据所述反射率和先验信息划分绝缘子表面各处的污秽等级。
在本发明的一个实施例中,还包括决策分析模块,所述决策分析模块根据所述污秽识别模块得到的污秽等级,结合由污秽引起的历史停电次数生成运维建议。
本发明的上述技术方案相比现有技术具有以下优点:
本发明以多角度实时图像作为检测基础,通过将绝缘子参数信息作为匹配因子进行图像目标的匹配,在此基础上将先验信息作为污秽影响因子加权进行污秽区域分布的识别,可以有效获取全局信息,实现对绝缘子污秽的检测和污秽的精细化分区分级;同时,解决了视频监控图像、巡检图像和其他相关信息作为参考信息供技术人员判断决策时存在的相互独立的问题,降低了对人员技术素养的依赖和误判漏判率,提高了自动化程度,避免了接触式检测,适用范围大且方便推广。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明的流程图。
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说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
参照图1所示,本发明公开了一种绝缘子污秽多角度图像检测与精细度分析方法,包括以下步骤:
S1:获取多角度实时图像和绝缘子参数信息。
所述多角度实时图像包括视频监控图像和巡检图像,所述视频监控图像和巡检图像为异源图像。目前线路和变电站都安装有大量的视频监控装置,线路巡检和变电站巡检中也会产生大量的图像。因此本实施例中的视频监控图像包括输电线路固定角度的频监控图像或云台视频监控图像、变电站场景多角度固定的视频监控图像,巡检图像包括线路无人机巡检图像或人工巡检图像、变电站机器人巡检图像或人工巡检图像。
目前线路和变电站有大量历史记录及维护信息、绝缘子型号与串数、绝缘子模型等,因此本实施例中的所述绝缘子参数信息包括绝缘子的型号与片数组成的绝缘子模型、绝缘子所设杆塔或设备相关部位的线型分布模型、绝缘子外表面模型、绝缘子绝缘配置信息。
S2:统一所述多角度实时图像的光照强度,将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型。
S2-1:由于视频监控图像和巡检图像为异源图像,而异源图像成像的光照强度不一致,因此在融合和匹配前需要统一所述多角度实时图像的光照强度,具体为:
将所述视频监控图像和巡检图像转换到HSV颜色空间分解为色调、色饱和度和亮度三个分量,将所述亮度通过颜色复原法进行低照度复原,将复原后的图像中的三个分量进行归一化处理,缩放和校正图像信息之后再进行融合。经过统一光照强度后得到的多角度绝缘子污秽的成像模型可以消除单一角度拍摄中存在的目标遮挡和光照阴影的影响。同时调整过程中调整程度的阈值判断依托高性能计算资源,以各向达到±5个像素点为准。
S2-2:将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型,具体为:
S2-2-1:将统一光照强度后的所述视频监控图像和巡检图像融合至统一的坐标系下,视频监控图像和巡检图像两类图像异源融合时,其成像坐标和物理坐标需要经过旋转、平移、缩放等操作,通过旋转、平移、缩放可以实现两类图像信息图像坐标系的统一。视频监控和巡检图像两类图像的数量根据实际情况确定,同目标图像数量≥1张,其中至少1张是监控视频图像,通过后续或者历史巡检的近期图像进行补充,针对同绝缘子目标需要融合N(N≥2)张图像。
由于异源图像拍摄角度、距离不一致,融合需要确定旋转、平移、缩放的量值,量值的确定需要N张图像特定特征点的匹配。提取各图像的特定特征点进行匹配,根据所述特定特征点的匹配结果确定融合时的量值;融合时根据特定特征点的表征强弱情况进行优先级排序,根据优先级顺序进行融合,以实现快速融合。例如:绝缘子绝缘配置情况在图像中呈现很完整,但是杆塔或者设备角点特征比较少或者严重重叠,则可以先根据绝缘子绝缘配置情况进行融合,再根据角点特征和其他三类特征进行调整。调整各个过程的旋转、平移、缩放量值总和,即为两类N张图像融合需要的旋转、平移、缩放量值。
所述特定特征点包括杆塔或变电设备的角点、特定交叉直线、绝缘子伞裙成像弧度、绝缘子模型尺寸、绝缘子绝缘配置情况五类。特定特征点的提取可以通过图像特征提取得到,也可以通过目标已知的模型参数等方式得到。
杆塔或变电设备的角点为图像中各相梯度极大点,实际求解时通过角点检测算法得到。特定交叉直线,包括图像中的直线和交叉情况,通过直线检测算法得到:探索连通域时建立三层树状模型,获取局部直线交叉角度,作为匹配约束条件。绝缘子伞裙成像弧度,根据绝缘子参数信息中的绝缘子型号和图像的成像角度确定,通过旋转、平移、缩放进行匹配。绝缘子模型尺寸,为绝缘子外轮廓的模型,通过CIM设计图或者三维扫描的方式获取,将绝缘子模型进行旋转、平移、缩放,可以与成像中的绝缘子目标实现叠加匹配。绝缘子绝缘配置信息,包括绝缘子的片数和大小、伞裙绝缘子的配置情况,如三伞形等。
S2-2-2:结合所述绝缘子模型信息、线型分布模型信息和绝缘子绝缘配置系数等绝缘子参数信息反演绝缘子在坐标系下的全局分布状态,计算目标匹配值P为:
P=Σ(pi-pi’)2,
其中,pi为包括所述绝缘子模型信息、线型分布模型信息和绝缘子绝缘配置信息三个匹配因子的图像检测数组,pi’为三个匹配因子的实际参数数组;
S2-2-3:当目标匹配器P值大于预设阈值时重新匹配,直到目标匹配器P值小于等于预设阈值匹配完成,得到多角度绝缘子污秽的初步模型。本实施例中预设阈值为60。
多角度绝缘子污秽成像模型由不同图像进行融合得到,图像信息同时还包括绝缘子颜色信息,上述操作中已经通过多源图像消除了部分遮挡和光照的影响,对于N张图像中特定目标的重合部分归一化后的颜色信息选取色调、色饱和度和亮度较低值,将修正后的颜色信息根据色调、色饱和度和亮度信息作为下一步操作的输入。
S3:根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型。具体为:
S3-1:提取所述先验信息中的颜色信息,根据颜色信息的梯度变化对绝缘子污秽的成像模型中的污秽进行分区,本实施例中设置两个梯度阈值,得到高、中、低污秽区成像信息。
S3-2:结合过去一年内的历史污秽等级和由污秽引起的历史停电次数,使用高污秽区成像信息或边界成像信息补全所述初步模型得到多角度绝缘子污秽的成像模型。本实施例中将由污秽引起的历史停电次数划分为I级(停电次数为0次)、II(停电次数为非0次)两级,具体的补全操作如表1所示。
表1 结合历史污秽等级和由污秽引起的历史停电次数进行的补全操作表
由于获取的图像数据有限,多角度绝缘子污秽的初步模型可能存在部分角度的信息缺失,通过先验信息对缺失部分进行补全,可以得到绝缘子污秽成像的完整模型,在此基础上对绝缘子不同区域的污秽级别分析和预测,作为绝缘子运维的参考信息。
多角度绝缘子污秽成像模型可以根据后续获取的相关信息进行更新和维护,以达到反映绝缘子污秽最新状态和有效辅助运维的目的。
S4:根据成像模型中的颜色信息得到所述成像模型中绝缘子盘面的反射率,根据所述反射率和先验信息划分绝缘子表面各处的污秽等级。
S4-1:根据所述成像模型中的颜色信息推导出绝缘子盘面的反射率。
S4-2:根据反射率与绝缘子污秽沉积的正相关关系得到绝缘子污秽沉积情况。
S4-3:获取包括绝缘子的历史记录、维护信息和环境因素的先验信息。
S4-4:结合所述绝缘子的历史记录、维护信息、环境因素和绝缘子污秽沉积情况得到污秽等级:
S4-4-1:将所述绝缘子的历史记录、维护信息和环境因素作为污秽影响因子的权值,计算污秽区域分布值w:
W=k1*PI+k2*HIS+k3*ENV,
其中,W为污秽区域分布数组,污秽区域分布值w为数组W的元素;PI为包括图像色调、色饱和度和亮度三个分量的数组,k1为经过低照度复原后的权重,本实施例中k1=0.5;HIS为包括历史记录和维护信息的齐次数组,数组值根据历史记录和维护信息确定,k2为该影响因子的权重,本实施例中k2=0.3;ENV为包括环境因素的齐次数组,数组值根据环境信息确定,k3为该影响因子的权重,本实施例中k3=0.2。
本发明将环境因素作为加权因子,是因为污闪发生的特点为在雾、小雨等潮湿天气条件下,当气象信息显示存在此类情况时,可以指导对重点运维区域进行提前运维、或对需观测确认区域进行提前巡视,以此有效减少污闪的发生。
S4-4-2:根据所述污秽区域分布值w划分不同的污秽等级。将w取值按照正态分布计算(均值为μ,标准差为δ),设定污秽等级划分区域。
本实施例中污秽等级按照现行五级分类标准划分成a级(非常轻)、b级(轻)、c级(中等)、d级(重)、e级(非常重要)五级。具体为:
当污秽区域分布值w<=μ-0.5δ时,划分污秽等级为a级;当污秽区域分布值μ-0.5δ<w<=μ+0.5δ时,划分污秽等级为b级;当污秽区域分布值μ+0.5δ<w<=μ+1.5δ时,划分污秽等级为c级;当污秽区域分布值μ+1.5δ<w<=μ+2.5δ时,划分污秽等级为d级;当污秽区域分布值w>μ+2.5δ时,划分污秽等级为e级。
实施例二
本发明还公开了一种绝缘子污秽多角度图像检测与精细度分析装置,包括数据获取模块、图像预处理模块、匹配调整模块、补全模块、污秽识别模块、决策分析模块和显示预警模块。
数据获取模块用于获取多角度实时图像和绝缘子参数信息;图像采集频次在湿度大于65%阈值时,数据获取和传输的频次增加2倍。
图像预处理模块用于统一所述多角度实时图像的光照强度,进行颜色空间变换、低亮度调整、以及去雾、去抖动等操作。
匹配调整模块用于将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型。
补全模块用于根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型。
污秽识别模块用于根据成像模型中的颜色信息得到所述成像模型中绝缘子盘面的反射率,根据所述反射率和先验信息划分绝缘子表面各处的污秽等级。
决策分析模块根据所述污秽识别模块得到的污秽等级,结合过去一年内的由污秽引起的历史停电次数生成运维建议,本实施例中的运维建议如表2所示。
表2 运维参考操作表
显示预警模块显示绝缘子污秽的完整成像信息,作为可视化运维基础,同时可以根据实际运维情况、天气环境变化情况对成像进行反馈和更新,实现运维工作的精细化辅助预警。
实施例三
本发明还公开了一种绝缘子污秽多角度图像检测与精细度分析终端设备,包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一中所述的绝缘子污秽多角度图像检测与精细度分析方法。
实施例四
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现实施例一中所述的绝缘子污秽多角度图像检测与精细度分析方法。
本发明的优点为:
1、本发明以包括视频监控和巡检图像的多角度实时图像作为检测基础,有效解决了目标遮挡、光照阴影等造成的全局信息获取难的问题,从而有效获取全局信息。
2、本发明通过将包括绝缘子型号与片数、杆塔或设备相关部位的线型分布、绝缘子外表面模型的绝缘子参数信息作为三个匹配因子进行图像目标的匹配,在此基础上将包括绝缘子的历史记录、维护信息和环境因素的先验信息作为污秽影响因子加权进行污秽区域分布的识别,实现了绝缘子污秽的检测和污秽的精细化分区分级,有助于进行针对性的运维。
3、本发明有效结合了多角度实时图像、绝缘子参数信息和先验信息,解决了视频监控图像、巡检图像和其他相关信息作为参考信息供技术人员判断决策时存在的相互独立的问题,降低了对人员技术素养的依赖和误判漏判率,提高了自动化程度,避免了接触式检测,适用范围大且方便推广。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种绝缘子污秽多角度图像检测与精细度分析方法,其特征在于,包括:
获取多角度实时图像和绝缘子参数信息,统一所述多角度实时图像的光照强度,将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型;
根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型,根据成像模型中的颜色信息得到所述成像模型中绝缘子盘面的反射率,根据所述反射率和先验信息划分绝缘子表面各处的污秽等级;
所述多角度实时图像包括视频监控图像和巡检图像,所述视频监控图像和巡检图像为异源图像;
所述绝缘子参数信息包括绝缘子的型号与片数组成的绝缘子模型、绝缘子所设杆塔或设备相关部位的线型分布模型、绝缘子绝缘配置信息;
所述根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型,具体为:提取所述先验信息中的颜色信息,根据颜色信息的梯度变化对绝缘子污秽的成像模型中的污秽进行分区;结合历史污秽等级和由污秽引起的历史停电次数,使用高污秽区成像信息或边界成像信息补全所述初步模型得到多角度绝缘子污秽的成像模型;
根据所述反射率和先验信息划分绝缘子表面各处的污秽等级,具体为:根据反射率与绝缘子污秽沉积的正相关关系得到绝缘子污秽沉积情况,获取包括绝缘子的历史记录、维护信息和环境因素的先验信息,结合所述绝缘子的历史记录、维护信息、环境因素和绝缘子污秽沉积情况得到污秽等级。
2.根据权利要求1所述的绝缘子污秽多角度图像检测与精细度分析方法,其特征在于:统一所述多角度实时图像的光照强度,具体为:
将所述视频监控图像和巡检图像转换到HSV颜色空间分解为色调、色饱和度和亮度三个分量,将所述亮度通过颜色复原法进行低照度复原,将复原后的图像中的三个分量进行归一化处理。
3.根据权利要求1所述的绝缘子污秽多角度图像检测与精细度分析方法,其特征在于:所述将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型,具体为:
将统一光照强度后的所述视频监控图像和巡检图像融合至统一的坐标系下,结合所述绝缘子参数信息反演绝缘子在坐标系下的全局分布状态,计算目标匹配值P为:
P=Σ(pi-pi’)2,
其中,pi为包括所述绝缘子模型信息、线型分布模型信息和绝缘子绝缘配置信息三个匹配因子的图像检测数组,pi’为三个匹配因子的实际参数数组;
当目标匹配器P值大于预设阈值时重新匹配,直到目标匹配器P值小于等于预设阈值匹配完成,得到多角度绝缘子污秽的初步模型。
4.根据权利要求3所述的绝缘子污秽多角度图像检测与精细度分析方法,其特征在于:将所述视频监控图像和巡检图像融合至统一的坐标系下时,提取各图像的特定特征点进行匹配,根据所述特定特征点的匹配结果确定融合时的量值;融合时根据特定特征点的表征强弱情况进行优先级排序,根据优先级顺序进行融合;
所述特定特征点包括:
杆塔或变电设备的角点,为图像中各相梯度极大点,通过角点检测算法得到;
特定交叉直线,包括图像中的直线和交叉情况,通过直线检测算法得到;
绝缘子伞裙成像弧度,根据绝缘子参数信息中的绝缘子型号和图像的成像角度确定;
绝缘子模型尺寸,为绝缘子外轮廓的模型,通过CIM设计图或者三维扫描的方式获取;
绝缘子绝缘配置信息,包括绝缘子的片数和大小、伞裙绝缘子的配置情况。
5.根据权利要求1所述的绝缘子污秽多角度图像检测与精细度分析方法,其特征在于:结合所述绝缘子的历史记录、维护信息、环境因素和绝缘子污秽沉积情况得到污秽等级,具体为:
将所述绝缘子的历史记录、维护信息和环境因素作为污秽影响因子的权值,计算污秽区域分布值w:
W=k1*PI+k2*HIS+k3*ENV,
其中,W为污秽区域分布数组,污秽区域分布值w为数组W的元素;PI为包括图像色调、色饱和度和亮度三个分量的数组,k1为经过低照度复原后的权重;HIS为包括历史记录和维护信息的齐次数组,数组值根据历史记录和维护信息确定,k2为该影响因子的权重;ENV为包括环境因素的齐次数组,数组值根据环境信息确定,k3为该影响因子的权重;
根据所述污秽区域分布值w划分不同的污秽等级。
6.一种绝缘子污秽多角度图像检测与精细度分析装置,其特征在于,包括:
数据获取模块,用于获取多角度实时图像和绝缘子参数信息;
图像预处理模块,用于统一所述多角度实时图像的光照强度;
匹配调整模块,用于将统一光照强度后的多角度实时图像和所述绝缘子参数信息匹配得到多角度绝缘子污秽的初步模型;
补全模块,用于根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型;
污秽识别模块,用于根据成像模型中的颜色信息得到所述成像模型中绝缘子盘面的反射率,根据所述反射率和先验信息划分绝缘子表面各处的污秽等级;
所述多角度实时图像包括视频监控图像和巡检图像,所述视频监控图像和巡检图像为异源图像;
所述绝缘子参数信息包括绝缘子的型号与片数组成的绝缘子模型、绝缘子所设杆塔或设备相关部位的线型分布模型、绝缘子绝缘配置信息;
所述根据先验信息补全所述初步模型得到多角度绝缘子污秽的成像模型,具体为:提取所述先验信息中的颜色信息,根据颜色信息的梯度变化对绝缘子污秽的成像模型中的污秽进行分区;结合历史污秽等级和由污秽引起的历史停电次数,使用高污秽区成像信息或边界成像信息补全所述初步模型得到多角度绝缘子污秽的成像模型;
根据所述反射率和先验信息划分绝缘子表面各处的污秽等级,具体为:根据反射率与绝缘子污秽沉积的正相关关系得到绝缘子污秽沉积情况,获取包括绝缘子的历史记录、维护信息和环境因素的先验信息,结合所述绝缘子的历史记录、维护信息、环境因素和绝缘子污秽沉积情况得到污秽等级。
7.根据权利要求6所述的绝缘子污秽多角度图像检测与精细度分析装置,其特征在于:还包括决策分析模块,所述决策分析模块根据所述污秽识别模块得到的污秽等级,结合由污秽引起的历史停电次数生成运维建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310364791.5A CN116071368B (zh) | 2023-04-07 | 2023-04-07 | 绝缘子污秽多角度图像检测与精细度分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310364791.5A CN116071368B (zh) | 2023-04-07 | 2023-04-07 | 绝缘子污秽多角度图像检测与精细度分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116071368A CN116071368A (zh) | 2023-05-05 |
CN116071368B true CN116071368B (zh) | 2023-06-16 |
Family
ID=86170079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310364791.5A Active CN116071368B (zh) | 2023-04-07 | 2023-04-07 | 绝缘子污秽多角度图像检测与精细度分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071368B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680285A (zh) * | 2016-11-17 | 2017-05-17 | 同济大学 | 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 |
CN112990235A (zh) * | 2021-05-06 | 2021-06-18 | 北京云圣智能科技有限责任公司 | 点云数据的处理方法、装置及电子设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108345898A (zh) * | 2017-12-31 | 2018-07-31 | 国网山西省电力公司检修分公司 | 一种新型的线路绝缘子绝缘状态评估方法 |
CN108171672B (zh) * | 2018-01-10 | 2019-06-21 | 西北工业大学 | 基于红通道和全卷积神经网络的水下光学智能感知方法 |
US11112349B2 (en) * | 2019-07-16 | 2021-09-07 | Saudi Arabian Oil Company | Metal loss determinations based on thermography machine learning approach for insulated structures |
CN111897332B (zh) * | 2020-07-30 | 2022-10-11 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及*** |
CN113920450A (zh) * | 2021-09-28 | 2022-01-11 | 国网福建省电力有限公司电力科学研究院 | 基于本征图像分解的绝缘子rtv涂层识别方法及装置 |
CN114166895A (zh) * | 2021-12-03 | 2022-03-11 | 国网山西省电力公司电力科学研究院 | 用于测量绝缘电阻率表征外绝缘表面污秽度等级的方法 |
CN114998545A (zh) * | 2022-07-12 | 2022-09-02 | 深圳市水务工程检测有限公司 | 一种基于深度学习的三维建模阴影识别*** |
CN115656202B (zh) * | 2022-10-25 | 2024-06-04 | 西安交通大学 | 用于绝缘子表面状态的多波段光学检测装置 |
CN115512252B (zh) * | 2022-11-18 | 2023-02-21 | 东北电力大学 | 基于无人机的电网巡检自动化方法及*** |
-
2023
- 2023-04-07 CN CN202310364791.5A patent/CN116071368B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680285A (zh) * | 2016-11-17 | 2017-05-17 | 同济大学 | 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 |
CN112990235A (zh) * | 2021-05-06 | 2021-06-18 | 北京云圣智能科技有限责任公司 | 点云数据的处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116071368A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
CN113313005B (zh) | 基于目标识别与重建的输电导线在线监测方法及*** | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
CN111062991A (zh) | 一种光伏场景的巡检目标定位方法、设备及可读存储介质 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和*** | |
CN115331190B (zh) | 一种基于雷视融合的道路隐患识别方法及装置 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN115631356A (zh) | 道路设施缺失识别方法、装置、存储介质及电子装置 | |
Wang et al. | Semantic segmentation of transmission lines and their accessories based on UAV-taken images | |
CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及*** | |
Yuan et al. | Identification method of typical defects in transmission lines based on YOLOv5 object detection algorithm | |
CN115547003A (zh) | 一种输电线路的防外破报警方法和*** | |
CN111507189A (zh) | 一种基于图像处理技术的绝缘子串缺陷快速检测方法 | |
Fang et al. | A framework of power pylon detection for UAV-based power line inspection | |
CN114663672A (zh) | 一种输电线路塔钢构件腐蚀检测方法及*** | |
CN116071368B (zh) | 绝缘子污秽多角度图像检测与精细度分析方法及装置 | |
CN113763397A (zh) | 复合绝缘子故障检测方法及*** | |
CN112542800A (zh) | 一种输电线路故障识别的方法及其*** | |
CN116309826A (zh) | 一种基于图像分割的目标定位方法、***、设备和介质 | |
Fang et al. | Detection method of transmission line broken stock defects in aircraft inspection based on image processing technology | |
Yang et al. | An intelligent identification algorithm for obtaining the state of power equipment in SIFT-based environments | |
CN114442658A (zh) | 输配电线路无人机自动巡检***及其运行方法 | |
Hwang et al. | Soiling detection for photovoltaic modules based on an intelligent method with image processing | |
CN107833204B (zh) | 一种基于拓扑匹配的变电站设备红外图像的视觉检测方法 | |
CN110688919A (zh) | 一种智能巡线故障识别方法 |
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 |