CN116503470A - 红外图像中绝缘子串盘片分割定位及状态分析方法 - Google Patents
红外图像中绝缘子串盘片分割定位及状态分析方法 Download PDFInfo
- Publication number
- CN116503470A CN116503470A CN202310473369.3A CN202310473369A CN116503470A CN 116503470 A CN116503470 A CN 116503470A CN 202310473369 A CN202310473369 A CN 202310473369A CN 116503470 A CN116503470 A CN 116503470A
- Authority
- CN
- China
- Prior art keywords
- insulator string
- insulator
- positioning
- training
- image
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 125000006850 spacer group Chemical group 0.000 claims description 27
- 238000002372 labelling Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 abstract description 10
- 230000004438 eyesight Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000011478 gradient descent method Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain 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
- G06V10/20—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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- 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)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及计算机视觉/深度学习及时频分析技术,涉及电力巡检领域,具体涉及红外图像中绝缘子串盘片分割定位及状态分析方法。该方法包括以下几个步骤:S1.采集绝缘子串红外图像;S2.标注出绝缘子串外接轮廓;S3.划分为训练集与测试集;S4.构建绝缘子串语义分割网络;S5.采用梯度下降法训练神经网络,评估并采纳有效模型;S6.使用模型分割绝缘子串;S7.采用形态学处理和仿射变换矫正绝缘子串;S8.通过FFT算法对绝缘子串上/下峰区时频变换处理,提取盘片数量并计算间隔距离;S9.定位、提取温度信息并进行有效分析。本发明运用计算机视觉/深度学习技术,对绝缘子串实现精准的分割、定位,并提取温度数据,该方法实现了绝缘子串的外观及温度一次性分析输出。
Description
技术领域
本发明涉及计算机视觉、深度学习及电力巡检领域,具体涉及一种基于多任务卷积神经网络,用于电力巡检过程中红外图像中绝缘子串盘片分割定位及状态分析方法。
背景技术
为了解决我国人口的用电问题,国家电网公司累计建成了世界先进的“15交13直”特高压输电工程,跨省跨区输电能力超过2.3亿千瓦。
为了切实保障居民生活用电和工业生产用电的稳定,国家电网规定,对输电网络采取定期巡检的策略。按照国家电网的实际要求,需要对高压、超高压输电网络中每一基杆塔进行精细的巡检。在精细化巡检过程中,重中之重是对绝缘子串进行缺损检测。
绝缘子串是输电杆塔上的关键部件,也是输电线路巡检中的关键一环。顾名思义,绝缘子串对输电网络中的线路起到与杆塔绝缘的作用,以此保障输电安全。对绝缘子串的缺陷检测,主要关注在绝缘子串的倾斜角度,绝缘子串两端挂点状态以及绝缘子串本身盘片的完整性方面。近年来,基于红外技术的图像采集分析在电力精细化巡检,尤其是对绝缘子串的状态分析方面得到了极大的推广。基于红外热成像的技术背景下,不但能够拍摄到绝缘子串的完整轮廓,同时整个绝缘子串的温度分布信息也是一目了然。按照当前巡检要求,每完整巡检一次输电线路会产生1.5亿-3亿张含有绝缘子串的红外图像,以往的后处理、分析流程往往需要人工实现,造成极大的资源浪费。
随着人工智能技术的发展,基于计算机视觉/深度学习技术来识别、分析照片中的感兴趣目标开始以惊人的速度得到发展,并替代了大量的人力重复劳动。基于海量的已有图片,通过基于深度学习的语义分割技术能够训练出精准的绝缘子串分割模型。进一步的,可以通过传统的图像处理形态学分析技术以及变换分析技术,对绝缘子串进行全方位,自动化、智能高效的分析。为了将计算机视觉/深度学习技术、图像处理以及变换分析技术引入到输电线路巡检领域,代替人完成海量图片的分析工作,同时为了提供效率和精度,一次性实现绝缘子串的识别、分割、定位与分析,本专利提出了一种红外图像中绝缘子串盘片分割定位及状态分析方法。
发明内容
本发明的目的是提供一种红外图像中绝缘子串盘片分割定位及状态分析方法,该方法的整体结构流程,如图9所示,其特征在于,包括以下几个步骤:
S1.图像采集,采用无人机搭载红外云台相机,一般距离绝缘子串5-30米左右,采集绝缘子串的正视射影像,如图1中P0位置所示,避免俯视或仰视拍摄,分别如图1中P1位置和P2位置,以免造成盘片遮挡,间隔棒遮挡;
S2.对步骤S1中采集到的红外绝缘子串图像进行标注,标注采用labelme等软件,沿绝缘子串盘片和间隔棒的轮廓进行标注,标注效果参考图3;
S3.对步骤S1中采集到的数据按照90:10的比例进行划分,即将所有数据的90%作为训练数据集,将所有数据的10%划分为测试数据集;
S4.构建基于深度学习语义分割网络的绝缘子串分割模型,模型采用DeepLabv3Plus语义分割网络,利用其独特的ASPP金字塔编码网络和多尺度融合的解码网络进行精确的绝缘子串模型训练;
S5.执行训练,利用标注数据输入到步骤S4中构建的训练网络中,训练不少于300个Epoch,获取绝缘子串语义分割模型;在训练过程中使用测试集,不断评估模型,直至评估结果满足精度要求;
S6.使用步骤S5中训练得到的语义分割模型推理红外绝缘子串图像,获取取值为0和1的二值图像,其中取值为1的区域为绝缘子串,取值为0的区域为背景区域;
S7.通过形态学处理中的连通域查找方法找到所有独立的、取值为1的连通域,通过膨胀、腐蚀操作,去除个别小、伪目标,通过寻找最小外接矩形,确定绝缘子串的走向,并抠取最小外接矩形区域的图像,通过仿射变换将绝缘子串矫正至“水平躺卧”状态;
S8.选取S7中处理得到的“水平躺卧”绝缘子串二值图像,该图像所含绝缘子串上下边沿呈强周期性,因此选取绝缘子串上下边沿为“上下峰区”,通过短时快速傅里叶变换(FFT)算法,计算绝缘子串盘片的数量,通过相位偏移法,获得绝缘子串盘片的精确位置,进而获取盘片间间隔棒位置;
其中,FFT是离散傅里叶变换(DFT)的一种快速计算方法,DFT公式如下:
N为变换长度,也即采样长度
S9.根据绝缘子串盘片位置,推算间隔棒区域,提取间隔棒区域的温度信息,结合步骤S7中获取的绝缘子串倾斜角度,S8中获取的盘片位置和破损情况,以及当期步骤获取的间隔棒温度信息,综合分析绝缘子串的状态。
进一步的,步骤S1所述的数据采集需要使用无人机作为移动飞行平台,在无人机上搭载红外云台相机,云台相机所拍摄画面分辨率不低于640*512,如图1所示,拍摄位置距离绝缘子串约5-30米左右,且应居于绝缘子串中垂线上,参照图1中P0点,避免俯视和仰视位置,分别参照图1中P1点和P2点位置。
进一步的,步骤S2中对红外图像中的绝缘子串进行标注,具体的标注为多边形标注方法,严格沿绝缘子串轮廓进行标注,且在绝缘子串两端进行多边形轮廓的闭合,标注不包括绝缘子串两端挂点;标注过程中,绝缘子串轮廓所包含区域设置为类别1,其他背景设置为类别0;
进一步的,步骤S3中将采集到且标注好的数据按照一定的比例进行划分,具体划分为训练集和测试集,其中训练集用于训练阶段训练分割模型,测试集用于阶段性评估模型性能。鉴于语义分割的数据密集性,当前划分比例按照90:10的比例进行划分,其中90%为训练集,10%作为测试集使用,用来验证和评估;
进一步的,步骤S4中所述,采用DeepLabv3Plus作为语义分割网络,DeepLabv3Plus模型结构如图2所示,采用Focal loss作为评判标准,其公式如下:
FL(pt)=-(1-pt)γlog(pt)
进一步的,步骤S5中所述,训练的轮数不能少于300个Epoch。具体的训练结果需要通过误差计算结合主观判断评估,如图4所示,评估通过的最小要求是能够分割出绝缘子串边缘的的波浪形轮廓;
进一步的,步骤S6中所述,使用步骤S5训练得到并且评估满足要求的语义分割模型推理分割红外图像中的绝缘子串,并获取二值化的图像结果。如图4所示,其中黑色区域代表背景,白色区域代表绝缘子串;
进一步的,步骤S7中所述,在步骤S6种获取到如图4所示的分割结果以后,通过膨胀、腐蚀操作,去除多余的小干扰目标;通过最小外接矩形查找算法,找到绝缘子串的标准外接矩形和旋转外接矩形,如图5所示,并确定目标的旋转角θ;在已知目标旋转角度θ的前提下,通过仿射变换,将绝缘子串调整至水平躺卧状态,并抠取图像,结果如图6所示。
进一步的,在步骤S8所获得的水平躺卧基础上,选取抠取图,即图6中的上峰区和下峰区,如图7中虚线框所示。基于边沿呈强周期性,通过提取绝缘子串在上下峰区边沿的高度值,通过短时快速傅里叶变换,即FFT算法,获取边沿周期频谱图和相位谱图,其中幅度最高的点所在的频率即代表当前有多少个峰值,即盘片数量,幅度最高点对应的相位信息代表初始边沿相对于零点的偏移量,可通过相位补偿获取盘片的精确位置;
特别的,当一根绝缘子串从一端到另一端,两盘片间的距离单调递增或单调递减时,认为当前拍摄识别位置不妥,可根据实际的递增和递减调整拍摄识别位置。直至从绝缘子串中心位置向两端延伸过程中,每两个盘片间的距离近似相等或由中心向两端逐渐递减,则认为位置合力,识别有效。
进一步的,步骤S9中所述,通过S8中获取到的盘片位置,取中心点位于两盘片中间,半径为间隔80%的区域,作为间隔棒区域,如图8所示,提取温度信息,综合S7中获取到的绝缘子串倾斜角度信息,当前步骤获取到的盘片完整度信息和间隔棒温度信息,综合评估绝缘子串的状态,如倾斜角度超过可容忍角度θ,或盘片不对称,即破损,或某间隔棒温度明显高于其他间隔棒温度,则记为绝缘子串的异常。
附图说明
图1图像采集位置示意图。
图2DeepLabv3Plus网络结构。
图3绝缘子串标注示意图。
图4DeepLabv3Plus对绝缘子串的分割结果。
图5绝缘子串标准外接矩形与旋转外接矩形。
图6仿射矫正并抠取的绝缘子串图像。
图7上/下峰区示意图。
图8盘片及间隔棒定位示意图。
图9整体流程图。
具体实施方式
为了更进一步阐述本发明所提出的红外图像中绝缘子串盘片分割定位及状态分析方法,就其具体实施方式,实施流程、实施内容作进一步详细的描述,但本发明的具体实施方式、流程及内容并不局限于此。
下面就一种典型的分析流程,阐述步骤如下:
步骤S1,图像采集,采用无人机搭载红外云台相机,一般距离绝缘子串5-30米左右,采集绝缘子串的正视射影像,参照图1中P0位置,避免俯视或仰视拍摄,反例可参考图1中P1位置和P2位置,以免造成盘片遮挡,间隔棒遮挡;
步骤S2,对步骤S1中采集到的红外绝缘子串图像进行标注,标注采用labelme等软件,沿绝缘子串盘片和间隔棒的轮廓进行标注,标注效果参考图3;
步骤S3,对步骤S1中采集到的数据按照90:10的比例进行划分,即将所有数据的90%作为训练数据集,将所有数据的10%划分为测试数据集;
步骤S4,构建基于深度学习语义分割网络的绝缘子串分割模型,模型采用DeepLabv3Plus语义分割网络,利用其独特的ASPP金字塔编码网络和多尺度融合的解码网络进行精确的绝缘子串模型训练;
步骤S5,执行训练,利用标注数据输入到步骤S4中构建的训练网络中,训练不少于300个Epoch,获取绝缘子串语义分割模型;在训练过程中使用测试集,不断评估模型,直至评估结果满足精度要求;
步骤S6,使用步骤S5中训练得到的语义分割模型推理红外绝缘子串图像,获取取值为0和1的二值图像,其中取值为1的区域为绝缘子串,取值为0的区域为背景区域;
步骤S7,通过形态学处理中的连通域查找方法找到所有独立的、取值为1的连通域,通过膨胀、腐蚀操作,去除个别小、伪目标,通过寻找最小外接矩形,确定绝缘子串的走向,并抠取最小外接矩形区域的图像,通过仿射变换将绝缘子串矫正至“水平躺卧”状态;
步骤S8,选取S7中处理得到的“水平躺卧”绝缘子串二值图像,该图像所含绝缘子串上下边沿呈强周期性,因此选取绝缘子串上下边沿为“上下峰区”,通过短时快速傅里叶变换,即FFT算法,计算绝缘子串盘片的数量,通过相位偏移法,获得绝缘子串盘片的精确位置,进而获取盘片间间隔棒位置;
其中,FFT是离散傅里叶变换(DFT)的一种快速计算方法,DFT公式如下:
N为变换长度,也即采样长度
步骤S9,根据绝缘子串盘片位置,推算间隔棒区域,提取间隔棒区域的温度信息,结合步骤S7中获取的绝缘子串倾斜角度,S8中获取的盘片位置和破损情况,以及当期步骤获取的间隔棒温度信息,综合分析绝缘子串的状态。
1.针对数据采集,应尽量保证数据采集背景多样性,位置合理性
针对步骤S1中的数据采集阶段,通过无人机搭载红外云台相机,飞行抵近绝缘子串进行图像的采集拍摄。绝缘子串的拍摄距离取决于云台相机的分辨率、解析力以及有无变焦等因素,总体来讲,将绝缘子串的外接矩形,参考图5,为水平框而非旋转框,长边,即GL01标识边占对应边60%以上。绝缘子串拍摄位置参照图1种P0所指示位置。
2.数据标注
针对步骤S2中所述的数据标注,采用labelme或类似可进行轮廓标注,或可选其他具有Polygon标注功能的软件进行标注。标注时,紧贴标注轮廓。标注时,仅标注绝缘子串盘片和盘间连接件,在绝缘子串两端进行标注线的闭合。具体的标注效果参考图3所示。
3.划分训练集与测试集
将S2步骤中标注好的进行划分,划分为训练集和数据集。不同于存在于目标识别命令的80:20划分原则,由于语义分割的标签细粒度表现,再次按照90:10的比例进行划分。其中训练集占总数据集的90%,测试集占总数据集的10%。
4.构建语义分割模型
步骤S4所述的网络模型构建,目的在于构建一个能够在红外图像中精确分割绝缘子串的深度神经网络语义分割模型。
DeepLabv3Plus是近年来在语义分割领域的优秀网络代表,具备先进的Encoder-Decoder架构,并且具有简单且高效的特点。区别于可见光图像的色彩表达,红外图像的色彩组成单一,且边缘区域较为明确,因此选择DeepLabv3Plus作为当前分析方法中,语义分割环节的工具,利用其其独特的ASPP金字塔编码网络和多尺度融合的解码网络进行精确的绝缘子串模型训练。
如图2所示,为DeepLabv3Plus的网络结构,输入为红外绝缘子串图像,输出位分割后的绝缘子串二值图像,这一步需在网络输出端添加二值化映射操作。采用Focal loss作为评判标准,其公式如下:
FL(pt)=-(1-pt)γlog(pt)
5.模型训练
在准备好训练数据和测试数据集,并构建好语义分割模型以后,进入到步骤S5所述的训练环节。
优选的,训练环节应按照数据量进行动态评估,此次训练不少于300个Epoch。
6.分割图像后处理
优选的,通过训练好的模型将绝缘子串分割出来以后,需要将图像进行二值化处理,得到取值为0或1的二维矩阵。
7.感兴趣区域定位及对应温度提取
优选的,在拿到二值图像以后,将绝缘子串二值图像进行旋转,旋转的目的是将绝缘子串长二值图像的最小外接矩形旋转值水平,其中长边缘位于上下,短边缘位于左右。如图7,之后提取绝缘子串轮廓上下峰区取值,分别进行FFT变换,通过最大频率法获取绝缘子串上下峰区的“峰值”数量,并通过峰值数量进行定位。
Claims (10)
1.红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,包含以下几个步骤:
S1.图像采集,采用无人机搭载红外云台相机,一般距离绝缘子串5-30米左右,采集绝缘子串的正视射影像,避免俯视或仰视拍摄,以免造成盘片遮挡,间隔棒遮挡;
S2.对步骤S1中采集到的红外绝缘子串图像进行标注,标注采用labelme等软件,沿绝缘子串盘片和间隔棒的轮廓进行标注;
S3.对步骤S1中采集到的数据按照90:10的比例进行划分,即将所有数据的90%作为训练数据集,将所有数据的10%划分为测试数据集;
S4.构建基于深度学习语义分割网络的绝缘子串分割模型,模型采用DeepLabv3Plus语义分割网络,利用其独特的ASPP金字塔编码网络和多尺度融合的解码网络进行精确的绝缘子串模型训练;
S5.执行训练,利用标注数据输入到步骤S4中构建的训练网络中,训练不少于300个Epoch,获取绝缘子串语义分割模型;在训练过程中使用测试集,不断评估模型,直至评估结果满足精度要求;
S6.使用步骤S5中训练得到的语义分割模型推理红外绝缘子串图像,获取取值为0和1的二值图像,其中取值为1的区域为绝缘子串,取值为0的区域为背景区域;
S7.通过形态学处理中的连通域查找方法找到所有独立的、取值为1连通域,通过膨胀、腐蚀操作,去除个别小、伪目标,通过寻找最小外接矩形,确定绝缘子串的走向,并抠取最小外接矩形区域的图像,通过仿射变换将绝缘子串矫正至“水平躺卧”状态;
S8.选取S7中处理得到的“水平躺卧”绝缘子串二值图像,该图像所含绝缘子串上下边缘呈强周期性,因此选取绝缘子串上下边沿为“上下峰区”,通过短时快速傅里叶变换,即FFT算法,计算绝缘子串盘片的数量,通过相位偏移法,获得绝缘子串盘片的精确位置,进而获取盘片间间隔棒位置;
其中,FFT是离散傅里叶变换(DFT)的一种快速计算方法,DFT公式如下:
N为变换长度,也即采样长度
S9.根据绝缘子串盘片位置,推算间隔棒区域,提取间隔棒区域的温度信息,结合步骤S7中获取的绝缘子串倾斜角度,S8中获取的盘片位置和破损情况,以及当期步骤获取的间隔棒温度信息,综合分析绝缘子串的状态。
2.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S1所述的数据采集需要使用无人机作为移动飞行平台,在无人机上搭载红外云台相机,云台相机所拍摄画面分辨率不低于640*512,拍摄位置距离绝缘子串约5-30米左右,且应居于绝缘子串中垂线上,避免俯视和仰视,以免带来的下端部分绝缘子串盘片和上端部分绝缘子串盘片的遮挡,导致最终无法精确定位。
3.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S2中对红外图像中的绝缘子串进行标注,具体的标注为多边形标注方法,严格沿绝缘子串轮廓进行标注,且在绝缘子串两端进行多边形轮廓的闭合,标注不包括绝缘子串两端挂点,标注过程中,绝缘子串轮廓所包含区域设置为类别1,其他背景设置为类别0。
4.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S3中将采集到且标注好的数据进行划分,划分为训练集和测试集,由于分割的密集型,划分比例按照90:10的比例进行划分,其中90%为训练集,10%作为测试集使用,用来验证和评估。
5.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S4中所述,采用DeepLabv3Plus作为语义分割网络,采用Focalloss作为评判标准,其公式如下:
FL(pt)=-(1-pt)γlog(pt)。
6.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S5中所述,训练的轮数不能少于300个Epoch,具体的训练结果需要通过误差计算结合主观判断评估,评估通过的最小要求是能够分割出绝缘子串边缘的的波浪形轮廓。
7.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S6中所述,使用步骤S5训练得到并且通过评估的语义分割模型推理分割红外图像中的绝缘子串,并获取二值化的图像结果。
8.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S7中所述,在步骤S6种获取到的分割结果以后,通过膨胀、腐蚀操作,去除多余的小干扰目标;通过最小外接矩形查找算法,找到绝缘子串的标准外接矩形和旋转外接矩形,并确定目标的旋转角θ;在已知目标旋转角度θ的前提下,通过仿射变换,将绝缘子串调整至水平躺卧状态,并抠取图像。
9.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S8中所述,选取抠取图中的上峰区和下峰区,基于边沿呈强周期性,通过提取绝缘子串在上下峰区边沿的高度值,通过短时快速傅里叶变换,即FFT算法,获取边沿周期频谱图和相位谱图,其中幅度最高的点所在的频率即代表当前有多少个峰值,即盘片数量,幅度最高点对应的相位信息代表初始边沿相对于零点的偏移量,可通过相位补偿获取盘片的精确位置,特别的,当一根绝缘子串从一端到另一端,两盘片间的距离单调递增或单调递减时,认为当前拍摄识别位置不妥,可根据实际的递增和递减调整拍摄识别位置,直至从绝缘子串中心位置向两端延伸过程中,每两个盘片间的距离近似相等或由中心向两端逐渐递减,则认为位置合适,识别有效。
10.根据权利要求1中所述红外图像中绝缘子串盘片分割定位及状态分析方法,其特征在于,步骤S9中所述,通过S8中获取到的盘片位置,取中心点位于两盘片中间,半径为间隔80%的区域,作为间隔棒区域,提取温度信息,综合S7中获取到的绝缘子串倾斜角度信息,当前步骤获取到的盘片完整度信息和间隔棒温度信息,综合评估绝缘子串的状态,如倾斜角度超过可容忍角度θ,或盘片不对称,即破损,或某间隔棒温度明显高于其他间隔棒温度,则记为绝缘子串的异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473369.3A CN116503470A (zh) | 2023-04-27 | 2023-04-27 | 红外图像中绝缘子串盘片分割定位及状态分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473369.3A CN116503470A (zh) | 2023-04-27 | 2023-04-27 | 红外图像中绝缘子串盘片分割定位及状态分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503470A true CN116503470A (zh) | 2023-07-28 |
Family
ID=87322539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310473369.3A Pending CN116503470A (zh) | 2023-04-27 | 2023-04-27 | 红外图像中绝缘子串盘片分割定位及状态分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503470A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422718A (zh) * | 2023-12-19 | 2024-01-19 | 中江立江电子有限公司 | 一种绝缘子性能评估方法、装置、设备及介质 |
CN117611532A (zh) * | 2023-11-17 | 2024-02-27 | 国网四川省电力公司泸州供电公司 | 适用于电网的无人机巡检方法、巡检终端及可读存储介质 |
-
2023
- 2023-04-27 CN CN202310473369.3A patent/CN116503470A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611532A (zh) * | 2023-11-17 | 2024-02-27 | 国网四川省电力公司泸州供电公司 | 适用于电网的无人机巡检方法、巡检终端及可读存储介质 |
CN117422718A (zh) * | 2023-12-19 | 2024-01-19 | 中江立江电子有限公司 | 一种绝缘子性能评估方法、装置、设备及介质 |
CN117422718B (zh) * | 2023-12-19 | 2024-04-16 | 中江立江电子有限公司 | 一种绝缘子性能评估方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116503470A (zh) | 红外图像中绝缘子串盘片分割定位及状态分析方法 | |
CN106778734B (zh) | 一种基于稀疏表示的绝缘子掉串缺陷检测方法 | |
CN109410238B (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN108805102A (zh) | 一种基于深度学习的视频字幕检测与识别方法及*** | |
CN114973032A (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN111220619B (zh) | 一种绝缘子自爆检测方法 | |
CN110991374A (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN116580285B (zh) | 铁路绝缘子夜间目标识别检测方法 | |
Imran et al. | Image-based automatic energy meter reading using deep learning | |
CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
US20240013368A1 (en) | Pavement nondestructive detection and identification method based on small samples | |
CN109271985A (zh) | 一种数字仪表读数图像识别方法及*** | |
CN112329791A (zh) | 一种高光谱影像水域自动提取方法 | |
CN109829887B (zh) | 一种基于深度神经网络的图像质量评估方法 | |
CN115761453B (zh) | 基于特征匹配的轻量化单样本目标检测方法 | |
CN107045633A (zh) | 一种基于st‑mser的能源计量表具的数字定位分割方法 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
CN106778723A (zh) | 一种复杂背景环境中的风力机叶片表面图像提取方法 | |
Vilgertshofer et al. | Recognising railway infrastructure elements in videos and drawings using neural networks | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及*** | |
CN114863163A (zh) | 一种基于细胞图像进行细胞分类的方法及*** |
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 |