CN116862829A - 一种覆冰环境下架空线路弧垂监测方法及装置 - Google Patents
一种覆冰环境下架空线路弧垂监测方法及装置 Download PDFInfo
- Publication number
- CN116862829A CN116862829A CN202310345793.XA CN202310345793A CN116862829A CN 116862829 A CN116862829 A CN 116862829A CN 202310345793 A CN202310345793 A CN 202310345793A CN 116862829 A CN116862829 A CN 116862829A
- Authority
- CN
- China
- Prior art keywords
- ice
- overhead line
- image
- covered
- covered overhead
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 239000011248 coating agent Substances 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 20
- 230000009466 transformation Effects 0.000 description 19
- 238000007689 inspection Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
-
- 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
- G06T2207/30181—Earth observation
-
- 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
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本公开揭示了一种覆冰环境下架空线路弧垂监测方法,包括如下步骤:S100:采集覆冰架空线路图像并作预处理,获得预处理图像;S200:提取预处理图像中覆冰架空线路的边缘特征;S300:对相机进行标定;S400:利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建,以获得覆冰架空线路的三维模型;S500:基于覆冰架空线路的三维模型观察覆冰架空线路弧垂的净空距离,并和弧垂安全阈值进行比对,以完成对覆冰架空线路弧垂的监测。
Description
技术领域
本公开属于图像处理技术领域,具体涉及一种覆冰环境下架空线路弧垂监测方法及装置。
背景技术
目前使用的输电导线包括电缆和架空线路,其中,架空线路因其便于建设维护、造价成本较低等占主导地位。随着国家电网特高压骨干网规模的扩大,架空线路跨越地区逐年增加,运行环境也日趋复杂,这给电网结构的安全运行带来巨大压力,而在覆冰环境下,在对架空线路的安全检查保护方面,维护人员的数量无法达到同步增长。传统运检模式方法简单、信息来源单一,架空线路的检查感知仍以停电检修和离线试验为主,难以适应电网发展及体制变革的要求,因此,积极运用智能运检技术实现在线监测成为了当前的主要任务。
覆冰环境下因树木隐患导致的线路跳闸事件是指,在覆冰环境下,导线由于覆冰导致弧垂增加,加之树木因冰雪覆盖而导致导线与树木的净空距离小于安全距离,线路运行的电压击穿导线与树木的间隙放电,从而引发跳闸。
现有的覆冰架空线路检测方法主要包括人工测量、无人机巡检、建立线树模型和设备在线监测。人工测量使用的设备主要有激光测距仪和光学经纬仪,激光测距仪应用地形广,但局限于精度较差,最高仅能达到±0.2m的误差,而且在影响激光信号的气象环境下准确性更低。对于采用上述两种方法判断疑似进入架空线路安全运行距离的树木,需要用误差在厘米级的光学经纬仪,由两人配合扶塔尺调整观测。经纬仪测量方法精度很高但是难以携带,需要配备专门的人员车辆。综合看来人工测量树障的强度高、成本高且效率低下,无法满足新时期在覆冰环境下的树障监测要求。
无人机巡检主要是依靠无人机灵活机动的特点,携带可见光、红外测温、激光雷达等多种传感器,到达人类不易到达的区域采集架空线路的现场数据。无人机巡检同样存在明显缺点,受制于电源的续航能力和民用航空空间管制,无人机飞行距离和范围有限,只适用于部分重点区域重点线路深入巡检,而且本质仍属于定期巡检。
在无法准确监测架空线路周围树木生长情况的前提下,现在供电公司大多采取的措施是定期派工作队砍伐修建沿线树木,不仅耗费人力物力且效果不佳。而覆冰环境下对树木建立视觉点云模型能够给工作管理人员提供可靠的数学支撑,计算得到树木生长构成威胁的准确时间,进行精准的工作安排。
在线监测装置是将多种传感器安装在架空线路或者杆塔上,实时采集导线本身参数或是环境外部参数,传输至后台***进行处理,能够直观地反映导线的运行状态,引导工作人员赶赴现场排除隐患。在线监测装置可以解决诸如导线覆冰、异常温升、风偏舞动、外力破坏等常见问题。
在应对树障隐患上,目前的在线监测装置按照传感器类型和防护方式可以分为激光、超声波测距和视频图像检测。在线监测装置拍摄的图像计算导线覆冰厚度、导线舞动幅度、弧垂高度等都均有相应的文献研究和算法实现,但对架空线路周围树障隐患的图像分析研究还处于较为缺乏的状态,原因在于二维数字图像难以实现三维测量,无法为树障隐患监测提供有效的信息依据。但近年兴起的立体视觉技术理论表明,通过两个不同位置的摄像头可以完成覆冰环境下周围环境空间距离的测量。
发明内容
针对现有技术中的不足,本公开的目的在于提供一种覆冰环境下架空线路弧垂监测方法,该方法能够降低架空线路检验成本,对目标的定位及时间空间预警更加精准。
为实现上述目的,本公开提供以下技术方案:
一种覆冰环境下架空线路弧垂监测方法,包括如下步骤:
S100:采集覆冰架空线路图像并作预处理,获得预处理图像;
S200:提取预处理图像中覆冰架空线路的边缘特征;
S300:对相机进行标定;
S400:利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建,以获得覆冰架空线路的三维模型;
S500:基于覆冰架空线路的三维模型观察覆冰架空线路弧垂的净空距离,并和弧垂安全阈值进行比对,以完成对覆冰架空线路弧垂的监测。
优选的,步骤S100中,所述对采集的覆冰架空线路图像作预处理包括以下步骤:
S101:对图像进行灰度化处理,获得灰度图;
S102:对灰度图进行去噪处理,获得去噪后的灰度图。
优选的,步骤S200中,通过哈里斯角点检测提取预处理图像中覆冰架空线路的边缘特征。
优选的,步骤S200包括以下步骤:
S201:对去噪后的灰度图进行图像增强;
S202:在去噪后的灰度图中分别沿x、y和xy方向计算二阶偏导,以选择灰度图中覆冰架空线路边缘特征点存在的区域;
S203:对灰度图中覆冰架空线路边缘特征点存在的区域进行过滤,获得过滤后的特征点区域;
S204:计算过滤后的特征点区域中每个像素的角点,以获得覆冰架空线路的边缘特征。
优选的,步骤S400中,所述利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建包括如下步骤:
S401:对覆冰架空线路的边缘特征进行立体匹配以得到覆冰架空线路的视差图;
S402:基于覆冰架空线路的视差图生成覆冰架空线路的深度图,以完成三维重建。
本公开还提供一种覆冰环境下架空线路弧垂监测装置,包括:
采集模块,用于采集包含覆冰架空线路图像;
预处理模块,用于对所采集的图像进行预处理,以获得预处理图像;
提取模块,用于提取预处理图像中覆冰架空线路的边缘特征;
标定模块,用于对相机进行标定;
三维重建模块,用于利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建,以获得覆冰架空线路的三维模型;
监测模块,用于基于覆冰架空线路的三维模型观察覆冰架空线路弧垂的净空距离,并和弧垂安全阈值进行比对,以完成对覆冰架空线路弧垂的监测。
优选的,所述预处理模块包括:
第一处理单元,用于对图像进行灰度化处理,获得灰度图;
第二处理单元,用于对灰度图进行去噪处理,获得去噪后的灰度图。
优选的,所述提取模块包括:
增强单元,用于对去噪后的灰度图进行图像增强;
区域选择单元,用于在去噪后的灰度图中分别沿x、y和xy方向计算二阶偏导,以选择灰度图中覆冰架空线路边缘特征点存在的区域;
过滤单元,用于对灰度图中覆冰架空线路边缘特征点存在的区域进行过滤,获得过滤后的特征点区域;
计算单元,用于计算过滤后的特征点区域中每个像素的角点,以获得覆冰架空线路的边缘特征。
优选的,所述三维重建模块包括:
第一生成单元,用于对覆冰架空线路的边缘特征进行立体匹配以得到覆冰架空线路的视差图;
第二生成单元,用于基于覆冰架空线路的视差图生成覆冰架空线路的深度图,以完成三维重建。
本公开还提供一种计算机存储介质,包括:
存储器,存储有多条计算机指令;
处理器,用于执行计算机指令以实现如前任一所述的方法。
与现有技术相比,本公开带来的有益效果为:本公开所述方法能够降低架空线路检验成本,对目标的定位及时间空间预警更加精准,提高了由于传感器参数及天气影响下的预警精确度。
附图说明
图1是本公开一个实施例提供的一种覆冰环境下架空线路弧垂监测方法的流程图;
图2是三个坐标系模型及内参外参矩阵的转换图;
图3是摄像机坐标系OW和世界坐标系OC的三维空间坐标图;
图4是该点在三维空间中的旋转示意图(以绕Z轴旋转为例);
图5是实验室模拟重建出的架空线路及树障三维点云图;
图6是三维点云分布拟合曲线;
图7是所采集图像的灰度图;
图8是去噪后的灰度图。
具体实施方式
下面将参照附图1至图8详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例,然而应当理解,可以通过各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式,而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本公开实施例的限定。
一个实施例中,如图1所示,本公开提供一种覆冰环境下架空线路弧垂监测方法,包括如下步骤:
S100:采集覆冰架空线路图像并作预处理,获得预处理图像;
S200:提取预处理图像中覆冰架空线路的边缘特征;
该步骤中,所述覆冰架空线路的边缘特征包括:
(1)传输线像素宽度一般为一个像素;
(2)图像中的电力线大致呈线性;
(3)电力线一般较长,贯穿整个图像;
(4)电力线大多平行,不会相交;
(5)电线背景错综复杂。道路、住宅、树木和其他结构类似于图像中的电力线,导致对电力线的检测产生干扰。
S300:对相机进行标定;
该步骤中,安装在架空线路上的双目摄像机,必须经历从捕捉目标到成像的多个坐标系转换,转换关系取决于相机的几何和光学性质,也受两个相机的相对位置的影响。相机参数可分为内部参数和外部参数,可通过内部参数矩阵M和外部参数矩阵w进行表示,对应的坐标变换关系如图2所示。
从图2可以明显看出,从三维世界到二维图像的转换依次需要经过世界坐标系OW、摄像机坐标系OC、图像坐标系Oi和像素坐标系Op。在图像采集范围内任意取点P,该点与最终成像的数字图像中像素点P(u,v)的转换关系如下式所示:
p=s·M·W·P (1)
其中,比例因子s为常数,M为内部参数矩阵,W为外部参数矩阵。
世界坐标系OW和摄像机坐标系OC都是三维空间坐标,如图3所示。任意两个三维坐标系之间的变换可以用一个旋转矩阵R和一个平移向量t来表示,二者构成相机的外部参数[Rt]。
对于空间点P(XW,YW,ZW),存在以下变换关系:
其中,R为三维旋转矩阵,由旋转向量变换的Rodriguez公式计算。一个点在三维空间中的旋转可以分解为围绕笛卡尔坐标系的X、Y、Z轴的二维旋转,以Z轴旋转为例,可以得出如图4所示的矩阵变换关系,图4中,向量a在坐标系xoy中的坐标为:
根据几何关系可以得到向量a’的坐标为:
整理成矩阵形式可以得到:
假设X、Y、Z轴坐标之间的旋转角度分别为α、β、γ,则旋转矩阵R可分解为R=Rx(α)·Ry(β)·Rz(γ)。根据前后空间点的变换,X、Y、Z轴的旋转矩阵分别表示为:
S400:利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建,以获得覆冰架空线路的三维模型;
S500:基于覆冰架空线路的三维模型观察覆冰架空线路弧垂的净空距离,并和弧垂安全阈值进行比对,以完成对覆冰架空线路弧垂的监测。
另一个实施例中,步骤S100中,所述对采集的覆冰架空线路图像作预处理包括以下步骤:
S101:对图像进行灰度化处理,获得如图7所示的灰度图;
该步骤中,由于采集到的图像受环境、天气等因素的影响,因此必须首先进行图像处理与加强,进而提高图像中目标与背景的对比度。本实施例通过采用直方图均衡化方法以将不规则的原始图像转化为均匀的分布,从而扩大灰度值的动态范围,达到提高整体图像对比度的效果。
直方图均衡化表示为:
g(i,j)=T[f(i,j)] (7)
其中,f(ij)表示原始图像,g(ij)表示增强处理后的图像,对fT是一个操作,定义的域(ij)。如果s和t表示f和g在点(i,j)处的灰度值,则式(7)可以改写为:
t=T(s) (8)
图像增强变换函数必须满足以下两个条件:
1)T(s)是(0,L-1)范围内的单调递增函数;
2)对于0≤S≤L-1,有0≤T(s)≤L-1,其中L为图像灰度范围。
其中,条件1保证了逆变换的存在,使得变换后的原始图像中的各个灰度级仍然可以由小到大排列,从而避免了图像灰度级的反演。条件2保证了变换前后灰度的动态范围不变。
累积分布函数满足上述两个条件,可以将s的分布转化为t的均匀分布。s的累积分布函数为原始图像的累积直方图,则:
其中,tk的值在[0,1]范围内,必须扩展到[0,L-1]并取整数,用于表示原始图像灰度化处理后的灰度值,计算公式为:
tk=int[(L-1)tk+0.5] (10)
S102:对灰度图进行去噪处理,获得如图8所示的去噪后的灰度图。
该步骤中,对灰度图进行平滑滤波可以有效地减小各种干扰和影响,传统方法一般采用低通滤波器进行滤波去噪。尽管图像的边缘和其他突变位于傅里叶变换的高频区域,但当应用低通滤波器时,图像的边缘变得模糊,而采用如下所示的中值滤波器则可以有效地解决这个问题:
中值滤波器是一种应用广泛的非线性局部运算滤波器,其中,中值由指定大小的窗口内像素的灰度中值确定,对于图像上的一个像素,首先将其邻近像素的值按顺序排列,并将位于灰度中心的像素的值作为周围区域的中值。这样可以使附近的高频分量衰减到接近局部值,从而有效地保护了图像的有益数据。由于传输线边缘信息主要提取在快照图像中,而传输线具有明显的线性特征,因此,相比低通滤波器,通过采用中值滤波器对图像进行中值滤波可以更好地保留传输线的边缘信息,从而提高后续阶段图像边缘提取的精度。
另一个实施例中,步骤S200包括以下步骤:
S201:对去噪后的灰度图进行图像增强;
该步骤中,利用Sobel滤波器求出海森矩阵,通过该矩阵对去噪后的灰度图进行增强,使图中的边缘特征更加明显化,便于后续提取。
其中,海森矩阵表示为:
其中,Ixx为图像I在x、xx方向的二阶偏导数,Iyy表示图像I在y、yy方向的二阶偏导数,Ixy为图像I在x、y、xyxy方向的混合偏导数。
S202:利用高斯滤波器在去噪后的灰度图中分别沿x、y和xy方向计算二阶偏导,以选择灰度图中覆冰架空线路边缘特征点存在的区域;
S203对灰度图中覆冰架空线路边缘特征点存在的区域进行过滤,以去除不属于覆冰架空线路边缘特征的点和重复的点,从而提高覆冰架空线路边缘特征的提取精度;
S204:计算过滤后的特征点区域中每个像素的角点,以获得覆冰架空线路的边缘特征。
该步骤中,可通过下式计算中每个像素的角点:
R=det(H)-k(trace(H))2 (13)
其中,det(H)表示海森矩阵H的行列式,trace表示海森矩阵H的迹,k表示修正系数,取值范围为[0.04,0.16]。
其中,满足R>=max(R)*th的像素点即为角点,th常取0.1。对于每一个像素(x,y),在(blockSize*blockSize)邻域内,计算梯度图的协方差矩阵M(x,y),然后通过上面第二步中的角点响应函数得到结果图。图像中的角点可以为该结果图的局部最大值。即可以得到输出图中的局部最大值,这些值就对应图像中的角点。
需要说明的是,从去噪后的灰度图中所提取的边缘特征既包括架空线路,也包括周边环境,从这些边缘特征中精确地提取出架空线路的边缘特征是一个关键问题。考虑到覆冰环境下架空线路检测的实际情况,图像中架空线路通常具有以下特征:
(1)架空线路的像素宽度一般为一个像素;
(2)图像中的架空线路大致呈线性;
(3)架空线路一般较长,贯穿整个图像;
(4)架空线路大多平行,不会相交;
(5)架空线路背景错综复杂,道路、住宅、树木和其他结构类似于图像中的架空线路,会对线路的检测产生干扰。
根据上述特征,在所采集的图像中可以看到架空线路是“线”。霍夫变换是对图像坐标进行某种形式的变换,使原始图像中某一形状的曲线或直线成为转换空间中的一点。然后,原始图像中给定形状的曲线或直线上的所有点都集中到转换空间中的一个点上,形成一个峰值。因此,这种转换将检测原始图像中的直线或曲线的问题转换为在转换空间中定位峰值的任务。
具体的,设图像空间中的任意曲线表示为:
其中,a1..an为曲线的特征参数。
将特征参数和变量代入式(9)可得:
对式(15)进行变换后,将图像空间中同一解析曲线上的所有点映射到参数空间中,并在参数所确定的点a1..an处收敛。因此,如果图像空间中有足够多的数据点属于同一条分析曲线,则可以通过评估参数空间中每个参数点的累积值是否达到一定阈值来确定曲线的描述。
霍夫变换本质上是图像空间与参数空间之间的映射,将曲线从图像空间映射到参数坐标所表示的参数空间,然后依次确定曲线对应的参数值,从而得到对边界的精确描述。因此,霍夫变换阐明了矩阵聚合的过程,即对于图像空间中的任何数据,经过函数变换后,在参数空间中,对遍历该数据的所有可以想象的图的相关参数进行投票;将数据点的投票结果汇总成一个累积矩阵。投票之后,积累单元中的积累值表示检测到的参数是相关积累单元的相关参数的可能性。
另一个实施例中,步骤S400中,所述利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建包括如下步骤:
S401:对覆冰架空线路的边缘特征进行立体匹配以得到覆冰架空线路的视差图;
该步骤中,匹配视差计算的核心是搜索同一空间目标点在两个像平面内的坐标位置关系,本实施例中SIFT的特征点匹配是指依据特征点这个匹配基元的匹配视差计算方法,SIFT特征对目标图像的平移变换、仿射变换具有坚强的不变性,同时对光照、噪声和遮挡也有很强的抗干扰能力。
特征点是图像中灰度变化陡度较大的点,用以描述相同目标在多个尺度、角度下采集图像中不变的特征。立体匹配中,先提取左右摄像头采集图像的特征点,再按照相似测度判断特征点是否为同一个目标点,继而计算坐标差值完成视差的计算。
对于单张图像的SIFT特征点提取,首先需要对原始图像进行降采样模糊处理,按下式通过高斯差分得到图像在多个尺度空间的差分图:
D(x,y,σGauss)=|G(x,y,kσGauss)-G(x,y,σGauss)|*I(x,y) (16)
其中,k为相邻两个尺度空间的比例参数,I(x,y)为原始图像,G(x,y,σGauss)为高斯核函数,该核函数表示如下:
其中,σGauss为高斯尺度空间因子,能够反映图像降采样后的模糊程度。
多尺度空间D(x,y,σGauss)构成的差分高斯金字塔的极值点就是图像的SIFT特征点。获得特征点的位置信息后,为保证特征在多尺度下具有不变性,需要用128维的特征向量描述该点周围区域的灰度变化梯度方向和幅值。该向量可以唯一地表示该目标在图像中的抽象信息。因此在立体匹配中,当两个像素点特征向量的欧式距离低于设定阈值时,可以视为匹配成功,两个像素点特征向量的欧氏距离通过下式计算:
其中,xi,yi分别是两个图像对应特征点的特征向量。
S402:基于覆冰架空线路的视差图生成覆冰架空线路的深度图,以完成三维重建。
该步骤中,通过上述双摄像机标定,建立了每个摄像机的图像空间与现实世界中相应圆锥空间的对应映射关系。利用这些映射,算法可以将图像投影到圆锥空间上,得到映射图像Γk。随后,可以选择圆锥空间中的任意点p,并在以该点为中心的每个映射图像上取一个局部窗口Wp,k。然后计算图像上局部窗口的互信息,互信息的值作为该点是场景中物体的概率。
I(Wp,k,Wp,j)j,k=1,2,3 (19)
其中,I表示互信息,即场景中物体的概率;Wp,k表示以该点为中心的映射图像上取的局部窗口,和Wp,j构成的区域I即构成了互信息的值。
由于单幅图像中每个像素的概率是独立估计的,且上述图像之间可能存在尺度和照度的差异,因此初始相邻像素的概率差异过大,从而形成不连续的概率图。为了消除这些不连续性,采用了半全局成本空间优化方法。
随后,该算法以每个摄像机为原点,以射线的方式遍历上诉概率图。概率最大的位置所对应的深度为该位置的深度值,从而得到相应的两张深度点云图。深度点云位于摄像机坐标系中。
深度图像到三维点云的转换是三维空间到图像空间的逆过程。由于在整个过程中进行了归一化处理,两幅深度图像与两个三维点云之间的相对位置没有变化,仍然是一一对应的。二维平面上的旋转、平移等刚体变换仍然适用于三维空间上的点云刚体变换。本文深度相机为针孔相机模型,形式化如下:
其中,fx、fy为相机在X、Y两个坐标轴上的焦距,uo、vo分别描述主点,u、v为图像坐标系中的任意点,(Xw、Yw、Zw)为世界坐标系的三维坐标点,Zc为摄像机坐标的z轴值,即目标到摄像机的距离,R、T分别为3×3旋转矩阵和3×1平移矩阵。由于坐标原点与摄像机的原点是巧合,同一物体在世界坐标系中与摄像机具有相同的纵深而没有旋转和平移,因此可以将R、T设为:
因此,式(21)可进一步简化为:
根据式(22)可以得到点(u、v)的图像到世界坐标系(Xw、Yw、Zw)的变换公式为:
根据式(23),深度图像可以转换为如图5所示的三维点云,对三维点云拟合后即可获得如图6所示的三维点云分布拟合曲线,至此就完成了覆冰环境下架空线路的三维重建。
完成三维重建后,最后再通过覆冰架空线路的三维模型可以确定架空线路弧垂的净空距离,再将弧垂净空距离与弧垂安全阈值进行比对,以确认架空线路是否存在安全隐患。其中,弧垂安全阈值的判断需则要基于架空线路输送电压的不同而调整,一般认为覆冰环境下800kv的架空线路需要不低于9m的安全裕度,500kv的架空线路需要不低于7m的安全裕度,220kv的架空线路需要不低于4.5m的安全裕度。
另一个实施例中,本公开还提供一种覆冰环境下架空线路弧垂监测装置,包括:
采集模块,用于采集包含覆冰架空线路图像;
预处理模块,用于对所采集的图像进行预处理,以获得预处理图像;
提取模块,用于提取预处理图像中覆冰架空线路的边缘特征;
标定模块,用于对相机进行标定;
三维重建模块,用于利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建,以获得覆冰架空线路的三维模型;
监测模块,用于基于覆冰架空线路的三维模型观察覆冰架空线路弧垂的净空距离,并和弧垂安全阈值进行比对,以完成对覆冰架空线路弧垂的监测。
另一个实施例中,所述预处理模块包括:
第一处理单元,用于对图像进行灰度化处理,获得灰度图;
第二处理单元,用于对灰度图进行去噪处理,获得去噪后的灰度图。
另一个实施例中,所述提取模块包括:
增强单元,用于对去噪后的灰度图进行图像增强;
区域选择单元,用于在去噪后的灰度图中分别沿x、y和xy方向计算二阶偏导,以选择灰度图中覆冰架空线路边缘特征点存在的区域;
过滤单元,用于对灰度图中覆冰架空线路边缘特征点存在的区域进行过滤,获得过滤后的特征点区域;
计算单元,用于计算过滤后的特征点区域中每个像素的角点,以获得覆冰架空线路的边缘特征。
另一个实施例中,所述三维重建模块包括:
第一生成单元,用于对覆冰架空线路的边缘特征进行立体匹配以得到覆冰架空线路的视差图;
第二生成单元,用于基于覆冰架空线路的视差图生成覆冰架空线路的深度图,以完成三维重建。
另一个实施例中,本公开还提供一种计算机存储介质,包括:
存储器,存储有多条计算机指令;
处理器,用于执行计算机指令以实现如前任一所述的方法。
以上应用了具体实施例对本公开进行了阐述,只是用于帮助理解本公开,并不用于限制本公开。任何熟悉该技术的技术人员在本公开所揭示的技术范围内的局部修改或替换,都应涵盖在本公开的范围之内。
Claims (10)
1.一种覆冰环境下架空线路弧垂监测方法,包括如下步骤:
S100:采集覆冰架空线路图像并作预处理,获得预处理图像;
S200:提取预处理图像中覆冰架空线路的边缘特征;
S300:对相机进行标定;
S400:利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建,以获得覆冰架空线路的三维模型;
S500:基于覆冰架空线路的三维模型观察覆冰架空线路弧垂的净空距离,并和弧垂安全阈值进行比对,以完成对覆冰架空线路弧垂的监测。
2.根据权利要求1所述的方法,其中,优选的,步骤S100中,所述对采集的覆冰架空线路图像作预处理包括以下步骤:
S101:对图像进行灰度化处理,获得灰度图;
S102:对灰度图进行去噪处理,获得去噪后的灰度图。
3.根据权利要求1所述的方法,其中,步骤S200中,通过哈里斯角点检测提取预处理图像中覆冰架空线路的边缘特征。
4.根据权利要求1所述的方法,其中,步骤S200包括以下步骤:
S201:对去噪后的灰度图进行图像增强;
S202:在去噪后的灰度图中分别沿x、y和xy方向计算二阶偏导,以选择灰度图中覆冰架空线路边缘特征点存在的区域;
S203:对灰度图中覆冰架空线路边缘特征点存在的区域进行过滤,获得过滤后的特征点区域;
S204:计算过滤后的特征点区域中每个像素的角点,以获得覆冰架空线路的边缘特征。
5.根据权利要求1所述的方法,其中,步骤S400中,所述利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建包括如下步骤:
S401:对覆冰架空线路的边缘特征进行立体匹配以得到覆冰架空线路的视差图;
S402:基于覆冰架空线路的视差图生成覆冰架空线路的深度图,以完成三维重建。
6.一种覆冰环境下架空线路弧垂监测装置,包括:
采集模块,用于采集包含覆冰架空线路图像;
预处理模块,用于对所采集的图像进行预处理,以获得预处理图像;
提取模块,用于提取预处理图像中覆冰架空线路的边缘特征;
标定模块,用于对相机进行标定;
三维重建模块,用于利用标定后的相机并基于覆冰架空线路的边缘特征对覆冰架空线路进行三维重建,以获得覆冰架空线路的三维模型;
监测模块,用于基于覆冰架空线路的三维模型观察覆冰架空线路弧垂的净空距离,并和弧垂安全阈值进行比对,以完成对覆冰架空线路弧垂的监测。
7.根据权利要求6所述的装置,其中,所述预处理模块包括:
第一处理单元,用于对图像进行灰度化处理,获得灰度图;
第二处理单元,用于对灰度图进行去噪处理,获得去噪后的灰度图。
8.根据权利要求6所述的装置,其中,所述提取模块包括:
增强单元,用于对去噪后的灰度图进行图像增强;
区域选择单元,用于在去噪后的灰度图中分别沿x、y和xy方向计算二阶偏导,以选择灰度图中覆冰架空线路边缘特征点存在的区域;
过滤单元,用于对灰度图中覆冰架空线路边缘特征点存在的区域进行过滤,获得过滤后的特征点区域;
计算单元,用于计算过滤后的特征点区域中每个像素的角点,以获得覆冰架空线路的边缘特征。
9.根据权利要求6所述的装置,其中,所述三维重建模块包括:
第一生成单元,用于对覆冰架空线路的边缘特征进行立体匹配以得到覆冰架空线路的视差图;
第二生成单元,用于基于覆冰架空线路的视差图生成覆冰架空线路的深度图,以完成三维重建。
10.一种计算机存储介质,包括:
存储器,存储有多条计算机指令;
处理器,用于执行计算机指令以实现如权利要求1-5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310345793.XA CN116862829A (zh) | 2023-03-29 | 2023-03-29 | 一种覆冰环境下架空线路弧垂监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310345793.XA CN116862829A (zh) | 2023-03-29 | 2023-03-29 | 一种覆冰环境下架空线路弧垂监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862829A true CN116862829A (zh) | 2023-10-10 |
Family
ID=88217774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310345793.XA Pending CN116862829A (zh) | 2023-03-29 | 2023-03-29 | 一种覆冰环境下架空线路弧垂监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862829A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495848A (zh) * | 2023-12-27 | 2024-02-02 | 合肥工业大学 | 基于图像识别的输电线路舞动检测方法和*** |
-
2023
- 2023-03-29 CN CN202310345793.XA patent/CN116862829A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495848A (zh) * | 2023-12-27 | 2024-02-02 | 合肥工业大学 | 基于图像识别的输电线路舞动检测方法和*** |
CN117495848B (zh) * | 2023-12-27 | 2024-03-22 | 合肥工业大学 | 基于图像识别的输电线路舞动检测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113744270B (zh) | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 | |
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
CN112001958B (zh) | 基于有监督单目深度估计的虚拟点云三维目标检测方法 | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN110796728B (zh) | 一种基于扫描式激光雷达的非合作航天器三维重建方法 | |
CN112686938B (zh) | 基于双目图像测距的输电线路净距计算与安全告警方法 | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
CN111612850B (zh) | 一种基于点云的猪只体尺参数测量方法 | |
TW201928290A (zh) | 三維感測器之動態地面偵測方法 | |
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 | |
CN106530281B (zh) | 基于边缘特征的无人机图像模糊判断方法及*** | |
CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
Liu et al. | Classification of airborne lidar intensity data using statistical analysis and hough transform with application to power line corridors | |
Hu et al. | A method for measuring ice thickness of wind turbine blades based on edge detection | |
CN107885224A (zh) | 基于三目立体视觉的无人机避障方法 | |
CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
CN109636790B (zh) | 一种管路结构的识别方法及装置 | |
CN114549549B (zh) | 一种动态环境下基于实例分割的动态目标建模跟踪方法 | |
CN116862829A (zh) | 一种覆冰环境下架空线路弧垂监测方法及装置 | |
CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
CN116978009A (zh) | 基于4d毫米波雷达的动态物体滤除方法 | |
CN114863064A (zh) | 一种汽车轮廓曲面模型构建方法及*** | |
CN114266947A (zh) | 一种基于激光点云和可见光图像融合的分类方法及装置 |
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 |