CN117315515B - 一种配电线路视觉辅助巡检方法及*** - Google Patents
一种配电线路视觉辅助巡检方法及*** Download PDFInfo
- Publication number
- CN117315515B CN117315515B CN202311610508.9A CN202311610508A CN117315515B CN 117315515 B CN117315515 B CN 117315515B CN 202311610508 A CN202311610508 A CN 202311610508A CN 117315515 B CN117315515 B CN 117315515B
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- target area
- line
- pixel point
- distribution line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007689 inspection Methods 0.000 title claims abstract description 39
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
- H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种配电线路视觉辅助巡检方法及***，该方法获取配电线路灰度图像；根据配电线路的特征对图像的所有直线进行识别、筛选、标记；获取配电线路图的目标区域以及配电线路区域；对目标区域与配电线路区域之间的差异进行分析，构建线路异物差别系数；对目标区域像素点之间的纹理特征进行分析，构建异物纹理特征向量以及异物线路纹理区别度；构建异物显著系数；获取异物显著因子；构建目标区域的异物覆盖率；获取异物区域；从而完成配电线路的辅助巡检，具有配电线路异物识别准确率高、可靠性强的有益效果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种配电线路视觉辅助巡检方法及***。
背景技术
当前，我国电力***中的配电线路数据量巨大且不完整。为了保证配电网络的正常运转，配电网络的运营人员必须每月对配电网络设备进行定期的检修和保养，特别是在街道旁和垃圾回收站附近的线路，可能会因大风造成一些导体、半导体的轻物质刮到线路上，可能造成线路的相间故障，使线路故障率提升。线路上悬挂异物会导致线路对地绝缘距离缩短，易引起线路跳闸。因此，能够及时识别出异物并采取措施清理，对电力***的安全稳定运行具有重要的意义。
现有的人工巡线作业方式劳动强度大、效率低，已经不能适应现代化电网建设与发展的需求，且人工巡检统计的数据不准确且效率较低，因此需要对巡检方法进行改进。
综上所述，本发明提出一种配电线路视觉辅助巡检方法及***，结合图像处理技术，对配电线路上的悬挂异物进行识别，提高了配电线路的巡检效率及巡检质量。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种配电线路视觉辅助巡检方法及***，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种配电线路视觉辅助巡检方法，该方法包括以下步骤：
获取配电线路灰度图像；
根据配电线路灰度图像采用直线提取算法获取图像的所有直线；根据配电线路的特征对图像的所有直线进行筛选标记；根据标记的直线采用分割算法获取配电线路图的目标区域以及配电线路区域；根据目标区域与配电线路区域像素点的差异获取目标区域各像素点的线路异物差别系数；根据目标区域各像素点与邻域像素点之间的纹理特征获取各像素点的异物纹理特征向量；根据目标区域各像素点的异物纹理特征向量获取各像素点与邻域像素点之间的异物线路纹理区别度；根据目标区域内各像素点与邻域像素点之间的异物线路纹理区别度的分布获取目标区域各像素点的异物显著系数；根据目标区域各像素点的异物显著系数获取目标区域各像素点的异物显著因子；根据目标区域各像素点的异物显著因子以及线路差别系数获取目标区域的异物覆盖率；
根据目标区域各像素点的异物显著因子结合目标区域的异物覆盖率获取异物区域；根据异物区域完成配电线路的辅助巡检。
进一步的，所述根据配电线路的特征对图像的所有直线进行筛选标记，具体为：
获取图像的所有直线的长度以及角度；获取图像的最长直线长度以及最长直线角度；
设置长度阈值以及角度阈值；将图像其它直线长度小于长度阈值的直线剔除，同时计算图像其它直线角度与所述最长直线角度的差值；将所述差值大于角度阈值的直线剔除；将剩余的直线进行标记。
进一步的，所述根据目标区域与配电线路区域像素点的差异获取目标区域各像素点的线路异物差别系数，具体为：
计算配电线路区域所有像素点灰度值的均值以及和值；计算所述均值与目标区域各像素点灰度值的差值绝对值；计算所述差值绝对值与配电线路区域像素点个数的乘积；将所述乘积与所述和值的比值作为目标区域各像素点的线路异物差别系数。
进一步的，所述根据目标区域各像素点与邻域像素点之间的纹理特征获取各像素点的异物纹理特征向量，包括：
获取目标区域各像素点的LBP特征描述子；统计各像素点的LBP描述子中相邻元素0到1以及1到0的变化次数，保存为线路异物过渡次数；分别统计各像素点的LBP描述子中相邻元素连续两个0、1的出现次数，依次保存为线路延续次数、异物延续次数；将所述各像素点的线路异物过渡次数、线路延续次数、异物延续次数作为各像素点的异物纹理特征向量元素。
进一步的，所述根据目标区域各像素点的异物纹理特征向量获取各像素点与邻域像素点之间的异物线路纹理区别度，包括：
获取目标区域各像素点与邻域像素点的LBP特征描述子之间的汉明距离；获取目标区域各像素点与邻域像素点的单位化的异物纹理特征向量之间的点积；计算目标区域各像素点与邻域像素点的异物纹理特征向量之间的余弦相似度；将所述余弦相似度作为一自然常数为底数的指数函数的指数；计算所述指数函数与所述点积的和值；将所述汉明距离与所述和值的比值作为各像素点与邻域像素点之间的异物线路纹理区别度。
进一步的，所述根据目标区域内各像素点与邻域像素点之间的异物线路纹理区别度的分布获取目标区域各像素点的异物显著系数，具体包括：
分别获取目标区域各像素点在邻域窗口内与各邻域像素点的异物线路纹理区别度的极值、均值、最大值；计算所述最大值与所述均值的差值；计算所述极值与所述差值的比值；将所述均值与所述比值的乘积作为目标区域各像素点的异物显著系数。
进一步的，所述根据目标区域各像素点的异物显著系数获取目标区域各像素点的异物显著因子，具体包括：
获取各像素点的邻域窗口内所有异物线路纹理区别度的信息熵；将所述信息熵与异物显著系数的乘积作为目标区域各像素点的异物显著因子。
进一步的，所述根据目标区域各像素点的异物显著因子以及线路差别系数获取目标区域的异物覆盖率，具体步骤包括：
采用大津阈值算法分别对目标区域各像素点的异物显著因子、线路异物差别系数进行分割，获取异物显著OTSU阈值、线路异物差别OTSU阈值；
获取目标区域的像素点个数与配电线路区域的像素点个数的差值；获取异物显著因子大于所述异物显著OTSU阈值的目标区域像素点个数与线路异物差别系数大于所述线路异物差别OTSU阈值的目标区域像素点个数的和值；将所述和值与所述差值的比值作为目标区域的异物覆盖率。
进一步的，所述根据目标区域各像素点的异物显著因子结合目标区域的异物覆盖率获取异物区域，具体步骤包括：
将目标区域各像素点的异物显著因子作为DBSCAN聚类算法的输入；将目标区域的总像素点个数与异物覆盖率的乘积作为DBSCAN聚类算法的邻域半径；DBSCAN聚类算法的输出为各聚类区域；
设置阈值；计算各聚类区域的灰度均值，将灰度均值大于阈值的聚类区域标记为异物区域。
第二方面，本发明实施例还提供了一种配电线路视觉辅助巡检***，包括存储器、处理器以及存储在所述存储器中并在所述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上述任意一项所述一种配电线路视觉辅助巡检方法的步骤。
本发明至少具有如下有益效果：
本发明主要通过分析配电线路上存在异物的灰度特征及纹理特征从而实现对配电线路上异物的精确识别，辅助工作人员进行配电线路巡检，提高了配电线路的巡检质量及巡检效率，提高了工作人员的安全性。
本发明主要通过结合配电线路的直线特征对配电线路图像的中的目标区域以及配电线路区域进行获取，结合区域之间的灰度差异，得到线路异物差别系数；从灰度特征对配电线路与异物之间进行判别；构建异物线路纹理区别度以及构建异物显著系数；获取异物显著因子；构建目标区域的异物覆盖率；从纹理特征对配电线路与异物之间进行判断；结合灰度与纹理特征获取异物区域；能够对配电线路的异物进行准确识别、保证识别效果的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种配电线路视觉辅助巡检方法的步骤流程图；
图2为异常区域获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种配电线路视觉辅助巡检方法及***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种配电线路视觉辅助巡检方法及***的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种配电线路视觉辅助巡检方法的步骤流程图，该方法包括以下步骤：
步骤S001：通过图像采集装置获取配电线路图像，并进行预处理。
利用无人机拍摄配电线路的航拍图像，航拍配电线路图像为彩色（RGB）图像。为了减少图像处理的数据量，并提高操作效率，突出显示配电线路区域，需要对配电线路图像进行灰度处理，转换为灰度图像。由于无人机搭载的成像设备受气流的影响引起机身轻微晃动，导致采集的图像模糊，也受光照、天气及图像传输过程等因素的影响会掺杂噪声，因此对配电线路图像利用维纳滤波和中值滤波相结合的方法进行预处理，去除图像中的噪声，其中维纳滤波和中值滤波均为现有公知技术，本实施例在此不做赘述。
至此，得到了去噪后的配电线路灰度图像。
步骤S002：根据各像素点的灰度特征得到各像素点的线路异物差别系数，根据各像素点的纹理特征得到各像素点的异物显著因子，结合各像素点的线路异物差别系数及异物显著因子得到目标区域的异物覆盖率。
针对配电线路灰度图像，首先利用LSD（Line Segment Detector）直线提取算法获取图像中的所有直线，由于配电线路灰度图像中除了配电导线以外还存在其他具有直线特征的伪目标。因此需要根据配电线路的特征，确定配电线路的筛选特征：1.首先配电线路需要完整且具有一定长度；2.配电线路是一组倾角相近的直线。首先根据特征1设置长度阈值对图像进行第一次直线筛选，保留长度大于阈值的直线，并标记出保留直线中的最长直线；在第一次筛选的基础上，获得最长直线的角度，根据特征2对剩余直线进行第二次筛选，排除差别较大的直线，具体为：筛选直线的角度与最长直线的角度的差值应小于等于角度阈值，将差值大于角度阈值的直线进行剔除；然后对检测到的直线进行连通域提取，并在配电线路图像中对检测到的直线进行标记。需要说明的是长度阈值/>的设定为检测到的最长直线的/>，角度阈值为/>，实施者可根据实际情况自行设定，本实施例对此不做限制。
利用OTSU大津阈值分割算法获取配电线路图像的目标与背景，并对配电线路图像中的目标区域进行标记。其中OTSU大津阈值分割算法为现有公知技术，本实施例中不再赘述。
至此，可以得到配电线路图像中被标记的目标区域。其中目标区域包含配电线路区域，除此之外，目标区域也包含配电线路上的异物区域，本实施例需要对配电线路上的异物区域进行识别，并标记所在位置为线路故障位置，及时将标记位置传递给工作人员进行检修。而对于配电线路上存在的异物，存在两种情况，一种为与配电线路灰度差异较大的丝带、塑料纸等，一种是与配电线路灰度十分接近的树枝等，因此，对于目标区域的各像素点，针对所述两种情况，构建目标区域各像素点的线路异物差别系数，所述线路异物差别系数具体表达式为：
式中，表示目标区域第/>个像素点的线路异物差别系数，/>表示配电线路区域第/>个像素点的灰度值，/>表示配电线路区域像素点的个数，/>表示目标区域第/>个像素点的灰度值。
其中表示配电线路区域所有像素点灰度值的均值，以此代表配电线路的标准灰度值，目标区域中第/>个像素点与所述标准灰度值的差异越大，表示第/>个像素点越可能是异物像素点，从而线路异物差别系数就越大。
针对目标区域所有像素点的线路异物差别系数，能够粗略区分出目标区域与配电线路灰度差异较大的像素点，但是对于与配电线路灰度较为相近的异物则较难识别，由于常见的配电线路中的电线通常是由铜或铝等金属制成的导体，并且外面包裹着绝缘材料，正常情况下线路表面纹理平滑光洁，而异物表面的纹理与线路表面纹理则会存在较大区别，因此，针对目标区域中的各像素点，取各像素点的邻域，本实施例中/>，实施者可自行设定，对于各像素点在/>邻域中的LBP特征描述子，将其中从0到1的突变和从1到0的突变记为线路异物过渡，连续的两个0记为线路延续，连续的两个1记为异物延续，统计各像素点的LBP特征描述子中线路异物过渡点、线路延续点和异物延续点出现的次数，构成各像素点的异物纹理特征向量。
将各像素点的异物纹理特征向量表示为，其中/>为像素点/>的LBP特征描述子中线路异物过渡出现的次数，/>为像素点的LBP特征描述子中线路延续出现的次数，/>为像素点/>的LBP特征描述子中异物延续出现的次数。举例说明，若像素点i的为11010010，则像素点i的异物纹理特征向量则表示为/>。
根据目标区域中线路与异物像素点之间纹理特征的不同获取像素点间纹理的相异程度，对于目标区域任一像素点，取的邻域窗口，本实施例中/>，实施者可根据实际情况自行设定，计算像素点/>与邻域窗口内第/>个像素点之间的异物线路纹理区别度，所述异物线路纹理区别度具体表达式为：
式中，为像素点/>与邻域内像素点/>之间的异物线路纹理区别度，为像素点/>的异物纹理特征向量，/>为像素点/>的异物纹理特征向量，为像素点i的LBP特征描述子，/>为像素点/>的LBP特征描述子，/>表示汉明距离函数，/>表示余弦相似性函数，/>表示向量的模，/>表示自然常数。
像素点的LBP特征描述子代表了像素点周围的纹理特征，当两个像素点的LBP特征描述子之间的汉明距离越大时，说明两个像素点周围的纹理特征相差越大，两个像素点的异物线路纹理区别度越大；像素点的异物纹理特征向量代表了像素点周围的纹理突变特征，当两个像素点的异物纹理特征向量的单位点积越大时，说明两个像素点周围的纹理突变特征越相似，两个像素点的异物线路纹理区别度越小。
针对像素点邻域内中心像素点与邻域内其他像素点的异物纹理区别度计算中心像素点即目标区域内各像素点的异物显著系数，所述异物显著系数具体表达式为：
式中，表示像素点i的异物显著系数，/>表示像素点i的/>的邻域窗口内所有异物线路纹理区别度的均值，/>表示像素点i的邻域内其他像素点与像素点i的异物线路纹理区别度的集合，/>表示取最大值函数，/>表示取最小值函数。
越大，表示像素点i的邻域内异物线路纹理区别度的均值越大，表示像素点越可能是异物像素点，因此像素点i的异物显著系数就越大，像素点i的邻域内异物线路纹理区别度的极差即/>越大，表示该像素点的邻域内像素点间的异物线路纹理区别度差异越大，像素点的邻域中越可能包含异物区，因此像素点的异物显著系数也就越大，/>越小，表示像素点的邻域内异物线路纹理区别度的分布较为集中，变化较为稳定，则像素点的异物显著系数便越大。
根据异物显著系数计算目标区域内各像素点的异物显著因子，所述异物显著因子具体表达式为：
式中，表示像素点i的异物显著因子，/>表示像素点i的/>的邻域窗口内所有异物线路纹理区别度的信息熵，其中信息熵为现有公知技术，本实施例在此不做详细赘述。
当像素点邻域内异物线路纹理区别度的熵值越大时，说明邻域内异物线路纹理区别度的分布越混乱，因此像素点i的异物显著因子也就越大。
综合考虑目标区域各像素点的纹理特征及灰度特征判断存在异物的可能性，因此根据各像素点的异物显著因子及线路异物差别系数计算目标区域的异物覆盖率，首先利用大津阈值分割算法，对目标区域各像素点的线路异物差别系数进行分割，获取线路异物差别OTSU阈值；同样利用大津阈值对目标区域各像素点的异物显著因子进行分割，获取异物显著OTSU阈值，根据上述分析所述异物覆盖率具体表达式为：
式中，表示目标区域的异物覆盖率，/>表示目标区域的像素点个数，表示配电线路区域的像素点个数，/>表示异物显著因子大于异物显著OTSU阈值的像素点个数，/>表示线路异物差别系数大于线路异物差别OTSU阈值的像素点个数。
步骤S003：结合各像素点的异物显著因子及DBSCAN聚类算法完成配电线路视觉辅助巡检。
将目标区域中各像素点的异物显著因子作为DBSCAN聚类算法的输入数据，将目标区域的总像素点个数与异物覆盖率的乘积作为DBSCAN聚类算法的邻域半径，最小邻域数目为，本实施例中/>，实施者可根据实际情况自行设定，本实施例对此不做限制，然后利用DBSCAN聚类算法对配电线路图像中的目标区域进行聚类，得到聚类区域。DBSCAN聚类算法为现有公知技术，本实施例在此不再赘述。
由DBSCAN聚类算法获取各个聚类区域，计算各个聚类簇的灰度均值，设定阈值，将灰度均值大于阈值的区域标记为异物区域，提醒工作人员对异物区域重点巡检排查，确定异物进行清除。本实施例中阈值/>=100，实施者可根据实际情况自行设定，本实施例对此不做限制。其中，异常区域的获取如图2所示。
至此，完成配电线路的辅助巡检。
基于与上述方法相同的发明构思，本发明实施例还提供了一种配电线路视觉辅助巡检***，包括存储器、处理器以及存储在所述存储器中并在所述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上述一种配电线路视觉辅助巡检方法中任意一项所述方法的步骤。
综上所述，本发明实施例主要通过分析配电线路上存在异物的灰度特征及纹理特征从而实现对配电线路上异物的精确识别，辅助工作人员进行配电线路巡检，提高了配电线路的巡检质量及巡检效率，提高了工作人员的安全性。
本发明实施例主要通过结合配电线路的直线特征对配电线路图像的中的目标区域以及配电线路区域进行获取，结合区域之间的灰度差异，得到线路异物差别系数；从灰度特征对配电线路与异物之间进行判别；构建异物线路纹理区别度以及构建异物显著系数；获取异物显著因子；构建目标区域的异物覆盖率；从纹理特征对配电线路与异物之间进行判断；结合灰度与纹理特征获取异物区域；能够对配电线路的异物进行准确识别、保证识别效果的可靠性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电线路视觉辅助巡检方法，其特征在于，该方法包括以下步骤：
获取配电线路灰度图像；
根据配电线路灰度图像采用直线提取算法获取图像的所有直线；根据配电线路的特征对图像的所有直线进行筛选标记；根据标记的直线采用分割算法获取配电线路图的目标区域以及配电线路区域；根据目标区域与配电线路区域像素点的差异获取目标区域各像素点的线路异物差别系数；根据目标区域各像素点与邻域像素点之间的纹理特征获取各像素点的异物纹理特征向量；根据目标区域各像素点的异物纹理特征向量获取各像素点与邻域像素点之间的异物线路纹理区别度；根据目标区域内各像素点与邻域像素点之间的异物线路纹理区别度的分布获取目标区域各像素点的异物显著系数；根据目标区域各像素点的异物显著系数获取目标区域各像素点的异物显著因子；根据目标区域各像素点的异物显著因子以及线路异物差别系数获取目标区域的异物覆盖率；
根据目标区域各像素点的异物显著因子结合目标区域的异物覆盖率获取异物区域；根据异物区域完成配电线路的辅助巡检。
2.如权利要求1所述的一种配电线路视觉辅助巡检方法，其特征在于，所述根据配电线路的特征对图像的所有直线进行筛选标记，具体为：
获取图像的所有直线的长度以及角度；获取图像的最长直线长度以及最长直线角度；
设置长度阈值以及角度阈值；将图像其它直线长度小于长度阈值的直线剔除，同时计算图像其它直线角度与所述最长直线角度的差值；将所述差值大于角度阈值的直线剔除；将剩余的直线进行标记。
3.如权利要求1所述的一种配电线路视觉辅助巡检方法，其特征在于，所述根据目标区域与配电线路区域像素点的差异获取目标区域各像素点的线路异物差别系数，具体为：
计算配电线路区域所有像素点灰度值的均值以及和值；计算所述均值与目标区域各像素点灰度值的差值绝对值；计算所述差值绝对值与配电线路区域像素点个数的乘积；将所述乘积与所述和值的比值作为目标区域各像素点的线路异物差别系数。
4.如权利要求1所述的一种配电线路视觉辅助巡检方法，其特征在于，所述根据目标区域各像素点与邻域像素点之间的纹理特征获取各像素点的异物纹理特征向量，包括：
获取目标区域各像素点的LBP特征描述子；统计各像素点的LBP特征描述子中相邻元素0到1以及1到0的变化次数，保存为线路异物过渡次数；分别统计各像素点的LBP特征描述子中相邻元素连续两个0、1的出现次数，依次保存为线路延续次数、异物延续次数；将所述各像素点的线路异物过渡次数、线路延续次数、异物延续次数作为各像素点的异物纹理特征向量元素。
5.如权利要求1所述的一种配电线路视觉辅助巡检方法，其特征在于，所述根据目标区域各像素点的异物纹理特征向量获取各像素点与邻域像素点之间的异物线路纹理区别度，包括：
获取目标区域各像素点与邻域像素点的LBP特征描述子之间的汉明距离；获取目标区域各像素点与邻域像素点的单位化的异物纹理特征向量之间的点积；计算目标区域各像素点与邻域像素点的异物纹理特征向量之间的余弦相似度；将所述余弦相似度作为一自然常数为底数的指数函数的指数；计算所述指数函数与所述点积的和值；将所述汉明距离与所述和值的比值作为各像素点与邻域像素点之间的异物线路纹理区别度。
6.如权利要求1所述的一种配电线路视觉辅助巡检方法，其特征在于，所述根据目标区域内各像素点与邻域像素点之间的异物线路纹理区别度的分布获取目标区域各像素点的异物显著系数，具体包括：
分别获取目标区域各像素点在邻域窗口内与各邻域像素点的异物线路纹理区别度的极值、均值、最大值；计算所述最大值与所述均值的差值；计算所述极值与所述差值的比值；将所述均值与所述比值的乘积作为目标区域各像素点的异物显著系数。
7.如权利要求1所述的一种配电线路视觉辅助巡检方法，其特征在于，所述根据目标区域各像素点的异物显著系数获取目标区域各像素点的异物显著因子，具体包括：
获取各像素点的邻域窗口内所有异物线路纹理区别度的信息熵；将所述信息熵与异物显著系数的乘积作为目标区域各像素点的异物显著因子。
8.如权利要求1所述的一种配电线路视觉辅助巡检方法，其特征在于，所述根据目标区域各像素点的异物显著因子以及线路异物差别系数获取目标区域的异物覆盖率，具体步骤包括：
采用大津阈值算法分别对目标区域各像素点的异物显著因子、线路异物差别系数进行分割，获取异物显著OTSU阈值、线路异物差别OTSU阈值；
获取目标区域的像素点个数与配电线路区域的像素点个数的差值；获取异物显著因子大于所述异物显著OTSU阈值的目标区域像素点个数与线路异物差别系数大于所述线路异物差别OTSU阈值的目标区域像素点个数的和值；将所述和值与所述差值的比值作为目标区域的异物覆盖率。
9.如权利要求1所述的一种配电线路视觉辅助巡检方法，其特征在于，所述根据目标区域各像素点的异物显著因子结合目标区域的异物覆盖率获取异物区域，具体步骤包括：
将目标区域各像素点的异物显著因子作为DBSCAN聚类算法的输入；将目标区域的总像素点个数与异物覆盖率的乘积作为DBSCAN聚类算法的邻域半径；DBSCAN聚类算法的输出为各聚类区域；
设置阈值；计算各聚类区域的灰度均值，将灰度均值大于阈值的聚类区域标记为异物区域。
10.一种配电线路视觉辅助巡检***，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种配电线路视觉辅助巡检方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311610508.9A CN117315515B (zh) | 2023-11-29 | 2023-11-29 | 一种配电线路视觉辅助巡检方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311610508.9A CN117315515B (zh) | 2023-11-29 | 2023-11-29 | 一种配电线路视觉辅助巡检方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117315515A CN117315515A (zh) | 2023-12-29 |
| CN117315515B true CN117315515B (zh) | 2024-03-15 |
Family
ID=89285205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311610508.9A Active CN117315515B (zh) | 2023-11-29 | 2023-11-29 | 一种配电线路视觉辅助巡检方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117315515B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005147751A (ja) * | 2003-11-12 | 2005-06-09 | Anritsu Sanki System Co Ltd | 異物検出方法、異物検出プログラム及び異物検出装置 |
| CN105205781A (zh) * | 2015-08-24 | 2015-12-30 | 电子科技大学 | 输电线路航拍图像拼接方法 |
| JP2016123162A (ja) * | 2014-12-24 | 2016-07-07 | 株式会社ダイヘン | 非接触給電システム、送電装置、および、異物検出方法 |
| CN108956640A (zh) * | 2018-04-04 | 2018-12-07 | 山东鲁能智能技术有限公司 | 适用于配电线路巡检的车载检测装置及检测方法 |
| CN109936080A (zh) * | 2019-03-28 | 2019-06-25 | 郑州大学 | 一种无人机巡检输电线路的方法 |
| CN112837313A (zh) * | 2021-03-05 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 一种输电线路异物的图像分割的方法 |
| CN114022763A (zh) * | 2021-10-28 | 2022-02-08 | 国家能源集团广西电力有限公司 | 一种高压架空线路的异物检测方法、装置及可读存储介质 |
| CN116758423A (zh) * | 2023-06-19 | 2023-09-15 | 合肥工业大学 | 一种基于白点率法的输电线路异物检测方法 |
-
2023
- 2023-11-29 CN CN202311610508.9A patent/CN117315515B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005147751A (ja) * | 2003-11-12 | 2005-06-09 | Anritsu Sanki System Co Ltd | 異物検出方法、異物検出プログラム及び異物検出装置 |
| JP2016123162A (ja) * | 2014-12-24 | 2016-07-07 | 株式会社ダイヘン | 非接触給電システム、送電装置、および、異物検出方法 |
| CN105205781A (zh) * | 2015-08-24 | 2015-12-30 | 电子科技大学 | 输电线路航拍图像拼接方法 |
| CN108956640A (zh) * | 2018-04-04 | 2018-12-07 | 山东鲁能智能技术有限公司 | 适用于配电线路巡检的车载检测装置及检测方法 |
| CN109936080A (zh) * | 2019-03-28 | 2019-06-25 | 郑州大学 | 一种无人机巡检输电线路的方法 |
| CN112837313A (zh) * | 2021-03-05 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 一种输电线路异物的图像分割的方法 |
| CN114022763A (zh) * | 2021-10-28 | 2022-02-08 | 国家能源集团广西电力有限公司 | 一种高压架空线路的异物检测方法、装置及可读存储介质 |
| CN116758423A (zh) * | 2023-06-19 | 2023-09-15 | 合肥工业大学 | 一种基于白点率法的输电线路异物检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于无人机图像的输电线断股与异物缺陷检测方法";王万国 等;《计算机应用》;第35卷(第8期);第2404-2408页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117315515A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037133B (zh) | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其*** | |
| CN108307146B (zh) | 一种高压输电线路安全隐患检测***及方法 | |
| CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
| CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测*** | |
| CN110189344A (zh) | 一种电力刀闸图像中直线段提取方法 | |
| CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
| CN112365475A (zh) | 一种基于图像处理方式的输电线路覆冰监测方法及*** | |
| CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
| CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、***及终端设备 | |
| CN112819784A (zh) | 一种配电线路导线断股散股检测方法及*** | |
| CN114581764A (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
| CN113888462A (zh) | 一种裂纹识别方法、***、可读介质及存储介质 | |
| CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
| CN112991432A (zh) | 基于图像处理的覆冰冰形识别方法 | |
| CN115330790A (zh) | 基于图像的电缆绞线质量检测方法及*** | |
| CN113627299A (zh) | 一种基于深度学习的导线漂浮物智能识别方法及装置 | |
| CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
| CN115690012A (zh) | 一种电能表接错线的检测方法 | |
| CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
| CN115239646A (zh) | 输电线路的缺陷检测方法、装置、电子设备及存储介质 | |
| CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
| Xuan et al. | Intelligent identification method of insulator defects based on CenterMask | |
| CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
| CN117315515B (zh) | 一种配电线路视觉辅助巡检方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |