CN117788939A - 一种电力设备缺陷图像识别方法 - Google Patents
一种电力设备缺陷图像识别方法 Download PDFInfo
- Publication number
- CN117788939A CN117788939A CN202311859271.8A CN202311859271A CN117788939A CN 117788939 A CN117788939 A CN 117788939A CN 202311859271 A CN202311859271 A CN 202311859271A CN 117788939 A CN117788939 A CN 117788939A
- Authority
- CN
- China
- Prior art keywords
- image
- power equipment
- pixel
- value
- pixels
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000032823 cell division Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000007704 transition Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012876 topography Methods 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种电力设备缺陷图像识别方法,其包括采集电力设备的原始图像;提取原始图像中的电力设备图像,作为第一图像,并对第一图像进行预处理;将第一图像进行灰度化处理,生成第二图像;对第二图像进行单元格划分,计算各个单元区域的平均像素值;对电力设备缺陷进行判断。通过无人机作为摄像头的载体,能够适用于更多地形,为野外进行巡检,通过像素平均值的区别自动对颜色不一样的区域进行框选标记,便于进行后续识别,然后将标记后的第一图像以及对应的原始图像,发送至巡检人员的手持终端中,进一步进行判断,有利于减少巡检人员的工作量,快速发现存在缺陷的电力设备,提高巡检效率。
Description
技术领域
本发明涉及电力设备图像识别技术领域,尤其涉及一种电力设备缺陷图像识别方法。
背景技术
随着电力技术的发展,电力设备被广泛应用于各个领域。电力设备作为电力***中的重要组成部分之一,电力设备的正常运行直接影响着电力***的安全性和可靠性。电网的规模越来越大,输电线路设备数量快速增加,线路设备的老旧程度日趋严重,恶劣气候和微气象条件增多,造成设备缺陷的概率增大,影响输电***的运行可靠性。输电线路是输送电能的重要纽带,大多数电网设备都是暴露在野外环境中,在自然环境的长期作用下,线路易出现断股、破损等缺陷,需要不断地去监测与维护。
目前,现有的电力设备故障检测技术在电力设备发生故障时,难以第一时间向外界反馈,人工检测难度大,需要耗费大量人力物力资源进行检修维护,电力设备在故障状态下长时间运行容易发生损坏,而且复杂的野外环境巡检人员也巡检不便。
发明内容
本发明解决的技术问题是:现有的电力设备故障检测技术在电力设备发生故障时,难以第一时间向外界反馈,人工检测难度大,需要耗费大量人力物力资源进行检修维护,电力设备在故障状态下长时间运行容易发生损坏,而且复杂的野外环境巡检人员也巡检不便。
为解决上述技术问题,本发明提供如下技术方案:一种电力设备缺陷图像识别方法,其包括采集电力设备的原始图像;提取所述原始图像中的电力设备图像,作为第一图像,并对第一图像进行预处理;将所述第一图像进行灰度化处理,生成第二图像;对所述第二图像进行单元格划分,计算各个单元区域的平均像素值;对电力设备缺陷进行判断。
作为本发明所述的电力设备缺陷图像识别方法的一种优选方案,其中:采集电力设备的原始图像包括:
通过无人机装载的摄像头获取巡检区域内电力设备的视频信息;
将视频信息进行逐帧分解成图片集;
选取图片集中拍摄清晰的电力设备图片作为原始图像。
作为本发明所述的电力设备缺陷图像识别方法的一种优选方案,其中:
提取所述原始图像中的电力设备图像,作为第一图像;
通过Canny算法对所述第一图像进行平滑处理,计算所述图片中图像边缘的像素的梯度强度和方向,其数学表达式为:
其中,σ表示标准差,sigma=1.4,e表示像素,e的亮度的值表达式如下:
其中,*表示卷积的符号,sum表示设定矩阵中所有元素之和。
作为本发明所述的电力设备缺陷图像识别方法的一种优选方案,其中:选取第二图像中的任一像素点,以该像素点为中心点,在四周进行扫描,若四周像素点的灰度值在预定的阈值区间内,则识别为同一个色块,并对边缘的像素点进行进行识别,边缘内的像素色块作为第一图像。
作为本发明所述的电力设备缺陷图像识别方法的一种优选方案,其中:对边缘的像素点进行识别包括:
利用双阈值法获取边缘像素点;
设置高阈值和低阈值;
若相邻像素点的梯度强度大于高阈值,则该像素点为强边缘,该像素被保留为边缘像素点;
若相邻像素梯度强度间梯度强度值介于高阈值和低阈值之间,则该像素点为弱边缘点,则该像素点被保留为过渡像素点;
若相邻像素点的梯度强度小于低阈值,则该像素点为抑制点,该像素被去除;
将保留的边缘像素点和过渡像素点输出为第三图像。
作为本发明所述的电力设备缺陷图像识别方法的一种优选方案,其中:将所述第一图像进行灰度化处理,生成第二图像;
将所述第一图像中像素的R分量、G分量和B分量的各个数值的最大值作为灰度图的灰度值。
作为本发明所述的电力设备缺陷图像识别方法的一种优选方案,其中:对所述第二图像进行单元格划分,计算各个单元区域的平均像素值;
在第二图像建立平面直角坐标系,根据横坐标和纵坐标对所述第二图像进行单元格划分,形成多个单元区域;
提取单元区域的像素的横坐标和纵坐标对以及所述像素对应的灰度值作为像素值组;
基于各个所述单元区域的像素值组,计算各个所述单元区域的平均像素。
作为本发明所述的电力设备缺陷图像识别方法的一种优选方案,其中:对电力设备缺陷进行判断包括:
采集并计算正常电力设备的各个单元区域的平均像素值,并计算各个单元区域总的平均像素值,作为标准平均像素值;
并定义平均像素值的上偏差阈值和上偏差阈值;
获取需要判断的原始图像中的电力设备图像的总的平均像素,并将总的平均像素与标准平均像素值进行比较;
若总的平均像素与标准平均像素值在上偏差阈值和上偏差阈值之外,表示该电力设备存在缺陷;
然后分别将需要判断的原始图像中的电力设备图像的各个单元区域平均像素与标准平均像素值进行比较;
若某个单元区域平均像素值与标准平均像素值在上偏差阈值和上偏差阈值之外,表示该电力设备存在缺陷;
对该单元区域进行框选标记,并对所述原始图像进行单独提取,作为缺陷图像。
本发明的有益效果:通过无人机作为摄像头的载体,能够适用于更多地形,为野外进行巡检,通过像素平均值的区别自动对颜色不一样的区域进行框选标记,便于进行后续识别,然后将标记后的第一图像以及对应的原始图像,发送至巡检人员的手持终端中,进一步进行判断,有利于减少巡检人员的工作量,快速发现存在缺陷的电力设备,提高巡检效率。
附图说明
图1为本发明一个实施例提供的一种电力设备缺陷图像识别方法的基本流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。
参照图1,为本发明的一个实施例,提供了一种电力设备缺陷图像识别方法,包括:
步骤一:采集电力设备的原始图像包括:
通过无人机装载的摄像头获取巡检区域内电力设备的视频信息;
将视频信息进行逐帧分解成图片集;
选取图片集中拍摄清晰的电力设备图片作为原始图像。
通过无人机作为摄像头的载体,能够适用于更多地形,为野外进行巡检,使用更加灵活,提高巡检效率。
步骤二:提取所述原始图像中的电力设备图像,作为第一图像,并对第一图像进行预处理包括:
提取所述原始图像中的电力设备图像,作为第一图像;
其中预处理为平滑处理,通过Canny算法对所述第一图像进行平滑处理,计算所述图片中图像边缘的像素的梯度强度和方向,其数学表达式为:
其中,σ表示标准差,sigma=1.4,e表示像素,e的亮度的值表达式如下:
其中,*表示卷积的符号,sum表示设定矩阵中所有元素之和。
选取第二图像中的任一像素点,以该像素点为中心点,在四周进行扫描,若四周像素点的灰度值在预定的阈值区间内,则识别为同一个色块,并对边缘的像素点进行进行识别,边缘内的像素色块作为第一图像。
一个单独的电力设备上要有各个元器件,各个元器件的形状和颜色也不相同,通过扫描像素,能够提取出各个元器件单独的图片,第一图像就是各个元器件单独的图片。
对边缘的像素点进行识别包括:
利用双阈值法获取边缘像素点;
设置高阈值和低阈值;
若相邻像素点的梯度强度大于高阈值,则该像素点为强边缘,该像素被保留为边缘像素点;
若相邻像素梯度强度间梯度强度值介于高阈值和低阈值之间,则该像素点为弱边缘点,则该像素点被保留为过渡像素点;
若相邻像素点的梯度强度小于低阈值,则该像素点为抑制点,该像素被去除;
将保留的边缘像素点和过渡像素点输出为第三图像。
保留的边缘像素点就是第一图像边缘的像素,需要对保留的边缘像素点以及,保留的边缘像素点围成的封闭图形中的所有像素进行提取,作为完整的第一图像。
步骤三:将所述第一图像进行灰度化处理,生成第二图像包括:
将所述第一图像中像素的R分量、G分量和B分量的各个数值的最大值作为灰度图的灰度值。
步骤四:对所述第二图像进行单元格划分,计算各个单元区域的平均像素值包括:
在第二图像建立平面直角坐标系,根据横坐标和纵坐标对所述第二图像进行单元格划分,形成多个单元区域;
提取单元区域的像素的横坐标和纵坐标对以及所述像素对应的灰度值作为像素值组;
基于各个所述单元区域的像素值组,计算各个所述单元区域的平均像素。
通过计算平均像素,能够很好的补偿由于拍摄焦距和角度关系,导致的不同投影形状的电力设备的图像,如证明拍摄的变压器是一个近似正方形的矩形,随之拍摄倾角的变大,画面中会逐渐变成矩形,长宽比逐渐变大,通过计算平均像素,能够能够很好的补偿由于拍摄焦距和角度关系,导致的不同投影形状的电力设备的图像,并保罗缺陷位置的图像。当电力设备有缺陷时,都会引起颜色的变化,如脏污缺陷、破损缺陷以及温度过高引起的发黑都会导致电力设备表面颜色出现变化,对颜色变化进行检测就可以对电力设备是否有缺陷进行判断。
在其中一个实施例中,通过第一图像的形状根据先验知识对电力设备的种类进行判断。具体为,采集现有的电力设备的原始图像作为训练集,并提取各个第一图像,利用聚类处理进行分类,并进行做好名称标记。
在巡检中获取到视频信息后,将得到第一图像,按照聚类处理进行分类,从而对电力设备的种类进行识别,其中聚类处理为k-means算法。
步骤五:对电力设备缺陷进行判断包括:
采集并计算正常电力设备的各个单元区域的平均像素值,并计算各个单元区域总的平均像素值,作为标准平均像素值;
并定义平均像素值的上偏差阈值和上偏差阈值;
获取需要判断的原始图像中的电力设备图像的总的平均像素,并将总的平均像素与标准平均像素值进行比较;
若总的平均像素与标准平均像素值在上偏差阈值和上偏差阈值之外,表示该电力设备存在缺陷;
能够先对第一图像中是否存在缺陷进行判断,也有利于减少运算量。
然后分别将需要判断的原始图像中的电力设备图像的各个单元区域平均像素与标准平均像素值进行比较;
若某个单元区域平均像素值与标准平均像素值在上偏差阈值和上偏差阈值之外,表示该电力设备存在缺陷;
对该单元区域进行框选标记,并对所述原始图像进行单独提取,作为缺陷图像。
当电力设备有缺陷时,都会引起颜色的变化,如脏污缺陷、破损缺陷以及温度过高引起的发黑都会导致电力设备表面颜色出现变化,对颜色变化进行检测就可以对电力设备是否有缺陷进行判断,通过像素平均值的区别自动对颜色不一样的区域进行框选标记,便于进行后续识别,然后将标记后的第一图像以及对应的原始图像,发送至巡检人员的手持终端中,进一步进行判断,有利于减少巡检人员的工作量,快速发现存在缺陷的电力设备,提高巡检效率。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种电力设备缺陷图像识别方法,其特征在于,包括:
采集电力设备的原始图像;
提取所述原始图像中的电力设备图像,作为第一图像,并对第一图像进行预处理;
将所述第一图像进行灰度化处理,生成第二图像;
对所述第二图像进行单元格划分,计算各个单元区域的平均像素值;
对电力设备缺陷进行判断。
2.如权利要求1所述的电力设备缺陷图像识别方法,其特征在于:
采集电力设备的原始图像包括:
通过无人机装载的摄像头获取巡检区域内电力设备的视频信息;
将视频信息进行逐帧分解成图片集;
选取图片集中拍摄清晰的电力设备图片作为原始图像。
3.如权利要求2所述的电力设备缺陷图像识别方法,其特征在于:
提取所述原始图像中的电力设备图像,作为第一图像;
通过Canny算法对所述第一图像进行平滑处理,计算所述图片中图像边缘的像素的梯度强度和方向,其数学表达式为:
其中,σ表示标准差,sigma=1.4,e表示像素,e的亮度的值表达式如下:
其中,*表示卷积的符号,sum表示设定矩阵中所有元素之和。
4.如权利要求3所述的电力设备缺陷图像识别方法,其特征在于:
选取第二图像中的任一像素点,以该像素点为中心点,在四周进行扫描,若四周像素点的灰度值在预定的阈值区间内,则识别为同一个色块,并对边缘的像素点进行进行识别,边缘内的像素色块作为第一图像。
5.如权利要求4所述的电力设备缺陷图像识别方法,其特征在于:
对边缘的像素点进行识别包括:
利用双阈值法获取边缘像素点;
设置高阈值和低阈值;
若相邻像素点的梯度强度大于高阈值,则该像素点为强边缘,该像素被保留为边缘像素点;
若相邻像素梯度强度间梯度强度值介于高阈值和低阈值之间,则该像素点为弱边缘点,则该像素点被保留为过渡像素点;
若相邻像素点的梯度强度小于低阈值,则该像素点为抑制点,该像素被去除;
将保留的边缘像素点和过渡像素点输出为第三图像。
6.如权利要求5所述的电力设备缺陷图像识别方法,其特征在于:
将所述第一图像进行灰度化处理,生成第二图像;
将所述第一图像中像素的R分量、G分量和B分量的各个数值的最大值作为灰度图的灰度值。
7.如权利要求6所述的电力设备缺陷图像识别方法,其特征在于:对所述第二图像进行单元格划分,计算各个单元区域的平均像素值;
在第二图像建立平面直角坐标系,根据横坐标和纵坐标对所述第二图像进行单元格划分,形成多个单元区域;
提取单元区域的像素的横坐标和纵坐标对以及所述像素对应的灰度值作为像素值组;
基于各个所述单元区域的像素值组,计算各个所述单元区域的平均像素。
8.如权利要求7所述的电力设备缺陷图像识别方法,其特征在于:
对电力设备缺陷进行判断包括:
采集并计算正常电力设备的各个单元区域的平均像素值,并计算各个单元区域总的平均像素值,作为标准平均像素值;
并定义平均像素值的上偏差阈值和上偏差阈值;
获取需要判断的原始图像中的电力设备图像的总的平均像素,并将总的平均像素与标准平均像素值进行比较;
若总的平均像素与标准平均像素值在上偏差阈值和上偏差阈值之外,表示该电力设备存在缺陷;
然后分别将需要判断的原始图像中的电力设备图像的各个单元区域平均像素与标准平均像素值进行比较;
若某个单元区域平均像素值与标准平均像素值在上偏差阈值和上偏差阈值之外,表示该电力设备存在缺陷;
对该单元区域进行框选标记,并对所述原始图像进行单独提取,作为缺陷图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311859271.8A CN117788939A (zh) | 2023-12-30 | 2023-12-30 | 一种电力设备缺陷图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311859271.8A CN117788939A (zh) | 2023-12-30 | 2023-12-30 | 一种电力设备缺陷图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788939A true CN117788939A (zh) | 2024-03-29 |
Family
ID=90383312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311859271.8A Pending CN117788939A (zh) | 2023-12-30 | 2023-12-30 | 一种电力设备缺陷图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788939A (zh) |
-
2023
- 2023-12-30 CN CN202311859271.8A patent/CN117788939A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598721B (zh) | 电池极片的缺陷检测方法、装置、检测设备和存储介质 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
CN111598889B (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN109196553B (zh) | 一种光伏板识别方法、地面站、控制设备及无人机 | |
CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN112365475A (zh) | 一种基于图像处理方式的输电线路覆冰监测方法及*** | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN109509188B (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及*** | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN110992321A (zh) | 一种太阳电池片栅线提取方法 | |
CN114581760B (zh) | 一种机房巡检的设备故障检测方法及*** | |
CN113888462A (zh) | 一种裂纹识别方法、***、可读介质及存储介质 | |
RU2636681C2 (ru) | Расширенный анализ для основанной на изображении оценки износа поликлинового ремня | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN114549393B (zh) | 图像标注方法、装置、设备及计算机存储介质 | |
CN111951247B (zh) | 一种电力设备紫外图像诊断方法及*** | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
CN117788939A (zh) | 一种电力设备缺陷图像识别方法 | |
CN116259008A (zh) | 一种基于计算机视觉的水位实时监测方法 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 | |
CN112560929B (zh) | 溢油区域确定方法及装置、存储介质 | |
CN111833309B (zh) | 一种光伏电池片检测方法及装置 |
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 |