CN103247039B - 一种基于复合视觉的高压线缆带电检测方法 - Google Patents

Abstract

本发明公开了一种基于复合视觉的高压线缆带电检测方法，包括以下步骤：1）采集同一高压带电线路的光学图像和红外图像；2）对高压线缆带电检测异常特征进行描述，并建立知识库；3）将红外图像与光学图像的异构信息融合；4）将融合后的图像信息与知识库进行相似性度量，并通过自学习过程不断丰富和更新知识库；5）对高压线缆在线检测异常进行标记。本发明提供了一种基于红外成像和光学可见光成像的复合视觉方法用于高压线缆带电检测。既能检测到内部异常也能检测到外部异常，且满足实时性要求；在此基础上，对高压线缆带电检测异常进行标记并对异常指数和发展趋势进行评价。

Description

一种基于复合视觉的高压线缆带电检测方法

技术领域

本发明属于视觉检测领域，是图像处理与识别技术的应用，具体涉及一种基于复合视觉的高压线缆带电检测方法。

背景技术

基于视觉的高压线缆带电检测技术的研究方法由于其直观性、安全性、高效性、普遍性成为研究的热点和未来的发展方向之一。目前高压线缆带电检测的常规做法是人工或者直升机携带热像仪沿高压线检测过热点，即基于红外成像的高压线带电检测。红外成像检测具有远距离、不停电、不接触、不解体等优点，具备优良的安全性和可靠作性。红外成像传感器对热目标的探测性能较好,对高压线的内部发热异常能得到很好的检测效果，但其对目标的轮廓和色彩变化不敏感,成像清晰度低，无法实现对线缆外部的缺陷及异常的检测。可见光成像传感器对目标场景的反射敏感,与目标场景的热对比度无关,获取的图像具有较高的清晰度,能够提供目标所在场景的细节信息。可见光成像传感器对高压线缆上的外部缺陷及悬挂的异物有很好的检测效果，但是对于线缆内部故障，可见光成像则显得无能为力。红外与可见光图像的信息融合将综合红外图像较好的目标指示特性和可见光图像的清晰场景信息，两者的结合在高压线缆带电检测中具有信息表达上的互补性，可以达到更加全面的检测效果。

发明内容

本发明的目的是：提供一种基于红外成像和光学可见光成像的复合视觉方法用于高压线缆带电检测。既能检测到内部异常也能检测到外部异常，且满足实时性要求；为评估高压线缆安全健康状况提供详实的科学数据。

为了达到上述目的，本发明的技术方案是：首先分析总结高压线缆检测异常的类别与特征，表示为一种统一的描述。将可见光图像和红外图像进行特征级图像融合，利用融合图像信息在时空上的相关性及信息上的互补性，得到对对象更全面、清晰、快速的表达。并将融合后的图像与先验知识库的图像进行相似性度量，识别缺陷。在此基础上，对高压线缆的异常进行标记并对其严重程度做出客观准确的评价，以便针对性处理。

一种基于复合视觉的高压线缆带电检测方法，其特征在于：包括以下步骤：

1采集同一高压带电线路的光学图像和红外图像；

2）对高压线缆带电检测异常特征进行描述，并建立知识库；

3）将红外图像与光学图像的异构信息融合；

4）将融合后的图像信息与知识库进行相似性度量，并通过自学习过程不断丰富和更新知识库；

5）对高压线缆在线检测异常进行标记。

本发明所达到的有益效果：

(1)本发明提供了适合高压线缆带电检测异常特征的描述方法，根据历史数据分析归纳高压线缆在线检测异常的特征描述，描述异常的参数很多，如异常属性（类别）、物理几何特征（长度、宽度等）、图像特征（亮度、颜色等）和时空特征等，针对高压线缆带电检测的实际情况以及要达到的全面检测无遗漏和快速识别的目的，选取了能很好表征内部缺陷的红外图像亮度特征，以及能很好表征外部缺陷的可见光图像形状特征。对两种异构图像进行特征级融合后，与知识库进行相似性度量。由于数据量骤减，大大提高了识别的速度，实时性得到满足，建立这种异常描述的有效方法，为后续检测和评价打下坚实基础。

(2)为了提高带电线缆异常检测的全面性和时效性，本发明中多模异构信息融合方法，基于复合视觉的高压线缆带电检测异常图像获取主要依靠红外成像仪和光学相机，融合两种成像系统不仅是一种提高检测可信度的方法而且是一种改善检测全面性的途径，形成关于异常信息的完备表示。由于目前用于异构图像融合的算法均比较复杂,需要大量的运算时间,不能满足实时性要求。本发明针对高压线缆带电检测的实际情况，只选取红外图像的亮度特征和光学图像的形状特征采用自组织神经网络算法实现异构图像的融合，避免了大量信息的运算，实时性得到了实质性提高。

(3)高压线缆带电检测异常实时标记及评价方法，将检测到的异常信息通过自学习过程补充到特征库，并对异常进行标记和有效管理，分类分级描述，对高压线缆带电检测异常情况及演变趋势做出科学的评估。

附图说明

图1为基于复合视觉的高压线缆在线检测方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式说明如下：

（1）搭建平台并采集数据：

在高压线缆带电巡检机器人上，安装光学成像相机与红外成像相机，并采集同一高压带电线缆的光学图像和红外图像。

（2）高压线缆带电检测异常特征描述：

基于历史数据及现实需求，采用多元统计分析的方法，选取统一规范的异常特征，建立特征库，为后续检测和评价打下基础。特征提取是异常判决的先决条件。选择合理的图像特征和特征描述算子，使其具有良好的表征性能。颜色、形状、纹理、亮度是描述对象的常用特征，考虑高压线缆带电检测实际情况，本发明选取了能很好表征内部缺陷的红外图像亮度特征，以及能很好表征外部缺陷的可见光图像形状特征。

（3）红外与光学图像的信息融合：

红外图像与光学图像的多模异构信息融合，实现快速获取异常特征的深度全方位信息。红外成像传感器对热目标的探测性能较好,但其对目标的轮廓和色彩变化不敏感,成像清晰度低,不利于人眼判读。可见光成像传感器对目标场景的反射敏感,与目标场景的热对比度无关,获取的图像具有较高的清晰度,能够提供目标所在场景的细节信息。红外与可见光图像的信息融合将综合红外图像较好的目标指示特性和可见光图像的清晰场景信息。

红外序列图像中热目标特征较明显及目标区域亮度均值较背景区域的亮度均值高,将检测到的红外图像目标区域特征与可见光图像清晰的目标区域特征进行融合,得到具有红外图像较好的目标指示特性和可见光图像清晰场景信息的融合图像特征信息。本算法要实现以下目的：不仅可以得到比其他常用融合算法信息量更加丰富的融合图像特征信息,而且使融合算法具有较好的实时性。具体实现步骤如下:

(3a)根据红外图像中通电高压线缆与背景的亮度差别，将目标从背景中分割出来；

(3b)提取通电高压线缆可见光图像的边缘；

(3c)通过自组织神经网络算法实现异构图像的融合。将红外图像的目标亮度特征和可见光图像的边缘形状特征作为输入，通过检测其输入向量的内部相关性，并根据相似性或成比例相似性进行聚类，具体算法如下：

输入值x(k)∈R²,其中，K是样本指数，第i个神经元的权值为ω_i(k)∈R²。通过新输入不断改进神经元的权值，权值迭代公式为：

ω_i(k+1)=ω_i(k)+h_i(k)(x(k)-ω_i(k))

其中，h是邻域函数，通过不断迭代，自组织神经网络可以实现异构相似图像或成比例相似图像的自动聚类,也即异构图像的配准。

（3d）对配准后的图像进行调整，并进行Radon变换，实现异构图像的融合，对于给定的映射m(x，y)，沿径向线角度为θ的Radon变换为：

$r_{\mathrm{\θ}}\left(x^{\′}\right)={\∫}_{-\∞}^{\∞}m(x^{\′}\cos \mathrm{\θ}-y^{\′\sin \mathrm{\θ},x^{\′}}\sin \mathrm{\θ}+y^{\′}\cos \mathrm{\θ})\mathrm{dy}$

其中 $\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\θ}& \sin \mathrm{\θ}\\ -\sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]$

（4）将融合后的图像信息与知识库进行相似性度量，并通过自学习过程不断丰富和更新知识库：

用相似性度量函数思想来识别异常如下：

融合图像中像素点（x,y）的相似性度量函数S_I(x,y)定义为：式中：I_B(x,y)、I_C(x,y)分别为存储在知识库的高压线缆正常的图像和正在检测的当前帧融合图像；S_I(x,y)∈[0,1]，且I_B(x,y)和I_C(x,y)越相似，则S_I(x,y)越接近于1，说明线缆正常，反之，接近0，说明线缆异常

（5）对高压线缆在线检测异常进行标记并进一步对异常指数和发展趋势进行评价

通过实际检测获得的异常数据补充到特征库，为研究内容（2）提供补充和校正信息；依据《电力设备预防性试验规程》中对高压线缆带电检测异常的分类和分级描述的要求，将知识库中不同异常分级对应为不同的缺陷指数，对线缆的安全状况做出即时的定量和定性评估；通过对不同时期检测结果的对比，反映线缆异常的演变趋势，满足长期检测的需要。

以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。

Claims (4)

1.一种基于复合视觉的高压线缆带电检测方法，其特征在于：包括以下步骤：

1)采集同一高压带电线路的可见光图像和红外图像；

2)对高压线缆带电检测异常特征进行描述，并建立知识库；

3)将红外图像与可见光图像的异构信息融合；

异构信息融合包括以下步骤：

(3a)根据红外图像中通电高压线缆与背景的亮度差别，将目标从背景中分割出来；

(3b)提取通电高压线缆可见光图像的边缘；

(3c)通过自组织神经网络算法实现异构图像的融合，将红外图像的目标亮度特征和可见光图像的边缘形状特征作为输入，通过检测其输入向量的内部相关性，并根据相似性或成比例相似性进行聚类，具体算法如下：

设一个输入样值x(k)∈R²,其中，R为实数集，k是样本指数，第i个神经元的权值为ω_i(k)∈R²,通过新输入来不断改进神经元的权值，其更新迭代公式为：ω_i(k+1)＝ω_i(k)+h_i(k)(x(k)-ω_i(k))

其中，h_i(k)是邻域函数，通过不断迭代，自组织神经网络实现异构相似图像的自动聚类,也即异构图像的配准；

(3d)对配准后的图像进行调整，并进行Radon变换，实现异构图像的融合，对于配准后的图像m(x，y)，沿径向线角度为θ的Radon变换为：

$r_{\mathrm{\θ}}\left(x^{\′}\right)={\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}m(x^{\′}cos\mathrm{\θ}-y^{\′}sin\mathrm{\θ},x^{\′}sin\mathrm{\θ}+y^{\′}cos\mathrm{\θ})dy$

其中 $\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\θ}& sin\mathrm{\θ}\\ -sin\mathrm{\θ}& cos\mathrm{\θ}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right];$

4)将融合后的图像信息与知识库进行相似性度量，并通过自学习过程不断丰富和更新知识库；

5)对高压线缆带电检测异常进行标记。

2.根据权利要求1所述的基于复合视觉的高压线缆带电检测方法，其特征在于：所述步骤2)中，所述异常特征包括红外图像的亮度特征和可见光图像的形状特征。

3.根据权利要求1所述的基于复合视觉的高压线缆带电检测方法，其特征在于：所述步骤4)中相似性度量是指：融合图像中像素点(x₁,y₁)的相似性度量函数S_I(x₁,y₁)定义为： $S_I(x_1,y_1)=1-\frac{\left|I_{C(x_1,y_1)}-I_{B(x_1,y_1)}\right|}{255},$ 式中： 分别为存储在知识库的高压线缆正常的图像和正在检测的当前帧融合图像；S_I(x₁,y₁)∈[0,1]，且和越相似，则S_I(x₁,y₁)越接近于1，说明线缆正常，反之，接近0，说明线缆异常。

4.根据权利要求1所述的基于复合视觉的高压线缆带电检测方法，其特征在于：所述步骤5)中还包括对高压线缆带电检测异常指数进行评价的步骤：将通过实际检测获得的异常数据补充到特征知识库，为步骤2)中知识库的研究内容提供补充和校正信息；依据《电力设备预防性试验规程》中对高压线缆带电检测异常的分类和分级描述的要求，将知识库中不同异常分级对应为不同的缺陷指数，对线缆的安全状况做出即时的定量和定性评估；通过对不同时期检测结果的对比，反映线缆异常的演变趋势。