CN103529362B - 基于感知的绝缘子识别与缺陷诊断方法 - Google Patents
基于感知的绝缘子识别与缺陷诊断方法 Download PDFInfo
- Publication number
- CN103529362B CN103529362B CN201310517395.8A CN201310517395A CN103529362B CN 103529362 B CN103529362 B CN 103529362B CN 201310517395 A CN201310517395 A CN 201310517395A CN 103529362 B CN103529362 B CN 103529362B
- Authority
- CN
- China
- Prior art keywords
- insulator
- line segment
- distance
- region
- perception
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 158
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 230000008447 perception Effects 0.000 title claims abstract description 27
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 17
- 239000011521 glass Substances 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 230000005611 electricity Effects 0.000 claims abstract description 8
- 238000011524 similarity measure Methods 0.000 claims abstract description 5
- 230000000903 blocking effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000009413 insulation Methods 0.000 claims description 7
- 239000004020 conductor Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 244000287680 Garcinia dulcis Species 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于感知的绝缘子识别与缺陷诊断方法，包括如下步骤：步骤（1）：利用输电线路知识模型对绝缘子多平行线结构进行感知；步骤（2）：对绝缘子所在区域进行识别：检测重叠的输出区域，合并重叠的区域，修正潜在的绝缘子区域为任意角度的矩形；步骤（3）：基于分块特征量的绝缘子掉片缺陷诊断：采用绝缘子区域分块和块间相似度计算两步骤来诊断玻璃绝缘子自爆掉片缺陷。本发明的有益效果：它能有效排除背景对识别绝缘子区域的影响，大大提高识别绝缘子缺陷的正确率。
Description
技术领域
本发明涉及一种基于感知的绝缘子识别与缺陷诊断方法,主要应用于高压输电线路的缺陷诊断领域。
背景技术
当前对高压线路这种复杂的人造对象识别及缺陷诊断研究刚刚起步,发表的文献较少。相关的研究集中在巡线机器人及直升机、无人机巡检技术等设备研制方面，而高压线路识别与缺陷诊断主要依据高压线路显著的图像特征方面，如导线与绝缘子主要部件的识别与缺陷诊断。
绝缘子由于长期受野外环境的侵蚀，通常会产生很多故障，根据玻璃、瓷质和合成绝缘子的各自特性，其常见故障包括：自爆、掉串、裂纹破损、闪络放电和异物等问题[朱虎，李卫国，林冶.绝缘子检测方法的现状与发展[J]．电磁避雷器，2006(8)：13-17.]。其中玻璃绝缘子片自爆导致的掉片损伤是玻璃绝缘子特有故障缺陷，将该缺陷统称为玻璃绝缘子的损伤，也是玻璃绝缘子最需要识别诊断的缺陷。[林聚财，韩军，陈舫明，等．基于彩色图像的玻璃绝缘子缺陷诊断[J]．电网技术，2011，35(1)：127-133.]采用HSV彩色度量空间将图像分块统计存在偏绿的分块，[马帅营，安居白，陈舫明．基于区域定位的绝缘子图像分割[J]．电力建设，2010，31(7)：14-17.]首先通过统计绝缘子的颜色范围定位出绝缘子大致区域，然后针对该区域采用最大类间方差法进行绝缘子分割。[黄宵宁，张真良．直升机巡检航拍图像中绝缘子图像的提取算法[J]．电网技术，2010，34(1)：194-197.]采用基于遗传算法的最大熵阈值法对彩色图像进行分割。统计对这些方法的实际测试，发现存在明显不足，主要原因是：这些方法均是从玻璃绝缘子的颜色特征着手，玻璃绝缘子的偏绿色特征不是其唯一的特征，实际存在的玻璃绝缘子有偏蓝色、白色的。由于近距离航拍的图像受背景纹理及光线变化影响较大，而且巡检采用相机参数不确定，采用颜色分析绝缘子区域存在不稳定因素。背景出现较多类似特征的区域，会造成较高的误判；另一个重要原因是对高压线路这种复杂的人造对象整体结构研究不足，仅仅关注高压线路上绝缘子等具有显著的单一部件进行识别研究，没有考虑到线路的整体结构特性，绝缘子一端与导线连接，另一端与杆塔相连，绝缘子安装位置呈现三个可能方向，垂直排列、水平排列、斜上（或斜下）排列。
绝缘子另一重要的特征是其片状结构，从拍摄的巡检图像上看：呈现明显的弧线特征，而且该弧线特征呈现平行的、波纹状的规律排列。由于玻璃绝缘子串的区域像素沿着绝缘子串的方向呈现明显的规律性变化，而在掉串缺陷处打破了这种纹理的规律性变化，因此可以研究一种纹理特征量来诊断玻璃绝缘子掉串缺陷。
中国专利(专利名称：一种绝缘子串红外图像自动识别方法，申请号：201310098598.8)提出了一种基于红外图像边界的绝缘子自动识别方法，但这种方法通过对模板图像与待检测图像进行SIFT特征匹配进行绝缘子串的自动识别，实现了对绝缘子串区域的定位，并未涉及到绝缘子缺陷的诊断。
中国专利(专利名称：基于纹理的绝缘子缺陷诊断方法，申请号：201110303911.8)提出一种通过GLCM和Gabor滤波器的缺陷诊断方法，对绝缘子的定位主要通过绝缘子连接设备的先验知识来实现的，对绝缘子串的定位效果较差，影响了对绝缘子的缺陷定位的效率。
发明内容
本发明的目的就是为了解决上述问题，提供一种基于感知的绝缘子识别与缺陷诊断方法，它能有效排除背景对识别绝缘子区域的影响，大大提高识别绝缘子缺陷的正确率。
为了实现上述目的，本发明采用如下技术方案：
一种基于感知的绝缘子识别与缺陷诊断方法，包括如下步骤：
步骤（1）：利用输电线路知识模型对绝缘子多平行线结构进行感知；
步骤（2）：对绝缘子所在区域进行识别：检测重叠的输出区域，合并重叠的区域，修正潜在的绝缘子区域为任意角度的矩形；
步骤（3）：基于分块特征量的绝缘子掉片缺陷诊断：采用绝缘子区域分块和块间相似度计算两步骤来诊断玻璃绝缘子自爆掉片缺陷。
所述步骤（1）的输电线路的知识模型包括绝缘子的三个量化参数：
a）绝缘子片在图像像素上的宽度：以InsulatorClipWidth表示；
b）巡检图像上最大可能绝缘子片之间像素距离：以InsulatorClipDist表示；
c）识别一个绝缘子最小片数目：以InsulatorMinClipNum表示。
所述步骤（1）的具体步骤为：
步骤（11）：在采集的巡检图像处理的底层，首先采用可变宽度的十字梯度模板，将十字梯度模板分解成水平和垂直方向，垂直方向模板读入垂直方向对应的图像亮度值，用于检测水平方向的线特征对象；水平方向模板读入水平方向对应的亮度值，用于检测垂直方向的线特征对象；十字模板能够检测所有斜率的线段；十字模板大小为masksize的模板能检测到的线段的最大宽度为（masksize-1）/2；
步骤（12）：计算每一条线段的角度与方向，由于绝缘子弧线较短，且排列方向不同；在初始提取的6个方向线段上来感知平行线组；线段的方向划分为：
-15°～15°：水平方向；
15°～45°：上偏水平方向；
45°～75°：上偏垂直方向；
-75°～-45°：下偏垂直方向；
-45°～15°：下偏水平方向；
小于-75°或大于75°：垂直方向；
步骤（13）：搜索潜在的绝缘子所在区域。
所述步骤（13）的具体步骤如下：
步骤（131）：录入一组方向的线段属性：线段中心点坐标、线段长度、线段角度（或方向），将线段中心点到图像原点距离的大小，排列这些线段的属性；
步骤（132）：计算录入的两条线段之间的四个特征参数：
线段L1,L2之间的距离即考虑绝缘子片之间的距离，设dist是两线段中心点之间的距离，dist小于阈值，即：
dist<=InsulatorClipDist (1)
线段L1,L2之间的角度差diffslope小于阈值，即:
abs(θ1-θ2)<=2*θ_threshold (2)
线段之间的长度近似一致，假定线段L1,L2的长度为：L1_len,L2_len,即两线段长度之差diffdist：
abs(L1_len-L2_len)<=min(L1_len,L2_len)/3 (3)
线段之间的方向一致，以线段L1,L2中心点坐标计算线段之间的方向dirθ1，dirθ2,即两线段同方向角度差dirdiffslope：
abs(dirθ1-dirθ2)<=2.5*θ_threshold (4)
步骤（133）：在初始时，两线段中心点距离dist，两线段角度差diffslope，两线段长度差diffdist，即将满足公式（1）、（2）、（3）作为初始聚类线段；
步骤（134）：输入一条新线段，计算满足公式（1）、（2）、（3）、（4）的线段聚类为一组，遍历迭代所有线段，将满足公式（1）、（2）、（3）、（4）所有线段聚类为一组；
步骤（135）：输出多个平行性、一致性相近的组，从大到小排列组的数目，每个方向线段上输出最大线段数目的3个组；
步骤（136）：计算每一平行性、一致性组特征，即线段方向角度的平均值、线段之间中心点距离的平均值、线段之间中心点方向角度的平均值；
步骤（137）：对于水平方向的线段受背景线段影响较大，限定输出组中线段方向角度的平均值与线段之间中心点方向角度的平均值之差近90°；
步骤（138）：对于除水平方向外其他方向原线段聚类输出的组，限定输出组中线段方向角度的平均值与线段之间中心点方向角度的平均值之差近45°；
所述步骤（2）的检测并合并重叠区域的具体步骤为：判断每个输出聚类组上下左右外接四个象素点，按左、顶、右、底顺时针连接，形成的区域作为可能的绝缘子区域，每两个聚类组的外接区域进行比较，如果判断存在重叠区域，合并重叠区域，形成新的外接区域，作为潜在的绝缘子区域。
所述步骤（3）的具体步骤为：
步骤（31）：录入绝缘子矩形区域四点坐标；
步骤（32）：旋转绝缘子矩形区域形成长方形灰度模板图像；
步骤（33）：依据计算的绝缘子片平均距离，分块矩形区域；
步骤（34）：计算分块区域的特征量；
步骤（35）：归一化相邻块之间相对特征量；
步骤（36）：判决突变块，确定缺陷区域。
所述步骤(32)中，将识别的任意矩形角度的绝缘子区域旋转，获得长方形区域的灰度模板图像来计算纹理特征量；
所述步骤(33)中，识别绝缘子区域内的线段之间中心点距离的平均值的2倍作为分块的长度；
所述步骤(34)中，计算分块区域的特征量，需要计算每个分块内的平滑度特征量与惯性矩均值特征量来分析绝缘子的缺陷，具体为
假设将绝缘子矩形区域划分为n块，n为自然数，则计算出分块区域惯性矩均值特征量为：G0...Gi，Gi+1...Gn-1，其中0＜i＜n，分块区域的平滑度特征量为：S0...Si，Si+1...Sn-1，其中0＜i＜n。将相邻块之间惯性矩均值特征量差DG,i，平滑度特征量差DS,i作为特征量距离：
DG,i＝|Gi+1-Gi|
DS,i＝|Si+1-Si| （6）
计算出惯性矩距离DG,i与惯性矩距离最小值的距离差、平滑度距离DS,i与平滑度距离最小值的距离差：
diffDG,i＝|DG,i-mDG|
diffDS,i＝|DS,i-mDS| （7）
其中，mDG为DG,i的最小值，mDS为DS,i的最小值，diffDG,i和diffDS,i为上述距离差的绝对值。
所述步骤(35)中，为了设定统一的掉串阈值，将特征量做归一化处理；所述归一化方法采用最大最小归一化方法。
所述步骤(36)中，用特征值跳变量的大小作为诊断的基本条件，特征值跳变量可以用特征值距离表示；当特征值跳变量出现较大的跳变值时，则说明绝缘子的规律性变化因掉串而被破坏；对距离差diffDG,i，diffDS,i作归一化处理，找出距离差变化较大的块，作为判决绝缘子区域有缺陷的依据。
本发明的有益效果：
1、本发明提出了一种基于感知绝缘子片状结构与输电线路知识模型相结合的方法来识别绝缘子存在区域，相比采用绝缘子颜色与纹理识别绝缘子的方法，大大提高了识别绝缘子的正确率，有效排除背景对识别绝缘子区域的影响。为了感知绝缘子的平行片状结构，设计了一种感知平行方向线段的分析方法，识别出绝缘子潜在的区域，进一步整理合并识别的绝缘子区域，结合输电线路知识模型，可靠识别出绝缘子所在的区域。
2、为了诊断玻璃绝缘子掉片缺陷，采用绝缘子区域分块和块间相似度计算两步骤来诊断玻璃绝缘子自爆掉片缺陷。经过测试大量选取出有效的纹理特征量来诊断玻璃绝缘子掉片缺陷，即采用惯性矩均值特征量与平滑度特征量能较好反映玻璃绝缘子掉片缺陷。
3、采用无人机巡检采用的输电线路图像验证了方法的有效性，该方法可以应用到非接触在线诊断绝缘子缺陷的巡检系统中。本发明综合考虑绝缘子的结构特征、边缘线特征及纹理特征来识别绝缘子并诊断玻璃绝缘子掉片缺陷。
附图说明
图1为本发明的主流程图；
图2为绝缘子平行性计算描述示意图；
图3（a）为情况下1计算最大外接矩形；
图3（b）为情况下2计算最大外接矩形；
图3（c）为情况下1计算最大外接矩形；
图3（d）为情况下2计算最大外接矩形;
图4为绝缘子掉片缺陷诊断流程；
图5为横向绝缘子定位效果；
图6为竖向绝缘子定位效果；
图7为诊断玻璃绝缘子掉片缺陷示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
1．基于知识模型的感知多平行线结构的方法
绝缘子的平行片状特征具有稳定的结构，本发明从Gestalt感知理论着手来感知绝缘子的平行片状特征，文本提出一种结合绝缘子知识模型的自底向上的感知识别绝缘子的方法。
为了量化感知绝缘子平行形状特征，设置绝缘子的三个量化参数来建立绝缘子在所拍摄的巡检图像上知识模型。
1）绝缘子片在图像像素上的宽度：以InsulatorClipWidth表示；
2）巡检图像上最大可能绝缘子片之间像素距离：以InsulatorClipDist表示；
3）识别一个绝缘子最小片数目：以InsulatorMinClipNum表示；
在采集的巡检图像处理的底层，首先采用可变宽度的十字梯度模板【WANG Yaping，HANJun，CHEN Fangming，et al.Automatic detection method of defects of power line in visual image[J],Computer Engineering and Application(王亚萍，韩军，陈舫明，徐雄林，聚财，可见光图像中的高压线缺陷自动诊断方法，计算机工程与应用)，2011，47（12）：180-184.】，将模板分解成水平和垂直方向，垂直方向模板读入垂直方向对应的图像亮度值，用于检测水平方向的线特征对象，水平方向模板读入水平方向对应的亮度值，用于检测垂直方向的线特征对象。十字模板可以检测所有斜率的线段。大小为masksize的模板能检测到的线段的最大宽度为（masksize-1）/2。
计算每一条线段的角度与方向，由于绝缘子弧线较短，且排列方向不同。在初始提取的6个方向线段上来感知平行线组。线段的方向划分为：-15°～15°:水平方向；15°～45°：上偏水平方向；45°～75°：上偏垂直方向；-75°～-45°：下偏垂直方向；-45°～-15°下偏水平方向；小于-75°或大于75°：垂直方向。按如下步骤搜索潜在的绝缘子所在区域：
1）输入一组方向的线段属性：线段中心点坐标、线段长度、线段角度（或方向），将线段
中心点到图像原点距离的大小，排列这些线段的属性；
2）如图2所示，计算输入的两条线段之间的四个特征参数：
线段之间的距离即考虑绝缘子片之间的距离，如图2所示dist是线段L1,L2中心点之间的距离，这个dist小于阈值：
dist<=InsulatorClipDist (1)
线段L1,L2之间的角度差diffslope小于阈值，即:
abs(θ1-θ2)<=2*θ_threshold (2)
线段之间的长度近似一致，假定线段L1,L2的长度为：L1_len,L2_len,即两线段长度之差diffdist：
abs(L1_len-L2_len)<=min(L1_len,L2_len)/3 (3)
线段之间的方向一致，如图1所示，以线段L1，L2，L3中心点坐标计算线段之间的方向dirθ1，dirθ2,即两线段同方向角度差dirdiffslope：
abs(dirθ1-dirθ2)<=2.5*θ_threshold (4)
3)在初始时，两线段中心点距离dist，两线段角度差diffslope，两线段长度差diffdist，即将满足条件（1）、（2）、（3）作为初始聚类线段；
4）输入一条新线段，计算满足条件（1）、（2）、（3）、（4）的线段聚类为一组，遍历迭代所有线段，将满足条件（1）、（2）、（3）、（4）所有线段聚类为一组；
5）输出多个平行性、一致性相近的组，从大到小排列组的数目，每个方向线段上输出最大线段数目的3个组；
6）计算每一平行性、一致性组特征，即线段方向角度的平均值、线段之间中心点距离的平均值和线段之间中心点方向角度的平均值；
7）对于水平方向的线段受背景线段影响较大，限定输出组中线段方向角度的平均值与线段之间中心点方向角度的平均值之差近90°；
8）对于除水平方向外其他方向原线段聚类输出的组，限定输出组中线段方向角度的平均值与线段之间中心点方向角度的平均值之差近45°；
2．绝缘子所在区域的识别方法
对于6个方向的线段经过平行性、一致性聚类，每个方向可能输出最多3个聚类组。一个绝缘子区域可能聚类输出多个组，因此需要检测重叠的输出区域，并合并重叠的区域。
检测并合并重叠区域的方法是判断每个输出聚类组上下左右外接四个象素点，按左、顶、右、底顺时针连接，形成的区域作为可能的绝缘子区域，每两个聚类组的外接区域进行比较，如判断存在重叠区域，合并重叠区域，形成新的外接区域，作为潜在的绝缘子区域。
为了便于分块诊断绝缘子的缺陷，需要修整潜在的绝缘子区域为任意角度的矩形。其具体方法如下：
1)判断潜在的绝缘子区域内线段之间中心点方向角度的平均值avgangle，如这个角度范围在avgangle>=85或avgangle<=-85时，确定为可能垂直排列的绝缘子区域；如这个角度范围在avgangle<=2与avgangle>=-2时，确定为可能水平排列的绝缘子区域。如这个角度范围不在垂直排列或水平排列范围，按如下方式处理；
2)计算顶端点与左端点之间的距离，描述为leftdis；计算顶端点与右端点之间的距离，描述为topdis；计算底端点与右端点之间的距离，描述为rightdis；计算底端点与左端点之间的距离，描述为bottomdis；并计算如下两个参数：
a=min(leftdis,rightdis)
b=min(topdis,bottomdis) （5）
其中，a为leftdis,rightdis之间的较小值，b为topdis,bottomdis之间的较小值。
3)如（a>b）且（topdis>bottomdis），按图3（a）情况来计算最大外接矩形。以角度avgangle为准，在端点1与端点2计算出两条平行线，在端点0与3的最左端点、端点1与2的最右端计算出垂直的两条线，则这四条线的交点，作为最大外接矩形(0’,1’,2’,3’)；
4)如（a>b）且（topdis<=bottomdis），按图3（b）情况来计算最大外接矩形。以角度avgangle为准，在端点0与端点3计算出两条平行线，在端点0与3的最左端点、端点1与2的最右端计算出垂直的两条线，则这四条线的交点，作为最大外接矩形(0’,1’,2’,3’)；
5)如（a<=b）且（topdis>bottomdis），按图3（c）情况来计算最大外接矩形。以角度avgangle为准，在端点2与端点3计算出两条平行线，在端点0与1的最左端点、端点2与3的最右端计算出垂直的两条线，则这四条线的交点，作为最大外接矩形(0’,1’,2’,3’)；
6)如（a<=b）且（topdis<=bottomdis），按图3（d）情况来计算最大外接矩形。以角度avgangle为准，在端点0与端点1计算出两条平行线，在端点0与1的最左端点、端点2与3的最右端计算出垂直的两条线，则这四条线的交点，作为最大外接矩形(0’,1’,2’,3’)；
计算出最大外接矩形的长宽比要求大于4，再进一步分析这些区域与导线、杆塔的连接关系，并确定绝缘子区域。水平方向（-15°～15°）线段检测出垂直排列的绝缘子；垂直方向（小于-75°或大于75°）线段检测出水平排列的绝缘子；斜上方向（15°～75°）线段检测出斜下排列的绝缘子；斜下方向（-75°～-15°）线段检测出斜上排列的绝缘子；
3．基于分块特征量的缺陷诊断方法
灰度共生矩阵（GLCM）是最经典的纹理特征分析方法，它有14种纹理特征，最常用的5种纹理特征：能量、熵、惯性矩、相关性、局部平稳中根据变量控制法选取了最能表征绝缘子纹理特征的特征量，然而单一的纹理特征并不能百分之百表征绝缘子纹理。经过大量的测试与分析：发现惯性矩均值特征量与平滑度特征量能较好反映玻璃绝缘子掉片缺陷。
主要采用绝缘子区域分块和块间相似度计算两步骤来诊断玻璃绝缘子自爆掉片缺陷。如图4所示是绝缘子掉片缺陷诊断流程。
为了计算分块区域内的纹理特征量。将识别的任意矩形角度的绝缘子区域旋转，获得长方形区域的灰度模板图像来计算纹理特征量。识别绝缘子区域内的线段之间中心点距离的平均值的2倍作为分块的长度。计算每个分块内的平滑度特征量与惯性矩均值特征量来分析绝缘子的缺陷。用特征值跳变量的大小作为诊断的基本条件，特征值跳变量可以用特征值距离表示。因此当特征值跳变量出现较大的跳变值时，则可以说明绝缘子的规律性变化因掉串而被破坏；此外，为了设定统一的掉串阈值，将特征量做归一化处理。
假设将绝缘子矩形区域划分为n块，n为自然数，则计算出分块区域惯性矩均值特征量为：G0...Gi，Gi+1...Gn-1，其中0＜i＜n，分块区域的平滑度特征量为：S0...Si，Si+1...Sn-1，其中0＜i＜n。将相邻块之间惯性矩均值特征量差DG,i，平滑度特征量差DS,i作为特征量距离：
DG,i＝|Gi+1-Gi|
DS,i＝|Si+1-Si| （6）
计算出惯性矩距离DG,i与其最小值、平滑度距离DS,i与其最小值的距离差：
diffDG,i＝|DG,i-mDG|
diffDS,i＝|DS,i-mDS| （7）
其中，mDG，mDS分别为DG,i和DS,i的最小值，diffDG,i和diffDS,i为上述距离差的绝对值。
对距离差diffDG,i，diffDS,i作归一化处理，找出距离差变化较大的块，作为判决绝缘子区域有缺陷的依据。
4．实验结果
以无人机巡检采集的实际巡检图像为准，具体收集山东电力无人机对滨油、黄滨、寿海三条高压线路巡检采集的高分辨率图像100张作为测试的数据源，其中人工巡检可看出共有63个绝缘子，通过本专利算法可自动识别出56个，正确识别率达到88.9%。图5-图6分别为横向和竖向绝缘子的定位效果图像，黑色矩形框内为绝缘子串区域，图7为诊断缺陷的效果图，黑色矩形框内为绝缘子串区域，白色矩形框内为绝缘子串的缺陷区域。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于感知的绝缘子识别与缺陷诊断方法，其特征是，包括如下步骤：
步骤(1)：利用输电线路知识模型对绝缘子多平行线结构进行感知：
步骤(11)：在采集的巡检图像处理的底层，首先采用可变宽度的十字梯度模板，将十字梯度模板分解成水平和垂直方向，垂直方向模板读入垂直方向对应的图像亮度值，用于检测水平方向的线特征对象；水平方向模板读入水平方向对应的亮度值，用于检测垂直方向的线特征对象；十字模板能够检测所有斜率的线段；十字模板大小为masksize的模板能检测到的线段的最大宽度为(masksize-1)/2；
步骤(12)：计算每一条线段的角度与方向，由于绝缘子弧线较短，且排列方向不同；在初始提取的6个方向线段上来感知平行线组；线段的方向划分为：
-15°～15°：水平方向；
15°～45°：上偏水平方向；
45°～75°：上偏垂直方向；
-75°～-45°：下偏垂直方向；
-45°～15°：下偏水平方向；
小于-75°或大于75°：垂直方向；
步骤(13)：搜索潜在的绝缘子所在区域：
步骤(131)：录入一组方向的线段属性：线段中心点坐标、线段长度、线段角度，将线段中心点到图像原点距离的大小，排列这些线段的属性；
步骤(132)：计算录入的两条线段之间的四个特征参数：
线段L1,L2之间的距离即考虑绝缘子片之间的距离，设dist是两线段中心点之间的距离，dist小于阈值，即：
dist<＝InsulatorClipDist (1)
线段L1,L2之间的角度差diffslope小于阈值，即:
abs(θ1-θ2)<＝2*θ_threshold (2)
线段之间的长度近似一致，假定线段L1,L2的长度为：L1_len,L2_len,即两线段长度之差diffdist：
abs(L1_len-L2_len)<＝min(L1_len,L2_len)/3 (3)
线段之间的方向一致，以线段L1,L2中心点坐标计算线段之间的方向dirθ1，dirθ2,即两线段同方向角度差dirdiffslope：
abs(dirθ1-dirθ2)<＝2.5*θ_threshold (4)
步骤(133)：在初始时，两线段中心点距离dist，两线段角度差diffslope，两线段长度差diffdist，即将满足公式(1)、(2)、(3)作为初始聚类线段；
步骤(134)：输入一条新线段，计算满足公式(1)、(2)、(3)、(4)的线段聚类为一组，遍历迭代所有线段，将满足公式(1)、(2)、(3)、(4)所有线段聚类为一组；
步骤(135)：输出多个平行性、一致性相近的组，从大到小排列组的数目，每个方向线段上输出最大线段数目的3个组；
步骤(136)：计算每一平行性、一致性组特征，即线段方向角度的平均值、线段之间中心点距离的平均值、线段之间中心点方向角度的平均值；
步骤(137)：对于水平方向的线段受背景线段影响较大，限定输出组中线段方向角度的平均值与线段之间中心点方向角度的平均值之差近90°；
步骤(138)：对于除水平方向外其他方向原线段聚类输出的组，限定输出组中线段方向角度的平均值与线段之间中心点方向角度的平均值之差近45°；
步骤(2)：对绝缘子所在区域进行识别：检测重叠的输出区域，合并重叠的区域，修正潜在的绝缘子区域为任意角度的矩形；
步骤(3)：基于分块特征量的绝缘子掉片缺陷诊断：采用绝缘子区域分块和块间相似度计算两步骤来诊断玻璃绝缘子自爆掉片缺陷。
2.如权利要求1所述的一种基于感知的绝缘子识别与缺陷诊断方法，其特征是，所述步骤(1)的输电线路的知识模型包括绝缘子的三个量化参数：
a)绝缘子片在图像像素上的宽度：以InsulatorClipWidth表示；
b)巡检图像上最大可能绝缘子片之间像素距离：以InsulatorClipDist表示；
c)识别一个绝缘子最小片数目：以InsulatorMinClipNum表示。
3.如权利要求1所述的一种基于感知的绝缘子识别与缺陷诊断方法，其特征是，所述步骤(2)的检测并合并重叠区域的具体步骤为：判断每个输出聚类组上下左右外接四个象素点，按左、顶、右、底顺时针连接，形成的区域作为可能的绝缘子区域，每两个聚类组的外接区域进行比较，如果判断存在重叠区域，合并重叠区域，形成新的外接区域，作为潜在的绝缘子区域。
4.如权利要求1所述的一种基于感知的绝缘子识别与缺陷诊断方法，其特征是，所述步骤(3)的具体步骤为：
步骤(31)：录入绝缘子矩形区域四点坐标；
步骤(32)：旋转绝缘子矩形区域形成长方形灰度模板图像；
步骤(33)：依据计算的绝缘子片平均距离，分块矩形区域；
步骤(34)：计算分块区域的特征量；
步骤(35)：归一化相邻块之间相对特征量；
步骤(36)：判决突变块，确定缺陷区域。
5.如权利要求4所述的一种基于感知的绝缘子识别与缺陷诊断方法，其特征是，所述步骤(32)中，将识别的任意矩形角度的绝缘子区域旋转，获得长方形区域的灰度模板图像来计算纹理特征量；
所述步骤(33)中，识别绝缘子区域内的线段之间中心点距离的平均值的2倍作为分块的长度。
6.如权利要求4所述的一种基于感知的绝缘子识别与缺陷诊断方法，其特征是，
所述步骤(34)中，计算分块区域的特征量，需要计算每个分块内的平滑度特征量与惯性矩均值特征量来分析绝缘子的缺陷，具体为
假设将绝缘子矩形区域划分为n块，n为自然数，则计算出分块区域惯性矩均值特征量为：G0...Gi，Gi+1...Gn-1，其中0＜i＜n，分块区域的平滑度特征量为：S0...Si，Si+1...Sn-1，其中0＜i＜n；将相邻块之间惯性矩均值特征量差DG,i，平滑度特征量差DS,i作为特征量距离：
DG,i＝|Gi+1-Gi|
DS,i＝|Si+1-Si| (6)
计算出惯性矩距离DG,i与惯性矩距离最小值的距离差、平滑度距离DS,i与平滑度距离最小值的距离差：
diffDG,i＝|DG,i-mDG|
diffDS,i＝|DS,i-mDS| (7)
其中，mDG为DG,i的最小值，mDS为DS,i的最小值，diffDG,i和diffDS,i为上述距离差的绝对值。
7.如权利要求4所述的一种基于感知的绝缘子识别与缺陷诊断方法，其特征是，所述步骤(35)中，为了设定统一的掉串阈值，将特征量做归一化处理；所述归一化方法采用最大最小归一化方法。
8.如权利要求4所述的一种基于感知的绝缘子识别与缺陷诊断方法，其特征是，所述步骤(36)中，用特征值跳变量的大小作为诊断的基本条件，特征值跳变量用特征值距离表示；当特征值跳变量出现较大的跳变值时，则说明绝缘子的规律性变化因掉串而被破坏；对距离差diffDG,i，diffDS,i作归一化处理，找出距离方差变化较大的块，作为判决绝缘子区域有缺陷的依据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310517395.8A CN103529362B (zh) | 2013-10-28 | 2013-10-28 | 基于感知的绝缘子识别与缺陷诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310517395.8A CN103529362B (zh) | 2013-10-28 | 2013-10-28 | 基于感知的绝缘子识别与缺陷诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103529362A CN103529362A (zh) | 2014-01-22 |
| CN103529362B true CN103529362B (zh) | 2015-10-28 |
Family
ID=49931525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310517395.8A Active CN103529362B (zh) | 2013-10-28 | 2013-10-28 | 基于感知的绝缘子识别与缺陷诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103529362B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103792238B (zh) * | 2014-02-07 | 2016-01-20 | 国家电网公司 | 一种瓷质悬式绝缘子缺陷诊断方法 |
| CN103886610B (zh) * | 2014-04-05 | 2016-08-17 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN104483326B (zh) * | 2014-12-19 | 2017-12-22 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 |
| CN105354589A (zh) * | 2015-10-08 | 2016-02-24 | 成都唐源电气有限责任公司 | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 |
| CN106570853B (zh) * | 2015-10-08 | 2020-03-24 | 上海深邃智能科技有限公司 | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 |
| CN106228172B (zh) * | 2016-09-20 | 2019-09-24 | 西安工程大学 | 基于聚类分析的破损绝缘子图像提取方法 |
| CN106504247B (zh) * | 2016-11-09 | 2019-05-17 | 广东电网有限责任公司电力科学研究院 | 一种基于可见光图像的绝缘子串爆片自动检测方法及装置 |
| CN106778734B (zh) * | 2016-11-10 | 2020-04-21 | 华北电力大学（保定） | 一种基于稀疏表示的绝缘子掉串缺陷检测方法 |
| CN106919932A (zh) * | 2017-03-13 | 2017-07-04 | 华北电力大学（保定） | 一种“模拟‑真实”平行结构的绝缘子定位软识别方法 |
| CN107644234B (zh) * | 2017-10-12 | 2020-08-18 | 成都思晗科技股份有限公司 | 一种输电线路的绝缘子脱落缺陷检测方法 |
| CN108665468B (zh) * | 2017-11-10 | 2021-05-14 | 三峡大学 | 一种提取直线塔绝缘子串的装置及方法 |
| CN108680833B (zh) * | 2018-03-30 | 2021-06-11 | 中科吉芯(秦皇岛)信息技术有限公司 | 基于无人机的复合绝缘子缺陷检测系统 |
| CN108960241A (zh) * | 2018-07-26 | 2018-12-07 | 国网安徽省电力公司检修公司 | 基于统计形状模型的绝缘子掉串检测算法 |
| CN112835375B (zh) * | 2021-01-08 | 2022-03-01 | 中国科学技术大学 | 基于无人机的绝缘子清洗方法、系统、设备、存储介质 |
| CN114399468A (zh) * | 2021-12-15 | 2022-04-26 | 北京四方继保自动化股份有限公司 | 基于特征自学习的电路板管脚缺陷识别方法 |
| CN115376219A (zh) * | 2022-06-28 | 2022-11-22 | 广州番禺电缆集团有限公司 | 电缆绝缘层破损的巡检装置、方法、电子设备及存储介质 |
| CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
| CN116797604B (zh) * | 2023-08-28 | 2023-12-26 | 中江立江电子有限公司 | 一种玻璃绝缘子缺陷识别方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101620676A (zh) * | 2009-07-02 | 2010-01-06 | 浙江省电力公司 | 绝缘子轮廓的快速图像识别方法 |
| CN101726693A (zh) * | 2009-11-26 | 2010-06-09 | 绍兴电力局 | 一种在紫外图像上寻找电力设备放电区域的方法 |
| CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| CN103136531A (zh) * | 2013-03-26 | 2013-06-05 | 华北电力大学（保定） | 一种绝缘子串红外图像自动识别方法 |
| TWI431287B (zh) * | 2011-10-28 | 2014-03-21 | Taiwan Power Co | 礙子狀態監測方法 |
-
2013
- 2013-10-28 CN CN201310517395.8A patent/CN103529362B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101620676A (zh) * | 2009-07-02 | 2010-01-06 | 浙江省电力公司 | 绝缘子轮廓的快速图像识别方法 |
| CN101726693A (zh) * | 2009-11-26 | 2010-06-09 | 绍兴电力局 | 一种在紫外图像上寻找电力设备放电区域的方法 |
| CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| TWI431287B (zh) * | 2011-10-28 | 2014-03-21 | Taiwan Power Co | 礙子狀態監測方法 |
| CN103136531A (zh) * | 2013-03-26 | 2013-06-05 | 华北电力大学（保定） | 一种绝缘子串红外图像自动识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103529362A (zh) | 2014-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103529362B (zh) | 基于感知的绝缘子识别与缺陷诊断方法 | |
| 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系统 | |
| CN108734689A (zh) | 一种基于区域生长的导线散股检测方法 | |
| CN103886610B (zh) | 一种绝缘子图像缺陷检测方法 | |
| CN110197176A (zh) | 基于图像识别技术的巡检数据智能分析系统及分析方法 | |
| CN106326808A (zh) | 基于无人机图像的检测输电线路杆塔鸟窝的方法 | |
| CN105957073B (zh) | 输电线路散股故障检测方法 | |
| CN102520286B (zh) | 基于高光谱的复合绝缘子运行状态分类方法 | |
| CN102508110A (zh) | 基于纹理的绝缘子缺陷诊断方法 | |
| CN103413150A (zh) | 基于可见光影像对电力线路缺陷进行诊断的方法 | |
| CN104835152A (zh) | 一种输电线路巡检图像的处理方法和系统 | |
| CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
| CN111754465A (zh) | 一种绝缘子定位与掉串检测方法 | |
| CN104849287A (zh) | 一种复合绝缘子污秽程度非接触检测方法 | |
| CN111462057B (zh) | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 | |
| CN111507189B (zh) | 一种基于图像处理技术的绝缘子串缺陷快速检测方法 | |
| CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
| CN105528790A (zh) | 一种输电线路小型部件识别方法 | |
| CN108596196A (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
| CN102519974A (zh) | 基于图像智能识别的复合绝缘子龟裂检测方法 | |
| Fang et al. | Fast detection method of insulator fault based on image processing technology | |
| CN112270234B (zh) | 一种基于航拍图像的输电线路绝缘子目标识别方法 | |
| Xuan et al. | Intelligent identification method of insulator defects based on CenterMask | |
| CN112418226B (zh) | 一种鱼眼分合闸状态识别的方法及装置 | |
| CN108573233B (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee after: Electric Power Research Institute of State Grid Shandong Electric Power Company Patentee after: State Grid Corporation of China Co-patentee after: National Network Intelligent Technology Co., Ltd. Address before: 250002, No. 1, South Second Ring Road, Shizhong District, Shandong, Ji'nan Co-patentee before: Electric Power Research Institute of State Grid Shandong Electric Power Company Patentee before: State Grid Corporation of China Co-patentee before: Shandong Luneng Intelligent Technology Co., Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201028 Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park) Patentee after: National Network Intelligent Technology Co.,Ltd. Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Patentee before: STATE GRID CORPORATION OF CHINA Patentee before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co. Patentee before: National Network Intelligent Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |