CN103954897A - 基于紫外成像的智能电网高压绝缘损坏监控系统及方法 - Google Patents

Abstract

本发明公开了一种基于紫外成像的智能电网高压绝缘损坏监控系统及方法，采集模块运用紫外成像仪对高压绝缘设备进行图像采集，获得设备表面电晕电弧放电的RGB彩色图像；预处理模块将RGB彩色图像转化为灰度图像；阈值分割子模块采用阈值分割法，设定一个阈值将灰度图转化为二值图，分割出图像中的放电区域；形态学滤波子模块对二值图进行数学形态学滤波处理，去除散点；边缘检测子模块对经滤波后的图像进行边缘检测，并储存边缘像素点位置信息，改变原图中这些边缘像素点的颜色，得到分割效果图。本发明具有简单高效、直观形象、不影响设备正常运行、安全方便等特点，结合图像分割技术分割出放电区域，实现了了高压绝缘损坏的准确检测。

Description

基于紫外成像的智能电网高压绝缘损坏监控系统及方法

技术领域

本发明涉及图像处理领域，特别是涉及一种基于紫外成像的智能电网高压绝缘损坏监控系统及方法。

背景技术

随着电网规模的不断扩大、电力负荷要求的不断提高，电力系统中使用的各种类型的高压设备的损坏、故障也不断增加。相应地，对预防性维护的要求也不断提高。智能电网实现了传统电网的升级换代，满足了人们对供电可靠性和电力资源质量越来越高的要求，以及对新型发电技术，如太阳能发电的需求。中国的智能电网和其他国家又有所差别。国外智能电网更关注配电领域，而我国却更关心输电网领域，着重于保证电网的安全可靠和稳定，提升驾驭大电网的安全运行能力。而随着我国智能输电线路的建设推进，人工监测输电线路的状态越来越不可实现，因此使用计算机和智能设备进行全自动图像/视频监测和分析应运而生，其中对输电线路和变电站电气设备的老化和绝缘性能下降的监测尤为重要。

输电线路和高压变电站设备在大气环境下工作，随着其绝缘性能的降低或结构缺陷的出现，线路和电气设备会产生局部表面电晕放电和电弧放电现象。对输电线路和电气设备进行电晕电弧放电检测，能够及时掌握其绝缘劣化状况，在严重事故发生之前就可以进行避免。

传统的电晕放电检测方法主要有：观察法、超声波检测、泄漏电流在线监测和红外成像仪观测等，这些方法在实际应用中都有一定的缺陷：

(1)肉眼观察是最常用的方法之一，但大量的电气设备事故是在没有可见光出现的情况下就发生的，人们常常只能听到“嗞嗞”的电晕放电声，而看不到放电情况；

(2)超声波检测法很难直观准确地定位远距离的放电点，特别是有多个点同时放电的时候，定位更加困难；

(3)泄漏电流在线监测法需要预先安装相应的测量设备，不适合大面积推广使用；

(4)红外成像观测法可检测到放电积累或设备内部故障引起的温度升高，但这是一种间接的测量方法，不能直接的看到放电。

紫外成像法是利用“日盲”波段对高压设备进行损坏在线检测的方法，此波段不受太阳辐射的影响，即对太阳辐射不敏感，在此波段内太阳辐射的紫外线几乎全部被臭氧层吸收，太阳传来的紫外光份量极低，所以检测到的紫外线为检测设备发出的。利用“日盲”目标发出的紫外线强于太阳紫外辐射的特性，通过紫外成像仪就可以观察和检测到该波段的紫外目标信号，并将紫外信号转变为可见的图像信号后进行分析和测量，可以判断高压输变电设备是否存在放电。

现阶段对于电网输电线路和高压变电站设备的绝缘损坏检测一般都是人工使用紫外成像仪进行分析，但是这种方法已经不能适应智能电网的巨大规模以及输电线路所处的复杂的自然环境。面对紫外成像仪得到的紫外图像，使用图像分割技术准确分割出电晕电弧放电区域，自动化识别因绝缘损坏而产生的放电区域，达到自动监测、分析和预警的功能。

发明内容

本发明的目的在于克服现有技术的不足，提供一种新型的基于紫外成像的智能电网高压绝缘损坏监控系统及方法，通过图像分割技术提取图像的特定特征，以智能识别图像中的放电区域，能够发现引起电场异常的设备缺陷，精确定位放电位置、观察放电情况，通过分析来判断电晕放电对电气设备外绝缘造成的危害，具有简单高效、直观形象、且不影响设备运行、安全方便等诸多优点。

本发明的目的是通过以下技术方案来实现的：基于紫外成像的智能电网高压绝缘损坏监控系统，包括采集模块、预处理模块和分析模块，分析模块包括阈值分割子模块、滤波子模块和边缘检测子模块；

采集模块：运用紫外成像仪对智能电网高压绝缘线路和电气设备进行图像采集，获得设备表面电晕电弧放电的双光谱RGB彩色图像；

预处理模块：将RGB彩色图像转化为灰度图像；

阈值分割子模块：采用阈值分割法，设定一个阈值将灰度图转化为二值图，分割出图像中的放电区域；

形态学滤波子模块：对二值图进行数学形态学滤波处理，去除散点；

边缘检测子模块：对经滤波后的图像进行边缘检测，并储存边缘像素点位置信息，改变原图中这些边缘像素点的颜色，得到分割效果图。

所述的边缘检测子模块包括滤波单元、边缘增强单元和检测单元：

滤波单元用于将原始图像转化为平滑图像；

边缘增强单元：确定图像各点邻域强度的变化值，将邻域或局部强度值有显著变化的点突显出来；

检测单元：根据梯度幅值阈值判据进行边缘检测，利用Canny边缘检测算子检测阶跃边缘，找出具有局部最大梯度幅值的像素点。

基于紫外成像的智能电网高压绝缘损坏监控系统还包括中央处理模块，用于筛选处理得到的效果图，决定是否上传图像或者保存图像，将检测得到的设备运行状态参数和图像资料存储起来，建立设备运行状态档案数据库；也可对大规模高压电气设备进行自动监测和预警。

基于紫外成像的智能电网高压绝缘损坏监控系统还包括电网控制模块，用于根据检测的最终结果分析并决定是否发出预警。

基于紫外成像的智能电网高压绝缘损坏监控方法，它包括以下步骤：

S1：图像采集：运用紫外成像仪对智能电网高压绝缘线路和电气设备进行图像采集，获得设备表面电晕电弧放电的双光谱RGB彩色图像；

S2：预处理：将RGB彩色图像转化为灰度图像，改善原始图像的质量，减少无用信息；在几何特征方面使图像符合后续特征提取的需要；使图像的有效信息比重增加；

S3：阈值分割：采用阈值分割法，设定一个阈值将灰度图转化为二值图，分割出图像中的放电区域；

S4：形态学滤波：对二值图进行数学形态学滤波处理，去除散点；

S5：边缘检测：对经滤波后的图像进行边缘检测，并储存边缘像素点位置信息，改变原图中这些边缘像素点的颜色，得到分割效果图。

所述的图像采集步骤包括以下子步骤：

S101：运用紫外成像仪接收放电产生的紫外线信号；

S102：经处理后成像与可见光图像进行重叠，合成获得双光谱图像，达到确定放电位置和强度的目的。

所述的预处理步骤将RGB彩色图像的颜色特征由R、G、B三个分量转化为由亮度Y一个分量来表示，Y的计算方式如下：

Y(x,y)＝0.229R(x,y)+0.587G(x,y)+0.114B(x,y)；

x和y分别表示像素的坐标位置，灰度图中像素的亮度Y的取值范围是[0，255]，其中0表示全黑，255表示全白。

所述的阈值分割步骤采用阈值分割法，设定一个阈值将灰度图转化为二值图，即图像中的像素只有0和1两个值，0为黑色，1为白色，阈值分割方法如下：

式中Y(x,y)为每个像素的灰度值，T₀为选择的阈值；

根据不同的天气状况对T₀进行调整，以达到最优分割效果，具体调整方法如下：

所述的形态学滤波步骤对二值图像进行处理，基本运算为腐蚀和膨胀，其定义如下：设A为原始的二值图像，B为结构元素，A用B来腐蚀记作AΘB，腐蚀运算定义为：

A用B来膨胀记作膨胀运算定义为：

由腐蚀和膨胀运算组合成为开启和闭合运算，分别为开运算AоB，定义为：

闭运算A·B，定义为：

开运算在不影响目标区域的情况下消除图像中像素尺寸小的散点，并使得图像外边界平滑；

闭运算是先将图像进行膨胀，然后再进行腐蚀，可消除图像区域内部的一些空洞，同时对图像内边界起到平滑作用；

A为待处理的二值图像，面对电晕电弧产生的放电区域为近似圆形的区域，选择结构元素为圆形结构元素，进行开启和闭合运算之后得到滤波效果图F(x，y)，即：

A＝B(x,y)；

$B=\left[\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 1& 1& 1& 0\\ 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 0\\ 0& 0& 1& 0& 0\end{array}\right];$

F(x,y)＝(AоB)·B。

所述的边缘检测步骤包括滤波子步骤、边缘增强子步骤和检测子步骤：

滤波子步骤将原始图像转化为平滑图像，在增强边缘和降低噪声之间找到折衷点；

边缘增强子步骤：确定图像各点邻域强度的变化值，将邻域或局部强度值有显著变化的点突显出来，通过计算梯度幅值来完成；

检测子步骤：根据梯度幅值阈值判据进行边缘检测，利用Canny边缘检测算子检测阶跃边缘，找出具有局部最大梯度幅值的像素点。

本发明的有益效果是：

(1)电气设备紫外成像检测技术可以检测电晕放电和表面局部放电特性以及电力设备外绝缘状态和污秽程度，能够较明确地给出故障的属性、部位和严重程度，无需另备辅助信号源和各种检测装置为设备检修提供依据，与传统检测手段相比，具有简单高效、直观形象、不影响设备正常运行、安全方便等诸多优点，可以在电气设备多种缺陷和故障的检测中发挥积极作用：一方面能够及时掌握绝缘可能出现的劣化情况，在严重事故发生之前就可以确定绝缘的危险状况，从而避免事故的发生；另一方面，随着紫外成像检测技术的完善，结合图像分析系统，对于故障诊断智能化及电气设备状态智能检修的实现具有重要的意义。

(2)智能电网环境中对高压绝缘设备进行自动的监测和分析并提早预警，有助于保障设备运行和企业生产，本方案通过对高压设备电弧电晕放电图像的分析，并结合图像分割技术分割出放电区域，实现了了高压绝缘损坏的准确检测，对电网系统的维护起到了监测作用。

(3)对噪声信号的恢复主要采用非线性滤波来处理，有效抑制了各种非加性噪声，采用形态学滤波处理，形态学又称图像代数，以形态学的方法来研究和分析图像，具有其它方法无法替代的作用，目前在机器人视觉、医学图像分析等领域，形态学己作为图像处理与分析系统的基础，并由此来考虑系统的体系结构，其应用取得了非常大的成功。

(4)利用紫外成像技术可以直接观察放电情况，并使用灰度预处理、形态学滤波、边缘检测等方法对图像进行处理，实现了放电区域迅速、准确的定位，对电网系统的安全问题进行诊断和预警。

与传统的预防性试验和离线检测相比，紫外成像检测技术有以下技术特点：

1)紫外成像检测时可以做到不停电、不改变系统的运行状态，从而检测到设备在运行状态下的真实状态信息；

2)能够以图像的形式迅速、形象、直观地显示出设备的运行状态和故障情况；

3)紫外成像检测的响应速度快，在被测设备与紫外成像检测仪作相对高速运动时，仍能完成高质量的检测，因此，为直升飞机线路故障巡检提供了可行性，不仅大大提高了检测效率，而且降低了劳动强度；

4)紫外成像技术有利于实现电力设备的状态管理和状态检修，当把所有设备在运行中的紫外电晕成像信息建立数据库后，设备管理人员可对管辖的所有设备运行状态实施管理，并根据每台设备的状态演变情况进行有针对性的检修。

附图说明

图1为本发明系统结构框图；

图2为紫外成像仪采集图像的工作原理图；

图3为原RGB彩色图经预处理后的灰度图；

图4为阈值分割转化后的二值图；

图5为形态学滤波后的分割图像；

图6为边缘检测后获得的最终分割效果图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，基于紫外成像的智能电网高压绝缘损坏监控系统，包括采集模块、预处理模块和分析模块，分析模块包括阈值分割子模块、滤波子模块和边缘检测子模块；基于紫外成像的智能电网高压绝缘损坏监控系统还包括中央处理模块，用于筛选处理得到的效果图，决定是否上传图像或者保存图像，将检测得到的设备运行状态参数和图像资料存储起来，建立设备运行状态档案数据库；也可对大规模高压电气设备进行自动监测和预警。基于紫外成像的智能电网高压绝缘损坏监控系统还包括电网控制模块，用于根据检测的最终结果分析并决定是否发出预警。

采集模块：运用紫外成像仪对智能电网高压绝缘线路和电气设备进行图像采集，获得设备表面电晕电弧放电的双光谱RGB彩色图像。高压设备绝缘损坏时会发生电离放电，根据电场强度的不同，会产生电晕、闪络或者电弧现象。在放电过程中，空气中的电子不断获得和释放能量，而当电子释放能量(即放电)时，便会辐射出可见光波、紫外线、电磁辐射等。由于可见光波段在强烈的电弧放电阶段才会出现，且容易受到外界环境影响，因此难以进行检测。与此同时，紫外线的波长范围是10～400nm，而太阳辐射到地球表面的紫外线通过臭氧层吸收之后，实际到达地面的紫外线波长几乎都在280nm以上，因此280nm以下的波长区间被称为“太阳盲区(日盲)”。空气中氮气电离时产生的紫外线波长范围也在280～400nm范围内，极少一部分低于280nm。因此在地面高压设备附近检测到位于“太阳盲区”范围内的紫外线，基本可以判定为因绝缘损坏产生的放电现象造成的紫外辐射。紫外成像技术便是根据这个原理，通过特殊的仪器接收放电产生的紫外线信号，经处理后成像并与可见光图像进行重叠获得双光谱图像，达到确定放电位置和强度的目的。

图像成像设备由于受光照条件，环境背景，硬件设备等众多因素的影响，经过紫外成像仪拍到的图像需要经过预处理，消除噪声等外界因素影响之后才可以进一步进行特征提取，也就是必须经过图像预处理才能获得有效的特征信息。图像预处理在特征提取中的作用主要体现在三个方面：第一，改善原始图像的质量，使无用的信息尽量减少；第二，在几何特征方面使图像符合后续图像特征提取的需要，例如一定的尺寸大小，拍摄角度等要求；第三，经过预处理使图像的有效信息比重增加，减少运算量，提高计算精度。

预处理模块：将RGB彩色图像转化为灰度图像；

阈值分割子模块：采用阈值分割法，设定一个阈值将灰度图转化为二值图，分割出图像中的放电区域，阈值法的优点是可以得到清晰的图像放电区域，可以方便地在后续工作中得到放电区域的面积大小。

形态学滤波子模块：对二值图进行数学形态学滤波处理，去除散点；形态学研究图像几何结构的基本思想是利用一个称为结构元素的“探针”对信号进行“探测”，保留主要形状，删除不相干形状(如噪声、毛刺等)。当探针在图像中不断移动时，便可考察图像间各个部分之间的相互关系，从而了解图像的结构特征。作为探针的结构元素，可直接携带知识，如方向、大小、灰度和色度等信息，来探测、研究包含了信号主要信息的结构特征，不同的结构元素可以描述算子的性能，而几何描述特点似乎更适合视觉信息的处理和分析。

边缘检测子模块：对经滤波后的图像进行边缘检测，并储存边缘像素点位置信息，改变原图中这些边缘像素点的颜色，得到分割效果图。

所述的边缘检测子模块包括滤波单元、边缘增强单元和检测单元：滤波单元用于将原始图像转化为平滑图像；边缘增强单元：确定图像各点邻域强度的变化值，将邻域或局部强度值有显著变化的点突显出来；检测单元：根据梯度幅值阈值判据进行边缘检测，利用Canny边缘检测算子检测阶跃边缘，找出具有局部最大梯度幅值的像素点。

基于紫外成像的智能电网高压绝缘损坏监控方法，它包括以下步骤：

S1：图像采集：运用紫外成像仪对智能电网高压绝缘线路和电气设备进行图像采集，获得设备表面电晕电弧放电的双光谱RGB彩色图像；

S2：预处理：将RGB彩色图像转化为灰度图像，改善原始图像的质量，减少无用信息；在几何特征方面使图像符合后续特征提取的需要；使图像的有效信息比重增加；

S3：阈值分割：采用阈值分割法，设定一个阈值将灰度图转化为二值图，分割出图像中的放电区域；

S4：形态学滤波：对二值图进行数学形态学滤波处理，去除散点；

S5：边缘检测：对经滤波后的图像进行边缘检测，并储存边缘像素点位置信息，改变原图中这些边缘像素点的颜色，得到分割效果图。

如图2所示，所述的图像采集步骤包括以下子步骤：

S101：运用紫外成像仪接收放电产生的紫外线信号；

S102：经处理后成像与可见光图像进行重叠，合成获得双光谱图像，达到确定放电位置和强度的目的。

所述的预处理步骤将RGB彩色图像的颜色特征由R、G、B三个分量转化为由亮度Y一个分量来表示，Y的计算方式如下：

Y(x,y)＝0.229R(x,y)+0.587G(x,y)+0.114B(x,y)；

x和y分别表示像素的坐标位置，灰度图中像素的亮度Y的取值范围是[0，255]，其中0表示全黑，255表示全白。

预处理前的图像为RGB彩色原图，图3为预处理后的灰度图。

所述的阈值分割步骤采用阈值分割法，设定一个阈值将灰度图转化为二值图，即图像中的像素只有0和1两个值，0为黑色，1为白色，阈值分割方法如下：

式中Y(x,y)为每个像素的灰度值，T₀为选择的阈值；

根据不同的天气状况对T₀进行调整，以达到最优分割效果，具体调整方法如下：

阈值分割转化后的二值图见图4。

所述的形态学滤波步骤对二值图像进行处理，基本运算为腐蚀和膨胀，其定义如下：设A为原始的二值图像，B为结构元素，A用B来腐蚀记作AΘB，腐蚀运算定义为：

A用B来膨胀记作膨胀运算定义为：

由腐蚀和膨胀运算组合成为开启和闭合运算，分别为开运算AоB，定义为：

闭运算A·B，定义为：

开运算在不影响目标区域的情况下消除图像中像素尺寸小的散点，并使得图像外边界平滑；

闭运算是先将图像进行膨胀，然后再进行腐蚀，可消除图像区域内部的一些空洞，同时对图像内边界起到平滑作用；

A为待处理的二值图像，面对电晕电弧产生的放电区域为近似圆形的区域，选择结构元素为圆形结构元素，进行开启和闭合运算之后得到滤波效果图F(x，y)，即：

A＝B(x,y)；

F(x,y)＝(AоB)·B。

形态学滤波后的分割图像如图5所示。

边缘是图像最基本的特征，包含了用于识别的有用信息，为人们描述或识别目标以及解释图像提供了一个重要的有价值的特征参数。边缘存在于目标与背景、目标与目标、区域与区域之间，是图像分割所依赖的重要特征，也是纹理特征的重要信息源和形状特征的基础。边缘检测是在局部区域上针对“点”的一种运算，表现为一种典型的信号处理问题。图像信息量巨大，而边缘信息是图像的一种紧描述，所包含的往往是图像中最重要的信息。各种检测方法的特点和应用范围不同。

所述的边缘检测步骤包括滤波子步骤、边缘增强子步骤和检测子步骤：

滤波子步骤将原始图像转化为平滑图像，在增强边缘和降低噪声之间找到折衷点；

边缘增强子步骤：确定图像各点邻域强度的变化值，将邻域或局部强度值有显著变化的点突显出来，通过计算梯度幅值来完成；

检测子步骤：根据梯度幅值阈值判据进行边缘检测，利用Canny边缘检测算子检测阶跃边缘，找出具有局部最大梯度幅值的像素点。

边缘检测后获得的最终分割效果图如图6所示。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.基于紫外成像的智能电网高压绝缘损坏监控系统，其特征在于：包括采集模块、预处理模块和分析模块，分析模块包括阈值分割子模块、滤波子模块和边缘检测子模块；

采集模块：运用紫外成像仪对智能电网高压绝缘线路和电气设备进行图像采集，获得设备表面电晕电弧放电的双光谱RGB彩色图像；

预处理模块：将RGB彩色图像转化为灰度图像；

阈值分割子模块：采用阈值分割法，设定一个阈值将灰度图转化为二值图，分割出图像中的放电区域；

形态学滤波子模块：对二值图进行数学形态学滤波处理，去除散点；

边缘检测子模块：对经滤波后的图像进行边缘检测，并储存边缘像素点位置信息，改变原图中这些边缘像素点的颜色，得到分割效果图。

2.根据权利要求1所述的基于紫外成像的智能电网高压绝缘损坏监控系统，其特征在于：所述的边缘检测子模块包括滤波单元、边缘增强单元和检测单元：

滤波单元用于将原始图像转化为平滑图像；

边缘增强单元：确定图像各点邻域强度的变化值，将邻域或局部强度值有显著变化的点突显出来；

检测单元：根据梯度幅值阈值判据进行边缘检测，利用Canny边缘检测算子检测阶跃边缘，找出具有局部最大梯度幅值的像素点。

3.根据权利要求1所述的基于紫外成像的智能电网高压绝缘损坏监控系统，其特征在于：还包括中央处理模块，用于筛选处理得到的效果图，决定是否上传图像或者保存图像，将检测得到的设备运行状态参数和图像资料存储起来，建立设备运行状态档案数据库；也可对大规模高压电气设备进行自动监测和预警。

4.根据权利要求1所述的基于紫外成像的智能电网高压绝缘损坏监控系统，其特征在于：还包括电网控制模块，用于根据检测的最终结果分析并决定是否发出预警。

5.基于紫外成像的智能电网高压绝缘损坏监控方法，其特征在于：它包括以下步骤：

S1：图像采集：运用紫外成像仪对智能电网高压绝缘线路和电气设备进行图像采集，获得设备表面电晕电弧放电的双光谱RGB彩色图像；

S2：预处理：将RGB彩色图像转化为灰度图像，改善原始图像的质量，减少无用信息；在几何特征方面使图像符合后续特征提取的需要；使图像的有效信息比重增加；

S3：阈值分割：采用阈值分割法，设定一个阈值将灰度图转化为二值图，分割出图像中的放电区域；

S4：形态学滤波：对二值图进行数学形态学滤波处理，去除散点；

S5：边缘检测：对经滤波后的图像进行边缘检测，并储存边缘像素点位置信息，改变原图中这些边缘像素点的颜色，得到分割效果图。

6.根据权利要求5所述的基于紫外成像的智能电网高压绝缘损坏监控方法，其特征在于：所述的图像采集步骤包括以下子步骤：

S101：运用紫外成像仪接收放电产生的紫外线信号；

S102：经处理后成像与可见光图像进行重叠，合成获得双光谱图像，达到确定放电位置和强度的目的。

7.根据权利要求5所述的基于紫外成像的智能电网高压绝缘损坏监控方法，其特征在于：所述的预处理步骤将RGB彩色图像的颜色特征由R、G、B三个分量转化为由亮度Y一个分量来表示，Y的计算方式如下：

Y(x,y)＝0.229R(x,y)+0.587G(x,y)+0.114B(x,y)；

x和y分别表示像素的坐标位置，灰度图中像素的亮度Y的取值范围是[0，255]，其中0表示全黑，255表示全白。

8.根据权利要求5所述的基于紫外成像的智能电网高压绝缘损坏监控方法，其特征在于：所述的阈值分割步骤采用阈值分割法，设定一个阈值将灰度图转化为二值图，即图像中的像素只有0和1两个值，0为黑色，1为白色，阈值分割方法如下：

式中Y(x,y)为每个像素的灰度值，T₀为选择的阈值；

根据不同的天气状况对T₀进行调整，以达到最优分割效果，具体调整方法如下：

9.根据权利要求5所述的基于紫外成像的智能电网高压绝缘损坏监控方法，其特征在于：所述的形态学滤波步骤对二值图像进行处理，基本运算为腐蚀和膨胀，其定义如下：设A为原始的二值图像，B为结构元素，A用B来腐蚀记作AΘB，腐蚀运算定义为：

A用B来膨胀记作膨胀运算定义为：

由腐蚀和膨胀运算组合成为开启和闭合运算，分别为开运算AοB，定义为：

闭运算A·B，定义为：

开运算在不影响目标区域的情况下消除图像中像素尺寸小的散点，并使得图像外边界平滑；

闭运算是先将图像进行膨胀，然后再进行腐蚀，可消除图像区域内部的一些空洞，同时对图像内边界起到平滑作用；

A为待处理的二值图像，面对电晕电弧产生的放电区域为近似圆形的区域，选择结构元素为圆形结构元素，进行开启和闭合运算之后得到滤波效果图F(x，y)，即：

A＝B(x,y)；

F(x,y)＝(AоB)·B。

10.根据权利要求5所述的基于紫外成像的智能电网高压绝缘损坏监控方法，其特征在于：所述的边缘检测步骤包括滤波子步骤、边缘增强子步骤和检测子步骤：

滤波子步骤将原始图像转化为平滑图像，在增强边缘和降低噪声之间找到折衷点；

边缘增强子步骤：确定图像各点邻域强度的变化值，将邻域或局部强度值有显著变化的点突显出来，通过计算梯度幅值来完成；

检测子步骤：根据梯度幅值阈值判据进行边缘检测，利用Canny边缘检测算子检测阶跃边缘，找出具有局部最大梯度幅值的像素点。