CN105243450A - 交流导线表面粗糙度的预测方法及系统 - Google Patents
交流导线表面粗糙度的预测方法及系统 Download PDFInfo
- Publication number
- CN105243450A CN105243450A CN201510673107.7A CN201510673107A CN105243450A CN 105243450 A CN105243450 A CN 105243450A CN 201510673107 A CN201510673107 A CN 201510673107A CN 105243450 A CN105243450 A CN 105243450A
- Authority
- CN
- China
- Prior art keywords
- conductive line
- image
- line surfaces
- gray level
- surfaces roughness
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种交流导线表面粗糙度的预测方法及系统,该交流导线表面粗糙度的预测方法包括:获取导线的表面图像;对所述表面图像进行处理,获取对应的灰度图像参数;根据所述灰度图像参数得到灰度共生矩阵,并计算出所述灰度共生矩阵的特征参数;基于预先建立的所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,分别计算出与所述特征参数相对应的导线表面粗糙度;根据所述导线表面粗糙度,得到所述导线表面粗糙度的平均值Ra。因此,通过实施本发明实施例的技术方案,在不截断导线的情况下,获取导线表面图像特征,从而快速并相对准确地预测导线粗糙程度。
Description
技术领域
本发明涉及电力输送领域,特别涉及一种交流导线表面粗糙度的预测方法及系统。
背景技术
随着国民经济的快速发展,我国的电网规模也在不断扩大,新的超、特高压输电线路在设计和建造时无不考虑电磁环境问题,按照电力行业标准严控落实,因此电磁环境问题也成为制约超、特输变电工程成功与否的关键因素之一,而引起长期运行导线电磁环境变化的原因主要是导线表面电晕放电效应的变化。
其中,当导体表面的电场强度超过一定的临界值后,就会引起周围空气电离,并产生局部放电、发光,这被称为电晕放电现象。交流超、特高压输电线路电晕放电会产生无线电干扰、可听噪声和电晕能量损耗等效应;直流高压输电线路电晕放电除了会产生无线电干扰、可听噪声、电晕能量损耗外,由于放电产生的大量空间电荷还会对地面合成电场强度、离子电流产生显著影响。
而在导线型号、分裂方式、安装高度、外部环境等条件一致的情况下,新导线和长期运行导线电晕效应产生差异的根本原因是导线表面状态的不同。输电线路在长期运行过程中,直接受到大气环境的影响。工业企业排放的大量酸性气体和固体颗粒在水分、氧气的长期作用下,和输电线路外层的铝导线发生一系列理化反应,引起导线外层状态的变化,从而直接影响到导线的电晕放电效应。
同时,随着公众对其所处的工作、生活环境保护意识的不断增强,高压输变电设备附近的可听噪声、无线电干扰、工频电场、离子电流等电磁环境问题在不少地方已经成为公众关注的热点。另外,在大气环境污染较严重地区的导线存在着明显的电晕放电现象,导致了线路附近的可听噪声、无线电干扰升高,部分地区甚至引发了附近居民和电力部门之间的矛盾。
现有的测量导线表面状态的方法须将导线取样后,利用精密仪器进行分析测量,例如:利用扫描电子显微镜来观测导线表面的二维形貌;利用三维白光干涉形貌仪观测导线表面的三维轮廓并推算其粗糙程度、以及导线电磁环境有关的重要参数。
然而,利用三维白光干涉形貌仪测量导线表面的三维轮廓并推算其粗糙程度,必须建立在获得导线样本的情况下,而在实际工作中若取得导线样本时需要将导线截断一部分,这就破坏了导线本身的结构。因此,对于正在运行的输电线路或处于实验中的线路而言,很难得到导线样本。
经过大量的调查研究,本发明的发明人发现:对于大气环境恶劣地区运行的导线,在电磁环境的硬性约束下,其实际寿命会低于设计运行年限。并且,经过长期运行后的输电线路电磁环境是否能保持刚投入运行时的水平,这对于电力运行、管理部门来说仍然显得非常重要,因此如何及时了解导线表面状态的变化情况是本领域亟待解决的问题。
发明内容
有鉴于此,本发明实施例的目的在于提出一种交流导线表面粗糙度的预测方法及系统,能够在不截断导线的情况下,获取导线表面图像特征,从而快速并相对准确地预测导线粗糙程度。
进一步来讲,该交流导线表面粗糙度的预测方法包括:获取导线的表面图像;对所述表面图像进行处理,获取对应的灰度图像参数;根据所述灰度图像参数得到灰度共生矩阵,并计算出所述灰度共生矩阵的特征参数;基于预先建立的所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,分别计算出与所述特征参数相对应的导线表面粗糙度;根据所述导线表面粗糙度,得到所述导线表面粗糙度的平均值Ra。
可选地,在一些实施例中,上述交流导线表面粗糙度的预测方法还包括:根据所述导线表面粗糙度的平均值Ra,预测导线周围的电磁环境和/或推算导线寿命。
可选地,在一些实施例中,所述获取导线的表面图像的步骤包括:采用设置有微距镜头的照相设备,在估算的拍摄距离内,采集导线的表面图像;其中,所述表面图像的像素不低于1024×900,分辨率不低于300点/英寸。
可选地,在一些实施例中,所述对表面图像进行处理,获取对应的灰度图像参数的步骤包括:将所述表面图像处理为灰度图像;利用邻域平均法对灰度图像进行预处理,削弱图像的噪声点,平滑图像灰度;截取灰度图像,并获取对应的灰度图像参数。
可选地,在一些实施例中,所述灰度共生矩阵的特征参数包括:熵ENT,为图像内容随机性的度量参数,所述熵ENT的数值大小反映图像纹理复杂度;角二阶矩ASM,为灰度共生矩阵中各元素的平方和,用于反映图像灰度分布的均匀程度和纹理的粗糙程度;对比度CON,为所述灰度共生矩阵中关于对角线的惯性矩,用于反映矩阵值的分布情况,所述对比度的值代表图像纹理的深浅;相关性CORRLN,为度量所述灰度共生矩阵在某一方向相似程度的参数。
可选地,在一些实施例中,所述预先建立的所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系包括:
所述熵ENT与所述导线表面粗糙度Ri呈近似线性关系,采用函数关系式表达为:ENT=βN(K0Ri-d0);其中,βN为第一图像转换系数,N为图像放大倍数,βN与N呈近似线性增加关系;K0、d0为常数,βN的取值范围为0.85~1.15,K0的取值范围为0.1~0.2,d的取值范围为0~0.1;
所述角二阶矩ASM与所述导线表面粗糙度Ri呈近似指数上升关系,采用函数关系式表达为:其中,γN为第二图像转换系数,N为图像放大倍数,γN与N呈近似线性增加关系;C1、a1、x1为常数,γN的取值范围为0.85~1.15,C1的取值范围为0.3~0.6,a1的取值范围为0.8~1.4,x1的取值范围为0.1~0.3;
所述对比度CON与所述导线表面粗糙度Ri呈近似指数上升关系,采用函数关系式表达为:其中,ΦN为第三图像转换系数,N为图像放大倍数,ΦN与N呈近似线性增加关系;C2、a2、x2为常数,ΦN的取值范围为0.85~1.15,C2的取值范围为0.3~0.6,a2的取值范围为0.3~0.5,x2的取值范围为0.1~0.3;
所述相关性CORRLN与所述导线表面粗糙度Ri呈近似指数下降关系,采用函数关系式表达为:其中,δN为第四图像转换系数,N为图像放大倍数,δN与N呈近似线性增加关系;C3、a3、x3为常数,δN的取值范围为0.85~1.15,C3的取值范围为4.2~6.1,a3的取值范围为1.1~1.5,x3的取值范围为0.1~0.3;
根据所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系计算得到导线表面粗糙度Ri(i=1,2,3,4),所述导线表面粗糙度的平均值Ra=(R1+R2+R3+R4)/4。
可选地,在一些实施例中,上述交流导线表面粗糙度的预测方法还包括:对通过处理所述表面图像得到的灰度图像进行数字化处理,并获取由所述灰度图像的像素灰度值组成的灰度值矩阵;计算所述灰度值矩阵的方差F,所述方差F与导线表面粗糙度R5呈近似线性关系,具有函数关系:FN=αN(K1R5-d1);其中,αN为第五图像转换系数,N为图像放大倍数,αN与N呈近似线性增加关系;K1、d1为常数,αN的取值范围为0.85~1.15,K1的取值范围为120~160,d1的取值范围为12~20;根据所述方差F与导线表面粗糙度R5的函数关系,计算导线表面粗糙度R5;采用导线表面粗糙度R5,修正所述导线表面粗糙度的平均值Ra=(R1+R2+R3+R4+R5)/5。
相对应的,本发明还提出一种交流导线表面粗糙度的预测系统,该系统包括:图像采集设备,用于获取导线的表面图像;图像处理装置,用于对所述表面图像进行处理,获取对应的灰度图像参数;矩阵生成装置,用于根据所述灰度图像参数得到灰度共生矩阵,并计算出所述灰度共生矩阵的特征参数;粗糙度计算装置,用于基于预先建立的所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,分别计算出与所述特征参数相对应的导线表面粗糙度;以及,用于根据所述导线表面粗糙度,得到所述导线表面粗糙度的平均值Ra。
可选地,在一些实施例中,所述图像处理装置进一步用于:对通过处理所述表面图像得到的灰度图像进行数字化处理;所述矩阵生成装置进一步用于:获取由所述灰度图像的像素灰度值组成的灰度值矩阵;所述粗糙度计算装置进一步用于:根据所述灰度值矩阵的方差F与导线表面粗糙度的函数关系,修正所述导线表面粗糙度的平均值Ra。
可选地,在一些实施例中,上述交流导线表面粗糙度的预测系统还包括:电磁环境预测装置,用于根据所述导线表面粗糙度的平均值Ra预测导线周围的电磁环境;和/或,导线寿命推算装置,用于根据所述导线表面粗糙度的平均值Ra推算导线的寿命。
相对于现有技术,本发明各实施例具有以下优点:
采用本发明实施例的技术方案后,通过具有高分辨率的图像采集设备,对使用中的导线进行表面图像采集,在不截断导线的情况下,获取导线表面图像特征。并且,建立灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,从而根据采集的导线表面图像获取的灰度共生矩阵以及该函数关系,可快速并相对准确地预测导线粗糙程度。
本发明实施例的更多特点和优势将在之后的具体实施方式予以说明。
附图说明
构成本发明实施例一部分的附图用来提供对本发明实施例的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提出的交流导线表面粗糙度的预测方法流程示意图;
图2(a)-(b)为本发明实施例中利用高分辨率相机拍摄的导线表面图像示意图;
图2(c)为本发明实施例中利用SEM(扫描电子显微镜)拍摄的导线表面图像示意图;
图3为本发明实施例中灰度共生矩阵的示意图;
图4为本发明实施例提出的一种交流导线表面粗糙度的预测系统的方框图。
附图标记说明
100图像采集设备
200图像处理装置
300矩阵生成装置
400粗糙度计算装置
500电磁环境预测装置
600导线寿命推算装置
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明实施例及实施例中的特征可以相互组合。
下面结合附图,对本发明的各实施例作进一步说明:
本发明的发明人经大量调研发现:导线表面状态的变化机理对于合理选择导线的粗糙系数,优化设计输电导线的结构、运行寿命,满足输电线路电磁环境的要求都具有重要的基础意义,特别是针对大气环境恶劣地区,有鉴于此,本发明的以下实施例提出一种交流导线表面粗糙度的预测方法和系统,用于在不截断导线的情况下,通过分析导线表面图像特征,预测其粗糙程度。
方法实施例
参照图1,其示出了本实施例提出的一种交流导线表面粗糙度的预测方法。本实施例中,该交流导线表面粗糙度的预测方法包括以下步骤:
S102:获取导线的表面图像;
S104:对表面图像进行处理,获取对应的灰度图像参数;
S106:根据灰度图像参数得到灰度共生矩阵,并计算出灰度共生矩阵的特征参数;
S108:基于预先建立的灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,分别计算出与特征参数相对应的导线表面粗糙度;
S110:根据导线表面粗糙度,得到导线表面粗糙度的平均值Ra。
本实施例中,采用具有高分辨率的图像采集设备,对使用中的导线进行表面图像采集,在不截断导线的情况下,获取导线表面图像特征。并且,经过大量实验研究,建立灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,这样,通过根据采集的导线表面图像获取的灰度共生矩阵以及该函数关系,可快速并相对准确地预测导线粗糙程度,从而获得导线表面状态随周围电磁环境的变化实际状况。
作为一种可选的实施方式,上述交流导线表面粗糙度的预测方法还可包括以下步骤:
S112:根据导线表面粗糙度的平均值Ra,预测导线周围的电磁环境和/或推算导线寿命。
上述实施例中,根据计算得到的导线表面粗糙度,预测导线周围的电磁环境,进而还可根据导线表面状态随周围电磁环境的变化状况推算导线的寿命,从而可优化设计输电导线的结构,也可据此根据实际需要,合理地选择导线的粗糙系数对不符合运行要求的导线进行处理,以满足输电线路电磁环境的要求。
作为一种可选的实施方式,上述实施例的步骤S102中,获取导线的表面图像可进一步包括:采用设置有微距镜头的具有高分辨率的图像采集设备,在估算的拍摄距离内,采集导线的表面图像。其中,拍摄距离可根据天气状况、空气质量以及图像采集设备的性能进行设置,所采集的表面图像的像素优选不低于1024×900,分辨率不低于300点/英寸。
例如:在天气晴朗、实时空气质量指数(AQI)为良好或优秀的时候,可选择微距镜头最小的对焦距离,如选用佳能(Canon)EF100mmf/2.8LISUSM微距镜头,则为0.3m。
需要说明的是,上述的图像采集设备的像素优选不低于500万,可以安装焦距60mm-200mm、光圈1.2-2.5的微距镜头等。
例如,参照图2(a)-(c),其分别示出了采用两种方式拍摄到的导线样品表面的图像信息。其中,图2(a)-(b)为利用高分辨率相机拍摄的导线表面图像,图2(c)为利用SEM拍摄的导线表面图像,利用相机和SEM拍摄的最大区别是放大倍数的不同。
在一可选实施例中,上述步骤S104,对表面图像进行处理,获取对应的灰度图像参数可进一步包括:
S1041:将表面图像处理为灰度图像;其中,可采集的表面图像导入到图像处理装置中,可存储为处理软件可识别的格式,如png格式的图像。
S1042:利用邻域平均法对灰度图像进行预处理,削弱图像的噪声点,平滑图像灰度;现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,为减少数字图像中噪声,采用邻域平均法的除噪,将原图中某一像素的灰度值和它周围临近像素的灰度值相加,然后求其平均值作为处理后图像中该像素的灰度值。
S1043:截取灰度图像,并获取对应的灰度图像参数。
例如,利用基于灰度共生矩阵的方法求取的导线表面灰度信息的算法可分为图像类型转换、图像去噪、求取特征参数三个步骤。目前,最广泛采用的图像是RGB图像,也称为真彩色图像,即利用红(R)、绿(G)、蓝(B)三原色的分量组合来表现每个像素的颜色,而灰度图像中像素只有明暗信息,表现为亮度或灰度级(graylevel)。灰度图像是只有强度信息,而没有颜色信息的图像。矩阵中每个元素值代表不同的亮度或灰度级,如灰度为0,表示黑色,灰度为255,表示白色。这里,可采用数字图像处理的软件(如Matlab等)实现图像类型转换。
上述各实施例中,在编程求灰度共生矩阵时,图像灰度等级为64级,像素间距离为1,生成方向取0°、45°、90°和135°四个方向,得4个灰度共生矩阵,对这4个灰度共生矩阵求特征参数(角二阶矩ASM、熵ENT、对比度CON及相关性CORRLN),再求4个特征参数的均值作为最后的特征值。下面对灰度共生矩阵作进一步的说明:
参照图3所示,上述实施例中,灰度共生矩阵是角度θ方向上相距为d的两个像素,其灰度分别为i和j的频率相关矩阵,用Pd(i,j)(i,j=0,1,2…L-1)表示。其中L表示图像的灰度级;i,j分别表示像素的灰度;d表示两个像素间的空间位置关系,决定了像素间的距离和方向;θ为灰度共生矩阵的生成方向,通常取四个方向:0°、45°、90°和135°。
当像素间的距离和方向确定后,可生成一定位置关系d下的灰度共生矩阵。
式(4-1)矩阵中的元素值代表了图像像素间某种灰度组合状况的发生频数,如元素Pd(2,3)代表图像中位置关系为d的两个像素灰度分别为2和3的情况出现的次数。
在利用灰度共生矩阵进行分析时,为了方便,一般先将其归一化,即将各个元素Pd(i,j)除以矩阵(4-1)中所有元素之和,得到归一化后的值组成归一化共生矩阵,如式(4-2)所示。
因此,在前述任意一个实施例中,基于灰度共生矩阵定义的14种特征参数,上述实施例在这14个特征参数中选取四个是互不相关的,以有效地表征灰度共生矩阵,分别为:角二阶矩ASM、熵ENT、对比度CON及相关性CORRLN。
其中:
1)熵ENT(Entropy)
熵ENT为图像内容随机性的度量参数,用于度量图像信息量,熵ENT的数值大小反映图像纹理复杂度。例如,当图像内容随机性大,灰度共生值矩阵中元素分散分布且几乎所有值相等时,熵很大;反之,若图像没有任何纹理,则灰度共生值矩阵几乎为零阵,熵很小。因此,图像纹理复杂则熵值大;若图像灰度均匀则熵值小。
2)角二阶矩ASM(AngularSecondMoment)
角二阶矩ASM为灰度共生矩阵中各元素的平方和,因此也称为能量,用于反映图像灰度分布的均匀程度和纹理的粗糙程度。灰度共生值矩阵中各元素值相当,则ASM小,纹理细腻;若灰度共生值矩阵中元素值相差较大,则ASM大,纹理粗糙。
3)对比度CON(Contrast)
对比度CON为灰度共生矩阵中关于对角线的惯性矩,用于反映矩阵值的分布情况,对比度的值代表图像纹理的深浅。例如,从数学角度来看,矩阵中远离对角线的元素值越多越大,由于(i-j)2值很大,因此CON值也越大。CON值大则代表纹理的沟纹深,对比度大。
4)相关性CORRLN(Correlation)
式(4-6)中:
相关性CORRLN为度量灰度共生矩阵在某一方向相似程度的参数。若矩阵中元素值均匀相等,则相关值大;反之,若矩阵中元素相差很大,则相关值小。对应到图像中则是,若图像中有竖直方向的纹理,则竖直方向矩阵的相关值大于其他方向矩阵的相关值;相反,若图像中水平方向无纹理,灰度均匀,则水平方向矩阵相关值很小。
进一步来讲,上述实施例中,预先建立的灰度共生矩阵的特征参数和导线表面粗糙度的函数关系可包括:
1)熵ENT与导线表面粗糙度Ri呈近似线性关系,采用函数关系式表达为:
ENT=βN(K0Ri-d0)(4-11)
其中,βN为第一图像转换系数,N为图像放大倍数,βN与N呈近似线性增加关系;K0、d0为常数,βN的取值范围为0.85~1.15,K0的取值范围为0.1~0.2,d的取值范围为0~0.1。
2)角二阶矩ASM与导线表面粗糙度Ri呈近似指数上升关系,采用函数关系式表达为:
其中,γN为第二图像转换系数,N为图像放大倍数,γN与N呈近似线性增加关系;C1、a1、x1为常数,γN的取值范围为0.85~1.15,C1的取值范围为0.3~0.6,a1的取值范围为0.8~1.4,x1的取值范围为0.1~0.3。
3)对比度CON与导线表面粗糙度Ri呈近似指数上升关系,采用函数关系式表达为:
其中,ΦN为第三图像转换系数,N为图像放大倍数,ΦN与N呈近似线性增加关系;C2、a2、x2为常数,ΦN的取值范围为0.85~1.15,C2的取值范围为0.3~0.6,a2的取值范围为0.3~0.5,x2的取值范围为0.1~0.3。
4)相关性CORRLN与导线表面粗糙度Ri呈近似指数下降关系,采用函数关系式表达为:
其中,δN为第四图像转换系数,N为图像放大倍数,δN与N呈近似线性增加关系;C3、a3、x3为常数,δN的取值范围为0.85~1.15,C3的取值范围为4.2~6.1,a3的取值范围为1.1~1.5,x3的取值范围为0.1~0.3。
根据式(4-11)~(4-14),计算得到导线表面粗糙度Ri(i=1,2,3,4),导线表面粗糙度的平均值Ra=(R1+R2+R3+R4)/4。需要指出的是,式(4-11)~(4-14)的相关系数R2均大于0.9858,误差相对较低。
作为一种可选的实施方式,上述交流导线表面粗糙度的预测方法还可包括:通过灰度值矩阵的方差F与灰度共生矩阵的特征参数相结合的方式,进一步校正导线表面粗糙度。这里有以下两种可选方式:
1、基于前述各实施例,通过将灰度值矩阵的方差F预测得到的导线表面粗糙度作为第五个参考量,计算导线表面粗糙度的平均值Ra,进一步的处理过程如下:
1)对通过处理表面图像得到的灰度图像进行数字化处理,并获取由灰度图像的像素灰度值组成的灰度值矩阵;
2)计算灰度值矩阵的方差F,方差F与导线表面粗糙度R5呈近似线性关系,具有函数关系:
F=αN(K1R5-d1)(4-15)
其中,αN为第五图像转换系数,N为图像放大倍数,αN与N呈近似线性增加关系;K1、d1为常数,αN的取值范围为0.85~1.15、K1的取值范围为120~160、d1的取值范围为12~20。
3)根据方差F与导线表面粗糙度R5的函数关系,计算导线表面粗糙度R5,导线表面粗糙度的平均值Ra=(R1+R2+R3+R4+R5)/5。
为便于理解上述实施例,需要说明的是,在导线表面采集到的数字图像实际上是由一系列图像点构成的离散化图像,每个点被称为一个像素,像素的大小由图像分辨率决定。灰度为像素的亮度,用来表现黑白图像像素间的区分程度,用级数或等级表示,级数越多,黑白图像的表现力越强。灰度值等级一般取二进制位,即2n等级,如1级(n=0),32(n=5)级、256级(n=8)。其中,数字0代表全黑,数字255代表全白,以此线性插分得到其余灰度。经过数字化处理后的灰度图像可以表示成一个由像素灰度值组成的矩阵,即灰度值矩阵。导线表面图像的灰度值矩阵在一定程度上体现了导线表面的粗糙程度,即灰度值大(亮)对应的表面位置凸起,其值越大,凸起越高;反之,灰度值小(暗)对应的表面位置凹下,其值越小,凹下越深。
在计算时候,将灰度值矩阵转化为列向量,再求得该列元素即矩阵中所有元素的标准差差值,用以描述矩阵中所有数据的变异程度或离散程度。图像灰度越不均匀,平均灰度值矩阵中数据的离散程度越大,则方差越大;反之,图像灰度越均匀,则方差越小。
需要指出的是,上述各实施例中,计算导线表面粗糙度的方法及函数关系不仅适用于不截断导线的情况,也适用于截取的导线样品,二者主要的区别在于函数关系中的参数取值不同,也就是说,可以通过调整参数取值适用于不同的计算对象。
与现有的技术相比,本发明上述各实施例具有以下的优点:
本发明采用具有高分辨率的图像采集设备,对使用中的导线进行表面图像采集,在不截断导线的情况下,获取导线表面图像特征。并且,建立灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,从而根据采集的导线表面图像获取的灰度共生矩阵以及该函数关系,可快速并相对准确地预测导线粗糙程度。
进一步地,本发明还可根据计算得到的导线表面粗糙度,预测导线周围的电磁环境,进而还可根据导线表面状态随周围电磁环境的变化状况推算导线的寿命,从而可优化设计输电导线的结构,也可据此根据实际需要,合理地选择导线的粗糙系数对不符合运行要求的导线进行处理,以满足输电线路电磁环境的要求。
在试验过程中,通过实施本发明的实施例,成功预测了十几条实际交流输电线路及实验线段的粗糙程度,避免了截断导线带来的破坏性后果。
需要说明的是,对于前述的方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明所必需的。
系统实施例
参照图4,其为本实施例提出的一种交流导线表面粗糙度的预测系统的方框图。本实施例中,该交流导线表面粗糙度的预测系统可采用上述各实施例公开的交流导线表面粗糙度的预测方法,该交流导线表面粗糙度的预测系统包括以下组成:
图像采集设备100,用于获取导线的表面图像;
图像处理装置200,用于对表面图像进行处理,获取对应的灰度图像参数;
矩阵生成装置300,用于根据灰度图像参数得到灰度共生矩阵,并计算出灰度共生矩阵的特征参数;
粗糙度计算装置400,用于基于预先建立的灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,分别计算出与特征参数相对应的导线表面粗糙度;以及,用于根据导线表面粗糙度,得到导线表面粗糙度的平均值Ra。
作为一种可选的实施方式,在上述交流导线表面粗糙度的预测系统中,下列装置还可实现进一步的处理,说明如下:
1)图像处理装置200进一步用于:对通过处理表面图像得到的灰度图像进行数字化处理;
2)矩阵生成装置300进一步用于:获取由灰度图像的像素灰度值组成的灰度值矩阵;
3)粗糙度计算装置400进一步用于:根据灰度值矩阵的方差F、灰度共生矩阵的熵ENT与导线表面粗糙度的函数关系,修正所述导线表面粗糙度的平均值Ra。
作为一种可选的实施方式,上述交流导线表面粗糙度的预测系统还可包括电磁环境预测装置500和/或导线寿命推算装置600。
其中,电磁环境预测装置500用于根据导线表面粗糙度的平均值Ra预测导线周围的电磁环境。
导线寿命推算装置600用于根据导线表面粗糙度的平均值Ra推算导线的寿命。
上述交流导线表面粗糙度的预测系统与上述该交流导线表面粗糙度的预测方法相对应,具体的实施过程可参照前述方法实施例。由于上述任一种交流导线表面粗糙度的预测方法具有上述技术效果,因此,该交流导线表面粗糙度的预测系统也应具备相应的技术效果,其具体实施过程与上述实施例类似,兹不赘述。
显然,本领域的技术人员应该明白,上述的本发明的交流导线表面粗糙度的预测系统中各装置模块或交流导线表面粗糙度的预测方法中各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。所述存储装置为非易失性存储器,如:ROM/RAM、闪存、磁碟、光盘等。
以上所述仅为本发明的实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,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)
1.一种交流导线表面粗糙度的预测方法,其特征在于,包括:
获取导线的表面图像;
对所述表面图像进行处理,获取对应的灰度图像参数;
根据所述灰度图像参数得到灰度共生矩阵,并计算出所述灰度共生矩阵的特征参数;
基于预先建立的所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,分别计算出与所述特征参数相对应的导线表面粗糙度;
根据所述导线表面粗糙度,得到所述导线表面粗糙度的平均值Ra。
2.根据权利要求1所述的交流导线表面粗糙度的预测方法,其特征在于,还包括:根据所述导线表面粗糙度的平均值Ra,预测导线周围的电磁环境和/或推算导线寿命。
3.根据权利要求1所述的交流导线表面粗糙度的预测方法,其特征在于,所述获取导线的表面图像的步骤包括:
采用设置有微距镜头的照相设备,在估算的拍摄距离内,采集导线的表面图像;其中,所述表面图像的像素不低于1024×900,分辨率不低于300点/英寸。
4.根据权利要求1所述的交流导线表面粗糙度的预测方法,其特征在于,所述对表面图像进行处理,获取对应的灰度图像参数的步骤包括:
将所述表面图像处理为灰度图像;
利用邻域平均法对灰度图像进行预处理,削弱图像的噪声点,平滑图像灰度;
截取灰度图像,并获取对应的灰度图像参数。
5.根据权利要求1至4任一项所述的交流导线表面粗糙度的预测方法,其特征在于,所述灰度共生矩阵的特征参数包括:熵ENT、角二阶矩ASM、对比度CON及相关性CORRLN;其中:
所述熵ENT为图像内容随机性的度量参数,所述熵ENT的数值大小反映图像纹理复杂度;
所述角二阶矩ASM为灰度共生矩阵中各元素的平方和,用于反映图像灰度分布的均匀程度和纹理的粗糙程度;
所述对比度CON为所述灰度共生矩阵中关于对角线的惯性矩,用于反映矩阵值的分布情况,所述对比度的值代表图像纹理的深浅;
所述相关性CORRLN为度量所述灰度共生矩阵在某一方向相似程度的参数。
6.根据权利要求5所述的交流导线表面粗糙度的预测方法,其特征在于,所述预先建立的所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系包括:
所述熵ENT与所述导线表面粗糙度Ri呈近似线性关系,采用函数关系式表达为:ENT=βN(K0Ri-d0);其中,βN为第一图像转换系数,N为图像放大倍数,βN与N呈近似线性增加关系;K0、d0为常数,βN的取值范围为0.85~1.15,K0的取值范围为0.1~0.2,d的取值范围为0~0.1;
所述角二阶矩ASM与所述导线表面粗糙度Ri呈近似指数上升关系,采用函数关系式表达为:其中,γN为第二图像转换系数,N为图像放大倍数,γN与N呈近似线性增加关系;C1、a1、x1为常数,γN的取值范围为0.85~1.15,C1的取值范围为0.3~0.6,a1的取值范围为0.8~1.4,x1的取值范围为0.1~0.3;
所述对比度CON与所述导线表面粗糙度Ri呈近似指数上升关系,采用函数关系式表达为:其中,ΦN为第三图像转换系数,N为图像放大倍数,ΦN与N呈近似线性增加关系;C2、a2、x2为常数,ΦN的取值范围为0.85~1.15,C2的取值范围为0.3~0.6,a2的取值范围为0.3~0.5,x2的取值范围为0.1~0.3;
所述相关性CORRLN与所述导线表面粗糙度Ri呈近似指数下降关系,采用函数关系式表达为:其中,δN为第四图像转换系数,N为图像放大倍数,δN与N呈近似线性增加关系;C3、a3、x3为常数,δN的取值范围为0.85~1.15,C3的取值范围为4.2~6.1,a3的取值范围为1.1~1.5,x3的取值范围为0.1~0.3;
根据所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系计算得到导线表面粗糙度Ri(i=1,2,3,4),所述导线表面粗糙度的平均值Ra=(R1+R2+R3+R4)/4。
7.根据权利要求6所述的交流导线表面粗糙度的预测方法,其特征在于,还包括:
对通过处理所述表面图像得到的灰度图像进行数字化处理,并获取由所述灰度图像的像素灰度值组成的灰度值矩阵;
计算所述灰度值矩阵的方差F,所述方差F与导线表面粗糙度R5呈近似线性关系,具有函数关系:FN=αN(K1R5-d1);其中,αN为第五图像转换系数,N为图像放大倍数,αN与N呈近似线性增加关系;K1、d1为常数,αN的取值范围为0.85~1.15,K1的取值范围为120~160,d1的取值范围为12~20;
根据所述方差F与导线表面粗糙度R5的函数关系,计算导线表面粗糙度R5;
采用所述导线表面粗糙度R5修正所述导线表面粗糙度的平均值Ra=(R1+R2+R3+R4+R5)/5。
8.一种交流导线表面粗糙度的预测系统,其特征在于,包括:
图像采集设备,用于获取导线的表面图像;
图像处理装置,用于对所述表面图像进行处理,获取对应的灰度图像参数;
矩阵生成装置,用于根据所述灰度图像参数得到灰度共生矩阵,并计算出所述灰度共生矩阵的特征参数;
粗糙度计算装置,用于基于预先建立的所述灰度共生矩阵的特征参数和导线表面粗糙度的函数关系,分别计算出与所述特征参数相对应的导线表面粗糙度;以及,用于根据所述导线表面粗糙度,得到所述导线表面粗糙度的平均值Ra。
9.根据权利要求8所述的交流导线表面粗糙度的预测系统,其特征在于:
所述图像处理装置进一步用于:对通过处理所述表面图像得到的灰度图像进行数字化处理;
所述矩阵生成装置进一步用于:获取由所述灰度图像的像素灰度值组成的灰度值矩阵;
所述粗糙度计算装置进一步用于:根据所述灰度值矩阵的方差F与导线表面粗糙度的函数关系,修正所述导线表面粗糙度的平均值Ra。
10.根据权利要求9所述的交流导线表面粗糙度的预测系统,其特征在于,还包括:
电磁环境预测装置,用于根据所述导线表面粗糙度的平均值Ra预测导线周围的电磁环境;和/或,
导线寿命推算装置,用于根据所述导线表面粗糙度的平均值Ra推算导线的寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510673107.7A CN105243450B (zh) | 2015-10-16 | 2015-10-16 | 交流导线表面粗糙度的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510673107.7A CN105243450B (zh) | 2015-10-16 | 2015-10-16 | 交流导线表面粗糙度的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105243450A true CN105243450A (zh) | 2016-01-13 |
CN105243450B CN105243450B (zh) | 2019-08-16 |
Family
ID=55041087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510673107.7A Active CN105243450B (zh) | 2015-10-16 | 2015-10-16 | 交流导线表面粗糙度的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243450B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171742A (zh) * | 2017-12-26 | 2018-06-15 | 太原理工大学 | 一种基于灰度梯度特征实现碳纤维复合材料表面形貌三维评定的方法 |
CN109283440A (zh) * | 2018-09-18 | 2019-01-29 | 华北电力大学 | 一种环境条件可控的负压式模拟测试分析平台 |
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
CN113689374A (zh) * | 2020-05-18 | 2021-11-23 | 浙江大学 | 一种植物叶片表面粗糙度确定方法及系统 |
CN113701680A (zh) * | 2021-08-26 | 2021-11-26 | 中国科学院电工研究所 | 一种材料表面粗糙度的确定方法及系统 |
CN114359112A (zh) * | 2022-03-11 | 2022-04-15 | 领伟创新智能系统(浙江)有限公司 | 基于加工表面图像Hoyer系数的表面粗糙度评估方法 |
CN116912178A (zh) * | 2023-06-26 | 2023-10-20 | 成都理工大学 | 导线表面痕迹识别方法 |
-
2015
- 2015-10-16 CN CN201510673107.7A patent/CN105243450B/zh active Active
Non-Patent Citations (2)
Title |
---|
田欣利等: "基于纹理分析的Si3N4陶瓷表面粗糙度研究", 《材料工程》 * |
阮久忠等: "基于灰度共生矩阵的非屏幕表面粗糙度的图像纹理研究", 《光学与光电技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171742A (zh) * | 2017-12-26 | 2018-06-15 | 太原理工大学 | 一种基于灰度梯度特征实现碳纤维复合材料表面形貌三维评定的方法 |
CN109283440A (zh) * | 2018-09-18 | 2019-01-29 | 华北电力大学 | 一种环境条件可控的负压式模拟测试分析平台 |
CN113689374A (zh) * | 2020-05-18 | 2021-11-23 | 浙江大学 | 一种植物叶片表面粗糙度确定方法及系统 |
CN113689374B (zh) * | 2020-05-18 | 2023-10-27 | 浙江大学 | 一种植物叶片表面粗糙度确定方法及系统 |
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
CN113701680A (zh) * | 2021-08-26 | 2021-11-26 | 中国科学院电工研究所 | 一种材料表面粗糙度的确定方法及系统 |
CN114359112A (zh) * | 2022-03-11 | 2022-04-15 | 领伟创新智能系统(浙江)有限公司 | 基于加工表面图像Hoyer系数的表面粗糙度评估方法 |
CN114359112B (zh) * | 2022-03-11 | 2022-06-14 | 领伟创新智能系统(浙江)有限公司 | 基于加工表面图像Hoyer统计值的表面粗糙度评估方法 |
CN116912178A (zh) * | 2023-06-26 | 2023-10-20 | 成都理工大学 | 导线表面痕迹识别方法 |
CN116912178B (zh) * | 2023-06-26 | 2024-05-24 | 成都理工大学 | 导线表面痕迹识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105243450B (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105243450A (zh) | 交流导线表面粗糙度的预测方法及系统 | |
CN109902633B (zh) | 基于固定位摄像机监控视频的异常事件检测方法及装置 | |
CN106940886B (zh) | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 | |
Saint-Drenan et al. | Analysis of the uncertainty in the estimates of regional PV power generation evaluated with the upscaling method | |
CN105678700A (zh) | 基于预测梯度的图像插值方法及系统 | |
CN109035166A (zh) | 基于非下采样剪切波变换的电气设备红外图像增强方法 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN115841493A (zh) | 一种基于图像处理的电缆检测方法 | |
CN108682039B (zh) | 一种双目立体视觉测量方法 | |
JP2014178328A (ja) | 鋼管内部腐食解析装置及び鋼管内部腐食解析方法 | |
CN102622763A (zh) | 阴影检测与消除方法 | |
US10769478B2 (en) | Convolutional neutral network identification efficiency increasing method and related convolutional neutral network identification efficiency increasing device | |
CN112164086A (zh) | 一种精细化的图像边缘信息确定方法、系统及电子设备 | |
CN1666231A (zh) | 用于对感知的图像和视频锐度进行估计的客观方法和系统 | |
CN110533665B (zh) | 一种抑制扇贝效应和子带拼接效应的sar图像处理方法 | |
CN109064436A (zh) | 图像融合方法 | |
CN108154490A (zh) | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 | |
CN110765631A (zh) | 基于有效成像像素的红外辐射特性测量小目标判断方法 | |
US20110254944A1 (en) | Scanning charged particle microscope | |
JP3608106B2 (ja) | 画像処理を用いた鋼材表面の劣化度評価システム | |
JP4317865B2 (ja) | 鉄系構造物の腐食評価方法 | |
CN116740579A (zh) | 一种国土空间规划数据智能采集方法 | |
US6633411B1 (en) | Method and apparatus for repurposing binary images | |
CN106126884B (zh) | 直流导线模拟积污装置、表面状态的测量方法及系统 | |
CN116957895A (zh) | 图像水印的嵌入方法、提取方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |