CN105513039A - 一种带电绝缘子串覆冰桥接度智能图像分析方法 - Google Patents
一种带电绝缘子串覆冰桥接度智能图像分析方法 Download PDFInfo
- Publication number
- CN105513039A CN105513039A CN201510401466.7A CN201510401466A CN105513039A CN 105513039 A CN105513039 A CN 105513039A CN 201510401466 A CN201510401466 A CN 201510401466A CN 105513039 A CN105513039 A CN 105513039A
- Authority
- CN
- China
- Prior art keywords
- point
- insulator
- umbrella
- point set
- image
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 91
- 238000003703 image analysis method Methods 0.000 title abstract description 3
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012217 deletion Methods 0.000 claims abstract description 22
- 230000037430 deletion Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 11
- 239000012141 concentrate Substances 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 210000003141 lower extremity Anatomy 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000725 suspension Substances 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种带电绝缘子串覆冰桥接度智能图像分析方法,所述方法包括,将原始图像由RGB颜色空间转换至HSI颜色空间,并对其颜色特征进行描述;采集双伞绝缘子分割图像;确定绝缘子覆冰区域,获取覆冰绝缘子的颜色特征、灰度特征和纹理特征;构造多类SVM分类器,采用SVM多类分类法对训练样本分类;结合缺点补偿算法和冗点删除算法自动检测双伞绝缘子盘径端点;对所述双伞绝缘子盘径端点进行自动配对;对所述双伞绝缘子盘径端点进行筛选,确定轮廓跟踪起点,完成双伞绝缘子冰棱桥接百分比的计算。通过对双伞悬式绝缘子图像进行覆冰桥接百分比智能分析,有效克服了传统图像分割造成的有效信息丢失的缺陷。
Description
技术领域
本发明涉及一种图像分析方法,具体涉及带电绝缘子串覆冰桥接度智能图像分析方法。
背景技术
衡量绝缘子冰棱桥接状态定义为绝缘子冰棱桥接百分比如图2所示,绝缘子是一种特殊的绝缘控件,在架空输电线路中起十分重要的作用。按照结构可将绝缘子分为:盘型悬式绝缘子、柱式绝缘子、针式绝缘子等。
双伞型绝缘子即以两个等径的绝缘子为单位组成的绝缘子串,其重要特点之一为各伞盘径相等。
对于该类绝缘子,只计算单位绝缘子下沿距离下一个单位绝缘子上沿之间的桥接百分比,如图3所示。该系统基于上述概念分析与定义,设计并实现智能图像分析系统,自动进行图像分割和特征提取并分类,计算绝缘子冰棱桥接百分比。
传统的基于智能视频的图像分析技术是采用人工测量、分割的方式并利用计算机分析图像中包含的信息,同时按照一定准则执行目标识别并提取信息的过程;该方法由于图像分割不准确,造成了有效信息丢失。
发明内容
为了克服上述缺陷,本发明提出一种带电绝缘子串覆冰桥接度智能图像分析方法,解决了传统图像分割造成的有效信息丢失的问题。
本发明的目的是采用下述技术方案实现的:
一种带电绝缘子串覆冰桥接度智能图像分析方法,所述方法包括,
将原始图像由RGB颜色空间转换至HSI颜色空间,并对其颜色特征进行描述;
采集双伞绝缘子分割图像;
确定绝缘子覆冰区域,获取覆冰绝缘子的颜色特征、灰度特征和纹理特征;
构造多类SVM分类器,采用SVM多类分类法对训练样本分类;
结合缺点补偿算法和冗点删除算法自动检测双伞绝缘子盘径端点;
对所述双伞绝缘子盘径端点进行自动配对;
对所述双伞绝缘子盘径端点进行筛选,确定轮廓跟踪起点,完成双伞绝缘子冰棱桥接百分比的计算。
优选的,所述对其颜色特征进行描述包括,
定义HSI颜色空间中的颜色分量为Co;
Co=max{R,G,B}(1)
其中R、G、B为图像某像素的RGB空间的三个颜色分量。
优选的,所述采集双伞绝缘子分割图像包括,利用Otsu阈值分割法,对原始图像进行K-MEANS聚类分割,分割数目为K=2,以颜色分量的最大值Comax和最小值Comin作为K-MEANS聚类分割的初始聚类中心;设聚类分割中均值较高的一类为K1,均值较低的一类为K2;
所述双伞覆冰绝缘子图像的各像素点值为:
进一步地,所述确定绝缘子覆冰区域包括,扫描所述双伞覆冰绝缘子分割图像,选取值为1的像素点,即绝缘子覆冰区域,获取其颜色特征为:
优选的,所述灰度特征包括,灰度均值Fμ和标准方差Fσ;所述均值Fμ和标准方差Fσ与覆冰的薄厚程度相关;其中,覆冰越厚,其均值Fμ和标准方差Fσ则越大。
进一步地,所述纹理特征的包括,构建灰度共生矩阵,提取所述灰度共生矩阵的典型特征值,计算其平均值作为所述纹理特征;将图像压缩灰度级数设置为8,步长为d=1;
设图像x轴像素总长度为Nx,y轴像素总长度为Ny,G表示灰度级的数量,Ng为灰度级的最高级,其表达式为:
x={1,2...Nx}
y={1,2...Ny}
G={1,2...Ng}(4);
定义灰度共生矩阵为矩阵M,方向为θ,步长为d;则
M(i,j,θ)=p(i,j,d,θ)(5)
式(5)中,i,j=1,2...Ng,即灰度共生矩阵M的大小为Ng×Ng;i,j的距离为步长为d,θ=0°、45°、90°、135°。
进一步地,所述灰度共生矩阵的典型特征值,包括能量、对比度、相关性和熵;
其中,所述能量,用于衡量图像像素分布均匀程度;
所述对比度,用于表示沟纹的深浅程度;
所述相关性,用于比较灰度共生矩阵中行或者列元素的相似度;
所述熵,用于描述图像所包含的离散信息;
优选的,所述构造SVM多类分类器包括,采用1对1的算法构造多类SVM分类器,所述SVM多类分类器由若干二分类的SVM组成;
采用SVM多类分类法对训练样本分类包括,将n个训练样本两两组合,共种组合方式;分别对组合后的每组训练样本进行分类。
进一步地,所述分别对组合后的每组训练样本进行分类包括,确定每组训练的两个平面H1和H2,二者相互平行且中间存在间隔;将位于平面H1左侧的训练样本归属为其中一类,位于平面H2右侧的样本归属为另一类,所述间隔为不可分区域。
优选的,所述自动检测双伞绝缘子盘径端点包括,以覆冰的下边缘起点作为绝缘子盘径左端点,终点为盘径右端点;结合缺点补偿算法和冗点删除算法自动检测绝缘子盘径端点;若其中一侧点集中任意相邻两点纵坐标差值大于预设阈值,则在两点间插入一点再执行冗点删除算法;若其中一侧点集中任意相邻两点纵坐标差值小于预设阈值,则两点其中一点为冗余点,将其删除;循环进行自动检测直至点集不再被修改。
进一步地,所述缺点补偿算法具体包括:
11-1搜索分割图像K1、K2左右两侧轮廓的极左值和极右值,构造点集leftDia和rightDia以及所述点集leftDia和rightDia的副本leftD和rightD;设置初始化校正参数为T=0.67,盘径端点误差阈值为Tc=30;
11-2遍历点集leftDia,其中相邻两点纵坐标差值均值为Avg;
若所述点集中leftDia两点P1(x1,y1)、P2(x2,y2)...(y1<y2)满足下式,则为相邻两点;
若P1和P2两点间存在纵坐标为0.5*(y2-y1)的点P0(x0,y0),且满足:
|y0-0.5*(y2-y1)|<Tc(9)
则在点集leftDia中添加左轮廓中纵坐标值为y0的点作为绝缘子盘径端点。
进一步地,所述冗点删除算法具体包括:
首先,对点集leftDia进行冗点删除,遍历点集leftDia,相邻两点纵坐标差值均值为Avg;判断是否存在相邻两点P1(x1,y1)、P2(x2,y2)...(y1<y2)使得差值y2-y1最小,满足下式:
y2-y1>Avg*(T-10%)、(10)
设P1与leftDia中的前序点纵坐标差值为d1,P2与后继点纵坐标差值为d2,若只有d1满足式(11),将P2删除,反之则删除P1;
若d1、d2均满足或者均不满足式(11),则遍历点集rightDia,分别寻找与P1、P2纵坐标差值最小的点;设所述差值分别为dr1和dr2;若dr1>dr2,则从leftDia删除P2;反之删除P1;
再次,根据点集leftDia的冗点删除方法,对点集rightDia进行冗点删除;
最后,逐点比较leftDia与leftD、rightDia与rightD间的点是否全部相等,若是,则结束。
优选的,所述双伞绝缘子盘径端点自动配对包括,定义散列表H和Hr,以及经过绝缘子盘径端点的轮廓两侧端点集leftP和rightP,该点集中的点按纵坐标值排序;
在所述点集leftP中取点Pl1(xl1,yl1),在所述点集rightP中取纵坐标差值为|y’l1-yl1|最小的点P’l1(x’l1,y’l1),在散列表H中插入(Pl1,P’l1);依次遍历点集leftP中其余点Pl2...Pln,散列表H包含n组数据;
在所述点集rightP中取点Pr1(xr1,yr1),在所述点集leftP中取纵坐标差值为|y’r1-yr1|最小的点P’r1(x’r1,y’r1),生成数据组(Pr1,P’r1);同时在散列表H中查找是否已包含该数据组(Pr1,P’r1),若是,则在散列表Hr中插入数据组(Pr1,P’r1);同理,遍历点集rightP中其余点Pr2...Prm,散列表Hr包含min{n,m}组数据。
优选的,所述确定轮廓跟踪起点,、完成双伞绝缘子冰棱桥接百分比的计算包括,
以左轮廓点集为基准,遍历点集leftP,制定校正原则,相邻两点纵坐标差值存入集合Diff中;
选取集合Diff中的最大值max和最小值min作为初始聚类中心进行K-MEANS聚类,聚类数目为2,设K1的初始轮廓跟踪起点序号集合为Start;
所述校正原则包括,遍历Start,将相邻起点序号作差,若该差值为大于等于3的奇数,则隔行插入序号;若为大于等于4的偶数,则隔行计算总和,并插入和最大的序号。
与现有技术相比,本发明达到的有益效果是:
1、本发明提出一种完整的基于图像的绝缘子桥接百分比计算方法,克服了传统的人工测量方式,使得测量工作更为便捷,有效的提高了工作效率;且极大程度上节省了人力资源,从而节约了成本。
2、双伞绝缘子的桥接百分比计算自动化程度高。系统能自动截获绝缘子覆冰视频监控图像,自动计算输出各个绝缘子间的最长冰棱位置及桥接百分比数值。
3、计算结果准确率较高。
附图说明
图1为本发明提供的带电绝缘子串覆冰桥接度智能图像分析方法流程图;
图2背景技术提供的计算绝缘子冰棱桥接百分比的结构示意图;
图3为背景技术提供的双伞绝缘子冰棱桥接百分比计算区域示意图;
图4本发明提供的图像分割流程图;
图5本发明提供的图像测量的区域示意图;
图6本发明提供的自动检测双伞绝缘子盘径端点方法流程图;
图7本发明提供的图像测量的轮廓跟踪起点检测结果示意图;
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
如图1所示,一种带电绝缘子串覆冰桥接度智能图像分析方法,所述方法包括,
将原始图像由RGB颜色空间转换至HSI颜色空间,并对其颜色特征进行描述;所述对其颜色特征进行描述包括,
定义HSI颜色空间中的颜色分量为Co;
Co=max{R,G,B}(1)
其中R、G、B为图像某像素的RGB空间的三个颜色分量。
如图4所示,采集双伞绝缘子分割图像;所述采集双伞绝缘子分割图像包括,利用Otsu阈值分割法,对原始图像进行K-MEANS聚类分割,分割数目为K=2,以颜色分量的最大值Comax和最小值Comin作为K-MEANS聚类分割的初始聚类中心;设聚类分割中均值较高的一类为K1,均值较低的一类为K2;
所述双伞覆冰绝缘子图像的各像素点值为:
如图5所示,确定绝缘子覆冰区域,获取覆冰绝缘子的颜色特征、灰度特征和纹理特征;所述确定绝缘子覆冰区域包括,扫描所述双伞覆冰绝缘子分割图像,选取值为1的像素点,即绝缘子覆冰区域,获取其颜色特征为:
所述灰度特征包括,灰度均值Fμ和标准方差Fσ;所述均值Fμ和标准方差Fσ与覆冰的薄厚程度相关;其中,覆冰越厚,其均值Fμ和标准方差Fσ则越大。
所述纹理特征的包括,构建灰度共生矩阵,提取所述灰度共生矩阵的典型特征值,计算其平均值作为所述纹理特征;将图像压缩灰度级数设置为8,步长为d=1;
设图像x轴像素总长度为Nx,y轴像素总长度为Ny,G表示灰度级的数量,Ng为灰度级的最高级,其表达式为:
x={1,2...Nx}
y={1,2...Ny}
G={1,2...Ng}(4);
定义灰度共生矩阵为矩阵M,方向为θ,步长为d;则
M(i,j,θ)=p(i,j,d,θ)(5)
式(5)中,i,j=1,2...Ng,即灰度共生矩阵M的大小为Ng×Ng;i,j的距离为步长为d,θ=0°、45°、90°、135°。
实施例:设定16*16非重叠窗口,计算窗口内0°、45°、90°、135°四个方向的灰度共生矩阵,使其满足:
p(i,j,d,0°)=#{(x1,y1)(x2,y2)∈Nx×Ny|f(x1,y1)=i,f(x2,y2)=j;
x2-x1=0,|y2-y1|=d}
p(i,j,d,45°)=#{(x1,y1)(x2,y2)∈Nx×Ny|f(x1,y1)=i,f(x2,y2)=j;
x2-x1=-d,y2-y1=d或x2-x1=d,y2-y1=-d}
p(i,j,d,90°)=#{(x1,y1)(x2,y2)∈Nx×Ny|f(x1,y1)=i,f(x2,y2)=j;
|x2-x1|=d,y2-y1=0}
p(i,j,d,135°)=#{(x1,y1)(x2,y2)∈Nx×Ny|f(x1,y1)=i,f(x2,y2)=j;
x2-x1=d,y2-y1=d或x2-x1=-d,y2-y1=-d}
其中,符号#{x}表示满足集合条件的元素个数。
所述灰度共生矩阵的典型特征值,包括能量、对比度、相关性和熵;
其中,所述能量,用于衡量图像像素分布均匀程度;
所述对比度,用于表示沟纹的深浅程度;
所述相关性,用于比较灰度共生矩阵中行或者列元素的相似度;
所述熵,用于描述图像所包含的离散信息;
构造多类SVM分类器,采用SVM多类分类法对训练样本分类;所述构造SVM多类分类器包括,采用1对1的算法构造多类SVM分类器,所述SVM多类分类器由若干二分类的SVM组成;训练样本为不同覆冰程度的绝缘子图像。
采用SVM多类分类法对训练样本分类包括,将n个训练样本两两组合,共种组合方式;分别对组合后的每组训练样本进行分类。
所述分别对组合后的每组训练样本进行分类包括,确定每组训练的两个平面H1和H2,二者相互平行且中间存在间隔;将位于平面H1左侧的训练样本归属为其中一类,位于平面H2右侧的样本归属为另一类,所述间隔为不可分区域。
如图6所示,结合缺点补偿算法和冗点删除算法自动检测双伞绝缘子盘径端点;
所述自动检测双伞绝缘子盘径端点包括,以覆冰的下边缘起点作为绝缘子盘径左端点,终点为盘径右端点;结合缺点补偿算法和冗点删除算法自动检测绝缘子盘径端点;若其中一侧点集中任意相邻两点纵坐标差值大于预设阈值,则在两点间插入一点再执行冗点删除算法;若其中一侧点集中任意相邻两点纵坐标差值小于预设阈值,则两点其中一点为冗余点,将其删除;循环进行自动检测直至点集不再被修改。
所述缺点补偿算法具体包括:
(a)搜索分割图像K1、K2左右两侧轮廓的极左值和极右值,构造点集leftDia和rightDia以及所述点集leftDia和rightDia的副本leftD和rightD;设置初始化校正参数为T=0.67,盘径端点误差阈值为Tc=30;
(b)遍历点集leftDia,其中相邻两点纵坐标差值均值为Avg;
若所述点集中leftDia两点P1(x1,y1)、P2(x2,y2)...(y1<y2)满足下式,则为相邻两点;
若P1和P2两点间存在纵坐标为0.5*(y2-y1)的点P0(x0,y0),且满足:
|y0-0.5*(y2-y1)|<Tc(9)
则在点集leftDia中添加左轮廓中纵坐标值为y0的点作为绝缘子盘径端点。
所述冗点删除算法具体包括:
首先,对点集leftDia进行冗点删除,遍历点集leftDia,相邻两点纵坐标差值均值为Avg;判断是否存在相邻两点P1(x1,y1)、P2(x2,y2)...(y1<y2)使得差值y2-y1最小,满足下式:
y2-y1>Avg*(T-10%)(10)
设P1与leftDia中的前序点纵坐标差值为d1,P2与后继点纵坐标差值为d2,若只有d1满足式(11),将P2删除,反之则删除P1;
若d1、d2均满足或者均不满足式(11),则遍历点集rightDia,分别寻找与P1、P2纵坐标差值最小的点;设所述差值分别为dr1和dr2;若dr1>dr2,则从leftDia删除P2;反之删除P1;
再次,根据点集leftDia的冗点删除方法,对点集rightDia进行冗点删除;
最后,逐点比较leftDia与leftD、rightDia与rightD间的点是否全部相等,若是,则结束。
对所述双伞绝缘子盘径端点进行自动配对;
所述双伞绝缘子盘径端点自动配对包括,定义散列表H和Hr,以及经过绝缘子盘径端点的轮廓两侧端点集leftP和rightP,该点集中的点按纵坐标值排序;
在所述点集leftP中取点Pl1(xl1,yl1),在所述点集rightP中取纵坐标差值为|y’l1-yl1|最小的点P’l1(x’l1,y’l1),在散列表H中插入(Pl1,P’l1);依次遍历点集leftP中其余点Pl2...Pln,散列表H包含n组数据;
在所述点集rightP中取点Pr1(xr1,yr1),在所述点集leftP中取纵坐标差值为|y’r1-yr1|最小的点P’r1(x’r1,y’r1),生成数据组(Pr1,P’r1);同时在散列表H中查找是否已包含该数据组(Pr1,P’r1),若是,则在散列表Hr中插入数据组(Pr1,P’r1);同理,遍历点集rightP中其余点Pr2...Prm,散列表Hr包含min{n,m}组数据。
如图7所示,对所述双伞绝缘子盘径端点进行筛选,确定轮廓跟踪起点,完成双伞绝缘子冰棱桥接百分比的计算。
所述确定轮廓跟踪起点,完成双伞绝缘子冰棱桥接百分比的计算包括,
以左轮廓点集为基准,遍历点集leftP,制定校正原则,相邻两点纵坐标差值存入集合Diff中;
选取集合Diff中的最大值max和最小值min作为初始聚类中心进行K-MEANS聚类,聚类数目为2,设K1的初始轮廓跟踪起点序号集合为Start;
所述校正原则包括,遍历Start,将相邻起点序号作差,若该差值为大于等于3的奇数,则隔行插入序号;若为大于等于4的偶数,则隔行计算总和,并插入和最大的序号。
根据轮廓跟踪起点,结合绝缘子冰棱桥接百分比公式自动完成双伞绝缘子冰棱桥接百分比的计算;其中,a为绝缘子覆冰区域,b为轮廓跟踪起点。
最后应当说明的是:以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,这些变更、修改或者等同替换,其均在其申请待批的权利要求范围之内。
Claims (14)
1.一种带电绝缘子串覆冰桥接度智能图像分析方法,其特征在于,所述方法包括,
将原始图像由RGB颜色空间转换至HSI颜色空间,并对其颜色特征进行描述;
采集双伞绝缘子分割图像;
确定绝缘子覆冰区域,获取覆冰绝缘子的颜色特征、灰度特征和纹理特征;
构造多类SVM分类器,采用SVM多类分类法对训练样本分类;
结合缺点补偿算法和冗点删除算法自动检测双伞绝缘子盘径端点;
对所述双伞绝缘子盘径端点进行自动配对;
对所述双伞绝缘子盘径端点进行筛选,确定轮廓跟踪起点,完成双伞绝缘子冰棱桥接百分比的计算。
2.根据权利要求1所述的方法,其特征在于,所述对其颜色特征进行描述包括,定义HSI颜色空间中的颜色分量为Co;
Co=max{R,G,B}(1)
其中,R、G、B为图像某像素的RGB空间的三个颜色分量。
3.根据权利要求1所述的方法,其特征在于,所述采集双伞绝缘子分割图像包括,利用Otsu阈值分割法,对原始图像进行K-MEANS聚类分割,分割数目为K=2,以颜色分量的最大值Comax和最小值Comin作为K-MEANS聚类分割的初始聚类中心;设聚类分割中均值较高的一类为K1,均值较低的一类为K2;
所述双伞覆冰绝缘子图像的各像素点值为:
4.根据权利要求1-3任一所述的方法,其特征在于,所述确定绝缘子覆冰区域包括,扫描所述双伞覆冰绝缘子分割图像,选取值为1的像素点,即绝缘子覆冰区域,获取其颜色特征为:
5.根据权利要求1所述的方法,其特征在于,所述灰度特征包括,灰度均值Fμ和标准方差Fσ;所述均值Fμ和标准方差Fσ与覆冰的薄厚程度相关;其中,覆冰越厚,其均值Fμ和标准方差Fσ则越大。
6.根据权利要求1-3任一所述的方法,其特征在于,所述纹理特征的包括,构建灰度共生矩阵,提取所述灰度共生矩阵的典型特征值,计算其平均值作为所述纹理特征;将图像压缩灰度级数设置为8,步长为d=1;
设图像x轴像素总长度为Nx,y轴像素总长度为Ny,G表示灰度级的数量,Ng为灰度级的最高级,其表达式为:
x={1,2...Nx}
y={1,2...Ny}
G={1,2...Ng}(4);
定义灰度共生矩阵为矩阵M,方向为θ,步长为d;则
M(i,j,θ)=p(i,j,d,θ)(5)
式(5)中,i,j=1,2...Ng,即灰度共生矩阵M的大小为Ng×Ng;i,j的距离为步长为d,θ=0°、45°、90°、135°。
7.根据权利要求6所述的方法,其特征在于,所述灰度共生矩阵的典型特征值,包括能量、对比度、相关性和熵;
其中,所述能量,用于衡量图像像素分布均匀程度;
所述对比度,用于表示沟纹的深浅程度;
所述相关性,用于比较灰度共生矩阵中行或者列元素的相似度;
所述熵,用于描述图像所包含的离散信息;
8.根据权利要求1所述的方法,其特征在于,所述构造SVM多类分类器包括,采用1对1的算法构造多类SVM分类器,所述SVM多类分类器由若干二分类的SVM组成;
采用SVM多类分类法对训练样本分类包括,将n个训练样本两两组合,共种组合方式;分别对组合后的每组训练样本进行分类。
9.根据权利要求8所述的方法,其特征在于,所述分别对组合后的每组训练样本进行分类包括,确定每组训练的两个平面H1和H2,二者相互平行且中间存在间隔;将位于平面H1左侧的训练样本归属为其中一类,位于平面H2右侧的样本归属为另一类,所述间隔为不可分区域。
10.根据权利要求1所述的方法,其特征在于,所述自动检测双伞绝缘子盘径端点包括,以覆冰的下边缘起点作为绝缘子盘径左端点,终点为盘径右端点;结合缺点补偿算法和冗点删除算法自动检测绝缘子盘径端点;若其中一侧点集中任意相邻两点纵坐标差值大于预设阈值,则在两点间插入一点再执行冗点删除算法;若其中一侧点集中任意相邻两点纵坐标差值小于预设阈值,则两点其中一点为冗余点,将其删除;循环进行自动检测直至点集不再被修改。
11.根据权利要求10所述的方法,其特征在于,所述缺点补偿算法具体包括:
11-1搜索分割图像K1、K2左右两侧轮廓的极左值和极右值,构造点集leftDia和rightDia以及所述点集leftDia和rightDia的副本leftD和rightD;设置初始化校正参数为T=0.67,盘径端点误差阈值为Tc=30;
11-2遍历点集leftDia,其中相邻两点纵坐标差值均值为Avg;
若所述点集中leftDia两点P1(x1,y1)、P2(x2,y2)…(y1<y2)满足下式,则为相邻两点;
若P1和P2两点间存在纵坐标为0.5*(y2-y1)的点P0(x0,y0),且满足:
|y0-0.5*(y2-y1)|<Te(9)
则在点集leftDia中添加左轮廓中纵坐标值为y0的点作为绝缘子盘径端点。
12.根据权利要求11所述的方法,其特征在于,所述冗点删除算法具体包括:
首先,对点集leftDia进行冗点删除,遍历点集leftDia,相邻两点纵坐标差值均值为Avg;判断是否存在相邻两点P1(x1,y1)、P2(x2,y2)…(y1<y2)使得差值y2-y1最小,满足下式:
y2-y1>Avg*(T-10%)(10)
设P1与leftDia中的前序点纵坐标差值为d1,P2与后继点纵坐标差值为d2,若只有d1满足式(11),将P2删除,反之则删除P1;
若d1、d2均满足或者均不满足式(11),则遍历点集rightDia,分别寻找与P1、P2纵坐标差值最小的点;设所述差值分别为dr1和dr2;若dr1>dr2,则从leftDia删除P2;反之删除P1;
再次,根据点集leftDia的冗点删除方法,对点集rightDia进行冗点删除;
最后,逐点比较leftDia与leftD、rightDia与rightD间的点是否全部相等,若是,则结束。
13.根据权利要求1所述的方法,其特征在于,所述双伞绝缘子盘径端点自动配对包括,定义散列表H和Hr,以及经过绝缘子盘径端点的轮廓两侧端点集leftP和rightP,该点集中的点按纵坐标值排序;
在所述点集leftP中取点PI1(xI1,yI1),在所述点集rightP中取纵坐标差值为|y′I1-yI1|最小的点P’I1(x’I1y’I1),在散列表H中插入(PI1,P’I1);依次遍历点集leftP中其余点PI2…PIn,散列表H包含n组数据;
在所述集rightP中取点Pr1(xr1,yr1),在所述点集leftP中取纵坐标差值为|y’r1-yr1|最小的点P’r1(x’r1y’r1)生成数据组(Pr1,P’r1);同时在散列表H中查找是否已包含该数据组(Pr1,P’r1),若是,则在散列表Hr中插入数据组(Pr1,P’r1);同理,遍历点集rightP中其余点Pr2…Prm,散列表Hr包含min{n,m}组数据。
14.根据权利要求1所述的方法,其特征在于,所述确定轮廓跟踪起点,完成双伞绝缘子冰校桥接百分比的计算包括,
以左轮廓点集为基准,遍历点集、leftP,制定校正原则,相邻两点纵坐标差值存入集合Diff中;
选取集合Diff中的最大值max和最小值min作为初始聚类中心进行K-MEANS聚类,聚类数目为2,设K1的初始轮廓跟踪起点序号集合为Start;
所述校正原则包括,遍历Start,将相邻起点序号作差,若该差值为大于等于3的奇数,则隔行插入序号;若为大于等于4的偶数,则隔行计算总和,并插入和最大的序号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510401466.7A CN105513039A (zh) | 2015-07-10 | 2015-07-10 | 一种带电绝缘子串覆冰桥接度智能图像分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510401466.7A CN105513039A (zh) | 2015-07-10 | 2015-07-10 | 一种带电绝缘子串覆冰桥接度智能图像分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105513039A true CN105513039A (zh) | 2016-04-20 |
Family
ID=55720997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510401466.7A Pending CN105513039A (zh) | 2015-07-10 | 2015-07-10 | 一种带电绝缘子串覆冰桥接度智能图像分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105513039A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106153097A (zh) * | 2016-06-27 | 2016-11-23 | 中国电力科学研究院 | 覆冰绝缘子串覆冰程度表征方法 |
CN106340006A (zh) * | 2016-08-22 | 2017-01-18 | 华南理工大学 | 一种基于绝缘子图像伞伸出的覆冰程度评估方法 |
CN106780444A (zh) * | 2016-12-01 | 2017-05-31 | 广东容祺智能科技有限公司 | 一种绝缘子自动识别分析系统 |
CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN106980816A (zh) * | 2017-02-22 | 2017-07-25 | 贵州电网有限责任公司凯里供电局 | 基于光学图像的绝缘子串自动识别方法 |
CN107316287A (zh) * | 2017-05-26 | 2017-11-03 | 浙江工业大学 | 一种矩形铁氧体磁片表面的缺陷识别方法 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN108459019A (zh) * | 2017-12-06 | 2018-08-28 | 成都理工大学 | 滑坡坡体碎石含量检测方法及智能移动终端 |
CN109003254A (zh) * | 2018-05-28 | 2018-12-14 | 南方电网科学研究院有限责任公司 | 基于逻辑回归覆冰检测方法、装置、设备、系统及介质 |
CN109059818A (zh) * | 2018-06-27 | 2018-12-21 | 贵州电网有限责任公司 | 一种绝缘子与导线覆冰状态等效性计算方法 |
CN110349128A (zh) * | 2019-06-21 | 2019-10-18 | 西安工程大学 | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 |
CN111650486A (zh) * | 2020-07-07 | 2020-09-11 | 天津大学 | 一种覆冰绝缘子交流闪络放电的判断方法 |
-
2015
- 2015-07-10 CN CN201510401466.7A patent/CN105513039A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106153097A (zh) * | 2016-06-27 | 2016-11-23 | 中国电力科学研究院 | 覆冰绝缘子串覆冰程度表征方法 |
CN106153097B (zh) * | 2016-06-27 | 2020-09-25 | 中国电力科学研究院 | 覆冰绝缘子串覆冰程度表征方法 |
CN106340006A (zh) * | 2016-08-22 | 2017-01-18 | 华南理工大学 | 一种基于绝缘子图像伞伸出的覆冰程度评估方法 |
CN106340006B (zh) * | 2016-08-22 | 2019-05-14 | 华南理工大学 | 一种基于绝缘子图像伞伸出的覆冰程度评估方法 |
CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN106780438B (zh) * | 2016-11-11 | 2020-09-25 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN106780444A (zh) * | 2016-12-01 | 2017-05-31 | 广东容祺智能科技有限公司 | 一种绝缘子自动识别分析系统 |
CN106980816A (zh) * | 2017-02-22 | 2017-07-25 | 贵州电网有限责任公司凯里供电局 | 基于光学图像的绝缘子串自动识别方法 |
CN107316287A (zh) * | 2017-05-26 | 2017-11-03 | 浙江工业大学 | 一种矩形铁氧体磁片表面的缺陷识别方法 |
CN108459019B (zh) * | 2017-12-06 | 2021-03-23 | 成都理工大学 | 滑坡坡体碎石含量检测方法及智能移动终端 |
CN108459019A (zh) * | 2017-12-06 | 2018-08-28 | 成都理工大学 | 滑坡坡体碎石含量检测方法及智能移动终端 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN108108772B (zh) * | 2018-01-06 | 2021-08-10 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN109003254A (zh) * | 2018-05-28 | 2018-12-14 | 南方电网科学研究院有限责任公司 | 基于逻辑回归覆冰检测方法、装置、设备、系统及介质 |
CN109003254B (zh) * | 2018-05-28 | 2021-04-27 | 南方电网科学研究院有限责任公司 | 基于逻辑回归覆冰检测方法、装置、设备、系统及介质 |
CN109059818A (zh) * | 2018-06-27 | 2018-12-21 | 贵州电网有限责任公司 | 一种绝缘子与导线覆冰状态等效性计算方法 |
CN110349128A (zh) * | 2019-06-21 | 2019-10-18 | 西安工程大学 | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 |
CN110349128B (zh) * | 2019-06-21 | 2021-04-06 | 西安工程大学 | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 |
CN111650486A (zh) * | 2020-07-07 | 2020-09-11 | 天津大学 | 一种覆冰绝缘子交流闪络放电的判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105513039A (zh) | 一种带电绝缘子串覆冰桥接度智能图像分析方法 | |
CN110413924B (zh) | 一种半监督多视图学习的网页分类方法 | |
Lu et al. | Pairwise linkage for point cloud segmentation | |
CN105205488B (zh) | 基于Harris角点和笔画宽度的文字区域检测方法 | |
CN108520278A (zh) | 一种基于随机森林的路面裂缝检测方法及其评价方法 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
US20080267498A1 (en) | Unsupervised color image segmentation by dynamic color gradient thresholding | |
CN111046950B (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
Wan et al. | LFRNet: Localizing, focus, and refinement network for salient object detection of surface defects | |
Haines et al. | Detecting planes and estimating their orientation from a single image. | |
CN104517120A (zh) | 基于多路分层正交匹配的遥感图像场景分类方法 | |
CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
CN109522859B (zh) | 基于高光谱遥感影像多特征输入的城市不透水层提取方法 | |
Shi et al. | Adaptive graph cut based binarization of video text images | |
CN112926556A (zh) | 一种基于语义分割的航拍输电线路散断股识别方法及系统 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN116745642A (zh) | 一种探地雷达图像双曲波提取方法及系统 | |
CN109360191A (zh) | 一种基于变分自编码器的图像显著性检测方法 | |
CN117572457A (zh) | 一种基于伪标签学习的跨场景多光谱点云分类方法 | |
Chen et al. | Fresh tea sprouts detection via image enhancement and fusion SSD | |
CN113191419B (zh) | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 | |
CN106934802B (zh) | 一种基于决策树的裂化瓷质绝缘子判定诊断方法 | |
CN106022226A (zh) | 一种基于多方向多通道条形结构的行人再辨识方法 | |
Li et al. | An efficient self-learning people counting system | |
Wijaya et al. | Building crack due to lombok earthquake classification based on glcm features and svm classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160420 |
|
RJ01 | Rejection of invention patent application after publication |