CN105957073B - 输电线路散股故障检测方法 - Google Patents
输电线路散股故障检测方法 Download PDFInfo
- Publication number
- CN105957073B CN105957073B CN201610267772.0A CN201610267772A CN105957073B CN 105957073 B CN105957073 B CN 105957073B CN 201610267772 A CN201610267772 A CN 201610267772A CN 105957073 B CN105957073 B CN 105957073B
- Authority
- CN
- China
- Prior art keywords
- pixel
- straight line
- transmission line
- line
- power transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 148
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 230000005611 electricity Effects 0.000 title claims abstract description 47
- 230000008901 benefit Effects 0.000 claims abstract description 3
- 238000004040 coloring Methods 0.000 claims description 25
- 238000003708 edge detection Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 125000006850 spacer group Chemical group 0.000 claims 1
- 238000000034 method Methods 0.000 description 14
- 238000007689 inspection Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
Abstract
本发明公开了一种输电线路散股故障检测方法,包括以下步骤:A:获取图像边缘图;B:利得到图像边缘图中的初次暂定直线;C:保留所有与输电线颜色相同或相近的像素点;D:对图像边缘图中的干扰直线进行首次滤除得到二次暂定直线,对二次暂定直线中的不完整部分进行补充得到三次暂定直线;对图像边缘图中的干扰直线进行再次滤除,最终得到图像边缘图中所有的确定直线即确定输电线以及确定直线的位置;E:确定输电线的传输方向以及线宽;判定滑动窗口是否存在散股隐患及散股故障;G:沿输电线标记出该根输电线上的确定发生散股故障的区域的个数。本发明能够更为准确、健壮地定位散股故障区域,降低判决误差。
Description
技术领域
本发明涉及一种输电线路散股故障检测方法,尤其涉及一种基于融合颜色信息的边缘检测和梯度方差直方图分布特性分析的输电线路散股故障检测方法。
背景技术
目前,高压架空输电线一般采用钢芯铝绞线。输电线路在巨大的交变张力、由振动引起的弯曲应力和气温急剧变化引起的长期疲劳共同作用下导致材质脆变,在雷击、电气闪络的作用下引起表面损伤,从而不可避免地造成高压架空输电线产生散股缺陷,严重威胁导线本身及其送变电设备和人身安全。传统的人工巡检只通过对输电线进行目测来判断是否存在故障,这种方法效率低,漏检率高,且受到地理环境的限制,难以对输电线故障进行有效的检测,而直升机具有高效、灵活和不受地理环境限制的特点,很多发达国家逐步采用无人机巡航电力线的方法来进行智能巡检。为了提高线路巡检的自动化水平,图像处理技术在电力巡检领域中的应用已经越来越广泛,如何利用巡航图像快速定位并检测到故障位置具有非常显著的价值。
经对现有的检测方法的文献检索发现,对于输电线路故障缺陷的诊断方法国内外研究较少,其中重庆大学蒋兴良在《基于优化Gabor滤波器的输电导线断股图像检测》提出了一种利用Gabor滤波器分析导线断股频谱特性的方法来识别断股故障;日本的Ishino R和Tsutsumi Dr F在《CRIEPI’s aerial inspection of transmission conductor》中利用电力线的亮度和形状判断电力线的损伤情况。可以看出现有的基于图像分析的散股自动检测方法,大多数依赖纹理斜率分布的判决模型,取得了较好的检测效果。然而,这些自动检测方法通常采用简单的Sobel等灰度梯度算子来定位边缘,在光照和背景噪声干扰下鲁棒性有所降低。同时,这些方法在采用纹理斜率分布的判决模型时,简单地通过观测斜率的正负取值来判决散股故障,数值的不稳定性易造成误判断,而且无法提供散股故障的置信度度量。
发明内容
本发明的目的是提供一种输电线路散股故障检测方法,基于融合颜色信息的边缘检测和梯度方差直方图分布特性分析,比传统的基于梯度算子的边缘定位更为准确,能够更健壮地定位散股故障区域,降低判决误差。
本发明采用下述技术方案:
一种输电线路散股故障检测方法,依次对组成输电线检测视频的各帧图像执行以下步骤:
A:按照设定的边缘检测阈值,对图像进行Canny边缘检测获取图像边缘图;
B:利用Hough变化检测法对图像边缘图进行检测,得到图像边缘图中的初次暂定直线,即暂定输电线;
C:获取图像中各个像素点的颜色信息,根据输电线颜色信息及设定的颜色信息阈值,判断图像中各个像素点是否为与输电线颜色相同或相近的像素点,并保留所有与输电线颜色相同或相近的像素点;
D:通过将步骤B中得到的初次暂定直线中的像素点与步骤C中得到的所有与输电线颜色相同或相近的像素点进行对比,对图像边缘图中的干扰直线进行首次滤除,得到图像边缘图中的二次暂定直线,并对二次暂定直线中的不完整部分进行补充,得到图像边缘图中的三次暂定直线;再利用三次暂定直线的长度判断该三次暂定直线是否为干扰直线,并对图像边缘图中的干扰直线进行再次滤除,最终得到图像边缘图中所有的确定直线即确定输电线,以及确定直线的位置;
干扰直线分为两种,一是指初次暂定直线中,与输电线颜色既不相同也不相近的像素点所组成的初次暂定直线;二是指三次暂定直线中,所有长度小于设定阈值时的三次暂定直线;
E:根据步骤D中得到的确定直线的位置,确定输电线的传输方向以及线宽;
F:设计滑动窗口在确定直线上沿输电线传输的方向分别统计每个滑动窗口内输电线像素点的梯度方向,并统计每个滑动窗口内输电线像素点的梯度值方差,制成统计直方图,若某个滑动窗口内输电线像素点的梯度值方差大于设定的梯度方差阈值,则判定该滑动窗口所在区域内存在散股隐患;若有连续若干个滑动窗口都存在散股隐患,那么判定这若干个滑动窗口组成的区域确定存在散股故障;
G:根据步骤F确定散股故障区域在图像中所对应的位置,并对该区域位置进行标记,沿输电线标记出该根输电线上的确定发生散股故障的区域的个数。
步骤A中,选取80作为低阈值,选取150作为高阈值,对图像进行Canny边缘检测。
步骤B中,Hough变化检测法采用OPENCV2.4.4函数库中的概率Hough变换函数。
步骤C中,设定输电线颜色信息,并以设定的输电线颜色信息计算出颜色信息阈值,然后分别计算图像中各个像素点与灰度轴的夹角,当夹角大于颜色信息阈值时,判定该像素点不是与输电线颜色相近或相同的像素点,当夹角小于等于颜色信息阈值时,判定该像素点是与输电线颜色相近或相同的像素点,保留所有与输电线颜色相同或相近的像素点,并得到对应的二值图像。
步骤C中,设输电线上各个像素与RGB颜色空间中的灰度轴的夹角小于5°,即夹角的余弦值大于0.996,以余弦值为0.996作为颜色信息阈值;然后分别计算图像中各个像素点与灰度轴的夹角,记像素点的颜色为(R,G,B),则夹角的余弦值计算公式为若像素点与灰度轴夹角的余弦值大于阈值0.996,则判定该像素点不是与输电线颜色相近或相同的像素点;若像素点与彩色空间灰度轴夹角的余弦值小于等于阈值0.996,则判定该像素点是与输电线颜色相近或相同的像素点;然后保留所有与输电线颜色相同或相近的像素点,并得到对应的二值图像,二值图像中的白色点为可能属于输电线的像素点,黑色点为无关的点。
步骤D中,在对二次暂定直线中的不完整部分进行补充时,对处于同一直线上且存在间隔的多条二次暂定直线,若这多条二次暂定直线上的像素点80%以上的像素点的颜色特点都与输电线像素点的颜色特点相同或相近,且间隔部分也含有超过间断长度一半的像素点与输电线像素点的颜色特点相同或相近的像素点,则认为这多条二次暂定直线属于同一输电线,其间隔部分为二次暂定直线中的不完整部分,并利用与输电线像素点的颜色特点相同或相近的像素点对间隔部分进行补充,最终形成三次暂定直线。
步骤D中,利用输电线为贯穿整幅图像的长直线的特点,若三次暂定直线的长度小于图像短边的二分之一时,则判断此三次暂定直线为干扰直线并进行滤除,最终得到图像边缘图中所有的确定直线即确定输电线。
步骤F中,采用5个像素点长且宽为输电线线宽2倍的滑动窗口进行扫描。
步骤F中,梯度方差阈值为400。
本发明利用整合图像的颜色信息和边缘信息,对电力线的边缘进行了加强,使得电力线边缘的检测比原本只使用单一的梯度信息进行的检测更健壮更准确更完整。基于图像的颜色信息,可以很大程度上排除形状类似于电力线但颜色不一致的背景信息,能在较为复杂的背景环境下完整的检测出输电线。通过对检测出的输电线进行扫描建立统计直方图,根据其沿线上像素点梯度变化的直方图分布特性可以准确地检测出输电线散股故障。
与现有技术相比,本发明基于图像的颜色信息和梯度方差统计直方图,结合了边缘梯度信息,以形状和颜色两种特性来确定输电线的位置,减小了由于传统边缘检测算法得到的边缘不完整带来的影响,使得检测结果更加准确稳定,并可大幅度降低除复杂背景带来的干扰,使输电线散股的判断更加健壮,降低了误判和错判。
附图说明
图1为本发明的流程示意图;
图2为经Canny边缘检测和Hough变化检测后获取的图像边缘图;
图3为对原图进行颜色滤波后获取的可能属于输电线的像素点的位置示意图;
图4经步骤D对输电线进行定位后的结果示意图;
图5是输电线路散股故障检测结果示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述:
如图1所示,本发明所述的输电线路散股故障检测方法,依次对组成输电线检测视频的各帧图像执行以下步骤:
A:按照设定的边缘检测阈值,对图像进行Canny边缘检测获取图像边缘图。Canny算法利用了双阈值算法检测和连接边缘,能够使检测到的边缘更加完整,本实施例中,分别选取80和150作为低阈值和高阈值,对图像进行Canny边缘检测。
B:利用Hough变化检测法对图像边缘图进行检测,得到图像边缘图中的初次暂定直线,即暂定输电线。本实施例中,Hough变化检测法采用OPENCV2.4.4函数库中的概率Hough变换函数。
C:获取图像中各个像素点的颜色信息,根据输电线颜色信息及设定的颜色信息阈值,判断图像中各个像素点是否为与输电线颜色相同或相近的像素点,并保留所有与输电线颜色相同或相近的像素点。
本实施例中,根据输电线一般均采用灰白色的这一特点,设输电线上各个像素与RGB颜色空间中的灰度轴的夹角小于5°,即夹角的余弦值大于0.996,分别计算图像中各个像素点与灰度轴的夹角,记像素点的颜色为(R,G,B),则夹角的余弦值计算公式为若像素点与灰度轴夹角的余弦值大于阈值0.996,则判定该像素点不是与输电线颜色相近或相同的像素点;若像素点与彩色空间灰度轴夹角的余弦值小于等于阈值0.996,则判定该像素点是与输电线颜色相近或相同的像素点;然后保留所有与输电线颜色相同或相近的像素点,并得到对应的二值图像,二值图像中的白色点为可能属于输电线的像素点,黑色点为无关的点。
D:通过将步骤B中得到的初次暂定直线中的像素点与步骤C中得到的所有与输电线颜色相同或相近的像素点进行对比,对图像边缘图中的干扰直线进行首次滤除,得到图像边缘图中的二次暂定直线,并对二次暂定直线中的不完整部分进行补充,得到图像边缘图中的三次暂定直线;再利用三次暂定直线的长度判断该三次暂定直线是否为干扰直线,并对图像边缘图中的干扰直线进行再次滤除,最终得到图像边缘图中所有的确定直线即确定输电线,以及确定直线的位置。
步骤D中,干扰直线分为两种,一是指初次暂定直线中,与输电线颜色既不相同也不相近的像素点所组成的初次暂定直线,例如房顶边缘等。二是指三次暂定直线中,所有长度小于设定阈值时的三次暂定直线。
在利用Hough变化检测法对图像边缘图进行检测时,会因背景干扰而产生干扰直线,在步骤C所得到的二值图像中表现为黑色的像素点组成。这些干扰直线将严重影响检测精度。因此,本发明中针对图像边缘图中的干扰直线进行的首次滤除,能够有效保证检测精度。
由于边缘提取的不完整,会导致通过Hough变化检测法检测得到的二次暂定直线不完整,即不能完整地提取出输电线,将引发漏检情况的产生,因此本发明中还增设有对二次暂定直线中的不完整部分进行补充的步骤:
在对二次暂定直线中的不完整部分进行补充时,对处于同一直线上且存在间隔的多条二次暂定直线,若这多条二次暂定直线上的像素点80%以上的像素点的颜色特点都与输电线像素点的颜色特点相同或相近,且间隔部分也含有超过间断长度一半的像素点与输电线像素点的颜色特点相同或相近的像素点,则认为这多条二次暂定直线属于同一输电线,其间隔部分为二次暂定直线中的不完整部分,并利用与输电线像素点的颜色特点相同或相近的像素点对间隔部分进行补充,最终形成三次暂定直线。如在步骤C所得到的二值图像中,若处于同一直线上且存在间隔的多条二次暂定直线,同时每条暂定直线上都有超过80%的像素点表现为白色,且多条二次暂定直线的间断部分含有超过间断长度一半以上个数的白色的点,则认为间断是由于边缘提取不完整造成的,这多条二次暂定直线属于同一输电线,并将间断部分补充完整。
由于三次暂定直线中也存在因背景干扰而产生长度较短的干扰直线,严重影响检测精度,因此本发明中针对三次暂定直线中存在的干扰直线进行再次滤除。本实施例中,利用输电线一般为贯穿整幅图像的长直线的特点,若三次暂定直线的长度小于图像短边的二分之一时,则判断此三次暂定直线为干扰直线并进行滤除,最终得到图像边缘图中所有的确定直线即确定输电线,使确定直线的定位更为准确,提高检测精度。
E:根据步骤D中得到的确定直线的位置,确定输电线的传输方向以及线宽;
F:设计滑动窗口在确定直线上沿输电线传输的方向分别统计每个滑动窗口内输电线像素点的梯度方向,并统计每个滑动窗口内输电线像素点的梯度值方差,制成统计直方图,若某个滑动窗口内输电线像素点的梯度值方差大于设定的梯度方差阈值,则判定该滑动窗口所在区域内存在散股隐患;若有连续若干个滑动窗口都存在散股隐患,那么判定这若干个滑动窗口组成的区域确定存在散股故障。
本实施例中,采用了5个像素点长且宽为输电线线宽2倍的滑动窗口进行扫描,按照区域的位置顺序画出对应的滑动窗口内梯度方差的统计直方图,一般认为同一输电线上的像素点的梯度方向应与输电线的主方向一致,误差在15°以内,即梯度方差应该小于225,为了排除一些背景干扰点带来的影响,设定梯度方差阈值为400,如果一个区域内像素点的梯度值方差大于梯度方差阈值,则认为这个区域内像素点的梯度方向变化剧烈,存在散股隐患。如果若干个连续位置的滑动窗口内的梯度方差都存在剧烈变化,那么判定这几个连续位置的滑动窗口组成的区域内的输电线存在异常,发生了散股故障。
G:根据步骤F确定散股故障区域在图像中所对应的位置,并对该区域位置进行标记,沿输电线标记出该根输电线上的确定发生散股故障的区域的个数。
实施例1:
分别执行步骤A至步骤G,对组成输电线检测视频的各帧图像进行输电线检测。输电线检测视频拍摄了道路上方飞行的小飞机对输电线的巡航过程,背景环境主要包括路面、田地以及房屋。
图2为经Canny边缘检测和Hough变化检测后获取的图像边缘图,图3为经步骤C处理后获取的可能属于输电线的像素点的位置示意图。由图2可以看出,由于飞机巡航时离输电线较远而且存在抖动,导致边缘线模糊且很难完整地被检测到,造成Canny检测无法完整地提取出输电线的边缘。将图3与图2进行对比,可以明显地看出经步骤C处理后可以较好地保留输电线部分,将直线检测中不完整的结果补充完整,得到准确的确定直线位置,即输电线位置。
图4经步骤D对输电线进行定位后的结果示意图,可以看出屋顶,田地的边缘线经步骤D处理后也被滤除,说明在复杂的背景情况下,本发明所述的输电线路散股故障检测方法仍可稳定准确地检测出直线。
图5是对散股的检测结果,散股处都用四边形框标记出,黑色直线标识了输电线的上下边缘。可以看出,利用梯度变化的直方图特性可以比较准确地检测出发生散股故障的部位,并能比较准确地标识出来。
所有实验均在PC计算机上实现,计算机的参数为:中央处理器Intel(R)Core(TM)i7-4702MQ CPU@2.20GHz,内存8.00GB。
实验表明,较之现有的输电线定位以及散股检测方法,本发明所采用的融合颜色信息的缘检测方法即步骤D,同时利用到了输电线的形状信息和颜色信息,可以更加准确完整地提取出输电线的位置,实验中我们截取了航拍视频中的500帧图像进行了实验,其中采用多通道边缘检测方法可以在267帧图像中无漏检地定位出输电线,而仅采用Canny方法进行边缘检测仅能在217帧图像无漏检地定位出输电线,可见与传统的方法相比,尤其是在拍摄情况不佳、输电线存在一定的模糊的情况下,能够使10%左右的图像中所检测到的输电线更加完整,减少了漏检。本发明通过统计梯度方差变化得到的统计直方图分布特性,可以较准确地判别散股故障,在我们人工给出的10张散股图像中,可以通过观察沿线区域上梯度方差的变化,清楚地定位到每幅图像中散股区域的起始位置以及终止位置(每幅图中散股区域的个数在2~5之间变化),相较于原本利用投影法来定位异常区域,无法准确定位出相邻两条输电线上多处故障的问题大幅度改进,并且本方法不用对整幅图片区域进行投影,只针对输电线周围区域进行投影分析,减少了运算量。在实施例中采用了637*477的视频图像,若采用投影定位法则需要扫描303849个像素点,而只沿输电线区域检测则只需要扫描172610个像素点,减少了43.19%的计算量。
Claims (9)
1.输电线路散股故障检测方法,其特征在于,依次对组成输电线检测视频的各帧图像执行以下步骤:
A:按照设定的边缘检测阈值,对图像进行Canny边缘检测获取图像边缘图;
B:利用Hough变化检测法对图像边缘图进行检测,得到图像边缘图中的初次暂定直线,即暂定输电线;
C:获取图像中各个像素点的颜色信息,根据输电线颜色信息及设定的颜色信息阈值,判断图像中各个像素点是否为与输电线颜色相同或相近的像素点,并保留所有与输电线颜色相同或相近的像素点;
D:通过将步骤B中得到的初次暂定直线中的像素点与步骤C中得到的所有与输电线颜色相同或相近的像素点进行对比,对图像边缘图中的干扰直线进行首次滤除,得到图像边缘图中的二次暂定直线,并对二次暂定直线中的不完整部分进行补充,得到图像边缘图中的三次暂定直线;再利用三次暂定直线的长度判断该三次暂定直线是否为干扰直线,并对图像边缘图中的干扰直线进行再次滤除,最终得到图像边缘图中所有的确定直线即确定输电线,以及确定直线的位置;
干扰直线分为两种,一是指初次暂定直线中,与输电线颜色既不相同也不相近的像素点所组成的初次暂定直线;二是指三次暂定直线中,所有长度小于设定阈值时的三次暂定直线;
E:根据步骤D中得到的确定直线的位置,确定输电线的传输方向以及线宽;
F:设计滑动窗口在确定直线上沿输电线传输的方向分别统计每个滑动窗口内输电线像素点的梯度方向,并统计每个滑动窗口内输电线像素点的梯度值方差,制成统计直方图,若某个滑动窗口内输电线像素点的梯度值方差大于设定的梯度方差阈值,则判定该滑动窗口所在区域内存在散股隐患;若有连续若干个滑动窗口都存在散股隐患,那么判定这若干个滑动窗口组成的区域确定存在散股故障;
G:根据步骤F确定散股故障区域在图像中所对应的位置,并对该区域位置进行标记,沿输电线标记出该根输电线上的确定发生散股故障的区域的个数。
2.根据权利要求1所述的输电线路散股故障检测方法,其特征在于:所述的步骤A中,选取80作为低阈值,选取150作为高阈值,对图像进行Canny边缘检测。
3.根据权利要求1所述的输电线路散股故障检测方法,其特征在于:所述的步骤B中,Hough变化检测法采用OPENCV2.4.4函数库中的概率Hough变换函数。
4.根据权利要求1所述的输电线路散股故障检测方法,其特征在于:所述的步骤C中,设定输电线颜色信息,并以设定的输电线颜色信息计算出颜色信息阈值,然后分别计算图像中各个像素点与灰度轴的夹角,当夹角大于颜色信息阈值时,判定该像素点不是与输电线颜色相近或相同的像素点,当夹角小于等于颜色信息阈值时,判定该像素点是与输电线颜色相近或相同的像素点,保留所有与输电线颜色相同或相近的像素点,并得到对应的二值图像。
5.根据权利要求4所述的输电线路散股故障检测方法,其特征在于:所述的步骤C中,设输电线上各个像素与RGB颜色空间中的灰度轴的夹角小于5°,即夹角的余弦值大于0.996,以余弦值为0.996作为颜色信息阈值;然后分别计算图像中各个像素点与灰度轴的夹角,记像素点的颜色为(R,G,B),则夹角的余弦值计算公式为若像素点与灰度轴夹角的余弦值大于阈值0.996,则判定该像素点不是与输电线颜色相近或相同的像素点;若像素点与彩色空间灰度轴夹角的余弦值小于等于阈值0.996,则判定该像素点是与输电线颜色相近或相同的像素点;然后保留所有与输电线颜色相同或相近的像素点,并得到对应的二值图像,二值图像中的白色点为属于输电线的像素点,黑色点为无关的点。
6.根据权利要求1所述的输电线路散股故障检测方法,其特征在于:所述的步骤D中,在对二次暂定直线中的不完整部分进行补充时,对处于同一直线上且存在间隔的多条二次暂定直线,若这多条二次暂定直线上的像素点80%以上的像素点的颜色特点都与输电线像素点的颜色特点相同或相近,且间隔部分也含有超过间断长度一半的像素点与输电线像素点的颜色特点相同或相近的像素点,则认为这多条二次暂定直线属于同一输电线,其间隔部分为二次暂定直线中的不完整部分,并利用与输电线像素点的颜色特点相同或相近的像素点对间隔部分进行补充,最终形成三次暂定直线。
7.根据权利要求1所述的输电线路散股故障检测方法,其特征在于:所述的步骤D中,利用输电线为贯穿整幅图像的长直线的特点,若三次暂定直线的长度小于图像短边的二分之一时,则判断此三次暂定直线为干扰直线并进行滤除,最终得到图像边缘图中所有的确定直线即确定输电线。
8.根据权利要求1所述的输电线路散股故障检测方法,其特征在于:所述的步骤F中,采用5个像素点长且宽为输电线线宽2倍的滑动窗口进行扫描。
9.根据权利要求1所述的输电线路散股故障检测方法,其特征在于:所述的步骤F中,梯度方差阈值为400。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2015102104508 | 2015-04-29 | ||
CN201510210450 | 2015-04-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957073A CN105957073A (zh) | 2016-09-21 |
CN105957073B true CN105957073B (zh) | 2019-01-18 |
Family
ID=56916955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610267772.0A Active CN105957073B (zh) | 2015-04-29 | 2016-04-27 | 输电线路散股故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957073B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384076A (zh) * | 2016-08-29 | 2017-02-08 | 湖南文理学院 | 基于Sobel算子和Wigner‑Hough变换的齿轮故障特征提取方法 |
CN107886096A (zh) * | 2016-09-29 | 2018-04-06 | 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 |
CN107194333A (zh) * | 2017-05-10 | 2017-09-22 | 深圳增强现实技术有限公司 | 输电线路的检测方法及装置 |
CN107179479B (zh) * | 2017-06-12 | 2020-05-22 | 西安工程大学 | 基于可见光图像的输电导线散股缺陷检测方法 |
CN107437245B (zh) * | 2017-06-26 | 2020-10-20 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
CN108734689B (zh) * | 2018-02-07 | 2021-07-27 | 西安工程大学 | 一种基于区域生长的导线散股检测方法 |
CN109977962B (zh) * | 2019-03-21 | 2022-03-15 | 国网山东省电力公司经济技术研究院 | 一种光缆故障隐患自动识别方法与系统 |
CN111024705A (zh) * | 2019-10-17 | 2020-04-17 | 广东电网有限责任公司清远供电局 | 一种电力线断股的检测方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4871972A (en) * | 1987-07-13 | 1989-10-03 | Roy Jacques T | Apparatus for detecting faulty power line insulator |
EP0400230A1 (en) * | 1989-05-29 | 1990-12-05 | Ngk Insulators, Ltd. | System for detecting fault location in substation |
JP2004258003A (ja) * | 2003-02-28 | 2004-09-16 | Techno Success Kk | 送電線の地絡事故検出システム及び地絡事故検出方法 |
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 |
CN102737252A (zh) * | 2012-06-01 | 2012-10-17 | 西南交通大学 | 基于仿射不变矩的电气化铁路绝缘子片间异物污染故障检测方法 |
CN103063166A (zh) * | 2013-01-05 | 2013-04-24 | 山西省电力公司大同供电分公司 | 悬式复合绝缘子串风偏角的检测方法及装置 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN103488988A (zh) * | 2013-09-06 | 2014-01-01 | 广东电网公司电力科学研究院 | 基于无人机巡线可见光影像的电力设备中绝缘子的提取方法 |
CN104281857A (zh) * | 2013-07-08 | 2015-01-14 | 中国科学院沈阳自动化研究所 | 一种基于正交方向投影的绝缘子检测方法 |
-
2016
- 2016-04-27 CN CN201610267772.0A patent/CN105957073B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4871972A (en) * | 1987-07-13 | 1989-10-03 | Roy Jacques T | Apparatus for detecting faulty power line insulator |
EP0400230A1 (en) * | 1989-05-29 | 1990-12-05 | Ngk Insulators, Ltd. | System for detecting fault location in substation |
JP2004258003A (ja) * | 2003-02-28 | 2004-09-16 | Techno Success Kk | 送電線の地絡事故検出システム及び地絡事故検出方法 |
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 |
CN102737252A (zh) * | 2012-06-01 | 2012-10-17 | 西南交通大学 | 基于仿射不变矩的电气化铁路绝缘子片间异物污染故障检测方法 |
CN103063166A (zh) * | 2013-01-05 | 2013-04-24 | 山西省电力公司大同供电分公司 | 悬式复合绝缘子串风偏角的检测方法及装置 |
CN104281857A (zh) * | 2013-07-08 | 2015-01-14 | 中国科学院沈阳自动化研究所 | 一种基于正交方向投影的绝缘子检测方法 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN103488988A (zh) * | 2013-09-06 | 2014-01-01 | 广东电网公司电力科学研究院 | 基于无人机巡线可见光影像的电力设备中绝缘子的提取方法 |
Non-Patent Citations (3)
Title |
---|
A new efficient ellipse detection method;XIE Yong-hong等;《IEEE Computer Society》;20020815(第2期);第957-960页 |
基于神经网络的输电线路故障检测研究;董天祯等;《系统仿真学报》;20090805;第21卷(第15期);第4903-4911页 |
航拍图像中绝缘子的识别与故障诊断;姜浩然等;《机电工程》;20150214;第32卷(第2期);第274-278页 |
Also Published As
Publication number | Publication date |
---|---|
CN105957073A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957073B (zh) | 输电线路散股故障检测方法 | |
Davari et al. | Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos | |
CN106326808B (zh) | 基于无人机图像的检测输电线路杆塔上鸟窝的方法 | |
CN104764748A (zh) | 定位绝缘子的方法、系统以及故障检测的方法和系统 | |
Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
CN107483014B (zh) | 一种光伏板故障自动检测方法 | |
CN103529362B (zh) | 基于感知的绝缘子识别与缺陷诊断方法 | |
CN110266268B (zh) | 一种基于图像融合识别的光伏组件故障检测方法 | |
CN102508110A (zh) | 基于纹理的绝缘子缺陷诊断方法 | |
Wang et al. | Recognition and drop-off detection of insulator based on aerial image | |
CN104483326A (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN112507865B (zh) | 一种烟雾识别方法及识别装置 | |
CN105957081B (zh) | 一种玻璃绝缘子掉串故障检测方法 | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN106570853A (zh) | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 | |
CN112435208B (zh) | 显著性边缘引导的绝缘子区域检测方法 | |
CN103247039A (zh) | 一种基于复合视觉的高压线缆带电检测方法 | |
CN106920240A (zh) | 一种基于红外图像的绝缘子识别和故障诊断方法 | |
CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN113361354A (zh) | 轨道部件巡检方法、装置、计算机设备和存储介质 | |
Kuo et al. | Automatic detection, classification and localization of defects in large photovoltaic plants using unmanned aerial vehicles (UAV) based infrared (IR) and RGB imaging | |
CN109345586A (zh) | 基于紫外成像技术的电气设备放电特征提取方法 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
Weng et al. | Newly designed identifying method for ice thickness on high‐voltage transmission lines via machine vision |
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 |