CN105957088A - 基于计算机视觉的变压器复合绝缘子套管监测方法及系统 - Google Patents
基于计算机视觉的变压器复合绝缘子套管监测方法及系统 Download PDFInfo
- Publication number
- CN105957088A CN105957088A CN201610315778.0A CN201610315778A CN105957088A CN 105957088 A CN105957088 A CN 105957088A CN 201610315778 A CN201610315778 A CN 201610315778A CN 105957088 A CN105957088 A CN 105957088A
- Authority
- CN
- China
- Prior art keywords
- image
- globule
- maximum
- detected
- composite insulator
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20036—Morphological image processing
-
- 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
Abstract
一种基于计算机视觉的变压器复合绝缘子套管监测方法及系统,在各变压器上空龙门架处分别安装摄像头,拍摄所得图像传输到服务器端,在服务器端进行图像采集、图像预处理、图像区域分割、套管污秽分级处理及套管工况缺陷识别。本发明用可见光图像识别与处理技术提高变压器运行可靠性,及时发现缺陷,对套管污秽情况进行分级;而且对套管工况进行监测判断,提高套管运行可靠性。本发明可广泛用于各种电压等级的变压器套管监测。
Description
技术领域
本发明属于电气设备在线监测领域,特别涉及一种基于计算机视觉的变压器复合绝缘子套管在线监测方法及系统。
背景技术
套管是变压器的最重要的附件之一。它不仅把变压器内部的高、低压引线引到油箱之外,实现与外部网络连接,同时还起着固定引线的作用。所以,套管必须满足电气强度和机械强度的双重要求。套管又是载流元件之一,在变压器运行中将长期通过负载电流。近年,随着电网规模的扩大和环境污染的加剧,变压器套管的事故频发,严重威胁着电力系统的安全运行。因此对变压器套管进行实时的在线监测,非常有必要。
对变压器套管污秽的在线监测目前研究较少,通常选取其介质损耗(简称介损)正切值tanδ、电容量C、末屏泄漏电流I等作为绝缘状况判断,由于变电站电磁干扰较大,这些监测都需要提取弱信号作为依据,准确度难以保证。
运行中变压器套管的工况监测更是运行部门关注的热点,目前尚无这方面的研究与成果出现。
发明内容
为了兼顾在线监测变压器套管的运行工况和污秽等级,本发明提出了一种基于计算机视觉的变压器复合绝缘子套管在线监测方法及系统。
本发明技术方案提供一种基于计算机视觉的变压器复合绝缘子套管监测方法,在各变压器上空龙门架处分别安装摄像头,拍摄所得图像传输到服务器端,在服务器端进行图像采集、图像预处理、图像区域分割、套管污秽分级处理及套管工况缺陷识别;
所述图像采集,包括采集拍摄所得图像,包括绝缘子的憎水性图像和变压器套管整体的工况图像;
所述图像预处理采用基于同态増晰的局部直方图均衡化方式实现;
所述图像区域分割,包括对预处理后的图像,采用改进的Canny算子检测图像边缘,然后对边缘检测后的图像采用数学形态学运算进行修正,得到分割结果;
所述采用改进的Canny算子检测图像边缘实现方式如下,
利用高斯滤波器对预处理后的绝缘子憎水性图像进行平滑滤波处理;
用邻域一阶偏导的有限差分来计算平滑后图像的梯度幅值和方向,包括使用3×3邻域来计算梯度,包括计算水平和垂直方向、的梯度幅值,还计算45°和135°方向的梯度幅值;
对梯度幅值图像进行处理,抑制梯度幅值的非极大值;
用OTSU算法求出最佳分割阈值,然后用该最佳阈值进行检测并连接边缘;
所述套管污秽分级处理,包括根据憎水性图像的分割结果,提取四个与复合绝缘子憎水性有关的量作为特征码,包括最大水珠面积比K,水珠覆盖率C,最大水珠偏心率e,最大水珠形状因子fc,采用基于最小二乘支持向量机的方式得到检测样本所属的憎水等级;
最大水珠面积比K计算如下,
式中,S表示最大水珠的面积,XY为整幅图像的面积;
水珠覆盖率C计算如下,
式中,n表示识别出的水珠个数,Si为第i个水珠的面积;
最大水珠偏心率e计算如下,
式中,a表示最大水珠的长轴,b表示最大水珠的短轴;
最大水珠形状因子fc计算如下,
式中,L表示最大水珠的周长,S表示最大水珠的面积;
所述套管工况缺陷识别,包括将工况图像作为待检测图像,根据工况图像的分割结果,将待检测图像边缘矩阵减去标准样本图像边缘矩阵并取绝对值,进行标准样本图像和待检测图像的对比;使用bwareaopen函数去除污秽和斑点,将标准样本图像和待检测图像的边缘图像最大灰度差的绝对值和最大熵法求取的阈值相组合成为判断是否存在裂痕的阈值,若未超过阈值则判定为无裂痕,若是则提出告警。
而且,针对憎水性图像,对边缘检测后的图像采用数学形态学运算进行修正的实现方式如下,
采用扁平的直线型结构元素进行膨胀运算,使整个图像的边缘变得连续;然后紧接着对图像进行区域填充,使得图像边界内部的孔洞得到填补;最后,利用菱形结构元素对区域填充后的图形进行腐蚀运算,消除边缘附近的毛刺,使得图像边缘变得光滑,同时去掉过小而无意义的水滴。
而且,针对工况图像,对边缘检测后的图像采用数学形态学运算进行修正的实现方式如下,
对待检测图像和标准样本图像经预处理和图像边缘检测后的结果,采用方形结构元素对两幅图像分别进行开运算,并用圆盘形结构元素实行膨胀运算得到图像矩阵A和B;同时,采用方形结构元素对两幅图像分别进行闭运算,再用圆盘形结构元素进行腐蚀得到图像矩阵A1和B1;
分别用A减去A1、B减去B1,得到标准样本图像和待检测图像的边缘;
使用最大熵法求取阈值得到标准二值边缘图像,对两图像边缘进行中值滤波后还使用bwareaopen函数进行后处理,去除图像中的多余杂点。
而且,将工况图像作为待检测图像时,标准样本图像采用相同的光照环境下的拍摄结果。
而且,根据多幅不同光照环境下待检测图像和标准样本图像逐一进行对比,如果都超过每次对比后的阈值,则判断存在裂痕,进行报警。
一种基于计算机视觉的变压器复合绝缘子套管监测系统,在各变压器上空龙门架处分别安装摄像头,拍摄所得图像传输到服务器端,在服务器端设置图像采集模块、图像预处理模块、图像区域分割模块、套管污秽分级处理模块及套管工况缺陷识别模块;
所述图像采集模块,用于采集拍摄所得图像,包括绝缘子的憎水性图像和变压器套管整体的工况图像;
所述图像预处理模块,用于采用基于同态増晰的局部直方图均衡化方式实现预处理;
所述图像区域分割模块,用于对预处理后的图像,采用改进的Canny算子检测图像边缘,然后对边缘检测后的图像采用数学形态学运算进行修正,得到分割结果;
所述采用改进的Canny算子检测图像边缘实现方式如下,
利用高斯滤波器对预处理后的绝缘子憎水性图像进行平滑滤波处理;
用邻域一阶偏导的有限差分来计算平滑后图像的梯度幅值和方向,包括使用3×3邻域来计算梯度,包括计算水平和垂直方向、的梯度幅值,还计算45°和135°方向的梯度幅值;
对梯度幅值图像进行处理,抑制梯度幅值的非极大值;
用OTSU算法求出最佳分割阈值,然后用该最佳阈值进行检测并连接边缘;
所述套管污秽分级处理模块,用于根据憎水性图像的分割结果,提取四个与复合绝缘子憎水性有关的量作为特征码,包括最大水珠面积比K,水珠覆盖率C,最大水珠偏心率e,最大水珠形状因子fc,采用基于最小二乘支持向量机的方式得到检测样本所属的憎水等级;
最大水珠面积比K计算如下,
式中,S表示最大水珠的面积,XY为整幅图像的面积;
水珠覆盖率C计算如下,
式中,n表示识别出的水珠个数,Si为第i个水珠的面积;
最大水珠偏心率e计算如下,
式中,a表示最大水珠的长轴,b表示最大水珠的短轴;
最大水珠形状因子fc计算如下,
式中,L表示最大水珠的周长,S表示最大水珠的面积;
所述套管工况缺陷识别模块,用于将工况图像作为待检测图像,根据工况图像的分割结果,将待检测图像边缘矩阵减去标准样本图像边缘矩阵并取绝对值,进行标准样本图像和待检测图像的对比;使用bwareaopen函数去除污秽和斑点,将标准样本图像和待检测图像的边缘图像最大灰度差的绝对值和最大熵法求取的阈值相组合成为判断是否存在裂痕的阈值,若未超过阈值则判定为无裂痕,若是则提出告警。
而且,针对憎水性图像,对边缘检测后的图像采用数学形态学运算进行修正的实现方式如下,
采用扁平的直线型结构元素进行膨胀运算,使整个图像的边缘变得连续;然后紧接着对图像进行区域填充,使得图像边界内部的孔洞得到填补;最后,利用菱形结构元素对区域填充后的图形进行腐蚀运算,消除边缘附近的毛刺,使得图像边缘变得光滑,同时去掉过小而无意义的水滴。
而且,针对工况图像,对边缘检测后的图像采用数学形态学运算进行修正的实现方式如下,
对待检测图像和标准样本图像经预处理和图像边缘检测后的结果,采用方形结构元素对两幅图像分别进行开运算,并用圆盘形结构元素实行膨胀运算得到图像矩阵A和B;同时,采用方形结构元素对两幅图像分别进行闭运算,再用圆盘形结构元素进行腐蚀得到图像矩阵A1和B1;
分别用A减去A1、B减去B1,得到标准样本图像和待检测图像的边缘;
使用最大熵法求取阈值得到标准二值边缘图像,对两图像边缘进行中值滤波后还使用bwareaopen函数进行后处理,去除图像中的多余杂点。
而且,将工况图像作为待检测图像时,标准样本图像采用相同的光照环境下的拍摄结果。
而且,根据多幅不同光照环境下待检测图像和标准样本图像逐一进行对比,如果都超过每次对比后的阈值,则判断存在裂痕,进行报警。
本发明采用计算机视觉,在高压变电站的主变的龙门架上架设多台高清摄像设备,24小时不间断监控现场变压器套管的运行工况,采用图像识别方式,判断设备缺陷。同时系统能准确捕捉复合绝缘子套管水滴图像,通过复合绝缘子套管的憎水机理,分析套管的套管憎水特性,通过智能方式对套管的污秽等级进行判断,为电力系统安全运行提供保障。本系统可广泛用于各种电压等级的变压器套管监测。
附图说明
图1为本发明实施例提供的一种基于计算机视觉的变压器复合绝缘子套管在线监测系统线路结构示意图;
图2为本发明实施例提供的一种基于计算机视觉的变压器复合绝缘子套管在线监测方法流程图。
图3为本发明实施例的具体流程原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明的技术方案为一种基于计算机视觉的变压器复合绝缘子套管在线监测系统。系统由多个高清摄像头,光纤图像传输网络及服务器组成。
参见图1,在各变压器上空龙门架处分别安装摄像头,为保证准确率,建议采用高清摄像头。所述的高清摄像头经过A、B处控制箱中的光电转换装置通过光通信网络将变压器套管的实时运行图像拍摄后传输到控制室中的主控柜服务器,可以采用后台软件方式处理后,给出变压器套管的运行工况和污秽等级判断。
实施例中,高清摄像设备采用200万像素以上全景自动变焦进口摄像头,通过室外双屏蔽双绞线与千兆光收发器连接转换,然后通过12芯单模光缆通过TCP/IP协议将实时图像传输到变电站控制室中的服务器。
具体实施时,建议摄像设备的安装位置既考虑套管的全方位工况监测,也考虑单个盘面的污秽监测,可以在龙门架处选用多个摄像头分别对全方位工况和单个盘面的污秽进行监测,建议设置一个摄像头拍用于工况监测的整体画面,得到工况图像,另设一个摄像头拍盘面的画面,得到憎水性图像,通过设置摄像头的旋转的角度,能够自动拍摄针对盘面的若干位置。
在服务器端,可以采用可见光图像识别与处理技术提高变压器运行可靠性,及时检测及分析套管盘面水滴情况,对套管污秽情况进行分级;实验证明本发明所提供识别处理技术能够在60秒钟能给出判断。
进一步地,可以对套管工况进行监测判断,给出缺陷报告;提高套管运行可靠性。
具体实施时,可以在服务器端提供具备可视化的用户界面,以网站的形式运行,网页形式展示,实现人机交互。服务器端同时支持电脑和移动设备等用户终端的远程登录访问,方便现场作业。
进一步地,通过服务器端和高清摄像设备之间的光通信网络,通过系统在线自动控制多台网络摄像机进行定时、定点图像抓拍、保存和传输功能。
具体实施时,系统具备对采集的图像进行读取、截取图片、预处理(去噪、增强、边缘检测等)、特征量提取和智能识别等功能。
具体实施时,服务器端可具备数据库管理功能,可同步读取、存入、查询、插入、删除、更新后台数据。
具体实施时,服务器端可具备检测结果报警功能。
参见图2,本发明实施例提供的在线监测方法,依次包括以下步骤:
步骤1:图像采集;
步骤2:图像预处理;
步骤3:图像区域分割;
步骤4:套管污秽分级处理,套管工况缺陷识别。
参见图3,虽然基本步骤相同,但由于处理对象不同,具体实施时,可以设计流程为,根据图像采集结果,
如果是憎水性图像,对憎水性图像进行图像预处理,图像区域分割,然后进行套管污秽分级处理;
如果是工况图像,取相应标准样本图像,对工况图像和标准样本图像分别进行图像预处理、图像区域分割,然后进行套管工况缺陷识别。
以下对实施例的具体步骤实现进行说明:
图像采集,即接收传输到服务器端的图像,包括绝缘子的憎水性图像和变压器套管整体的工况图像。一般是实时采集并传输到服务器端,不同光照条件下变压器套管整体完好的套管图像可以预先采集并存储到服务器端,根据实时得到的工况图像,取用相同光照条件下变压器套管整体完好的套管图像,作为标准样本图像即可。
进一步地,变压器套管长期工作在户外,拍摄图像如果不进行预处理对后面的工况识别和污秽识别精度影响较大,本发明采用基于同态増晰的局部直方图均衡化对拍摄的图像进行预处理。同态増晰方法在频域范围内通过选取合适的传递函数可以分别对高频分量与低频分量产生不同的影响,使得图像的边缘与细节更加明显并增强了图像的对比度,同时对噪声也有一定的抑制,但是由于压缩了灰度动态范围使得图像灰度级范围变窄,图像亮度因此受到了一定的影响。局部直方图均衡化对图像处理的效果相比传统的均衡化方法更佳,但是如果直接对复杂的憎水性图像和工况图像进行处理,会使噪声放大,不利于后面的图像分割。所以考虑到两种方法的优缺点,本发明提出采用基于同态増晰的局部直方图均衡化方法,对图像进行增强处理。即先采用同态増晰的方法对图像进行处理,使图像的边缘与细节更加明显,然后对处理后的图像进行局部直方图均衡化,使图像的灰度动态范围能获得比较均匀的调整。通过实验比较,该方法不仅可以对图像进行滤波处理,还可以增强图像对比度,调整图像的灰度动态范围。经过实验比较该方法的处理,图像细节和边缘更加清晰,图像的边缘和背景也更易区分,为后面图像的准确分割创造了良好的条件。
进一步地,在套管图像预处理的基础上,通过分析本方明发现传统的Canny算子在梯度幅值计算和阈值设定两方面存在不足,因此在计算梯度幅值时将像素对角线方向考虑进来并将OTSU阈值算法引入到Canny算子。改进的Canny算子用于图像边缘检测分割时,明显改善了边缘的质量,但仍然存在边缘断线问题。紧接着,还利用数学形态学来修正以解决边缘断线问题。基于此,本发明提出了基于Canny算子的复合绝缘子憎水性图像的分割算法,分割后的图像能满足后续边缘提取的要求。
OTSU算法即最大类间方差法,本发明针对套管图像具有随机性和模糊性的特点,利用最大类间方差法寻找一个能使得方差最大的最优解。该算法基于最小二乘法原理并在灰度直方图的基础上推导而来,具有统计意义上的最佳分割阈值。利用该最佳分割阈值把灰度图像分割成两部分,此时两部分间的方差最大,即目标与背景的分离性最大。
OTSU算法:如一幅灰度图像可能具有的灰度级数为L,灰度级为i的像素个数为ni,其中i∈{0,1,…,L-1},那么图像总共含有的像素个数为:
灰度值为i的像素出现的概率为:
pi=ni/n
然后,用灰度值k作为阈值将图像分成A0和A1两部分,其中区域A0的灰度范围为0~k-1,区域A1的灰度范围为k~L-1。
整幅图像的平均灰度级为:
设w0和w1分别为区域A0和区域A1中像素出现的概率:
设μ0和μ1分别为区域A0和区域A1中像素的平均灰度:
所以两个区域的类间方差为:
δ2(k)=w0(μ0-μ)2+w1(μ1-μ)2
=w0w1(μ0-μ1)2
上式中参数w0、w1、μ0和μ1均与阈值k有关,故类间方差的大小仅由阈值k决定。方差可用来度量灰度分布的均匀性,如果其值愈大,表明构成图像的不同部分的差别愈大。通过计算不同k值对应的类间方差δ2(k),选取使得δ2(k)最大时的那个k值作为最佳分割阈值。
传统的Canny算子在计算梯度幅值与方向时,使用的是2×2邻域一阶偏导的有限差分。因为采用的点较少,虽然能够比较准确的定位边缘,但是对噪声十分敏感,所以可能丢掉一些真实边缘却带来虚假的边缘。使用3×3邻域来计算梯度,不仅计算水平(x)和垂直(y)方向的梯度幅值,还计算45°和135°方向的梯度幅值,即考虑到像素的对角线方向,因而有效地降低了噪声带来的影响。
经过改进的Canny算子用于图像边缘检测时的步骤如下:
(1)利用高斯滤波器对预处理后的绝缘子憎水性图像进行平滑滤波处理。
(2)用邻域一阶偏导的有限差分来计算平滑后图像的梯度幅值和方向。
(3)对梯度幅值图像进行处理,抑制梯度幅值的非极大值。
(4)用OTSU算法求出最佳分割阈值,然后用该最佳阈值进行检测并连接边缘。
进一步地,套管图像的区域分割步骤还使用数学形态学边缘检测算法对以上边缘图像进行增强处理。
进一步地,为实现复合绝缘子套管的污秽分级,改进的Canny算子虽然能够大致提取出憎水性图像的边缘轮廓,但是由于憎水性图像和套管破损、裂痕图像的复杂性,提取的边缘因为灰度问题不免存在断裂的问题。这个容易对后面的识别造成误判,同时,图像分割的最终目的是要计算出憎水性图像的特征码及判断是否有裂痕等。所以还要填充边缘轮廓使得图像尽可能忠实原图像并消除掉小而无意义的水滴。基于上述的原因,本发明对边缘检测后的图像进行膨胀、区域填充、腐蚀的数学形态学运算进行修正。
(1)膨胀运算
膨胀运算是一种使图像中的目标“变粗”或“生长”的操作,它可以填补边缘的缝隙,解决边缘断线的问题。表示图像A被结构元素S膨胀,定义为:
式中,Sxy表示将结构元素S的原点移到点(x,y)时得到的图像;φ表示空集。图像A被结构元素S膨胀得到的图像可以认为是这样的点(x,y)构成的集合:如果结构元素S的原点移到点(x,y)时,S与A的交集不为空集。
(2)腐蚀运算
腐蚀运算是一种“细化”或“收缩”图像中目标的操作,它能够消除边缘附近的毛刺,使得图像边缘变得光滑,同时去掉小而无意义的水滴。表示图像A被结构元素S腐蚀,定义为:
图像A被结构元素S腐蚀得到的图像可以认为是这样的点(x,y)构成的集合:如果结构元素S的原点移到点(x,y)时,S完全包含于A中。
(3)区域填充
通过使用数学形态学中的膨胀运算、交集运算、求补运算以及补集运算,填充边缘内部的孔洞。从图像A边缘内部一点X0开始,将其灰度记为1,按照下面的表达式填充整个区域:
式中,S表示结构元素;Ac表示图像A的补集。结束条件为Xk=Xk-1,此时Xk∪A包括图像边缘及其内部填充的集合。
本发明对经过以上改进Canny算子边缘检测后的图像,首先对其用扁平的直线型结构元素进行膨胀运算,使整个图像的边缘变得连续;然后紧接着对图像进行区域填充,使得图像边界内部的孔洞得到填补;最后,利用菱形结构元素对区域填充后的图形进行腐蚀运算,消除边缘附近的毛刺,使得图像边缘变得光滑,同时去掉小而无意义的水滴。为后面的污秽等级识别提供基础。
进一步地,本发明的复合绝缘子套管的污秽分级考虑识别效果和工程实用采用基于最小二乘支持向量机(Least Squares Support Vector Machines,简称LS-SVM)的复合绝缘子套管的憎水性等级识别处理,由于运行于现场的复合绝缘子套管的复杂性,其憎水性图像包含的信息是十分丰富的。为了准确识别复合绝缘子套管的憎水性等级,找到能够表征憎水性的特征码并将其提取出来是非常必要的。对于经过以上图像区域分割步骤所得分割后的憎水性图像,提取如下四个与复合绝缘子憎水性有关的量作为特征码:最大水珠积比K,水珠覆盖率C,最大水珠偏心率e,最大水珠形状因子fc。
最大水珠面积比K
式中,S表示最大水珠的面积;XY为整幅图像的面积。
水珠覆盖率C
式中,n表示识别出的水珠个数;Si为第i个水珠的面积。
最大水珠偏心率e
式中,a表示最大水珠的长轴,即最大水珠边界上相距最远的两像素点之间的线段长度;b表示最大水珠的短轴,即与长轴垂直且与之构成的外接矩形恰好能包围最大水珠边界的线段长度。
最大水珠形状因子fc
式中,L表示最大水珠的周长;S表示最大水珠的面积。
LS-SVM方法简化了计算的复杂性。另外,由于LS-SVM采用了最小二乘算法,因此运算速度明显快于支持向量机的其它方法,实际工程应用效果良好。
LS-SVM估计算法基于如下思想:通过事先选择的非线性映射将输入向量映射到高维特征空间,在这个空间中构造最优决策函数。在构造最优决策函数时,利用了结构风险最小化原则。并巧妙的利用原空间的核函数取代了高维特征空间中的点积运算。
设样本为n维向量,定义区域m的样本及其值表示为:
x1,......,xl∈Rn
R为实数。其中,xi表示区域m的第i个样本的n维向量样本值,i=1,2,...l。
首先用一非线性映射Ψ(x)把样本从原空间Rn映射到特征空间
x是原样本值。
在这个高维特征空间中构造最优决策函数
w是连接权值,
b是阈值。
这样非线性估计函数转化为高维特征空间中的线性估计函数。利用结构风险最小化原则,寻找w,b就是最小化。
其中,||W||2控制模型的复杂度,c为正规化参数。Remp为误差控制函数,实施例采用ε不敏感损失函数。常用的损失函数有线性ε损失函数,二次ε损失函数,huber损失函数。具体实施时选取不同的损失函数,可构造不同形式的支持向量机。最小二乘支持向量机在优化目标中的损失函数为误差ξi的二次项。故优化问题为:
其中,yi为构造的最优决策函数。
用拉格朗日法求解这个优化问题:
其中ai,i=1,...,l,是拉格朗日乘子,根据优化条件:
可得
定义核函数F(xi,xj)是满足Mercer条件的对称函数。根据(4),优化问题转化为求解线性方程:
最后得到非线性方程:
然后将检测样本(K,C,e,fc)输入上述非线性方程,即xi=((Ki,Ci,ei,fci)),可得到该检测样本所属的憎水等级。其中K表示最大水珠(或水迹)面积比,C表示水珠(或水迹)覆盖率,e表示最大水珠(或水迹)偏心率,fc表示最大水珠(或水迹)形状因子。其中K(xi,xj)为核函数,ai是拉格朗日乘子,i=1,...,l,j=1,...,l,b是阈值。
实际应用效果见下表1。
表1:LS-SVM识别率
进一步地,为进行变压器套管工况识别,与憎水性图像的数学形态学处理不同,本发明对完好的套管图像(即标准样本图像)和实时采集的套管图像(即工况图像)在经过前面图像预处理和图像区域分割步骤中的边缘提取后,进行数学形态学处理时,本发明实施例进行如下操作:
首先,选取方形结构元素对两幅图像分别进行开运算,并用圆盘形结构元素对他们实行膨胀运算得到图像矩阵A和B。同时,选取方形结构元素分别对他们进行闭运算,再用圆盘形结构元素对他们进行腐蚀得到图像矩阵A1和B1。具体实施时,本领域技术人员可自行预设结构元素,例如边长为8的方形结构元素。
分别用A减去A1,B减去B1可以得到标准样本图像和待检测图像的边缘。
而后使用最大熵法求取阈值得到标准二值边缘图像。对两图像边缘进行中值滤波后还使用bwareaopen函数进行后处理,去除图像中的多余杂点。
进一步地,套管图像缺陷识别步骤还调整摄像头拍摄方向及固定时间点拍摄,在尽量相同的光照环境下(如每天的对应时间),将待检测图像边缘矩阵减去标准样本图像边缘矩阵并取绝对值,进行标准样本图像和待检测图像的对比,可以一定程度上排除绝缘子上污秽,斑点,及光照投影对裂纹识别的影响,同时还可再次使用bwareaopen函数去除小面积的污秽,斑点,仅保留可能存在的较狭长的裂缝图像。为减小同态增晰对光照差别造成的放大畸变作用,比较标准样本图像和待检测图像的边缘图像最大灰度差的绝对值和预设的阈值,成为判断是否存在裂痕的阈值的依据。若绝对值未超过阈值则判定为无裂痕,若超过阈值则提出告警。进一步地,可根据多幅不同光照环境下正常图像和相应环境下待检测图像逐一进行多次对比,进一步判断,最终如果都超过每次对比后的阈值,则判断存在裂痕,进行报警。具体实施时,阈值可由本领域技术人员自行预设,建议采用最大熵法求取。本发明试验效果非常好,套管如果破损、轻微裂痕都能很快识别。
具体实施时,本发明所提供方法可基于软件技术实现自动运行流程,也可采用模块化方式实现相应系统。
一种基于计算机视觉的变压器复合绝缘子套管监测系统,在各变压器上空龙门架处分别安装摄像头,拍摄所得图像传输到服务器端,在服务器端设置图像采集模块、图像预处理模块、图像区域分割模块、套管污秽分级处理模块及套管工况缺陷识别模块;
所述图像采集模块,用于采集拍摄所得图像,包括绝缘子的憎水性图像和变压器套管整体的工况图像;
所述图像预处理模块,用于采用基于同态増晰的局部直方图均衡化方式实现预处理;
所述图像区域分割模块,用于对预处理后的图像,采用改进的Canny算子检测图像边缘,然后对边缘检测后的图像采用数学形态学运算进行修正,得到分割结果;
所述采用改进的Canny算子检测图像边缘实现方式如下,
利用高斯滤波器对预处理后的绝缘子憎水性图像进行平滑滤波处理;
用邻域一阶偏导的有限差分来计算平滑后图像的梯度幅值和方向,包括使用3×3邻域来计算梯度,包括计算水平和垂直方向、的梯度幅值,还计算45°和135°方向的梯度幅值;
对梯度幅值图像进行处理,抑制梯度幅值的非极大值;
用OTSU算法求出最佳分割阈值,然后用该最佳阈值进行检测并连接边缘;
所述套管污秽分级处理模块,用于根据憎水性图像的分割结果,提取四个与复合绝缘子憎水性有关的量作为特征码,包括最大水珠面积比K,水珠覆盖率C,最大水珠偏心率e,最大水珠形状因子fc,采用基于最小二乘支持向量机的方式得到检测样本所属的憎水等级;
最大水珠面积比K计算如下,
式中,S表示最大水珠的面积,XY为整幅图像的面积;
水珠覆盖率C计算如下,
式中,n表示识别出的水珠个数,Si为第i个水珠的面积;
最大水珠偏心率e计算如下,
式中,a表示最大水珠的长轴,b表示最大水珠的短轴;
最大水珠形状因子fc计算如下,
式中,L表示最大水珠的周长,S表示最大水珠的面积;
所述套管工况缺陷识别模块,用于将工况图像作为待检测图像,根据工况图像的分割结果,将待检测图像边缘矩阵减去标准样本图像边缘矩阵并取绝对值,进行标准样本图像和待检测图像的对比;使用bwareaopen函数去除污秽和斑点,将标准样本图像和待检测图像的边缘图像最大灰度差的绝对值和最大熵法求取的阈值相组合成为判断是否存在裂痕的阈值,若未超过阈值则判定为无裂痕,若是则提出告警。
各模块具体实现可参见相应步骤,本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于计算机视觉的变压器复合绝缘子套管监测方法,其特征在于:在各变压器上空龙门架处分别安装摄像头,拍摄所得图像传输到服务器端,在服务器端进行图像采集、图像预处理、图像区域分割、套管污秽分级处理及套管工况缺陷识别;
所述图像采集,包括采集拍摄所得图像,包括绝缘子的憎水性图像和变压器套管整体的工况图像;
所述图像预处理采用基于同态増晰的局部直方图均衡化方式实现;
所述图像区域分割,包括对预处理后的图像,采用改进的Canny算子检测图像边缘,然后对边缘检测后的图像采用数学形态学运算进行修正,得到分割结果;
所述采用改进的Canny算子检测图像边缘实现方式如下,
利用高斯滤波器对预处理后的绝缘子憎水性图像进行平滑滤波处理;
用邻域一阶偏导的有限差分来计算平滑后图像的梯度幅值和方向,包括使用3×3邻域来计算梯度,包括计算水平和垂直方向、的梯度幅值,还计算45°和135°方向的梯度幅值;
对梯度幅值图像进行处理,抑制梯度幅值的非极大值;
用OTSU算法求出最佳分割阈值,然后用该最佳阈值进行检测并连接边缘;
所述套管污秽分级处理,包括根据憎水性图像的分割结果,提取四个与复合绝缘子憎水性有关的量作为特征码,包括最大水珠面积比K,水珠覆盖率C,最大水珠偏心率e,最大水珠形状因子fc,采用基于最小二乘支持向量机的方式得到检测样本所属的憎水等级;
最大水珠面积比K计算如下,
式中,S表示最大水珠的面积,XY为整幅图像的面积;
水珠覆盖率C计算如下,
式中,n表示识别出的水珠个数,Si为第i个水珠的面积;
最大水珠偏心率e计算如下,
式中,a表示最大水珠的长轴,b表示最大水珠的短轴;
最大水珠形状因子fc计算如下,
式中,L表示最大水珠的周长,S表示最大水珠的面积;
所述套管工况缺陷识别,包括将工况图像作为待检测图像,根据工况图像的分割结果,将待检测图像边缘矩阵减去标准样本图像边缘矩阵并取绝对值,进行标准样本图像和待检测图像的对比;使用bwareaopen函数去除污秽和斑点,将标准样本图像和待检测图像的边缘图像最大灰度差的绝对值和最大熵法求取的阈值相组合成为判断是否存在裂痕的阈值,若未超过阈值则判定为无裂痕,若是则提出告警。
2.根据权利要求1所述基于计算机视觉的变压器复合绝缘子套管监测方法,其特征在于:针对憎水性图像,对边缘检测后的图像采用数学形态学运算进行修正的实现方式如下,
采用扁平的直线型结构元素进行膨胀运算,使整个图像的边缘变得连续;然后紧接着对图像进行区域填充,使得图像边界内部的孔洞得到填补;最后,利用菱形结构元素对区域填充后的图形进行腐蚀运算,消除边缘附近的毛刺,使得图像边缘变得光滑,同时去掉过小而无意义的水滴。
3.根据权利要求1所述基于计算机视觉的变压器复合绝缘子套管监测方法,其特征在于:针对工况图像,对边缘检测后的图像采用数学形态学运算进行修正的实现方式如下,
对待检测图像和标准样本图像经预处理和图像边缘检测后的结果,采用方形结构元素对两幅图像分别进行开运算,并用圆盘形结构元素实行膨胀运算得到图像矩阵A和B;同时,采用方形结构元素对两幅图像分别进行闭运算,再用圆盘形结构元素进行腐蚀得到图像矩阵A1和B1;
分别用A减去A1、B减去B1,得到标准样本图像和待检测图像的边缘;
使用最大熵法求取阈值得到标准二值边缘图像,对两图像边缘进行中值滤波后还使用bwareaopen函数进行后处理,去除图像中的多余杂点。
4.根据权利要求1或2或3所述基于计算机视觉的变压器复合绝缘子套管监测方法,其特征在于:将工况图像作为待检测图像时,标准样本图像采用相同的光照环境下的拍摄结果。
5.根据权利要求4所述基于计算机视觉的变压器复合绝缘子套管监测方法,其特征在于:根据多幅不同光照环境下待检测图像和标准样本图像逐一进行对比,如果都超过每次对比后的阈值,则判断存在裂痕,进行报警。
6.一种基于计算机视觉的变压器复合绝缘子套管监测系统,其特征在于:在各变压器上空龙门架处分别安装摄像头,拍摄所得图像传输到服务器端,在服务器端设置图像采集模块、图像预处理模块、图像区域分割模块、套管污秽分级处理模块及套管工况缺陷识别模块;
所述图像采集模块,用于采集拍摄所得图像,包括绝缘子的憎水性图像和变压器套管整体的工况图像;
所述图像预处理模块,用于采用基于同态増晰的局部直方图均衡化方式实现预处理;
所述图像区域分割模块,用于对预处理后的图像,采用改进的Canny算子检测图像边缘,然后对边缘检测后的图像采用数学形态学运算进行修正,得到分割结果;
所述采用改进的Canny算子检测图像边缘实现方式如下,
利用高斯滤波器对预处理后的绝缘子憎水性图像进行平滑滤波处理;
用邻域一阶偏导的有限差分来计算平滑后图像的梯度幅值和方向,包括使用3×3邻域来计算梯度,包括计算水平和垂直方向、的梯度幅值,还计算45°和135°方向的梯度幅值;
对梯度幅值图像进行处理,抑制梯度幅值的非极大值;
用OTSU算法求出最佳分割阈值,然后用该最佳阈值进行检测并连接边缘;
所述套管污秽分级处理模块,包括根据憎水性图像的分割结果,提取四个与复合绝缘子憎水性有关的量作为特征码,包括最大水珠面积比K,水珠覆盖率C,最大水珠偏心率e,最大水珠形状因子fc,采用基于最小二乘支持向量机的方式得到检测样本所属的憎水等级;
最大水珠面积比K计算如下,
式中,S表示最大水珠的面积,XY为整幅图像的面积;
水珠覆盖率C计算如下,
式中,n表示识别出的水珠个数,Si为第i个水珠的面积;
最大水珠偏心率e计算如下,
式中,a表示最大水珠的长轴,b表示最大水珠的短轴;
最大水珠形状因子fc计算如下,
式中,L表示最大水珠的周长,S表示最大水珠的面积;
所述套管工况缺陷识别模块,用于将工况图像作为待检测图像,根据工况图像的分割结果,将待检测图像边缘矩阵减去标准样本图像边缘矩阵并取绝对值,进行标准样本图像和待检测图像的对比;使用bwareaopen函数去除污秽和斑点,将标准样本图像和待检测图像的边缘图像最大灰度差的绝对值和最大熵法求取的阈值相组合成为判断是否存在裂痕的阈值,若未超过阈值则判定为无裂痕,若是则提出告警。
7.根据权利要求6所述基于计算机视觉的变压器复合绝缘子套管监测系统,其特征在于:针对憎水性图像,对边缘检测后的图像采用数学形态学运算进行修正的实现方式如下,
采用扁平的直线型结构元素进行膨胀运算,使整个图像的边缘变得连续;然后紧接着对图像进行区域填充,使得图像边界内部的孔洞得到填补;最后,利用菱形结构元素对区域填充后的图形进行腐蚀运算,消除边缘附近的毛刺,使得图像边缘变得光滑,同时去掉过小而无意义的水滴。
8.根据权利要求6所述基于计算机视觉的变压器复合绝缘子套管监测系统,其特征在于:针对工况图像,对边缘检测后的图像采用数学形态学运算进行修正的实现方式如下,
对待检测图像和标准样本图像经预处理和图像边缘检测后的结果,采用方形结构元素对两幅图像分别进行开运算,并用圆盘形结构元素实行膨胀运算得到图像矩阵A和B;同时,采用方形结构元素对两幅图像分别进行闭运算,再用圆盘形结构元素进行腐蚀得到图像矩阵A1和B1;
分别用A减去A1、B减去B1,得到标准样本图像和待检测图像的边缘;
使用最大熵法求取阈值得到标准二值边缘图像,对两图像边缘进行中值滤波后还使用bwareaopen函数进行后处理,去除图像中的多余杂点。
9.根据权利要求6或7或8所述基于计算机视觉的变压器复合绝缘子套管监测系统,其特征在于:将工况图像作为待检测图像时,标准样本图像采用相同的光照环境下的拍摄结果。
10.根据权利要求9所述基于计算机视觉的变压器复合绝缘子套管监测系统,其特征在于:根据多幅不同光照环境下待检测图像和标准样本图像逐一进行对比,如果都超过每次对比后的阈值,则判断存在裂痕,进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610315778.0A CN105957088B (zh) | 2016-05-12 | 2016-05-12 | 基于计算机视觉的变压器复合绝缘子套管监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610315778.0A CN105957088B (zh) | 2016-05-12 | 2016-05-12 | 基于计算机视觉的变压器复合绝缘子套管监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957088A true CN105957088A (zh) | 2016-09-21 |
CN105957088B CN105957088B (zh) | 2018-11-02 |
Family
ID=56912734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610315778.0A Active CN105957088B (zh) | 2016-05-12 | 2016-05-12 | 基于计算机视觉的变压器复合绝缘子套管监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957088B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106788722A (zh) * | 2016-11-30 | 2017-05-31 | 东南大学 | 一种像素调制可见光通信系统的符号间干扰消除方法 |
CN109035285A (zh) * | 2017-06-12 | 2018-12-18 | 深圳怡化电脑股份有限公司 | 图像边界确定方法及装置、终端及存储介质 |
CN110579483A (zh) * | 2019-09-24 | 2019-12-17 | 清华大学深圳国际研究生院 | 基于太赫兹波的内部缺陷成像装置、方法及可读存储介质 |
CN110599460A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于混合卷积神经网络的地下管网检测评估云系统 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN111242923A (zh) * | 2020-01-13 | 2020-06-05 | 国网湖北省电力有限公司宜昌供电公司 | 基于Canny算子的最大熵阈值优化的绝缘子裂纹检测方法 |
CN115965623A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市岑科实业有限公司 | 一种变压器生产中表面瑕疵检测方法及系统 |
CN117290670A (zh) * | 2023-11-27 | 2023-12-26 | 南京中鑫智电科技有限公司 | 一种基于增强滤波器算法的变压器套管绝缘状态估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440495A (zh) * | 2013-07-31 | 2013-12-11 | 华北电力大学(保定) | 一种复合绝缘子憎水等级自动识别方法 |
CN105300844A (zh) * | 2015-12-03 | 2016-02-03 | 国家电网公司 | 一种硅橡胶绝缘子憎水性等级判定方法 |
-
2016
- 2016-05-12 CN CN201610315778.0A patent/CN105957088B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440495A (zh) * | 2013-07-31 | 2013-12-11 | 华北电力大学(保定) | 一种复合绝缘子憎水等级自动识别方法 |
CN105300844A (zh) * | 2015-12-03 | 2016-02-03 | 国家电网公司 | 一种硅橡胶绝缘子憎水性等级判定方法 |
Non-Patent Citations (2)
Title |
---|
化春键 等: "基于双掩模图像差影的工业产品表面缺陷检测", 《传感器与微系统》 * |
闫康: "基于图像处理技术的复合绝缘子憎水性识别方法的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106788722B (zh) * | 2016-11-30 | 2019-10-15 | 东南大学 | 一种像素调制可见光通信系统的符号间干扰消除方法 |
CN106788722A (zh) * | 2016-11-30 | 2017-05-31 | 东南大学 | 一种像素调制可见光通信系统的符号间干扰消除方法 |
CN109035285A (zh) * | 2017-06-12 | 2018-12-18 | 深圳怡化电脑股份有限公司 | 图像边界确定方法及装置、终端及存储介质 |
CN109035285B (zh) * | 2017-06-12 | 2021-05-11 | 深圳怡化电脑股份有限公司 | 图像边界确定方法及装置、终端及存储介质 |
CN110599460A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于混合卷积神经网络的地下管网检测评估云系统 |
CN110579483B (zh) * | 2019-09-24 | 2021-09-07 | 清华大学深圳国际研究生院 | 基于太赫兹波的内部缺陷成像装置、方法及可读存储介质 |
CN110579483A (zh) * | 2019-09-24 | 2019-12-17 | 清华大学深圳国际研究生院 | 基于太赫兹波的内部缺陷成像装置、方法及可读存储介质 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN111242923A (zh) * | 2020-01-13 | 2020-06-05 | 国网湖北省电力有限公司宜昌供电公司 | 基于Canny算子的最大熵阈值优化的绝缘子裂纹检测方法 |
CN115965623A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市岑科实业有限公司 | 一种变压器生产中表面瑕疵检测方法及系统 |
CN115965623B (zh) * | 2023-03-16 | 2023-05-30 | 深圳市岑科实业有限公司 | 一种变压器生产中表面瑕疵检测方法及系统 |
CN117290670A (zh) * | 2023-11-27 | 2023-12-26 | 南京中鑫智电科技有限公司 | 一种基于增强滤波器算法的变压器套管绝缘状态估计方法 |
CN117290670B (zh) * | 2023-11-27 | 2024-01-26 | 南京中鑫智电科技有限公司 | 一种基于增强滤波器算法的变压器套管绝缘状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105957088B (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957088A (zh) | 基于计算机视觉的变压器复合绝缘子套管监测方法及系统 | |
CN106778664B (zh) | 一种虹膜图像中虹膜区域的分割方法及其装置 | |
CN109657581B (zh) | 基于双目相机行为检测的城市轨道交通闸机通行控制方法 | |
CN108109385A (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
WO2018122809A1 (zh) | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 | |
CN103986906B (zh) | 基于监控视频的开关门检测方法 | |
CN103954897A (zh) | 基于紫外成像的智能电网高压绝缘损坏监控系统及方法 | |
CN102663362B (zh) | 一种基于灰度特征的运动目标检测方法 | |
CN105205821A (zh) | 一种焊接图像分割方法 | |
CN106006266A (zh) | 一种应用于电梯安全监控的机器视觉建立方法 | |
CN109299723A (zh) | 一种铁路货车运行监测系统 | |
CN105303158A (zh) | 一种变电站隔离开关线段拟合视频智能分析算法 | |
CN104063882A (zh) | 一种基于双目的车辆视频测速方法 | |
CN109460705A (zh) | 基于机器视觉的输油管道监控方法 | |
CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
CN110349172B (zh) | 基于图像处理和双目立体测距的输电线路防外破预警方法 | |
CN111724408A (zh) | 基于5g通信下异常驾驶行为算法模型的验证实验方法 | |
Sulehria et al. | Mathematical morphology methodology for extraction of vehicle number plates | |
CN114842363A (zh) | 一种数字孪生台区关键电力设备的识别方法及系统 | |
CN103673991B (zh) | 基于机器视觉的电子连接器制造过程监测方法 | |
CN114445398A (zh) | 采煤机液压支架护帮板状态监测方法及装置 | |
Kishore et al. | Train rolling stock segmentation with morphological differential gradient active contours | |
CN104732555A (zh) | 基于Sobel算子的图像边缘检测方法 | |
CN103955917A (zh) | 一种长间隙空气电弧图像边缘检测方法 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 |
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 |