CN106228189A

CN106228189A - 基于lsd算法和机器学习的线路异物搭挂检测方法

Info

Publication number: CN106228189A
Application number: CN201610592450.3A
Authority: CN
Inventors: 林朝辉; 王力群; 吴冰莹; 王景
Original assignee: Fuzhou Zpower Technology Development Co Ltd; State Grid Corp of China SGCC; State Grid Fujian Electric Power Co Ltd; Fuzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd
Current assignee: Fuzhou Zpower Technology Development Co Ltd; State Grid Corp of China SGCC; State Grid Fujian Electric Power Co Ltd; Fuzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd
Priority date: 2016-07-26
Filing date: 2016-07-26
Publication date: 2016-12-14

Abstract

本发明公开了一种基于LSD算法和机器学习的线路异物搭挂检测方法，通过引入具有人工智能意义的计算机视觉分析技术，使得现有的巡检系统将具备人眼的识别和人脑的分析能力，通过视觉分析，识别分析输电线路上异物搭挂等潜在威胁事件，并达到实时预警，降低事故发生率。

Description

基于LSD算法和机器学习的线路异物搭挂检测方法

技术领域

本发明涉及一种线路异物搭挂检测方法，特别是一种基于LSD算法和机器学习的线路异物搭挂检测方法。

背景技术

输电线路在电力系统中起着非常重要的作用，直接关系到千家万户的用电问题，大规模断电将给国民经济带来不可估量的损失。因此，输电线路的安全性是电力部门高度关注的问题之一。近年来，各地因为施放风筝、气球等，危及电网安全的事件时有发生，其中不少造成了严重跳闸事故。输电线路悬挂诸如此类的异物不仅使高压电的极限放电距离缩短，危及电力线下的行人与车辆安全，严重时甚至造成片区大面积停电。因此，及时发现异物，以便采取相应措施，具有十分重要的意义。

现有排查异物的方法主要是人工巡线法，然而随着高电压、大功率、长距离输电线路的发展，输电网络穿越的地理环境日趋复杂，依靠人工巡线排查异物变得越来越艰难。传统的人工巡检方法不仅工作量大而且条件艰苦，特别是对多山区和跨越大江大河的输电线路的巡检，以及在冰灾、水灾、地震、滑坡、夜晚期间巡线检查，所花时间长、人力成本高、困难大、风险高。

近几年，采用无人直升机低空遥感方式实现地表观察、地质勘探、线路巡检的技术逐渐成熟，特别是无人机巡检以其高效、准确和安全等特点逐渐成为高压输电线路巡检的重要发展方向，通过对航拍巡检采集到的大量航拍图像进行处理和分析可以发现输电线路故障和缺陷，并对特殊地质环境中电力设施灾害监测与预警。但是，航拍巡检过程中获取的图像或者视频资料，数量非常大，如果采用事后人工筛查、人工分析和判断的方式，直接处理巨大的视频和图片信息，无疑是非常艰苦的工作，并且很容易遗漏关键信息；如果采用人工在线监视、实时判断和发现输变电线路的异常，是更加艰苦的工作、更容易遗漏和误报关键信息。

发明内容

本发明的目的在于克服现有技术的不足之处，而提供一种具备人眼的识别和人脑的分析能力，通过视觉分析，识别分析输电线路上异物搭挂潜在威胁的基于LSD算法和机器学习的线路异物搭挂检测方法。

一种基于LSD算法和机器学习的线路异物搭挂检测方法，采用如下步骤实现：

(1)首先通过无人机从输电线路上拍摄大量图像，并将图像缩小为原来的80％，然后分别计算图像的每个像素点的梯度值和梯度幅值，计算公式表示如下：

g_{x} (x, y) = \frac{i (x + 1, y) + i (x + 1, y + 1) - i (x, y) - i (x, y + 1)}{2}

g_{y} (x, y) = \frac{i (x + 1, y) + i (x + 1, y + 1) - i (x, y) - i (x, y + 1)}{2} - - - (1);

G_{(x, y)} = \sqrt{g_{x}^{2} (x + y) + g_{y}^{2} (x, y)} - - - (2);

公式(1)-(2)中：g_x(x，y)和g_y(x，y)分别表示像素点在X方向和Y方向上的梯度值；G(x，y)表示像素点的梯度幅值；i(x，y)是坐标中心像素点[i，j]的灰度值；

然后将梯度幅值最大的像素点作为种子点，对图像的每个像素点由小到大进行排序，由此得到排序列表；然后以排序列表中一个未使用的像素点作为种子点进行递归以进行区域增长，并对区域增长结果进行矩形估计，由此检测出图像中局部的直的轮廓；

(2)预先建立防震锤样本库和间隔棒样本库，并从防震锤样本库和间隔棒样本库中提取大量防震锤样本和间隔棒样本，然后采用机器学习系统对大量防震锤样本和间隔棒样本进行机器学习；在机器学习的基础上，机器学习系统根据图像中局部的直的轮廓识别出图像中的防震锤与间隔棒，同时将图像中的其它目标判定为异物，由此实现异物搭挂的检测。

综上所述的，本发明相比现有技术如下优点：

本发明通过引入具有人工智能意义的计算机视觉分析技术，使得现有的巡检系统将具备人眼的识别和人脑的分析能力，通过视觉分析，识别分析输电线路上异物搭挂等潜在威胁事件，并达到实时预警，降低事故发生率。

具体实施方式

下面结合实施例对本发明进行更详细的描述。

实施例1

g_{x} (x, y) = \frac{i (x + 1, y) + i (x + 1, y + 1) - i (x, y) - i (x, y + 1)}{2}

g_{y} (x, y) = \frac{i (x + 1, y) + i (x + 1, y + 1) - i (x, y) - i (x, y + 1)}{2} - - - (1);

G_{(x, y)} = \sqrt{g_{x}^{2} (x + y) + g_{y}^{2} (x, y)} - - - (2);

本实施例未述部分与现有技术相同。

Claims

1.一种基于LSD算法和机器学习的线路异物搭挂检测方法，其特征在于：采用如下步骤实现：

g_{x} (x, y) = \frac{i (x + 1, y) + i (x + 1, y + 1) - i (x, y) - i (x, y + 1)}{2}

g_{y} (x, y) = \frac{i (x + 1, y) + i (x + 1, y + 1) - i (x, y) - i (x, y + 1)}{2} - - - (1);

G_{(x, y)} = \sqrt{g_{x}^{2} (x + y) + g_{y}^{2} (x, y)} - - - (2);