CN106250835A - 基于特征识别的输电线路上的鸟巢识别方法 - Google Patents

Abstract

本发明公开了一种基于特征识别的输电线路上的鸟巢识别方法，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，识别分析输电线路杆塔上的鸟巢等潜在威胁事件，并达到实时预警，降低事故发生率。

Description

基于特征识别的输电线路上的鸟巢识别方法

技术领域

本发明涉及一种输电线路上的鸟巢识别方法，特别是一种基于特征识别的输电线路上的鸟巢识别方法。

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。鸟类的自然活动经常会干扰到输电线路的正常工作。它对输电线路的影响主要表现在：鸟巢常筑巢在输电线路杆塔上，其窝巢材料的掉落很容易引起杆塔周围线路的短路；另外鸟类在活动时，食物或粪便经常积攒在输电线路的瓷瓶上，会污染瓷瓶，从而降低瓷瓶串外绝缘强度，使输电线路短路，造成电力系统故障；还有，鸟类的幼崽或未孵化的卵是蛇等捕食类动物的食物，会招引更多动物攀爬输电线路杆塔，造成输电线路大面积短路。因此，为了保证电网的安全可靠运行，必须对鸟类在输电线路杆塔上的筑巢行为进行监测、预警和防护。

目前常用的方法是人工实地勘察，发现鸟巢，工作人员进行排险。但是，人工观察效率低、观察区域受到局限。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，识别分析输电线路杆塔上的鸟巢威胁事件的基于特征识别的输电线路上的鸟巢识别方法。

一种基于特征识别的输电线路上的鸟巢识别方法，采用如下步骤实现：

(1)通过无人机从输电线路上拍摄大量RGB彩色图像，并将RGB彩色图像转换为灰度图像，转换公式表示如下：

Y＝0.3R+0.59G+0.11B (1)；

公式(1)中：Y表示灰度图像的像素点的灰度值；R、G、B分别表示RGB图像的像素点的红色分量、绿色分量、蓝色分量；

(2)灰度图像的LSD直线检测：首先将灰度图像缩小为原来的80％，并分别计算灰度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：

$\begin{array}{c}{g}_x(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\\ g_y(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\end{array}---\left(2\right);$

$G_{(x,y)}=\sqrt{g_x^2(x+y)+g_y^2(x,y)}---\left(3\right);$

公式(2)、(3)中：gx(x，y)和gy(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，对灰度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，由此检测出灰度图像中局部的直的轮廓；

(3)灰度图像的形态学膨胀运算：首先用3×3的结构元素扫描灰度图像的每个像素点，并用结构元素与其覆盖的二值图像进行与运算；如果运算结果为0，则对应的像素点为0，否则对应的像素点为1，由此得到膨胀后的灰度图像；

(4)灰度图像的Harris角点检测：首先计算灰度图像的每个像素点在X方向和 Y方向上的梯度值的乘积，并用高斯函数对乘积进行高斯加权形成矩阵元素；然后计算灰度图像的每个像素点的Harris响应值，并对小于阈值的Harris响应值进行忽略；然后在邻域内对Harris响应值进行最大值抑制，抑制得到的局部最大值即为灰度图像的Harris角点，由此检测出灰度图像的Harris角点；

(5)灰度图像的形态学腐蚀运算：首先用3×3的结构元素扫描灰度图像的每个像素点，并用结构元素与其覆盖的二值图像进行与运算；如果运算结果为1，则对应的像素点为1，否则对应的像素点为0，由此得到腐蚀后的灰度图像；

(6)杆塔区域的识别：将膨胀后的灰度图像和腐蚀后的灰度图像进行与运算，由此得到新的灰度图像；然后从新的灰度图像中识别出杆塔区域；

(7)鸟巢位置的识别：首先对杆塔区域中疑似鸟巢的关键区域进行粗提取，并对粗提取后的关键区域进行HOG特征提取；然后通过SVM分类器对HOG特征提取后的关键区域进行精确提取，由此识别出鸟巢位置。

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，识别分析输电线路杆塔上的鸟巢等潜在威胁事件，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

一种基于特征识别的输电线路上的鸟巢识别方法，采用如下步骤实现：

(1)对RGB彩色图像进行灰度化处理：通过无人机从输电线路上拍摄大量RGB彩色图像，并将RGB彩色图像转换为灰度图像，转换公式表示如下：

Y＝0.3R+0.59G+0.11B (1)；

公式(1)中：Y表示灰度图像的像素点的灰度值；R、G、B分别表示RGB图像的像素点的红色分量、绿色分量、蓝色分量；

(2)灰度图像的LSD直线检测：首先将灰度图像缩小为原来的80％，并分别计算灰度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：

$\begin{array}{c}{g}_x(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\\ g_y(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\end{array}---\left(2\right);$

$G_{(x,y)}=\sqrt{g_x^2(x+y)+g_y^2(x,y)}---\left(3\right);$

公式(2)-(3)中：gx(x，y)和gy(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，对灰度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，由此检测出灰度图像中局部的直的轮廓；

(3)灰度图像的形态学膨胀运算：首先用3×3的结构元素扫描灰度图像的每个像素点，并用结构元素与其覆盖的二值图像进行与运算；如果运算结果为0，则对应的像素点为0，否则对应的像素点为1，由此得到膨胀后的灰度图像；

(4)灰度图像的Harris角点检测：首先计算灰度图像的每个像素点在X方向和Y方向上的梯度值的乘积，并用高斯函数对乘积进行高斯加权形成矩阵元素；然后计算灰度图像的每个像素点的Harris响应值，并对小于阈值的Harris响应值进行忽略；然后在邻域内对Harris响应值进行最大值抑制，抑制得到的局部最大值即为灰度图像的Harris角点，由此检测出灰度图像的Harris角点；

(5)灰度图像的形态学腐蚀运算：首先用3×3的结构元素扫描灰度图像的每个像素点，并用结构元素与其覆盖的二值图像进行与运算；如果运算结果为1，则对应的像素点为1，否则对应的像素点为0，由此得到腐蚀后的灰度图像；

(6)杆塔区域的识别：将膨胀后的灰度图像和腐蚀后的灰度图像进行与运算，由此得到新的灰度图像；然后从新的灰度图像中识别出杆塔区域；

(7)鸟巢位置的识别：首先对杆塔区域中疑似鸟巢的关键区域进行粗提取，并对粗提取后的关键区域进行HOG特征提取；然后通过SVM分类器对HOG特征提取后的关键区域进行精确提取，由此识别出鸟巢位置。 本实施例未述部分与现有技术相同。

Claims (1)

1.一种基于特征识别的输电线路上的鸟巢识别方法，其特征在于，采用如下步骤实现：

(1)对RGB彩色图像进行灰度化处理：通过无人机从输电线路上拍摄大量RGB彩色图像，并将RGB彩色图像转换为灰度图像，转换公式表示如下：

Y＝0.3R+0.59G+0.11B (1)；

公式(1)中：Y表示灰度图像的像素点的灰度值；R、G、B分别表示RGB图像的像素点的红色分量、绿色分量、蓝色分量；

(2)灰度图像的LSD直线检测：首先将灰度图像缩小为原来的80％，并分别计算灰度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：

$\begin{array}{c}{g}_x(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\\ g_y(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\end{array}---\left(2\right);$

$G_{(x,y)}=\sqrt{g_x^2(x+y)+g_y^2(x,y)}---\left(3\right);$

公式(2)、(3)中：gx(x，y)和gy(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，对灰度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，由此检测出灰度图像中局部的直的轮廓；

(3)灰度图像的形态学膨胀运算：首先用3×3的结构元素扫描灰度图像的每个像素点，并用结构元素与其覆盖的二值图像进行与运算；如果运算结果为0，则对应的像素点为0，否则对应的像素点为1，由此得到膨胀后的灰度图像；

(4)灰度图像的Harris角点检测：首先计算灰度图像的每个像素点在X方向和Y方向上的梯度值的乘积，并用高斯函数对乘积进行高斯加权形成矩阵元素；然后计算灰度图像的每个像素点的Harris响应值，并对小于阈值的Harris响应值进行忽略；然后在邻域内对Harris响应值进行最大值抑制，抑制得到的局部最大值即为灰度图像的Harris角点，由此检测出灰度图像的Harris角点；

(5)灰度图像的形态学腐蚀运算：首先用3×3的结构元素扫描灰度图像的每个像素点，并用结构元素与其覆盖的二值图像进行与运算；如果运算结果为1，则对应的像素点为1，否则对应的像素点为0，由此得到腐蚀后的灰度图像；

(6)杆塔区域的识别：将膨胀后的灰度图像和腐蚀后的灰度图像进行与运算，由此得到新的灰度图像；然后从新的灰度图像中识别出杆塔区域；

(7)鸟巢位置的识别：首先对杆塔区域中疑似鸟巢的关键区域进行粗提取，并对粗提取后的关键区域进行HOG特征提取；然后通过SVM分类器对HOG特征提取后的关键区域进行精确提取，由此识别出鸟巢位置。