CN106919929A - 一种基于模板匹配的红外图像中绝缘子自动识别方法 - Google Patents

一种基于模板匹配的红外图像中绝缘子自动识别方法 Download PDF

Info

Publication number
CN106919929A
CN106919929A CN201710135989.0A CN201710135989A CN106919929A CN 106919929 A CN106919929 A CN 106919929A CN 201710135989 A CN201710135989 A CN 201710135989A CN 106919929 A CN106919929 A CN 106919929A
Authority
CN
China
Prior art keywords
insulator
infrared image
point
characteristic point
identifying method
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
Application number
CN201710135989.0A
Other languages
English (en)
Inventor
王伟
刘云鹏
刘朝辉
付炜平
尹子会
肖魁欧
董俊虎
赵冀宁
孟荣
张凯元
纪欣欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, Maintenance Branch of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710135989.0A priority Critical patent/CN106919929A/zh
Publication of CN106919929A publication Critical patent/CN106919929A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radiation Pyrometers (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Insulators (AREA)

Abstract

本发明公开一种基于模板匹配的红外图像中绝缘子自动识别方法，包括以下步骤：A、对待检测区域进行拍照，进行图像识别，获取绝缘子特征点；B、分析不同绝缘子特征点的温度特征，剔除其中的异常点，进行聚类分析，得出绝缘子图像区域。本发明能够改进现有技术的不足，针对复杂真实环境下采集的绝缘子红外图片，自动识别出绝缘子的位置和轴线，使得进一步自动诊断绝缘子故障成为可能，极大地提高绝缘子巡检工作的效率和准确度。

Description

一种基于模板匹配的红外图像中绝缘子自动识别方法
技术领域
本发明涉及电网故障识别诊断技术领域，尤其是一种基于模板匹配的红外图像中绝缘子自动识别方法。
背景技术
输电线路巡检工作对于保证电力系统正常运行必不可少，传统上大量工作由人工完成，比如肉眼判断绝缘子是否破损，实用手持红外成像仪检查绝缘子是否过热。传统方法费时费力，工作效率低，容易受到自然环境、工作人员经验等影响，越来越不能适应繁重的输电线路巡检工作，为此开始在巡检工作中使用无人机拍摄照片，再由工作人员根据照片判断故障。
利用图像处理方法对绝缘子进行自动识别与故障诊断的研究目前大多数是基于可见光航拍图像的，也有少部分基于红外图像的研究。基于可见光图像的识别和基于红外图像的识别都有各自的优势。可见光能够得到更多的细节信息，但同时对于具有复杂背景的图像就具有了更多的干扰。红外图像由于其成像机理，对于光线、纹理等的依赖性较弱，不容易被这些因素干扰；但相较可见光图像来说，红外图像会因为拍摄距离过远而使对比度很低，对细节的表达会变差。由于机理的不同，两种方法都具有各自独有的优势。绝缘子的故障类型主要有表面破损、开裂、污秽、片间夹带异物以及掉片(部分绝缘子丢失)等，这将引起绝缘子阻值的降低，导致产热增加，温度上升，这会明显的反应在红外图中。针对这些故障，基于红外图像的绝缘子诊断相比于可见光图像具有更大的优势。
这种方法中人的工作依然十分繁重，需要查看大量的照片，自动诊断巡检照片是未来的发展方向，实现自动诊断的首要一步是自动识别照片中的绝缘子。对于绝缘子的识别技术，相关学者提出基于图像分割的方法，这类方法一般采用的是基于OTSU方法的改进算法，如基于形态学算法和连通域思想改善的OTSU算法。然后应用AdaBoost算法，计算粗定位区域的不变矩特征，训练出一个级联分类器，以剔除非绝缘子区域，实现对绝缘子的精确定位，比如一种基于阈值分割和二值形状特征描述的绝缘子串自动定位方法，先利用基于非下采样Contourlet变换(NSCT)的灰熵模型和细菌觅食-粒子群优化(BF-PSO)算法求取阈值，将原始航拍图像分割为二值图像，再利用二值图像中绝缘子串的形状特征，对其特征进行数字化描述，并以此为依据去除非绝缘子目标，实现绝缘子的自动定位。
发明内容
本发明要解决的技术问题是提供一种基于模板匹配的红外图像中绝缘子自动识别方法，能够解决现有技术的不足，针对复杂真实环境下采集的绝缘子红外图片，自动识别出绝缘子的位置和轴线，使得进一步自动诊断绝缘子故障成为可能，极大地提高绝缘子巡检工作的效率和准确度。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于模板匹配的红外图像中绝缘子自动识别方法，包括以下步骤：
A、对待检测区域进行拍照，进行图像识别，获取绝缘子特征点；
B、分析不同绝缘子特征点的温度特征，剔除其中的异常点，进行聚类分析，得出绝缘子图像区域。
作为优选，步骤A中，首先计算红外图像中所有的surf特征点，然后与模板数据的特征点集进行K近邻匹配，筛选掉不属于绝缘子的特征点，然后将所有特征点进行空间聚类以区分不同的绝缘子。
作为优选，在进行K-近邻匹配过程中，使用K-D树进行加速。
作为优选，步骤B中，将聚类后包含特征点过少的类别认定为误识别特征点进行剔除，剩余的每一类认为是某个绝缘子对应的全部特征点。
作为优选，使用由红外图像的特征向量组成的特征矩阵对误识别特征点进行迭代处理，然后对迭代处理后的特征点进行聚类分析，将符合要求的特征点重新认定为绝缘子的正确识别特征点。
作为优选，基于绝缘子特征点的坐标信息进行线性回归得到绝缘子的主方向；然后依据绝缘子主方向提取出绝缘子的中轴线以提取绝缘子温度。
采用上述技术方案所带来的有益效果在于：本发明提出的基于模板匹配的红外图像中绝缘子自动识别方法，在输电线路巡检中具有更好的实用性，使得进一步实现绝缘子故障自动诊断成为可能，极大地提高了绝缘子巡检工作的效率和准确度，减少了人工工作量，有利于进一步提升电力系统的稳定性。
附图说明
图1是绝缘子自动识别的流程图。
图2是绝缘子串分段校正的流程图。
图3是绝缘子串主方向校正前的图片。
图4是绝缘子串主方向校正后的图片。
具体实施方式
参照图1，本发明一个具体实施方式包括以下步骤：
A、对待检测区域进行拍照，进行图像识别，获取绝缘子特征点；
B、分析不同绝缘子特征点的温度特征，剔除其中的异常点，进行聚类分析，得出绝缘子图像区域。
步骤A中，首先计算红外图像中所有的surf特征点，然后与模板数据的特征点集进行K近邻匹配，筛选掉不属于绝缘子的特征点，然后将所有特征点进行空间聚类以区分不同的绝缘子。
在进行K-近邻匹配过程中，使用K-D树进行加速。
步骤B中，将聚类后包含特征点过少的类别认定为误识别特征点进行剔除，剩余的每一类认为是某个绝缘子对应的全部特征点。
使用由红外图像的特征向量组成的特征矩阵对误识别特征点进行迭代处理，然后对迭代处理后的特征点进行聚类分析，将符合要求的特征点重新认定为绝缘子的正确识别特征点。
基于绝缘子特征点的坐标信息进行线性回归得到绝缘子的主方向；然后依据绝缘子主方向提取出绝缘子的中轴线以提取绝缘子温度。
图2是绝缘子串分段校正流程图，提取绝缘子主方向的方法会存在一定的误差，导致主方向拟合出现错误，本发明使用分段校正的方法校正主方向，在得到初步的绝缘子主方向后，依据这个方向将一整个绝缘子划分为若干小段，在每一个小段上可以基本忽略绝缘子的形变，然后对每一个小段进行分段校正。
参照图3-4，本发明是针对复杂真实环境下采集的绝缘子红外图片，自动识别出绝缘子的位置和轴线，使得进一步自动诊断绝缘子故障成为可能，极大地提高绝缘子巡检工作的效率和准确度。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于模板匹配的红外图像中绝缘子自动识别方法，其特征在于包括以下步骤：
A、对待检测区域进行拍照，进行图像识别，获取绝缘子特征点；
B、分析不同绝缘子特征点的温度特征，剔除其中的异常点，进行聚类分析，得出绝缘子图像区域。
2.根据权利要求1所述的基于模板匹配的红外图像中绝缘子自动识别方法，其特征在于：步骤A中，首先计算红外图像中所有的surf特征点，然后与模板数据的特征点集进行K近邻匹配，筛选掉不属于绝缘子的特征点，然后将所有特征点进行空间聚类以区分不同的绝缘子。
3.根据权利要求2所述的基于模板匹配的红外图像中绝缘子自动识别方法，其特征在于，其特征在于：在进行K-近邻匹配过程中，使用K-D树进行加速。
4.根据权利要求1所述的基于模板匹配的红外图像中绝缘子自动识别方法，其特征在于：步骤B中，将聚类后包含特征点过少的类别认定为误识别特征点进行剔除，剩余的每一类认为是某个绝缘子对应的全部特征点。
5.根据权利要求4所述的基于模板匹配的红外图像中绝缘子自动识别方法，其特征在于：使用由红外图像的特征向量组成的特征矩阵对误识别特征点进行迭代处理，然后对迭代处理后的特征点进行聚类分析，将符合要求的特征点重新认定为绝缘子的正确识别特征点。
6.根据权利要求4所述的基于模板匹配的红外图像中绝缘子自动识别方法，其特征在于：基于绝缘子特征点的坐标信息进行线性回归得到绝缘子的主方向；然后依据绝缘子主方向提取出绝缘子的中轴线以提取绝缘子温度。
CN201710135989.0A 2017-03-09 2017-03-09 一种基于模板匹配的红外图像中绝缘子自动识别方法 Pending CN106919929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710135989.0A CN106919929A (zh) 2017-03-09 2017-03-09 一种基于模板匹配的红外图像中绝缘子自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710135989.0A CN106919929A (zh) 2017-03-09 2017-03-09 一种基于模板匹配的红外图像中绝缘子自动识别方法

Publications (1)

Publication Number Publication Date
CN106919929A true CN106919929A (zh) 2017-07-04

Family

ID=59461645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710135989.0A Pending CN106919929A (zh) 2017-03-09 2017-03-09 一种基于模板匹配的红外图像中绝缘子自动识别方法

Country Status (1)

Country Link
CN (1) CN106919929A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784321A (zh) * 2017-09-28 2018-03-09 深圳市奇米教育科技有限公司 数字绘本快速识别方法、系统及计算机可读存储介质
CN109801284A (zh) * 2019-01-25 2019-05-24 华中科技大学 一种基于深度学习的高铁接触网绝缘子故障检测方法
CN111160305A (zh) * 2019-12-31 2020-05-15 武汉工程大学 一种变压器套管异常监测方法及计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200516510A (en) * 2003-11-11 2005-05-16 Chung Shan Inst Of Science Infrared image recognition system and method for remote building
CN103136531A (zh) * 2013-03-26 2013-06-05 华北电力大学（保定） 一种绝缘子串红外图像自动识别方法
CN103413139A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法
CN104764748A (zh) * 2015-05-04 2015-07-08 成都唐源电气有限责任公司 定位绝缘子的方法、系统以及故障检测的方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200516510A (en) * 2003-11-11 2005-05-16 Chung Shan Inst Of Science Infrared image recognition system and method for remote building
CN103136531A (zh) * 2013-03-26 2013-06-05 华北电力大学（保定） 一种绝缘子串红外图像自动识别方法
CN103413139A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法
CN104764748A (zh) * 2015-05-04 2015-07-08 成都唐源电气有限责任公司 定位绝缘子的方法、系统以及故障检测的方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BAY HERBERT等: "SURF: Speeded Up Robust Features", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 *
敬忠良: "《航天器自主操作的测量与控制》", 31 December 2011, 中国宇航出版社 *
杜振鹏，李德华: "基于KD-Ttee搜索和SURF特征的图像匹配算法研究", 《计算机与数字工程》 *
胡毅，刘凯: "《输电线路遥感巡检与监测技术》", 31 December 2012, 中国电力出版社 *
钱卫东等: "基于 BRISK 的模板匹配在变电设备红外监测中的应用", 《红外技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784321A (zh) * 2017-09-28 2018-03-09 深圳市奇米教育科技有限公司 数字绘本快速识别方法、系统及计算机可读存储介质
CN107784321B (zh) * 2017-09-28 2021-06-25 深圳市快易典教育科技有限公司 数字绘本快速识别方法、系统及计算机可读存储介质
CN109801284A (zh) * 2019-01-25 2019-05-24 华中科技大学 一种基于深度学习的高铁接触网绝缘子故障检测方法
CN111160305A (zh) * 2019-12-31 2020-05-15 武汉工程大学 一种变压器套管异常监测方法及计算机可读介质

Similar Documents

Publication Publication Date Title
CN105044122B (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测方法
CN107358259B (zh) 基于GLOH描述子和GVF-Snake模型的绝缘子覆冰检测方法
CN111369516B (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
Sunardi et al. Identity analysis of egg based on digital and thermal imaging: Image processing and counting object concept
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN107257161A (zh) 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统
CN104298992B (zh) 一种基于数据驱动的自适应尺度行人重识别方法
CN113109348B (zh) 一种基于机器视觉的桨影移印缺陷识别方法
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN109145742A (zh) 一种行人识别方法及系统
CN106919929A (zh) 一种基于模板匹配的红外图像中绝缘子自动识别方法
CN106920240A (zh) 一种基于红外图像的绝缘子识别和故障诊断方法
CN106326834B (zh) 人体性别自动识别方法及装置
CN107833211B (zh) 基于红外图像的零值绝缘子自动检测方法及装置
CN107563364A (zh) 基于汗腺的指纹真伪辨别方法以及指纹识别方法
CN102831379B (zh) 人脸图像识别方法及装置
CN106780444A (zh) 一种绝缘子自动识别分析系统
CN113673614B (zh) 基于机器视觉的地铁隧道异物入侵检测装置及方法
CN102760232A (zh) 基于掌纹的中远距离的在线身份识别系统
Cao et al. Automatic latent value determination
CN113537236B (zh) 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法
CN110110606A (zh) 基于神经网络的可见光与红外人脸图像的融合方法
Fleyeh et al. Segmentation of low quality fingerprint images
CN112464871A (zh) 一种基于深度学习的中医舌部图像处理方法及系统
CN117197700A (zh) 智能化无人巡检接触网缺陷识别系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170704

WD01 Invention patent application deemed withdrawn after publication