CN107492094A - 一种高压电线绝缘子的无人机视觉检测方法 - Google Patents

Abstract

本发明公开了一种高压电线绝缘子的无人机视觉检测方法，获取高压电线绝缘子图像；将高压电线绝缘子图像由RGB模型转换成HSV模型；采用十字梯度搜索法检测HSV模型的亮度分量，获取方向梯度及空间亮度相似度，生成前景图像；采用8邻域连通域分割法对经过前景图像进行连通域分割，获得绝缘子连通域图像；采用LOG算子对绝缘子连通域图像进行边缘提取得到图像的边缘信息；采用8邻域的边缘跟踪方法对图像边缘点进行8邻域边缘归类；对经过8邻域边缘归类获得的像素类组，分组进行边缘直线检测，显示识别出的绝缘子轮廓。本发明可获得完整的绝缘子连通域图像，有效的提高了绝缘子的识别准确率；同时有效的提高了运行速度，并降低了计算的复杂程度。

Description

一种高压电线绝缘子的无人机视觉检测方法

技术领域

本发明属于图像处理技术领域，具体涉及一种高压电线绝缘子的无人机视觉检测方法。

背景技术

目前，中国电力系统随着社会的快速发展而有了质的飞跃，电力网的安 全运行事关国家发展与社会稳定。三年多来，国家电网与巴基斯坦、老挝等 10多个国家开展了投资、合作，承担了数十项大中型输变电工程。优质、高 效、安全的中国输电工程赢得了越来越多的国家的青睐。输电线路走向选择 人口稀疏的地域，有时要经过高山峻岭，戈壁荒漠等，传输距离远，覆盖面 积广等特点，给日常的电力线路巡视和维护带来了极大的挑战。

近年兴起的无人机技术，具有无人驾驶、不受地理条件限制、续航长和速度快的优点，相较于传统的人工电力线巡检具有无法比拟的优势，得到了越来越多的电力公司的青睐。而在无人机巡检高压输电线路中，绝缘子是巡检的重要部位之一。绝缘子在高压线路中主要起支撑和绝缘的作用。绝缘子一般工作在露天环境，一定程度上将受野外环境的侵蚀，容易发生掉片、掉串等；绝缘子安装在杆塔与导线之间，与导线相连区域是发现线路故障的关键区域，因此完整识别出绝缘子所在区域，有助于及时诊断绝缘子的故障。

传统的Hough变换直接用于绝缘子图片中直线的提取仍存在诸多问题，如因参数离散化进而引起的检测误差，以及容易产生虚假直线、峰值检测困难等；另外，Hough变换中是以“一对多”的方式将图像空间的像素点映射到参数空间，计算复杂度、空间复杂度较高，运行速度慢，对于大型图片更为明显。

发明内容

本发明的目的在于提供一种高压电线绝缘子的无人机视觉检测方法，以克服上述现有技术存在的缺陷，本发明能够避免背景纹理及光线的影响，提高对绝缘子识别的正确率，提高运算速度并降低计算复杂度和空间复杂度。

为达到上述目的，本发明采用如下技术方案：

一种高压电线绝缘子的无人机视觉检测方法，包括以下步骤：

步骤1：获取无人机拍摄的高压电线绝缘子图像；

步骤2：对步骤1中获得的高压电线绝缘子图像由RGB模型转换成HSV 模型；

步骤3：采用十字梯度搜索法，根据步骤2获取的图像亮度分量，计算 V通道下图像的方向梯度及空间亮度相似度，进而生成前景图像；

步骤4：采用8邻域连通域分割法对步骤3获得的前景图像进行连通域分割，除去前景图像中的干扰噪声点，得到绝缘子连通域图像；

步骤5：采用LOG算子对步骤4获得的连通域前景图像进行边缘提取，获取前景图像边缘点；

步骤6：采用8邻域的边缘跟踪方法对步骤5得到的绝缘子连通域图像边缘点进行8邻域边缘归类获得像素类组；

步骤7：对于步骤6经过8邻域边缘归类获得的像素类组，分组进行边缘直线检测，识别出绝缘子轮廓。

进一步地，步骤3中采用十字梯度搜索法获取图像的方向梯度及空间亮度相似度具体为：对亮度图像进行遍历，对每个遍历的像素点，以该像素点为中心，在其上、下、左、右四个方向按照十字梯度搜索法模板分布读入对应位置的亮度值，按照如下计算：

dY_i,y＝Y(i,y)-Y(i,j)

dY_x,j＝Y(x,j)-Y(i,j)

其中：i,j分别表示模板中心的行列坐标，即当前遍历像素点的位置， Y(i,j)表示的是图像的i行j列的亮度值，dY_i,y为模板内i行像素点Y(i,y)与 Y(i,j)的梯度，dY_x,j为模板内j列像素点Y(x,j)与Y(i,j)的梯度，其中， x∈(i-M,i+M),y∈(j-M,j+M)；

其中十字梯度搜索法模板如图3所示：

基于以上模板内的计算结果，对图像的方向梯度和进行计算，其表达式为：

其中，D(i,j)为中心像素点在四个方向上的梯度和，用于反映模板内区域亮度变化情况；

接着进行如下判决：

其中，SS_i,y、SS_x,j为当前对象空间亮度相似度的判定结果，T₀为亮度阈值，当亮度差不大于T₀时，两像素点相似性强，结果赋值1；反之，赋值0， T₀取0.2；

空间相似度表达式：

其中，Sim(i,j)为对象的空间亮度相似度，即模板内强相似点的个数。

进一步地，步骤3中根据方向梯度和空间亮度相似度获得前景图像具体为：

其中，Fore为模板内运算标记结果，绝缘子区域赋值为255，非绝缘子区域赋值为0，M为十字梯度搜索法模板的宽度。

进一步地，步骤4中采用8邻域连通域分割法对步骤3获得的前景图像进行连通域分割之前，首先对步骤3获得的前景图像进行形态学滤波。

进一步地，采用8邻域连通域分割法对步骤3获得的前景图像进行连通域分割具体包括以下步骤：

步骤4.1：首先，利用bwlabel函数获得一个和前景图像相等的L矩阵，并对前景图像中每个连通区域进行划分标注，标注的值为1、2…n，其中n为连通区域的数量；

步骤4.2：遍历前景图像内所有像素点，将L矩阵中属于标签3、4的像素点赋0；

步骤4.3：遍历前景图像中的所有像素点，若矩阵中该点的像素值不为0，将其赋值为255，直到遍历完所有像素点为止。

进一步地，步骤5中采用LOG算子对步骤4得到的绝缘子连通域图像进行边缘提取具体包括以下步骤：

步骤5.1：首先对连通域图像进行高斯卷积滤波进行降噪处理，再采用 Laplace算子进行边缘检测；

步骤5.2：对提取的边缘图像进行均值滤波；

步骤5.3：对均值滤波处理后的图像进行二值处理，设定阈值为T₁，当图像的灰度值不小于T₁时，将灰度值赋为255；当图像的灰度值小于T₁时，将灰度值赋为0，其中T₁取80。

进一步地，步骤6中采用8邻域的边缘跟踪方法对绝缘子连通域图像边缘点进行8邻域边缘归类获得像素类组具体包括以下步骤：

步骤6.1：扫描经步骤5获得连通域图像的边缘点(x,y)_i，将扫描到的第一个边缘像素点作为初始像素点，建立边缘组Egroup_m＝{(x,y)_i}，m表示第m条边缘，其中m≥1，i表示边缘组内第i个点；

步骤6.2：将初始像素点作为当前点，同时将二值图像中该像素点的值设为0，分别检测它的8邻域内是否存在边缘点；如果不存在，返回步骤6.1，寻找下一组的初始像素点；如果存在，建立一个空的临时类组Ngroup；

步骤6.3：将当前点8邻域内存在的像素点依次加到边缘组Eroup_m＝ {(x,y)_i，(x,y)_i+1，…，(x,y)_i+n},并将二值图像中这些边缘点的像素值设为0，后续不再被扫描，更新临时类组 Egroup＝{(x,y)_i+1，(x,y)_i+2，…，(x,y)_i+n}，记录新增加到边缘组内的点；

步骤6.4：将临时类组内最后一个点作为当前点继续搜索，并将该点从临时类组内删除，临时类组更新为 NPtgroup＝{(x,y)_i+1，(x,y)_i+2，…，(x,y)_i+n-1}，如果当前点8邻域内存在边缘点，转到步骤6.3；如果不存在，继续上述过程，直到临时类组为空；

步骤6.5：重复步骤6.1至步骤6.4，直到连通域图像扫描完毕没有发现初始像素点；

步骤6.6：除去独立像素点和短边缘，即将像素类组内总像素数目小于阈值T₂的边缘组除去，得到最终的连通域图像的像素类组。

进一步地，步骤7中对像素类组分组进行边缘直线检测进而识别出的绝缘子轮廓具体包括以下步骤：

步骤7.1：遍历前景图像的像素类组，建立零矩阵E(w,2)，将检测到的像素类组的边缘点坐标分别存放在矩阵中；其中，w为当前像素类组中的边缘点的个数；

步骤7.2：遍历连通域图像类组中的边缘点，随机进行两点 (x₁,y₁),(x₂,y₂)的匹配，计算这两点在参数空间下的(r,θ)， r为原点到两点间确定直线的距离，θ为该直线与x轴的夹角，判定两点是否在同一条直线上，若满足，统计边缘点的个数，累加器加1；

步骤7.3：重复步骤7.2，对连通域图像所有像素类组中的边缘点进行两两匹配；

步骤7.4：选定用来判定该累加器中是否存在直线的阈值T₃，若累加器中边缘点的个数不小于阈值T₃，确定该直线为待提取边缘；反之，则舍去；

步骤7.5：将所有满足阈值要求的直线突出显示，即得到绝缘子轮廓。

与现有技术相比，本发明具有以下有益的技术效果：

在对高压线上绝缘子无人机视觉检测时，传统的Hough变换方法运行速度慢、计算复杂度高，且检测出的绝缘子轮廓断续，含有不少噪声点。本发明提出的高压电线绝缘子的改进无人机视觉检测方法，先将颜色由RGB空间转换到HSV空间，利用十字梯度搜索法，基于图像的亮度分量S在模板内进行运算，计算图像的方向梯度和空间亮度相似度，对线进行检测，获得前景图像。接着，利用8邻域连通域分割法除去图像中误识别的铁架部分噪声，以提高对绝缘子识别的正确率；然后利用LOG算子提取图像的边缘，对提取的绝缘子图像边缘点进行8邻域边缘归类，使得若干相邻的像素点位于同一类组内，除去独立像素点和短边缘；在每个类组中，由斜率确定直线，进行点与点间的匹配，进行边缘直线检测，以提高绝缘子检测的运行速度，降低计算复杂度；最后，将满足阈值要求的直线突出显示，显示识别出的绝缘子轮廓；能够避免背景纹理及光线的影响，提高对绝缘子识别的正确率，提高运算速度并降低计算复杂度和空间复杂度。

综上，对比传统的Hough变换检测方法，高压线上绝缘子的改进无人机视觉检测方法检测出来的绝缘子轮廓比较完整，定位准确外，图像中的噪声点也有所减少，且运算的速度有所提高，整体效果优于传统的Hough变换检测方法。

附图说明

图1是本发明的流程示意图；

图2是本发明与基于最大类间方差(简称OTSU)的传统Hough变换法检测高压线上绝缘子的对照图，其中，(a)为高压线上绝缘子无人机视觉航拍下的原始图像；(b)OTSU法提取的绝缘子前景图像；(c)本发明获得的绝缘子连通域图像；(d)基于OTSU的传统Hough变换法提取绝缘子效果图； (e)为本发明方法效果图；

图3为本发明的十字梯度搜索法模板图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

参见图1，一种高压电线绝缘子的无人机视觉检测方法，包括：

步骤1、获得高压线上绝缘子的图像：采用无人机航拍高压线，获得要处理的高压线上绝缘子无人机视觉检测图像，将获得的彩色图像转换为灰度图像，并进行图像类型转换，等待下一步处理。

步骤2、对步骤1中获得的灰度图由RGB空间转换成HSV空间。

由于玻璃绝缘子一般为浅绿色、半透明状，在航拍图像中，其颜色与地表植被、泛绿的湖水相似，直接运用RGB模型中的G分量对绝缘子图像进行分割效果不佳，故在本发明中采用HSV色彩空间进行处理。

RGB模型可以用一个立方体模型表示，原点到白色顶点的中轴线是灰度线，r、g、b三分量相等，强度可以由三分量的向量表示。而HSV模型可理解为倒锥形模型，这个模型就是按色彩、深浅、明暗来描述的。H是色彩， S是深浅，V是明暗，表示色彩的明亮程度。从物理意义上来直观理解，把RGB三维坐标的中轴线立起来，并扁化，就能形成HSV的锥形模型。

颜色空间由RGB转HSV的处理过程如下：首先对图像中所有的颜色值都归一化到[0，1]。在RGB三个分量中，设定三分量中最大者为MAX，最小者为MIN。

RGB到HSV的转换公式为：

V＝MAX

式中，H的值的范围为0°～360°，S和V值范围为0～1。

步骤3，采用十字梯度搜索法，根据步骤2获取的图像亮度分量，计算 V通道下图像的方向梯度及空间亮度相似度，进而生成前景图像；

由于航拍图像中除了绝缘子，还含有支架、高压线等背景信息，传统的检测容易将此误识别，检测出的绝缘子含有大量噪声。在本发明中采用十字梯度搜索方法，基于图像的亮度分量在模板内进行运算，以(i,j)点为例，采用固定的宽度M，搜索其上、下、左、右四个方向的M个像素点，读入对应像素点的图像亮度值，计算图像的方向梯度和空间亮度相似度，对线进行检测。十字梯度搜索方法采用的十字模板如图3所示：

大小为M的模板能检测到的线段的最大宽度为2M+1。

dY_i,y＝Y(i,y)-Y(i,j)

dY_x,j＝Y(x,j)-Y(i,j)

其中：i,j分别表示模板中心的行列坐标，即当前遍历象素点的位置,Y(i,j)表示的是图像的i行j列的亮度值，dY_i,y为模板内i行像素点Y(i,y) 与Y(i,j)的梯度，dY_x,j为模板内j列像素点Y(x,j)与Y(i,j)的梯度，其中， x∈(i-M,i+M),y∈(j-M,j+M)。

基于以上模板内的计算结果，方向梯度和表达式：

其中，D(i,j)为中心像素点在四个方向上的梯度和，反映模板内区域亮度变化情况。

接着进行如下判决：

其中，SS_i,y、SS_x,j为当前对象空间亮度相似度的判定结果，T₀为亮度阈值，当亮度差不大于T₀时，两像素点相似性强，结果赋值1；反之，赋值0， T₀取0.2；

空间亮度相似度表达式：

其中，Sim(i,j)为对象的空间亮度相似度，即模板内强相似点的个数。

根据以上计算的绝缘子图像的方向梯度和空间相似，可获得绝缘子前景图像：

其中，Fore为模板内运算标记结果，绝缘子区域赋值为255，非绝缘子区域赋值为0；M为十字模板的宽度。

步骤4、采用8邻域连通域分割法对经过步骤3获得的前景图像进行连通域分割。在进行连通域分割前，先对前景图像进行形态学滤波，通过开、闭运算除去大部分干扰噪声后，白色部分主要集中在4个区域。接下来进行连通域分割，连通域定义为待检测图片中坐标位置相近、像素大小相等或近似的待检测目标点组成的图像区域。对待处理图像进行连通域分割；其核心是确定图像中存在的连通区间。8连通，以具体的像素点为例，如果和它的上、下、左、左上角、左下角、右、右上角或右下角的其他像素点是连接着的，则认为它们是连通的，8邻域连通域分割的具体流程如下：

1)首先，利用bwlabel函数，获得一个和提取的前景图像相等的L矩阵，并对前景图像中每个连通区域进行划分标注，这些标注的值为1、2…n(n为连通区域的数量)；

2)遍历前景图像内所有像素点，将L矩阵中属于标签3、4的像素点赋 0；

3)遍历前景图像中的所有像素点，若矩阵中该点的像素值不为0，将其赋值为255，直到遍历完所有像素点为止。

前景图像在经过8邻域连通域分割后，除去了所有的干扰信息，完整的标记出绝缘子的轮廓。

步骤5、采用LOG算子对经过步骤4得的连通域图像进行边缘提取，得到图像的边缘信息，并对提取边缘后的图像进行均值滤波及二值化处理。

由于Laplace算子对离散点和噪声比较敏感，在处理绝缘子图片时，背景纹理因素干扰较大。因此，我们采用LOG算子即高斯-拉普拉斯算子来提取图像的边缘。首先对图像进行高斯卷积滤波进行降噪处理，再采用Laplace 算子进行边缘检测，就可以提高算子对噪声和离散点的鲁棒性。

步骤5.1，LOG算子对经过步骤4获得的连通域图像进行边缘提取，LOG 算子提取边缘的方法为，首先对图像进行高斯卷积滤波进行降噪处理，再采用Laplace算子进行边缘检测。

其中，高斯函数的表达式如下：

在该式中，σ是标准差，用来控制目标图像的平滑程度；(x,y)表示图像中某点的坐标值。

高斯-拉普拉斯算子表达式：

在该式中，是Laplace算子，用于获取平滑图像的二阶方向导数。

步骤5.2，对提取的边缘图像进行均值滤波。均值滤波器是图像处理中一种常见的滤波器，它主要应用于平滑噪声。它的原理主要是利用某像素点周边像素的平均值来达到平滑噪声的效果。

均值滤波方法是，对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，用模板的均值来替代原像素的值的方法。

在该式中，M表示滤波采用的模板大小，f(x,y)为步骤5.1获取的边缘图像。

权系数矩阵模板

步骤5.3，对步骤5.2处理后的图像进行二值处理，使图像的边缘更加清晰。根据先知经验设定阈值为T₁，当图像的灰度值不小于T₁时，将灰度值赋为255即白色；当图像的灰度值小于T₁时，将灰度值赋为0即黑色，本文中阈值T₄为80。

步骤6，采用8邻域的边缘跟踪方法对经过步骤5处理后的边缘点进行8 邻域边缘归类。即，按照从上到下，从左到右的顺序，将扫描到的第一个边缘像素点作为初始像素点。依次扫描其周围邻域的8个像素点，检测它的8 邻域内是否存在边缘点。其3×3模板如下：

6	7	8
			5	(x,y)	1
4	3	2

传统的Hough变换针对全局检测，运算速度慢，且容易产生链接和虚假直线，我们采用基于8邻域的边缘跟踪方法对检测后的边缘像素进行归类，得到若干互不相连的图像像素类组。跟踪过程中只考虑点与点之间的连贯性，并不对边缘的方向加以约束和限制，在保证直线提取的连贯性，同时提高运行速度。

在边缘像素进行归类时，我们采用基于8邻域的边缘跟踪方法。首先，扫描图像素点(x,y)_i，将扫描到的第一个边缘像素点作为初始像素点。建立边缘组Egroup_m＝{(x,y)_i},m表示第m(m>＝1)条边缘，i表示边缘组内第i个点；第二步，将初始像素点作为当前点，同时将二值图像中该像素点的值设为0，分别检测它的8邻域内是否存在边缘点。如果不存在，返回上一步，寻找下一组的初始像素点。如果存在，建立一个空的临时类组Ngroup。第三步，更新边缘组，将当前点8邻域内存在的像素点依次加到边缘组 Eroup_m＝{(x,y)_i，(x,y)_i+1，…，(x,y)_i+n},并将二值图像中这些边缘点的像素值设为0，后续不再被扫描。更新临时类组Egroup＝{(x,y)_i+1，(x,y)_i+2，…，(x,y)_i+n}，记录新增加到边缘组内的；第四步，将临时类组内最后一个点作为当前点继续搜索，并将该点从临时像素组内删除，临时类组更新为NPtgroup＝{(x,y)_i+1，(x,y)_i+2，…，(x,y)_i+n-1}。如果当前点8邻域内存在边缘点，转到第三步；如果不存在，继续上述过程，知道临时类组为空。第五步，重复以上四步骤，直到图像扫描完毕没有发现初始像素点。

最后，除去独立像素点和短边缘，即将边缘组内总像素数目小于阈值T₂的边缘组除去，不参加后续的Hough变换。

步骤7：对于步骤6经过8邻域边缘归类获得的像素类组，分组进行检测边缘直线，将满足阈值的直线突出显示，显示绝缘子轮廓。

传统的Hough变换采用一对多的映射，带来大量的计算量和内存消耗。我们根据两点确定一条直线原则，进行点与点间的匹配。对步骤6获得的每一个边缘类组进行遍历，选择其中一点为起始点，与同一8邻域边缘类组内的其他边缘点进行匹配，记录两点的极径、极角。依次，对类组内的任意两点的极径、极角进行计算并记录。对于计算的所有极角进行比较，当两极角的绝对值小于0.1时，则可认为这两条极径上的边缘点在一条直线上。依次，将满足要求的所有边缘点累加，将满足阈值要求的直线赋红，显示识别出的绝缘子轮廓。具体操作如下：

1)遍历连通域图像的像素类组，建立零矩阵E(w,2)，将检测到的像素类组的边缘点坐标分别存放在矩阵中；其中，w为当前像素类组中的边缘点的个数；

2)遍历连通域图像类组中的边缘点，随机进行两点(x₁,y₁),(x₂,y₂)的匹配，计算这两点在参数空间下的(r,θ)， r为原点到两点间确定直线的距离，θ为该直线与x轴的夹角，判定两点是否在同一条直线上，若满足，统计边缘点的个数，累加器加1

3)重复2)，对连通域图像所有像素类组中的边缘点进行两两匹配；

4)选定阈值T₃(用来判定该累加器中是否存在直线)，若累加器中边缘点的个数大于阈值T₃，确定该直线为待提取边缘；反之，则舍去。

最后，将所有满足阈值要求的直线突出显示，显示绝缘子轮廓。

从图2可以看出，图2中(a)为高压线上绝缘子无人机视觉航拍下的原始图像，在实验中分别使用了基于OTSU的传统Hough变换法和本发明提出的高压线上绝缘子无人机视觉检测方法对图(a)进行绝缘子边缘提取。

首先利用OTSU法检测图(a)中高压线上绝缘子，获得的高压线绝缘子前景图像如图(b)所示，从图(b)中我们可以看出(b)中提取的绝缘子前景图像中，将部分支架误识别为绝缘子，且含有大量噪声点。图(c)是本发明提出的一种高压线绝缘子改进无人机视觉检测方法获取的绝缘子连通域图像，从图中可以看出噪声部分已完全去除，标记出完整的绝缘子轮廓。图(d) 是基于OTSU的传统Hough变换法提取绝缘子效果图，已经大致识别出绝缘子的轮廓，但轮廓部分仍存在着直线断续的情况，且图(d)的支架部分仍存在噪声点；图(e)是本发明提出的一种高压线绝缘子改进无人机视觉检测方法提取绝缘子效果图，对比图(d)可以看到，图(e)准确的检测出高压线上绝缘子的边缘，获得的边缘轮廓连贯，且有效的降低了背景纹理造成的误识别，完全除去了周围噪声点的干扰。

表1两种方法检测绝缘子计算时间复杂度对比表

从表1可以看出，本发明提出的方法无论在绝缘子连通域(前景)图像获取，还是绝缘子边缘检测过程，运算的速度都优于方法1基于OTSU的传统Hough变换法，且在绝缘子边缘检测过程中尤为明显。方法1在绝缘子边缘检测过程中采用传统的Hough变换思想，其通过“一对多”的映射方式对图像中的所有边缘点进行累加，增加了算法的运算复杂度；而本发明中提出的8邻域边缘归类法，先将边缘图像根据局部特征建立像素类组，使得随机匹配的样本总体减小；然后通过两点坐标确定所在直线的极径、极角，避免了把时间浪费在对每个边缘点的变换过程中，有效的改进了算法的处理时间并且减少了其所需要的存储空间。与方法1相比，本发明在高压线绝缘子检测过程中，算法的计算复杂度降低，运行速度大大提高。尤其，若待检测的绝缘子图像中含有复杂的背景纹理时，效果将更为显著。

Claims (8)

1.一种高压电线绝缘子的无人机视觉检测方法，其特征在于，包括以下步骤：

步骤1：获取无人机拍摄的高压电线绝缘子图像；

步骤2：对步骤1中获得的高压电线绝缘子图像由RGB模型转换成HSV模型；

步骤3：采用十字梯度搜索法，根据步骤2获取的图像亮度分量，计算V通道下图像的方向梯度及空间亮度相似度，进而生成前景图像；

步骤4：采用8邻域连通域分割法对步骤3获得的前景图像进行连通域分割，除去前景图像中的干扰噪声点，得到绝缘子连通域图像；

步骤5：采用LOG算子对步骤4获得的连通域前景图像进行边缘提取，获取前景图像边缘点；

步骤6：采用8邻域的边缘跟踪方法对步骤5得到的绝缘子连通域图像边缘点进行8邻域边缘归类获得像素类组；

步骤7：对于步骤6经过8邻域边缘归类获得的像素类组，分组进行边缘直线检测，识别出绝缘子轮廓。

2.根据权利要求1所述的一种高压电线绝缘子的无人机视觉检测方法，其特征在于，步骤3中采用十字梯度搜索法获取图像的方向梯度及空间亮度相似度具体为：对亮度图像进行遍历，对每个遍历的像素点，以该像素点为中心，在其上、下、左、右四个方向按照十字梯度搜索法模板分布读入对应位置的亮度值，按照如下计算：

dY_i,y＝Y(i,y)-Y(i,j)

dY_x,j＝Y(x,j)-Y(i,j)

其中：i,j分别表示模板中心的行列坐标，即当前遍历像素点的位置，Y(i,j)表示的是图像的i行j列的亮度值，dY_i,y为模板内i行像素点Y(i,y)与Y(i,j)的梯度，dY_x,j为模板内j列像素点Y(x,j)与Y(i,j)的梯度，其中，x∈(i-M,i+M),y∈(j-M,j+M)；

其中十字梯度搜索法模板如图3所示：

基于以上模板内的计算结果，对图像的方向梯度和进行计算，其表达式为：

其中，D(i,j)为中心像素点在四个方向上的梯度和，用于反映模板内区域亮度变化情况；

接着进行如下判决：

其中，SS_i,y、SS_x,j为当前对象空间亮度相似度的判定结果，T₀为亮度阈值，当亮度差不大于T₀时，两像素点相似性强，结果赋值1；反之，赋值0，T₀取0.2；

空间相似度表达式：

其中，Sim(i,j)为对象的空间亮度相似度，即模板内强相似点的个数。

3.根据权利要求2所述的一种高压电线绝缘子的无人机视觉检测方法，其特征在于，步骤3中根据方向梯度和空间亮度相似度获得前景图像具体为：

其中，Fore为模板内运算标记结果，绝缘子区域赋值为255，非绝缘子区域赋值为0，M为十字梯度搜索法模板的宽度。

4.根据权利要求1所述的一种高压电线绝缘子的无人机视觉检测方法，其特征在于，步骤4中采用8邻域连通域分割法对步骤3获得的前景图像进行连通域分割之前，首先对步骤3获得的前景图像进行形态学滤波。

5.根据权利要求4所述的一种高压电线绝缘子的无人机视觉检测方法，其特征在于，采用8邻域连通域分割法对步骤3获得的前景图像进行连通域分割具体包括以下步骤：

步骤4.1：首先，利用bwlabel函数获得一个和前景图像相等的L矩阵，并对前景图像中每个连通区域进行划分标注，标注的值为1、2…n，其中n为连通区域的数量；

步骤4.2：遍历前景图像内所有像素点，将L矩阵中属于标签3、4的像素点赋0；

步骤4.3：遍历前景图像中的所有像素点，若矩阵中该点的像素值不为0，将其赋值为255，直到遍历完所有像素点为止。

6.根据权利要求1所述的一种高压电线绝缘子的无人机视觉检测方法，其特征在于，步骤5中采用LOG算子对步骤4得到的绝缘子连通域图像进行边缘提取具体包括以下步骤：

步骤5.1：首先对连通域图像进行高斯卷积滤波进行降噪处理，再采用Laplace算子进行边缘检测；

步骤5.2：对提取的边缘图像进行均值滤波；

步骤5.3：对均值滤波处理后的图像进行二值处理，设定阈值为T₁，当图像的灰度值不小于T₁时，将灰度值赋为255；当图像的灰度值小于T₁时，将灰度值赋为0，其中T₁取80。

7.根据权利要求6所述的一种高压电线绝缘子的无人机视觉检测方法，其特征在于，步骤6中采用8邻域的边缘跟踪方法对绝缘子连通域图像边缘点进行8邻域边缘归类获得像素类组具体包括以下步骤：

步骤6.1：扫描经步骤5获得连通域图像的边缘点(x,y)_i，将扫描到的第一个边缘像素点作为初始像素点，建立边缘组Egroup_m＝{(x,y)_i}，m表示第m条边缘，其中m≥1，i表示边缘组内第i个点；

步骤6.2：将初始像素点作为当前点，同时将二值图像中该像素点的值设为0，分别检测它的8邻域内是否存在边缘点；如果不存在，返回步骤6.1，寻找下一组的初始像素点；如果存在，建立一个空的临时类组Ngroup；

步骤6.3：将当前点8邻域内存在的像素点依次加到边缘组Eroup_m＝{(x,y)_i，(x,y)_i+1，…，(x,y)_i+n},并将二值图像中这些边缘点的像素值设为0，后续不再被扫描，更新临时类组Egroup＝{(x,y)_i+1，(x,y)_i+2，…，(x,y)_i+n}，记录新增加到边缘组内的点；

步骤6.4：将临时类组内最后一个点作为当前点继续搜索，并将该点从临时类组内删除，临时类组更新为NPtgroup＝{(x,y)_i+1，(x,y)_i+2，…，(x,y)_i+n-1}，如果当前点8邻域内存在边缘点，转到步骤6.3；如果不存在，继续上述过程，直到临时类组为空；

步骤6.5：重复步骤6.1至步骤6.4，直到连通域图像扫描完毕没有发现初始像素点；

步骤6.6：除去独立像素点和短边缘，即将像素类组内总像素数目小于阈值T₂的边缘组除去，得到最终的连通域图像的像素类组。

8.根据权利要求7所述的一种高压电线绝缘子的无人机视觉检测方法，其特征在于，步骤7中对像素类组分组进行边缘直线检测进而识别出的绝缘子轮廓具体包括以下步骤：

步骤7.1：遍历前景图像的像素类组，建立零矩阵E(w,2)，将检测到的像素类组的边缘点坐标分别存放在矩阵中；其中，w为当前像素类组中的边缘点的个数；

步骤7.2：遍历连通域图像类组中的边缘点，随机进行两点(x₁,y₁),(x₂,y₂)的匹配，计算这两点在参数空间下的(r,θ)，r为原点到两点间确定直线的距离，θ为该直线与x轴的夹角，判定两点是否在同一条直线上，若满足，统计边缘点的个数，累加器加1；

步骤7.3：重复步骤7.2，对连通域图像所有像素类组中的边缘点进行两两匹配；

步骤7.4：选定用来判定该累加器中是否存在直线的阈值T₃，若累加器中边缘点的个数不小于阈值T₃，确定该直线为待提取边缘；反之，则舍去；

步骤7.5：将所有满足阈值要求的直线突出显示，即得到绝缘子轮廓。