CN107886493B - 一种输电线路的导线分股缺陷检测方法 - Google Patents
一种输电线路的导线分股缺陷检测方法 Download PDFInfo
- Publication number
- CN107886493B CN107886493B CN201610863907.XA CN201610863907A CN107886493B CN 107886493 B CN107886493 B CN 107886493B CN 201610863907 A CN201610863907 A CN 201610863907A CN 107886493 B CN107886493 B CN 107886493B
- Authority
- CN
- China
- Prior art keywords
- image
- power transmission
- transmission line
- wire
- defect
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 title claims abstract description 25
- 239000004020 conductor Substances 0.000 title abstract description 4
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 15
- 238000004458 analytical method Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种对输电线路的导线分股缺陷能够智能识别的输电线路的导线分股缺陷检测方法。该输电线路的导线分股缺陷检测方法通过对图像进行预处理;然后通过图像分割将导线与背景图像分离;接着对导线图像进行特征提取;最后对导线进行分股识别;整个过程均可以有计算机自动完成,可以实现输电线路巡视数据的智能化处理,对输电线路的导线分股缺陷能够智能识别,大大提高了识别效率,而且这样的效率将大大改善人工观察存在的问题,避人为经验或工作强度疲劳造成的误判漏判,提升工作整体效率,提高精细化管理模式,提升智能化程度,节约了大量的人力查看时间也是节约了不少的经济投入。适合在图像识别技术领域推广应用。
Description
技术领域
本发明涉及图像识别技术领域,尤其是一种输电线路的导线分股缺陷检测方法。
背景技术
在输电线路的无人机巡视阶段,目前巡检影像分析主要由人工进行。超大的视频、图像给后期分析处理带来了巨大的工作量,造成了线路巡检完毕而巡检分析和报告迟迟不能出具的现状,对及时掌握线路运行情况极为不利。同时作业班组需投入大量人员进行巡检影像分析,对于外出作业安排限制较大,同时,基于人工的缺陷分析的结果容易受到人员自身的技能水平、经验的影响,人工分析巡检影像也降低了图像识别效率,对于人力资源是极大的浪费。
发明内容
本发明所要解决的技术问题是提供一种对输电线路的导线分股缺陷能够智能识别的输电线路的导线分股缺陷检测方法。
本发明解决其技术问题所采用的技术方案为:该输电线路的导线分股缺陷检测方法,包括以下步骤:
A、获取输电线路的导线RGB图像;
B、对获取的导线RGB图像进行预处理;具体预处理方法如下所述:首先将RGB图像转化为灰度图,并利用Retinex算法进行图像增强,然后采用3次样条插值对灰度图进行缩放;
C、对图像进行图像分割,分离导线和背景区域;具体分割方法如下所述:首先,对经过步骤B预处理的图像进行高斯滤波处理,然后采用全阈值法对整个图像进行二值化处理,再通过连通域面积的特点对所有的连通域进行过滤,将连通域面积小于阈值的区域去除从而去掉背景,接着使用形态学的方法,填充空洞,连接邻近的区域,并且利用3次样条插值将图像还原成原图像的大小;
D、对导线特征进行提取;具体提取方法如下所述:首先,对经过步骤C处理的图像作水平以及垂直方向的投影,然后在水平以及垂直投影上找到峰值超过候选区投影阈值的区域作为候选区域;
E、对导线进行分股识别;具体识别的方法如下所述:将步骤D得到的候选区域的峰值与指定阈值做连续性对比判断,若某处的峰值大于指定阈值,则该处即为导线分股的位置,将其位置映射到原图像上并进行标记。
进一步的是,在步骤B中,所述Retinex算法为单尺度Retinex算法,所述单尺度Retinex算法表示为:logR(x,y)=logI*(x,y)-logI(x,y)-logG(x,y),其中I(x,y)表示获取的原图像,L(x,y)表示亮度图像,R(x,y)平表示反射图像为,G(x,y)表示高斯卷积函数,k为常数;G(x,y)满足∫G(x,y)dxdy=1,c为尺度常量。
进一步的是,在步骤C中,所述阈值的选择根据提供的样本数据,用数据统计方法提取。
进一步的是,在步骤D中,所述候选区投影阈值的选取采用线性回归方法得到。
进一步的是,在步骤E中,所述指定阈值根据提供的样本数据用数据统计方法提取得到。
本发明的有益效果:该输电线路的导线分股缺陷检测方法通过对图像进行预处理;然后通过图像分割将导线与背景图像分离;接着对导线图像进行特征提取;最后对导线进行分股识别;整个过程均可以有计算机自动完成,可以实现输电线路巡视数据的智能化处理,对输电线路的导线分股缺陷能够智能识别,大大提高了识别效率,而且这样的效率将大大改善人工观察存在的问题,避人为经验或工作强度疲劳造成的误判漏判,提升工作整体效率,提高精细化管理模式,提升智能化程度,节约了大量的人力查看时间也是节约了不少的经济投入,同时加强数据管理,体现每一条巡视图像数据的价值,为巡检决策、计划等提供依据,降低风险,具有较大的社会效益和经济效益。
具体实施方式
本发明所述的输电线路的导线分股缺陷检测方法,包括以下步骤:
A、获取输电线路的导线RGB图像;
B、对获取的导线RGB图像进行预处理;具体预处理方法如下所述:首先,将输入的RGB图像转化为灰度图像,并对转化后的灰度图像利用Retinex算法进行图像增强,对获取的图像利用Retinex算法进行处理是因为获取的图像颜色受到光照的影响,颜色发生变化,使用Retinex算法,可以去除图像的部分光照影响,从而使保持物体的颜色常恒性;接着进行图像缩放,由于原图是高清图,为了快速计算,最后采用3次样条插值对经过直方图均衡化处理的灰度图进行缩放,将灰度图缩小到原图像的1/4;三次样条插值Cubic SplineInterpolation(简称Spline插值)是通过一系列形值点的一条光滑曲线,数学上通过求解三弯矩方程组得出曲线函数组的过程;最后将灰度图进行直方图均衡化处理;将灰度图进行直方图均衡化处理可以使图像的比度拉伸,可以增强导线的线条特征,即边缘特征;使其便于识别;
C、对图像进行图像分割,分离导线和背景区域;具体分割方法如下所述:首先,对经过步骤B预处理的图像进行高斯滤波处理,在导线图像中,根据其纹理特征,将纹理分为人工纹理和自然纹理,人工纹理的边缘明确,自然纹理的纹元周期性特性明显,使用高斯滤波可以降低高频纹理背景的干扰,剩下的几乎是导线以及低频的背景部分;然后采用全阈值法对整个图像进行二值化处理,再通过连通域面积的特点对所有的连通域进行过滤,将连通域面积小于阈值的区域去除从而去掉背景,由于导线分股的部分细小,去背景后易出现断裂,采用形态学方法的闭运算,填充细小的空洞,连接邻近的区域,并且利用3次样条插值将图像还原成原图像的大小;
D、对导线特征进行提取;因导线几乎呈现均匀的结构,然而出现分股的地方,缺陷股有突出,因此对二值图像作水平以及垂直方向的投影,导线分股部分相对于其他导线不均匀;然后在水平以及垂直投影上找到峰值较大的区域,所述峰值较大的区域是指峰值超过候选区投影阈值的区域;具体提取方法如下所述:首先,对经过步骤C处理的图像作水平以及垂直方向的投影,然后在水平以及垂直投影上找到峰值较大的区域作为候选区域;
E、对导线进行分股识别;具体识别的方法如下所述:由于导线数据的不同,可能导线会受到树枝等边缘较明显的影响,为了避免上述影响,将步骤D得到的候选区域的峰值与指定阈值做连续性对比判断,若某处的峰值大于指定阈值,则该处即为导线分股的位置,将其位置匹配到原图像上并进行标记。
该输电线路的导线分股缺陷检测方法通过对图像进行预处理;然后通过图像分割将导线与背景图像分离;接着对导线特征进行提取;最后对导线进行分股识别;整个过程均可以有计算机自动完成,可以实现输电线路巡视数据的智能化处理,对输电线路的导线分股缺陷能够智能识别,大大提高了识别效率,而且这样的效率将大大改善人工观察存在的问题,避人为经验或工作强度疲劳造成的误判漏判,提升工作整体效率,提高精细化管理模式,提升智能化程度,节约了大量的人力查看时间也是节约了不少的经济投入,同时加强数据管理,体现每一条巡视图像数据的价值,为巡检决策、计划等提供依据,降低风险,具有较大的社会效益和经济效益。
在步骤B中,所述Retinex算法为单尺度Retinex算法,所述单尺度Retinex算法表示为:logR(x,y)=logI*(x,y)-logI(x,y)-logG(x,y),其中I(x,y)表示获取的原图像,L(x,y)表示亮度图像,R(x,y)平表示反射图像为,G(x,y)表示高斯卷积函数,k为常数;G(x,y)满足∫G(x,y)dxdy=1,c为尺度常量,c越大,灰度动态范围压缩得越多,c越小,图像锐化得越多,实验表明,对灰度图像采用单尺度Retinex算法可较好地增强图像。
另外,在步骤C中,为了使整个图像进行二值化处理的结果更加符合实际情况,所述阈值的选择根据提供的样本数据,用数据统计方法提取。
为了提高缺陷识别的精确度,在步骤D中,所述候选区投影阈值的选取采用线性回归方法得到。
为了尽可能的排出导线受到树枝等边缘较明显的影响,在步骤E中,所述指定阈值根据提供的样本数据用数据统计方法提取得到。
Claims (6)
1.一种输电线路的导线分股缺陷检测方法,其特征在于包括以下步骤:
A、获取输电线路的导线RGB图像;
B、对获取的导线RGB图像进行预处理;具体预处理方法如下所述:首先将RGB图像转化为灰度图,并利用Retinex算法进行图像增强,然后采用3次样条插值对灰度图进行缩放;
C、对图像进行图像分割,分离导线和背景区域;具体分割方法如下所述:首先,对经过步骤B预处理的图像进行高斯滤波处理,然后采用全阈值法对整个图像进行二值化处理,再通过连通域面积的特点对所有的连通域进行过滤,将连通域面积小于阈值的区域去除从而去掉背景,接着使用形态学的方法,填充空洞,连接邻近的区域,并且利用3次样条插值将图像还原成原图像的大小;
D、对导线特征进行提取;具体提取方法如下所述:首先,对经过步骤C处理的图像作水平以及垂直方向的投影,然后在水平以及垂直投影上找到峰值超过候选区投影阈值的区域作为候选区域;
E、对导线进行分股识别;具体识别的方法如下所述:将步骤D得到的候选区域的峰值与指定阈值做连续性对比判断,若某处的峰值大于指定阈值,则该处即为导线分股的位置,将其位置匹配到原图像上并进行标记。
4.如权利要求3所述的输电线路的导线分股缺陷检测方法,其特征在于:在步骤C中,所述阈值的选择根据提供的样本数据,用数据统计方法提取。
5.如权利要求4所述的输电线路的导线分股缺陷检测方法,其特征在于:在步骤D中,所述候选区投影阈值的选取采用线性回归方法得到。
6.如权利要求5所述的输电线路的导线分股缺陷检测方法,其特征在于:在步骤E中,所述指定阈值根据提供的样本数据用数据统计方法提取得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610863907.XA CN107886493B (zh) | 2016-09-29 | 2016-09-29 | 一种输电线路的导线分股缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610863907.XA CN107886493B (zh) | 2016-09-29 | 2016-09-29 | 一种输电线路的导线分股缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107886493A CN107886493A (zh) | 2018-04-06 |
CN107886493B true CN107886493B (zh) | 2021-07-09 |
Family
ID=61769000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610863907.XA Active CN107886493B (zh) | 2016-09-29 | 2016-09-29 | 一种输电线路的导线分股缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886493B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142393A (zh) * | 2018-09-03 | 2019-01-04 | 佛亚智能装备(苏州)有限公司 | 一种缺陷分类方法、装置及系统 |
CN110246131A (zh) * | 2019-06-21 | 2019-09-17 | 成都卡普数据服务有限责任公司 | 基于卷积神经网络的导线分股缺陷图像识别方法 |
CN113920122B (zh) * | 2021-12-15 | 2022-03-04 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电缆缺陷检测方法及系统 |
CN114494256B (zh) * | 2022-04-14 | 2022-06-14 | 武汉金龙电线电缆有限公司 | 基于图像处理的电线生产缺陷检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104913900A (zh) * | 2015-06-03 | 2015-09-16 | 西安工程大学 | 输电线路覆冰导线舞动空气动力参数的测定方法 |
CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
-
2016
- 2016-09-29 CN CN201610863907.XA patent/CN107886493B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104913900A (zh) * | 2015-06-03 | 2015-09-16 | 西安工程大学 | 输电线路覆冰导线舞动空气动力参数的测定方法 |
CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
Non-Patent Citations (2)
Title |
---|
架空输电线图像的断股诊断方法研究;杨炼;《中国优秀硕士学位论文全文数据库信息科技辑》;20140415(第4期);第1-47页 * |
采用数字图像处理方法对架空输电导线散股的研究;杨智勇;《中国电力》;20140130;第47卷(第1期);第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107886493A (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN107886493B (zh) | 一种输电线路的导线分股缺陷检测方法 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
Yiyang | The design of glass crack detection system based on image preprocessing technology | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
WO2020224458A1 (zh) | 一种基于图像处理的电晕检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN106875412B (zh) | 一种两个重叠果实的分割定位方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN104537622B (zh) | 单幅图像中去除雨滴影响的方法和系统 | |
CN107153067A (zh) | 一种基于matlab的零件表面缺陷检测方法 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN116660286A (zh) | 基于图像分割的线束剥头测量与缺陷检测方法及系统 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN109712116B (zh) | 输电线路及其附件的故障识别方法 | |
CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
CN113506240A (zh) | 一种基于深度学习的金相晶界提取和连通方法 | |
Pandit et al. | Vision system for automatic counting of silkworm eggs | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 | |
CN116843581A (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |