CN108090487A - 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法 - Google Patents
一种利用图像特征检测复合绝缘子憎水等级的自动识别方法 Download PDFInfo
- Publication number
- CN108090487A CN108090487A CN201711210757.3A CN201711210757A CN108090487A CN 108090487 A CN108090487 A CN 108090487A CN 201711210757 A CN201711210757 A CN 201711210757A CN 108090487 A CN108090487 A CN 108090487A
- Authority
- CN
- China
- Prior art keywords
- droplet
- moisture film
- image
- composite insulator
- hydrophobic
- 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
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 63
- 230000002209 hydrophobic effect Effects 0.000 title claims abstract description 41
- 239000002131 composite material Substances 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 32
- 239000007921 spray Substances 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000000049 pigment Substances 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000010186 staining Methods 0.000 claims abstract description 5
- 230000002068 genetic effect Effects 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001680 brushing effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 3
- 239000008399 tap water Substances 0.000 claims description 3
- 235000020679 tap water Nutrition 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000009413 insulation Methods 0.000 claims 1
- 238000005507 spraying Methods 0.000 abstract description 3
- 238000010998 test method Methods 0.000 abstract description 2
- 239000002932 luster Substances 0.000 abstract 1
- 230000035900 sweating Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000005995 Aluminium silicate Substances 0.000 description 3
- 235000012211 aluminium silicate Nutrition 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 230000003373 anti-fouling effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000020509 sex determination Effects 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000010148 water-pollination Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Insulators (AREA)
Abstract
本发明公开了一种利用图像特征检测检测复合绝缘子憎水等级的自动识别方法,通过添加色素以提高对比度;基于遗传算法的最佳熵双阈值法分割从污秽和绝缘子本身色泽中提取出水珠/水膜;针对水珠中间的缝隙,采用了闭合区域填充函数;为提高识别的准确性,提取出五个和憎水等级相关性最大的参量,并获取了大量水珠/水膜图像进行BP神经网络模型的训练,得到了用于判断染污复合绝缘子憎水等级的5‑11‑1型BP神经网络模型。利用该模型处理在喷水分级法基础上得到的水珠/水膜图像,成功确定了复合绝缘子憎水等级。克服了喷水分级法的人为主观因素影响,大大提高了污秽复合绝缘子憎水等级识别的准确性,并进一步完善了现有的绝缘子人工污秽试验方法。
Description
技术领域
本发明属于输电线路绝缘子性能检测领域,具体涉及一种利用图像特征检测复合绝缘子憎水等级的自动识别方法。
背景技术
随着我国工农业的快速发展,大气污染尤为严重,以陶瓷或玻璃为绝缘材料的传统绝缘子抗污性能较差,在运行中容易发生污闪事故,严重影响了电力系统的安全运行。相比之下,复合绝缘子具有优良的耐污性能,这源于其良好的憎水性和独特的憎水迁移性。憎水性使得复合绝缘子表面受潮后,吸附的水分以不连续的孤立小水珠的形式存在,不形成连续的水膜,从而限制了表面泄露电流,提高了闪络电压。憎水迁移性能够让绝缘子把自身的憎水性迁移到污秽物表面,使污秽物表面也具有憎水性良好的憎水性和独特的憎水迁移性使复合绝缘子在电力系统中获得广泛而迅速的应用。
运行经验表明,随着运行时间的增加,在雨雪、冰霜、高低温、紫外线、电场和化学腐蚀等多种因素的综合作用下,复合绝缘子硅橡胶伞裙将逐渐老化导致憎水性下降乃至完全丧失,防污闪性能大大降低,引发电网污闪事故,甚至影响电力系统的安全运行。因此,定期开展复合绝缘子的憎水性检测工作十分重要。
目前,用于污秽复合绝缘子憎水性检测的方法主要有静态接触角法、表面张力法和喷水分级法。接触角法具有测量精度高的优点,但是对测试环境要求苛刻以及测试仪器精度要求高,无法适用于现场运行的复合绝缘子的憎水性测量;表面张力法不能精准地测得绝缘子的表面张力,仅仅能间接得到其大概的范围值,有时候会存在较大的误差,用于表面张力法测试的部分液体成分对人体具有一定毒性,该法也无法适用于现场测量;虽然喷水分级法是目前复合绝缘子主要检测方法,该法所需设备简单、操作方便,但此法是一种人工肉眼判断的方法,其检测结果在很大程度上受到测试者主观因素的影响,这严重影响了憎水性判定的准确性。因此,喷水分级法只适合对复合绝缘子憎水性等级进行定性评判,而无法用于定量分析。
人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
BP神经网络是一种按误差传播算法训练的多层前馈网络,其主要思想正反向传递输入信号,反方向传递误差,经过多次调节各个权重大小,使实际输出尽可能逼近期望输出。具有强大的运算能力和识别能力,在各个领域都有个重要的运用。BP神经网络模型由输入层、中间层和输出层三部分组成。它的学习训练流程主要分为3个阶段,具体如下:
1)信息正向传递。输入层把接收到的输入信息传递给中间层,经处理和变换后,由输出层向外界输出结果;
2)计算误差。若满足误差要求或运行次数等于最大学习次数时,结束训练。若不满足,进入第3阶段;
3)误差反向传播。误差逐层反转,以误差梯度下降的方式,进行各层权值修正。修正后重新进入阶段1。
如何利用人工神经网络对图像进行识别处理,自动确定复合绝缘子憎水等级是有待解决的问题。
发明内容
针对上述检测污秽复合绝缘子憎水性的不足,本发明的目的在于在喷水分级法的基础上,提供一种利用图像特征识别水珠/水膜图像,检测复合绝缘子憎水等级的自动识别方法,成功将喷水分级法用于复合绝缘子憎水等级的定量分析。
本发明所采取的技术方案是:
一种利用图像特征检测检测复合绝缘子憎水等级的自动识别方法,包括如下步骤:
1)将绝缘子试品用自来水清洗干净,采用定量涂刷法对复合绝缘子进行人工污秽处理;
2)将人工污染的绝缘子试品进行干燥处理,得到不同憎水等级的染污复合绝缘子;
3)遵循喷水分级法规程对不同憎水等级的染污复合绝缘子进行喷水处理,拍照得到不同憎水等级的染污复合绝缘子的水珠/水膜图像;
4)选取水珠/水膜图像中光照均匀、清晰度高、反光少的区域进行裁剪,得到裁剪后的水珠/水膜图像,提取图像的亮度信息,再进行自适应直方图均衡化,得到增强图像;
5)对增强图像进行基于遗传算法的最佳熵双阈值分割,然后进行二值化处理;
6)对二值图象分别进行闭运算、开运算和闭合区域填充,以弥合间断水珠、分割粘连水珠和填补反光空洞;
7)提取二值图像中水珠/水膜数目、水珠/水膜覆盖率、最大水珠/水膜覆盖率、最大水珠/水膜周长和最大水珠/水膜形状因子共五种和憎水性相关性最大的特征量作为憎水等级判定的依据;
8)以五种特征量为输入,以相应的憎水等级为输出,建立并训练用于判断染污复合绝缘子憎水等级的5-11-1型BP神经网络模型;
9)利用训练得到的5-11-1型BP神经网络模型分析绝缘子的水珠/水膜图像,确定绝缘子憎水等级。
作为上述自动识别方法的进一步改进,使用添加有颜料的水进行分级喷水处理,提高水珠/水膜图像的对比度。
作为上述自动识别方法的进一步改进,添加了颜料的水的色相与绝缘子底色的色相在色相环的角度差为120°~180°。这样可以形成更为强烈的对比,降低图像的处理难度,得到更为准确的结果。
作为上述自动识别方法的进一步改进,颜料为黑色颜料。
作为上述自动识别方法的进一步改进,BP神经网络模型的隐含层为3层。
作为上述自动识别方法的进一步改进,BP神经网络模型隐含层神经元为11。
作为上述自动识别方法的进一步改进,用于训练BP神经网络模型的图像中,包括各憎水等级的水珠/水膜图像各10张。
本发明的有益效果是:
本发明方法通过训练得到用于判断染污复合绝缘子憎水等级的5-11-1型BP神经网络模型,并利用该模型处理喷水分级法得到的水珠/水膜图像,成功实现了在喷水分级法的基础上,利用图像特征分析对复合绝缘子憎水等级进行定量分析。。
本发明克服了喷水分级法的人为主观因素影响,大大提高了污秽复合绝缘子憎水等级识别的准确性,并进一步完善了现有的绝缘子人工污秽试验方法。
附图说明
图1和图2为不同憎水等级下的水珠/水膜提取结果图(左边为原图,右边为处理后的二值图像)。
具体实施方式
以下结合染污复合绝缘子憎水等级的图像处理进行详细阐述。包括以下步骤:
步骤S1:采用CYG高能10kV交流棒型悬式复合绝缘子,型号为FXBW-10/70,其表面积为600cm2,将每片绝缘子试品用自来水清洗干净,采用定量涂刷法对复合绝缘子进行人工污秽处理,具体流程如下
步骤S1.1,用湿抹布擦走复合绝缘子表面的污秽并用水冲洗干净,随后放置阴凉处等待水分完全挥发。
步骤S1.2,用电子秤称取定量的污秽物。污秽物为盐灰比1:5的盐灰混合物,在本发明中,盐为NaCl,灰为高岭土。
步骤S1.3,对绝缘子进行预处理。在绝缘子表面擦抹一层干燥的高岭土/硅藻土粉末,使其具有亲水性。又为了不影响灰密,随后用毛刷轻轻刷去表面多余的粉末,使得这层高岭土/硅藻土粉末极薄。
步骤S2:将人工染污复合绝缘子放置于恒温箱中干燥不同时间,使其憎水性迁移至不同的憎水等级,然后对干燥不同时间的绝缘子进行喷水分级试验,每次喷水0.7~1.0ml,共喷25次,用相机拍摄下绝缘子表面的水珠/水膜图像得到水珠/水膜图像,一般情况下,喷水分级法使用纯净水喷洒,但染污复合绝缘子的表面为白色污秽层,无色透明的水将导致水珠/水膜对比度极低,不利于提取图像中的水珠/水膜,为了便于图像处理,本试验在水中增添黑色色素以提高对比度;
步骤S3:通过灰度化处理将彩色图像转化为只含亮度信息的灰度图像,再进行自适应的直方图均衡化以达到进一步增强图像的效果;图像灰度化的思想是将由R、G、B三原色构成的彩色图像转换为以灰度模式显示的图像。自适应直方图均衡化采用局部法对图像进行处理;
步骤S4:对图像进行基于遗传算法的最佳熵双阈值分割,并根据原图选择适当的部分进行二值化;经过双阈值分割后,需对图像进行二值化才能应用于提取特征,即把水珠或水膜转换为白色,其余背景变为黑色;
步骤S5:采用形态学方法,对二值图象分别进行闭运算、开运算和闭合区域填充,以弥合间断水珠、分割粘连水珠和填补反光空洞,修正图像还原真实的水珠/水膜;
步骤S6:取二值图像中水珠/水膜的几何特征,分析归纳各种特征量的变化规律并选择了五种特征量作为憎水等级判定的依据,分别为;水珠/水膜数目、水珠/水膜覆盖率、最大水珠/水膜覆盖率、最大水珠/水膜周长和最大水珠/水膜形状因子;
步骤S7:以五个特征量为输入,以相应的憎水等级为输出,建立并训练用于判断染污复合绝缘子憎水等级的5-11-1型BP神经网络模型。
图1和图2和图2为HC1~HC7不同憎水等级下的水珠/水膜提取结果图(左边为原图,右边为处理后的二值图像)。从图中可以看出,经处理后,背景和水珠/水膜对比明显,能清晰识别图中水珠/水膜。由反光造成的图像孔洞得到填充,边缘毛刺被滤除,光线环境对图像的影响被大大消除,明显改进了图像的效果。
在喷水分级法的基础上获取复合绝缘子的水珠/水膜,使用训练得到的5-11-1型BP神经网络模型对水珠/水膜图像进行处理,确定复合绝缘子的憎水等级,识别结果与经典的HC分级法确定的复合绝缘子憎水等级完全相符,说明本发明方法具有很好的准确性。
以上所述,仅作为本发明的一个实例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都在本发明的保护范围之内。
Claims (7)
1.一种利用图像特征检测检测复合绝缘子憎水等级的自动识别方法,包括如下步骤:
1)将绝缘子试品用自来水清洗干净,采用定量涂刷法对复合绝缘子进行人工污秽处理;
2)将人工污染的绝缘子试品进行干燥处理,得到不同憎水等级的染污复合绝缘子;
3)遵循喷水分级法规程对不同憎水等级的染污复合绝缘子进行喷水处理,拍照得到不同憎水等级的染污复合绝缘子的水珠/水膜图像;
4)选取水珠/水膜图像中光照均匀、清晰度高、反光少的区域进行裁剪,得到裁剪后的水珠/水膜图像,提取图像的亮度信息,再进行自适应直方图均衡化,得到增强图像;
5)对增强图像进行基于遗传算法的最佳熵双阈值分割,然后进行二值化处理;
6)对二值图象分别进行闭运算、开运算和闭合区域填充,以弥合间断水珠、分割粘连水珠和填补反光空洞;
7)提取二值图像中水珠/水膜数目、水珠/水膜覆盖率、最大水珠/水膜覆盖率、最大水珠/水膜周长和最大水珠/水膜形状因子共五种和憎水性相关性最大的特征量作为憎水等级判定的依据;
8)以五种特征量为输入,以相应的憎水等级为输出,建立并训练用于判断染污复合绝缘子憎水等级的5-11-1型BP神经网络模型;
9)利用训练得到的5-11-1型BP神经网络模型分析绝缘子的水珠/水膜图像,确定绝缘子憎水等级。
2.根据权利要求1所述的自动识别方法,其特征在于:使用添加有颜料的水进行分级喷水处理,提高水珠/水膜图像的对比度。
3.根据权利要求2所述的自动识别方法,其特征在于:添加了颜料的水的色相与绝缘子底色的色相在色相环的角度差为120°~180°。
4.根据权利要求2所述的自动识别方法,其特征在于:颜料为黑色颜料。
5.根据权利要求1所述的自动识别方法,其特征在于:BP神经网络模型的隐含层为3层。
6.根据权利要求5所述的自动识别方法,其特征在于:BP神经网络模型隐含层神经元为11。
7.根据权利要求5所述的自动识别方法,其特征在于:用于训练BP神经网络模型的图像中,包括各憎水等级的水珠/水膜图像各10张。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711210757.3A CN108090487A (zh) | 2017-11-28 | 2017-11-28 | 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711210757.3A CN108090487A (zh) | 2017-11-28 | 2017-11-28 | 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108090487A true CN108090487A (zh) | 2018-05-29 |
Family
ID=62173151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711210757.3A Pending CN108090487A (zh) | 2017-11-28 | 2017-11-28 | 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090487A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872259A (zh) * | 2018-07-13 | 2018-11-23 | 芜湖东旭光电科技有限公司 | 一种检查玻璃基板表面的方法 |
CN109060606A (zh) * | 2018-09-30 | 2018-12-21 | 国网河南省电力公司濮阳供电公司 | 一种复合绝缘子憎水性等级智能判定方法 |
CN110132835A (zh) * | 2019-05-30 | 2019-08-16 | 西南交通大学 | 一种复合绝缘材料绝缘劣化评估系统及实验方法 |
CN110245555A (zh) * | 2019-04-30 | 2019-09-17 | 国网江苏省电力有限公司电力科学研究院 | 一种基于图像识别的电力系统端子箱凝露判定方法和系统 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN110907450A (zh) * | 2019-11-18 | 2020-03-24 | 国家电网有限公司 | 一种复合绝缘子憎水性的影响因素及校正方法 |
CN111161236A (zh) * | 2019-12-27 | 2020-05-15 | 华南理工大学 | 复合绝缘子憎水性检测方法、装置、介质和设备 |
CN112782044A (zh) * | 2020-12-22 | 2021-05-11 | 国网河南省电力公司商丘供电公司 | 一种复合绝缘子憎水性能等级判定方法 |
CN114324070A (zh) * | 2021-12-10 | 2022-04-12 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种高压套管伞裙表面憎水性户外检测方法、记录媒体及系统 |
CN114486636A (zh) * | 2022-01-06 | 2022-05-13 | 武汉大学 | 一种基于水珠特征参数的v串复合绝缘子憎水性检测方法 |
CN115889301A (zh) * | 2022-12-05 | 2023-04-04 | 中国南方电网有限责任公司超高压输电公司大理局 | 用于绝缘子清洁的清洁装置及登高车 |
CN116337722A (zh) * | 2023-05-31 | 2023-06-27 | 国网湖北省电力有限公司超高压公司 | 基于图像处理的憎水性监测方法及系统 |
CN116879112A (zh) * | 2023-09-06 | 2023-10-13 | 国网湖北省电力有限公司超高压公司 | 一种憎水性等级判定方法及系统 |
CN117132787A (zh) * | 2023-09-04 | 2023-11-28 | 北京闪电侠科技有限公司 | 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440495A (zh) * | 2013-07-31 | 2013-12-11 | 华北电力大学(保定) | 一种复合绝缘子憎水等级自动识别方法 |
-
2017
- 2017-11-28 CN CN201711210757.3A patent/CN108090487A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440495A (zh) * | 2013-07-31 | 2013-12-11 | 华北电力大学(保定) | 一种复合绝缘子憎水等级自动识别方法 |
Non-Patent Citations (1)
Title |
---|
王昭辉: "基于图像分析的复合绝缘子憎水性诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872259A (zh) * | 2018-07-13 | 2018-11-23 | 芜湖东旭光电科技有限公司 | 一种检查玻璃基板表面的方法 |
CN109060606A (zh) * | 2018-09-30 | 2018-12-21 | 国网河南省电力公司濮阳供电公司 | 一种复合绝缘子憎水性等级智能判定方法 |
CN110245555A (zh) * | 2019-04-30 | 2019-09-17 | 国网江苏省电力有限公司电力科学研究院 | 一种基于图像识别的电力系统端子箱凝露判定方法和系统 |
CN110132835A (zh) * | 2019-05-30 | 2019-08-16 | 西南交通大学 | 一种复合绝缘材料绝缘劣化评估系统及实验方法 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN110907450A (zh) * | 2019-11-18 | 2020-03-24 | 国家电网有限公司 | 一种复合绝缘子憎水性的影响因素及校正方法 |
CN111161236A (zh) * | 2019-12-27 | 2020-05-15 | 华南理工大学 | 复合绝缘子憎水性检测方法、装置、介质和设备 |
CN112782044A (zh) * | 2020-12-22 | 2021-05-11 | 国网河南省电力公司商丘供电公司 | 一种复合绝缘子憎水性能等级判定方法 |
CN114324070A (zh) * | 2021-12-10 | 2022-04-12 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种高压套管伞裙表面憎水性户外检测方法、记录媒体及系统 |
CN114486636A (zh) * | 2022-01-06 | 2022-05-13 | 武汉大学 | 一种基于水珠特征参数的v串复合绝缘子憎水性检测方法 |
CN114486636B (zh) * | 2022-01-06 | 2024-04-19 | 武汉大学 | 一种基于水珠特征参数的v串复合绝缘子憎水性检测方法 |
CN115889301A (zh) * | 2022-12-05 | 2023-04-04 | 中国南方电网有限责任公司超高压输电公司大理局 | 用于绝缘子清洁的清洁装置及登高车 |
CN116337722A (zh) * | 2023-05-31 | 2023-06-27 | 国网湖北省电力有限公司超高压公司 | 基于图像处理的憎水性监测方法及系统 |
CN116337722B (zh) * | 2023-05-31 | 2023-10-13 | 国网湖北省电力有限公司超高压公司 | 基于图像处理的憎水性监测方法及系统 |
CN117132787A (zh) * | 2023-09-04 | 2023-11-28 | 北京闪电侠科技有限公司 | 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 |
CN117132787B (zh) * | 2023-09-04 | 2024-05-31 | 北京闪电侠科技有限公司 | 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 |
CN116879112A (zh) * | 2023-09-06 | 2023-10-13 | 国网湖北省电力有限公司超高压公司 | 一种憎水性等级判定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090487A (zh) | 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN113486865B (zh) | 一种基于深度学习的输电线路悬挂异物目标检测方法 | |
CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
Jin et al. | Condition evaluation of the contaminated insulators by visible light images assisted with infrared information | |
CN109060606A (zh) | 一种复合绝缘子憎水性等级智能判定方法 | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
CN109559310A (zh) | 基于显著性检测的输变电巡检图像质量评价方法及系统 | |
KR20190066789A (ko) | 딥러닝을 이용한 영상 기반 콘크리트 균열 탐지 시스템 | |
CN106204618A (zh) | 基于机器视觉的产品包装表面缺陷检测与分类方法 | |
Jin et al. | Detection of polluted insulators using the information fusion of multispectral images | |
CN106023185A (zh) | 一种输电设备故障诊断方法 | |
CN106680285A (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN111368702B (zh) | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 | |
CN108108772A (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
CN105957081B (zh) | 一种玻璃绝缘子掉串故障检测方法 | |
CN107833211A (zh) | 基于红外图像的零值绝缘子自动检测方法及装置 | |
CN109978818B (zh) | 一种用于标语表面黄泥清洗结果的评估方法 | |
CN111855500A (zh) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 | |
Huang et al. | Study on hydrophobicity detection of composite insulators of transmission lines by image analysis | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
Javadikia et al. | Measuring the weight of egg with image processing and ANFIS model | |
CN103364700A (zh) | 一种高海拔特高压复合绝缘子人工污秽试验方法 | |
CN111696060A (zh) | 一种复合绝缘子憎水性带电在线监测方法与系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |