CN108492292B - 基于红外图像处理的导线散股检测方法 - Google Patents
基于红外图像处理的导线散股检测方法 Download PDFInfo
- Publication number
- CN108492292B CN108492292B CN201810231685.9A CN201810231685A CN108492292B CN 108492292 B CN108492292 B CN 108492292B CN 201810231685 A CN201810231685 A CN 201810231685A CN 108492292 B CN108492292 B CN 108492292B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- point
- temperature
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title description 20
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 27
- 239000004020 conductor Substances 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 71
- 239000013598 vector Substances 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 230000007797 corrosion Effects 0.000 claims description 15
- 238000005260 corrosion Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 206010027146 Melanoderma Diseases 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000011088 calibration curve Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000036319 strand breaking Effects 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002500 effect on skin Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
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 Processing (AREA)
Abstract
本发明公开了一种基于红外图像处理的导线散股检测方法，具体按照以下步骤实施：步骤1，输入输电导线的红外图像，转换到L通道；步骤2，对L通道的图像进行高斯滤波和Laplace滤波，确定潜在直线像素；步骤3，计算图像P的潜在直线像素的主曲率和主方向；步骤4，直线提取，步骤5，对步骤4中提取的直线图像ω进行形态学处理，步骤6，将导线区域中的像素点灰度值转换为温度值，得到导线区域每个像素点对应的温度值；步骤7，建立导线交流电阻温升模型；步骤8，计算出完好导线的交流电阻均值Rac；步骤9，对待检测图片进行处理后，计算待测对应的交流电阻Rt，并判定是否出现散股。解决了传统巡检方式检测导线散股困难的问题。
Description
技术领域
本发明属于电力设备监测技术领域，具体涉及一种基于红外图像处理的导线散股检测方法。
背景技术
随着经济迅猛的发展，国民的日常生产和生活对能源的需求逐渐增长，而电能作为我国的主要能源所占的比重越来越高，电力线作为电力系统的主要组成部分，是电力系统安全运行的基础。目前，我国长距离电力输配的主要方式是高压和超高压架空输电线。高压输电线大多数采用钢芯铝绞线，受到风载、舞动、覆冰、空气气候、空气污染和施工破坏等因素的影响，容易产生局部疲劳损伤，出现散股或断股的现象。导线散股缺陷会在不同程度上会降低导线的机械强度，甚至可能直接影响导电性能，降低导线输送效率，引发安全隐患。但由于输电线路一般架设在野外，覆盖面广，地质条件和气象条件复杂多变，因此，要搜集平时的故障信息并进行分析，根据具体情况提出相应的防治措施，保证送电线路的安全高效运行，一直是一个难题。
各地供电局大多采用人工检测法作为输电线断股、散股、损伤故障的检测方法。但这种方法只有在高压输电线导线出现大面积和长距离断股、损伤故障时，导体的表面特征才能观测到明显的变化，运用此法对高压输电线导线状况进行检测，诊断输电导线的断股、损伤故障局限较大。本发明采用红外检测技术检测导线散股故障。红外检测技术具有非接触性、安全可靠、检测速度快、判断准确、操作方便等传统检测方法难以比拟的优点，利用红外检测技术对高压输电线路上的各种设备进行在线发热检测，近年来被广泛应用到电力系统的故障检测中。目前国内外采用红外图像处理方法诊断输电导线散股的研究较少，而传统的人工检测法不仅耗费人力财力，还存在巡检不到位，隐患消除不及时的情况。
发明内容
本发明的目的是提供一种基于红外图像处理的导线散股检测方法，解决了传统巡检方式检测导线散股困难的问题。
本发明所采用的技术方案是，一种基于红外图像处理的导线散股检测方法，具体按照以下步骤实施：
步骤1，输入输电导线的红外图像，提取RGB三个通道，转换至CIE XYZ空间后变换转换到L通道；
步骤2，对步骤1得到的L通道的图像进行高斯滤波和Laplace滤波得到结果图像，当Laplace滤波后得到的灰度值大于所设阈值，确定其为潜在直线像素；
步骤3，计算图像P的潜在直线像素的主曲率和主方向；
步骤4，直线提取，将步骤3中得到的特征向量的主方向矢量归一化，创建矩阵U，当归一化的图像P的灰度值不为0时，在矩阵U对应位置的值为1；遍历矩阵U，当两个像素点间的点乘大于设定阈值时，提取提起后一个点作为直线上的点；
步骤5，对步骤4中提取的直线图像ω进行形态学处理，选用矩形结构元素，先进行膨胀处理，然后再对膨胀后的图像进行腐蚀处理，膨胀时选用的矩形结构元素的两边长都设为c个像素，腐蚀时选用的矩形结构元素的两边长都设为d个像素，达到检测到的导线断裂部分被连接起来的效果以为拍摄距离和导线类型的选择，选择的结构元素的像素点不同；
步骤6，将导线区域中的像素点灰度值转换为温度值，得到导线区域每个像素点对应的温度值；
步骤7，建立导线交流电阻温升模型；
步骤8，计算出完好导线的交流电阻均值Rac；
步骤9，对待检测图片进行步骤1～6的处理后，计算待测对应的交流电阻Rt，并判定是否出现散股。
本发明的特点还在于，
所述的步骤1具体按照以下步骤实施：
步骤1.1，输入输电导线的红外图像，提取图像RGB三个通道数据，
步骤1.2，进行颜色空间转换，即，将红外图像分解到RGB三个通道后，再利用公式(1)将图像转换至CIE XYZ空间中，
其中，R、G、B代表红外图像中每个像素点中的红、绿、蓝分量的值；XYZ表示CIE XYZ空间中的三色刺激值，
其中，Y是颜色的明度或亮度，其转换公式具体为：
Y＝0.212671R+0.715160G+0.072169B (1-2)
在图像中存在两种特殊点，分别为：黑点(Rb,Gb,Bb)＝(0,0,0)，白点W'＝(Rw,Gw,Bw)＝(255,255,255)；这两种点转换的具体公式为：
Yw＝0.212671Rw+0.715160Gw+0.072169Bw (1-3)
Xw、Yw、Zw分别是CIE XYZ空间白点的三色刺激值，代表基准白色，是Rw、Gw、Bw三个通道的转换结果；
而黑点(Rb,Gb,Bb)＝(0,0,0)转化后，其对应的Y值的结果仍然为0；
步骤1.3，将步骤1.2中得到的该图像的CIE XYZ空间的结果进行转换，转换至LUV颜色空间的L通道，即得到拉伸后的图像；具体按照公式(1-4)进行
其中，
所述的步骤2具体按照以下步骤实施：
步骤2.1，对步骤1中得到的L通道的图像H进行高斯滤波，具体过程如下：
创建一个3*3的高斯平均模板：
并将模板在图像H中游走，并将模板中心与图像H中的每个像素(x,y)重合，然后将图像中与模板中心对应的任意像素点(x,y)都由该像素点本身和其邻域内的其他像素点的像素值经过加权平均，遍历整个图像H后，得到的结果为滤波后的图像h，具体的计算公式如下：
其中，H是L通道提取的图像，即滤波处理前的图像，H(x,y)表示L通道提取的图像的(x,y)点处的像素值，h表示经过高斯滤波处理后的图像，h(x,y)表示经过高斯滤波处理后的图像中(x,y)处的像素值；
步骤2.2，对经过步骤2.1进行高斯滤波后的图像h进行Laplace滤波，并获取其中的潜在直线像素点，从而得到潜在直线区域，具体按照以下步骤实施：
步骤2.2.1，对步骤2.1中滤波后得到的图像h的函数h(x,y)求二阶偏导：
步骤2.2.2，构建Laplacian算子
步骤2.2.3，滤波后的图像g表示为，
即，经原图像h像素点的灰度值加上
的结果作为该像素点的灰度值，其中，g为滤波后的图像；
步骤2.2.4，对Laplace滤波后的图像g中的每个像素点的灰度值进行判断，寻找潜在直线像素点，得到潜在直线图像P；
具体步骤为，设定阈值T1，将图像g中的每个像素点的灰度值g(x,y)均与阈值T1进行对比，若点(x,y)对应的灰度值g(x,y)小于T1，则判定它为图像P的背景点，该点对应的灰度值P(x,y)＝0，图像表达式赋值0；若点(x,y)对应的灰度值g(x,y)大于T1时，则判定这个像素是潜在直线像素；此时P(x,y)＝g(x,y)；
即，得到处理后的图像为潜在直线图像P的数学表达式为：
其中，阈值T1为2h(x,y)。
所述的步骤3具体按照以下步骤实施：
步骤3.1，先计算潜在直线图像P中每一个潜在直线像素点的Hessian矩阵的特征值和特征向量，P(x,y)为直线图像中的(x,y)处的像素值，具体的步骤为：
步骤3.1.1，计算图像P各位置像素值的二阶偏导：
步骤3.1.2，构建Hessian矩阵：
步骤3.1.3，得到特征值λ1、λ2和特征向量α1、α2，令
|A-λE|＝0 (3-3)
其中E为单位矩阵，λ为一常数，|A-λE|是矩阵(A-λE)的行列式；
得到特征值λ1、λ2，再分别把λ＝λ1和λ＝λ2代入Aα＝λα，计算出对应的特征向量α1、α2，计算公式如下：
αk＝(A-λkE)-1 (3-4)
其中，k为常数，k＝1或k＝2，(A-λkE)-1是矩阵A-λkE的逆矩阵；
步骤3.2，对比计算出的两个特征值λ1、λ2，选择其中较小的一个作为直线的曲率，该直线曲率对应的特征向量的方向作为这个像素的主方向
所述的步骤4具体按照以下步骤实施：
步骤4.1，遍历图像P中所有点，将像素点对应位置的主方向矢量归一化，即，
其中
为主方向矢量
的模，
为矢量的单位向量；
使用矩阵U来记录潜在直线像素，
矩阵对应(x,y)的位置取值为1，否则为0，即
步骤4.2，从矩阵U中第一个非空像素点开始提取，
如果一个像素点满足下列条件视为起始点：
a)该像素点的前向像素点的归一化主方向和该像素点归一化主方向相同；
b)该像素点的主曲率比其相邻像素的主曲率大；
如果后继点的方向矢量和起始点的方向矢量的点乘大于一个给定阈值T2，即：
其中
是起点的方向矢量，
是后继点的方向矢量，
是
和
之间的夹角；
当
越接近于1，两像素点间的方向差越小，它们的主方向越接近；
当
认为后继点和起始点在在同一直线上，T2＝0.96；
步骤4.3，第一个后继点和起始点的方向差小于其他后继点与起始点的方向差；为了保证起始点的方向的准确性，从第三个像素开始，除了该像素与前一像素的方向差，还需要考虑该像素与起始点像素的方向差，只有两个方向差都满足要求时，才接受这个像素在直线上，且要求满足相邻点条件的两个点之间的距离不超过20个像素点；
即第i个非空像素点的判定如下(i>2)：
其中，
是第i个非空像素点与前一个非空像素的点乘，
是第i个非空像素点与起点像素的点乘，T3是用于判断非空像素点与起始像素点之间平行关系的阈值，取0.90；
再创建一个与图像同维数的矩阵U'，满足阈值条件的点保留原值，不满足条件的令矩阵中对应为的值为0，更新矩阵，即，
步骤4.4，将矩阵U遍历过的像素点设置为0，以避免后续重复遍历；如果后续的像素点方向与该直线开始点的方向差不超过T3或后继像素点不属于潜在直线像素，需要先对该像素点的左右像素点进行判断，然后选取左右像素点中主方向和起始点的主方向差值较近的点作为新的起始点；
步骤4.5，从图像P中提取出矩阵U'中满足直线方向角条件的像素点，得到提取后的直线图像ω；
所述的步骤5具体按照以下步骤实施：
步骤5.1，选用矩形结构元素b1(x,y)作为膨胀的结构元素,边长为c个像素，ω(x,y)为步骤4.5得到的图像，膨胀后得到图像J：
步骤5.2，选用矩形结构元素c1(x,y)作为腐蚀的结构元素,边长为d个像素，对膨胀后得到的图像J(x,y)进行腐蚀处理，腐蚀后得到的导线区域图像为I：
所述的步骤6具体按照以下步骤实施：
步骤6.1，将提取完成的导线图像中的导线区域图像I从红外图像转换成的灰度图gray中截取出来，根据灰度值与温度之间的关系，将导线区域中的像素点灰度值转换为温度值，得到导线区域每个像素点对应的温度值；
对其进行长度选择，仅返回长度满足ρ1≥T4(ρ1为检测到的直线的长度，T4＝40)的线条，去除干扰的影响；
步骤6.2，由以下公式得到原红外图像对应的像素灰度值，实现图像灰度化，灰度化图像：
gray(x,y)＝0.299×R+0.587×G+0.114×B (6-1)
gray代表从红外图像转换成的灰度图像；
从灰度图中截取出导线区域I对应的灰度区域的导线区域P1，即
I是经过提取完成并经过形态学处理后的最终直线区域；
步骤6.3，将导线区域中的像素点的灰度值转换为温度值，具体步骤如下：
步骤6.3.1，红外热像仪的测温原理以普朗克定律为理论依据，它拍摄到的图像实际就是物体表面温度场的分布，因此灰度图像的灰度值就与实际温度值成正比关系，即灰度值越高，温度越高，灰度值与温度值存在一一对应的关系；
遍历P1(x,y)的所有像素点，将每个点的灰度值带入灰度值与温度值的转换模型，其主要借助于热值这个中间参量，灰度值与热值满足以下关系式：
式中：q为红外图像的热值；P1(x,y)为图像P1在(x,y)处的灰度值；r为热像仪的热范围；l为热像仪的热平；
步骤6.3.2，利用红外图像的热值与绝对温度的关系，就可以计算出图像导线各像素点的温度，具体的计算关系式如下：
式中：q0(x,y)为(x,y)处实际的热值；τ为透射率；ξ为物体发射率；t(x,y)为图像中像素点(x,y)处对应的导线温度；a、e为热像仪标定曲线常数，对于短波(频率为3～30MHz)系统，c2＝1；
经过灰度值与温度的关系，得到灰度图像中的温度信息，将上述步骤中计算得到的t(x,y)计入矩阵中，得到导线温度值矩阵F。
所述的步骤7具体按照以下步骤实施：
由于交流电阻与运行温度和电流有关，在此处就将交流电阻视作导线温度t和电流W的二元多项式函数，即，
式中：α为拍摄时的环境温度，通常为20°；aij为各项系数，m为温度t的阶数、n为电流W的阶数，m+n的值不超过二元多项式的项数加1，综合各项条件，此处选用二元三阶多项式，即m+n≤4，i、j分别为1到m和1到n的任意值；模型表达式表示为：
有p组实验数据，设第k组实验温度tψ、电流Wψ及对应的电阻值为Racψ,ψ表示1到n之间的某个数，则有：
N＝Mγ (7-3)
N＝[Rac1 Rac2 … Racψ … Racp]T (7-4)
γ＝[a11 a21 a12 a22 a31 a13 a32 a23 a41 a14]T (7-5)
设
是γ的最小二乘估计，则有：
向量
是多元函数
的最小值点，用数学分析求解则有，
从方程(7-8)中求得10个模型参数a11、a12、a13、a14、a21、a22、a23、a31、a32和a41，
求出模型参数后，温度与阻值的转换模型建立完毕，即，
所述的步骤8具体按照以下步骤实施：
采集一个完好的导线的图像数据，对其通过步骤1～6进行处理，得到导线温度值矩阵F后，利用步骤7中得到的模型进行计算，即通过公式(7-9)计算得到完好导线的交流电阻均值Rac。
所述的步骤9具体按照以下步骤实施：对待检测的导线拍摄的图像通过步骤1～步骤6的处理，得到温度图像后，将步骤6得到的温度值矩阵F中的每个素点对应的导线温度值t(x,y)均代入模型(7-9)中，计算待测对应的交流电阻Rt，然后与完好导线运行得到的交流电阻均值Rac进行比较，即：
当Δ>10％时，判定为散股，将出现散股的坐标点在灰度图中标注出来；
将整个F矩阵中的所有温度值均进行一次计算，即遍历温度矩阵的每一个点对应的温度值，代入公式7-9中计算得到点的交流电阻，找出所有的出现散股的点，进行标记，帮助后续的维修人员找到散股点进行维护。
本发明的有益效果是，能够将现场拍摄的导线图像提取RGB三通道的图像转换到L通道，再对图像进行直线检测提取导线，把提取的导线区域的灰度值转换为温度值，再利用导线交流电阻与温度、载流量的计算模型将温度转化为电阻，将导线散股的识别转换为导线交流阻值的识别，为识别输电线路散股故障提供了一种新的方式。
附图说明
图1是红外图像实现导线散股检测的算法流程图；
图2是交流情况下的导线横截面电流分布情况。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
输电线路在长期运行中由于表面老化、自然灾害及人为损害等因素，会导致散股、断股甚至断线故障，此类故障的前期常伴随有局部温度升高的现象。由于趋肤效应的存在，当交变电流通过导体时，电流将集中在导体表面流过，且电流密度变化很大。电流密度从导线表面向导线内部逐渐减小，当内部电流减小到导线表面电流密度的1/e时，对应的导线的电流透入深度ds是集肤深度，在小于集肤深度时，电流很小，可忽略不计。现假设电流仅在距离导线表面ds的深度内流动且是均匀分布的，即假设电流是在长为2pb，宽为ds的面积内均匀分布的，其中，b为导线线芯的半径，电流分布图如图2，则等效交流电阻为：
其中b为导线线芯的半径；ds为导线的电流透入深度；
其中，μ为相对导磁率，有色金属导线的相对导磁率为1；f表示通过导线的电流的频率；σ为铝导线的电导率，
当导线出现散股时，导线电路的集肤效应将使电流在导线表面流动的现象加剧，导线的等效横截面积减小，出现局部温升。
红外热成像技术可检测输电线路温升变化，结合必要的图像处理算法能提前预知线路将出现的故障，为电网诊断提供依据。
本发明的一种基于红外图像处理的导线散股检测方法，如图1所示，具体按照以下步骤实施：
步骤1：输入输电导线的红外图像，提取RGB三个通道，转换至CIE XYZ空间后变换转换到L通道，具体步骤为：
步骤1.1，输入输电导线的红外图像，提取图像RGB三个通道数据，
步骤1.2，进行颜色空间转换，即，将红外图像分解到RGB三个通道后，再利用公式(1)将图像转换至CIE XYZ空间中，
其中，R、G、B代表红外图像中每个像素点中的红、绿、蓝分量的值。XYZ表示CIE XYZ空间中的三色刺激值，
其中，Y是颜色的明度或亮度，其转换公式具体为：
Y＝0.212671R+0.715160G+0.072169B (1-2)
在图像中存在两种特殊点，分别为：黑点(Rb,Gb,Bb)＝(0,0,0)，白点W'＝(Rw,Gw,Bw)＝(255,255,255)。这两种点转换的具体公式为：
Yw＝0.212671Rw+0.715160Gw+0.072169Bw (1-3)
Xw、Yw、Zw分别是CIE XYZ空间白点的三色刺激值，代表基准白色，是Rw、Gw、Bw三个通道的转换结果。
而黑点(Rb,Gb,Bb)＝(0,0,0)转化后，其对应的Y值的结果仍然为0；
步骤1.3，将步骤1.2中得到的该图像的CIE XYZ空间的结果进行转换，转换至LUV颜色空间的L通道，即得到拉伸后的图像；具体按照公式(1-4)进行
其中，
步骤2：对步骤1得到的L通道的图像进行高斯滤波和Laplace滤波得到结果图像，当Laplace滤波后得到的灰度值大于所设阈值，确定其为潜在直线像素。
具体按照以下步骤实施：
步骤2.1，对步骤1中得到的L通道的图像H进行高斯滤波，具体过程如下：
步骤2.1.1，创建一个3*3的高斯平均模板：
并将模板在图像H中游走，并将模板中心与图像H中的每个像素(x,y)重合，然后将图像中与模板中心对应的任意像素点(x,y)都由该像素点本身和其邻域内的其他像素点的像素值经过加权平均，遍历整个图像H后，得到的结果为滤波后的图像h，具体的计算公式如下：
其中，H是L通道提取的图像，即滤波处理前的图像，H(x,y)表示L通道提取的图像的(x,y)点处的像素值，h表示经过高斯滤波处理后的图像，h(x,y)表示经过高斯滤波处理后的图像中(x,y)处的像素值。
将h(x,y)作为图像在(x,y)位置的像素值。
步骤2.2，对经过步骤2.1进行高斯滤波后的图像h进行Laplace滤波，并获取其中的潜在直线像素点，从而得到潜在直线区域，具体按照以下步骤实施：
步骤2.2.1，对步骤2.1中滤波后得到的图像h的函数h(x,y)求二阶偏导：
步骤2.2.2，构建Laplacian算子
步骤2.2.3，滤波后的图像g表示为，
即，经原图像h像素点的灰度值加上
的结果作为该像素点的灰度值，其中，g为滤波后的图像。
步骤2.2.4，对Laplace滤波后的图像g中的每个像素点的灰度值进行判断，寻找潜在直线像素点，得到潜在直线图像P；
具体步骤为，设定阈值T1，将图像g中的每个像素点的灰度值g(x,y)均与阈值T1进行对比，若点(x,y)对应的灰度值g(x,y)小于T1，则判定它为图像P的背景点，该点对应的灰度值P(x,y)＝0，图像表达式赋值0；若点(x,y)对应的灰度值g(x,y)大于T1时，则判定这个像素是潜在直线像素；此时P(x,y)＝g(x,y)；
即，得到处理后的图像为潜在直线图像P的数学表达式为：
其中，阈值T1为2h(x,y)。
步骤3：计算图像P的潜在直线像素的主曲率和主方向；直线的曲率对应Hessian矩阵计算出的较小的特征值，直线的主方向对应Hessian矩阵的较小特征值对应的特征向量的方向。
步骤3.1，先计算潜在直线图像P中每一个潜在直线像素点的Hessian矩阵的特征值和特征向量，P(x,y)为直线图像中的(x,y)处的像素值，具体的步骤为：
步骤3.1.1，计算图像P各位置像素值的二阶偏导：
步骤3.1.2，构建Hessian矩阵：
步骤3.1.3，得到特征值λ1、λ2和特征向量α1、α2，令
|A-λE|＝0 (3-3)
其中E为单位矩阵，λ为一常数，|A-λE|是矩阵(A-λE)的行列式。
得到特征值λ1、λ2，再分别把λ＝λ1和λ＝λ2代入Aα＝λα，计算出对应的特征向量α1、α2，计算公式如下：
αk＝(A-λkE)-1 (3-4)
其中，k为常数，k＝1或k＝2，(A-λkE)-1是矩阵A-λkE的逆矩阵。
步骤3.2，对比计算出的两个特征值λ1、λ2，选择其中较小的一个作为直线的曲率，
该直线曲率对应的特征向量的方向作为这个像素的主方向
步骤4：直线提取，将步骤3中得到的特征向量的主方向矢量归一化，创建矩阵U，当归一化的图像P的灰度值不为0时，在矩阵U对应位置的值为1。遍历矩阵U，当两个像素点间的点乘大于设定阈值时，提取提起后一个点作为直线上的点。
具体步骤为：
步骤4.1，遍历图像P中所有点，将像素点对应位置的主方向矢量归一化，即
其中
为主方向矢量
的模，
为矢量的单位向量。
使用矩阵U来记录潜在直线像素，
矩阵对应(x,y)的位置取值为1，否则为0，即
步骤4.2，从矩阵U中第一个非空像素点开始提取，
如果一个像素点满足下列条件视为起始点：
a)该像素点的前向像素点的归一化主方向和该像素点归一化主方向相同；
b)该像素点的主曲率比其相邻像素的主曲率大；
如果后继点的方向矢量和起始点的方向矢量的点乘大于一个给定阈值T2，即：
其中
是起点的方向矢量，
是后继点的方向矢量，
是
和
之间的夹角。
当
越接近于1，两像素点间的方向差越小，它们的主方向越接近；
当
认为后继点和起始点在在同一直线上，T2＝0.96。
步骤4.3，第一个后继点和起始点的方向差小于其他后继点与起始点的方向差。为了保证起始点的方向的准确性，从第三个像素开始，除了该像素与前一像素的方向差，还需要考虑该像素与起始点像素的方向差，只有两个方向差都满足要求时，才接受这个像素在直线上，且要求满足相邻点条件的两个点之间的距离不超过20个像素点。
即第i个非空像素点的判定如下(i>2)：
其中，
是第i个非空像素点与前一个非空像素的点乘，
是第i个非空像素点与起点像素的点乘，T3是用于判断非空像素点与起始像素点之间平行关系的阈值，取0.90。
再创建一个与图像同维数的矩阵U'，满足阈值条件的点保留原值，不满足条件的令矩阵中对应为的值为0，更新矩阵，即，
步骤4.4，将矩阵U遍历过的像素点设置为0，以避免后续重复遍历。如果后续的像素点方向与该直线开始点的方向差不超过T3或后继像素点不属于潜在直线像素，需要先对该像素点的左右像素点进行判断，然后选取左右像素点中主方向和起始点的主方向差值较近的点作为新的起始点。
步骤4.5，从图像P中提取出矩阵U'中满足直线方向角条件的像素点，得到提取后的直线图像ω；
步骤5：对步骤4中提取的直线图像ω进行形态学处理，选用矩形结构元素，先进行膨胀处理，然后再对膨胀后的图像进行腐蚀处理，膨胀时选用的矩形结构元素的两边长都设为c个像素，腐蚀时选用的矩形结构元素的两边长都设为d个像素，达到检测到的导线断裂部分被连接起来的效果以为拍摄距离和导线类型的选择，选择的结构元素的像素点不同；
具体过程如下：
步骤5.1，选用矩形结构元素b1(x,y)作为膨胀的结构元素,边长为c个像素，ω(x,y)为步骤4.5得到的图像，膨胀后得到图像J：
步骤5.2，选用矩形结构元素c1(x,y)作为腐蚀的结构元素,边长为d个像素，对膨胀后得到的图像J(x,y)进行腐蚀处理，腐蚀后得到的导线区域图像为I：
I＝(J⊙b)(s,t)＝max{J(s-t,t-y)+c1(x,y)|(s-t,t-y)∈DJ,(x,y)∈Dc} (5-2)
步骤6：将导线区域中的像素点灰度值转换为温度值，得到导线区域每个像素点对应的温度值。具体步骤为：
步骤6.1，将提取完成的导线图像中的导线区域图像I从红外图像转换成的灰度图gray中截取出来，根据灰度值与温度之间的关系，将导线区域中的像素点灰度值转换为温度值，得到导线区域每个像素点对应的温度值。
对其进行长度选择，仅返回长度满足ρ1≥T4(ρ1为检测到的直线的长度，T4＝40)的线条，去除干扰的影响。
步骤6.2，由以下公式得到原红外图像对应的像素灰度值，实现图像灰度化，灰度化图像：
gray(x,y)＝0.299×R+0.587×G+0.114×B (6-1)
gray代表从红外图像转换成的灰度图像。
从灰度图中截取出导线区域I对应的灰度区域的导线区域P1，即
I是经过提取完成并经过形态学处理后的最终直线区域。
步骤6.3，将导线区域中的像素点的灰度值转换为温度值，具体步骤如下：
步骤6.3.1，红外热像仪的测温原理以普朗克定律为理论依据，它拍摄到的图像实际就是物体表面温度场的分布，因此灰度图像的灰度值就与实际温度值成正比关系，即灰度值越高，温度越高，灰度值与温度值存在一一对应的关系；
遍历P1(x,y)的所有像素点，将每个点的灰度值带入灰度值与温度值的转换模型，其主要借助于热值这个中间参量，灰度值与热值满足以下关系式：
式中：q为红外图像的热值；P1(x,y)为图像P1在(x,y)处的灰度值；r为热像仪的热范围；l为热像仪的热平。
步骤6.3.2，利用红外图像的热值与绝对温度的关系，就可以计算出图像导线各像素点的温度，具体的计算关系式如下：
式中：q0(x,y)为(x,y)处实际的热值；τ为透射率；ξ为物体发射率；t(x,y)为图像中像素点(x,y)处对应的导线温度；a、e为热像仪标定曲线常数，对于短波(频率为3～30MHz)系统，c2＝1。
经过灰度值与温度的关系，得到灰度图像中的温度信息，将上述步骤中计算得到的t(x,y)计入矩阵中，得到导线温度值矩阵F。
步骤7：建立一个导线交流电阻温升模型；
由于交流电阻与运行温度和电流有关，在此处就将交流电阻视作导线温度t和电流W的二元多项式函数，即
式中：α为拍摄时的环境温度，通常为20°；aij为各项系数，m为温度t的阶数、n为电流W的阶数，m+n的值不超过二元多项式的项数加1，综合各项条件，此处选用二元三阶多项式，即m+n≤4，i、j分别为1到m和1到n的任意值。模型表达式表示为：
有p组实验数据，设第k组实验温度tψ、电流Wψ及对应的电阻值为Racψ,ψ表示1到n之间的某个数，则有：
N＝Mγ (7-3)
N＝[Rac1 Rac2 … Racψ … Racp]T (7-4)
γ＝[a11 a21 a12 a22 a31 a13 a32 a23 a41 a14]T (7-5)
设
是γ的最小二乘估计，则有：
向量
是多元函数
的最小值点，用数学分析求解则有，
从方程(7-8)中求得10个模型参数a11、a12、a13、a14、a21、a22、a23、a31、a32和a41，
当选用LGJ-120/25导线进行测量时，求得的模型参数如表1所示，
表1模型参数表
求出模型参数后，温度与阻值的转换模型建立完毕，即
步骤8，采集一个完好的导线的图像数据，对其通过步骤1～6进行处理，得到导线温度值矩阵F后，利用步骤7中得到的模型进行计算，即通过公式(7-9)计算得到完好导线的交流电阻均值Rac。
步骤9，对待检测的导线拍摄的图像通过步骤1～步骤6的处理，得到温度图像后，将步骤6得到的温度值矩阵F中的每个素点对应的导线温度值t(x,y)均代入模型(7-9)中，计算待测对应的交流电阻Rt，然后与完好导线运行得到的交流电阻均值Rac进行比较，即：
当Δ>10％时，判定为散股，将出现散股的坐标点在灰度图中标注出来。
将整个F矩阵中的所有温度值均进行一次计算，即遍历温度矩阵的每一个点对应的温度值，代入公式7-9中计算得到点的交流电阻，找出所有的出现散股的点，进行标记，帮助后续的维修人员找到散股点进行维护。
本发明提出一种基于红外图像分析的导线散股评价方法，红外检测技术具有非接触性、判断准确等传统检测方法难以比拟的优点，利用红外图像热成像原理，能避免一般数字图像中房屋、树木等自然背景在提取导线时的干扰。本发明先通过直线检测的方法近似提取导线，直线检测通过边缘检测加上适合的阈值选择提取潜在直线像素，再对潜在直线像素求取主方向，通过潜在直线像素的主方向近似提取直线并利用形态学处理连接直线的断裂处得到更为完整的直线。仅对提取的直线做处理能减轻后期的工作量，提高散股识别的精度；另外，本发明根据输电导线出现散股时交流电阻增大运行温度升高的现象，通过交流电阻与温度、载流量的计算模型，计算出待测导线的图片的导线区域的交流电阻，当相对交流电阻相比于设立的标准值增大10％时判定其为散股。本发明能有效解决传统排查线路的难排查不彻底的问题，能直观地获取处理后的图像的故障信息，根据具体故障信息提示做出相应的防治措施，促进智能电网输电线路在线监测技术的实现。本发明可以通过红外热像仪得到的导线图像，获取红外图像中的导线区域灰度图，根据灰度图与温度的关系得到导线的温度，再通过交流电阻与温度的关系转换在该运行条件下的电阻，通过电阻的增量判断是否出现散股，有利于导线故障的状态评估，具有重大的技术进步社会意义。
Claims (2)
1.一种基于红外图像处理的导线散股检测方法，其特征在于，具体按照以下步骤实施：
步骤1，输入输电导线的红外图像，提取RGB三个通道，转换至CIE XYZ空间后变换转换到L通道；
步骤2，对步骤1得到的L通道的图像H进行高斯滤波和Laplace滤波得到结果图像，当Laplace滤波后得到的灰度值大于所设阈值，确定其为潜在直线像素，具体按照以下步骤实施：
步骤2.1，对步骤1中得到的L通道的图像H进行高斯滤波，具体过程如下：
创建一个3*3的高斯平均模板：
并将模板在图像H中游走，并将模板中心与图像H中的每个像素(x,y)重合，然后将图像中与模板中心对应的任意像素点(x,y)都由该像素点本身和其邻域内的其他像素点的像素值经过加权平均，遍历整个图像H后，得到的结果为滤波后的图像h，具体的计算公式如下：
其中，H是L通道提取的图像，即滤波处理前的图像，H(x,y)表示L通道提取的图像的(x,y)点处的像素值，h表示经过高斯滤波处理后的图像，h(x,y)表示经过高斯滤波处理后的图像中(x,y)处的像素值；
步骤2.2，对经过步骤2.1进行高斯滤波后的图像h进行Laplace滤波，并获取其中的潜在直线像素点，从而得到潜在直线区域，具体按照以下步骤实施：
步骤2.2.1，对步骤2.1中滤波后得到的图像h的函数h(x,y)求二阶偏导：
步骤2.2.2，构建Laplacian算子
步骤2.2.3，滤波后的图像g表示为，
即，经原图像h像素点的灰度值加上
的结果作为该像素点的灰度值，其中，g为滤波后的图像；
步骤2.2.4，对Laplace滤波后的图像g中的每个像素点的灰度值进行判断，寻找潜在直线像素点，得到潜在直线图像P；
具体步骤为，设定阈值T1，将图像g中的每个像素点的灰度值g(x,y)均与阈值T1进行对比，若点(x,y)对应的灰度值g(x,y)小于T1，则判定它为图像P的背景点，该点对应的灰度值P(x,y)＝0，图像表达式赋值0；若点(x,y)对应的灰度值g(x,y)大于T1时，则判定这个像素是潜在直线像素；此时P(x,y)＝g(x,y)；
即，得到处理后的图像为潜在直线图像P的数学表达式为：
其中，阈值T1为2h(x,y)；
步骤3，计算图像P的潜在直线像素的主曲率和主方向，具体按照以下步骤实施：
步骤3.1，先计算潜在直线图像P中每一个潜在直线像素点的Hessian矩阵的特征值和特征向量，P(x,y)为直线图像中的(x,y)处的像素值，具体的步骤为：
步骤3.1.1，计算图像P各位置像素值的二阶偏导：
步骤3.1.2，构建Hessian矩阵：
步骤3.1.3，得到特征值λ1、λ2和特征向量α1、α2，令
|A-λE|＝0 (3-3)
其中E为单位矩阵，λ为一常数，|A-λE|是矩阵(A-λE)的行列式；
得到特征值λ1、λ2，再分别把λ＝λ1和λ＝λ2代入Aα＝λα，计算出对应的特征向量α1、α2，计算公式如下：
αk＝(A-λkE)-1 (3-4)
其中，k为常数，k＝1或k＝2，(A-λkE)-1是矩阵A-λkE的逆矩阵；
步骤3.2，对比计算出的两个特征值λ1、λ2，选择其中较小的一个作为直线的曲率，该直线曲率对应的特征向量的方向作为这个像素的主方向βxy；
步骤4，直线提取，将步骤3中得到的特征向量的主方向矢量归一化，创建矩阵U，当归一化的图像P的灰度值不为0时，在矩阵U对应位置的值为1；遍历矩阵U，当两个像素点间的点乘大于设定阈值时，提取提起后一个点作为直线上的点，具体按照以下步骤实施：
步骤4.1，遍历图像P中所有点，将像素点对应位置的主方向矢量归一化，即，
其中
为主方向矢量
的模，
为矢量的单位向量；
使用矩阵U来记录潜在直线像素，
矩阵对应(x,y)的位置取值为1，否则为0，即
步骤4.2，从矩阵U中第一个非空像素点开始提取，
如果一个像素点满足下列条件视为起始点：
a)该像素点的前向像素点的归一化主方向和该像素点归一化主方向相同；
b)该像素点的主曲率比其相邻像素的主曲率大；
如果后继点的方向矢量和起始点的方向矢量的点乘大于一个给定阈值T2，即：
其中
是起点的方向矢量，
是后继点的方向矢量，
是
和
之间的夹角；
当
越接近于1，两像素点间的方向差越小，它们的主方向越接近；
当
认为后继点和起始点在在同一直线上，T2＝0.96；
步骤4.3，第一个后继点和起始点的方向差小于其他后继点与起始点的方向差；为了保证起始点的方向的准确性，从第三个像素开始，除了该像素与前一像素的方向差，还需要考虑该像素与起始点像素的方向差，只有两个方向差都满足要求时，才接受这个像素在直线上，且要求满足相邻点条件的两个点之间的距离不超过20个像素点；
即第i个非空像素点的判定如下，其中i>2：
其中，
是第i个非空像素点与前一个非空像素的点乘，
是第i个非空像素点与起点像素的点乘，T3是用于判断非空像素点与起始像素点之间平行关系的阈值，取0.90；
再创建一个与图像同维数的矩阵U'，满足阈值条件的点保留原值，不满足条件的令矩阵中对应为的值为0，更新矩阵，即，
步骤4.4，将矩阵U遍历过的像素点设置为0，以避免后续重复遍历；如果后续的像素点方向与该直线开始点的方向差不超过T3或后继像素点不属于潜在直线像素，需要先对该像素点的左右像素点进行判断，然后选取左右像素点中主方向和起始点的主方向差值较近的点作为新的起始点；
步骤4.5，从图像P中提取出矩阵U'中满足直线方向角条件的像素点，得到提取后的直线图像ω；
步骤5，对步骤4中提取的直线图像ω进行形态学处理，选用矩形结构元素，先进行膨胀处理，然后再对膨胀后的图像进行腐蚀处理，膨胀时选用的矩形结构元素的两边长都设为c个像素，腐蚀时选用的矩形结构元素的两边长都设为d个像素，达到检测到的导线断裂部分被连接起来的效果以为拍摄距离和导线类型的选择，选择的结构元素的像素点不同；具体按照以下步骤实施：
步骤5.1，选用矩形结构元素b1(x,y)作为膨胀的结构元素,边长为c个像素，ω(x,y)为步骤4.5得到的图像，膨胀后得到图像J：
步骤5.2，选用矩形结构元素c1(x,y)作为腐蚀的结构元素,边长为d个像素，对膨胀后得到的图像J(x,y)进行腐蚀处理，腐蚀后得到的导线区域图像为I：
I＝(J⊙b)(s，t)＝max{J(s-t，t-y)+c1(x，y)|(s-t，t-y)∈DJ，(x，y)∈Dc} (5-2)；
步骤6，将导线区域中的像素点灰度值转换为温度值，得到导线区域每个像素点对应的温度值，具体按照以下步骤实施：
步骤6.1，将提取完成的导线图像中的导线区域图像I从红外图像转换成的灰度图gray中截取出来，根据灰度值与温度之间的关系，将导线区域中的像素点灰度值转换为温度值，得到导线区域每个像素点对应的温度值；
对其进行长度选择，仅返回长度满足ρ1≥T4的线条，其中ρ1为检测到的直线的长度，T4＝40，去除干扰的影响；
步骤6.2，由以下公式得到原红外图像对应的像素灰度值，实现图像灰度化，灰度化图像：
gray(x,y)＝0.299×R+0.587×G+0.114×B (6-1)
gray代表从红外图像转换成的灰度图像；
从灰度图中截取出导线区域I对应的灰度区域的导线区域P1，即
I是经过提取完成并经过形态学处理后的最终直线区域；
步骤6.3，将导线区域中的像素点的灰度值转换为温度值，具体步骤如下：
步骤6.3.1，红外热像仪的测温原理以普朗克定律为理论依据，它拍摄到的图像实际就是物体表面温度场的分布，因此灰度图像的灰度值就与实际温度值成正比关系，即灰度值越高，温度越高，灰度值与温度值存在一一对应的关系；
遍历P1(x,y)的所有像素点，将每个点的灰度值带入灰度值与温度值的转换模型，其主要借助于热值这个中间参量，灰度值与热值满足以下关系式：
式中：q为红外图像的热值；P1(x,y)为图像P1在(x,y)处的灰度值；r为热像仪的热范围；l为热像仪的热平；
步骤6.3.2，利用红外图像的热值与绝对温度的关系，就可以计算出图像导线各像素点的温度，具体的计算关系式如下：
式中：q0(x,y)为(x,y)处实际的热值；τ为透射率；ξ为物体发射率；t(x,y)为图像中像素点(x,y)处对应的导线温度；a、e为热像仪标定曲线常数，对于短波系统，其频率为3～30MHz，c2＝1；
经过灰度值与温度的关系，得到灰度图像中的温度信息，将上述步骤中计算得到的t(x,y)计入矩阵中，得到导线温度值矩阵F；
步骤7，建立导线交流电阻温升模型，具体按照以下步骤实施：
由于交流电阻与运行温度和电流有关，在此处就将交流电阻视作导线温度t和电流W的二元多项式函数，即，
式中：α为拍摄时的环境温度，为20°；aij为各项系数，m为温度t的阶数、n为电流W的阶数，m+n的值不超过二元多项式的项数加1，综合各项条件，此处选用二元三阶多项式，即m+n≤4，i、j分别为1到m和1到n的任意值；模型表达式表示为：
有p组实验数据，设第k组实验温度tψ、电流Wψ及对应的电阻值为Racψ,ψ表示1到n之间的某个数，则有：
N＝Mγ (7-3)
N＝[Rac1 Rac2 … Racψ … Racp]T (7-4)
γ＝[a11 a21 a12 a22 a31 a13 a32 a23 a41 a14]T (7-5)
设
是γ的最小二乘估计，则有：
向量
是多元函数
的最小值点，用数学分析求解则有，
从方程(7-8)中求得10个模型参数a11、a12、a13、a14、a21、a22、a23、a31、a32和a41，
求出模型参数后，温度与阻值的转换模型建立完毕，即，
步骤8，计算出完好导线的交流电阻均值Rac，具体按照以下步骤实施：
采集一个完好的导线的图像数据，对其通过步骤1～6进行处理，得到导线温度值矩阵F后，利用步骤7中得到的模型进行计算，即通过公式(7-9)计算得到完好导线的交流电阻均值Rac；
步骤9，对待检测图片进行步骤1～6的处理后，计算待测对应的交流电阻Rt，并判定是否出现散股，具体按照以下步骤实施：对待检测的导线拍摄的图像通过步骤1～步骤6的处理，得到温度图像后，将步骤6得到的温度值矩阵F中的每个素点对应的导线温度值t(x,y)均代入模型(7-9)中，计算待测对应的交流电阻Rt，然后与完好导线运行得到的交流电阻均值Rac进行比较，即：
当Δ＞10％时，判定为散股，将出现散股的坐标点在灰度图中标注出来；
将整个F矩阵中的所有温度值均进行一次计算，即遍历温度矩阵的每一个点对应的温度值，代入公式(7-9)中计算得到点的交流电阻，找出所有的出现散股的点，进行标记，帮助后续的维修人员找到散股点进行维护。
2.根据权利要求1所述的基于红外图像处理的导线散股检测方法，其特征在于，所述的步骤1具体按照以下步骤实施：
步骤1.1，输入输电导线的红外图像，提取图像RGB三个通道数据，
步骤1.2，进行颜色空间转换，即，将红外图像分解到RGB三个通道后，再利用公式(1-1)将图像转换至CIE XYZ空间中，
其中，R、G、B代表红外图像中每个像素点中的红、绿、蓝分量的值；XYZ表示CIE XYZ空间中的三色刺激值，
其中，Y是颜色的明度或亮度，其转换公式具体为：
Y＝0.212671R+0.715160G+0.072169B (1-2)
在图像中存在两种特殊点，分别为：黑点(Rb,Gb,Bb)＝(0,0,0)，白点W'＝(Rw,Gw,Bw)＝(255,255,255)；这两种点转换的具体公式为：
Yw＝0.212671Rw+0.715160Gw+0.072169Bw (1-3)
Xw、Yw、Zw分别是CIE XYZ空间白点的三色刺激值，代表基准白色，是Rw、Gw、Bw三个通道的转换结果；
而黑点(Rb,Gb,Bb)＝(0,0,0)转化后，其对应的Y值的结果仍然为0；
步骤1.3，将步骤1.2中得到的该图像的CIE XYZ空间的结果进行转换，转换至LUV颜色空间的L通道，即得到拉伸后的图像；具体按照公式(1-4)进行
其中，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810231685.9A CN108492292B (zh) | 2018-03-20 | 2018-03-20 | 基于红外图像处理的导线散股检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810231685.9A CN108492292B (zh) | 2018-03-20 | 2018-03-20 | 基于红外图像处理的导线散股检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108492292A CN108492292A (zh) | 2018-09-04 |
| CN108492292B true CN108492292B (zh) | 2022-03-25 |
Family
ID=63318578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810231685.9A Active CN108492292B (zh) | 2018-03-20 | 2018-03-20 | 基于红外图像处理的导线散股检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108492292B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018784B (zh) * | 2022-05-31 | 2024-03-12 | 广东电网有限责任公司 | 一种导线散股缺陷的检测方法、装置、设备及介质 |
| CN115760854A (zh) * | 2023-01-09 | 2023-03-07 | 佰聆数据股份有限公司 | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441763A (zh) * | 2008-11-11 | 2009-05-27 | 浙江大学 | 基于颜色传递的多色调图像统一调整方法 |
| CN103134599A (zh) * | 2011-11-29 | 2013-06-05 | 中国科学院力学研究所 | 激光金属直接成形中熔池状态实时监测方法和系统 |
| 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 |
| CN105138987A (zh) * | 2015-08-26 | 2015-12-09 | 电子科技大学 | 一种基于聚合通道特征和运动估计的车辆检测方法 |
| CN106340009A (zh) * | 2016-08-18 | 2017-01-18 | 河海大学常州校区 | 一种基于平行双目的电力线检测方法及系统 |
-
2018
- 2018-03-20 CN CN201810231685.9A patent/CN108492292B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441763A (zh) * | 2008-11-11 | 2009-05-27 | 浙江大学 | 基于颜色传递的多色调图像统一调整方法 |
| CN103134599A (zh) * | 2011-11-29 | 2013-06-05 | 中国科学院力学研究所 | 激光金属直接成形中熔池状态实时监测方法和系统 |
| 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 |
| CN105138987A (zh) * | 2015-08-26 | 2015-12-09 | 电子科技大学 | 一种基于聚合通道特征和运动估计的车辆检测方法 |
| CN106340009A (zh) * | 2016-08-18 | 2017-01-18 | 河海大学常州校区 | 一种基于平行双目的电力线检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "基于热电类比及参数辨识的高压架空导线断股温升模型研究";薛海军;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715;第3.4章 * |
| "输电线路导线断股的图像检测方法";李安;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215;第24-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108492292A (zh) | 2018-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhai et al. | Insulator fault detection based on spatial morphological features of aerial images | |
| CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
| CN111624229B (zh) | 一种基于红外成像的带电设备故障智能诊断方法 | |
| CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
| CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
| CN104217443B (zh) | 一种基于hsv空间的输变电设备红外故障图像分割方法 | |
| CN108492292B (zh) | 基于红外图像处理的导线散股检测方法 | |
| CN109523543B (zh) | 一种基于边缘距离的导线断股检测方法 | |
| CN104217425B (zh) | 一种基于超像素的输变电设备红外故障图像分割方法 | |
| CN109300118B (zh) | 一种基于rgb图像的高压电力线路无人机巡检方法 | |
| CN112001327A (zh) | 一种阀厅设备故障识别方法及系统 | |
| CN106093069A (zh) | 一种高压绝缘子串绝缘污秽故障的监测方法 | |
| CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
| Zhang et al. | Detection and condition assessment of icicle bridging for suspension glass insulator by image analysis | |
| Tian et al. | Corrosion identification of fittings based on computer vision | |
| CN108061847A (zh) | 一种干式电抗器环氧树脂绝缘介质开裂检测方法 | |
| WO2019057174A1 (zh) | 判定覆冰雪类型的方法 | |
| CN109903258B (zh) | 一种基于灰度匹配的电力电缆类别检测方法及系统 | |
| CN110363773B (zh) | 一种基于图像处理的电缆类别检测系统和检测方法 | |
| CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
| CN108573233B (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
| Zhang et al. | An automatic diagnostic method of abnormal heat defect in transmission lines based on infrared video | |
| CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
| Liu et al. | Detection Algorithm of Porosity Defect on Surface of Micro-precision Glass Encapsulated Electrical Connectors. | |
| CN115901796A (zh) | 基于多图像特征融合的矿区杆塔绝缘子污秽状态识别方法 |
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 |