CN108596196A - 一种基于绝缘子图像特征词典的污秽状态评估方法 - Google Patents

一种基于绝缘子图像特征词典的污秽状态评估方法 Download PDF

Info

Publication number
CN108596196A
CN108596196A CN201810462377.7A CN201810462377A CN108596196A CN 108596196 A CN108596196 A CN 108596196A CN 201810462377 A CN201810462377 A CN 201810462377A CN 108596196 A CN108596196 A CN 108596196A
Authority
CN
China
Prior art keywords
insulator
feature
filthy
image dictionary
grades
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.)
Granted
Application number
CN201810462377.7A
Other languages
English (en)
Other versions
CN108596196B (zh
Inventor
金立军
马丹睿
艾建勇
周刚捷
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201810462377.7A priority Critical patent/CN108596196B/zh
Publication of CN108596196A publication Critical patent/CN108596196A/zh
Application granted granted Critical
Publication of CN108596196B publication Critical patent/CN108596196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/40—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
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques

Abstract

本发明涉及一种基于绝缘子图像特征词典的污秽状态评估方法，包括绝缘子图像特征词典构建、区域分割和分类器训练三部分，利用样本绝缘子图像构建特征词典，对拍摄到的复杂背景下的绝缘子通过与特征词典比对，提取被识别绝缘子区域，通过分类器训练实现对不同污秽程度绝缘子判别。与现有技术相比，本发明方法具有识别准确度高、便于工作人员操作、有利于减少绝缘子污闪停电事故，且可用于变电站、输配电线路巡检等复杂背景下绝缘子污秽状态检测场合等优点。

Description

一种基于绝缘子图像特征词典的污秽状态评估方法
技术领域
本发明涉及电气工程和计算机视觉领域，尤其是涉及一种基于绝缘子图像特征词典的污秽状态评估方法。
背景技术
随着大气环境的恶化，绝缘子积污严重，电气强度大大降低，易引发污闪事故，严重威胁电力系统的安全。防止绝缘子污闪的一个有效措施就是对绝缘子污秽等级进行准确判别。绝缘子污秽等级判别方法种类繁多，主要包括电压分布检测法、泄露电流法、脉冲电流法、光谱法、紫外成像法、红外热像法、可见光图像识别法等。其中紫外成像法、红外热像法、可见光图像识别法等基于图像的绝缘子污秽识别方法，具有不必拆解、不必停电、不必安装复杂装置、不易受电磁干扰、远距离非接触测量等优点，可实现绝缘子污秽等级非接触式、可视化的检测。
可见光图像识别较其他几种能更直接反应出放电程度，利用可见光图像识别可对于污闪现象能很好的做出判断。常见的可见光图像识别直接对绝缘子进行区域划分，由于不同类别、不同型号绝缘子相似度高，容易造成误识别，并且通常绝缘子所在图片背景复杂，有很多干扰物，常见的识别方法容易造成识别框划分不准确。因此，提出一种可以对不同类型绝缘子进行识别，且识别结果不受背景干扰的污秽判别方法是十分重要的。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于绝缘子图像特征词典的污秽状态评估方法。
本发明的目的可以通过以下技术方案来实现：
一种基于绝缘子图像特征词典的污秽状态评估方法，该方法包括以下步骤：
S1：获取不同类型的样本绝缘子可见光图像，对样本绝缘子可见光图像利用Hog算法提取不同类型的样本绝缘子的九维特征向量，具体包括以下步骤：
101)采集各类样本绝缘子在不同颜色背景、不同光照、不同角度、不同污秽程度拍摄的照片各100张图像；
102)对每类绝缘子的100张图像利用Hog算法进行特征提取，获取九维梯度算子；
103)将每张图像划分为多个单元，在每个单元内统计梯度方向直方图，将所有梯度方向划分为九维特征向量作为直方图的横轴，并将角度范围所对应的梯度值累加值作为直方图的纵轴。
S2：采用聚类算法对提取的九维特征向量进行聚类，获取每类样本绝缘子的特征中心，并将聚类的最小值到最大值范围作为特征参数范围，建立绝缘子图像特征词典，具体包括以下步骤：
201)采用k-means聚类算法对九维特征向量进行聚类分析，将聚类中心的特征向量作为一个释义，统计聚类中心周围同一类的范围，获取每类绝缘子的词包范围；
202)对所有类别绝缘子的词包范围进行统计，获取每种绝缘子的特征的最大值和最小值范围[s(pq)min，s(pq)max]，其表示第p种绝缘子第q维特征的分布范围，其中，p＝1，2，3…为第p种绝缘子，q＝1，2，3…9为第q维特征向量，以此构建绝缘子图像特征词典。
S3：对拍摄到的复杂背景下的绝缘子图利用区域生长点算法进行分割，并进行特征提取，将提取的特征与绝缘子图像特征词典进行比对，判断其是否属于绝缘子图像特征词典内的分类，若是，将其视为一个种子生产区域，并作为被识别绝缘子区域，具体内容为：
301)对拍摄到的复杂背景下的绝缘子图利用区域生长点算法进行分割，对分割划分为多个单元，将两个相邻单元作为一个组，且相邻组不重叠；
302)对每个组进行特征提取，将提取到的特征向量与绝缘子图像特征词典中的词包范围进行比对，若该特征向量在词包范围内，则将该特征向量作为一个种子生长区域，其对应的绝缘子判定为绝缘子图像特征词典中的某一类，其词包范围内的区域满足生长准则；
303)选取种子生长区域的中心作为种子声场点，对于中心的某个邻域像素点，若中心满足生长准则，则将中心与该邻域像素点合并在同一区域内，同时将该邻域像素点压入堆栈；
304)从堆栈中取出一个像素，把它当作种子生长区域的中心返回到步骤303)；
305)当堆栈为空时，返回到步骤303)；
306)重复步骤303)～305)，直到图像中的每个点都有归属，满足生长准则的点被挑出，堆栈为空，扩大停止，构成被识别绝缘子连通域生长结束，该种子生产区域作为被识别绝缘子区域。
S4：对被识别绝缘子区域提取Hog描述子特征，选择Hog描述子特征中最大的三维特征向量作为组成污秽特征向量，即分类能力较好的三维特征向量，作为分类器训练特征参数。
优选地，采用Fisher准则的函数值选取Hog描述子特征中最大的三维特征向量，具体内容为：对Hog描述子特征计算Fisher准则的函数值，选择Fisher准则的函数值最大的前三维向量组成污秽识别向量组，组成训练样本特征参数。
所述的Fisher准则的函数值为类间方差Sb(i)与类内方差Sw(i)比值J(i)，其表达式为：
其中，
式中，i为特征分量编号，k为所划分的污秽等级，为污秽等级为k的单个样本的第i维特征，wk为污秽等级为k的样本集合，为污秽等级为k的样本的第i维特征值的均值，mi为所有污秽等级样本的第i维特征值的均值，ni (k)为污秽等级为k的样本的第i维特征值的个数，ni为所有样本的第i维特征的总个数，污秽等级k的值为1～4，1代表IEC标准的a级污秽、2代表IEC标准的b级污秽、3代表IEC标准的c级污秽、4代表IEC标准的d级和e级污秽。
S5：对每类绝缘子进行污秽程度分级，利用SVM分类器对训练样本特征参数进行训练，对识别的污秽程度进行分类评估，具体包括以下步骤：
501)将每类绝缘子的污秽程度分为四个等级，包括清洁、轻度污秽、中度污秽和重度污秽四类，所述的清洁为IEC标准的a级污秽，所述的轻度污秽为IEC标准的b级污秽，所述的中度污秽为IEC标准的c级污秽，所述的重度污秽为IEC标准的d级和e级污秽；
502)采用SVM分类器进行训练，以每两种污秽度建立一个分类器，并定义该污秽程度为正，对训练结果进行比较，将最大值对应的污秽程度判定为该绝缘子的污秽度，依据等级进行评估。
优选地，步骤S3中，在利用区域生长点算法对绝缘子区域进行分割前，采用diffusion滤波器进行噪声预处理。
与现有技术相比，本发明具有以下优点：
(1)本发明方法通过对不同类别的绝缘子构建绝缘图像特征词典，将复杂背景下特征值与词典释义对比，逐步确定被识别绝缘子边缘，进而得到高区分度的特征描述，可实现同时对变电站、输配电线路的大量、不同类别、不同型号的绝缘子污秽状态的检测；
(2)本发明方法将污秽等级分为清洁、轻度污秽、中度污秽和重度污秽四类，且分类器训练利用SVM算法，选择影响因素最大的三维特征进行训练，并针对不同类别的绝缘子分别训练，识别准确度高；
(3)本发明方法利用区域生长点算法对复杂背景下的图像进行分割，可解决复杂背景识别不准确的问题，识别结果不受背景干扰；
(4)本发明方法过程简单，对拍摄视角等没有规则性要求，便于工作人员操作，为及时清理绝缘子污秽提供建议，有利于减少绝缘子污闪停电事故。
附图说明
图1为本发明方法的流程图；
图2为本发明实施例中陶瓷绝缘子可见光图像的黑白处理图；
图3为本发明实施例中采用本发明方法提取的被识别绝缘子边缘轮廓图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，本发明涉及一种基于绝缘子图像特征词典的污秽状态评估方法，包括以下步骤：
(一)获取不同类型的样本绝缘子可见光图像，对样本绝缘子可见光图像利用Hog算法提取不同类型的样本绝缘子的九维特征向量；
(二)采用k-means聚类算法对提取的九维特征向量进行聚类，获取每类样本绝缘子的特征中心，并将聚类的最小值到最大值范围作为特征参数范围，建立绝缘子图像特征词典；
(三)对拍摄到的复杂背景下的绝缘子图利用区域生长点算法进行分割，并进行特征提取，将提取的特征与绝缘子图像特征词典进行比对，判断其是否属于绝缘子图像特征词典内的分类，若是，将其视为一个种子生产区域，并作为被识别绝缘子区域；
(四)对被识别绝缘子区域提取Hog描述子特征，选择Hog描述子特征中最大的三维特征向量作为组成污秽特征向量，即分类能力较好的三维特征向量，作为分类器训练特征参数；
(五)利用SVM分类器对训练样本特征参数进行训练，对识别的污秽程度进行分类评估。
本实施例以陶瓷绝缘子为例，采集每张绝缘子在不同颜色背景、不同光照、不同角度下拍摄的照片各100张，并且照片需要单一背景，以便构建的词典不受背景干扰。对每类的100张图利用Hog算法进行特征提取。具体来说，对颜色归一化图像在水平和竖直方向计算，提取梯度算子：
Gx(x,y)＝I(x+1,y)-I(x-1,y)
Gy(x,y)＝I(x,y+1)-I(x,y-1)
其中，Gx(x,y)、Gy(x,y)、I(x,y)分别为输入图像像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，G(x,y)为梯度幅值，θ(x,y)为梯度方向。
将图像大小转化为能被8整除大小，样本绝缘子在被检测框内，设8x8＝64个像素为一个cell，图像就划分为若干个cells单元。在每个cell内统计梯度方向直方图，将所有梯度方向划分为9个bin(即九维特征向量)，作为直方图的横轴，角度范围所对应的梯度值累加值作为直方图纵轴。
采用k-means聚类算法对所有cell的特征向量进行聚类分析，聚类中心的特征向量作为一个释义，统计聚类中心周围同一类的范围，得到每类绝缘子的词包范围。对所有类别绝缘子的词包范围进行统计，可得到每种绝缘子的特征的最大值和最小值范围[s(pq)min，s(pq)max]，其表示第p种绝缘子第q维特征的分布范围，其中，p＝1，2，3…指的是第p种绝缘子，q＝1，2，3，…，9指的是第q维特征向量，这样就构建好了绝缘子图像特征词典。
为解决复杂背景识别不准确问题，先将复杂背景下的图片进行分割：
将两个相邻cell作为一个block，相邻block不重叠。对每个block进行特征提取，将提取到的特征向量与绝缘子图像特征词典中的词包范围对比，在该词包范围内的特征向量作为一个种子生长区域，其对应的绝缘子就是词典中的该类，在该词包范围内的区域满足生长准则。选取好种子生长点和准则之后，具体边缘分割步骤包括：
(1)选取这个区域中心(x0，y0)为种子生长点，考虑(x0，y0)的8邻域像素(x，y)，如果(x0，y0)满足生长准则，则将(x，y)与(x0，y0)合并(即合并在同一区域内)，同时将(x，y)压入堆栈；
(2)从堆栈中取出一个像素，把它当作(x0，y0)返回到步骤(1)；
(3)当堆栈为空时，返回到步骤(1)；
(4)重复步骤(1)～(3)，直到图像中的每个点都有归属，至此，满足生长准则的点会被挑出，此时，堆栈为空，扩大停止，构成被识别绝缘子连通域生长结束。处理得到的绝缘子如图3所示。
污秽等级识别是将污秽等级分为清洁、轻度污秽、中度污秽和重度污秽四类，对于不同污秽等级的样本绝缘子，利用Fisher准则进行判别，其基本思想是：对两类数据，分类有效的特征能使两类的类内方差较小而类间方差较大。为了平衡其优劣性，使用类间方差与类内方差的比值J(i)进行量化来作为Fisher准则函数值。第i维特征的类内方差Sw(i)与类间方差Sb(i)的计算公式如下：
类间方差Sb(i)与类内方差Sw(i)的比值J(i)的表达式为：
式中，i为特征分量编号，k为所划分的污秽等级，为污秽等级为k的单个样本的第i维特征，wk为污秽等级为k的样本集合，为污秽等级为k的样本的第i维特征值的均值，mi为所有污秽等级样本的第i维特征值的均值，ni (k)为污秽等级为k的样本的第i维特征值的个数，ni为所有样本的第i维特征的总个数，污秽等级k的值为1～4，1代表IEC标准的a级污秽、2代表IEC标准的b级污秽、3代表IEC标准的c级污秽、4代表IEC标准的d级和e级污秽。污秽等级的具体含义依据IEC(International Electro technical Commission，国际电工委员会)标准的规定。
利用Fisher准则函数值计算每个特征的J值，得到的J值越大，说明该维特征的区分度越好。对Hog描述子特征计算J值，提取J值最大的前三维向量组成污秽识别向量组，组成训练样本特征参数。
四个污秽等级分别为清洁、轻度、中度、重度污染，对应公式中的k值，分别代表IEC标准中的a级污秽、b级污秽、c级污秽、d级和e级污秽，分类器训练利用SVM算法，对4个污秽等级两两进行分类器训练，步骤如下：
(1)清洁所对应的向量作为正集，轻度、中度、重度所对应的向量作为负集；
(2)轻度所对应的向量作为正集，清洁，中度、重度所对应的向量作为负集；
(3)中度所对应的向量作为正集，清洁、轻度、重度、所对应的向量作为负集；
(4)重度所对应的向量作为正集，清洁、轻度、中度、所对应的向量作为负集；
使用上述四个训练集分别进行训练，得到四个训练结果文件。在测试的时候，把对应的绝缘子三维向量分别放入这四个训练结果文件进行测试，每个测试都对应有一个结果f1(x)、f2(x)、f3(x)和f4(x)，在四个结果中选取最大值作为对应的污秽程度分类结果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于绝缘子图像特征词典的污秽状态评估方法，其特征在于，该方法包括以下步骤：
1)获取不同类型的样本绝缘子可见光图像，对样本绝缘子可见光图像利用Hog算法提取不同类型的样本绝缘子的九维特征向量；
2)采用聚类算法对提取的九维特征向量进行聚类，获取每类样本绝缘子的特征中心，并将聚类的最小值到最大值范围作为特征参数范围，建立绝缘子图像特征词典；
3)对拍摄到的复杂背景下的绝缘子图利用区域生长点算法进行分割，并进行特征提取，将提取的特征与绝缘子图像特征词典进行比对，判断其是否属于绝缘子图像特征词典内的分类，若是，将其视为一个种子生产区域，并作为被识别绝缘子区域；
4)对被识别绝缘子区域提取Hog描述子特征，选择Hog描述子特征中最大的三维特征向量作为组成污秽特征向量，作为分类器训练特征参数；
5)对每类绝缘子进行污秽程度分级，利用SVM分类器对训练样本特征参数进行训练，对识别的污秽程度进行分类评估。
2.根据权利要求1所述的一种基于绝缘子图像特征词典的污秽状态评估方法，其特征在于，步骤1)具体包括以下步骤：
101)采集各类样本绝缘子在不同颜色背景、不同光照、不同角度、不同污秽程度拍摄的照片各100张图像；
102)对每类绝缘子的100张图像利用Hog算法进行特征提取，获取九维梯度算子；
103)将每张图像划分为多个单元，在每个单元内统计梯度方向直方图，将所有梯度方向划分为九维特征向量作为直方图的横轴，并将角度范围所对应的梯度值累加值作为直方图的纵轴。
3.根据权利要求2所述的一种基于绝缘子图像特征词典的污秽状态评估方法，其特征在于，步骤2)具体包括以下步骤：
201)采用k-means聚类算法对步骤1)获取的九维特征向量进行聚类分析，将聚类中心的特征向量作为一个释义，统计聚类中心周围同一类的范围，获取每类绝缘子的词包范围；
202)对所有类别绝缘子的词包范围进行统计，获取每种绝缘子的特征的最大值和最小值范围[s(pq)min，s(pq)max]，其表示第p种绝缘子第q维特征的分布范围，其中，p＝1，2，3…为第p种绝缘子，q＝1，2，3，…，9为第q维特征向量，以此构建绝缘子图像特征词典。
4.根据权利要求3所述的一种基于绝缘子图像特征词典的污秽状态评估方法，其特征在于，步骤3)的具体内容为：
301)对拍摄到的复杂背景下的绝缘子图利用区域生长点算法进行分割，对分割划分为多个单元，将两个相邻单元作为一个组，且相邻组不重叠；
302)对每个组进行特征提取，将提取到的特征向量与绝缘子图像特征词典中的词包范围进行比对，若该特征向量在词包范围内，则将该特征向量作为一个种子生长区域，其对应的绝缘子判定为绝缘子图像特征词典中的某一类，其词包范围内的区域满足生长准则；
303)选取种子生长区域的中心作为种子声场点，对于中心的某个邻域像素点，若中心满足生长准则，则将中心与该邻域像素点合并在同一区域内，同时将该邻域像素点压入堆栈；
304)从堆栈中取出一个像素，把它当作种子生长区域的中心返回到步骤303)；
305)当堆栈为空时，返回到步骤303)；
306)重复步骤303)～305)，直到图像中的每个点都有归属，满足生长准则的点被挑出，堆栈为空，扩大停止，构成被识别绝缘子连通域生长结束，该种子生产区域作为被识别绝缘子区域。
5.根据权利要求4所述的一种基于绝缘子图像特征词典的污秽状态评估方法，其特征在于，步骤4)中，采用Fisher准则的函数值选取Hog描述子特征中最大的三维特征向量，具体内容为：
对Hog描述子特征计算Fisher准则的函数值，选择Fisher准则的函数值最大的前三维向量组成污秽识别向量组，组成训练样本特征参数。
6.根据权利要求5所述的一种基于绝缘子图像特征词典的污秽状态评估方法，其特征在于，所述的Fisher准则的函数值为类间方差Sb(i)与类内方差Sw(i)比值J(i)，其表达式为：
其中，
式中，i为特征分量编号，k为所划分的污秽等级，为污秽等级为k的单个样本的第i维特征，wk为污秽等级为k的样本集合，为污秽等级为k的样本的第i维特征值的均值，mi为所有污秽等级样本的第i维特征值的均值，ni (k)为污秽等级为k的样本的第i维特征值的个数，ni为所有样本的第i维特征的总个数，污秽等级k的值为1～4，1代表IEC标准的a级污秽、2代表IEC标准的b级污秽、3代表IEC标准的c级污秽、4代表IEC标准的d级和e级污秽。
7.根据权利要求6所述的一种基于绝缘子图像特征词典的污秽状态评估方法，其特征在于，步骤5)具体包括以下步骤：
501)将每类绝缘子的污秽程度分为四个等级，包括清洁、轻度污秽、中度污秽和重度污秽四类，所述的清洁为IEC标准的a级污秽，所述的轻度污秽为IEC标准的b级污秽，所述的中度污秽为IEC标准的c级污秽，所述的重度污秽为IEC标准的d级和e级污秽；
502)采用SVM分类器进行训练，以每两种污秽度建立一个分类器，并定义该污秽程度为正，对训练结果进行比较，将最大值对应的污秽程度判定为该绝缘子的污秽度，依据等级进行评估。
8.根据权利要求1所述的一种基于绝缘子图像特征词典的污秽状态评估方法，其特征在于，步骤3)中，在利用区域生长点算法对绝缘子区域进行分割前，采用diffusion滤波器进行噪声预处理。
CN201810462377.7A 2018-05-15 2018-05-15 一种基于绝缘子图像特征词典的污秽状态评估方法 Active CN108596196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810462377.7A CN108596196B (zh) 2018-05-15 2018-05-15 一种基于绝缘子图像特征词典的污秽状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810462377.7A CN108596196B (zh) 2018-05-15 2018-05-15 一种基于绝缘子图像特征词典的污秽状态评估方法

Publications (2)

Publication Number Publication Date
CN108596196A true CN108596196A (zh) 2018-09-28
CN108596196B CN108596196B (zh) 2021-10-08

Family

ID=63631036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810462377.7A Active CN108596196B (zh) 2018-05-15 2018-05-15 一种基于绝缘子图像特征词典的污秽状态评估方法

Country Status (1)

Country Link
CN (1) CN108596196B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409334A (zh) * 2018-11-29 2019-03-01 宁波吉吉娃电子科技有限公司 内胆油垢清洁平台
CN110658208A (zh) * 2019-11-11 2020-01-07 云南电网有限责任公司电力科学研究院 基于高光谱的变电站绝缘子积污在线监测系统
CN112541478A (zh) * 2020-12-25 2021-03-23 国网吉林省电力有限公司信息通信公司 一种基于双目摄像头的绝缘子串污损检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105445283A (zh) * 2016-02-01 2016-03-30 成都通甲优博科技有限责任公司 一种绝缘子图像污秽状态检测方法
US20160117845A1 (en) * 2014-10-27 2016-04-28 King Fahd University Petroleum and Minerals Contamination level estimation method for high voltage insulators
CN106228172A (zh) * 2016-09-20 2016-12-14 西安工程大学 基于聚类分析的破损绝缘子图像提取方法
CN106326894A (zh) * 2016-08-31 2017-01-11 西南交通大学 一种高铁接触网旋转双耳横向销钉不良状态检测方法
CN107240095A (zh) * 2017-05-25 2017-10-10 武汉大学 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117845A1 (en) * 2014-10-27 2016-04-28 King Fahd University Petroleum and Minerals Contamination level estimation method for high voltage insulators
CN105445283A (zh) * 2016-02-01 2016-03-30 成都通甲优博科技有限责任公司 一种绝缘子图像污秽状态检测方法
CN106326894A (zh) * 2016-08-31 2017-01-11 西南交通大学 一种高铁接触网旋转双耳横向销钉不良状态检测方法
CN106228172A (zh) * 2016-09-20 2016-12-14 西安工程大学 基于聚类分析的破损绝缘子图像提取方法
CN107240095A (zh) * 2017-05-25 2017-10-10 武汉大学 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409334A (zh) * 2018-11-29 2019-03-01 宁波吉吉娃电子科技有限公司 内胆油垢清洁平台
CN109409334B (zh) * 2018-11-29 2020-10-30 嘉兴市金鹭喷织有限公司 内胆油垢清洁平台
CN110658208A (zh) * 2019-11-11 2020-01-07 云南电网有限责任公司电力科学研究院 基于高光谱的变电站绝缘子积污在线监测系统
CN112541478A (zh) * 2020-12-25 2021-03-23 国网吉林省电力有限公司信息通信公司 一种基于双目摄像头的绝缘子串污损检测方法及系统

Also Published As

Publication number Publication date
CN108596196B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN111784685B (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN104483326B (zh) 基于深度信念网络的高压线绝缘子缺陷检测方法及系统
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN106326808B (zh) 基于无人机图像的检测输电线路杆塔上鸟窝的方法
CN105004972B (zh) 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN105404867B (zh) 一种基于视觉的变电站隔离开关状态识别方法
CN104463196A (zh) 一种基于视频的天气现象识别方法
CN106022345B (zh) 一种基于霍夫森林的高压隔离开关状态识别方法
CN110070530A (zh) 一种基于深度神经网络的输电线路覆冰检测方法
CN108596196A (zh) 一种基于绝缘子图像特征词典的污秽状态评估方法
CN108680833B (zh) 基于无人机的复合绝缘子缺陷检测系统
WO2012005461A2 (ko) 자동 구름 정보 산출방법
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN103632167B (zh) 类地重力场环境下单目视觉空间识别方法
CN105445283A (zh) 一种绝缘子图像污秽状态检测方法
CN103940824A (zh) 一种空中输电线路绝缘子检测方法
WO2015107722A1 (ja) 検出制御装置、プログラム、検出システム、記憶媒体及び検出制御方法
CN111310756A (zh) 一种基于深度学习的损伤玉米颗粒检测和分类方法
CN109829881A (zh) 基于深度学习的鸟巢检测方法及系统
CN109815798A (zh) 无人机图像处理方法及系统
CN110008877A (zh) 一种基于Faster RCNN的变电站隔离开关检测识别方法

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