CN108734689A - 一种基于区域生长的导线散股检测方法 - Google Patents
一种基于区域生长的导线散股检测方法 Download PDFInfo
- Publication number
- CN108734689A CN108734689A CN201810123552.XA CN201810123552A CN108734689A CN 108734689 A CN108734689 A CN 108734689A CN 201810123552 A CN201810123552 A CN 201810123552A CN 108734689 A CN108734689 A CN 108734689A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- pixel
- point
- conducting wire
- 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
Links
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于区域生长的导线散股检测方法,步骤包括:1)输入航拍的输电导线俯视图像I,得到灰度图像A;再通过区域生长法得到导线区域图像C;2)对导线区域图像C进行反色得到反色图像D,再用Bersen算法进行阈值分割,得到二值图E;3)对二值图E进行形态学处理,先去除小于指定像素面积的小区域再进行膨胀处理,分别得到图像F和图像H,再进行中心轴提取,若不平行对图像F进行旋转得到图像J;4)根据拟合得到的导线单股斜率判断散股位置,并进行标记。本发明的原理简单、直观易行,能够准确定位出散股位置。
Description
技术领域
本发明属于电力检测设备技术领域,涉及一种基于区域生长的导线散股检测方法。
背景技术
钢芯铝绞线是单层或多层铝股线绞合在镀锌钢芯线外的加强型导线,是架空导线的一种,主要应用于电力系统的高压输电线路中。因为高压输电时,当电压达到10k V以上情况下,厚度30mm的橡胶、塑料绝缘往往已经失去作用(易被高电压击穿),因此高压输电通常采用裸电线,通过拉大线间、线对地距离以及加装绝缘子等措施达到线间绝缘的目的。同时采用钢芯加强导线的力学性能,镀锌用于保护钢芯免于受到自然环境的侵蚀,延长导线的使用寿命,使得导线的整体性能满足长距离高压输电的需要。钢芯铝绞线具有结构简单、架设与维护方便、线路造价低、传输容量大、又利于跨越江河和山谷等特殊地理条件的敷设、具有良好的导电性能和足够的机械强度、抗拉强度大、塔杆距离可放大等特点。因此广泛应用于各种电压等级的架空输配电线路中。据统计,目前我国每年敷设的长距离输电线路中,以钢芯铝绞线为代表的架空导线占据90%以上,在电力系统传输中占据举足轻重的地位,为国民经济的发展输送源源不断的动力。
架空高压输电线路长期处于野外露天之下,导线受到风的激励时,易产生振动,一般认为导线一直处于微风振动状态。微风振动幅度虽小,但由于导线是通过铝线和钢线之间成一定角度缠绕组合在一起,在轴向拉力、剪切力以及弯曲作用下可使导线与线夹之间、导线内部金属线之间产生局部的微小滑移,随着使用年限的增加,导线会出现长度拉伸的情况,随着绞合紧密的下降,导线容易出现松股而起“灯笼”现象,这不仅会降低导线的机械性能导致出现进一步的损坏,而且会增加输电线路本身的电能损耗造成输电线路末端电压偏低,降低负载设备的用电效率。
由于我国无人机与直升机巡检检测的研究起步相较于欧美一些发达国家较晚,在许多技术方面还存在诸多难题,当前还不能全部实现无人机与直升机巡检技术的全面实施。即使如此,目前,我国对无人机与直升机配置的图像采集设备获取的图像资料主要依靠后期人工检测,检测结果不仅受到人为主观因素的影响,且效率较低。为此,实现基于图像处理的输电导线散股自动检测与识别不仅能提高工作效率与检测精度,还能有效降低巡检人员的劳动强度,弥补人工巡检方式的诸多缺陷,有效保证电力巡检的安全性与检测结果的准确性,使得相关工作人员能够根据导线状态信息及时进行维修处理,有效防止输电线路断电的发生,对保障电力线路安全稳定运行具有非常重要的意义,同时也能给人们的生活质量带来安全保障。
发明内容
本发明的目的是提供一种基于区域生长的导线散股检测方法,解决了现有技术采用人工检测输电线路的导线图像资料,检测结果不仅受到人为主观因素的影响,且效率较低的问题。
本发明所采用的技术方案是,一种基于区域生长的导线散股检测方法,按照以下步骤实施:
步骤1、输入航拍获取的输电导线俯视图像I,先进行灰度化,得到灰度图像A;再通过区域生长法提取导线区域,得到导线区域图像C;
步骤2、对导线区域图像C进行反色处理得到反色图像D,再用Bersen算法进行阈值分割,得到导线区域的二值图E;
步骤3、对二值图E进行形态学处理,先去除小于指定像素面积的小区域再进行膨胀处理,分别得到图像F和图像H,再进行中心轴提取,若不平行对图像F进行旋转得到图像J;
步骤4、根据拟合得到的导线单股斜率判断散股位置,并进行标记。
本发明的有益效果是,包括以下方面:
1)与现有的红外图像检测方法、紫外图像检测方法相比,本发明的导线散股检测方法,利用无人机图像采集器来采集可见光图像,通过图像处理的方法检测输电导线散股缺陷,可以更直观准确定位出散股位置,为输电导线状态的检修排查提供了一种有效方式;
2)本发明的导线散股检测方法,是在分析导线表面各股之间排列特征的基础上,提出基于区域生长的导线散股检测方法,该方法原理简单、直观易行,能为输电线路的安全稳定运行提供一种新的检测思路。
附图说明
图1是本发明导线散股检测方法的流程示意图;
图2a是完好导线的灰度化图;
图2b是本发明方法对完好导线的处理结果图;
图3a是散股导线的灰度化图;
图3b是本发明方法对散股导线的处理结果图;
图4本发明方法步骤4中坐标(θ,ρ)的位置示意图。
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。
参照图1,本发明基于区域生长的导线散股检测方法,按照以下步骤实施:
步骤1、输入航拍获取的输电导线俯视图像I,先灰度化处理,得到灰度图像A;再通过区域生长法提取导线区域,得到导线区域图像C;
由于架空输电导线受到风速及气流的影响,大多时间存在微风振动,通过无人机图像采集器获取的输电导线的视图图像极易出现模糊现象;除此之外,受光照影响通过仰视、俯视和左右视拍摄获取的输电导线图像均呈现不同特点,通过左右视拍摄到的输电导线图像受到上方太阳光的影响,向阳区域亮度较高,而下方表面受阴影的影响导致获取的输电导线图像中的导线目标域不够清晰,不易进行后续的导线分割提取与故障识别;仰视图以蓝天为背景极易实现输电导线图像的分割提取,但是由于处于背光状态其表面颜色暗淡,使得输电导线图像表面的灰度值变换不明显;相较之下,顺应太阳光照方向拍摄获取的输电导线图像的俯视图像更能清晰获取导线表面的细节信息,且太阳光照均匀,能通过获取的输电导线图像清楚地分辨出单股导线的具体轮廓。综合以上优缺点,本发明方法以能清晰表征单股导线轮廓的无人机航拍获取的输电导线图像俯视图为处理对象,分别进行相应的图像处理以实现输电导线散股检测的准确判断。
1.1)输入能清晰表征单股导线轮廓的无人机航拍获取的输电导线图像俯视图I后,通过公式(1)进行灰度化:
A(x,y)=0.299R(x,y)+0.578G(x,y)+0.114B(x,y) (1)
其中,R(x,y)、G(x,y)、B(x,y)代表无人机俯拍图像I中每个像素点红、绿、蓝分量的值;
1.2)由无人机拍摄的输电导线图像背景相差大,不同背景会对导线区域的精确提取造成影响,而钢芯铝导线组成简单且具有规律的纹理特征,所以选用包括平均灰度值、纹理、颜色等信息相似性度量分割图像的区域生长法,从输电导线图像复杂背景中分离出导线区域图像C。
区域生长法的具体过程是:
先遍历灰度化处理后的灰度图像A,得到灰度图像A中各像素点的像素值和图像尺寸,设定图像尺寸为m×n,创建一个m×n的矩阵Z,且将矩阵Z中的所有值都设为0,即起始的矩阵Z为一个m×n的零矩阵,(x,y)表示Z矩阵中任一像素点位置,其中,Z(x,y)=0表示该点属于未生长区域或不属于生长区域;Z(x,y)=1表示该点已被生长。
种子点的选取根据某种原则自动选择,也能够人为提前指定;实施例采用自动选取,选取灰度图像A导线区域中的一点作为种子点(x0,y0),或称为种子起始点,且设Z(x0,y0)=1,实施例中选择点(100,200)为种子点,该像素点灰度值为A(x0,y0);对该像素点8邻域未被阙值判定过的像素点(x,y)位置进行依次判定,当选定的外围点与种子点像素灰度值的数值差小于设定阙值T,T为相似度阈值也就是生长准则,将Z矩阵中的相应位置值更新为1,即对于种子点(x0,y0)的邻域中任一像素点(x,y),必须满足以下两个条件:
其中,S(A(x0,y0),A(x,y))表示像素点(x0,y0)与像素点(x,y)灰度值之间的相似程度,通常直接取该两个像素点灰度值的差,即|A(x0,y0)-A(x,y)|。
则令Z(x,y)=1,依次在8领域内判断,直到种子点的8领域内没有新像素点的Z(x,y)值被标记为1为止,所有Z(x,y)值等于1的像素组成的区域就是最终分割出的区域。
如果当前种子点的下一级种子点是已经被划归合并的同类点时,则结束该点的生长,接着再寻找8邻域内的下一个点;如果最后一个种子点的8邻域内的所有像素点不符合继续生长的条件或已被标记为同类点时,整个生长过程结束;
经过区域生长输出的图像称为导线区域图像C,经区域生长法处理后得到的导线区域图像C去除了复杂背景的影响,且导线边缘明显。
步骤2、对导线区域图像C进行反色处理得到反色图像D,再用Bersen算法进行阈值分割,得到导线区域的二值图E。
具体过程是:
2.1)由于步骤1.2得到的导线区域图像C的背景是白色,所以对导线区域图像C做反色处理,在m×n的导线区域图像C中循环,因为导线区域图像C的灰度值为0-255,所以用255减去原像素点的灰度值就是反色处理后的反色图像D,即:D(x,y)=255-C(x,y),其中C(x,y)是导线区域图像C在位置(x,y)处的灰度值;
2.2)对于每一个像素点(x,y),以该像素点为中心取一个长宽均为(2w+1)×(2w+1)的核,利用这个核计算图像中各点(x,y)的阈值,取与这个核重合的区域当中的极大值和极小值的平均值作为阈值;
分别创建两个矩阵,一个为(m+2)×(n+2)的矩阵U,另一个为(m-2w+2)×(n-2w+2)的矩阵V。
矩阵U的值表示如下:
矩阵V的值表示如下:
V(x,y)=0.5(maxU(x+i,y+j)+minU(x+i,y+j)),-w≤j≤w,-w≤j≤w (4)
其中,maxU(x+i,y+j)和minU(x+i,y+j)分别是与这个核重合的区域的最大值和最小值。
对像素点(x,y)用V(x,y)值进行逐点二值化,本实施例取w=1,即利用当前像素点周围8领域点来计算当前像素点的Bersen阈值,判断过程如下:
当反色图像D在(x,y)的像素值小于矩阵V在该位置的像素值时,取二值图E在该位置的值为1,否则为0,即:
步骤3、对二值图E进行形态学处理,先去除小于指定像素面积的小区域再进行膨胀处理,分别得到图像F和图像H,再进行中心轴提取,若不平行对图像F进行旋转得到图像J。
由于步骤2得到的二值图E仍可能存在一些细小的非导线区域,通过形态学处理删除二值图E中面积小于P的对象,这种方法能去除一些导线外的细小区域,减少其对提取的导线区域中心轴的影响;因为拍摄时可能出现拍摄的导线图片与水平轴不平行的情况,而导线计算斜率时是计算的提取直线与水平轴的夹角的正切值,必须进行导线区域的水平调整;但提取导线中心轴的过程需要在一个闭合区域内进行,所以在移除完毕后要对导线区域进行膨胀处理使提取的导线区域成为一个闭合区域,具体过程如下:
3.1)已知目标点像素值为1,背景点像素为0,遍历二值图E所有像素点,计算出二值图E中所有的连通域,连通域的计算如下:
采用8连接方式,即当前像素点为1时,判断其上、下、左、右、左上、右上、左下、右下中是否存在一个像素点的像素值为1;若有,并入该区域继续判断这个像素点的8领域直到没有满足条件的点;
再依次计算连通域的面积,为每个像素设置一个权值,采用加权求和的方式得到面积,本实施例的权值取当它的面积小于p时,本实施例p取10,令该领域内的所有点的像素值都更新为0,循环遍历完二值图E找出的所有连通域,得到去除小领域后的图像F;
3.2)对去除小领域后的图像F做膨胀处理,选用圆盘结构元素q作为膨胀的结构元素,半径为c个像素,F为去除小区域后得到的图像,H为膨胀后的图像,图像H的膨胀表达式为:
其中,DF为图像F的领域,Dq为结构元素q的领域;c的值根据导线的取值进行调整,只要满足使图像F成为一个闭合区域即可,本实施例取16;
3.3)按列对图像H做微分处理取出边界,当一列中的边界数为2时,取上下两个边界的纵坐标的平均值作为中心轴的纵坐标,行坐标取原值,根据计算出的所有的像素点,拟合出一条直线,该直线就是中心轴。
取拟合直线的首尾坐标,求出斜率,根据斜率与夹角的关系,判断中心轴是否与水平轴平行,若平行,即求出的夹角为0时,不进行调整直接对图像F进入下一步操作;若不平行,对图像F进行逆时针旋转偏转角度值,得到图像J;
步骤4、根据拟合得到的导线单股斜率判断散股位置,并进行标记。
输电导线表面各股纹路基本按一定顺序平行缠绕,其斜率基本上一致,若出现散股,散股处的斜率就会发生变化,散股严重时因为外层导线的间距增大,内层导线也会有一部分裸露出来,而内外层的绕线方式正好是相反的,经水平调整后,内外层导线的斜率必定为一正一负。将差异较大的斜率所在的直线进行标注;其中,若斜率为0或无穷大的,或者接近这两个斜率的,则认为该边缘轮廓线为导线区域的四个边界,进行排除,不再进行后续步骤的处理;
4.1)对步骤3得到的图像进行Hough变换,若原图像中的导线平行,则本步骤处理对象为图像F,若不平行则本步骤处理对象为图像J;找到导线区域的导线股线的直线表达式,获得各直线表达式的斜率;
Hough变换基本原理是,图像J或图像F平面上任意一条直线对应于参数平面上的一组正弦曲线的交点;通过建立图像J或图像F的直线空间和参数空间的映射关系,将两者相互变换,把图像J或图像F全局区域内形状检测问题转变为参数局部区域内峰值点寻找问题。在实际应用中,首先需对参数空间进行量化,并设计一个累加矩阵K,初始化为零,当检测到每个像素点对应的直线时,该条直线对应累加矩阵K对应位置的数值加1,取遍所有像素点,最后累加矩阵K中大于设定阈值的累加值位置所对应的直线即为图像J或图像F空间的目标直线,通过特定解析表达式,统计参数空间正弦曲线交点的累积程度,找出其中的峰值即可确定图像J或图像F平面中直线参数,使点线面一一对应,
具体过程如下:
将θ角在-90度到90度的范围内以间隔为0.5划分为多个区间,在图像J或图像F中,对所有不为0的像素点(x,y),不断变换横坐标θ,求出ρ,计算公式如下:
ρ=xcosθ+ysinθ, (6)
其中,θ为(x,y)处的方向,ρ为极坐标下夹角θ时原点到(x,y)的距离,
找到ρ在坐标(θ,ρ)的位置累加1,从而得到一个累加矩阵K记录共线点个数,矩阵的行坐标为θ,列坐标为ρ;
遍历累加矩阵K,查找累加矩阵K中累加值最大的点,记录该点并将所在位置的(θ,ρ)清零,继续查找并记录下一个累加值最大的点,直到累加矩阵K中所有的累加值都为零,记录的这些点即对应了检测到的图像J或图像F中的直线;
4.2)因为即使很少的共线点也可以检测出直线,这种情况很容易出现误检,所以在此处添加一个条件,即只有累计矩阵K所有的累加值高于某个设定阈值,即共线点必须满足一定的数目要求,才认定它是空间上的一条直线,该阈值设定为累加矩阵K中累加最大值的一半;而累加矩阵K所在位置(θ,ρ)根据参数空间与平面空间的关系就能够绘制出一条直线,累加矩阵K寻找满足设定阈值的点的结果如图4。
通过参数方程与直线方程的关系得到斜率,以及对应的直线:
其中,k是位置(θ,ρ)的直线的斜率。
4.3)因为钢芯铝绞线中每层的任何一根单线,都是按一定的绞制角度环绕一中心线作螺旋状绞捻的,也就是说绞线最外层的斜率在完好状态下应该是一个固定的值,但因为不同导线的层数不同,其最外层绞制角度有一定偏差,因而测量的绞线的斜率值会有所偏差,所以此处先选用与同型号相同情形下拍摄的完好导线用本发明方法测量斜率并计算均值作为基准。同时,导线散股严重时外层导线的间距增大,内层导线也会有一部分裸露出来,而内层的绕线方式正好与外层是相反的,那么检测到的内层导线的斜率与外层导线的刚好异号,后续用Hough变换检测拟合出导线区域每股单线的直线后,用一个数组L记录这些检测到的直线的斜率值,其中,若斜率为0或无穷大的,或者接近这两个斜率的,则认为该边缘轮廓线为导线区域的四个边界,进行排除,不再进行后续步骤的处理;当检测过程中拟合得到的导线单股斜率有正有负时导线必定出现散股,如果检测过程中拟合得到的导线单股斜率都大于0或都小于0,但单股斜率与完好导线的斜率均值相差超过设定阈值10%时也视作出现散股故障,当判定输电导线出现散股时,用警示线标注。
参照图2a、图2b,实施例1所显示的粗白线是完好导线各股线拟合而成的(彩色图可以采用蓝色线标示,用黄色的箭头表示直线的起始点和终止点,完好导线的直线方程用蓝色线显示)。
参照图3a、图3b,实施例2所显示的细黑线(彩色图可以采用红色线标示)是散股导线,包括两种情况:一是斜率与设定的斜率同符号但偏差超过10%,另一种是斜率与设定的斜率阈值异号。当实际测量的斜率数组中的斜率与基准斜率相差超过10%,即可用红色线在图像中标注散股导线股线的直线方程。
本发明的导线散股检测方法,在分析导线表面各股之间排列特征的基础上,提出基于区域生长的导线散股检测方法。利用无人机图像采集器来采集可见光下的输电导线的俯拍图像,用区域生长法分离出导线区域,在bersen算法二值分割后,通过形态学处理和中心轴旋转导线区域至水平,利用Hough变换检测拟合钢芯铝导线各股线单线的直线方程,根据导线散股的特征,由检测到的斜率的正负值以及斜率与设定标准的偏差确定是否出现散股故障。
Claims (5)
1.一种基于区域生长的导线散股检测方法,其特征在于,按照以下步骤实施:
步骤1、输入航拍获取的输电导线俯视图I,先进行灰度化,得到灰度图像A;再通过区域生长法提取导线区域,得到导线区域图像C;
步骤2、对导线区域图像C进行反色处理得到反色图像D,再用Bersen算法进行阈值分割,得到导线区域的二值图E;
步骤3、对二值图E进行形态学处理,先去除小于指定像素面积的小区域再进行膨胀处理,分别得到图像F和图像H,再进行中心轴提取,若不平行对图像F进行旋转得到图像J;
步骤4、根据拟合得到的导线单股斜率判断散股位置,并进行标记。
2.根据权利要求1所述的基于区域生长的导线散股检测方法,其特征在于,所述的步骤1中,具体过程是:
1.1)输入能清晰表征单股导线轮廓的航拍的输电导线图像俯视图I,通过公式(1)进行灰度化:
A(x,y)=0.299R(x,y)+0.578G(x,y)+0.114B(x,y) (1)
其中,R(x,y)、G(x,y)、B(x,y)代表无人机俯拍图像I中每个像素红、绿、蓝分量的值;
1.2)选用区域生长法,从输电导线图像复杂背景中分离出导线区域图像C,区域生长法的具体过程是:
先遍历灰度化处理后的灰度图像A,得到灰度图像A中各像素点的像素值和图像尺寸,设定图像尺寸为m×n,创建一个m×n的矩阵Z,且将矩阵Z中的所有值都设为0,即起始的矩阵Z为一个m×n的零矩阵,(x,y)表示Z矩阵中任一像素点位置,其中,Z(x,y)=0表示该点属于未生长区域或不属于生长区域;Z(x,y)=1表示该点已被生长,
选取灰度图像A导线区域中的一点作为种子点(x0,y0),且设Z(x0,y0)=1,该像素点灰度值为A(x0,y0);对该像素点8邻域未被阙值判定过的像素点(x,y)位置进行依次判定,当选定的外围点与种子点像素灰度值的数值差小于设定阙值T,T为相似度阈值也就是生长准则,将Z矩阵中的相应位置值更新为1,即对于种子点(x0,y0)的邻域中任一像素点(x,y),必须满足以下两个条件:
其中,S(A(x0,y0),A(x,y))表示像素点(x0,y0)与像素点(x,y)灰度值之间的相似程度,通常直接取该两个像素点灰度值的差,即|A(x0,y0)-A(x,y)|;
则令Z(x,y)=1,依次在8领域内判断,直到种子点的8领域内没有新像素点的Z(x,y)值被标记为1为止,选用8领域中最后一个满足生长准则的点作为下一轮的种子点,所有Z(x,y)值等于1的像素组成的区域就是最终分割出的区域;
如果当前种子点的下一级种子点是已经被划归合并的同类点时,则结束该点的生长,接着再寻找8邻域内的下一个点;如果最后一个种子点的8邻域内的所有像素点不符合继续生长的条件或已被标记为同类点时,整个生长过程结束;
经过区域生长输出的图像称为导线区域图像C。
3.根据权利要求1所述的基于区域生长的导线散股检测方法,其特征在于,所述的步骤2中,具体过程是:
2.1)对导线区域图像C做反色处理,在m×n的导线区域图像C中循环,因为导线区域图像C的灰度值为0-255,所以用255减去原像素点的灰度值就是反色处理后的反色图像D,即:D(x,y)=255-C(x,y),其中C(x,y)是导线区域图像C在位置(x,y)处的灰度值;
2.2)对于每一个像素点(x,y),以该像素点为中心取一个长宽均为(2w+1)×(2w+1)的核,利用这个核计算图像中各点(x,y)的阈值,取与这个核重合的区域当中的极大值和极小值的平均值作为阈值;
分别创建两个矩阵,一个为(m+2)×(n+2)的矩阵U,另一个为(m-2w+2)×(n-2w+2)的矩阵V;
矩阵U的值表示如下:
矩阵V的值表示如下:
V(x,y)=0.5(maxU(x+i,y+j)+minU(x+i,y+j)),-w≤j≤w,-w≤j≤w (4)
其中,maxU(x+i,y+j)和minU(x+i,y+j)分别是与这个核重合的区域的最大值和最小值,
对像素点(x,y)用V(x,y)值进行逐点二值化,即利用当前像素点周围8领域点来计算当前像素点的Bersen阈值,判断过程如下:
当反色图像D在(x,y)的像素值小于矩阵V在该位置的像素值时,取二值图E在该位置的值为1,否则为0,即
4.根据权利要求1所述的基于区域生长的导线散股检测方法,其特征在于,所述的步骤3中,具体过程是:
3.1)已知目标点像素值为1,背景点像素为0,遍历二值图E所有像素点,计算出二值图E中所有的连通域,连通域的计算如下:
采用8连接方式,即当前像素点为1时,判断其上、下、左、右、左上、右上、左下、右下中是否存在一个像素点的像素值为1;若有,并入该区域继续判断这个像素点的8领域直到没有满足条件的点;
再依次计算连通域的面积,为每个像素设置一个权值,采用加权求和的方式得到面积;当它的面积小于p时,令该领域内的所有点的像素值都更新为0,循环遍历完二值图E找出的所有连通域,得到去除小领域后的图像F;
3.2)对去除小领域后的图像F做膨胀处理,选用圆盘结构元素q作为膨胀的结构元素,半径为c个像素,F为去除小区域后得到的图像,H为膨胀后的图像,图像H膨胀表达式为:
其中,DF为图像F的领域,Dq为结构元素q的领域,c的取值根据导线的取值进行调整,满足使图像F成为一个闭合区域;
3.3)按列对图像H做微分处理取出边界,当一列中的边界数为2时,取上下两个边界的纵坐标的平均值作为中心轴的纵坐标,行坐标取原值,根据计算出的所有的像素点,拟合出一条直线,该直线就是中心轴;
取拟合直线的首尾坐标,求出斜率,根据斜率与夹角的关系,判断中心轴是否与水平轴平行,若平行,即求出的夹角为0时,不进行调整直接对图像F进入下一步操作;若不平行,对图像F进行逆时针旋转偏转角度值,得到图像J。
5.根据权利要求1所述的基于区域生长的导线散股检测方法,其特征在于,所述的步骤4中,具体过程是:
4.1)对步骤3得到的图像进行Hough变换,若原图像中的导线平行,则本步骤处理对象为图像F,若不平行则本步骤处理对象为图像J;找到导线区域的导线股线的直线表达式,获得各直线表达式的斜率;
Hough变换具体过程如下:
将θ角在-90度到90度的范围内以间隔为0.5划分为多个区间,在图像J或图像F中,对所有的不为0的像素点(x,y),不断变换横坐标θ,求出ρ,计算公式如下:
ρ=xcosθ+ysinθ, (6)
其中,θ为(x,y)处的方向,ρ为极坐标下夹角θ时原点到(x,y)的距离,
找到ρ在坐标(θ,ρ)的位置累加1,从而得到一个累加矩阵记录共线点个数,矩阵的行坐标为θ,列坐标为ρ;
遍历累加矩阵K,查找累加矩阵K中累加值最大的点,记录该点并将所在位置的(θ,ρ)清零,继续查找并记录下一个累加值最大的点,直到累加矩阵K中所有的累加值都为零,记录的这些点即对应了检测到的图像J或图像F中的直线;
4.2)另外添加一个条件,即只有累计矩阵K所有的累加值高于某个设定阈值,即共线点必须满足一定的数目要求,才认定它是空间上的一条直线,该阈值设定为累加矩阵K中累加最大值的一半;而累加矩阵K所在位置(θ,ρ)根据参数空间与平面空间的关系就可以绘制出一条直线,累加矩阵K寻找满足设定阈值的点;
通过参数方程与直线方程的关系得到斜率,以及其对应的直线:
其中,k是位置(θ,ρ)的直线的斜率,
4.3)选用与同型号相同情形下拍摄的完好导线用本发明方法测量斜率并计算均值作为基准;用Hough变换检测拟合出导线区域每股单线的直线后,用一个数组L记录这些检测到的直线的斜率值;若斜率为0或无穷大的,或者接近这两个斜率的,则认为该边缘轮廓线为导线区域的四个边界,进行排除,不再进行后续步骤的处理;当检测过程中拟合得到的导线单股斜率有正有负时导线必定出现散股,如果检测过程中拟合得到的导线单股斜率都大于0或都小于0,但单股斜率与完好导线的斜率均值相差超过设定阈值10%时也视为出现散股。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123552.XA CN108734689B (zh) | 2018-02-07 | 2018-02-07 | 一种基于区域生长的导线散股检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123552.XA CN108734689B (zh) | 2018-02-07 | 2018-02-07 | 一种基于区域生长的导线散股检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734689A true CN108734689A (zh) | 2018-11-02 |
CN108734689B CN108734689B (zh) | 2021-07-27 |
Family
ID=63940954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810123552.XA Active CN108734689B (zh) | 2018-02-07 | 2018-02-07 | 一种基于区域生长的导线散股检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734689B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523543A (zh) * | 2018-11-26 | 2019-03-26 | 西安工程大学 | 一种基于边缘距离的导线断股检测方法 |
CN109801302A (zh) * | 2018-12-14 | 2019-05-24 | 华南理工大学 | 一种基于双目视觉的高压输电线路异物检测方法 |
CN110619622A (zh) * | 2019-04-08 | 2019-12-27 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于计算机视觉的面包板结构图像自动检测方法 |
CN110728672A (zh) * | 2019-10-17 | 2020-01-24 | 云南电网有限责任公司昆明供电局 | 一种圆线同心绞线结构型号识别的测量方法 |
CN110866920A (zh) * | 2020-01-20 | 2020-03-06 | 长沙琢冶信息技术有限公司 | 镀铜焊丝的缺陷检测方法、装置、设备及存储介质 |
CN112037201A (zh) * | 2020-08-31 | 2020-12-04 | 河北工程大学 | 一种基于线结构光图像的有向生长结构光中心提取方法 |
CN112069894A (zh) * | 2020-08-03 | 2020-12-11 | 许继集团有限公司 | 一种基于Faster-RCNN模型的导线散股识别方法 |
CN113077398A (zh) * | 2021-04-09 | 2021-07-06 | 上海申瑞继保电气有限公司 | 断路器圆形分合指示灯图像噪声滤波方法 |
CN113450402A (zh) * | 2021-07-16 | 2021-09-28 | 天津理工大学 | 用于蔬菜大棚巡检机器人的导航中心线提取方法 |
CN113920122A (zh) * | 2021-12-15 | 2022-01-11 | 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 |
CN114897899A (zh) * | 2022-07-13 | 2022-08-12 | 南通海王消防水带有限公司 | 一种基于图形识别的消防水带耐低温性检测方法 |
CN117152421A (zh) * | 2023-10-31 | 2023-12-01 | 南方电网数字电网研究院有限公司 | 输电线路异物检测方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105957073A (zh) * | 2015-04-29 | 2016-09-21 | 国网河南省电力公司电力科学研究院 | 输电线路散股故障检测方法 |
CN106056619A (zh) * | 2016-06-13 | 2016-10-26 | 长安大学 | 基于梯度约束Radon变换的无人机视觉电线巡检方法 |
CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
CN106960438A (zh) * | 2017-03-25 | 2017-07-18 | 安徽继远软件有限公司 | 基于霍夫直线变换对输电线路的异物识别方法 |
CN107179479A (zh) * | 2017-06-12 | 2017-09-19 | 西安工程大学 | 基于可见光图像的输电导线散股缺陷检测方法 |
-
2018
- 2018-02-07 CN CN201810123552.XA patent/CN108734689B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957073A (zh) * | 2015-04-29 | 2016-09-21 | 国网河南省电力公司电力科学研究院 | 输电线路散股故障检测方法 |
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 |
CN106056619A (zh) * | 2016-06-13 | 2016-10-26 | 长安大学 | 基于梯度约束Radon变换的无人机视觉电线巡检方法 |
CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
CN106960438A (zh) * | 2017-03-25 | 2017-07-18 | 安徽继远软件有限公司 | 基于霍夫直线变换对输电线路的异物识别方法 |
CN107179479A (zh) * | 2017-06-12 | 2017-09-19 | 西安工程大学 | 基于可见光图像的输电导线散股缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
李安: ""E:\案子\一通未完成\一通新案\基于区域生长的导线散股检测方法"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523543A (zh) * | 2018-11-26 | 2019-03-26 | 西安工程大学 | 一种基于边缘距离的导线断股检测方法 |
CN109801302A (zh) * | 2018-12-14 | 2019-05-24 | 华南理工大学 | 一种基于双目视觉的高压输电线路异物检测方法 |
CN110619622A (zh) * | 2019-04-08 | 2019-12-27 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于计算机视觉的面包板结构图像自动检测方法 |
CN110728672B (zh) * | 2019-10-17 | 2023-04-25 | 云南电网有限责任公司昆明供电局 | 一种圆线同心绞线结构型号识别的测量方法 |
CN110728672A (zh) * | 2019-10-17 | 2020-01-24 | 云南电网有限责任公司昆明供电局 | 一种圆线同心绞线结构型号识别的测量方法 |
CN110866920A (zh) * | 2020-01-20 | 2020-03-06 | 长沙琢冶信息技术有限公司 | 镀铜焊丝的缺陷检测方法、装置、设备及存储介质 |
CN110866920B (zh) * | 2020-01-20 | 2020-05-08 | 长沙琢冶信息技术有限公司 | 镀铜焊丝的缺陷检测方法、装置、设备及存储介质 |
CN112069894A (zh) * | 2020-08-03 | 2020-12-11 | 许继集团有限公司 | 一种基于Faster-RCNN模型的导线散股识别方法 |
CN112037201A (zh) * | 2020-08-31 | 2020-12-04 | 河北工程大学 | 一种基于线结构光图像的有向生长结构光中心提取方法 |
CN113077398A (zh) * | 2021-04-09 | 2021-07-06 | 上海申瑞继保电气有限公司 | 断路器圆形分合指示灯图像噪声滤波方法 |
CN113450402B (zh) * | 2021-07-16 | 2022-12-13 | 天津理工大学 | 用于蔬菜大棚巡检机器人的导航中心线提取方法 |
CN113450402A (zh) * | 2021-07-16 | 2021-09-28 | 天津理工大学 | 用于蔬菜大棚巡检机器人的导航中心线提取方法 |
CN113920122A (zh) * | 2021-12-15 | 2022-01-11 | 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 |
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 |
CN114897899A (zh) * | 2022-07-13 | 2022-08-12 | 南通海王消防水带有限公司 | 一种基于图形识别的消防水带耐低温性检测方法 |
CN114897899B (zh) * | 2022-07-13 | 2022-09-30 | 南通海王消防水带有限公司 | 一种基于图形识别的消防水带耐低温性检测方法 |
CN117152421A (zh) * | 2023-10-31 | 2023-12-01 | 南方电网数字电网研究院有限公司 | 输电线路异物检测方法、装置、计算机设备和存储介质 |
CN117152421B (zh) * | 2023-10-31 | 2024-03-22 | 南方电网数字电网研究院股份有限公司 | 输电线路异物检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108734689B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734689A (zh) | 一种基于区域生长的导线散股检测方法 | |
CN103529362B (zh) | 基于感知的绝缘子识别与缺陷诊断方法 | |
CN106780438B (zh) | 基于图像处理的绝缘子缺陷检测方法及系统 | |
CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
CN108986104B (zh) | 基于距离变换和标记分水岭算法的绝缘子图像分割方法 | |
CN103196380B (zh) | 输电线路图像采集装置及输电线路覆冰厚度检测系统 | |
CN111754465B (zh) | 一种绝缘子定位与掉串检测方法 | |
CN102520286B (zh) | 基于高光谱的复合绝缘子运行状态分类方法 | |
CN107179479A (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN106326808A (zh) | 基于无人机图像的检测输电线路杆塔鸟窝的方法 | |
CN105957081A (zh) | 一种玻璃绝缘子掉串故障检测方法 | |
CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN104835152A (zh) | 一种输电线路巡检图像的处理方法和系统 | |
CN104952066A (zh) | 基于hsv色彩空间的输电线路相位标志牌识别方法 | |
CN110363773B (zh) | 一种基于图像处理的电缆类别检测系统和检测方法 | |
CN102831393A (zh) | 电力杆塔轮廓的快速图像识别方法 | |
CN108665468A (zh) | 一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法 | |
Xin et al. | Defect detection and characterization of RTV silicone rubber coating on insulator based on visible spectrum image | |
CN114842367A (zh) | 一种复杂环境下的红外绝缘子与钢帽的识别与分割方法 | |
CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
CN107729397A (zh) | 一种利用图像rgb分量判定覆冰雪类型的方法 | |
CN112270234B (zh) | 一种基于航拍图像的输电线路绝缘子目标识别方法 | |
CN203190947U (zh) | 输电线路图像采集装置及输电线路覆冰厚度检测系统 | |
CN109903258B (zh) | 一种基于灰度匹配的电力电缆类别检测方法及系统 | |
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 |
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 |