CN109060606A - 一种复合绝缘子憎水性等级智能判定方法 - Google Patents
一种复合绝缘子憎水性等级智能判定方法 Download PDFInfo
- Publication number
- CN109060606A CN109060606A CN201811159005.3A CN201811159005A CN109060606A CN 109060606 A CN109060606 A CN 109060606A CN 201811159005 A CN201811159005 A CN 201811159005A CN 109060606 A CN109060606 A CN 109060606A
- Authority
- CN
- China
- Prior art keywords
- image
- hydrophobicity
- droplet
- composite insulator
- intelligent decision
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种复合绝缘子憎水性等级智能判定方法,步骤如下:通过自适应平滑滤波对无人机拍摄图像进行预处理;对预处理后的图像进行轮廓提取,得到复合绝缘子伞裙上分布的水滴外轮廓;利用贝叶斯决策算法集合人工智能神经网络算法将步骤二轮廓提取得到的憎水性检测图像与标准的憎水性图像进行对比,智能判断其与哪一个憎水等级图片符合程度最大,从而判断当前憎水性检测图像的憎水性等级。本发明结合人工智能判定方法,对运行中的复合绝缘子憎水性进行检测,不仅能提高检测效率,降低人力成本,而且大大改善了线路作业人员的工作条件,保障了人员安全,避免了现有检测方法因断电而带来的经济损失,具有较大的经济效益和良好的社会效益。
Description
技术领域
本发明涉及复合绝缘子憎水性检测的技术领域,尤其涉及一种复合绝缘子憎水性等级智能判定方法。
背景技术
硅橡胶复合绝缘子以其重量轻、强度高、不易破碎、耐污性能好等特点,目前已被广泛地应用于电力系统中。然而在使用过程中,由于高压电场、高温日照、恶劣气候环境以及酸雨等诸多因素的共同作用,随着时间的推移,复合绝缘子的伞裙逐渐老化,呈现憎水性退化的现象。憎水性能的退化将严重影响复合绝缘子的绝缘性能,增加闪络现象发生的概率。为了防止污闪事故的发生,需要定期对绝缘子憎水性进行检测,传统的喷水分级法需要将绝缘子从输电线路上取下,耗费了大量的人力、物力和时间。就目前复合绝缘子线路检修现状而言,面临下列问题:
(1)喷水分级法是目前工程现场进行憎水性测量的唯一手段。但是该方法一直套用中国电力行业标准“标称电压高于1000V交流架空线路用复合绝缘子使用导则(DL/T 864-2004)”和“复合绝缘子用硅橡胶绝缘材料通用技术条件(DL/T 376-2010)”。而上述两标准是实验室条件下的标准,并不适用于输电线路现场工况。而且目前的测试方法都是工作人员登塔测量,存在人员安全风险,且这种登塔测量方式不可能实现大规模检测。
(2)目前挂网绝缘子复合化率不断攀升。就河南省而言,220kV及以下电压等级绝缘子将实施全面复合化。目前复合绝缘子供货商众多,一旦某厂家的产品因质量问题造成线路跳闸,将在全系统范围内进行排查(比如2014年底周口供电局发生的复合绝缘子闪络导致的220kV线路跳闸事件)。这要求在短时间内进行大批量的测量,以目前的检修水平,很难实现。所以,如何采用较低的人力和经济成本,实现大批量复合绝缘子憎水性的准确评估是一个非常值得研究的问题。
若再考虑到线路的复合化率逐步提高,挂网复合绝缘子的数量激增等因素,复合绝缘子的憎水性检测工作量势必剧增。依靠现有的登塔测试方法,很难取得很好的预期效果。因为对数量如此庞大的挂网复合绝缘子肯定无法实现全覆盖式的周期性监测。线路停电检测会造成额外的经济损失和资源浪费,带电作业又因为技术复杂、风险大、成本高,不便大量开展。所以,当前迫切需要一种更加经济、高效的方法来检测挂网复合绝缘子的憎水性能。
目前,憎水性试验是检测复合绝缘子性能的最主要的手段。现阶段对复合绝缘子进行憎水性试验需要作业人员将杆塔上的复合绝缘子取下在地面进行,或者登塔后使用绝缘操作杆进行。若在地面进行试验,则需要对线路局部进行停电,这样会造成部分企业和居民的经济损失。同时,作业人员需要登上杆塔将复合绝缘子取下,用滑轮组固定线路被取下的绝缘子后,在地面上进行试验,试验结束后再登杆塔安装试验合格的绝缘子或者更换掉不合格产品,安装新的合格绝缘子。若用绝缘操作杆进行试验,则需要两个人同时登塔配合工作。
基于无人机技术的输电线路复合绝缘子憎水性带电测试装置通过无人机飞行平台代替人工登塔,使用无人机搭载喷水设备、高清图像传输设备,以及辅助的传感器模块,对输电杆塔上的复合绝缘子进行在线憎水性试验,且具有高效率、高机动性、覆盖面积大、续航时间长、人力成本低等优点。该装置可以实现在线带电检测(甚至周期性监测),不影响线路运行。无需人员登塔,保障人员安全,降低劳动强度,提高工作效率。不受地形地貌的限制,具备全地形工作的能力。测量平台机动灵活,可以多角度对复合绝缘子进行检测。因此,其正好迎合了我国挂网复合绝缘子数量激增而需要在一定时间内能够检测更多的绝缘子的现状。但是,没有公开确切的憎水性等级判定方法。
目前,评判绝缘子的憎水性主要有3种方法:静态接触角法、表面张力法和喷水分级法。静态接触角法对实验环境的要求比较严格,只能在实验室条件下进行检测。表面张力法采用的液体对人体有害,限制了其在绝缘子憎水性等级评判中的应用,喷水分级法操作简单、方便快捷,但受人的主观性影响较大,这种方法的检测结果由于操作人员的不同而出现一定的差异性。为了使检测结果更加客观准确,国内外一些学者将数字图像处理技术和人工智能技术应用到复合绝缘子憎水性等级识别中,并取得了一定的研究成果。
发明内容
针对现有复合绝缘子憎水性检测方法耗费的人力、物力和时间成本较高,对操作人员经验的依赖性和主观性强的技术问题,本发明提出一种复合绝缘子憎水性等级智能判定方法,结合无人机采集图像实现了复合绝缘子憎水性等级的自动判定,可以实现复合绝缘子在线带电的准确检测,大大提高了复合绝缘子憎水性检测的工作效率和准确性。
为了达到上述目的,本发明的技术方案是这样实现的:一种复合绝缘子憎水性等级智能判定方法,其步骤如下:
步骤一:通过自适应平滑滤波对无人机拍摄图像进行预处理,将无人机拍摄图像进行去噪声和平滑处理;
步骤二:对预处理后的图像进行轮廓提取,得到复合绝缘子伞裙上分布的水滴外轮廓;
步骤三:利用贝叶斯决策算法集合人工智能神经网络算法将步骤二轮廓提取得到的憎水性检测图像与标准的憎水性图像进行对比,智能判断其与哪一个憎水等级图片符合程度最大,从而判断当前憎水性检测图像的憎水性等级。
所述预处理的方法步骤如下:
S1:选取复合绝缘子喷水实际图像中一个图像块I;
S2:对图像块I进行光照分析,基于经验模式分解趋势项背景提取方法将图像块I中的光照不均匀背景分离得到图像矩阵I1;
S3:利用彩色图像饱和度增强和直方图均衡化算法相结合的方法对对图像矩阵I1进行增强处理得到图像矩阵I2。
所述轮廓提取方法的步骤如下:利用最大类间方差法自动选取图像矩阵I2的阈值进行二值化,自适应的分割出图像矩阵I2中的水珠目标对象,得到水珠目标二值图像矩阵I3;采用Blob分析方法对水珠目标二值图像矩阵I3进行处理,得到各水珠信息统计,提取与绝缘子憎水性相关的特征分量。
所述贝叶斯决策算法集合人工智能神经网络算法的方法是:对轮廓提取得到的特征分量进行特征值计算,利用BP神经网络建立特征值与憎水性等级之间的关系,通过贝叶斯决策算法比较憎水性检测图像与标准的憎水性图像,通过水珠尺寸判断憎水性检测图像的憎水性等级。
所述直方图均衡化算法为:对饱和度增强的图像的像素个数多的灰度级进行拓宽,而对像素个数少的灰度级进行缩减,使图像的直方图变换为均匀分布的形式。
所述Blob分析是对图像矩阵I3进行二值化,分割得到前景图像和背景图像,然后进行连通区域检测,从而得到Blob块;将前景图像根据区域连通性分割为离散的连通区域,并统计各连通区域的信息,汇集成一个包含了多维信息的数据集合;数据集合中每一元素代表一滴水珠图像,水珠图像表征了多维信息数据存储,多维信息包含了水珠的位置、像素面积、边缘、外接矩形、形心和重心的几何参数。
所述与绝缘子憎水性相关的特征量为水珠覆盖率W、最大水珠的形状因子fc、最大水珠与整幅图像的面积比K和最大水珠的长轴 a。所述水珠覆盖率W为:;其中,N为识别出的水珠或水迹数,Si为第i个水珠的面积,S表示图像的面积;形状因子;其中,Smax为最大水珠或水迹的面积;l为最大水(或水迹的周长;最大面积比;最大水珠长轴的长a为最大水珠或水迹外接矩形的长轴的长,单位是像素。
所述水珠尺寸判断复合绝缘子喷水实际图像的憎水性等级的方法为:与标准的憎水性图像相比,同时存在分离的水珠与水带,完全湿润的水带面积小于2cm2,水带总面积小于被测面积的90%为等级HC4;一些完全湿润的水带面积大于2cm2,水带总面积小于被测面积的90%为等级HC5。
本发明的有益效果:通过图像预处理进行水珠分离,Blob分析对水珠进行特征量提取,利用BP神经网络训练进行等级判定;结合人工智能判定方法,对运行中的复合绝缘子憎水性进行检测,不仅能提高检测效率,降低人力成本,而且大大改善了线路作业人员的工作条件,具有较大的经济效益和良好的社会效益。本发明符合我国电网复合绝缘子化的发展趋势,保障了人员安全,提高了检测工作效率,同时避免了现有检测方法因断电而带来的经济损失,具有重要的实用价值,在前期研究的无人机平台的基础,实现复合绝缘子憎水性等级图片的人工智能判别,可以有效提高检测效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
图2为本发明的复合绝缘子喷水后的灰度化后实际图像。
图3为本发明绝缘子喷水实际图像光照不均匀分析图像,其中,(a)为绝缘子喷水区域实际图像,(b)为(a)的伪彩图像。
图4为本发明饱和度增强结果对比图像,其中,(a)为原始图像,(b)为饱和度增强后的图像。
图5为本发明直方图均衡化增强结果对比图,其中,(a)为直方图均衡化增强后图像,(b)为直方图均衡化前图像的直方图,(c)为(a)的直方图。
图6为本发明水珠对象分离的二值图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种复合绝缘子憎水性等级智能判定方法,包括水珠分离与憎水性等级判定:针对喷水分级的图像进行预处理及水珠分离;(2)对憎水性图像进行特征量的提取和计算,利用BP神经网络对憎水性等级进行判断。具体地,其步骤如下:
步骤一:通过自适应平滑滤波对无人机拍摄图像进行预处理,将无人机拍摄图像进行去噪声和平滑处理。
所述预处理的方法步骤如下:
S1:选取复合绝缘子喷水实际图像中一个图像块I。
S2:对图像块I进行光照分析,基于经验模式分解趋势项背景提取方法将图像块I中的光照不均匀背景分离得到图像矩阵I1。本申请采用了基于EMD (经验模式分解,Empirical Mode Decomposition,EMD)的趋势项背景提取方法,能够有效的将图像中的背景进行分离。
S3:利用彩色图像饱和度增强和直方图均衡化算法相结合的方法对对图像矩阵I1进行增强处理得到图像矩阵I2。预处理使图像更清晰,更容易提取出水滴的分布规律。
现场运行的绝缘子表面都存在不同程度的污秽,背景十分复杂,再加上绝缘子本身结构导致环境光照所引起的复合绝缘子喷水图像光照不均匀性,如图2所示,选取图2中矩形区域进行光照情况分析,如图3(a)所示。
图3(b)为图3(a)的伪彩图像,对比图3(a)和图3(b)两幅图片,可以在图3(b)中明显看出由于光线及复合绝缘子本身结构特点,形成了占整个图像近三分之一的左上区域亮度较暗、水珠信息微弱,为后续图像中水珠的有效分离带来的影响。因此,从无人机拍摄图像中分离出关照不均背景是水珠信息完整的有效方法。
为了提高水珠对象识别效果,利用彩色图像饱和度增强和直方图均衡化算法相结合的方法对图像进行增强处理。饱和度可定义为彩度除以明度,与彩度同样表征彩色偏离同亮度灰色的程度。但由于其和彩度决定的是出现在人眼里的同一个效果,所以才会出现视彩度与饱和度为同一概念的情况。饱和度是指色彩的鲜艳程度,也称色彩的纯度。饱和度取决于该色中含色成分和消色成分(灰色)的比例。含色成分越大,饱和度越大;消色成分越大,饱和度越小。纯的颜色都是高度饱和的,如鲜红,鲜绿。混杂上白色,灰色或其他色调的颜色,是不饱和的颜色,如绛紫,粉红,黄褐等。完全不饱和的颜色根本没有色调,如黑白之间的各种灰色,鉴于绝缘子大部分为纯色且颜色鲜明,对于图像饱和度的提升有助于提高水珠与绝缘子本底图像之间的差异从而提升两者之间的对比,同时有助于消除干扰噪声。如图4(a)和图4(b)所示,饱和度增强后图像对比原始图像色彩更加鲜明,本底图像更加纯净,水珠更加鲜艳欲滴。
所述直方图均衡化算法为:对饱和度增强的图像的像素个数多的灰度级进行拓宽,而对像素个数少的灰度级进行缩减,使图像的直方图变换为均匀分布的形式。
直方图的基本思想是更改原始图像像素的灰度值,对在图像中像素个数多的灰度级进行拓宽,而对像素个数少的灰度级进行缩减,使图像的直方图变换为均匀分布的形式。联合利用彩色图像饱和度和直方图均衡化对图像进行处理,不仅能够抑制复杂背景和噪声的干扰,而且使得图像的直方图分布趋于均匀,增加了灰度值的动态范围,突出了图像细节部分,改善了图像的视觉效果。图5(a)为对图4(b)直方图均衡化增强处理后的图像。如图5(b)和图5(c)所示,增强后的图像比原始图像的对比度明显提高,许多边缘细节表现的也更加清晰。
步骤二:对预处理后的图像进行轮廓提取,得到复合绝缘子伞裙上分布的水滴外轮廓。
所述轮廓提取方法的步骤如下:利用最大类间方差法自动选取图像矩阵I2的阈值进行二值化,自适应的分割出图像矩阵I2中的水珠目标对象,得到水珠目标二值图像矩阵I3;采用Blob分析方法对水珠目标二值图像矩阵I3进行处理,得到各水珠信息统计,提取与绝缘子憎水性相关的特征分量。
所述轮廓提取方法的步骤如下:利用最大类间方差法自动选取图像矩阵I2的阈值进行二值化,自适应的分割出图像矩阵I2中的水珠目标对象,得到水珠目标二值图像矩阵I3;采用Blob分析方法对水珠目标二值图像矩阵I3进行处理,得到各水珠信息统计,提取与绝缘子憎水性相关的特征分量。
所述Blob分析是对图像矩阵I3进行二值化,分割得到前景图像和背景图像,然后进行连通区域检测,从而得到Blob块;将前景图像根据区域连通性分割为离散的连通区域,并统计各连通区域的信息,汇集成一个包含了多维信息的数据集合;数据集合中每一元素代表一滴水珠图像,水珠图像表征了多维信息数据存储,多维信息包含了水珠的位置、像素面积、边缘、外接矩形、形心和重心的几何参数。
水珠分离就是利用图像分割算法将把图像中感兴趣的目标(水珠)从图像中分离提取出来。在绝缘子憎水性等级识别中,对水珠的有效分离至关重要。最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。OTSU阈值法是在灰度直方图的基础上利用最小二乘法原理推导出来的,具有统计意义上的最佳分割阈值。OTSU阈值法是按图像的灰度特性将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。所以在二值化的时候采用OTSU算法来自动选取阈值进行二值化。OTSU算法被认为是图像分割中阈值选取的最佳算法,计算简单,不受图像亮度和对比度的影响。因此,将OTSU阈值法引入到水珠分离中来,能够自适应的分割出图像中的水珠目标对象。利用OTSU阈值法对图5(a)进行水珠分离结果如图6所示,图6显示的是水珠分离后的二值图像,图中白色区域为水珠目标分离图像,可以看出,原图中绝大大部分水珠得到了有效的分离。
从图6得出的结果表明已经实现对水珠图像的准确分离,得到了水珠目标二值图像,并保证了其边缘轮廓的连续和光滑性,同时各水珠之间也具有较好的和分离性,为了后续憎水性特征的提取,首先有需要对各个水珠的信息进行统计,本发明采用Blob分析(BlobAnalysis)方法进行各水珠信息统计。
Blob分析是对图像中相同像素的连通域进行分析,该连通域称为Blob。Blob分析可为机器视觉应用提供图像中的斑点的数量、位置、形状和方向,还可以提供相关斑点间的拓扑结构。在计算机视觉中的Blob是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域。显然,Blob分析其实就是将图像进行二值化,分割得到前景和背景,然后进行连通区域检测,从而得到Blob块的过程。简单来说,Blob分析就是在一块“光滑”区域内将出现“灰度突变”的小区域寻找出来。
根据上述描述,利用Blob分析中的连通性分析,将图像根据区域连通性分割为离散的连通区域,并统计各连通区域的信息,汇集成一个包含了多维信息的数据集合。这些集合中每一元素代表一滴水珠图像,水珠图像的表征变为了多维信息数据存储,这些信息包含了水珠的位置、像素面积、边缘、外接矩形、形心、重心等几何参数。完成这一工作后,不仅能有效的分离出每个水珠,还能为后续憎水性特征的提取建立数据支撑。
对分割后的憎水性图像进行特征量提取,提取4个与绝缘子憎水性相关的特征量:水珠(或水迹)覆盖率 W,最大水珠(或水迹)的形状因子fc,最大水珠(或水迹)与整幅图像的面积比 K,最大水珠(或水迹)的长轴a。这 4个特征量的值不受绝缘子的形状、污秽分布、光照条件、等因素的影响,只与绝缘子的憎水性等级相关。它们的表达式如下所示:
(1) 水珠(或水迹)覆盖率
(1)
其中,N 为识别出的水珠(或水迹)数,Si为第 i 个水珠的面积。S表示图像的面积。
(2) 形状因子:
(2)
其中,Smax为最大水珠(或水迹)的面积;l为最大水珠(或水迹)的周长。
(3) 最大面积比
(3)
其中,S为图像的面积。
4)最大水珠(或水迹)长轴的长a,a为最大水珠(或水迹)外接矩形的长轴的长(单位是像素)。
步骤三:利用贝叶斯决策算法集合人工智能神经网络算法将步骤二轮廓提取得到的憎水性检测图像与标准的憎水性图像进行对比,智能判断其与哪一个憎水等级图片符合程度最大,从而判断当前憎水性检测图像的憎水性等级。
BP神经网络是一种采用反向传播算法的多层前馈网络,该网络的特点是信号向前传递,误差反向传播。信号从输入层经隐含层逐层处理,直至输出层。若输出层得不到期望输出,则转向反向传播,根据预测误差调整网络权值和阈值,从而使网络预测输出不断逼近期望输出。由于BP神经网络能够逼近任意的非线性映射关系,并且具有很好的泛化能力,因此,用BP神经网络来建立憎水性特征量和憎水性等级之间的关系是合理的。
所述贝叶斯决策算法集合人工智能神经网络算法的方法是:对轮廓提取得到的特征分量进行特征值计算,利用BP神经网络建立特征值与憎水性等级之间的关系,通过贝叶斯决策算法比较憎水性检测图像与标准的憎水性图像,通过水珠尺寸判断憎水性检测图像的憎水性等级。BP神经网络训练的过程就是学习的过程,经过多次学习增强整个模型的判别能力。
本发明采用基于BP神经网络的憎水性识别模型方法进行判定,并利用其中尺寸标定功获取到实际的水珠尺寸,根据憎水性等级判定标准中的描述:等级HC1:只有分离的水珠,大部分水珠的状态、大小及分布应与标准的等级HC1憎水性图像基本一致;HC2:只有分离的水珠,大部分水珠的状态、大小及分布应与标准的等级HC2憎水性图像基本一致;HC3:只有分离的水珠,水珠一般不再是圆形,大部分水珠的状态、大小及分布应与标准的等级HC3憎水性图像基本一致;HC4:同时存在分离的水珠与水带,完全湿润的水带面积小于2cm2,水带总面积小于被测面积的90%;HC5:一些完全湿润的水带面积大于2cm2,水带总面积小于被测面积的90%;HC6:完全湿润总面积大于90%,仍存在少量干燥区域(或点、带);HC7:整个被试验区域形成连续的水膜。本发明在HC4和HC5两个等级中有2cm2水带面积这一实际尺寸量,由于引入了实际尺寸,对等级HC4以及等级HC5的判定提供了更准确的依据。通过贝叶斯决策算法可以方便的找到相似的标准的憎水性图像,从而确定出试验图像的憎水性等级。
本发明利用前期研究的无人机平台,结合人工智能判定方法,对运行中的复合绝缘子憎水性进行检测,不仅能提高检测效率,降低人力成本,而且大大改善了线路作业人员的工作条件,具有较大的经济效益和良好的社会效益。传统的人工判定方法需要熟练的技工人员进行主观判定,本发明判定方法可提高憎水性判定的效率及准确性,可以进一步保证复合绝缘子的安全运行。
本发明对绝缘子憎水性自动识别方法的研究使绝缘子憎水性在线检测成为可能,且简单、方便、快捷、经济,在未来将会拥有广泛的应用前景。本发明通过计算机智能代替人工进行憎水性判定,操控人员只需要在地面通过显示屏或视频眼镜对无人机进行操作,从喷水到实验结果采集全程自动大大改善了线路作业人员的工作条件;整个测试过程简单方便、容易操作,在很大程度上减轻了作业人员的劳动强度,保障了作业人员的人身安全。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种复合绝缘子憎水性等级智能判定方法,其特征在于,其步骤如下:
步骤一:通过自适应平滑滤波对无人机拍摄图像进行预处理,将无人机拍摄图像进行去噪声和平滑处理;
步骤二:对预处理后的图像进行轮廓提取,得到复合绝缘子伞裙上分布的水滴外轮廓;
步骤三:利用贝叶斯决策算法集合人工智能神经网络算法将步骤二轮廓提取得到的憎水性检测图像与标准的憎水性图像进行对比,智能判断其与哪一个憎水等级图片符合程度最大,从而判断当前憎水性检测图像的憎水性等级。
2.根据权利要求1所述的复合绝缘子憎水性等级智能判定方法,其特征在于,所述预处理的方法步骤如下:
S1:选取复合绝缘子喷水实际图像中一个图像块I;
S2:对图像块I进行光照分析,基于经验模式分解趋势项背景提取方法将图像块I中的光照不均匀背景分离得到图像矩阵I1;
S3:利用彩色图像饱和度增强和直方图均衡化算法相结合的方法对对图像矩阵I1进行增强处理得到图像矩阵I2。
3.根据权利要求2所述的复合绝缘子憎水性等级智能判定方法,其特征在于,所述轮廓提取方法的步骤如下:利用最大类间方差法自动选取图像矩阵I2的阈值进行二值化,自适应的分割出图像矩阵I2中的水珠目标对象,得到水珠目标二值图像矩阵I3;采用Blob分析方法对水珠目标二值图像矩阵I3进行处理,得到各水珠信息统计,提取与绝缘子憎水性相关的特征分量。
4.根据权利要求3所述的复合绝缘子憎水性等级智能判定方法,其特征在于,所述贝叶斯决策算法集合人工智能神经网络算法的方法是:对轮廓提取得到的特征分量进行特征值计算,利用BP神经网络建立特征值与憎水性等级之间的关系,通过贝叶斯决策算法比较憎水性检测图像与标准的憎水性图像,通过水珠尺寸判断憎水性检测图像的憎水性等级。
5.根据权利要求2所述的复合绝缘子憎水性等级智能判定方法,其特征在于,所述直方图均衡化算法为:对饱和度增强的图像的像素个数多的灰度级进行拓宽,而对像素个数少的灰度级进行缩减,使图像的直方图变换为均匀分布的形式。
6.根据权利要求3所述的复合绝缘子憎水性等级智能判定方法,其特征在于,所述Blob分析是对图像矩阵I3进行二值化,分割得到前景图像和背景图像,然后进行连通区域检测,从而得到Blob块;将前景图像根据区域连通性分割为离散的连通区域,并统计各连通区域的信息,汇集成一个包含了多维信息的数据集合;数据集合中每一元素代表一滴水珠图像,水珠图像表征了多维信息数据存储,多维信息包含了水珠的位置、像素面积、边缘、外接矩形、形心和重心的几何参数。
7.根据权利要求3所述的复合绝缘子憎水性等级智能判定方法,其特征在于,所述与绝缘子憎水性相关的特征量为水珠覆盖率W、最大水珠的形状因子fc、最大水珠与整幅图像的面积比K和最大水珠的长轴 a。
8.根据权利要求7所述的复合绝缘子憎水性等级智能判定方法,其特征在于,所述水珠覆盖率W为:;其中,N为识别出的水珠或水迹数,Si为第i个水珠的面积,S表示图像的面积;形状因子;其中,Smax为最大水珠或水迹的面积;l为最大水(或水迹的周长;最大面积比;最大水珠长轴的长a为最大水珠或水迹外接矩形的长轴的长,单位是像素。
9.根据权利要求7所述的复合绝缘子憎水性等级智能判定方法,其特征在于,所述水珠尺寸判断复合绝缘子喷水实际图像的憎水性等级的方法为:与标准的憎水性图像相比,同时存在分离的水珠与水带,完全湿润的水带面积小于2cm2,水带总面积小于被测面积的90%为等级HC4;一些完全湿润的水带面积大于2cm2,水带总面积小于被测面积的90%为等级HC5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159005.3A CN109060606A (zh) | 2018-09-30 | 2018-09-30 | 一种复合绝缘子憎水性等级智能判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159005.3A CN109060606A (zh) | 2018-09-30 | 2018-09-30 | 一种复合绝缘子憎水性等级智能判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109060606A true CN109060606A (zh) | 2018-12-21 |
Family
ID=64767228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159005.3A Pending CN109060606A (zh) | 2018-09-30 | 2018-09-30 | 一种复合绝缘子憎水性等级智能判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109060606A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801283A (zh) * | 2019-01-25 | 2019-05-24 | 西安工程大学 | 一种基于水滴偏移距离的复合绝缘子憎水性等级判定方法 |
CN109900719A (zh) * | 2019-03-04 | 2019-06-18 | 华中科技大学 | 一种叶片表面刀纹的视觉检测方法 |
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 |
CN111855501A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法 |
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 |
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 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519846A (zh) * | 2011-12-15 | 2012-06-27 | 国网电力科学研究院 | 基于高光谱的复合绝缘子憎水性检测方法 |
KR101142162B1 (ko) * | 2010-08-27 | 2012-07-11 | 한국전력공사 | 송전용 폴리머 애자의 발수성 측정 장치 |
CN103345637A (zh) * | 2013-07-15 | 2013-10-09 | 国家电网公司 | 输电线路复合绝缘子憎水性在线检测系统及方法 |
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 |
CN106407928A (zh) * | 2016-09-13 | 2017-02-15 | 武汉大学 | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 |
CN107219854A (zh) * | 2017-07-19 | 2017-09-29 | 国家电网公司 | 一种基于无人机的绝缘子憎水性检测装置和方法 |
CN108090487A (zh) * | 2017-11-28 | 2018-05-29 | 华南理工大学 | 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 |
-
2018
- 2018-09-30 CN CN201811159005.3A patent/CN109060606A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101142162B1 (ko) * | 2010-08-27 | 2012-07-11 | 한국전력공사 | 송전용 폴리머 애자의 발수성 측정 장치 |
CN102519846A (zh) * | 2011-12-15 | 2012-06-27 | 国网电力科学研究院 | 基于高光谱的复合绝缘子憎水性检测方法 |
CN103345637A (zh) * | 2013-07-15 | 2013-10-09 | 国家电网公司 | 输电线路复合绝缘子憎水性在线检测系统及方法 |
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 |
CN106407928A (zh) * | 2016-09-13 | 2017-02-15 | 武汉大学 | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 |
CN107219854A (zh) * | 2017-07-19 | 2017-09-29 | 国家电网公司 | 一种基于无人机的绝缘子憎水性检测装置和方法 |
CN108090487A (zh) * | 2017-11-28 | 2018-05-29 | 华南理工大学 | 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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801283A (zh) * | 2019-01-25 | 2019-05-24 | 西安工程大学 | 一种基于水滴偏移距离的复合绝缘子憎水性等级判定方法 |
CN109801283B (zh) * | 2019-01-25 | 2023-03-14 | 西安工程大学 | 一种基于水滴偏移距离的复合绝缘子憎水性等级判定方法 |
CN109900719A (zh) * | 2019-03-04 | 2019-06-18 | 华中科技大学 | 一种叶片表面刀纹的视觉检测方法 |
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 |
CN111855501A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法 |
CN111855501B (zh) * | 2020-07-30 | 2024-02-20 | 华北电力大学(保定) | 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法 |
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 |
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 |
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 |
---|---|---|
CN109060606A (zh) | 一种复合绝缘子憎水性等级智能判定方法 | |
CN106595551B (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
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 | |
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 | |
CN108108772B (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 | |
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 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN109635636B (zh) | 基于属性特征和加权的分块特征相融合的行人再识别方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN108764154A (zh) | 一种基于多特征机器学习的水面垃圾识别方法 | |
CN111753805A (zh) | 安全帽佩戴检测方法和装置 | |
CN109918971A (zh) | 监控视频中人数检测方法及装置 | |
CN106408025A (zh) | 基于图像处理的航拍图像绝缘子分类识别方法 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN103034868B (zh) | 一种针对小样本以及高维图像的分类方法 | |
Kong et al. | Pixel-level assessment model of contamination conditions of composite insulators based on hyperspectral imaging technology and a semi-supervised ladder network | |
CN113128308A (zh) | 一种港口场景下的行人检测方法、装置、设备及介质 | |
CN109191467A (zh) | 一种细胞自噬表型的预测方法及装置 | |
CN111931577A (zh) | 一种电网线路特定异物智能巡检方法 | |
CN109543622A (zh) | 一种输电线路绝缘子图像分割方法 | |
Tu et al. | A study of broccoli grading system based on machine vision and neural networks | |
Chen et al. | Automatic classification and detection of oranges based on computer vision | |
CN108470141A (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 | |
Bhandari et al. | Can a camera tell the weather? |
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: 20181221 |