CN109215020B - 基于计算机视觉的高压输电线路故障识别方法 - Google Patents
基于计算机视觉的高压输电线路故障识别方法 Download PDFInfo
- Publication number
- CN109215020B CN109215020B CN201811000276.4A CN201811000276A CN109215020B CN 109215020 B CN109215020 B CN 109215020B CN 201811000276 A CN201811000276 A CN 201811000276A CN 109215020 B CN109215020 B CN 109215020B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- transmission line
- power transmission
- pixel
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000004020 conductor Substances 0.000 claims abstract description 54
- 238000003708 edge detection Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 6
- 239000012212 insulator Substances 0.000 claims description 35
- 238000005192 partition Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000011248 coating agent Substances 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 239000005557 antagonist Substances 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 6
- 230000008485 antagonism Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000609 ganglia Anatomy 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036319 strand breaking 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
- 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
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
Abstract
基于计算机视觉的高压输电线路故障识别方法,涉及高压输电线路运行状态监测技术领域。本发明是为了解决现有的高压输电线路在线监测系统误报率较高的问题。步骤一、根据边缘检测算法对输电线路图像进行边缘检测,得到强边缘图像,从强边缘图像中获得边缘端点和边缘方向,由于边缘端点的梯度方向与边缘方向垂直,根据边缘端点的梯度方向选择边缘连接窗口,根据霍夫变换的方法在边缘连接窗口内筛选边缘连接点,将边缘连接点连接成边缘图像;步骤二、采用基于相位编组的输电导线检测算法从输电线路图像的边缘图像中筛选出输电导线;步骤三、对输电导线进行处理,识别输电线路上的故障。它用于输电线路故障识别。
Description
技术领域
本发明涉及一种基于计算机视觉的高压输电线路故障识别方法,属于高压输电线路运行状态监测技术领域。
背景技术
随着国民经济的发展,各行各业对电力的需求不断扩大,我国的高压输电线路总长度已越居世界第二。如何提早预防、及时发现危害输电线路的安全隐患,成为保障电力供应的一项重要基础工作。釆用先进技术对高压输电线路进行监控、分析和处理,切实保障安全供电受到了电力行业极大的关注和重视。
近年来,虽然陆续研制了一些输电线路监测设备,但是这些设备的报警功能存在误报警较高、报警种类少,图像传输延时长、质量差的问题。因此,在保证图像传输质量的前提下,实现对高压输电线路的危险状态和线路周边的危险物体自动监测,降低误报率,是供电企业迫切需要解决的问题。
目前对于高压输电线路的在线监测主要包括绝缘子污秽在线监测、输电线路导线舞动在线监测、输电线路覆冰在线监测等。但各种在线监测系统更多的是针对某一项或几项监测内容进行监测,存在报警类型少的问题。同时,高压输电线路所处环境复杂,现有的图像处理方法很难在复杂的背景中精确地定位与识别输电线路,从而导致监测系统的误报率较高。
发明内容
本发明是为了解决现有的高压输电线路在线监测系统误报率较高的问题。现提供基于计算机视觉的高压输电线路故障识别方法。
基于计算机视觉的高压输电线路故障识别方法,所述方法包括以下步骤:
步骤一、根据边缘检测算法对输电线路图像进行边缘检测,得到强边缘图像,从强边缘图像中获得边缘端点和边缘方向,由于边缘端点的梯度方向与边缘方向垂直,根据边缘端点的梯度方向选择边缘连接窗口,根据霍夫变换的方法在边缘连接窗口内筛选边缘连接点,将边缘连接点连接成边缘图像;
步骤二、采用基于相位编组的输电导线检测算法从输电线路图像的边缘图像中筛选出输电导线;
步骤三、对输电导线进行处理,识别输电线路上的故障。
本发明的有益效果为:
本申请首先对监测系统采集到的输电线路图像使用边缘检测算法进行边缘检测,然后采用基于相位编组的输电导线检测算法进行导线检测。本申请使用边缘检测算法和基于相位编组的输电导线检测算法结合的方式,能够准确、快速的从输电线路图像的边缘图像中筛选出输电导线,与现有技术相比,有效的解决了误报的问题。
最后对高压输电线路覆冰、绝缘子掉串、线路断股、线路周围异物进行识别。当高压输电线路出现故障时,利用无线通信系统将故障类别传送到监控中心,实现故障的报警,利用该发明能够准确的检测出故障原因。
附图说明
图1为具体实施方式一中所述基于计算机视觉的高压输电线路故障识别方法的流程图;
图2为边缘端点、梯度方向和边缘方向的示意图;
图3为边缘图像中每个像素的梯度方向和每个分区内拟合该区内像素所成的直线法线与x轴夹角图;
图4为标号(1)至(8)8个边缘连接窗口的示意图;
图5为标号(1)至(8)8个区域内的输电导线交叉点匹配模版;
图6为导线覆冰厚度计算原理图;
图7为视觉注意模型的流程图。
具体实施方式
具体实施方式一:参照图1和图2具体说明本实施方式,本实施方式所述的基于计算机视觉的高压输电线路故障识别方法,所述方法包括以下步骤:
步骤一、根据边缘检测算法对输电线路图像进行边缘检测,得到强边缘图像,从强边缘图像中获得边缘端点和边缘方向,由于边缘端点的梯度方向与边缘方向垂直,根据边缘端点的梯度方向选择边缘连接窗口,根据霍夫变换的方法在边缘连接窗口内筛选边缘连接点,将边缘连接点连接成边缘图像;
步骤二、采用基于相位编组的输电导线检测算法从输电线路图像的边缘图像中筛选出输电导线;
步骤三、对输电导线进行处理,识别输电线路上的故障。
本实施方式中,根据边缘检测算法对输电线路图像进行边缘检测,边缘检测算法首先要对输电线路图像进行灰度处理,去掉颜色,得到灰度图像,然后用梯度算子求灰度图像的边缘,边缘检测算法设定了一大一小两个阈值,大于大阈值的像素,边缘检测算法认为是边缘,小于小阈值的像素,边缘检测算法认为是噪声。由所有大于大阈值的像素组成的图像叫做强边缘图像。
从强边缘图像中寻找边缘端点作为边缘连接的基础。边缘端点定义为:该点梯度幅值大于高阈值,且8邻域内(该点像素相邻的8个像素合起来的区域为该点像素的8邻域)只有一个梯度幅值大于高阈值或两个相邻的梯度幅值大于高阈值的像素点。对每一边缘端点,由于边缘梯度方向与边缘方向垂直,根据端点的梯度方向选择边缘连接窗口。如图4 所示。
对于边缘连接窗口内的像素点,借鉴霍夫变换的思想选择边缘连接点。用霍夫变换连接边缘的具体步骤为:根据公式ρ=xcosθ+ysinθ,将x-y平面图像转化为ρ-θ参数平面上的矩阵;将θ与ρ的取值范围按一定的步长量化为若干单元,建立二维累加数组A,数组中每一点表示为A(ρ,θ),初值设为0;对于二值图像上的每个目标点(xi,yi),让θ依次变化而根据式ρ=xcosθ+ysinθ计算ρ,并对A累加:A(ρ,θ)=A(ρ,θ)+1;累加结束后,根据A(ρ,θ)的值就可知道有多少点是共线的,即A(ρ,θ)的值就是在(ρ,θ)处共线点的个数。根据峰值点处A(ρ,θ)值得到图像空间中共线的点并连接为边缘。
具体实施方式二:本实施方式是对具体实施方式一所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,对输电导线进行处理,识别输电线路上的故障包括:
沿步骤二得到的输电导线方向采用目标匹配的方式判断输电导线是否断股,
采用图像法判断输电导线是否覆冰,
通过建立绝缘子颜色模型对输电导线上的绝缘子区域进行分割,对分割后的图像使用形态学闭运算处理后,通过检测分割后图像的缺口定位绝缘子掉串故障,
采用视觉注意机制模型检测输电线路中的异物,从而实现识别高压输电线路的故障。
具体实施方式三:本实施方式是对具体实施方式二所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,步骤一中,根据边缘检测算法对输电线路图像进行边缘检测,得到强边缘图像的过程为:首先,将输电线路图像去掉颜色,得到灰度图像,然后用梯度算子获得边缘图像:
使用高斯滤波器对输电线路图像进行噪声抑制,得到平滑的输电线路图像,然后采用一阶微分算子计算平滑输电线路图像的各像素点处梯度的幅值和方向,像素点(i,j)处的梯度幅值M(i,j)和梯度方向α(i,j)分别为:
式中,Gx(i,j)表示像素点(i,j)处沿x轴方向的偏导数,Gy(i,j)表示像素点(i,j)处沿 y轴方向的偏导数,Gx(i,j)=(I(i,j+1)-I(i,j)+I(i+1,j+1)-I(i+1,j))/2, Gy(i,j)=(I(i,j)-I(i+1,j)+I(i,j+1)-I(i+1,j+1))/2,I(i,j)为坐标(i,j)处的图像灰度值,
在梯度幅值图像中以点I(i,j)为中心的一定邻域内对像素点沿着梯度方向进行插值,然后判断该像素点的梯度幅值是否是沿梯度方向的最大值,如果像素点I(i,j)的梯度幅值是沿梯度方向的最大值,则将该像素点记为候选边缘点,否则记为非边缘点,根据候选边缘点得到候选边缘图像;
对于获得的候选边缘图像,利用最大类间方差法求得图像的最佳分割阈值,并将其设为高阈值获得强边缘图像:
设f(x,y)为候选边缘图像IM×N在(x,y)处的灰度值,灰度级为L,则f(x,y)∈[0,L-1],若灰度级i的所有像素个数为fi,则第i级灰度出现的概率p(i)为:
式中,i=0,1,…,L-1,
利用最大类间方差法求得图像的最佳分割阈值t,利用该阈值t将图像像素点划分为背景C0和目标C1,背景C0的灰度级为0~t-1,目标C1的灰度级为t~L-1,背景C0部分出现的概率ω0和目标C1部分出现的概率ω1分别为:
背景C0部分的平均灰度值μ0(t)和目标C1部分的平均灰度值μ1(t)分别为:
图像的总平均灰度值为:
图像中背景和目标的类间方差为:
令k的取值从0~L-1变化,分别计算不同k值对应的类间方差δ2(k),δ2(k)最大时获得最优阈值k,根据最大类间方差法和最优阈值k得到强边缘图像。
本实施方式中,基于边缘检测算法首先使用高斯滤波器进行噪声抑制,二维高斯函数定义为:
其中k为常量,σ为高斯滤波器分布参量。
具体实施方式四:本实施方式是对具体实施方式一所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,步骤二中,采用基于相位编组的输电导线检测算法从输电线路图像的边缘图像中筛选出输电导线的具体过程为:
设边缘图像函数f(x,y),使用一阶差分方法来取代一阶微分:
△fx(x,y)=f(x,y)-f(x-1,y) 公式9,
△fy(x,y)=f(x,y)-f(x,y-1) 公式10,
此时,边缘图像中每个像素的梯度方向α为:
采用相位编组法对梯度方向进行分区,利用最小二乘法拟合每一分区所代表的直线,通过设定的阈值Tρ和Tθ对拟合后的直线进行分类,同一类的两条直线(ρ1,θ1)和(ρ2,θ2)满足如下公式:
式中,ρ为原始图像中原点到直线的距离,θ1和θ2为拟合后的直线的法线与x轴夹角,
对所有直线段进行分类后,对每一类中用于拟合直线段的所有边缘点进行重新拟合,得到候选导线,忽略掉候选导线中连通域面积小于20最短的或者斜率的绝对值大于1的导线,剩下的导线重新拟合,从重新拟合后的导线中选出直线的法线与x轴夹角θ和长度l同时满足:-45°≤|θ|≤45°,l≥20的导线作为输电导线。
本实施方式中,计算得到梯度相位后,相位编组法将0°~360°的梯度相位范围平均分为8个区域:0°~45°、45°~90°、…、315°~360°,并分别赋予编号1、2、…、8。当直线的梯度相位刚刚位于两个小区域间时,该分区方式会让本是一条直线上的像素点分散在两个不同的区域中,造成直线断裂。如图5所示。因此除上述分区方式外,将分区范围旋转22.5°,以22.5°相位为起点,每隔45°为一支持区域进行编号。分别对上述两种分区方式中各直线支持区域的像元数目进行统计计数,数目最多的就是最佳分区方式。
由于图像中导线的特点:一是相对较长的线段,二是与水平线的角度在-45°到+45°之间,因此可以忽略掉连通域面积小于20或者斜率的绝对值大于1的导线。即如果重新拟合后的直线倾角θ和长度l不能同时满足:-45°≤|θ|≤45°,l≥20时则认为其不是输电导线而将其剔除,仅保留符合条件的直线。
每一个像素都能求出梯度方向α,如图3中箭头所示的为梯度方向α,而图3中的θ表示公式17中的拟合直线的法线与x轴夹角。
具体实施方式五:本实施方式是对具体实施方式四所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,利用最小二乘法拟合每一分区所代表的直线,具体为:
组成边缘图像函数f(x,y)的若干组数据为(xi,yi),对于直线方程y=a0+a1x,使用最小二乘法使偏差平方和∑[yi-f(xi)]2取最小值时,得到参数a0、a1的最佳估值:
式中,a0和a1为偏差平方和最小时的最佳估值,yi为边缘点的y轴坐标值,xi为边缘点的x轴坐标值,a0为拟合直线的截距,a1为拟合直线的斜率,
根据公式13和公式14,得到:
将公式15和公式16带入直线方程y=a0+a1x中,得到每个分区的直线方程,根据每个分区的直线方程得到每个分区的直线方程的极坐标ρ:
ρ=xcosθ+ysinθ 公式17,
式中,ρ为原始图像中原点到直线的距离,θ为每个分区内拟合直线的法线与x轴夹角。
具体实施方式六:本实施方式是对具体实施方式一所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,步骤三中,判断输电导线是否覆冰的过程为:
沿输电导线方向,采用目标匹配的方式来检测输电线路图像中的交叉点,匹配到交叉点后得到交叉点处子图像矩阵Am×n,设置初始化参数δH和δθ,从图像矩阵Am×n中截取出来的交叉处的导线子图为L1和L2,计算导线子图L1的平均灰度H(L1)和导线子图L2的平均灰度H(L2),平均灰度的计算公式为:
当交叉点连接的两分支的平均灰度差满足:
|H(L1)-H(L2)|<δH公式19,计算交叉点连接两分支的边缘点梯度相位差σθ为:
其中,N为边缘点的个数,θi为像素点的梯度,
若σθ>δθ,则判断该输电导线断股。
本实施方式中,输电导线交叉点指输电导线上连接至少三个方向的输电线段的交汇点。沿输电导线方向,采用目标匹配的方式来检测输电线路图像中的交叉点,交叉点模板如图 5所示。
具体实施方式七:参照图6具体说明本实施方式,本实施方式是对具体实施方式一所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,步骤三中,采用图像法初步判断输电导线是否覆冰的具体过程为:
采用最大类间方差法对采集到的输电线路图像进行分割,计算导线覆冰前后区域的像素点数,当导线区域像素数大于系统中存储的无覆冰时像素的20%时,则判定有覆冰,
式中,St为t时刻覆冰区域像素总面积,Sd为导线未覆冰时的像素面积,d为导线实际直径。
本实施方式中,在判断输电导线是否覆冰时,利用图像法计算输电导线覆冰厚度,其原理如图6所示。采用最大类间方差法(Otsu)对采集到的输电线路图像进行分割,计算导线覆冰前后区域的像素点数。当导线区域像素数大于系统中存储的无覆冰时像素的20%时,则初步判定有覆冰。通过比较覆冰前后导线和绝缘子区域像素数初步判断输电线路有覆冰后,取输电线路图像覆冰前后的导线边界并计算边界的距离来确定是否有覆冰,并计算输电线路覆冰厚度。
具体实施方式八:本实施方式是对具体实施方式一所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,步骤三中,通过建立绝缘子颜色模型对绝缘子区域进行分割,对分割结果使用形态学闭运算处理后,通过检测缺口的方式定位绝缘子掉串故障的过程为:
根据绝缘子颜色分布,建立绝缘子颜色模型为:
式中,R、G、B分别为绝缘子的红、绿、蓝颜色分量,
运用绝缘子颜色模型对绝缘子区域进行分割,分割后的绝缘子区域通过形态学闭运算进行处理后,将绝缘子区域最小外接矩形的长边作为主轴方向,依据主轴方向与水平方向的夹角对绝缘子进行倾斜校正,然后将经倾斜校正后的绝缘子区域进行二值取反操作,此时绝缘子区域的掉串故障缺口区域为白色像素,其余为黑色像素,最后计算白色像素的长度与宽度之比和白色像素的面积,若白色像素的长度与宽度之比和白色像素的面积均满足设定阈值,则判定白色像素为掉串故障区域。
具体实施方式九:参照图7具体说明本实施方式,本实施方式是对具体实施方式一所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,步骤三中,采用视觉注意机制模型检测输电线路中的异物的过程为:
步骤三一、采用9层高斯金字塔对输电线路图像进行多尺度表示,每层高斯金字塔对输电线路图像提取颜色、亮度和方向特征作为每一层的初级特征;
步骤三二、采用中央—周边差及归一化和交叉尺度合并的方式对每一层的初级特征形成对应的单特征显著图;
步骤三三、采用多特征融合机制将单特征显著图进行融合,获得输电线路图像的显著图;
步骤三四、对输电线路图像的显著图进行归一化处理,从显著图中找到显著值最大的区域作为异物的位置。
本实施方式中,利用9层高斯金字塔,每一层对图像提取颜色、亮度和方向特征。人眼在获取颜色信息时,颜色信息在神经节和外膝体中生成黑白、红绿和黄蓝三个独立的颜色通路。在颜色形成的三个通路中,各个通路中的颜色相互抑制。亮度信息可以从黑色通路获得,颜色信息从红绿通路和黄蓝通路获得。为了准确的模拟人眼获取颜色信息的过程,Itti模型在提取颜色特征时对红绿通道和蓝黄通道中的红色R、绿色G、蓝色B和黄色Y的定义为:
在颜色信息形成的红绿通道、蓝黄通道中,红色和绿色、蓝色和黄色相互制约,因此通过将相互抑制的颜色相减取模获得颜色拮抗:
RG=|R-G|
BY=|B-Y|
在获取亮度特征时,视觉注意模型为了适应不同来源的图像,用高斯金字塔中每一层图像的红、绿、蓝三种颜色的特征值来计算亮度特征,亮度特征计算公式为:
在提取方向特征时,由于Gabor函数具有很好的方向选择性,所以Itti视觉注意模型采用Gabor滤波器来提取高斯金字塔每一层图像的方向特性,Gabor滤波器的计算方法为:
h(x,y)=g(x′,y′)cos[2πωfx′]
x′=xcosθ+ysinθ
y′=-xsinθ+ycosθ
其中,ωf为中心频率,σ为高斯函数的方差,θ为滤波方向。在提取方向特征时通过设置ωf来设置滤波尺度。θ取0°、45°、90°、135°,表示利用Gabor滤波器对高斯金字塔的每一层进行滤波时,即可得到图像在四个方向上的方向特征图。
Itti模型通过高斯金字塔获得各层图像后,提取每一层的初级特征信息,然后对每一通道的各层图像使用中央—周边操作获得特征图。中央—周边操作选取金字塔的第c层 (c∈{2,3,4})作为中央层,c+δ(δ∈{3,4})作为其周边层。例如,选择第3层为中央层时其对应的周边层为第6和第7层。在高斯金字塔不同层级之间,可以对上层图像进行插值或对下层图像进行降采样来获得相同像素点数的图像,然后对插值或降采样后的图像与本层图像的对应像素点相减,这种在层间进行的对应像素相减操作用Θ表示。亮度特图的计算公式为:
I(c,s)=|I(c)ΘI(s)|
在颜色信息中,需要计算红绿和蓝黄两组颜色拮抗的特征图:
RG(c,s)=|(R(c)-G(c))Θ(G(s)-R(s))|
BY(c,s)=|(B(c)-Y(c))Θ(Y(s)-B(s))|
方向特征图的计算公式为:
O(c,s,θ)=|O(c,θ)ΘO(s,θ)|
由于颜色特征中存在两组拮抗、方向特征中Gabor滤波器在4个方向进行滤波,因此通过中央—周边操作可得到6幅亮度、12幅颜色和24幅方向特征图。在获得42幅特征图后,Itti模型根据Treisman的特征融合理论和Koch的神经生物学模型首先将每个特征通道的不同尺度的特征图进行跨尺度相加,这种跨尺度相加操作用表示。对每个特征通道的进行跨尺度相加后,获得颜色亮度和方向三个特征上的单特征显著图。颜色和亮度的计算公式为:
在计算方向特征的单特征显著图时,首先合并每一角度的六个特征图,然后再将四个方向的特征图进行合并,获得方向特征的单特征显著图。方向特征的单特征显著图计算公式为:
式中N(·)为归一化算子。
归一化算子可以将特征图的显著区域突出表示,对于不关心的背景区域则进行抑制,防止感兴趣区域被忽视。获得颜色、亮度和方向的单特征显著图后,再将这三幅单特征显著图归一化,得到最终的显著图。单特征显著图归一化的计算公式为:
式中αi为亮度特征值的权重系数,αc为颜色特征值的权重系数,αo为方向特征值的权重系数。
注意机制在产生显著图之后,显著图中各目标利用Koch神经生物学框架中提及的胜者为王的竞争机制来获得注意焦点。胜者为王机制根据显著图的值找到显著值最大的区域作为注意焦点,获得危害线路安全的显著区域。当输电线路图像中有多处危险区域时,返回抑制机制在获得注意焦点后对该区域进行抑制,然后转移到下一个显著性区域,直到所有显著性区域都得到注意。
具体实施方式十:本实施方式是对具体实施方式九所述的基于计算机视觉的高压输电线路故障识别方法作进一步说明,本实施方式中,步骤三二中,每一层的初级特征形成对应的单特征显著图分别为:
式中,N(·)为归一化算子,c为高斯金字塔的中央层,s为高斯金字塔的周边层,RG和BY分别为两组颜色拮抗,
步骤三三中,输电线路图像的显著图S为:
式中,αi、αc、αo分别为亮度、颜色、方向特征值的权重系数。
Claims (7)
1.基于计算机视觉的高压输电线路故障识别方法,其特征在于,所述方法包括以下步骤:
步骤一、根据边缘检测算法对输电线路图像进行边缘检测,得到强边缘图像,从强边缘图像中获得边缘端点和边缘方向,由于边缘端点的梯度方向与边缘方向垂直,根据边缘端点的梯度方向选择边缘连接窗口,根据霍夫变换的方法在边缘连接窗口内筛选边缘连接点,将边缘连接点连接成边缘图像;
边缘端点梯度幅值大于设定阈值,且8邻域内只有一个梯度幅值大于设定阈值或两个相邻的梯度幅值大于设定阈值的像素值,所述8邻域为边缘端点像素相邻的8个像素合起来的区域为该边缘端点像素的8领域;
根据公式ρ=xcosθ+ysinθ,将x-y平面图像转化为ρ-θ参数平面上的矩阵;将θ与ρ的取值范围按一定的步长量化为若干单元,建立二维累加数组A,数组中每一点表示为A(ρ,θ),初值设为0;对于二值图像上的每个目标点(xi,yi),让θ依次变化而根据式ρ=xcosθ+ysinθ计算ρ,并对A累加:A(ρ,θ)=A(ρ,θ)+1;累加结束后,根据A(ρ,θ)的值就可知道有多少点是共线的,A(ρ,θ)的值就是在(ρ,θ)处共线点的个数,根据峰值点处A(ρ,θ)值得到图像空间中共线的点并连接为边缘;ρ为原始图像中原点到直线的距离,θ为每个分区内拟合直线的法线与x轴夹角;
步骤一中,根据边缘检测算法对输电线路图像进行边缘检测,得到强边缘图像的过程为:首先,将输电线路图像去掉颜色,得到灰度图像,然后用梯度算子获得边缘图像:
使用高斯滤波器对输电线路图像进行噪声抑制,得到平滑的输电线路图像,然后采用一阶微分算子计算平滑输电线路图像的各像素点处梯度的幅值和方向,像素点(i,j)处的梯度幅值M(i,j)和梯度方向α(i,j)分别为:
式中,Gx(i,j)表示像素点(i,j)处沿x轴方向的偏导数,Gy(i,j)表示像素点(i,j)处沿y轴方向的偏导数,Gx(i,j)=(I(i,j+1)-I(i,j)+I(i+1,j+1)-I(i+1,j))/2,Gy(i,j)=(I(i,j)-I(i+1,j)+I(i,j+1)-I(i+1,j+1))/2,I(i,j)为坐标(i,j)处的图像灰度值,
在梯度幅值图像中以点I(i,j)为中心的一定邻域内对像素点沿着梯度方向进行插值,然后判断该像素点的梯度幅值是否是沿梯度方向的最大值,如果像素点I(i,j)的梯度幅值是沿梯度方向的最大值,则将该像素点记为候选边缘点,否则记为非边缘点,根据候选边缘点得到候选边缘图像;
对于获得的候选边缘图像,利用最大类间方差法求得图像的最佳分割阈值,并将其设为高阈值获得强边缘图像:
设f(x,y)为候选边缘图像IM×N在(x,y)处的灰度值,灰度级为L,则f(x,y)∈[0,L-1],若灰度级i的所有像素个数为fi,则第i级灰度出现的概率p(i)为:
式中,i=0,1,…,L-1,
利用最大类间方差法求得图像的最佳分割阈值t,利用该阈值t将图像像素点划分为背景C0和目标C1,背景C0的灰度级为0~t-1,目标C1的灰度级为t~L-1,背景C0部分出现的概率ω0和目标C1部分出现的概率ω1分别为:
背景C0部分的平均灰度值μ0(t)和目标C1部分的平均灰度值μ1(t)分别为:
图像的总平均灰度值为:
图像中背景和目标的类间方差为:
令k的取值从0~L-1变化,分别计算不同k值对应的类间方差δ2(k),δ2(k)最大时获得最优阈值k,根据最大类间方差法和最优阈值k得到强边缘图像;
步骤二、采用基于相位编组的输电导线检测算法从输电线路图像的边缘图像中筛选出输电导线;
步骤二中,采用基于相位编组的输电导线检测算法从输电线路图像的边缘图像中筛选出输电导线的具体过程为:
设边缘图像函数f(x,y),使用一阶差分方法来取代一阶微分:
Δfx(x,y)=f(x,y)-f(x-1,y) 公式9,
Δfy(x,y)=f(x,y)-f(x,y-1) 公式10,
此时,边缘图像中每个像素的梯度方向α为:
采用相位编组法对梯度方向进行分区,利用最小二乘法拟合每一分区所代表的直线,通过设定的阈值Tρ和Tθ对拟合后的直线进行分类,同一类的两条直线(ρ1,θ1)和(ρ2,θ2)满足如下公式:
式中,ρ为原始图像中原点到直线的距离,θ1和θ2为拟合后的直线的法线与x轴夹角,
对所有直线段进行分类后,对每一类中用于拟合直线段的所有边缘点进行重新拟合,得到候选导线,忽略掉候选导线中连通域面积小于20最短的或者斜率的绝对值大于1的导线,剩下的导线重新拟合,从重新拟合后的导线中选出直线的法线与x轴夹角θ和长度l同时满足:-45°≤|θ|≤45°,l≥20的导线作为输电导线;
步骤三、对输电导线进行处理,识别输电线路上的故障;
对输电导线进行处理,识别输电线路上的故障包括:
沿步骤二得到的输电导线方向采用目标匹配的方式判断输电导线是否断股,
采用图像法判断输电导线是否覆冰,
通过建立绝缘子颜色模型对输电导线上的绝缘子区域进行分割,对分割后的图像使用形态学闭运算处理后,通过检测分割后图像的缺口定位绝缘子掉串故障,
采用视觉注意机制模型检测输电线路中的异物,从而实现识别高压输电线路的故障。
2.根据权利要求1所述基于计算机视觉的高压输电线路故障识别方法,其特征在于,利用最小二乘法拟合每一分区所代表的直线,具体为:
组成边缘图像函数f(x,y)的若干组数据为(xi,yi),对于直线方程y=a0+a1x,使用最小二乘法使偏差平方和∑[yi-f(xi)]2取最小值时,得到参数a0、a1的最佳估值:
式中,a0和a1为偏差平方和最小时的最佳估值,yi为边缘点的y轴坐标值,xi为边缘点的x轴坐标值,a0为拟合直线的截距,a1为拟合直线的斜率,
根据公式13和公式14,得到:
式中,a0为拟合直线的截距a0的估计值,a1为拟合直线的斜率a1的估计值,
将公式15和公式16带入直线方程y=a0+a1x中,得到每个分区的直线方程,根据每个分区的直线方程得到每个分区的直线方程的极坐标ρ:
ρ=xcosθ+ysinθ 公式17,
式中,ρ为原始图像中原点到直线的距离,θ为每个分区内拟合直线的法线与x轴夹角。
3.根据权利要求1所述基于计算机视觉的高压输电线路故障识别方法,其特征在于,步骤三中,判断输电导线是否覆冰的过程为:
沿输电导线方向,采用目标匹配的方式来检测输电线路图像中的交叉点,匹配到交叉点后得到交叉点处子图像矩阵Am×n,设置初始化参数δH和δθ,从图像矩阵Am×n中截取出来的交叉处的导线子图为L1和L2,计算导线子图L1的平均灰度H(L1)和导线子图L2的平均灰度H(L2),平均灰度的计算公式为:
当交叉点连接的两分支的平均灰度差满足:
|H(L1)-H(L2)|<δH公式19,计算交叉点连接两分支的边缘点梯度相位差σθ为:
其中,N为边缘点的个数,θi为像素点的梯度,
若σθ>δθ,则判断该输电导线断股。
5.根据权利要求1所述基于计算机视觉的高压输电线路故障识别方法,其特征在于,步骤三中,通过建立绝缘子颜色模型对绝缘子区域进行分割,对分割结果使用形态学闭运算处理后,通过检测缺口的方式定位绝缘子掉串故障的过程为:
根据绝缘子颜色分布,建立绝缘子颜色模型为:
式中,R、G、B分别为绝缘子的红、绿、蓝颜色分量,
运用绝缘子颜色模型对绝缘子区域进行分割,分割后的绝缘子区域通过形态学闭运算进行处理后,将绝缘子区域最小外接矩形的长边作为主轴方向,依据主轴方向与水平方向的夹角对绝缘子进行倾斜校正,然后将经倾斜校正后的绝缘子区域进行二值取反操作,此时绝缘子区域的掉串故障缺口区域为白色像素,其余为黑色像素,最后计算白色像素的长度与宽度之比和白色像素的面积,若白色像素的长度与宽度之比和白色像素的面积均满足设定阈值,则判定白色像素为掉串故障区域。
6.根据权利要求1所述基于计算机视觉的高压输电线路故障识别方法,其特征在于,步骤三中,采用视觉注意机制模型检测输电线路中的异物的过程为:
步骤三一、采用9层高斯金字塔对输电线路图像进行多尺度表示,每层高斯金字塔对输电线路图像提取颜色、亮度和方向特征作为每一层的初级特征;
步骤三二、采用中央—周边差及归一化和交叉尺度合并的方式对每一层的初级特征形成对应的单特征显著图;
步骤三三、采用多特征融合机制将单特征显著图进行融合,获得输电线路图像的显著图;
步骤三四、对输电线路图像的显著图进行归一化处理,从显著图中找到显著值最大的区域作为异物的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000276.4A CN109215020B (zh) | 2018-08-30 | 2018-08-30 | 基于计算机视觉的高压输电线路故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000276.4A CN109215020B (zh) | 2018-08-30 | 2018-08-30 | 基于计算机视觉的高压输电线路故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109215020A CN109215020A (zh) | 2019-01-15 |
CN109215020B true CN109215020B (zh) | 2022-06-14 |
Family
ID=64986174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811000276.4A Active CN109215020B (zh) | 2018-08-30 | 2018-08-30 | 基于计算机视觉的高压输电线路故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215020B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009603B (zh) * | 2019-03-14 | 2021-01-29 | 广东电网有限责任公司广州供电局 | 高压电缆绝缘检测方法及高压电缆维护方法 |
CN110288571B (zh) * | 2019-06-06 | 2021-03-23 | 中南大学 | 一种基于图像处理的高铁接触网绝缘子异常检测方法 |
CN110264448B (zh) * | 2019-06-06 | 2021-04-23 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
CN110276747B (zh) * | 2019-06-06 | 2021-03-23 | 中南大学 | 一种基于图像分析的绝缘子故障检测和故障评级方法 |
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
CN110349128B (zh) * | 2019-06-21 | 2021-04-06 | 西安工程大学 | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 |
CN110349172B (zh) * | 2019-06-28 | 2022-12-16 | 华南理工大学 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
CN112435208B (zh) * | 2019-08-07 | 2022-09-13 | 河海大学常州校区 | 显著性边缘引导的绝缘子区域检测方法 |
CN110503029A (zh) * | 2019-08-21 | 2019-11-26 | 云南电网有限责任公司电力科学研究院 | 一种输电线路玻璃绝缘子状态的检测方法 |
CN110555400A (zh) * | 2019-08-23 | 2019-12-10 | 国网山东省电力公司泗水县供电公司 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
CN110807765B (zh) * | 2019-09-27 | 2023-05-02 | 许昌许继软件技术有限公司 | 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统 |
CN110956176B (zh) * | 2019-11-14 | 2023-06-16 | 国网山西省电力公司大同供电公司 | 一种塔基间输电线路拟合方法和检测装置 |
CN111047581B (zh) * | 2019-12-16 | 2022-03-25 | 广西师范大学 | 基于Itti模型和胶囊神经网络的图像显著性检测方法 |
CN110954968B (zh) * | 2019-12-17 | 2022-05-06 | 中国科学院合肥物质科学研究院 | 一种机场跑道异物检测装置及方法 |
CN111062933A (zh) * | 2019-12-24 | 2020-04-24 | 广西大学 | 一种基于视场自适应调节的输电线路覆冰图像检测方法 |
CN111289853A (zh) * | 2020-02-25 | 2020-06-16 | 安徽炬视科技有限公司 | 一种基于通道-空间注意力机制的绝缘子检测系统及算法 |
CN111351801B (zh) * | 2020-03-11 | 2021-02-02 | 春光线缆有限公司 | 一种电线电缆缺陷检测系统 |
CN111476807A (zh) * | 2020-03-30 | 2020-07-31 | 迈克医疗电子有限公司 | 用于分割图像的边缘处理方法和装置、分析仪器 |
CN112381800B (zh) * | 2020-11-16 | 2021-08-31 | 广东电网有限责任公司肇庆供电局 | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 |
CN112926556B (zh) * | 2021-04-28 | 2023-05-02 | 上海大学 | 一种基于语义分割的航拍输电线路散断股识别方法及系统 |
CN113567451A (zh) * | 2021-07-23 | 2021-10-29 | 江苏电力信息技术有限公司 | 一种电缆线缺陷检测以及直径测量方法 |
CN113744197B (zh) * | 2021-08-09 | 2024-01-02 | 福建工程学院 | 一种基于红紫外复合成像的电缆故障检测方法 |
CN114219794B (zh) * | 2021-12-17 | 2023-01-20 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及系统 |
CN115144704B (zh) * | 2022-09-02 | 2022-11-15 | 深圳永贵技术有限公司 | 电缆生产的故障检测方法、装置、设备及存储介质 |
CN115290661B (zh) * | 2022-09-28 | 2022-12-16 | 江苏浚荣升新材料科技有限公司 | 基于计算机视觉的橡胶圈缺陷识别方法 |
CN115330787B (zh) * | 2022-10-13 | 2023-01-24 | 国网山西省电力公司电力科学研究院 | 一种基于图像识别的光伏组件覆冰面积检测方法 |
CN115861320B (zh) * | 2023-02-28 | 2023-05-12 | 天津中德应用技术大学 | 一种汽车零件加工信息智能检测方法 |
CN116385976B (zh) * | 2023-05-29 | 2023-08-11 | 杭州芯业电子科技有限公司 | 基于计算机视觉的消防安防一体化监测系统 |
CN116523900B (zh) * | 2023-06-19 | 2023-09-08 | 东莞市新通电子设备有限公司 | 一种五金件加工质量检测方法 |
CN116703910B (zh) * | 2023-08-07 | 2023-10-17 | 威海丰荟建筑工业科技有限公司 | 一种混凝土预制底板质量智能检测方法 |
CN116758083B (zh) * | 2023-08-21 | 2023-10-31 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
CN116912273B (zh) * | 2023-09-13 | 2023-12-12 | 国网山东省电力公司莱芜供电公司 | 基于三维gis的输电线路跨越施工方案可视化方法 |
CN116990323B (zh) * | 2023-09-26 | 2023-12-05 | 睿同科技有限公司 | 一种高精密印刷版视觉检测系统 |
CN117152144B (zh) * | 2023-10-30 | 2024-01-30 | 潍坊华潍新材料科技有限公司 | 基于图像处理的导辊监测方法及装置 |
CN117250872B (zh) * | 2023-11-20 | 2024-01-30 | 成都大学 | 一种输电线路舞动的轴向时滞反馈控制方法 |
CN117557460B (zh) * | 2024-01-12 | 2024-03-29 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117710795A (zh) * | 2024-02-06 | 2024-03-15 | 成都同步新创科技股份有限公司 | 一种基于深度学习的机房线路安全性检测方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4605145B2 (ja) * | 2006-11-14 | 2011-01-05 | トヨタ自動車株式会社 | 車線検出装置 |
CN102496136B (zh) * | 2011-12-08 | 2013-04-17 | 中国人民解放军国防科学技术大学 | 基于图形处理单元的相位编组直线提取方法 |
CN103090807A (zh) * | 2013-01-11 | 2013-05-08 | 北京国网富达科技发展有限责任公司 | 一种检测输电线路安全运行的方法和系统 |
CN105718964B (zh) * | 2014-12-02 | 2019-04-16 | 中国科学院沈阳自动化研究所 | 一种输电线防振锤的视觉检测方法 |
CN105572541A (zh) * | 2015-12-07 | 2016-05-11 | 浙江大学 | 一种基于视觉注意机制的高压巡线故障检测方法及系统 |
CN105957081B (zh) * | 2016-04-28 | 2019-01-08 | 华北电力大学(保定) | 一种玻璃绝缘子掉串故障检测方法 |
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 |
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 |
-
2018
- 2018-08-30 CN CN201811000276.4A patent/CN109215020B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109215020A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215020B (zh) | 基于计算机视觉的高压输电线路故障识别方法 | |
CN106780438B (zh) | 基于图像处理的绝缘子缺陷检测方法及系统 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
CN110678901B (zh) | 信息处理设备、信息处理方法和计算机可读存储介质 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN111402247B (zh) | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 | |
US20130120125A1 (en) | Method and system for lane departure warning | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN111126253A (zh) | 基于图像识别的刀闸状态检测方法 | |
CN107341810A (zh) | 一种车辆自动识别方法、装置及电子设备 | |
Yun et al. | Crack recognition and segmentation using morphological image-processing techniques for flexible pavements | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN114863492B (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN110807758B (zh) | 保温被未覆盖区域检测方法、装置、设备和存储介质 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN111241911B (zh) | 一种自适应的车道线检测方法 | |
Zong et al. | Traffic light detection based on multi-feature segmentation and online selecting scheme | |
CN116758423A (zh) | 一种基于白点率法的输电线路异物检测方法 | |
CN106327499A (zh) | 基于边缘点自相似性的油污图像的识别及teds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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |