CN109325441B - 一种输电线路绝缘子对象识别方法 - Google Patents
一种输电线路绝缘子对象识别方法 Download PDFInfo
- Publication number
- CN109325441B CN109325441B CN201811092486.0A CN201811092486A CN109325441B CN 109325441 B CN109325441 B CN 109325441B CN 201811092486 A CN201811092486 A CN 201811092486A CN 109325441 B CN109325441 B CN 109325441B
- Authority
- CN
- China
- Prior art keywords
- picture
- pixel value
- value
- insulator
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005540 biological transmission Effects 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000009413 insulation Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种输电线路绝缘子对象识别方法,首先采用最低像素值过滤方式,对场景进行过滤处理,进一步采用横向边缘特征提取、纵向特征边缘提取、基于边缘区域提取的拉普拉斯特征提取、平行线交叉点特征提取等算法,实现对线路绝缘子对象的识别。本发明根据输电线路绝缘子在拍摄中的实际应用场景,采用了多种特征可描述算法相结合的技术方法,能够最大限度地提高检测的准确性和适用性,同时,可以根据实际应用过程中,通过对算法参数的调整,降低识别过程中的误识别率和漏识别率。
Description
技术领域
本发明涉及一种输电线路绝缘子对象识别方法,属于视频识别技术领域。
背景技术
目前,采用固定摄像机、线路巡视无人机对输电线路杆塔进行巡视检查,已成为输电线路巡检的一项重要技术手段,对线路杆塔绝缘子是否存在污垢、裂纹、破裂等现象是输电线路巡视的一项重要工作,采用图像识别技术,识别绝缘子的污垢、裂纹、破裂等现象是目前主要的智能巡视技术手段,该技术手段极大的解决了人工巡视过程所存在的工作量庞大、工作效率低下等问题,有助于提高电网运行的安全性和可靠性,而采用图像识别技术如何通过图像识别出线路绝缘子,是该项智能巡视识别的基础性识别技术,因此,提高线路绝缘子识别的准确性,是线路智能巡视技术中的一项重要基础技术。
现有已采用的线路绝缘子识别技术算法主要采用了模板匹配、机器学习(如SVM、神经网络)等算法,模板匹配算法采用先获取固定的样本图片,与实时拍摄的图片进行匹配的方式实现,机器学习(如SVM、神经网络)算法采用样本数据进行训练,对实时拍摄的图片通过推理识别,图片中是否存在符合特征的绝缘子对象。
若采用常用的模板匹配方法检测时,容易受外界光线、拍摄对象的距离、角度等因素的影响,模板图片与实时拍摄的图片差异性较大,在实际应用中误识别率和漏识别率较高;若采用机器学习(如SVM、神经网络)算法,其样本数据的收集过程对识别的误识别率和漏识别率影响较大,同时,在识别过程中存在一定的不确定性,无法通过算法控制误识别率和漏识别率,因此,现有技术很难满足电力应用场景下的高可靠性要求。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种输电线路绝缘子对象识别方法。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种输电线路绝缘子对象识别方法,包括步骤如下:
步骤S1:对原始图片进行纵向边缘性特征提取,形成纵向边缘特征图片;
步骤S2:对原始图片进行横向边缘性特征提取,形成横向边缘特征图片;
步骤S3:将横向边缘特征图片、纵向边缘特征图片进行合并,形成新的边缘特征图片,对新的边缘特征图片的区域图片进行傅里叶变换,提取亮点后,确定包含绝缘子的区域;
步骤S4:对纵向边缘特征图片进行平行线交叉点特征提取,将绝缘子区域框选出来;
步骤S5:将步骤S3与步骤S4提取的绝缘子区域共同部分,判断为绝缘子区域。
作为优选方案,对步骤S1、S2中原始图片进行预处理,包括步骤如下:
S11:对原始图片进行拉普拉斯边缘增强处理和高斯滤波处理;
S12:对处理后的图片取像素点RGB最低值;
S13:当最低值低于其中一个像素值时,像素值取值范围[40-60],该像素值赋值为RGB(0,0,0),否则,仍然保留原始值。
作为优选方案,所述步骤S1包括步骤如下:
S11:新建与原始图片尺寸大小相同的单通道空白图片,采用纵向的边缘特征提取,对原始图片每个像素点求取纵向的梯度差值替换对应位置空白图片中的像素值,再对该空白图片,采用像素值增强算法,每个像素值取横向相邻3个像素的最大值作为本像素值,形成纵向边缘特征图片。
作为优选方案,所述步骤S2包括步骤如下:
S21:新建与原始图片尺寸大小相同的单通道空白图片,采用横向的边缘特征提取,对原始图片每个像素点求取横向的梯度差值替换对应位置空白图片中的像素值,形成横向边缘特征图片。
作为优选方案,所述步骤S3包括步骤如下:
S31:对横向边缘特征图片、纵向边缘特征图片中像素采用“与”操作,形成新的边缘特征图片;
S32:对新的边缘特征图片,采用检测外部轮廓算法,形成多个联通区域图片;
S33:对每个区域图片进行傅里叶变换,形成傅里叶特征图片;
S34:对傅里叶特征图片中的亮点进行提取,当亮点数量超过其中一个像素值时,像素值取值范围[220-255],确定该区域图片包含了绝缘子。
作为优选方案,所述步骤S4包括步骤如下:
S41:针对纵向边缘特征图片,叠加横向像素间隔为其中一个像素值的垂直线段,像素值取值范围[4-8],垂直线段每个像素值为255,叠加采用“与”函数操作;
S42:当线段的交叉点的值大于其中一个像素值时,像素值取值范围[200-210],设置该点的值为255,否则设置为0;
S43:计算纵向单列中的像素值为255的点数量,当少于其中一个个数时,个数取值范围[8-12],则将该列中为255的像素值也赋值为0;或者当多于该个数时,计算相邻点之间的距离值,存在着超过其中距离值差值范围小于其中一个像素值时,距离值取值范围[10-12],像素值取值范围[4-6],则认为相应的相邻点垂直区域为绝缘子区域,最终将相应的绝缘子区域框选出来。
作为优选方案,所述步骤S5包括步骤如下:
S51:根据基于边缘区域提取的傅里叶特征提取过程、平行线交叉点特征提取过程,这两个过程中分别提取的绝缘子区域,进行“与”操作,最后形成绝缘子区域。
一种输电线路绝缘子对象识别装置,包括:横向边缘特征提取模块、纵向特征边缘提取模块、傅里叶特征提取模块、平行线交叉点特征提取模块、绝缘子区域判断模块;
所述横向边缘特征提取模块用于对原始图片进行横向边缘性特征提取,形成横向边缘特征图片;
所述纵向特征边缘提取模块用于对原始图片进行纵向边缘性特征提取,形成纵向边缘特征图片;
所述傅里叶特征提取模块用于将横向边缘特征图片、纵向边缘特征图片进行合并,形成新的边缘特征图片,对新的边缘特征图片的区域图片进行傅里叶变换,提取亮点后,确定包含绝缘子的区域;
所述平行线交叉点特征提取模块用于对纵向边缘特征图片进行平行线交叉点特征提取,将绝缘子区域框选出来;
所述绝缘子区域判断模块用于将傅里叶特征提取模块与平行线交叉点特征提取模块提取的绝缘子区域共同部分,判断为绝缘子区域。
作为优选方案,还包括:图片预处理模块,所述图片预处理模块,用于对原始图片进行拉普拉斯边缘增强处理和高斯滤波处理;对处理后的图片取像素点RGB最低值;当最低值低于某一个像素值时,像素值取值范围[40-60],该像素值赋值为RGB(0,0,0),否则,仍然保留原始值;经图片预处理模块处理后的图片分别发送给横向边缘特征提取模块、纵向特征边缘提取模块。
作为优选方案,所述横向边缘特征提取模块用于新建与原始图片尺寸大小相同的单通道空白图片,采用纵向的边缘特征提取,对原始图片每个像素点求取纵向的梯度差值替换对应位置空白图片中的像素值,再对该空白图片,采用像素值增强算法,每个像素值取横向相邻3个像素的最大值作为本像素值,形成纵向边缘特征图片;
所述纵向特征边缘提取模块用于新建与原始图片尺寸大小相同的单通道空白图片,采用横向的边缘特征提取,对原始图片每个像素点求取横向的梯度差值替换对应位置空白图片中的像素值,形成横向边缘特征图片;
所述傅里叶特征提取模块用于对横向边缘特征图片、纵向边缘特征图片中像素采用“与”操作,形成新的边缘特征图片;对新的边缘特征图片,采用检测外部轮廓算法,形成多个联通区域图片;对每个区域图片进行傅里叶变换,形成傅里叶特征图片;对傅里叶特征图片中的亮点进行提取,当亮点数量超过其中一个像素值时,像素值取值范围[220-255],确定该区域图片包含了绝缘子;
所述平行线交叉点特征提取模块用于针对纵向边缘特征图片,叠加横向像素间隔为其中一个像素值的垂直线段,像素值取值范围[4-8],垂直线段每个像素值为255,叠加采用“与”函数操作;当线段的交叉点的值大于其中一个像素值时,像素值取值范围[200-210],设置该点的值为255,否则设置为0;计算纵向单列中的像素值为255的点数量,当少于其中一个个数时,个数取值范围[8-12],则将该列中为255的像素值也赋值为0;或者当多于该个数时,计算相邻点之间的距离值,存在着超过其中距离值差值范围小于其中一个像素值时,距离值取值范围[10-12],像素值取值范围[4-6],则认为相应的相邻点垂直区域为绝缘子区域,最终将相应的绝缘子区域框选出来;
所述绝缘子区域判断模块用于根据基于边缘区域提取的傅里叶特征提取过程、平行线交叉点特征提取过程,这两个过程中分别提取的绝缘子区域,进行“与”操作,最后形成绝缘子区域。
有益效果:本发明提供的一种输电线路绝缘子对象识别方法,具备对监控拍摄的输电线路视频中的绝缘子对象,在不同场景时,首先采用最低像素值过滤方式,对场景进行过滤处理,进一步采用横向边缘特征提取、纵向特征边缘提取、基于边缘区域提取的拉普拉斯特征提取、平行线交叉点特征提取等算法,实现对线路绝缘子对象的识别。
本发明中的方法,根据输电线路绝缘子在拍摄中的实际应用场景,采用了多种特征可描述算法相结合的技术方法,能够最大限度地提高检测的准确性和适用性,同时,可以根据实际应用过程中,通过对算法参数的调整,降低识别过程中的误识别率和漏识别率。
本发明的方法易于实现和应用,主要可以应用于电力输电线路巡线视频识别应用中,对电网智能化水平的发展和提高具有一定的促进作用。
附图说明
图1为本明的装置结构示意图;
图2为本发明的方法流程框图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,一种输电线路绝缘子对象识别装置,包括:图片预处理模块、横向边缘特征提取模块、纵向特征边缘提取模块、傅里叶特征提取模块、平行线交叉点特征提取模块、绝缘子区域判断模块。
如图2所示,一种输电线路绝缘子对象识别方法,本算法主要对包含绝缘子的原始图片进行五个处理步骤:预处理及最低像素值过滤处理特征筛选原始图片、对处理后的原始图片进行纵向和横向边缘性特征提取,形成横向边缘特征图片和纵向边缘特征图片、对新的边缘特征图片基于边缘区域提取的傅里叶特征提取、对纵向边缘特征图片平行线交叉点特征提取、绝缘子区域判断。
所述的预处理及最低像素值过滤处理特征筛选:对原始图片进行拉普拉斯边缘增强处理和高斯滤波处理;对预处理后的图片对每个像素提取RGB通道中的最低值,对每个像素值重新赋值,当像素点RGB最低值低于某个值(本专利采用的值为50,该值为试验值)时,将该像素值赋值为RGB(0,0,0),否则,仍然保留原始值。
所述的纵向和横向边缘性特征提取:新建与原始图片尺寸大小相同的单通道空白图片,采用横向的边缘特征提取,对原始图片每个像素点求取横向的梯度差值替换对应位置空白图片中的像素值,形成横向边缘特征图片;
新建与原始图片尺寸大小相同的单通道空白图片,采用纵向的边缘特征提取,对原始图片每个像素点求取纵向的梯度差值替换对应位置空白图片中的像素值,再对该空白图片,采用像素值增强算法,每个像素值取横向相邻3个像素的最大值作为本像素值,形成纵向边缘特征图片。
所述的基于边缘区域提取的傅里叶特征提取:对横向边缘特征图片、纵向边缘特征图片采用“与”操作,形成新的边缘特征图片,对新的边缘特征图片,采用检测外部轮廓算法,形成多个联通区域,并将每个联通区域作为独立的图片;对每个独立区域的图片进行傅里叶变换,形成傅里叶特征图片;对傅里叶特征图片中的亮点进行提取,当亮点数量超过一定范围值(本专利采用的值为255,该值为试验值)时,即判断该区域图片可能包含了绝缘子。
所述的平行线交叉点特征提取:针对纵向边缘特征图片,叠加横向像素间隔为5的垂直线段(线段每个像素值为255),叠加采用原始像素值与垂直线段的“与”函数操作,当线段的交叉点的值大于200时,设置该点的值为255,否则设置为0;计算纵向单列中的像素值为255的点数量,当少于10个时,则将该列中为255的像素值也赋值为0,当多于10个时,计算相邻点之间的距离值,存在着超过10个距离值较接近时,则认为响应的相邻点垂直区域为绝缘子区域,最终将响应的绝缘子区域框选出来。
所述的判断绝缘子区域:根据基于边缘区域提取的傅里叶特征提取过程、平行线交叉点特征提取过程,这两个过程中分别提取的绝缘子区域,进行“与”操作,最后形成绝缘子区域。
本发明的方法需要的硬件最低配置为:P4、3.0G CPU、2G内存的PC机,在此配置水平的硬件上,采用C/C++语言编程实现本方法。操作系统可基于Windows或Linux的各类操作系统。下面对本发明的方法设计的关键步骤进行逐一详细说明,本发明的算法与基本步骤相同,具体实现如下所述:
(1)预处理及最低像素值过滤处理特征筛选
获取原始图片并存储在IplImage src_org中,对src_org进行Laplacian(src_org, src_lap, CV_8U)处理,得到边缘增强后的图片src_lap;
对src_lap进行GaussianBlur(src_lap, src_gus, Size(5, 5), 0, 0, BORDER_DEFAULT)处理,得到高斯滤波后的图片src_gus;
新建图片数据IplImage src_dark,对src_gus中每个像素值求取RGB每个通道中的最低值,当最低值小于50时,对src_dark对应位置的像素值赋值为(0,0,0),否则赋值为src_gus对应的像素值。
(2)纵向和横向边缘性特征提取
将src_gus转换为灰度图片src_gus_gray;
新建与原始图片相同大小的灰度图片IplImage src_gray_v,采用下述处理过程,得到横向边缘特征图片的值:
for (i = 0; i < src->height-5; i++)
{
uchar * pucPixel = (uchar*)src_gus_gray->imageData + i*src_gus_gray->widthStep;
for (j = 0; j < src->width-5; j++)
{
// 横向方向上的计算梯度值
((uchar *)(src_gray_v->imageData + src_gray_v->widthStep *i))[j] = 255 -
abs(((uchar *)(src_gus_gray->imageData + src_gus_gray->widthStep * i))[j] * 2 - ((uchar *)(src_gus_gray->imageData + src_gus_gray->widthStep * (i)))[j + 1]
- ((uchar *)(src_gus_gray->imageData + src_gus_gray->widthStep * i))[j + 2]);
}
}
上述处理完成后得到的src_gray_v图片数据即为横向边缘特征图片。
新建与原始图片相同大小的灰度图片IplImage src_gray_h,采用与横向特征图片类似处理过程后,得到src_gray_h,进一步,针对src_gray_h中的每个像素值,取横向相邻3个像素的最大值作为本像素值,从而增强纵向边缘的特征,形成纵向边缘特征图片。
(3)基于边缘区域提取的傅里叶特征提取
新建与原始图片相同大小的灰度图片IplImage src_gray_cont;
src_gray_cont中每个像素值的取值为src_gray_h|src_gray_v与操作的最终值;
采用二值化图像的轮廓查找方法,使用findContours查找出src_gray_cont中的所有轮廓,并存放在contours向量中;
vector<vector<Point>> contours(1000);
vector<Vec4i> hierarchy;
findContours(src_gray_cont, contours, hierarchy, RETR_LIST, CHAIN_APPROX_SIMPLE);
对contours中获取的区域图片,分别将区域中的灰度值赋值到IplImage src_gray_fur中;
src_gray_fur进行傅里叶变换,提取傅里叶变换后的图片中的亮点数量,当亮点数量超过255时,表示该区域中可能包含了绝缘子对象。
(4)平行线交叉点特征提取
针对纵向边缘特征图片src_gray_h,叠加横向像素间隔为5的垂直线段(线段每个像素值为255),叠加采用原始像素值与垂直线段的“与”函数操作,当线段的交叉点的值大于200时,设置该点的值为255,否则设置为0;
计算纵向单列中的像素值为255的点数量,当少于10个时,则将该列中为255的像素值也赋值为0,当多于10个时,计算相邻点之间的距离值,存在着超过10个距离值较接近时,则认为响应的相邻点垂直区域为绝缘子区域;
最终将响应的绝缘子区域框选出来。
(5)判断绝缘子区域
根据基于边缘区域提取的傅里叶特征提取过程、平行线交叉点特征提取过程,这两个过程中分别提取的绝缘子区域,进行“与”操作,最后形成绝缘子区域。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (8)
1.一种输电线路绝缘子对象识别方法,其特征在于:包括步骤如下:
步骤S1:对原始图片进行纵向边缘性特征提取,形成纵向边缘特征图片;
步骤S2:对原始图片进行横向边缘性特征提取,形成横向边缘特征图片;
步骤S3:将横向边缘特征图片、纵向边缘特征图片进行合并,形成新的边缘特征图片,对新的边缘特征图片的区域图片进行傅里叶变换,提取亮点后,确定包含绝缘子的区域;
步骤S4:对纵向边缘特征图片进行平行线交叉点特征提取,将绝缘子区域框选出来;
步骤S5:将步骤S3与步骤S4提取的绝缘子区域共同部分,判断为绝缘子区域;
所述步骤S4包括步骤如下:
S41:针对纵向边缘特征图片,叠加横向像素间隔为其中一个像素值的垂直线段,像素值取值范围[4-8],垂直线段每个像素值为255,叠加采用与函数操作;
S42:当线段的交叉点的值大于其中一个像素值时,像素值取值范围[200-210],设置该点的值为255,否则设置为0;
S43:计算纵向单列中的像素值为255的点数量,当少于其中一个个数时,个数取值范围[8-12],则将该列中为255的像素值也赋值为0;或者当多于该个数时,计算相邻点之间的距离值,存在着超过其中距离值差值范围小于其中一个像素值时,距离值取值范围[10-12],像素值取值范围[4-6],则认为相应的相邻点垂直区域为绝缘子区域,最终将相应的绝缘子区域框选出来。
2.根据权利要求1所述的一种输电线路绝缘子对象识别方法,其特征在于:对步骤S1、S2中原始图片进行预处理,包括步骤如下:
S11:对原始图片进行拉普拉斯边缘增强处理和高斯滤波处理;
S12:对处理后的图片取像素点RGB最低值;
S13:当最低值低于其中一个像素值时,像素值取值范围[40-60],该像素值赋值为RGB(0,0,0),否则,仍然保留原始值。
3.根据权利要求1所述的一种输电线路绝缘子对象识别方法,其特征在于:所述步骤S1包括步骤如下:
S11:新建与原始图片尺寸大小相同的单通道空白图片,采用纵向的边缘特征提取,对原始图片每个像素点求取纵向的梯度差值替换对应位置空白图片中的像素值,再对该空白图片,采用像素值增强算法,每个像素值取横向相邻3个像素的最大值作为本像素值,形成纵向边缘特征图片。
4.根据权利要求1所述的一种输电线路绝缘子对象识别方法,其特征在于:所述步骤S2包括步骤如下:
S21:新建与原始图片尺寸大小相同的单通道空白图片,采用横向的边缘特征提取,对原始图片每个像素点求取横向的梯度差值替换对应位置空白图片中的像素值,形成横向边缘特征图片。
5.根据权利要求1所述的一种输电线路绝缘子对象识别方法,其特征在于:所述步骤S3包括步骤如下:
S31:对横向边缘特征图片、纵向边缘特征图片中像素采用与操作,形成新的边缘特征图片;
S32:对新的边缘特征图片,采用检测外部轮廓算法,形成多个联通区域图片;
S33:对每个区域图片进行傅里叶变换,形成傅里叶特征图片;
S34:对傅里叶特征图片中的亮点进行提取,当亮点数量超过其中一个像素值时,像素值取值范围[220-255],确定该区域图片包含了绝缘子。
6.根据权利要求1所述的一种输电线路绝缘子对象识别方法,其特征在于:所述步骤S5包括步骤如下:
S51:根据基于边缘区域提取的傅里叶特征提取过程、平行线交叉点特征提取过程,这两个过程中分别提取的绝缘子区域,进行与操作,最后形成绝缘子区域。
7.一种输电线路绝缘子对象识别装置,其特征在于:包括:横向边缘特征提取模块、纵向特征边缘提取模块、傅里叶特征提取模块、平行线交叉点特征提取模块、绝缘子区域判断模块;
所述横向边缘特征提取模块用于对原始图片进行横向边缘性特征提取,形成横向边缘特征图片;
所述纵向特征边缘提取模块用于对原始图片进行纵向边缘性特征提取,形成纵向边缘特征图片;
所述傅里叶特征提取模块用于将横向边缘特征图片、纵向边缘特征图片进行合并,形成新的边缘特征图片,对新的边缘特征图片的区域图片进行傅里叶变换,提取亮点后,确定包含绝缘子的区域;
所述平行线交叉点特征提取模块用于对纵向边缘特征图片进行平行线交叉点特征提取,将绝缘子区域框选出来;
所述绝缘子区域判断模块用于将傅里叶特征提取模块与平行线交叉点特征提取模块提取的绝缘子区域共同部分,判断为绝缘子区域;
所述横向边缘特征提取模块用于新建与原始图片尺寸大小相同的单通道空白图片,采用纵向的边缘特征提取,对原始图片每个像素点求取纵向的梯度差值替换对应位置空白图片中的像素值,再对该空白图片,采用像素值增强算法,每个像素值取横向相邻3个像素的最大值作为本像素值,形成纵向边缘特征图片;
所述纵向特征边缘提取模块用于新建与原始图片尺寸大小相同的单通道空白图片,采用横向的边缘特征提取,对原始图片每个像素点求取横向的梯度差值替换对应位置空白图片中的像素值,形成横向边缘特征图片;
所述傅里叶特征提取模块用于对横向边缘特征图片、纵向边缘特征图片中像素采用与操作,形成新的边缘特征图片;对新的边缘特征图片,采用检测外部轮廓算法,形成多个联通区域图片;对每个区域图片进行傅里叶变换,形成傅里叶特征图片;对傅里叶特征图片中的亮点进行提取,当亮点数量超过其中一个像素值时,像素值取值范围[220-255],确定该区域图片包含了绝缘子;
所述平行线交叉点特征提取模块用于针对纵向边缘特征图片,叠加横向像素间隔为其中一个像素值的垂直线段,像素值取值范围[4-8],垂直线段每个像素值为255,叠加采用与函数操作;当线段的交叉点的值大于其中一个像素值时,像素值取值范围[200-210],设置该点的值为255,否则设置为0;计算纵向单列中的像素值为255的点数量,当少于其中一个个数时,个数取值范围[8-12],则将该列中为255的像素值也赋值为0;或者当多于该个数时,计算相邻点之间的距离值,存在着超过其中距离值差值范围小于其中一个像素值时,距离值取值范围[10-12],像素值取值范围[4-6],则认为相应的相邻点垂直区域为绝缘子区域,最终将相应的绝缘子区域框选出来;
所述绝缘子区域判断模块用于根据基于边缘区域提取的傅里叶特征提取过程、平行线交叉点特征提取过程,这两个过程中分别提取的绝缘子区域,进行与操作,最后形成绝缘子区域。
8.根据权利要求7所述的一种输电线路绝缘子对象识别装置,其特征在于:还包括:图片预处理模块,所述图片预处理模块,用于对原始图片进行拉普拉斯边缘增强处理和高斯滤波处理;对处理后的图片取像素点RGB最低值;当最低值低于其中一个像素值时,像素值取值范围[40-60],该像素值赋值为RGB(0,0,0),否则,仍然保留原始值;经图片预处理模块处理后的图片分别发送给横向边缘特征提取模块、纵向特征边缘提取模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811092486.0A CN109325441B (zh) | 2018-09-19 | 2018-09-19 | 一种输电线路绝缘子对象识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811092486.0A CN109325441B (zh) | 2018-09-19 | 2018-09-19 | 一种输电线路绝缘子对象识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325441A CN109325441A (zh) | 2019-02-12 |
CN109325441B true CN109325441B (zh) | 2022-02-15 |
Family
ID=65266317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811092486.0A Active CN109325441B (zh) | 2018-09-19 | 2018-09-19 | 一种输电线路绝缘子对象识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325441B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992340B (zh) * | 2019-12-04 | 2023-04-14 | 华北电力大学 | 一种复合绝缘子伞裙龟裂纹缺陷识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427316A (zh) * | 2015-11-25 | 2016-03-23 | 国网吉林省电力有限公司电力科学研究院 | 一种输电线路可见光图像中绝缘子单盘面提取方法 |
CN105678760A (zh) * | 2016-01-04 | 2016-06-15 | 国家电网公司 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
CN107492094A (zh) * | 2017-07-21 | 2017-12-19 | 长安大学 | 一种高压电线绝缘子的无人机视觉检测方法 |
-
2018
- 2018-09-19 CN CN201811092486.0A patent/CN109325441B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427316A (zh) * | 2015-11-25 | 2016-03-23 | 国网吉林省电力有限公司电力科学研究院 | 一种输电线路可见光图像中绝缘子单盘面提取方法 |
CN105678760A (zh) * | 2016-01-04 | 2016-06-15 | 国家电网公司 | 一种基于Canny边缘检测算法的绝缘子图像识别方法 |
CN107492094A (zh) * | 2017-07-21 | 2017-12-19 | 长安大学 | 一种高压电线绝缘子的无人机视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
图像边缘检测的融合方案初探;王培珍;《安徽工业大学学报》;20010131;正文第50页第1段-正文第51页最后1段 * |
绝缘子图像的边缘检测;王伟;《微计算机信息》;20080930;正文第308页第1栏第1段-正文第309页第2栏最后1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN109325441A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107257161B (zh) | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统 | |
CN105262991B (zh) | 一种基于二维码的变电站设备对象识别方法 | |
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN110610150A (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN108961276B (zh) | 基于视觉伺服的配电线路巡检数据自动采集方法及系统 | |
CN111612787B (zh) | 混凝土裂纹高分图像无损语义分割方法、装置及存储介质 | |
CN110555373A (zh) | 一种基于图像识别的混凝土振捣质量实时检测方法 | |
CN113674277B (zh) | 无监督域适应的表面缺陷区域分割方法、装置及电子设备 | |
CN109325441B (zh) | 一种输电线路绝缘子对象识别方法 | |
CN109558877B (zh) | 基于kcf的海上目标跟踪算法 | |
CN112528994B (zh) | 一种自由角度车牌检测方法、车牌识别方法和识别系统 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN116665080B (zh) | 基于目标识别的无人机劣化绝缘子检测方法及系统 | |
CN114758139B (zh) | 基坑积水检测方法 | |
CN116071392A (zh) | 一种结合前景轮廓提取的运动目标检测方法及系统 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN115272284A (zh) | 基于图像质量评估的输电线路缺陷识别方法 | |
CN114120097A (zh) | 一种基于机器视觉的配网工程现场变压器检测方法和系统 | |
CN114332683A (zh) | 一种基于深度学习自动选择区域的行人检测方法及装置 | |
CN110853001B (zh) | 一种变电站防异物干扰图像识别方法、系统及介质 | |
CN110969210A (zh) | 一种小慢目标的识别分类方法、装置、设备及存储介质 |
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 |