CN109410231A - 基于图像处理的输电线路覆冰检测方法及系统 - Google Patents
基于图像处理的输电线路覆冰检测方法及系统 Download PDFInfo
- Publication number
- CN109410231A CN109410231A CN201811069970.1A CN201811069970A CN109410231A CN 109410231 A CN109410231 A CN 109410231A CN 201811069970 A CN201811069970 A CN 201811069970A CN 109410231 A CN109410231 A CN 109410231A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- electricity
- icing
- ice
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000005540 biological transmission Effects 0.000 claims abstract description 83
- 230000005611 electricity Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003860 storage Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 9
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000011248 coating agent Substances 0.000 description 8
- 238000000576 coating method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 241000270295 Serpentes Species 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Abstract
本发明公开了一种基于图像处理的输电线路覆冰检测方法及系统,属于输电线路维护技术领域,包括:采集原始图像;对原始图像进行预处理,得到目标图像;提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓;将覆冰输电线路轮廓分为多个区段,并通过各个区段的覆冰输电线路轮廓直径得出覆冰输电线路平均直径;根据覆冰输电线路平均直径和输电线路实际直径,得出覆冰厚度并输出。本发明还公开了实现上述方法的系统、设备及存储介质,本发明示例的技术方案,用于进行输电线路覆冰厚度的检测,安全性高、结果准确,比起目前采用的人工巡检或者无人机巡检,大大降低了成本。
Description
技术领域
本发明属于输电线路维护技术领域,尤其涉及输电输电线路的维护,具体的说是一种基于图像处理的。
背景技术
每年冬季时期,输电输电线路很容易出现覆冰现象,尤其是我国的南方,气候寒冷潮湿,输电线路会出现大范围覆冰,容易造成区域停电,同时冬季气温持续偏低的情况下,用电取暖的需求将持续增大,给人民的生产生活造成严重影响。
输电输电线路覆冰造成的危害主要有以下几个个方面:杆塔的破坏、输电线路短路跳闸、导线覆冰舞动、脱冰跳跃事故、绝缘子串冰闪事故等。由此可见,输电线路覆冰会造成机械和电气故障。而破坏力最大的是由于覆冰的厚度超过了输电线路的承载能力,导致输电线路出现机械故障,进而导致发生电气故障。
为了避免输电线覆冰事故带来的损失,国内外采用了很多方法来防冰除冰。输电输电线路的除冰方法主要有:改变潮流分配融冰、短路融冰、用电磁力为超高压架空输电输电线路除冰;用高频高压激励除冰等。以上方法在实施的时候都有一定的特殊性,对覆冰的程度等特性的依赖性较强,所以需要对覆冰的输电线路进行准确的检测。那么,除冰过程中对覆冰的检测显得尤为重要,目前我国主要通过人工或者直升机(无人机)巡检的方法,但上述方法在实施时存在比较明显的不足,如:前者会出现人力物力成本过高,且危险系数大等问题;后者运用直升机巡检则成本过高。
发明内容
为解决上述现有技术的中的不足,本发明的目的在于提供一种基于图像处理的输电线路覆冰检测方法及系统,该方法及系统用于进行输电线路覆冰厚度的检测,安全性高、结果准确、成本低。
本发明所采用的技术方案为:
一方面,提供了一种基于图像处理的输电线路覆冰检测方法,包括:
采集原始图像;
对原始图像进行预处理,得到目标图像;
提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓;
将所述覆冰输电线路轮廓分为多个区段,并通过各个区段的覆冰输电线路轮廓直径得出覆冰输电线路平均直径;
根据覆冰输电线路平均直径和输电线路实际直径,得出覆冰厚度并输出。
进一步的,所述采集原始图像通过安装在输电线路系统中的成像单元进行。
进一步的,所述对原始图像进行预处理,包括:图像灰度化、图像增强和图像滤波。
进一步的,所述图像灰度化包括:将构成图像的红色、绿色和蓝色按照其分别的权值进行加权平均作为灰度图像的灰度值。
进一步的,所述图像增强包括:
扩大图像中输电线路灰度值的范围;
采用灰度拉伸函数对图像进行处理。
进一步的,所述图像滤波包括:
确定目标像素点;
在所述目标像素点的邻域确定目标窗口;
用所述目标窗口中所有像素点的灰度值的中值代替所述目标像素点的灰度值,得到滤波后图像。
进一步的,所述提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓,包括:
将目标图像中的目标轮廓边缘表示为连续闭合曲线;
定义目标图像能量函数,求取曲线的演化方程;
利用水平集方法模拟初始曲线演化,演化方向与能量下降剃度最大的方向一致,提取最优边缘,得到覆冰输电线路轮廓;
其中,定义目标图像能量函数,求取曲线的演化方程时,引进防止水平集函数在迭代运算中偏离符号距离函数的惩罚项。
另一方面,本发明还提供了一种基于图像处理的输电线路覆冰检测系统,包括:
成像单元,配置用于采集原始图像;
预处理单元,配置用于对原始图像进行预处理,得到目标图像;
轮廓提取单元,配置用于提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓;
运算单元,配置用于得出覆冰输电线路平均直径和覆冰厚度;
输出单元,配置用于输出覆冰厚度的结果;
其中,运算单元包括运算模块和数据库模块,所述数据库模块用于存储和输出输电线路实际直径数据。
另一方面,本发明还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本发明示例的任一种基于图像处理的输电线路覆冰检测方法。
另一方面,本发明还提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现本发明示例的任一种基于图像处理的输电线路覆冰检测方法。
与现有技术相比,本发明的有益效果为:
1、本发明示例的基于图像处理的输电线路覆冰检测方法,无需出动人力或者直升机、无人机等进行巡检,节省了巡检的成本,同时检测方法科学合理,通过覆冰输电线路平均直径得出覆冰厚度,经试验验证结果准确度高,方案可行性强。
2、本发明示例的基于图像处理的输电线路覆冰检测方法,对原始图片进行预处理,消除原始图片中的噪声,提高原始图片的清晰度,利于后续步骤的准确识别,提高结果的准确性。
3、本发明示例的基于图像处理的输电线路覆冰检测方法,所采用的图像灰度化、图像增强和图像滤波方法,使得覆冰导线图像更加容易分辨,而且使用方便,运算速度快,噪声消除也很好,同时也没有其他滤波方法导致的图像变模糊的问题,有效保证检测结果的准确性。
4、本发明示例的基于图像处理的输电线路覆冰检测方法,在定义目标图像能量函数,求取曲线的演化方程时,引进防止水平集函数在迭代运算中偏离符号距离函数的惩罚项,防止水平集函数在迭代运算中偏离符号距离函数,抗噪性好,而且受初始轮廓的限制更小,边缘检测效果更优。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本发明实施例的流程图;
图2为本发明实施例图片预处理的流程图;
图3为灰度条示意图;
图4为本发明实施例图像增强的效果对比图;
图5为本发明实施例原始图片的图像直方图;
图6为本发明实施例的原始图片经过图像增强的均衡化后的图像直方图;
图7为本发明实施例灰度拉伸函数的函数图像;
图8为本发明实施例图像滤波的效果对比图;
图9为本发明实施例覆冰导线置入坐标系的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,本发明的一个实施例提供了一种基于图像处理的输电线路覆冰检测方法,包括:
S1:采集原始图像;
S2:对原始图像进行预处理,得到目标图像;
S3:提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓;
S4:将所述覆冰输电线路轮廓分为多个区段,并通过各个区段的覆冰输电线路轮廓直径得出覆冰输电线路平均直径;
S5:根据覆冰输电线路平均直径和输电线路实际直径,得出覆冰厚度并输出。
S1中,采集原始图像通过安装在输电线路系统中的成像单元进行。具体的成像单元可由高清摄像头构成,通过拍摄图片回传的方式,无需人工或者直升机、无人机进行巡检,节省了巡检的成本,使得覆冰检测的整体成本大幅降低。
如图2所示,S2中,对原始图像进行预处理,包括:图像灰度化、图像增强和图像滤波。
所述图像灰度化包括:将构成图像的红色、绿色和蓝色按照其分别的权值进行加权平均作为灰度图像的灰度值。通常我们采集到的图像都是彩色图像,即RGB图像。RGB分别表示红色(Red)、绿色(Green)、蓝色(Blue),用这三种颜色来表示组合形成绝大部分的可见光。当像素的RGB三种颜色的灰度值相同时,就产生了灰度颜色,其中三种基色相等的值称为灰度值,也叫强度值或亮度值。每个灰度对象都具有从1%(白色)到100%(黑色)的亮度值。通常,灰度图像会将像素的灰度值量化表示为一定数量个灰度级,例如:如图3所示,8bit的灰度图像含有28=256个灰度级,本实施例中的灰度图像都采用的256个灰度级。
将构成图像的红色、绿色和蓝色按照其分别的权值进行加权平均,具体包括:
设定红色、绿色、蓝色分别为三个分量,根据每个分量的重要性及其他需要,将三个分量按照不同的权值进行加权平均作为灰度图像的灰度值:
F(i,j)=QRR(i,j)+QGG(i,j)+QBB(i,j) (2-1)
式(2-1)中:QR,QG,QB分别为红色分量、绿色分量和蓝色分量的权值,常取QR=0.299,QG=0.587,QB=0.114。
图像增强,是指将不清晰的图像变得清晰或者强调关注的特征而抑制不关注的特征,改善图像质量、丰富信息量,是加强图像判读和识别效果。输电输电线路覆冰图像中目标覆冰导线可能与复杂的背景混在一起不容易分辨,此时的图像灰度较集中。要区别开覆冰导线与背景,则需要扩大图像中导线灰度值的范围,使图像像素的亮度值有高有低,增加覆冰导线图像的对比度从而更容易分辨。
本实施例中,图像增强包括:扩大图像中输电线路灰度值的范围;采用灰度拉伸函数对图像进行处理。如图4、图5及图6所示,图像增强处理之前,图像中像素的灰度值集中分布在100至160,范围很小,但是经过图像增强处理之后,在0到255之间均有像素分布,集中分布较多像素的灰度值也有从50到200,范围扩大了许多。本实施例中使用的是灰度拉伸函数(double类型图像),本实施例灰度拉伸函数的图像如图7所示:
m和E是常数,r是输入灰度值,s是输出灰度值,eps是Matlab里面一个很小很小的数,保证输入r为0时公式有意义。
由图4可看出,在进行图像增强处理后,看到图像的细节更为清晰,对比度也加强了,但同时也增加了图像的噪声。为了减小图像的噪声,需要对图像进行平滑滤波处理。本实施例中,图像滤波包括:确定目标像素点;在所述目标像素点的邻域确定目标窗口;用所述目标窗口中所有像素点的灰度值的中值代替所述目标像素点的灰度值,得到滤波后图像。
具体的,进行图像滤波时,采用像素点g(x,y)邻域所有像素亮度的中值来代替该点灰度,具体做法是确定一个窗口W,然后用窗口中的所有像素的灰度值的中值来代替原来的像素点得到滤波后图像h(x,y),表达式为:
h(x,y)=median{g(x-k,y-l),(k,l)∈W} (2-3)
式(2-3)中,x指的x轴坐标值,y指的y轴坐标值。通过仿真对比,本实施例的图像滤波方法使用方便,运算速度快,噪声消除也很好,同时也没有其他滤波方法导致的图像变模糊的问题。本实施例图像滤波的对比图如图8所示。
S3中,提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓,包括:
将目标图像中的目标轮廓边缘表示为连续闭合曲线;
定义目标图像能量函数,求取曲线的演化方程;
利用水平集方法模拟初始曲线演化,演化方向与能量下降剃度最大的方向一致,提取最优边缘,得到覆冰输电线路轮廓;
其中,定义目标图像能量函数,求取曲线的演化方程时,引进防止水平集函数在迭代运算中偏离符号距离函数的惩罚项。
在实际应用中,长度项并不太好计算,针对该问题,本实施例采用Chan-Vese模型,该模型假设图像中若干个相同性质区域内的像素灰度为常数,能量函数则写为:
式(2-4)中,μ,v≥0为实参数,α,β≥0为权重。
然后引进Heaviside函数:
然后再利用梯度下降法,水平集函数的偏微分方程:
式(2-6)中,ε为常数。
在此基础上,提出一种不需要重新初始化的水平集方法,这种方法的具体的做法是,引进一项能量函数为的惩罚项来防止水平集函数在迭代运算中偏离符号距离函数。基于水平集方法的Snake模型较之传统的Snake模型来说,抗噪性好,且受初始轮廓的限制更小,边缘检测效果更优。
这种方法第k+1步的水平集函数的迭代形式如下:
式(2-7)中,τ为时间的步长,为演化方程的离散化解。
S4中,将所述覆冰输电线路轮廓分为多个区段,并通过各个区段的覆冰输电线路轮廓直径得出覆冰输电线路平均直径,具体如下:
如图9所示为在坐标系中截取的一段覆冰导线,将图像中的覆冰导线轮廓分为n个长为i像素的区段,其中一段如图9中{[(x1,y1)(x1’,y1’)],[(xi,yi)(xi,,yi,)]}所示。区段中横坐标为xk,k=1,2,...,i的截面的直径,即该处轮廓的宽度为yk-yk’,该区段的输电线轮廓平均宽度D为:
计算出n个区段中输电线轮廓的平均宽度D1、D2、D3、……..Dn,则n个区段输电线轮廓的平均宽度为:
S5中,通过数据库已知输电线的直径为d,则输电输电线路的覆冰厚度为:
本实施例的实验数据如表1所示:
表1输电线覆冰厚度计算结果表
单位(mm)
从试验结果中可以看出,测量数据能够正确反映模拟覆冰材料厚度的改变,同时也能在较小误差范围内准确的测量出覆冰的厚度。通过该试验,基本验证了本发明示例的基于图像处理的输电线路覆冰检测方法的可行性。
本实施例提出的基于图像处理的输电线路覆冰检测方法,依靠数字成像模块采集输电输电线路覆冰图像,然后通过图像的预处理,使用基于水平集方法的Snake模型图像分割方法检测图像中输电输电线路的边缘、判断结冰状态以及计算结冰厚度等,这种方法抗干扰性好、边缘分割准确并且能够保证提取到一条封闭的输电线轮廓,从而方便后续计算。基于图像处理的输电输电线路覆冰输电线路检测方法是一种高度自动化的检测方法,这种检测方法免去了寻线工人的复杂艰苦的劳动,同时也大大节省了巡检开支,特别是降低了部分环境复杂地区的电网维护成本。
另一方面,本实施例还提供了一种基于图像处理的输电线路覆冰检测系统,包括:
成像单元,配置用于采集原始图像;
预处理单元,配置用于对原始图像进行预处理,得到目标图像;
轮廓提取单元,配置用于提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓;
运算单元,配置用于得出覆冰输电线路平均直径和覆冰厚度;
输出单元,配置用于输出覆冰厚度的结果;
其中,运算单元包括运算模块和数据库模块,所述数据库模块用于存储和输出输电线路实际直径数据。
另一方面,本实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本实施例的基于图像处理的输电线路覆冰检测方法。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
另一方面,本实施例还提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现本实施例的基于图像处理的输电线路覆冰检测方法。该计算机可读存储介质可以是上述实施例中所述系统或设备中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质,如硬盘、光盘、SD卡等。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
除说明书所述的技术特征外,其余技术特征为本领域技术人员的已知技术,为突出本发明的创新特点,其余技术特征在此不再赘述。
Claims (10)
1.一种基于图像处理的输电线路覆冰检测方法,其特征是,包括:
采集原始图像;
对原始图像进行预处理,得到目标图像;
提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓;
将所述覆冰输电线路轮廓分为多个区段,并通过各个区段的覆冰输电线路轮廓直径得出覆冰输电线路平均直径;
根据覆冰输电线路平均直径和输电线路实际直径,得出覆冰厚度并输出。
2.根据权利要求1所述的基于图像处理的输电线路覆冰检测方法,其特征是,所述采集原始图像通过安装在输电线路系统中的成像单元进行。
3.根据权利要求1所述的基于图像处理的输电线路覆冰检测方法,其特征是,所述对原始图像进行预处理,包括:图像灰度化、图像增强和图像滤波。
4.根据权利要求3所述的基于图像处理的输电线路覆冰检测方法,其特征是,所述图像灰度化包括:将构成图像的红色、绿色和蓝色按照其分别的权值进行加权平均作为灰度图像的灰度值。
5.根据权利要求3所述的基于图像处理的输电线路覆冰检测方法,其特征是,所述图像增强包括:
扩大图像中输电线路灰度值的范围;
采用灰度拉伸函数对图像进行处理。
6.根据权利要求3所述的基于图像处理的输电线路覆冰检测方法,其特征是,所述图像滤波包括:
确定目标像素点;
在所述目标像素点的邻域确定目标窗口;
用所述目标窗口中所有像素点的灰度值的中值代替所述目标像素点的灰度值,得到滤波后图像。
7.根据权利要求1所述的基于图像处理的输电线路覆冰检测方法,其特征是,所述提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓,包括:
将目标图像中的目标轮廓边缘表示为连续闭合曲线;
定义目标图像能量函数,求取曲线的演化方程;
利用水平集方法模拟初始曲线演化,演化方向与能量下降剃度最大的方向一致,提取最优边缘,得到覆冰输电线路轮廓;
其中,定义目标图像能量函数,求取曲线的演化方程时,引进防止水平集函数在迭代运算中偏离符号距离函数的惩罚项。
8.一种基于图像处理的输电线路覆冰检测系统,包括:
成像单元,配置用于采集原始图像;
预处理单元,配置用于对原始图像进行预处理,得到目标图像;
轮廓提取单元,配置用于提取目标图像中覆冰输电线路的边缘,得到覆冰输电线路轮廓;
运算单元,配置用于得出覆冰输电线路平均直径和覆冰厚度;
输出单元,配置用于输出覆冰厚度的结果;
其中,运算单元包括运算模块和数据库模块,所述数据库模块用于存储和输出输电线路实际直径数据。
9.一种设备,其特征是,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1-7任一所述的基于图像处理的输电线路覆冰检测方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征是,该程序被处理器执行时实现如权利要求1-7任一所述的基于图像处理的输电线路覆冰检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811069970.1A CN109410231A (zh) | 2018-09-13 | 2018-09-13 | 基于图像处理的输电线路覆冰检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811069970.1A CN109410231A (zh) | 2018-09-13 | 2018-09-13 | 基于图像处理的输电线路覆冰检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410231A true CN109410231A (zh) | 2019-03-01 |
Family
ID=65464869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811069970.1A Pending CN109410231A (zh) | 2018-09-13 | 2018-09-13 | 基于图像处理的输电线路覆冰检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410231A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870108A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路覆冰检测方法及装置 |
CN110211342A (zh) * | 2019-05-31 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种高压输电线路覆冰厚度的监测预警装置及方法 |
CN110335448A (zh) * | 2019-07-29 | 2019-10-15 | 安徽久壬电气科技有限公司 | 一种输电线路覆冰预警系统 |
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 |
CN110599538A (zh) * | 2019-09-30 | 2019-12-20 | 山东信通电子股份有限公司 | 一种输电线路导线覆冰厚度的识别方法和装置 |
CN110954000A (zh) * | 2019-12-18 | 2020-04-03 | 上海工程技术大学 | 一种冷表面结霜霜层高度的测量方法 |
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 |
CN112070717A (zh) * | 2020-08-05 | 2020-12-11 | 三峡大学 | 基于图像处理的输电线路覆冰厚度检测方法 |
CN112504144A (zh) * | 2020-12-04 | 2021-03-16 | 南京大学 | 一种海冰表面积雪厚度的遥感估算方法 |
CN117091521A (zh) * | 2023-10-19 | 2023-11-21 | 靖江市黄埔机械部件制造有限公司 | 一种制动器焊接设备自动输送上料厚度检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0466856A (ja) * | 1990-07-06 | 1992-03-03 | Hitachi Cable Ltd | 電線着氷雪検知装置 |
CN105138976A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种遗传小波神经网络的输电线路覆冰厚度识别方法 |
-
2018
- 2018-09-13 CN CN201811069970.1A patent/CN109410231A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0466856A (ja) * | 1990-07-06 | 1992-03-03 | Hitachi Cable Ltd | 電線着氷雪検知装置 |
CN105138976A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 一种遗传小波神经网络的输电线路覆冰厚度识别方法 |
Non-Patent Citations (1)
Title |
---|
刘鹏: "基于图像处理的输电线路覆冰检测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870108B (zh) * | 2019-02-28 | 2020-09-11 | 北京国网富达科技发展有限责任公司 | 输电线路覆冰检测方法及装置 |
CN109870108A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路覆冰检测方法及装置 |
CN110211342A (zh) * | 2019-05-31 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种高压输电线路覆冰厚度的监测预警装置及方法 |
CN110335448A (zh) * | 2019-07-29 | 2019-10-15 | 安徽久壬电气科技有限公司 | 一种输电线路覆冰预警系统 |
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 |
CN110599538A (zh) * | 2019-09-30 | 2019-12-20 | 山东信通电子股份有限公司 | 一种输电线路导线覆冰厚度的识别方法和装置 |
CN110954000A (zh) * | 2019-12-18 | 2020-04-03 | 上海工程技术大学 | 一种冷表面结霜霜层高度的测量方法 |
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 |
CN112070717A (zh) * | 2020-08-05 | 2020-12-11 | 三峡大学 | 基于图像处理的输电线路覆冰厚度检测方法 |
CN112504144A (zh) * | 2020-12-04 | 2021-03-16 | 南京大学 | 一种海冰表面积雪厚度的遥感估算方法 |
CN112504144B (zh) * | 2020-12-04 | 2021-10-29 | 南京大学 | 一种海冰表面积雪厚度的遥感估算方法 |
CN117091521A (zh) * | 2023-10-19 | 2023-11-21 | 靖江市黄埔机械部件制造有限公司 | 一种制动器焊接设备自动输送上料厚度检测方法及系统 |
CN117091521B (zh) * | 2023-10-19 | 2023-12-22 | 靖江市黄埔机械部件制造有限公司 | 一种制动器焊接设备自动输送上料厚度检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410231A (zh) | 基于图像处理的输电线路覆冰检测方法及系统 | |
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 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN105139366A (zh) | 一种基于空间域的图像增强方法 | |
CN106680285A (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN108389216A (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
Huang et al. | Recognition and detection technology of ice-covered insulators under complex environment | |
CN109215042A (zh) | 一种基于计算机视觉的光伏电池板热斑效应检测系统及其计算方法 | |
CN105550710A (zh) | 基于非线性拟合的接触网运行异常状态智能检测方法 | |
Hu et al. | A method for measuring ice thickness of wind turbine blades based on edge detection | |
CN114445331A (zh) | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 | |
CN116485785A (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
Fu et al. | Automatic detection of multi-crossing crack defects in multi-crystalline solar cells based on machine vision | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
Mei et al. | Insulator surface dirt image detection technology based on improved watershed algorithm | |
CN109325956A (zh) | 一种基于图像处理的输电导线覆冰截面特征提取方法 | |
CN109598692A (zh) | 一种基于局部对比度显著性区域检测的缺陷检测方法 | |
CN112037137A (zh) | 一种红外图像中绝缘子盘面边缘模糊区域消除方法及装置 | |
CN106997583A (zh) | 一种水下机器人自适应图像增强和特征提取方法 | |
CN108492292A (zh) | 基于红外图像处理的导线散股检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |