CN109509188B - 一种基于hog特征的输电线路典型缺陷识别方法 - Google Patents

一种基于hog特征的输电线路典型缺陷识别方法 Download PDF

Info

Publication number
CN109509188B
CN109509188B CN201811341213.5A CN201811341213A CN109509188B CN 109509188 B CN109509188 B CN 109509188B CN 201811341213 A CN201811341213 A CN 201811341213A CN 109509188 B CN109509188 B CN 109509188B
Authority
CN
China
Prior art keywords
transmission line
power transmission
image
hog
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
Application number
CN201811341213.5A
Other languages
English (en)
Other versions
CN109509188A (zh
Inventor
毛天奇
陈玉
李生福
李晨晓
任凌然
张敏
张黎
田地
胡勇
曾宪武
谭谋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201811341213.5A priority Critical patent/CN109509188B/zh
Publication of CN109509188A publication Critical patent/CN109509188A/zh
Application granted granted Critical
Publication of CN109509188B publication Critical patent/CN109509188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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 using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于HOG特征的输电线路典型缺陷识别方法，包括以下步骤：对输电线路图像进行灰度化处理，得到包含输电线路特征最主要信息的灰度图；对输电线路图像进行中值滤波处理，在保留输电线路边缘信息的同时，滤除图像中的噪点；针对输电线路图像的特点，采用方向梯度直方图的方法提取输电线路图像特征，结合主成分分析法解决输电线路图像特征维数爆炸的问题；通过实验对比SVM中多项式、高斯、S形3种核函数的缺陷识别准确率，确定高斯核函数的使用及最优参数组合，设计输电线路缺陷识别的有向无环图多分类器。该方法能够快速准确地识别复杂自然环境中电力线路的缺陷类型。

Description

一种基于HOG特征的输电线路典型缺陷识别方法
技术领域
本发明属于计算机视觉技术领域，涉及一种基于HOG特征的输电线路典型缺陷识别方法。
背景技术
绝大多数电力线路长期暴露在自然环境中，受到各种自然灾害的威胁，对于电力线路故障如不及时修复更换，最终会导致严重事故，造成大面积的停电和巨大的经济损失，对电力系统的安全和稳定构成严重威胁。输电线路的平稳运行对保障电网结构的完整性发挥着决定性作用，现阶段，输电线路巡检方式为无人机与人工巡线并举，效率虽有很大提高，但依赖人工识别缺陷，费时费力，且缺陷识别准确率不高。
本发明提供了一种基于HOG特征的输电线路典型缺陷识别方法，用于识别输电线路的异物、断股和防震锤滑移等典型缺陷。本发明创新性地将HOG、PCA和SVM应用于无人机电力巡线领域，输电线路典型缺陷识别准确率高且识别过程用时少，极大地提高了巡线效率。
HOG，即方向梯度直方图(Histogram of Oriented Gradient)，是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。PCA，即主成分分析方法，(Principal ComponentAnalysis)，旨在利用降维的思想，把多指标转化为少数几个综合指标。SVM，即支持向量机(Support Vector Machine)，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。
发明内容
本发明要解决的问题是：提供一种基于HOG特征的输电线路典型缺陷识别方法，以解决现有技术无人机与人工巡线并举输电线路依赖人工识别缺陷，费时费力且缺陷识别准确率不高的问题。
本发明的技术方案是：一种基于HOG特征的输电线路典型缺陷识别方法，包括以下步骤：
步骤1：对输电线路图像进行边缘检测处理和灰度化处理，利用霍夫变换得到输电线路图像中的输电线路，调用OpenCV中的Rect函数，求出输电线路图像中输电线路所在最小矩形区域四个顶点的坐标，从而得到原图中包含输电线路的最小矩形区域，即感兴趣区域，记为ROI；
步骤2：对输电线路图像进行灰度化处理和中值滤波处理；
步骤3：对步骤2中预处理后的输电线路图像采用HOG方向梯度直方图的方法提取输电线路图像特征；
步骤4：采取PCA主成分分析法对HOG特征描述向量进行降维处理；
步骤5：通过实验确定SVM中核函数的使用及最优参数组合，设计适用于输电线路缺陷识别的有向无环图多分类器；
步骤6：根据步骤5中所设计的有向无环图多分类器进行实验，确定达到最佳缺陷识别效果的像素细胞大小和主成分贡献率，进而根据确定的最优参数组合，对输电线路图像进行缺陷识别处理，判断输电线路图像的缺陷类型。
本发明的有益效果是：
(1)本发明对输电线路图像进行预处理，消除了图像中的噪点或畸变信息，减少了输入，去除了一些可能对结果产生影响的噪声干扰，也增强了有用的信息，有利于后续图像特征提取、图像识别等方法对图像的处理，增加了结果的可靠性；
(2)本发明能够准确地检测到输电线路的缺陷类型，且在对图像进行特征提取时采用PCA降维的方式，极大提高了图像检测效率；
(3)本发明能够准确地检测到输电线路的缺陷类型，且在对图像进行预处理前采用OpenCV算法得到输电线路图像的感兴趣区域，极大提高了图像检测效率。
附图说明
图1为本发明的实施示意图；
图2为本发明实施提供的输电线路图像感兴趣区域提取过程效果图；(a)输电线路原始图像；(b)输电线路Canny边缘检测；(c)霍夫变换检测；(d)ROI检测；(e)ROI图；
图3为本发明实施提供的典型输电线路图像(正常、异物、断股和防震锤滑移)预处理(灰度化和中值滤波)效果图；
图4为本发明实施提供的典型输电线路图像(正常、异物、断股和防震锤滑移)伽马校正效果图；
图5为本发明实施提供的典型输电线路图像(正常、异物、断股和防震锤滑移)重叠块归一化图像，
图6为本发明实施提供的典型输电线路图像(正常、异物、断股和防震锤滑移)HOG特征表达效果图；
图7为本发明实施提供的典型输电线路图像(正常、异物、断股和防震锤滑移)分类器设计图。
具体实施方式
下面结合附图对本发明方法的实施方式做详细说明。
本发明采用的技术方案为：一种基于HOG特征的输电线路典型缺陷识别方法，包括以下步骤：
步骤1：对输电线路图像进行边缘检测处理和灰度化处理，利用霍夫变换得到输电线路图像中的输电线路，调用OpenCV中的Rect函数，求出输电线路图像中输电线路所在最小矩形区域四个顶点的坐标，从而得到原图中包含输电线路的最小矩形区域，即感兴趣区域，记为ROI；
步骤2：对输电线路图像进行灰度化处理和中值滤波处理；
步骤3：对步骤2中预处理后的输电线路图像采用HOG方向梯度直方图的方法提取输电线路图像特征；
步骤4：采取PCA主成分分析法解决步骤3中提取的输电线路图像特征维数爆炸的问题；
步骤5：通过实验确定SVM中核函数的使用及最优参数组合，设计适用于输电线路缺陷识别的有向无环图多分类器；
步骤6：根据步骤5中所设计的有向无环图多分类器进行实验，确定达到最佳缺陷识别效果的像素细胞大小和主成分贡献率，进而根据确定的最优参数组合，对输电线路图像进行缺陷识别处理，判断输电线路图像的缺陷类型。
其中，步骤1中边缘检测采用的是canny算子边缘检测算法，使用opencv中的canny函数，步骤1中的灰度化处理是将彩色图像转换为灰度图像的方法，本发明的彩色图像由红(R)、绿(G)、蓝(B)三种基色构成，采用加权平均值法对彩色图像进行灰度化：
Vgray＝WRR+WGG+WBB
式中，Vgray是灰度值，WR＝0.30，WG＝0.59，WB＝0.11。
本步骤的原理是阈值化后的图像像素宽度比较大，这会导致后续直线检测提取直线的个数较多。为此需要再进一步的过滤掉噪声，对图像进行边缘检测的目的就是将图像中灰度值变化剧烈的零界点标记出来。显然，这样就可以将图像中目标物标记出来，例如输电线路图像中的输电线一样。
步骤2中的中值滤波处理作用是对图像平滑处理，具体过程是：对于每一个像素点，以该点为中心创建一个3×3的模板，以该模板内所有像素的中值代替该像素点处的像素值。经过处理后的效果如图3所示。
步骤3中提取输电线路图像特征的步骤如下：
步骤3.1：归一化图像
归一化的方法是采用伽马校正，伽马校正用于在视频或静止图像系统中对亮度或三刺激值进行编码和解码的非线性运算。成像过程中，受感光元器件由于光强和电压的变化影响，所成图像包含了一些阴影，局部曝光甚至纹理失真。通过伽玛校正以消除这种影响，从而使输出的图像具有预期的亮度。伽马校正由下式定义：
Figure BDA0001862610080000041
非负的实际输入值Vin在参数γ作用下变化，并乘以常数A，得到输出值Vout，在一般情况下A＝1，输入值Vin和输出值Vout通常在[0，1]范围内。实际处理时应按照实际情况取γ值，如图4所示为输电线路图像的Gamma校正图像。其中γ＝0.5。
步骤3.2：计算图像每个像素的梯度
像素梯度的技术包括计算梯度的大小和方向，方法是在一个或两个水平方向和垂直方向上应用一维中心，点离散微分掩模。具体地说，该方法要求对图像的颜色或强度数据进行过滤。
梯度算子：水平边缘算子：[-1,0,1]；垂直边缘算子：[-1,0,1]T。图像中像素点(x,y)的水平方向梯度Gx(x,y)和垂直方向梯度Gy(x,y)分别用像素值H(i,j)表示为:
Figure BDA0001862610080000051
下式表示像素点(x,y)像素值G(x,y)和梯度方向
Figure BDA0001862610080000053
Figure BDA0001862610080000052
步骤3.3：为每个单元格构建方向梯度直方图
该步骤是创建像素细胞直方图，像素细胞是方向梯度直方图特征最小的结构单位，根据梯度计算的值，对直方图通道加权投票。像素细胞可以为矩形或径向，其梯度可以选择有无符号。均匀分布的9个无符号直方图通道在识别实验中表现最好，因此本方法采用的是9个直方图通道。
对于投票权重，像素贡献可以是梯度本身，也可以是大小的函数。在测试中，梯度本身通常会产生最好的结果。投票权重的其他选项可以包括梯度大小的平方根或平方，或者是一些幅度裁剪版本的大小。相比平方根、平方和裁剪版本的大小，采用梯度本身的量级可以得到最佳的识别效果。
步骤3.4：把像素细胞组合成块
局部归一化的梯度强度可以进一步降低日照影响，像素细胞要组合成块就尤为必须。HOG描述子是来自所有块区域的归一化细胞直方图组件的连接向量。这些块通常是重叠的，这意味着每个像素细胞对最终描述子的贡献超过一次。本方法采用的块状几何图形为矩形，矩形块由三个参数表示:每个块的单元数、每个单元的像素个数以及每个细胞直方图的通道数。
统计共有四种不同的块归一化方法，采用的是不同的归一化因子，如下式所示，分别为L1-norm、L1-sqrt、L2-norm、L2-hys。
Figure BDA0001862610080000061
Figure BDA0001862610080000062
Figure BDA0001862610080000063
Figure BDA0001862610080000064
其中，v是一个在给定的块中包含所有直方图的非规格化矢量，||v||k为它的k阶范式，f为归一化因子。
此外，该方案L2-hys可以通过先取L2-norm，裁剪结果，然后再重新规格化来计算。L2-hys，L2-norm和L1-sqrt方案提供了类似的性能，而L1-norm的性能不如前三者可靠。本方法采用的是L2-hys归一化因子，
Figure BDA0001862610080000067
表示限幅后的新向量，将方向梯度直方图进行归一化并将向量中合并值的最大值限制为α＝0.2，然后再重新归一化一次。图5显示了对重叠块归一化后的方向梯度直方图对输电线路图像的特征表达。
步骤3.5：生成HOG特征描述向量
将所有空间连接块的方向梯度直方图向量组合在一起，形成最终的HOG特征向量，该特征向量就记载了输电线路的图像信息。本方法分别按照用上述方法提取了输电线路中正常、异物悬挂、断股和防振锤滑移四种类型的梯度方向直方图。如图6所示为四种输电线路类型的原图和HOG特征表达。
步骤4中采取PCA主成分分析法对HOG特征描述向量进行降维处理，主要步骤如下：
步骤4.1：求取特征矩阵Xm*n中各列向量的均值，并令各列元素减去该列均值，得到矩阵
Figure BDA0001862610080000065
即只研究偏离平均值的偏差；
步骤4.2：计算特征矩阵
Figure BDA0001862610080000066
的协方差矩阵Cn*n；
步骤4.3：对角化处理协方差矩阵Cn*n，求其特征值和对应特征向量；
步骤4.4：选取k个特征值对应相关特征向量组成新的降维矩阵Wn*k，具体做法为将特征值及对应的特征向量降序排列，按照特征值的贡献率或者直接选取特征向量个数，即选取最大的k个特征值；
步骤4.5：用Xm*n*Wn*k求取降维后的样本特征向量Fm*k，Fm*k中的特征是原样本特征相对主要的特征，特征值个数越多，越匹配原样本数据的信息，合理选择特征个数既能控制维度大小，又能够尽可能全面的表达样本特征，有利于分类器的轻便运算。
设HOG特征描述子特征矩阵为(HOG)Xm×n，如下式所示：
Figure BDA0001862610080000071
(HOG)Xm×n矩阵的第i个行向量代表第i个样本Xi的特征，设此行向量各元素均值为μi，则零均值化后的矩阵如下式所示：
Figure BDA0001862610080000072
求零均值化后的矩阵
Figure BDA0001862610080000073
的协方差矩阵Cn×n，如下式所示：
Figure BDA0001862610080000074
求协方差矩阵Cn×n的特征值λ(ji)和特征向量ξ(ji)，i取(1,2,…,n)，j取(1,2,…,n)。确定k个特征值，组成降维矩阵Wn*k，然后利用Wn*k进行空间变换，求得基于主成分分析法的降维公式如下式所示：
(PCA-HOG)Zm×k＝Xm×n·Wn×k
(PCA-HOG)Zm×k是经过主成分分析法降维后形成的新的方向梯度直方图向量。按照上述步骤求得的主成分已经可以代表原始特征的信息。
步骤5中通过实验确定SVM中核函数的使用及最优参数组合，设计适用于输电线路缺陷识别的有向无环图多分类器，具体步骤如下：
步骤5.1：SVM核函数选择
针对支持向量机SVM的多项式、高斯和S形3种核函数进行了缺陷识别准确率的实验。
在测试时，常用K-折交叉验证法进行参数寻优。每个参数选择的组合都使用交叉验证进行检查，并选择具有最佳交叉验证精度的参数。应保持训练集和测试集的随机性。本方法实验中，交叉验证K值取10。
基于本方法自建数据集，实验研究了在3种核函数下，支持向量机模型的最优参数组合及其对应的平均识别准确率，其中C为惩罚因子，γ为核函数值，q为阶数，r为核函数中的coef0，如表1所示。由表格可知采用高斯核函数拥有比多项式和S形核函数更高的平均识别准确率。因此本系统的支持向量机核函数最终采用高斯核函数。
高斯核函数中，惩罚因子C取10时，γ取4得到的识别准确率最高，为83.7％，故最终测试高斯参数选择为C取10，γ取4。
表1：最优参数下3种核函数缺陷识别准确率
Figure BDA0001862610080000081
步骤5.2：SVM多分类器构建
为比较一对一、一对多和有向无环图三种SVM多分类器的性能，确定最终的SVM多分类器类型，本方法以本课题自建数据集为例，记录各子分类器在10折交叉验证后的分类误差均值及标准差。目的是对比各分类方法相对各子分类器的性能改善情况。因此采用各子分类器错误分类的样本数除以该子分类器涉及的样本总数，来表示分类误差。标准差表明各子分类器的平均性能的一致性情况。
表2为输出类别为4种的情况下，三种多分类支持向量机分类效果对比。由表2可见，有向无环图分类的方法无论是在分类误差，还是在标准差方面，都要优于一对多和一对一的分类效果。
表2：三种多分类支持向量机分类效果对比
Figure BDA0001862610080000091
综合考虑领域适用性、运算时间以及空间占用等因素，本方法设计了基于有向无环图支持向量机分类器。由于选取的是输电线路中正常和异物悬挂、断股和防振锤滑移3种典型缺陷，因此，需要3层共6个分类器。但是根据有向无环图分类的特点，在实际分类时，对于每张输电线路图像特征，只需要三个分类器判断就可以得出分类结果。如图7所示给出了输电线路缺陷识别系统基于有向无环图支持向量机所设计的分类器模型图。
为模拟更真实的线路环境，实验小组截取110kV输电线路在户外搭建了仿真架空输电线路环境，背景复有绿地、草坪、城市路面。另外考虑贵州灾害天气情况，还模拟了雪地背景。包扩基层供电局提供的约400张图像，本方法的数据集中输电线路图像共计4954张，正常线路图像1446张，断股线路图像1076张，异物线图图像1975张，防振锤滑移线路图像457张，统计情况如表3所示。采用K-折交叉验证的方式对数据集进行训练和测试，其中K的取值为10。
表3：本方法数据集图像统计
Figure BDA0001862610080000092
像素细胞是HOG特征的重要参数。像素细胞的大小决定了提取的输电线路HOG特征维数及SVM的特征训练的计算量。从根本上影响着系统的运行速度和缺陷识别准确率。
应用HOG描述子在不同细胞像素取值情况下的识别统计结果如表4所示，其中平均处理速度为针对正常、异物、断股和防振锤滑移四种类型输电线路识别速度的加权平均值；而平均识别准确率为针对四种类型输电线路识别准确率的加权平均值。从表格信息可以看出，虽然在选择2*2作为细胞像素大小时取得的平均识别准确率最高，但是时间成本太大，无法满足实际需求，到32*32细胞像素时，识别准确率下降已经趋缓并保持较高水平，处理速度也有了明显下降。然而到64*64时，不仅处理速度没有大的提升，反而在识别准确率方面快速下降。综合考虑实验结果，在后续缺陷识别分析中，本方法采用的是32*32细胞像素大小。
表4：不同像素细胞的识别结果
Figure BDA0001862610080000101
如此可以计算每幅输电线路图像的方向梯度直方图的特征维数。输电线路图像为4000*2250像素，采用抽样压缩为256*256像素。像素细胞大小为32*32，块大小为2*2个像素细胞，块步长为32像素。则水平扫描窗口有7个，垂直扫描窗口也有7，共重叠扫描出49个块。
将32*32大小的像素细胞单拿出来看，生成直方图时选取合适的组距也就是bins，通常组距选取2π/9，共9个方向，也就是最后的直方图组数为9。每个块由4个像素细胞组成，所以有9*4＝36个特征。即，以上述方式提取256*256图片的方向梯度特征，总共有49*36＝1764个特征。
在未进行特征降维前，当像素细胞大小取32*32时，归一化后的方向梯度直方图的特征维数为1764维。基于本方法数据集，按照不同的贡献率对主成分分析处理的特征数量进行了抽取统计，如表5所示，应用主成分分析法对方向梯度直方图的特征向量降维显著。
表5：不同贡献率下主成分特征维数统计
Figure BDA0001862610080000111
实际巡线中，4种输电线路类型的图像特征和样本数量各不一致，所以对每种线路类型的识别准确率不尽相同。表6、表7、表8、表9和表10分别给出了未降维前HOG方法以及不同贡献率下主成分分析结合HOG方法的识别结果。其中HOG方法其每幅图像的特征维数为1764维。
通过表6、表7，表8，表9和表10共计4个表格信息对比可以看出，在只采用HOG作为图像特征提取方法的情况下，平均处理速度耗时最长，为0.763秒/张，平均识别准确率为83.7％，并且对每种线路类型的识别表现也比较稳定。
主成分分析法便是在此基础上对HOG原始特征进行主成分抽取，相比上述未降维的情况，当选取贡献率大于85％的图像特征主成分进行训练并测试时，虽然平均处理速度下降明显，为0.515秒/张，速度提高了32.5％，但识别准确率下降到了76.3％，出现了较为明显的下降，下降比例达到了7.4％。
当选取贡献率大于90％的图像特征主成分进行训练并测试时，平均处理速度小幅增加，为0.525秒/张，但识别准确率回升到了83.2％，平均处理速度相比未降维前提升了31.2％。
当选取贡献率大于90％的图像特征主成分进行训练并测试时，在平均处理速度增加0.008秒的情况下，识别准确率提高到了93.6％，已经优于未降维前方法的性能。最后当选取贡献率大于90％的图像特征主成分进行训练并测试时，在只增加1ms平均处理速度的情况下，识别准确率提高到了97.4％，相比未降维前，性能已经有了显著的提高，平均识别准确率提高了16.4％。
综合表1-5中实验统计的缺陷识别结果，本方法最终选取主成分累计贡献率大于99％的特征作为输电线路图像的主成分特征，该主成分特征将作为SVM输入进行缺陷识别模型的训练。
表6：HOG方法识别结果
Figure BDA0001862610080000121
表7基于HOG方法识别结果(PCA贡献率>85％)
Figure BDA0001862610080000122
表8基于HOG方法识别结果(PCA贡献率>90％)
Figure BDA0001862610080000123
表9基于HOG方法识别结果(PCA贡献率>95％)
Figure BDA0001862610080000124
表10基于HOG方法识别结果(PCA贡献率>99％)
Figure BDA0001862610080000131
上述对表格识别效果的分析证明了主成分分析法应用的有效性。它提取了图像的主要特征，使得输入分类器的特征维数大大减少，因此相比未应用该方法时，在平均处理速度上消耗更少；同时，它保留了图像的主要特征信息，去除了不必要的干扰特征，因此在选取更高贡献率阈值时，在识别准确率上也有了很大的提升。主成分分析法的应用使对输电线路的缺陷识别工作在时间成本和识别准确率两个方面在性能上实现了共赢。

Claims (4)

1.一种基于HOG特征的输电线路典型缺陷识别方法，其特征在于：包括以下步骤：
步骤1：对输电线路图像进行边缘检测处理和灰度化处理，利用霍夫变换得到输电线路图像中的输电线路，调用OpenCV中的Rect函数，求出输电线路图像中输电线路所在最小矩形区域四个顶点的坐标，从而得到原图中包含输电线路的最小矩形区域，即感兴趣区域，记为ROI；
步骤1中边缘检测采用的是canny算子边缘检测算法，使用OpenCV中的canny函数，步骤1中的灰度化处理是将彩色图像转换为灰度图像；
步骤2：对输电线路图像进行中值滤波处理；
步骤3：对步骤2中预处理后的输电线路图像采用HOG方向梯度直方图的方法提取输电线路图像特征；
步骤4：采取PCA主成分分析法对HOG特征描述向量进行降维处理；
步骤5：通过实验确定SVM中核函数的使用及最优参数组合，设计适用于输电线路缺陷识别的有向无环图多分类器，具体步骤包括：
步骤5.1、SVM核函数选择：
选择支持向量机核函数采用高斯核函数，高斯参数选择为C取10，γ取4；
步骤5.2、SVM多分类器构建：
选择基于有向无环图支持向量机分类器；采用3层共6个分类器；
步骤6：根据步骤5中所设计的有向无环图多分类器进行实验，确定达到最佳缺陷识别效果的像素细胞大小和主成分贡献率，进而根据确定的最优参数组合，对输电线路图像进行缺陷识别处理，判断输电线路图像的缺陷类型；
所述像素细胞大小采用32*32细胞像素。
2.根据权利要求1所述的一种基于HOG特征的输电线路典型缺陷识别方法，其特征在于：步骤2中的中值滤波处理作用是对图像平滑处理，是对于每一个像素点，以该点为中心创建一个3×3的模板，以该模板内所有像素的中值代替该像素点处的像素值。
3.根据权利要求1所述的一种基于HOG特征的输电线路典型缺陷识别方法，其特征在于：步骤3中提取输电线路图像特征的步骤如下：
步骤3.1：归一化图像；
步骤3.2：计算图像每个像素的梯度；
步骤3.3：为每个单元格构建方向梯度直方图；
步骤3.4：把像素细胞组合成块；
步骤3.5：生成HOG特征描述向量。
4.根据权利要求1所述的一种基于HOG特征的输电线路典型缺陷识别方法，其特征在于：步骤4中的降维处理包括如下步骤：
步骤4.1：求取特征矩阵Xm*n中各列向量的均值，并令各列元素减去该列均值，得到矩阵
Figure FDA0003401098540000021
即偏离平均值的偏差；
步骤4.2：计算特征矩阵
Figure FDA0003401098540000022
的协方差矩阵Cn*n；
步骤4.3：对角化处理协方差矩阵Cn*n，求其特征值和对应特征向量；
步骤4.4：选取k个特征值对应相关特征向量组成新的降维矩阵Wn*k；
步骤4.5：用Xm*n*Wn*k求取降维后的样本特征向量Fm*k。
CN201811341213.5A 2018-11-12 2018-11-12 一种基于hog特征的输电线路典型缺陷识别方法 Active CN109509188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811341213.5A CN109509188B (zh) 2018-11-12 2018-11-12 一种基于hog特征的输电线路典型缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811341213.5A CN109509188B (zh) 2018-11-12 2018-11-12 一种基于hog特征的输电线路典型缺陷识别方法

Publications (2)

Publication Number Publication Date
CN109509188A CN109509188A (zh) 2019-03-22
CN109509188B true CN109509188B (zh) 2022-04-15

Family

ID=65747933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811341213.5A Active CN109509188B (zh) 2018-11-12 2018-11-12 一种基于hog特征的输电线路典型缺陷识别方法

Country Status (1)

Country Link
CN (1) CN109509188B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119771B (zh) * 2019-04-29 2020-12-22 杭州电子科技大学上虞科学与工程研究院有限公司 基于组合特征和级联分类器的高压输电线路防震锤检测方法
CN113052865B (zh) * 2021-04-16 2023-12-19 南通大学 一种基于图像相似度的输电线路小样本温度图像扩增方法
CN113884538B (zh) * 2021-10-18 2024-07-23 沈阳工业大学 大型风力机叶片内部微小缺陷的红外热像检测方法
CN114782413B (zh) * 2022-06-07 2023-02-10 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 一种基于显微镜图像的星杆藻类细胞统计方法
CN118261870B (zh) * 2024-03-27 2024-10-15 深圳市吉祥腾达电子有限公司 基于图像的电感缺陷检测方法、装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426905A (zh) * 2015-11-02 2016-03-23 国网山东省电力公司电力科学研究院 基于梯度直方图和支持向量机的机器人障碍物识别方法
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
CN107886096A (zh) * 2016-09-29 2018-04-06 成都思晗科技股份有限公司 一种输电线路的绝缘子脱落缺陷检测方法
CN108537154A (zh) * 2018-03-28 2018-09-14 天津大学 基于hog特征和机器学习的输电线路鸟巢识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6976270B2 (ja) * 2016-04-08 2021-12-08 オービタル インサイト インコーポレイテッド 地理的領域におけるコンテナ内に格納された量の遠隔決定

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426905A (zh) * 2015-11-02 2016-03-23 国网山东省电力公司电力科学研究院 基于梯度直方图和支持向量机的机器人障碍物识别方法
CN107886096A (zh) * 2016-09-29 2018-04-06 成都思晗科技股份有限公司 一种输电线路的绝缘子脱落缺陷检测方法
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
CN108537154A (zh) * 2018-03-28 2018-09-14 天津大学 基于hog特征和机器学习的输电线路鸟巢识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SVM的高压输电线路巡检机器人障碍识别研究与应用;王玉平;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160615(第06期);第17-46页 *

Also Published As

Publication number Publication date
CN109509188A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109509188B (zh) 一种基于hog特征的输电线路典型缺陷识别方法
CN109753929B (zh) 一种高铁绝缘子巡检图像识别方法
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN111401372B (zh) 一种扫描文档图文信息提取与鉴别的方法
CN108564814B (zh) 一种基于图像的停车场车位检测方法及装置
CN107680090A (zh) 基于改进全卷积神经网络的输电线路绝缘子状态识别方法
CN109523529B (zh) 一种基于surf算法的输电线路缺陷识别方法
CN104715239B (zh) 一种基于去雾处理和权重分块的车辆颜色识别方法
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN107301405A (zh) 自然场景下的交通标志检测方法
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN108009518A (zh) 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN103824091B (zh) 一种用于智能交通系统的车牌识别方法
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN104483326A (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
CN107729812B (zh) 一种适用于监控场景中的车辆颜色识别的方法
Paula Filho et al. Forest species recognition using color-based features
CN109063619A (zh) 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统
CN111830051A (zh) 一种基于深度学习的变电站设备漏油检测方法及检测系统
CN113537211A (zh) 一种基于非对称iou的深度学习车牌框定位方法
CN110728286B (zh) 一种基于火花图像的砂带磨削材料去除率识别方法
CN115457327A (zh) 基于视觉的烤后烟烟叶部位分类方法、装置及电子设备
CN113012156B (zh) 实木板材颜色智能分类方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN117197700B (zh) 智能化无人巡检接触网缺陷识别系统

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