CN110119771A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110119771A
CN110119771A CN201910353892.6A CN201910353892A CN110119771A CN 110119771 A CN110119771 A CN 110119771A CN 201910353892 A CN201910353892 A CN 201910353892A CN 110119771 A CN110119771 A CN 110119771A
Authority
CN
China
Prior art keywords
image
stockbridge damper
follows
template
transmission line
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.)
Granted
Application number
CN201910353892.6A
Other languages
English (en)
Other versions
CN110119771B (zh
Inventor
陆剑锋
李黎
张善卿
骆挺
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.)
Hangzhou University Of Electronic Science And Technology Shangyu Institute Of Science And Engineering Co Ltd
Hangzhou Electronic Science and Technology University
Original Assignee
Hangzhou University Of Electronic Science And Technology Shangyu Institute Of Science And Engineering Co Ltd
Hangzhou Electronic Science and Technology University
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 Hangzhou University Of Electronic Science And Technology Shangyu Institute Of Science And Engineering Co Ltd, Hangzhou Electronic Science and Technology University filed Critical Hangzhou University Of Electronic Science And Technology Shangyu Institute Of Science And Engineering Co Ltd
Priority to CN201910353892.6A priority Critical patent/CN110119771B/zh
Publication of CN110119771A publication Critical patent/CN110119771A/zh
Application granted granted Critical
Publication of CN110119771B publication Critical patent/CN110119771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种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，包括步骤：S1、对待检测的图像进行预处理；S2、使用改进的归一化互相关匹配方法进行模板匹配，并在匹配的过程中缩放和旋转模板，得到防震锤疑似区域样本集；S3、提取所述防震锤疑似区域的组合特征；S4、使用级联分类器对所述防震锤疑似区域进行多级分类；S5、统计所述级联分类器的分类结果。本发明综合考虑了防震锤图像的对称性和灰度分布情况，并对防震锤进行了多尺度的检测，很好地平衡了检测准确率和误检率，同时能够高效准确地检测出高压输电线路上的防震锤。

Description

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
技术领域
本发明涉及防震锤检测领域，具体涉及一种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。
背景技术
高压输电线受刮风、冰冻、低温等气象条件的影响，极易产生振动。输电线的不断振动极易引起导线断股和断线，进而造成停电、跳闸、导线烧伤等严重威胁电力系统安全运行的情况。为了减小因为输电线振动造成的安全隐患，通常会在靠近绝缘子两侧的输电线上安装防震锤。防震锤由一个线夹夹板、一根钢绞线以及两个铸铁锤头组成。当输电线产生振动时，安置在输电线上的防震锤会随之上下运动。由于防震锤两边铸铁锤头的惰性作用，连接铸铁锤头的钢绞线会随着导线振动不断上下弯曲，钢绞线的弯曲可以消耗输电线振动产生的能量，进而达到保护输电线的目的。在自然环境下，防震锤极易发生生锈、偏移、丢失、翻转等故障，这会大大降低防震锤的防震作用。因此，及时发现并定位防震锤的缺陷至关重要。
公开号为CN107133943A的发明专利申请公开了一种防震锤缺陷检测的视觉检测方法，包括对航拍图像进行去噪、防抖预处理，得到待检测的原始图像；采用几何变换、尺度变化、对比度变换的方法，扩充已有的原始图像，生成更多与原始图像相似的数据；采集样本，采集航拍图像中的防震锤，主要采集防震锤的一边；确定待训练的网络模型，输入样本数据，进行前向传播、反向传播调整权重，得到优化的检测网络模型参数；利用训练好的模型对待检测图像进行识别，确定防震锤的锤子所在位置；确定锤子所在导线，根据导线与防震锤的相对位置以及各自方向的约束，进行防震锤缺陷判别。
然而，现有的高压输电线路防震锤检测方法主要使用形状和边缘信息来描述防震锤的特征，使用对称性以及灰度分布情况描述防震锤特征的方法相对较少，并且缺少一个自适应的防震锤自动检测方法来平衡检测准确率和误检率。同时，高压输电线路巡检图像中防震锤的尺寸大小不一，目前关于多尺度检测防震锤区域的方法也相对较少。
因此，如何根据防震锤的具体特点，选择具有区分度的特征来描述防震锤，从而达到能够准确检测出高压输电线路上的防震锤，并且具有较高的精确率、召回率和准确率的目的是本领域亟待解决的问题。
发明内容
本发明的目的在于针对现有技术的缺陷，提供了一种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。
为了实现以上目的，本发明采用以下技术方案：
一种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，包括步骤：
S1、对待检测的图像进行预处理；
S2、使用改进的归一化互相关匹配方法进行模板匹配，并在匹配的过程中缩放和旋转模板，得到防震锤疑似区域样本集；
S3、提取所述防震锤疑似区域的组合特征；
S4、使用级联分类器对所述防震锤疑似区域进行多级分类；
S5、统计所述级联分类器的分类结果。
进一步的，所述预处理包括去噪、亮度调整，大小调整。
进一步的，所述步骤S1具体为：
S1.1、判别图像亮度：过滤待检测的图像Iu的噪声，并对将图像进行灰度化处理，得到中值滤波后的灰度图Ig，计算所述灰度图Ig的平均偏差MD；并检测图像的亮度是否正常；
S1.2、调整图像亮度得到初始化后的图像为Ir：当MD大于正常的图像亮度值时，图像过亮，平衡亮度；当MD小于正常的图像亮度值时，图像过暗，提升亮度；当MD与正常的图像亮度值相等时，不作任何处理；
S1.3、调整图像大小：将图像的分辨率归一化为特定值。
进一步的，所述步骤S2具体为：
S2.1、归一化匹配模板：从初始化后图像集Ir中选择预定数量的近景拍摄的图像，手工标定每张图像的一个防震锤区域，并将该区域进行尺度归一化处理以作为初始模板图像Iti；将Iti进行灰度化处理得到灰度图I′ti，并对所有I′ti求平均，得到最终的匹配模板图像It；
S2.2、对归一化互相关匹配方法进行改进；
S2.3、匹配模板；使用改进的归一化互相关匹配方法对初始化后的图像Ir进行模板匹配，当相似度值NCC大于阈值T时，认为当前窗口为防震锤疑似区域，并将该结果值赋值为-1以避免下一次匹配到重叠区域；
S2.4、旋转模板再匹配；
S2.5、缩放模板再匹配。
优选地，所述归一化互相关匹配方法为：设r(x,y)为待匹配图像Ir，图像大小为w*h，t(x,y)为匹配的模板图像It，图像大小为m*n；归一化互相关匹配方法中相似度NCC的计算方法如下：
其中，图像Ir的子图像的大小与模板图像It相同，即m*n；μr为待匹配图像Ir的子图像的灰度均值，计算方法如下：
μt为模板图像的灰度均值，计算方法如下：
所述改进为：构造求和表Sμ,Sσ,Sc分别用于计算待匹配图像Ir的灰度均值μr、平方以及图像间的互相关值r(x,y)·t(x,y)，求和表的计算方法如下：
Sμ(x,y)＝r(x,y)+Sμ(x-1,y)+Sμ(x,y-1)-Sμ(x-1,y-1)；
Sσ(x,y)＝r2(x,y)+Sσ(x-1,y)+Sσ(x,y-1)-Sσ(x-1,y-1)；
Sc(x,y)＝r(x,y)·t(x,y)+Sc(x-1,y)+Sc(x,y-1)-Sc(x-1,y-1)；
其中，当参数x或y<0时，Sμ(x,y)＝Sσ(x,y)＝Sc(x,y)；
待匹配图像Ir的子图像在x,y处的灰度均值、平方、互相关值的计算方法分别为：
进一步的，所述步骤S3具体为：
S3.1、提取基于分块的Haar特征Bhaar；
S3.2、提取基于区域的LBP特征RLBP。
优选地，所述步骤S3.1具体为：
S3.1.1、将防震锤疑似区域Isr转化为灰度图，并将图像尺寸归一化，得到防震锤疑似区域灰度图Isg；
S3.1.2、将所述防震锤疑似区域灰度图Isg等分为左右两个子图像块Isg1,Isg2；
S3.1.3、将Haar模板3的大小设为所述子图像块大小，计算子图像Isg1,Isg2对应的Haar特征值value1，value2；
S3.1.4、计算value1，value2差值的绝对值D-value；
D-value＝|value1-value2|
S3.1.5.得到最终的BHaar特征BHaar＝[value1,value2,D-value]。
进一步的，步骤S3.2具体为：
S3.2.1、将防震锤疑似区域Isr转化为灰度图，并将图像尺寸归一化，得到防震锤疑似区域灰度图Isg；
S3.2.2、将所述防震锤疑似区域灰度图Isg等分成9块预定大小的子图像块Isg1,Isg2,…,Isg9，其中Isg9为中心区域；
S3.2.3、计算子图像Isg1,Isg2,…,Isg9的灰度均值g1,g2,…,g9；
S3.2.4、比较8邻域子图像Isg1,Isg2,…,Isg8与中心区域Isg9的灰度均值大小，若周围子图像的灰度均值gi(1≤i≤8)大于g9记为1，反之记为0：
S3.2.5、得到最终的RLBP特征RLBP＝[K1,K2,…,K8]。
优选地，所述步骤S4具体为：
S4.1、使用HOG特征对防震锤疑似区域样本集进行初分类，得到的正样本记为正样本PS_1，负样本记为负样本NS_1；
S4.2、将基于分块的Haar特征BHaar作为SVM2分类器的分类特征对PS_1进行分类，得到的正样本记为正样本PS_2，负样本记为负样本NS_2；
S4.3、将基于区域的LBP特征RLBP作为SVM3分类器的分类特征对NS_1进行分类，得到正样本记为正样本PS_3，负样本记为负样本NS_3。
优选地，所述步骤S5具体为：
正样本数NPS(Number of Positive Sample)的计算方法为：
NPS＝PS_2+PS_3
级联分类器分类的准确率Accuracy表示正样本和负样本被正确预测的比例，计算方法为：
其中，TP、TN分别为正确预测的正、负样本数，FP、FN分别为错误预测的正、负样本数。
本发明的有益效果为：
(1)本发明方法结合防震锤图像的对称性和灰度分布特性，提出了基于分块的Haar新特征BHaar和基于区域的LBP新特征RLBP，有效地增大了防震锤区域与铁塔等误检区域的区分度；
(2)使用改进的归一化互相关匹配方法，并在匹配的过程中进行模板缩放、旋转、再匹配以获得防震锤疑似区域，有效地降低了防震锤的漏检率；
(3)使用SVM级联分类器结合Haar特征、BHaar特征和RLBP特征对防震锤疑似区域进行多级分类，在保证防震锤检测准确率的同时有效地降低了误检率。
附图说明
图1是防震锤检测方法流程图；
图2是图像亮度调整方法示意图；
图3是防震锤疑似区域检测结果示例图；
图4是Haar模板示例图
图5是不同Haar模板分类效果图；
图6是BHaar特征示例图；
图7是RLBP特征示例图；
图8是级联分类器结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明为了能够降低Haar特征计算的复杂度，更好地利用防震锤的对称性，创新性地提出了基于分块的Haar特征(Block-Based Haar,BHaar)；为了能够更好的体现防震锤区域的灰度分布特点，本文借鉴LBP以及超像素的概念，创新性地提出了基于区域的LBP特征(Region-Based Local Binary Pattern,RLBP)；为了减少漏检率，在进行防震锤初定位时对模板图像进行旋转、缩放、再匹配；为了降低误检率并提高检测准确率，提出了新的级联分类器，该级联分类器由3个SVM分类器组成。将基于分块的Haar特征(BHaar)和基于区域的LBP特征(RLBP)与方向梯度直方图特征(Histogram of Oriented Gradient,HOG)特征一起作为组合特征来提取防震锤以及铁塔等误检区域的特征。再使用级联分类器对防震锤疑似区域样本集进行多级分类。
如图1所示，本实施例提出了一种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的方法，具体步骤如下：
S1、对待检测的图像进行预处理；
具体地，对图像的预处理包括去噪、亮度调整，大小调整三个方面。具体步骤如下：
S1.1、判别图像亮度：过滤待检测的图像Iu的噪声，并对将图像进行灰度化处理，得到中值滤波后的灰度图Ig，计算所述灰度图Ig的平均偏差MD；并检测图像的亮度是否正常；
可选地，使用中值滤波过滤待检测的UAV图像Iu的噪声。
S1.2、调整图像亮度：当MD大于正常的图像亮度值时，图像过亮，平衡亮度；当MD小于正常的图像亮度值时，图像过暗，提升亮度；当MD与正常的图像亮度值相等时，不作任何处理；
具体地，设mean为正常的图像亮度值，该值可以通过分析图像测试集获得。优选地，本实施例选择mean＝128。根据图像的平均偏差MD选择相应的图像亮度调整策略：当MD大于mean时，图像过亮，使用自适应Gamma校正来平衡亮度；当MD小于mean时，图像过暗，使用基于亮度通道的图像局部曝光校正方法来提升亮度；当MD与mean相等时，不作任何处理。亮度调整方法如图2所示。此处进行亮度调整的图像为中值滤波后的图像，并设初始化后的图像为Ir。
S1.3、调整图像大小：将图像的分辨率归一化为特定值。
优选地，为了提高防震锤检测的速度和准确率，本发明将测试集中所有图像的分辨率归一化为1024*768。
S2、使用改进的归一化互相关匹配方法进行模板匹配，并在匹配的过程中缩放和旋转模板，得到防震锤疑似区域样本集；
具体步骤如下：
S2.1、归一化匹配模板：从初始化后图像集Ir中选择预定数量的近景拍摄的图像，手工标定每张图像的一个防震锤区域，并将该区域进行尺度归一化处理以作为初始模板图像Iti；将Iti进行灰度化处理得到灰度图I′ti，并对所有I′ti求平均，得到最终的匹配模板图像It。
可选地，本发明从初始化后图像集Ir中选择预定数量的近景拍摄的图像40张。
S2.2、对归一化互相关匹配方法进行改进；
归一化互相关匹配方法为：设r(x,y)为待匹配图像Ir，图像大小为w*h，t(x,y)为匹配的模板图像It，图像大小为m*n；归一化互相关匹配方法中相似度NCC的计算方法如下：
其中，图像Ir的子图像的大小与模板图像It相同，即m*n；μr为待匹配图像Ir的子图像的灰度均值，计算方法如下：
μt为模板图像的灰度均值，计算方法如下：
具体地，本发明使用求和表法对归一化互相关匹配方法进行改进。改进如下：构造求和表Sμ,Sσ,Sc分别用于计算待匹配图像Ir的灰度均值μr、平方以及图像间的互相关值r(x,y)·t(x,y)。求和表的计算方法如下：
Sμ(x,y)＝r(x,y)+Sμ(x-1,y)+Sμ(x,y-1)-Sμ(x-1,y-1)；
Sσ(x,y)＝r2(x,y)+Sσ(x-1,y)+Sσ(x,y-1)-Sσ(x-1,y-1)；
Sc(x,y)＝r(x,y)·t(x,y)+Sc(x-1,y)+Sc(x,y-1)-Sc(x-1,y-1)；
其中，当参数x或y<0时，Sμ(x,y)＝Sσ(x,y)＝Sc(x,y)。
待匹配图像Ir的子图像(大小与模板图像It相同)在x,y处的灰度均值、平方、互相关值的计算方法分别为:
相应地，模板图像It在x,y处的灰度均值、平方和互相关值的计算方法与待匹配图像Ir的子图像的计算方法类似，只需构造相应的求和表并计算即可。
S2.3、匹配模板；使用改进的归一化互相关匹配方法对初始化后的图像Ir进行模板匹配，当相似度值NCC大于阈值T时，认为当前窗口为防震锤疑似区域，并将该结果值赋值为-1以避免下一次匹配到重叠区域。
优选地，阈值T通过分析模板匹配结果获得。
S2.4、旋转模板再匹配；
具体地，将模板图像It分别旋转-30°，-20°，-10°，10°，20°，30°得到新模板图像I′t，重复步骤S2.3。
S2.5、缩放模板再匹配。
具体地，将模板图像It分别缩放为原尺寸的70％，80％，90％，110％，120％，130％，并重复步骤S2.3。防震锤疑似区域Isr的检测结果如图3所示。
S3、提取所述防震锤疑似区域的组合特征。
图4列出了本发明使用的Haar模板，图5列出了不同Haar模板的分类效果，通过分析，本发明选择Haar模板3作为初始的Haar模板，进而提出改进的Haar特征——基于分块的Haar特征BHaar。
S3.1、提取基于分块的Haar特征Bhaar；
具体步骤如下：
S3.1.1、将防震锤疑似区域Isr转化为灰度图，并将图像尺寸归一化，得到防震锤疑似区域灰度图Isg；
优选地，本发明并将图像尺寸归一化为96*48，得到防震锤疑似区域灰度图Isg。
S3.1.2、将所述防震锤疑似区域灰度图Isg等分为左右两个子图像块Isg1,Isg2；
相应地，子图像的尺寸为48*48。
S3.1.3、将Haar模板3的大小设为所述子图像块大小，计算子图像Isg1,Isg2对应的Haar特征值value1，value2；
具体计算为：
valuei＝sum(白色区域像素)-2·sum(黑色区域像素)
S3.1.4、计算value1，value2差值的绝对值D-value；
D-value＝|value1-value2|
D-value可以衡量子图像Isg1,Isg2的相似度，相似度越高，D-value越小。
S3.1.5.得到最终的BHaar特征BHaar＝[value1,value2,D-value]。
图6列出了基于分块的Haar特征(BHaar)的示例。
S3.2、提取基于区域的LBP特征RLBP；
具体步骤如下：
S3.2.1、将防震锤疑似区域Isr转化为灰度图，并将图像尺寸归一化，得到防震锤疑似区域灰度图Isg；
优选地，本发明并将图像尺寸归一化为96*48，得到防震锤疑似区域灰度图Isg。
S3.2.2、将所述防震锤疑似区域灰度图Isg等分成9块预定大小的子图像块Isg1,Isg2,…,Isg9，其中Isg9为中心区域；
优选地，子图像块大小为32*16大小，以左上角子图像为起点，按顺时针方向将子图像块标记为Isg1,Isg2,…,Isg9，其中Isg9为中心区域。
S3.2.3、计算子图像Isg1,Isg2,…,Isg9的灰度均值g1,g2,…,g9。
S3.2.4、比较8邻域子图像Isg1,Isg2,…,Isg8与中心区域Isg9的灰度均值大小，若周围子图像的灰度均值gi(1≤i≤8)大于g9记为1，反之记为0：
S3.2.5、得到最终的RLBP特征RLBP＝[K1,K2,…,K8]。
图7列出了基于区域的LBP特征(RLBP)的示例。
S4、使用级联分类器对所述防震锤疑似区域进行多级分类；
级联分类器的构造如图8所示，具体步骤如下：
S4.1、使用HOG特征对防震锤疑似区域样本集进行初分类，得到的正样本记为正样本PS_1，负样本记为负样本NS_1；
S4.2、将基于分块的Haar特征BHaar作为SVM2分类器的分类特征对PS_1进行分类，得到的正样本记为正样本PS_2，负样本记为负样本NS_2；
S4.3、将基于区域的LBP特征RLBP作为SVM3分类器的分类特征对NS_1进行分类，得到正样本记为正样本PS_3，负样本记为负样本NS_3。
S5、统计所述级联分类器的分类结果。
具体地，正样本数NPS(Number of Positive Sample)的计算方法为：
NPS＝PS_2+PS_3
级联分类器分类的准确率Accuracy表示正样本和负样本被正确预测的比例，计算方法为：
其中，TP、TN分别为正确预测的正、负样本数，FP、FN分别为错误预测的正、负样本数。
本发明针对高压输电线路上防震锤的特点，创新性地提出了基于分块的Haar特征(Block-Based Haar,BHaar)和基于区域的LBP特征(Region-Based Local BinaryPattern,RLBP)，并将这些特征与方向梯度直方图特征(Histogram of OrientedGradient,HOG)特征一起作为组合特征来检测防震锤。综合考虑了防震锤图像的对称性和灰度分布情况，并对防震锤进行了多尺度的检测，很好地平衡了检测准确率和误检率。检测结果表明本发明能够高效准确地检测出高压输电线路上的防震锤，整体性能优于前人算法。
以上实施事例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种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，其特征在于，包括步骤：
S1、对待检测的图像进行预处理；
S2、使用改进的归一化互相关匹配方法进行模板匹配，并在匹配的过程中缩放和旋转模板，得到防震锤疑似区域样本集；
S3、提取所述防震锤疑似区域的组合特征；
S4、使用级联分类器对所述防震锤疑似区域进行多级分类；
S5、统计所述级联分类器的分类结果。
2.根据权利要求1所述的高压输电线路防震锤检测方法，其特征在于，
所述预处理包括去噪、亮度调整，大小调整。
3.根据权利要求2所述的高压输电线路防震锤检测方法，其特征在于，所述步骤S1具体为：
S1.1、判别图像亮度：过滤待检测的图像Iu的噪声，并对将图像进行灰度化处理，得到中值滤波后的灰度图Ig，计算所述灰度图Ig的平均偏差MD；并检测图像的亮度是否正常；
S1.2、调整图像亮度得到初始化后的图像为Ir：当MD大于正常的图像亮度值时，图像过亮，平衡亮度；当MD小于正常的图像亮度值时，图像过暗，提升亮度；当MD与正常的图像亮度值相等时，不作任何处理；
S1.3、调整图像大小：将图像的分辨率归一化为特定值。
4.根据权利要求3所述的高压输电线路防震锤检测方法，其特征在于，所述步骤S2具体为：
S2.1、归一化匹配模板：从初始化后图像集Ir中选择预定数量的近景拍摄的图像，手工标定每张图像的一个防震锤区域，并将该区域进行尺度归一化处理以作为初始模板图像Iti；将Iti进行灰度化处理得到灰度图I′ti，并对所有I′ti求平均，得到最终的匹配模板图像It；
S2.2、对归一化互相关匹配方法进行改进；
S2.3、匹配模板；使用改进的归一化互相关匹配方法对初始化后的图像Ir进行模板匹配，当相似度值NCC大于阈值T时，认为当前窗口为防震锤疑似区域，并将该结果值赋值为-1以避免下一次匹配到重叠区域；
S2.4、旋转模板再匹配；
S2.5、缩放模板再匹配。
5.根据权利要求4所述的高压输电线路防震锤检测方法，其特征在于，
所述归一化互相关匹配方法为：设r(x,y)为待匹配图像Ir，图像大小为w*h，t(x,y)为匹配的模板图像It，图像大小为m*n；归一化互相关匹配方法中相似度NCC的计算方法如下：
其中，图像Ir的子图像的大小与模板图像It相同，即m*n；μr为待匹配图像Ir的子图像的灰度均值，计算方法如下：
μt为模板图像的灰度均值，计算方法如下：
所述改进为：构造求和表Sμ,Sσ,Sc分别用于计算待匹配图像Ir的灰度均值μr、平方以及图像间的互相关值r(x,y)·t(x,y)，求和表的计算方法如下：
Sm(x,y)＝r(x,y)+Sm(x-1,y)+Sμ(x,y-1)-Sm(x-1,y-1)；
Sσ(x,y)＝r2(x,y)+Sσ(x-1,y)+Sσ(x,y-1)-Sσ(x-1,y-1)；
Sc(x,y)＝r(x,y)·t(x,y)+Sc(x-1,y)+Sc(x,y-1)-Sc(x-1,y-1)；
其中，当参数x或y<0时，Sμ(x,y)＝Sσ(x,y)＝Sc(x,y)；
待匹配图像Ir的子图像在x,y处的灰度均值、平方、互相关值的计算方法分别为：
6.根据权利要求1所述的高压输电线路防震锤检测方法，其特征在于，所述步骤S3具体为：
S3.1、提取基于分块的Haar特征Bhaar；
S3.2、提取基于区域的LBP特征RLBP。
7.根据权利要求6所述的高压输电线路防震锤检测方法，其特征在于，所述步骤S3.1具体为：
S3.1.1、将防震锤疑似区域Isr转化为灰度图，并将图像尺寸归一化，得到防震锤疑似区域灰度图Isg；
S3.1.2、将所述防震锤疑似区域灰度图Isg等分为左右两个子图像块Isg1,Isg2；
S3.1.3、将Haar模板3的大小设为所述子图像块大小，计算子图像Isg1,Isg2对应的Haar特征值value1，value2；
S3.1.4、计算value1，value2差值的绝对值D-value；
D-value＝|value1-value2|
S3.1.5.得到最终的BHaar特征BHaar＝[value1,value2,D-value]。
8.根据权利要求6所述的高压输电线路防震锤检测方法，其特征在于，所述步骤S3.2具体为：
S3.2.1、将防震锤疑似区域Isr转化为灰度图，并将图像尺寸归一化，得到防震锤疑似区域灰度图Isg；
S3.2.2、将所述防震锤疑似区域灰度图Isg等分成9块预定大小的子图像块Isg1,Isg2,…,Isg9，其中Isg9为中心区域；
S3.2.3、计算子图像Isg1,Isg2,…,Isg9的灰度均值g1,g2,…,g9；
S3.2.4、比较8邻域子图像Isg1,Isg2,…,Isg8与中心区域Isg9的灰度均值大小，若周围子图像的灰度均值gi(1≤i≤8)大于g9记为1，反之记为0：
S3.2.5、得到最终的RLBP特征RLBP＝[K1,K2,…,K8]。
9.根据权利要求1所述的高压输电线路防震锤检测方法，其特征在于，所述步骤S4具体为：
S4.1、使用HOG特征对防震锤疑似区域样本集进行初分类，得到的正样本记为正样本PS_1，负样本记为负样本NS_1；
S4.2、将基于分块的Haar特征BHaar作为SVM2分类器的分类特征对PS_1进行分类，得到的正样本记为正样本PS_2，负样本记为负样本NS_2；
S4.3、将基于区域的LBP特征RLBP作为SVM3分类器的分类特征对NS_1进行分类，得到正样本记为正样本PS_3，负样本记为负样本NS_3。
10.根据权利要求9所述的高压输电线路防震锤检测方法，其特征在于，所述步骤S5具体为：
正样本数NPS的计算方法为：
NPS＝PS_2+PS_3
级联分类器分类的准确率Accuracy表示正样本和负样本被正确预测的比例，计算方法为：
其中，TP、TN分别为正确预测的正、负样本数，FP、FN分别为错误预测的正、负样本数。
CN201910353892.6A 2019-04-29 2019-04-29 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 Active CN110119771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910353892.6A CN110119771B (zh) 2019-04-29 2019-04-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910353892.6A CN110119771B (zh) 2019-04-29 2019-04-29 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

Publications (2)

Publication Number Publication Date
CN110119771A true CN110119771A (zh) 2019-08-13
CN110119771B CN110119771B (zh) 2020-12-22

Family

ID=67521677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910353892.6A Active CN110119771B (zh) 2019-04-29 2019-04-29 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

Country Status (1)

Country Link
CN (1) CN110119771B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5193644A (en) * 1991-04-12 1993-03-16 Atlantic Richfield Company Pipeline vibration damper
US20110249867A1 (en) * 2010-04-13 2011-10-13 International Business Machines Corporation Detection of objects in digital images
US20130071033A1 (en) * 2011-09-21 2013-03-21 Tandent Vision Science, Inc. Classifier for use in generating a diffuse image
CN103198483A (zh) * 2013-04-07 2013-07-10 西安电子科技大学 基于边缘和光谱反射率曲线的多时相遥感图像配准方法
CN104933702A (zh) * 2015-05-21 2015-09-23 天津航天中为数据系统科技有限公司 输电线路塔架的检测方法及装置
CN105678263A (zh) * 2016-01-07 2016-06-15 中国科学院声学研究所 一种目标识别的方法和系统
CN105718964A (zh) * 2014-12-02 2016-06-29 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
CN106971193A (zh) * 2016-11-23 2017-07-21 南京理工大学 基于结构型Haar和Adaboost的目标检测方法
CN107133943A (zh) * 2017-04-26 2017-09-05 贵州电网有限责任公司输电运行检修分公司 一种防震锤缺陷检测的视觉检测方法
CN107680091A (zh) * 2017-10-12 2018-02-09 成都思晗科技股份有限公司 一种输电线路的防震锤脱落缺陷检测方法
CN108280855A (zh) * 2018-01-13 2018-07-13 福州大学 一种基于Fast R-CNN的绝缘子故障检测方法
CN108765476A (zh) * 2018-06-05 2018-11-06 安徽大学 一种偏振图像配准方法
CN109190580A (zh) * 2018-09-15 2019-01-11 武汉智觉空间信息技术有限公司 一种混合式虚拟场景辅助学习的电力部件识别方法
CN109509188A (zh) * 2018-11-12 2019-03-22 贵州电网有限责任公司 一种基于hog特征的输电线路典型缺陷识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5193644A (en) * 1991-04-12 1993-03-16 Atlantic Richfield Company Pipeline vibration damper
US20110249867A1 (en) * 2010-04-13 2011-10-13 International Business Machines Corporation Detection of objects in digital images
US20130071033A1 (en) * 2011-09-21 2013-03-21 Tandent Vision Science, Inc. Classifier for use in generating a diffuse image
CN103198483A (zh) * 2013-04-07 2013-07-10 西安电子科技大学 基于边缘和光谱反射率曲线的多时相遥感图像配准方法
CN105718964A (zh) * 2014-12-02 2016-06-29 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
CN104933702A (zh) * 2015-05-21 2015-09-23 天津航天中为数据系统科技有限公司 输电线路塔架的检测方法及装置
CN105678263A (zh) * 2016-01-07 2016-06-15 中国科学院声学研究所 一种目标识别的方法和系统
CN106971193A (zh) * 2016-11-23 2017-07-21 南京理工大学 基于结构型Haar和Adaboost的目标检测方法
CN107133943A (zh) * 2017-04-26 2017-09-05 贵州电网有限责任公司输电运行检修分公司 一种防震锤缺陷检测的视觉检测方法
CN107680091A (zh) * 2017-10-12 2018-02-09 成都思晗科技股份有限公司 一种输电线路的防震锤脱落缺陷检测方法
CN108280855A (zh) * 2018-01-13 2018-07-13 福州大学 一种基于Fast R-CNN的绝缘子故障检测方法
CN108765476A (zh) * 2018-06-05 2018-11-06 安徽大学 一种偏振图像配准方法
CN109190580A (zh) * 2018-09-15 2019-01-11 武汉智觉空间信息技术有限公司 一种混合式虚拟场景辅助学习的电力部件识别方法
CN109509188A (zh) * 2018-11-12 2019-03-22 贵州电网有限责任公司 一种基于hog特征的输电线路典型缺陷识别方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
J.P.LEWIS: "Fast Normalized Cross-Correlation", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/2378357》 *
JIANFENG LU等: "Detection of Bird’s Nest in High Power Lines in the Vicinity of Remote Campus Based on Combination Features and Cascade Classifier", 《IEEE ACCESS》 *
JULIANO E.C.CRUZ等: "A comparison of Haar-like, LBP and HOG approaches to concrete and asphalt runway detection in high resolution imagery", 《COMPUTER SCIENCE》 *
ROBERT D.ADAMS等: "Vibration Damping of Adhesively Bonded Joints", 《HANDBOOK OF ADHESION TECHNOLOGY》 *
YUAN LIU等: "Vibration Damper Recognition of Transmission System Based on Unmanned Aerial Vehicles", 《2011 ASIA-PACIFIC POWER AND ENERGY ENGINEERING CONFERENCE》 *
刘文超: "基于光学遥感图像的目标检测算法的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王森: "输电线路图像上防震锤检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
詹朝铖等: "基于Adaboost的架空输电线路巡线机器人障碍识别", 《计算机与数字工程》 *
金立军等: "基于类 Haar 特征与级联 AdaBoost 算法的防震锤识别", 《系统仿真学报》 *

Also Published As

Publication number Publication date
CN110119771B (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN109241985B (zh) 一种图像识别方法及装置
CN105404884B (zh) 图像分析方法
US7970180B2 (en) Method, apparatus, and program for processing red eyes
CN107851195B (zh) 利用神经网络进行目标检测
JP6330385B2 (ja) 画像処理装置、画像処理方法およびプログラム
CN106951899A (zh) 基于图像识别的异常检测方法
CN108664840A (zh) 图像识别方法及装置
CN108489996B (zh) 一种绝缘子的缺陷检测方法、系统及终端设备
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
CN109670515A (zh) 一种用于无人机影像中建筑物变化的检测方法及系统
KR20100015347A (ko) 디지털 영상 획득 장치에서의 얼굴 탐색 및 검출
CN105279772B (zh) 一种红外序列图像的可跟踪性判别方法
CN109918971A (zh) 监控视频中人数检测方法及装置
EP2959454A1 (en) Method, system and software module for foreground extraction
CN106683073A (zh) 一种车牌的检测方法及摄像机和服务器
CN111523416A (zh) 一种基于高速公路etc门架的车辆预警方法和装置
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
KR101705061B1 (ko) 차량 번호판의 글자 인식을 위한 번호판 검출방법
CN114332655A (zh) 一种车辆自适应融合检测方法及系统
CN111310899B (zh) 基于共生关系和小样本学习的电力缺陷识别方法
CN106778675B (zh) 一种视频图像中目标对象的识别方法和装置
CN117197700A (zh) 智能化无人巡检接触网缺陷识别系统
CN109359513B (zh) 一种基于边缘检测和颜色匹配的异常检测方法
CN110119771A (zh) 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
CN106778913B (zh) 一种基于像素级联特征的模糊车牌检测方法

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
GR01 Patent grant
GR01 Patent grant