CN110222648A - 一种架空电缆故障识别方法和装置 - Google Patents
一种架空电缆故障识别方法和装置 Download PDFInfo
- Publication number
- CN110222648A CN110222648A CN201910497069.2A CN201910497069A CN110222648A CN 110222648 A CN110222648 A CN 110222648A CN 201910497069 A CN201910497069 A CN 201910497069A CN 110222648 A CN110222648 A CN 110222648A
- Authority
- CN
- China
- Prior art keywords
- image
- aerial cable
- semiconducting layer
- outer semiconducting
- defect
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007547 defect Effects 0.000 claims abstract description 67
- 238000009413 insulation Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 235000020061 kirsch Nutrition 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 description 11
- 238000007689 inspection Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000002956 ash Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种架空电缆故障识别方法和装置,该采集架空电缆的图像;对所述架空电缆的图像进行处理得到缺陷特征;根据所述缺陷特征,确定所述架空电缆的缺陷检测结果,其中,所述缺陷检测结果包括以下至少之一:无缺陷、绝缘表面污渍、绝缘划伤、外半导电层剥离不齐。
Description
技术领域
本发明涉及电力设备检测领域,特别涉及一种架空电缆故障识别方法和装置。
背景技术
架空光缆智能巡线是光缆巡检的一个新的课题,而目前的巡线方式主要是以人工巡视为主。近年来,随着生产技术和科技水平的提高,产生了一些新的技术手段来解决这一问题,比如人工辅助巡线仪巡线、机器人巡线、无人机巡线、直升机巡线、在线监测等,但是这些都存在费用较高、可靠性差、安全性低等问题,同时对于城内架空光缆,由于建筑密集,上述几类方法无法成为常态化的巡线手段。
其中的一种技术手段是利用无人飞行器对目标区域进行航拍来获得目标的视频图像,然后采用热像仪和摄像机等检测设备来记录目标设施的发热情况。该技术在美国、德国和加拿大以及法国等国家取得了很大进展,美国哥伦比亚直升机公司通过与美国电力公司的合作,已经完成了无人飞行器的带电作业与施工。
然而随着机器人技术的不断发展,利用机器人巡线也成为了线路巡视的手段之一。在20世纪80年代末的时候,国际上开始关注和研制线路巡线机器人。美国、日本和加拿大等国已经开展了研究,相继研制出了不同用途的巡线机器人,并且取得了一些杰出的成果。比如,东京电力公司的Sawada等人在1988年首先研制出巡检移动机器人,该机器人具有初步的自主越障能力和光纤复合架空地线的能力。该机器人依靠一对驱动轮和加持轮爬行,它沿着地线爬行时,能跨越地线上防震锤、螺旋减震器等障碍物。爬行过程中遇到线塔时,模仿人类攀援的机理,机器人首先展开弧形手臂,然后利用手臂两端勾住线塔两侧的地线,形成一个导轨,自身再顺着导轨滑到线塔的另一侧;待机器人的夹持轮抓紧位于线塔另一侧的地线后,机器人再将弧形手臂通过折叠而收起,以备下次使用。由于巡检移动机器人没有安装能感知外部环境的传感器,因此适应性较差。
发明内容
本发明的目的是提供一种架空电缆故障识别方法和装置,采用基于车载摄像头的方式,实时采集架空电力光缆的图像,借助车载边缘计算设备,运行基于人工智能的视频分析持续,对比已经训练成型的模型库,识别光缆缺陷,同时将gps系统采集到的路径信息和故障点图示信息结合,通过互联网通道,回传至管理人员,实现线路现场运行人员巡视点gps定位、车载边缘计算设备分析和缺陷光缆图像回传三种功能的集成。
为了实现以上目的,本发明是通过以下技术方案实现的:
一种架空电缆故障识别方法,其特点是,包括:
采集架空电缆的图像;
对所述架空电缆的图像进行处理得到缺陷特征;
根据所述缺陷特征,确定所述架空电缆的缺陷检测结果,其中,所述缺陷检测结果包括以下至少之一:无缺陷、绝缘表面污渍、绝缘划伤、外半导电层剥离不齐。
根据所述缺陷特征,确定所述架空电缆的缺陷检测结果之后,所述方法还包括:
判断所述检测结果是否为架空电缆存在缺陷;
在所述架空电缆存在缺陷的情况下,发送报警信号及缺陷对应的位置信息。
对所述架空电缆图像进行处理得到缺陷特征之前,对所述待测图像进行预处理,所述预处理包括:
将所述架空电缆图像由彩色图像转换为灰度图像;
对所述灰度图像进行去噪处理;
对去噪后的图像进行分割,得到绝缘图像和外半导电层图像。
所述去噪处理包括:采用双边滤波法对所述图像进行滤波;
对滤波后的图像进行图像增强。
所述的对去噪后的图像进行分割,得到绝缘图像和外半导电层图像之后,包括:
对所述绝缘图像进行灰度分量分析,确定绝缘区域;
获取所述绝缘区域的纹理特性,所述绝缘区域的纹理特性是所述绝缘区域图像灰度的统计特性;
将所述纹理特性中的特征输入神经网络模型,得到所述主绝缘缺陷类型。
对去噪后的图像进行分割,得到绝缘图像和外半导电层图像之后,所述方法还包括:
获取外半导电层纹理特性,所述外半导电层纹理特性是所述外半导电层图像灰度的统计特性;
采用Kirsch算子进行边缘检测,提取外半导电层的边缘;
将提取边缘后的图像进行处理,得到外半导电层的矩形度;
根据所述矩形度,判断外半导电层是否为剥离不齐缺陷。
所述特征包括以下至少之一:均值、标准偏差、平滑度、三阶矩、一致性及熵、灰度色差。
一种架空电缆故障识别装置,其特点是,包括:
采集单元,用于采集架空电缆的图像;
数据处理单元,用于执行上述的架空电缆故障识别方法。
本发明与现有技术相比,具有以下优点:
采用基于车载摄像头的方式,实时采集架空电力光缆的图像,借助车载边缘计算设备,运行基于人工智能的视频分析持续,对比已经训练成型的模型库,识别光缆缺陷,同时将GPS系统采集到的路径信息和故障点图示信息结合,通过互联网通道,回传至管理人员,实现线路现场运行人员巡视点GPS定位、车载边缘计算设备分析和缺陷光缆图像回传三种功能的集成。
附图说明
图1为本发明一种架空电缆故障识别方法的流程图;
图2为本发明一种架空电缆故障识别装置的结构图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示,本发明提供的一种架空电缆故障识别方法,包括如下步骤:
步骤S102,采集架空电缆图像;
步骤S104,对架空电缆图像进行处理得到缺陷特征;其中,对架空电缆图像进行处理得到缺陷特征包括:对待测图像进行预处理,得到绝缘图像和外半导电层的图像;对绝缘图像和外半导电层图像的灰度值进行统计分别得到绝缘纹理特征和外半导电层纹理特征,其中,纹理特征中包括缺陷特征,绝缘图像和外半导电层图像为对采集图像处理后简单分割后得到的图像,绝缘图像中包括背景和绝缘区域,外半导电层图像包括背景和外半导电层。
步骤S106,根据缺陷特征,确定架空电缆的缺陷检测结果,其中,缺陷检测结果包括以下至少之一:无缺陷、绝缘表面污渍、绝缘划伤、外半导电层剥离不齐。
可选地,步骤S106之后,包括:判断检测结果是否为架空电缆存在缺陷;
在架空电缆存在缺陷的情况下,发送报警信号及缺陷对应的位置信息。
在本申请可选实施例中,通过采集单元采集架空电缆图像,采集单元可以是照相机等拍摄装置。更具体地,本实施例采用车载摄像头。
在采用识别装置获取架空电缆图像时,通常不只含有绝缘或外半导电层一个部分。各个部分的特征不同,因此需要对架空电缆的图像进行分割,使架空电缆的各组成部分独立存在,针对每个部分采用相应的方法对缺陷进行检测,达到对架空电缆施工缺陷识别的目的。
在本申请实施例中,对待测架空电缆图像进行处理得到缺陷特征之前,对待测图像进行预处理,预处理包括:将架空电缆图像由彩色图像转换为灰度图像;对灰度图像进行去噪处理;对去噪后的图像进行分割,得到绝缘图像和外半导电层图像。其中,去噪处理包括:采用双边滤波法对图像进行滤波;对滤波后的图像进行图像增强。
以下对预处理进行详细说明:
将彩色图像处理为灰度图像。由于彩色图像通常为一个三维数组,不同的色彩空间所呈现的三个变量并不唯一,将彩色图像转换为灰度图像,降低其维数,其计算的速度在处理过程中大大提升。经过灰度处理的图像存在噪声,图像中主体的细节可能被淹没,或者背景灰度值与主体灰度值相似,无法将背景与主体分开,无法准确定位到图像中目标的位置,因此需要对灰度图像进行去噪处理,去除噪声主要有滤波和图像增强两种,滤波主要针对拍摄图像和图像传输过程中产生的噪声干扰,减小噪声对于图像中目标的干扰,但是在滤波的同时,也会对图像本身产生一定的破坏,滤除图像中目标区域的一些对象,因此在滤波之后,需要对图像进行增强操作,突显图像中的感兴趣区域,弱化背景,增强图像中接头与背景的区分度,更好的反映出目标区域的细节。
图像去噪之后,图像中的目标区域较为明显,但仍然是架空电缆组合图像,因此对于图像进行分割,将架空电缆的各部分分割成各部件。图像分割主要通过物体的颜色特征和轮廓对主体进行分割,将其分为绝缘和外半导电层两个部分。
分割后的图像为多张各部件的图像,对架空电缆进行缺陷检测,以实现对整个中间接头缺陷进行识别的目的。
具体地,以下对色彩空间的选择、灰度图像的选择和降噪进行详细说明:
色彩空间的选择:本申请实施例针对架空电缆各部分在不同色彩空间中的响应不同,选择了YCbCr及HSI色彩空间对彩色图像进行灰度变换及后续处理,由于在实际中与RGB色彩空间差别较大,因此在判定及分割图像中恢复至RGB色彩空间进行显示,更能符合人眼实际看见的架空电缆实物,对于缺陷在架空电缆的位置判定具有较好的效果。
灰度图像的选择:将HSI空间与YCbCr空间下的灰度图像与RGB色彩空间灰度图像相比较,更能突显图像中的电缆部分,应用HSI与YCbCr空间下的灰度图像,对于后续图像处理提供了更好的素材,有利于图像中电缆各部分的识别与典型缺陷的判定。
降噪:双边滤波方法,对于除混合噪声外的其他图像,PSNR值明显大于其它方法,从整体来看,中值滤波与均值滤波对同一种噪声的PSNR值相差不大,自适应滤波在所取滤波半径下的PSNR值较小,滤波作用不明显。采用双边滤波方法滤除噪声可以达到较好的效果,本文采用双边滤波的方式对中间接头灰度图像进行处理。
图像分割:通过图像增强,架空电缆的各个组成部分有较为明显的分界线,通过各组成部分的颜色特性,由返回的位置在原RGB图像中定位,进行代数运算分离出电力电缆的各组成部分。根据二值图像,求取该区域在原图像中所对应的部分,由此从复杂的架空电缆图像中分割出了完整的主绝缘图像。去除了背景与其它非感兴趣区域,绝缘与外半导电层部分在图像中独立存在,通过电缆独立的部件图像,能够有效的提取图像中电缆各部分的特征,针对绝缘与外半导电层进行缺陷识别。
在实际施工拍摄过程中,拍摄到的架空电缆图像并非是各个部分单独存在的图像,往往包括了其他部分,通过上述分析,能将包含背景的架空电缆图像进行分离,然后根据每部分的缺陷特征对相应的缺陷进行判断,将复杂的现场图像分割为简单图像,针对性更强,有效提升了识别效率。
在本申请实施例中,在对图像预处理,得到绝缘图像和外半导电层图像之后,包括:对绝缘图像进行灰度分量分析,确定绝缘区域;获取绝缘区域的纹理特性,绝缘区域的纹理特性是绝缘区域图像灰度的统计特性;将纹理特性中的特征输入神经网络模型,得到主绝缘缺陷类型。其中,特征包括以下至少之一:均值、标准偏差、平滑度、三阶矩、一致性及熵、灰度色差。
具体地,以下对绝缘缺陷识别进行详细说明:
1、绝缘颜色特征识别用于识别绝缘本体区分外背景,本申请通过固定拍照,得到的照片进行灰度分量分析,能有效的判定绝缘区域。
2、绝缘纹理特征识别用于识别划痕,纹理是基于图像灰度值的统计特性,通常纹理特性主要包含均值m、标准偏差σ、平滑度R、三阶矩μ3、一致性U及熵e六个特征度量。
3、绝缘尺寸特征,在实际拍摄中,通过识别装置获取图像,装置上存在标尺,且拍摄位置固定,通过物体客观尺寸与图像像素的对应关系,能够计算出图像中物体的实际尺寸。通过该方法能够对图像中物体与实际物体尺寸进行对应,达到计算图像中物体实际尺寸的目的。
4、绝缘污渍的色差特征,通过实验,在绝缘上放置不同大小颜色的污渍得到的灰度图像。
5、基于神经网络的缺陷识别方法,本申请涉及对缺陷类型的判定,对缺陷的定量分析相对要求较低,本申请采用三层神经网络结构进行学习来识别缺陷。根据上述2和3的分析,缺陷区域的灰度色差在两种缺陷下有明显的不同,在纹理特性中,通过对比,m、σ、μ3、e变化较为明显,在加上灰度色差的差异,选取这五个特征量作为输入层的神经元个数,输出分别为主绝缘污渍与主绝缘划伤两种类型。隐藏层的选取是最为关键的环节,隐藏层节点个数可以根据公式11进行计算,其中m、n分别为输入与输出的节点数目,a为1-10之间的整数。上述神经网络的训练流程如下:
(1)将最开始的权值赋随机数,设置最多迭代1000次,最小误差0.001,训练步长为0.01,输入的样本数为20个;
(2)将样本参数输入网络,并将对应的两类缺陷编码值作为输出录入网络;
(3)按照设计的网络结构学习训练,当误差值小于规定时结束训练,得到训练好的网络。
在本申请实施例中,对去噪后的图像进行分割,得到绝缘图像和外半导电层图像之后,方法还包括:获取外半导电层纹理特性,外半导电层纹理特性是外半导电层图像灰度的统计特性;采用Kirsch算子进行边缘检测,提取外半导电层的边缘;将提取边缘后的图像进行处理,得到外半导电层的矩形度;根据矩形度,判断外半导电层是否为剥离不齐缺陷。
所述特征包括以下至少之一:均值、标准偏差、平滑度、三阶矩、一致性及熵、灰度色差。
通过上述步骤,可以实现判定是否出现典型缺陷及缺陷的类型,快速准确地检测
电缆是否存在缺陷,避免电缆线路故障的发生,保证了电网安全运行。
根据本发明实施例,提供了一种电缆缺陷的检测的装置实施例,图2是根据本发明实施例的一种电缆缺陷的检测装置的示意图,如图2所示,该装置包括:
采集单元50,用于采集待测电缆中间接头图像;
数据处理单元52,与采集单元52连接,用于执行上述的电缆缺陷的检测方法。
需要说明的是,图2所示实施方式的优选实施例,可以参见图1的相关描述,此处不再赘述。
基于深度学习的目标检测算法,实时检测提取架空电力光缆光缆外观、弧垂、线夹、防振锤(鞭)、接头盒等项目巡视。相关专利申请中,使用的软件工具为基于Pytorch深度学习平台下的centerNet框架,硬件包括:摄像头(或手机采集)、NvidIA系列的边缘计算产品jetson系统或类似服务器,以及配套的gps和通信模块。软硬件设计模型和一体化产品为专利申请的目标。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种架空电缆故障识别方法,其特征在于,包括:
采集架空电缆的图像;
对所述架空电缆的图像进行处理得到缺陷特征;
根据所述缺陷特征,确定所述架空电缆的缺陷检测结果,其中,所述缺陷检测结果包括以下至少之一:无缺陷、绝缘表面污渍、绝缘划伤、外半导电层剥离不齐。
2.如权利要求1所述的架空电缆故障识别方法,其特征在于,根据所述缺陷特征,确定所述架空电缆的缺陷检测结果之后,所述方法还包括:
判断所述检测结果是否为架空电缆存在缺陷;
在所述架空电缆存在缺陷的情况下,发送报警信号及缺陷对应的位置信息。
3.如权利要求1所述的架空电缆故障识别方法,其特征在于,对所述架空电缆图像进行处理得到缺陷特征之前,对所述待测图像进行预处理,所述预处理包括:
将所述架空电缆图像由彩色图像转换为灰度图像;
对所述灰度图像进行去噪处理;
对去噪后的图像进行分割,得到绝缘图像和外半导电层图像。
4.如权利要求3所述的架空电缆故障识别方法,其特征在于,所述去噪处理包括:采用双边滤波法对所述图像进行滤波;
对滤波后的图像进行图像增强。
5.如权利要求3所述的架空电缆故障识别方法,其特征在于,所述的对去噪后的图像进行分割,得到绝缘图像和外半导电层图像之后,包括:
对所述绝缘图像进行灰度分量分析,确定绝缘区域;
获取所述绝缘区域的纹理特性,所述绝缘区域的纹理特性是所述绝缘区域图像灰度的统计特性;
将所述纹理特性中的特征输入神经网络模型,得到所述主绝缘缺陷类型。
6.如权利要求3所述的架空电缆故障识别方法,其特征在于,对去噪后的图像进行分割,得到绝缘图像和外半导电层图像之后,所述方法还包括:
获取外半导电层纹理特性,所述外半导电层纹理特性是所述外半导电层图像灰度的统计特性;
采用Kirsch算子进行边缘检测,提取外半导电层的边缘;
将提取边缘后的图像进行处理,得到外半导电层的矩形度;
根据所述矩形度,判断外半导电层是否为剥离不齐缺陷。
7.如权利要求5所述的架空电缆故障识别方法,其特征在于,所述特征包括以下至少之一:均值、标准偏差、平滑度、三阶矩、一致性及熵、灰度色差。
8.一种架空电缆故障识别装置,其特征在于,包括:
采集单元,用于采集架空电缆的图像;
数据处理单元,用于执行权利要求1-7任一项所述的架空电缆故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497069.2A CN110222648A (zh) | 2019-06-10 | 2019-06-10 | 一种架空电缆故障识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497069.2A CN110222648A (zh) | 2019-06-10 | 2019-06-10 | 一种架空电缆故障识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222648A true CN110222648A (zh) | 2019-09-10 |
Family
ID=67815988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910497069.2A Pending CN110222648A (zh) | 2019-06-10 | 2019-06-10 | 一种架空电缆故障识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222648A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751641A (zh) * | 2019-10-18 | 2020-02-04 | 山东贝特建筑项目管理咨询有限公司 | 锚栓信息检测的方法及存储介质 |
CN111274930A (zh) * | 2020-04-02 | 2020-06-12 | 成都鼎安华智慧物联网股份有限公司 | 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 |
CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
CN111831430A (zh) * | 2020-06-15 | 2020-10-27 | 国网上海市电力公司 | 一种基于边缘计算的电力设备缺陷识别系统 |
CN112418019A (zh) * | 2020-11-08 | 2021-02-26 | 国家电网有限公司 | 架空电力通信光缆巡视系统及方法 |
CN112508453A (zh) * | 2020-12-22 | 2021-03-16 | 安徽康能电气有限公司 | 一种基于国网芯的智慧线路多元感知方法及系统 |
CN113313706A (zh) * | 2021-06-28 | 2021-08-27 | 安徽南瑞继远电网技术有限公司 | 基于检测参考点偏移分析的电力设备缺陷图像检测方法 |
CN113810102A (zh) * | 2020-06-12 | 2021-12-17 | 中国联合网络通信集团有限公司 | 光缆检测设备、系统及方法 |
CN117094991A (zh) * | 2023-10-17 | 2023-11-21 | 山东东方智光网络通信有限公司 | 一种基于图像处理的光缆检测方法及系统 |
CN112418019B (zh) * | 2020-11-08 | 2024-06-28 | 国家电网有限公司 | 架空电力通信光缆巡视系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596634A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 电缆缺陷的检测方法及装置、存储介质、处理器 |
-
2019
- 2019-06-10 CN CN201910497069.2A patent/CN110222648A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596634A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 电缆缺陷的检测方法及装置、存储介质、处理器 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751641A (zh) * | 2019-10-18 | 2020-02-04 | 山东贝特建筑项目管理咨询有限公司 | 锚栓信息检测的方法及存储介质 |
CN111274930A (zh) * | 2020-04-02 | 2020-06-12 | 成都鼎安华智慧物联网股份有限公司 | 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 |
CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
CN113810102A (zh) * | 2020-06-12 | 2021-12-17 | 中国联合网络通信集团有限公司 | 光缆检测设备、系统及方法 |
CN111831430A (zh) * | 2020-06-15 | 2020-10-27 | 国网上海市电力公司 | 一种基于边缘计算的电力设备缺陷识别系统 |
CN112418019A (zh) * | 2020-11-08 | 2021-02-26 | 国家电网有限公司 | 架空电力通信光缆巡视系统及方法 |
CN112418019B (zh) * | 2020-11-08 | 2024-06-28 | 国家电网有限公司 | 架空电力通信光缆巡视系统及方法 |
CN112508453A (zh) * | 2020-12-22 | 2021-03-16 | 安徽康能电气有限公司 | 一种基于国网芯的智慧线路多元感知方法及系统 |
CN113313706A (zh) * | 2021-06-28 | 2021-08-27 | 安徽南瑞继远电网技术有限公司 | 基于检测参考点偏移分析的电力设备缺陷图像检测方法 |
CN117094991A (zh) * | 2023-10-17 | 2023-11-21 | 山东东方智光网络通信有限公司 | 一种基于图像处理的光缆检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222648A (zh) | 一种架空电缆故障识别方法和装置 | |
US10480939B2 (en) | High speed stereoscopic pavement surface scanning system and method | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
Zormpas et al. | Power transmission lines inspection using properly equipped unmanned aerial vehicle (UAV) | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN108332927A (zh) | 一种桥梁表面裂缝检测装置 | |
CN115100379B (zh) | 一种风机叶片运输监管方法、系统、设备及介质 | |
CN108513110A (zh) | 人脸识别监控摄像头 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN112528979A (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉系统及方法 | |
CN108037543A (zh) | 一种监测低空无人飞行器的多谱红外成像检测跟踪方法 | |
CN108540707A (zh) | 人脸识别执法仪 | |
US11989870B2 (en) | Method and assembly for detecting objects on systems | |
CN115661057A (zh) | 一种基于云边协同和深度学习的工业无损检测系统与方法 | |
CN115753809A (zh) | 一种绝缘子污损检测方法、装置、设备及存储介质 | |
KR102169211B1 (ko) | 전차 선로의 조류 둥지 자동 검출 장치 및 방법 | |
CA3066752A1 (en) | High speed stereoscopic pavement surface scanning system and method | |
CN111354028A (zh) | 基于双目视觉的输电通道隐患物识别追踪方法 | |
CN114862796A (zh) | 一种用于风机叶片损伤检测的无人机 | |
CN108230182B (zh) | 一种电力作业现场物体安全特征识别系统 | |
CN208691422U (zh) | 人脸识别监控摄像头 | |
CN113989886A (zh) | 基于人脸识别的船员身份验证方法 | |
CN112801072A (zh) | 一种基于计算机视觉的电梯非平层开门故障识别装置及方法 |
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 |
Application publication date: 20190910 |
|
RJ01 | Rejection of invention patent application after publication |