CN110223346A - 基于形状先验的多绝缘子定位方法 - Google Patents
基于形状先验的多绝缘子定位方法 Download PDFInfo
- Publication number
- CN110223346A CN110223346A CN201910461529.6A CN201910461529A CN110223346A CN 110223346 A CN110223346 A CN 110223346A CN 201910461529 A CN201910461529 A CN 201910461529A CN 110223346 A CN110223346 A CN 110223346A
- Authority
- CN
- China
- Prior art keywords
- point
- insulator
- image
- edge
- key
- 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
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004807 localization Effects 0.000 title abstract 4
- 230000000877 morphologic effect Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 2
- 238000005530 etching Methods 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 claims 1
- 230000001629 suppression Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000015556 catabolic process Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 15
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于形状先验的多绝缘子定位方法，首先通过自适应阈值分割消除部分背景干扰，然后利用形态学处理进行前景优化，消除噪声并填充绝缘子内部孔洞，接着利用边缘检测得到边缘图像，根据绝缘子的第一种形状特征在边缘图像上进行关键点提取，进一步根据绝缘子的第二种形状特征筛选出正确的关键点，在关键点的基础上进行方向线段检测，根据关键点和方向线段进行绝缘子初步定位，最后对定位区域进行融合，得到最终的绝缘子定位区域。本发明利用绝缘子的形状先验信息实现多绝缘子的精确定位，具有定位速度快、定位精度高、低误检率、鲁棒性强等特点，为绝缘子故障检测提供了有效技术支撑。
Description
技术领域
本发明涉及一种基于形状先验的多绝缘子定位方法，属于数字图像处理与图像检测领域。
背景技术
作为国家的经济命脉和能源支柱，电力的安全稳定运行与国家经济的发展息息相关，同时关系到国家安全层面。在输电线路覆盖的区域，尤其是超、特高压线路架设的区域，此类地区输电距离较长、地理环境及沿途气象较为复杂，输电线路极易发生恶劣天气气候危害。同时，由于长期暴露在室外环境下，输电线路很可能出现电气闪络、材料老化、机械张力等问题，也避免不了遭受冰灾、雷击、强风、鸟害、污闪等危害，一旦不能及时处理，极容易发生重大事故而导致大面积停电等严重后果，严重影响电力系统稳定运行，并带来巨大的经济损失。因此，定期的巡检输电线路是非常必要的，也是电力系统安全稳定运行的关键保障。
绝缘子作为输电线路的重要组成部分，能够在导线、横担及杆塔间起到良好的绝缘作用。然而，在长期的雨淋、日晒、气候变化和化学腐蚀作用下，以及强力电场和超额的机械负荷等作用下，绝缘子非常容易发生故障(比如掉串、破损、雷击闪络、异物搭挂等)，严重阻碍电力系统的稳定运行。因此，绝缘子的状态检测对于日常的巡检输电线路来说尤为重要。
随着计算机视觉技术的日益发展和广泛运用，把基于图像处理与视频分析的智能识别技术引入到输电线路无人机/直升机巡检工作中，通过操纵无人机/直升机采集巡检图像和巡检视频，这些影像数据存储了输电线路各电气设备的基本特征和运行状态信息，通过对这些影像数据进行计算机分析处理，自动识别电气设备、检测相应异常状态和故障，实现输电线路巡检的智能化、自动化、先进化。这种基于图像识别的智能巡检技术既能避免掉人工方式下的种种弊病，大幅度提升工作效率和检测精准度，也能极大地改善输电线路巡检的自动化水平，同时大大减少了人力、资金的投入。
绝缘子的准确、快速识别与检测是输电线路巡检的基础，由于巡检过程中背景复杂，给绝缘子的准确识别与定位带来了一定的困难，基于以上问题，本发明提出基于形状先验的多绝缘子定位方法。利用绝缘子自身的形状特征准确、快速地从巡检图像中定位出绝缘子位置，为输电线路巡检提供保障。
发明内容
本发明所要解决的技术问题是，实现快速地从巡检图像中定位出绝缘子位置，为输电线路巡检提供保障。
本发明提出了基于形状先验的多绝缘子定位方法，其特征在于，包括以下步骤：
1)对原始巡检图像进行阈值分割，消除部分背景的干扰，得到初步的前景图像；
2)利用形态学处理方法对前景图像进行优化；
3)对优化前景图像进行边缘检测得到边缘图像Iedge；
4)依次对边缘图像Iedge的每一个像素点进行关键点判断，提取出所有的关键点，得到关键点集S；所述关键点由绝缘子伞裙最外侧边缘点以及伞裙之间相连的点构成；
5)根据关键点和相邻关键点之间的距离的相似性，对关键点进行筛选；
6)对筛选后的关键点进行直线拟合，得到绝缘子的方向线段，找到所有的绝缘子的方向线段，得到方向线段集L；
7)同一方向线段上的关键点属于同一个绝缘子，获取方向线段上所有关键点的最小矩形作为绝缘子初步定位区域；
8)对相同方向的方向线段所对应的初步定位区域进行融合得到完整的绝缘子定位区域。
本发明所达到的有益效果是：本发明充分利用绝缘子的形状先验信息实现了多绝缘子的精确定位，克服了传统基于学习的绝缘子定位方法需要对全图进行扫描，从而导致定位过程耗时大且精度低的问题，本发明提出的多绝缘子定位方法具有定位速度快、定位精度高、低误检率、鲁棒性强等特点，为绝缘子故障检测提供了有效技术支撑。
附图说明
图1为绝缘子关键点图；
图2为像素点邻域图；
图3为关键点特征图；
图4为本发明的多绝缘子定位方法流程图。
具体实施方式
本发明的实际流程图如图4所示，一种基于形状先验的多绝缘子定位方法，具体技术步骤包括：
一.自适应阈值分割。对原始图像进行阈值分割消除部分背景的干扰，得到初步的前景图像。
通过分割消除部分背景的干扰，得到初步的前景图像。在巡检图像中，大部分为背景，绝缘子所占比例较小，因此本发明对原图像进行分块，对每一块分别进行自适应阈值分割。
1)首先对原始图像Iori进行灰度化得到灰度图像Igray，然后将灰度图像Igray平均划分为N块；
2)对每一图像块根据像素值计算方差σ，当方差σ小于阈值threshold时将当前块全部划分为背景，无需进行分割；当方差大于阈值时，根据图像块的灰度信息自适应获取当前块的分割阈值T，通过分割阈值T对当前块进行分割，得到初始前景区域以及分割后的图像Icut；所述分割阈值T按下式获取：
其中，t代表灰度图像的灰度级，L＝255代表灰度图像最大灰度级，pi表示灰度图像中灰度值为i的像素数量。
二、前景图像优化。利用形态学处理方法对前景图像进行优化。
图像分割后，绝缘子内部容易出现孔洞，边缘容易出现毛刺，背景中的噪声容易误划分为前景。通过形态学处理对前景进行优化，首先通过先腐蚀后膨胀操作，消除背景噪声的干扰并平滑目标边缘，然后通过先膨胀后腐蚀操作，填充目标内部孔洞。
首先对前景图像进行先腐蚀后膨胀操作，消除背景噪声的干扰并平滑目标边缘，然后对上述操作后的前景图像进行先膨胀后腐蚀操作，填充目标内部孔洞，定义结构元素M，则第一步和第二步形态学优化为
其中，Iopt1表示对前景图像进行第一步形态学优化后的图像，Iopt2表示对Iopt1进行第二步形态学优化后的图像，表示形态学腐蚀操作，表示形态学膨胀操作。
三、边缘检测。对优化前景图像进行边缘检测得到边缘图像Iedge。
由于绝缘子的形状特征主要在边缘部分，因此需要对前景图像进行边缘检测。首先对优化前景图像的每一个像素进行梯度计算，通过非极大值抑制去除明显的非边缘点，然后设置高低阈值对边缘点进行筛选，得到边缘图像。
1)首先利用一阶微分算子来计算优化前景图像Iopt2各点处的梯度幅值和梯度方向，获得相应的梯度幅值图像G和梯度方向图像θ，其中，点(x,y)处两个方向的偏导数Gx(i,j)和Gy(i,j)分别为
Gx(i,j)＝(Iopt2(i,j+1)-Iopt2(i,j)+Iopt2(i+1,j+1)-Iopt2(i+1,j))/2
Gy(i,j)＝(Iopt2(i,j)-Iopt2(i+1,j)+Iopt2(i,j+1)-Iopt2(i+1,j+1))/2
其中，Iopt2(i,j)表示图像Iopt2在位置(i,j)处的灰度值，则此时点(i,j)处的梯度幅值和梯度方向分别为
为了精确定位边缘，必须细化梯度幅值图像G中的屋脊带，只保留幅值的局部极大值，即非极大值抑制，具体实现流程为：在梯度图像G中以点(i,j)为中心3×3的邻域内沿梯度方向θ(i,j)进行插值，若点(i,j)处的梯度幅值G(i,j)大于θ(i,j)方向上与其相邻的两个插值，则将该点(i,j)标记为候选边缘点，反之则标记为非边缘点，得到候选边缘图像Iedge；
2)采用双阈值法从候选边缘点中检测和连接出最终的边缘。
双阈值法首先选取高阈值Th和低阈值Tl，然后开始扫描图像，对候选边缘图像N中标记为候选边缘点的任一像素点(i,j)进行检测，若点(i,j)梯度幅值G(i,j)高于阈值Th，则认为该点一定是边缘点，若点(i,j)梯度幅值G(i,j)低于阈值Tl，则认为该点一定不是边缘点；而对于梯度幅值处于两个阈值之间的像素点，则将其看做疑似边缘点，进一步依据边缘的连通性对其进行判断，若该像素点的邻接像素中有边缘点，则认为该点也为边缘像素点，否则，认为该点为非边缘点，最后得到边缘图像Iedge。
四、提取关键点。由绝缘子伞裙最外侧边缘点以及伞裙之间相连的点构成关键点，依次对边缘图像Iedge的每一个像素点进行关键点判断，提取出所有的关键点，得到关键点集S。
绝缘子具有独特的轮廓形状特征，根据绝缘子的第一种形状特征，由绝缘子伞裙最外侧边缘点以及伞裙之间相连的点构成的关键点，关键点与邻域边缘像素点构成的直线角度会发生变化。绝缘子关键点如图1所示，遍历边缘图像Iedge的每一个像素点，如图2所示，t0为当前像素点，t1～t8为t0的邻域像素点，图3为关键点在边缘图像中的邻域像素特征，正中间代表当前像素点，邻域像素点为灰色代表该像素点为非边缘点，邻域像素点为黑色代表该像素点为边缘点。
若当前像素点同时满足下述条件，则认为当前像素点是绝缘子图像的关键点：
a.当前像素点为边缘像素点；
b.当前像素点的邻域边缘像素点满足设定条件；设定条件为图3中12种情况中的任意一种排列情况；
依次对边缘图像Iedge的每一个像素点进行关键点判断，提取出所有的关键点，得到关键点集S。
五、关键点筛选。根据关键点和相邻关键点之间的距离的相似性，对关键点进行筛选。
根据绝缘子的第二种形状特征，绝缘子串由多个相同的绝缘子片以同样的形式进行组装构成，因此绝缘子片之间的距离具有相似性，即提取的关键点和相邻关键点之间的距离具有相似性，依据距离相似性去除错误关键点，得到正确的关键点集；
对于关键点集S中第i个关键点Si，找到与其欧式距离最近的关键点S′i，计算关键点Si和S′i之间的距离得到距离集合D，由于相邻关键点之间的距离具有相似性，而错误关键点之间的距离则没有这种相似性，对距离集合D进行统计，频率最高的距离值所对应的关键点为正确的关键点，其它的点为错误的关键点，保留正确的关键点，去除错误的关键点，得到正确的关键点集D′，完成关键点的筛选。
六、方向线段检测。对筛选后的关键点进行直线拟合，得到绝缘子的方向线段，找到所有的绝缘子的方向线段，得到方向线段集L。
如图3所示，同一侧绝缘子相连所得线段的方向代表绝缘子的方向，因此，对筛选后的关键点进行直线拟合，得到绝缘子的方向线段，同一个绝缘子有4条方向线段。
首先在关键点集D'中选取一个关键点D′i，连接D′i和与其距离最近的关键点D"i，两点间的直线方向θi计算如下：
其中为关键点D′i的纵坐标，为关键点D"i的纵坐标，为关键点D′i的横坐标，为关键点D"i的横坐标；
统计θi方向上所有关键点数量counti，若counti大于阈值countthr，依次连接θi方向上的所有的关键点形成线段，保留当前线段为绝缘子的方向线段，从关键点集D'中去除当前线段上的所有关键点，然后从关键点集D'任选一点重复以上步骤，若counti小于阈值countthr，则当前线段不是绝缘子的方向线段，连接关键点D′i与其次邻近的关键点，重复以上步骤，直到找到所有的绝缘子的方向线段，得到方向线段集L。
七、绝缘子初步定位。同一方向线段上的关键点属于同一个绝缘子，获取方向线段上所有关键点的最小矩形作为绝缘子初步定位区域。
对于方向线段集L中的第u条线段Lu，Luv代表线段Lu上的第v个关键点，则方向线段Lu最小外接矩形确定如下：
其中，startux为线段Lu最小外接矩形左上点的横坐标，startuy为线段Lu最小外接矩形左上点的纵坐标，endux为线段Lu最小外接矩形右下点的横坐标，enduy为线段Lu最小外接矩形右下点的纵坐标，Luv(x′)为线段Lu上的第v个关键点的横坐标，Luv(y′)为线段Lu上的第v个关键点的纵坐标，n为方向线段Lu上的关键点数量，线段Lu最小外接矩形的宽width和高height分别为：
根据以上步骤可以得到绝缘子初步定位区域集合R。
八、目标区域融合。对相同方向的方向线段所对应的初步定位区域进行融合得到完整的绝缘子定位区域。
同一绝缘子有4条方向线段，且这4条方向线段方向相同，每条方向线段位于绝缘子的不同位置，根据每条方向线段得到的绝缘子初步定位区域均包含部分绝缘子，因此，对相同方向的方向线段所对应的初步定位区域进行融合得到完整的绝缘子定位区域。Rl和Rk分别为初步定位区域集合R中第l个和第k个定位区域，Ll和Lk分别为区域Rl和Rk的方向线段，θl和θk分别为线段Ll和Lk对应的方向，若两线段之间的方向差小于方向阈值θthreshold即|θl-θk|＜θthreshold，则合并区域Rl和Rk，合并规则为
其中，startlx为区域Rl左上点的横坐标，startly为区域Rl左上点的纵坐标，endlx为区域Rl右下点的横坐标，endly为区域Rl右下点的纵坐标。startkx为区域Rk左上点的横坐标，startky为区域Rk左上点的纵坐标，endkx为区域Rk右下点的横坐标，endky为区域Rk右下点的纵坐标，合并后，去除区域Rk，依次对同方向的所有初步定位区域通过以上区域进行融合，得到融合后区域，即绝缘子最终定位区域。
以上的实施方式仅是用来说明本发明，对于本技术领域的技术人员来说，在不脱离本发明的基本原理的前提下还可以做出若干改进和润饰，这些改进和润饰都应当视为本发明的保护范围。
Claims (12)
1.基于形状先验的多绝缘子定位方法，其特征在于，包括以下步骤：
1)对原始巡检图像进行阈值分割，消除部分背景的干扰，得到初步的前景图像；
2)利用形态学处理方法对前景图像进行优化；
3)对优化前景图像进行边缘检测得到边缘图像Iedge；
4)依次对边缘图像Iedge的每一个像素点进行关键点判断，提取出所有的关键点，得到关键点集S；所述关键点由绝缘子伞裙最外侧边缘点以及伞裙之间相连的点构成；
5)根据关键点和相邻关键点之间的距离的相似性，对关键点进行筛选；
6)对筛选后的关键点进行直线拟合，得到绝缘子的方向线段，找到所有的绝缘子的方向线段，得到方向线段集L；
7)同一方向线段上的关键点属于同一个绝缘子，获取方向线段上所有关键点的最小矩形作为绝缘子初步定位区域；
8)对相同方向的方向线段所对应的初步定位区域进行融合得到完整的绝缘子定位区域。
2.根据权利要求1所述的基于形状先验的多绝缘子定位方法，其特征在于，
在所述步骤1)中，具体过程为：
1)首先对原始图像Iori进行灰度化得到灰度图像Igray，然后将灰度图像Igray平均划分为N块；
2)对每一图像块根据像素值计算方差σ，当方差σ小于阈值threshold时将当前块全部划分为背景，无需进行分割；当方差大于阈值时，根据图像块的灰度信息自适应获取当前块的分割阈值T，通过分割阈值T对当前块进行分割，得到初始前景区域以及分割后的图像Icut。
3.根据权利要求2所述的基于形状先验的多绝缘子定位方法，其特征在于，
所述分割阈值T按下式获取：
其中，
t代表灰度图像的灰度级，L代表灰度图像最大灰度级，pi表示灰度图像中灰度值为i的像素数量。
4.根据权利要求1所述的基于形状先验的多绝缘子定位方法，其特征在于，
在所述步骤2)中，通过形态学处理对前景图像进行优化，首先通过先腐蚀后膨胀操作，消除背景噪声的干扰并平滑目标边缘，然后通过先膨胀后腐蚀操作，填充目标内部孔洞。
5.根据权利要求4所述的基于形状先验的多绝缘子定位方法，其特征在于，
具体过程为：
首先对前景图像进行先腐蚀后膨胀操作，消除背景噪声的干扰并平滑目标边缘，然后对上述操作后的前景图像进行先膨胀后腐蚀操作，填充目标内部孔洞，定义结构元素M，则第一步和第二步形态学优化为
其中，Iopt1表示对前景图像进行第一步形态学优化后的图像，Iopt2表示对Iopt1进行第二步形态学优化后的图像，表示形态学腐蚀操作，表示形态学膨胀操作。
6.根据权利要求1所述的基于形状先验的多绝缘子定位方法，其特征在于，在所述步骤3)中，首先对优化前景图像的每一个像素进行梯度计算，通过非极大值抑制去除非边缘点，然后设置高低阈值对边缘点进行筛选，得到边缘图像。
7.根据权利要求6所述的基于形状先验的多绝缘子定位方法，其特征在于，
1)首先利用一阶微分算子计算优化前景图像Iopt2各点处的梯度幅值和梯度方向，获得相应的梯度幅值图像G和梯度方向图像θ，其中，点(x,y)处两个方向的偏导数Gx(i,j)和Gy(i,j)分别为
Gx(i,j)＝(Iopt2(i,j+1)-Iopt2(i,j)+Iopt2(i+1,j+1)-Iopt2(i+1,j))/2
Gy(i,j)＝(Iopt2(i,j)-Iopt2(i+1,j)+Iopt2(i,j+1)-Iopt2(i+1,j+1))/2
其中，I(i,j)opt2表示图像Iopt2在位置(i,j)处的灰度值，则此时点(i,j)处的梯度幅值和梯度方向分别为
细化梯度幅值图像G中的屋脊带，只保留幅值的局部极大值，即非极大值抑制，具体实现流程为：在梯度图像G中以点(i,j)为中心3×3的邻域内沿梯度方向θ(i,j)进行插值，若点(i,j)处的梯度幅值G(i,j)大于θ(i,j)方向上与其相邻的两个插值，则将该点(i,j)标记为候选边缘点，反之则标记为非边缘点，得到候选边缘图像Iedge；
2)采用双阈值法从候选边缘点中检测和连接出最终的边缘。
8.根据权利要求1所述的基于形状先验的多绝缘子定位方法，其特征在于，在所述步骤4)中，若当前像素点同时满足下述条件，则认为当前像素点是绝缘子图像的关键点：
a.当前像素点为边缘像素点；
b.当前像素点的邻域边缘像素点满足设定条件；
依次对边缘图像Iedge的每一个像素点进行关键点判断，提取出所有的关键点，得到关键点集S。
9.根据权利要求1所述的基于形状先验的多绝缘子定位方法，其特征在于，在所述步骤5)中，对于关键点集S中第i个关键点Si，找到与其欧式距离最近的关键点S′i，计算关键点Si和S′i之间的距离得到距离集合D，对距离集合D进行统计，频率最高的距离值所对应的关键点为正确的关键点，其它的点为错误的关键点，保留正确的关键点，去除错误的关键点，得到正确的关键点集D'，完成关键点的筛选。
10.根据权利要求9所述的基于形状先验的多绝缘子定位方法，其特征在于，在所述步骤5)中，首先在关键点集D'中选取一个关键点D′i，连接D′i和与其距离最近的关键点D″i，两点间的直线方向θi计算如下：
其中为关键点D′i的纵坐标，为关键点D″i的纵坐标，为关键点D′i的横坐标，为关键点D″i的横坐标；
统计θi方向上所有关键点数量counti，若counti大于阈值countthr，依次连接θi方向上的所有的关键点形成线段，保留当前线段为绝缘子的方向线段，从关键点集D'中去除当前线段上的所有关键点，然后从关键点集D'任选一点重复以上步骤，若counti小于阈值countthr，则当前线段不是绝缘子的方向线段，连接关键点D′i与其次邻近的关键点，重复以上步骤，直到找到所有的绝缘子的方向线段，得到方向线段集L。
11.根据权利要求1所述的基于形状先验的多绝缘子定位方法，其特征在于，
在所述步骤5)中，对于方向线段集L中的第u条线段Lu，Luv代表线段Lu上的第v个关键点，Luv(x′)为线段Lu上的第v个关键点的横坐标，Luv(y′)为线段Lu上的第v个
关键点的纵坐标，则方向线段Lu最小外接矩形确定如下：
其中，startux为线段Lu最小外接矩形左上点的横坐标，startuy为线段Lu最小外接矩形左上点的纵坐标，endux为线段Lu最小外接矩形右下点的横坐标，enduy为线段Lu最小外接矩形右下点的纵坐标，n为方向线段Lu上的关键点数量，线段Lu最小外接矩形的宽width和高height分别为：
根据以上步骤得到绝缘子初步定位区域集合R。
12.根据权利要求11所述的基于形状先验的多绝缘子定位方法，其特征在于，在所述步骤5)中，Rl和Rk分别为初步定位区域集合R中第l个和第k个定位区域，Ll和Lk分别为区域Rl和Rk的方向线段，θl和θk分别为线段Ll和Lk对应的方向，若两线段之间的方向差小于方向阈值θthreshold即|θl-θk|＜θthreshold，则合并区域Rl和Rk，合并规则为
其中，startlx为区域Rl左上点的横坐标，startly为区域Rl左上点的纵坐标，endlx为区域Rl右下点的横坐标，endly为区域Rl右下点的纵坐标；startkx为区域Rk左上点的横坐标，startky为区域Rk左上点的纵坐标，endkx为区域Rk右下点的横坐标，endky为区域Rk右下点的纵坐标，合并后，去除区域Rk，依次对同方向的所有初步定位区域通过以上区域进行融合，得到融合后区域，即绝缘子最终定位区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910461529.6A CN110223346B (zh) | 2019-05-30 | 2019-05-30 | 基于形状先验的多绝缘子定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910461529.6A CN110223346B (zh) | 2019-05-30 | 2019-05-30 | 基于形状先验的多绝缘子定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110223346A true CN110223346A (zh) | 2019-09-10 |
| CN110223346B CN110223346B (zh) | 2022-09-13 |
Family
ID=67818916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910461529.6A Active CN110223346B (zh) | 2019-05-30 | 2019-05-30 | 基于形状先验的多绝缘子定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223346B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754465A (zh) * | 2020-06-04 | 2020-10-09 | 四川大学 | 一种绝缘子定位与掉串检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
| CN109753969A (zh) * | 2019-01-23 | 2019-05-14 | 河海大学 | 一种基于形状特征和图像分割的绝缘子识别和定位方法 |
-
2019
- 2019-05-30 CN CN201910461529.6A patent/CN110223346B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
| CN109753969A (zh) * | 2019-01-23 | 2019-05-14 | 河海大学 | 一种基于形状特征和图像分割的绝缘子识别和定位方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754465A (zh) * | 2020-06-04 | 2020-10-09 | 四川大学 | 一种绝缘子定位与掉串检测方法 |
| CN111754465B (zh) * | 2020-06-04 | 2023-06-09 | 四川大学 | 一种绝缘子定位与掉串检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110223346B (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
| CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
| CN107506768A (zh) | 一种基于全卷积神经网络的输电线路导线断股识别方法 | |
| CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
| CN106157323B (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
| CN106056619A (zh) | 基于梯度约束Radon变换的无人机视觉电线巡检方法 | |
| CN109685788B (zh) | 一种基于形态学特征的楼面缺陷图像自动检测方法 | |
| CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
| CN112560634B (zh) | 基于现场图像的电力线路绝缘子快速检测定位方法及系统 | |
| CN103442209A (zh) | 一种输电线路的视频监控方法 | |
| CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
| CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
| CN102831393A (zh) | 电力杆塔轮廓的快速图像识别方法 | |
| CN111046950B (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN112669301B (zh) | 一种高铁底板脱漆故障检测方法 | |
| CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
| CN111967394A (zh) | 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 | |
| CN115272852A (zh) | 一种输电线路保护区隐患识别方法、设备及介质 | |
| CN112150412A (zh) | 一种基于投影曲线分析的绝缘子自爆缺陷检测方法 | |
| CN115984255A (zh) | 一种在线取能可移动智慧防振锤的缺陷识别方法 | |
| CN110223346B (zh) | 基于形状先验的多绝缘子定位方法 | |
| CN108734709B (zh) | 一种绝缘子凸缘形状参数识别与破坏检测方法 | |
| CN110782411A (zh) | 一种基于图像处理的防震锤滑移识别方法 | |
| CN117994666A (zh) | 一种结合残差网络和边缘检测的海冰识别方法 |
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 |