CN110378892A - 一种快速检测输电线路通道隐患的方法 - Google Patents
一种快速检测输电线路通道隐患的方法 Download PDFInfo
- Publication number
- CN110378892A CN110378892A CN201910673979.1A CN201910673979A CN110378892A CN 110378892 A CN110378892 A CN 110378892A CN 201910673979 A CN201910673979 A CN 201910673979A CN 110378892 A CN110378892 A CN 110378892A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- hidden danger
- electric transmission
- line channel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20081—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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (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空间分割与多特征匹配的快速检测输电线路通道隐患的方法,首先定时获取现场图像,对采集的图像划分出天空区域与地面区域,然后采用特征分析法判定天空区域图像中的大型施工机械隐患,如果隐患存在则将当前图像传输至监控中心进行精准分析;接着对剔除天空区域之后的地面区域利用天气、时刻信息选取参考图像,最后进行多特征提取与决策级融合判定地面区域是否有隐患存在。本发明深度挖掘了输电线路通道图像及隐患的特点,采用空间分割与多特征匹配的方法对输电线路通道隐患进行快速检测,克服了传统通用算法计算速度慢、准确率低等缺点,同时避免了将所有监拍图像传输至监控中心,降低装置的电量消耗与流量消耗,增加装置的可用率。
Description
技术领域
本发明涉及一种快速检测输电线路通道隐患的方法,属于输电线路技术领域。
背景技术
近年来电网的规模快速扩大,输电线路运维面临的压力和挑战也越来越大,挖掘机、吊车、塔吊等大型施工机械碰线成为线路跳闸的主要原因之一。目前已有的输电线路防护方案主要借助于输电线路通道可视化监拍装置,定时获取线路通道图像,然后通过4G网络传输至后台服务器,后台服务器使用人工智能图像识别方法进行隐患识别。但是,部署在输电铁塔上的监拍装置只能采用太阳能独立供电,将拍摄的图像通过无线网络传输到后台服务器系统会消耗大量的电量,从而极大地降低了监拍装置的可用时间、增加了漏报几率。
文献1(张烨,黄新波等,“基于图像处理的输电线路线下树木检测算法研究”.广东电力,2013)通过纹理分析与阈值分割相结合的方法实现纹理图像分割,结合Sobel算子进行树木区域边缘检测,标识出树木边界轮廓并发送报警信息。然而,受到阴雨天气的影响,天空与地面交界处的纹理特征很容易被掩盖。文献2(俞培祥,吴忠等,“一种高效的电力图像在线监测算法”,华东电力,2013).采用稳定时期的图像作为背景,计算实时图像与当前图像的差异,采用最大概率准则判定异常情况.但是该方法仅适用于场景单一的变电站内。文献3(李程启,任志刚等,“Binary image filtering for object detection based onHaar feature density map”,Proc.SPIE 10613 1061303)提出了一种基于Haar特征密度图的二值图像滤波方法,可以消除噪声带来的细小干扰,但是不能确定大的连通区域差异是人为因素还是自然因素造成。
上面的方法存在识别目标单一、识别场景单一等问题,没有结合输电线路通道的特点,对输电线路通道场景本身的性质做过多分析,所以适配型差、准确率低。
发明内容
针对以上方法存在的不足,本发明提出了一种快速检测输电线路通道隐患的方法,其能够有效的提高输电线路通道隐患的准确率、降低漏检率,降低装置的电量消耗与流量消耗,增加装置的可用率。
本发明解决其技术问题采取的技术方案是:
本发明实施例提供的一种快速检测输电线路通道隐患的方法,包括以下步骤:
步骤S1:定时获取输电线路通道图像;
步骤S2:将输电线路通道图像划分出天空区域与地面区域;
步骤S3:采用特征分析法判定天空区域图像中是否存在大型施工机械隐患,如果存在大型施工机械隐患则将当前输电线路通道图像传输至监控中心进行隐患确认及排除,并返回步骤S1;否则继续步骤S4;
步骤S4:对剔除天空区域之后的输电线路通道图像地面区域利用天气、时刻信息选取参考图像;
步骤S5:对未能与参考图像匹配的待匹配图像连通域进行分割;
步骤S6:对待匹配图像、参考图像提取几何特征、灰度特征和纹理特征,并采用决策级融合判定地面区域是否有隐患存在。
作为本实施例一种可能的实现方式,在步骤1中,利用部署于输电铁塔的监拍装置定时获取输电线路通道图像,所述监拍装置采用太阳能独立供电。
作为本实施例一种可能的实现方式,在步骤2中,通过灰度化处理、中值滤波、二值化分割和历史图像融合来划分出准确的天空区域。
作为本实施例一种可能的实现方式,在步骤2中,所述天空区域的划分过程包括以下步骤:
步骤S21:对图像进行灰度化处理,并进行窗口大小为5×5的中值滤波处理;
步骤S22:利用Sobel算子计算图像的梯度信息,
式中,I表示原始图像,Gx和Gy分别表示图像的横向和纵向边缘灰度值;
步骤S23:选取阈值T对图像做二值化分割,得到图像:
其中,T为经验阈值;
步骤S24:将图像B(x,y)中面积最大且重心位置最靠上的区域作为图像B(x,y)的天空区域;
步骤S25:将得到的天空区域图像与历史图像的天空区域图像进行融合,并在融合图像中计算得到最终的天空区域掩模图像。
作为本实施例一种可能的实现方式,所述判定天空区域图像中是否存在大型施工机械隐患的过程包括以下步骤:
步骤S31:将得到的天空区域图像的天空掩模与历史图像的天空掩模融合,消除固有物体干扰;
步骤S32:计算天空区域中各个联通域的亮度以及轮廓线曲率,判定高亮度、大曲率区域为大型施工机械隐患。
作为本实施例一种可能的实现方式,在步骤4中,选取当前输电线路通道图像前6个时刻的6张图像,以及相同天气的最近一天的对应当前图像与上述6张图像时刻的7张图像作为候选参考图片;然后计算当前图像的特征向量与13幅候选参考图像的特征向量之间的欧式距离,距离最小者作为当前图像的参考图像。
作为本实施例一种可能的实现方式,所述选取参考图像的过程包括以下步骤:
步骤S41:选取相同天气的最近一天的7张输电线路通道图像,以及当前输电线路通道图像中前6个时刻的6张图像;
步骤S42:计算当前输电线路通道图像的特征向量以及步骤S41中选取的13张图像的特征向量;
步骤S43:利用步骤S42中的计算结果,按照下式计算当前图像的特征向量与13幅参考图像的距离欧式距离:
式中,为13张图像的特征向量,为当前图像的特征向量,i=1~13;
步骤S44:将与当前输电线路通道图像距离最小的图像作为参考图像。
作为本实施例一种可能的实现方式,在步骤5中,使用连通区域标记分割图像的局部区域,并将连通区域所对应的外接矩形范围内的原始图像部分分割出来。
作为本实施例一种可能的实现方式,所述步骤S6具体包括以下步骤:
步骤S61:计算连通区域的面积,过滤掉由噪声引起的面积太小的连通域通;计算与连通域具有相同标准二阶中心矩的椭圆的离心率,过滤掉天空中的离心率高的伪目标;
步骤S62:分别计算待匹配图像与参考图像的灰度均值和灰度方差,并计算灰度均值的差与方差的差,将灰度均值的差与方差的差作为最终的匹配特征;
步骤S63:提取待匹配图像与参考图像的灰度相关性系数,用灰度相关性系数表示两幅图像的相关程度:
式中,I1与I2分别是待匹配图像与参考图像的灰度,当两幅图像完全匹配时,C(x,y)=1,两幅图像完全无关时,C(x,y)=0;k表示图像中心点到右侧边缘的像素距离;
并在能量分布图的基础上提取4个尺度下图像的灰度、均值和能量;
步骤S64:利用步骤S61至步骤S63进行训练并分类,得到几何特征、灰度特征和纹理特征的匹配值;并分别将几何特征、灰度特征和纹理特征的匹配值使用加法规则或乘法规则合并,获得最终的匹配结果,从而判定地面区域是否有隐患存在。
作为本实施例一种可能的实现方式,所述纹理特征的提取过程包括以下步骤:
1)计算待匹配图像与参考图像在4个尺度下的能量分布图,尺度∈{1,2,3,4};
2)分别计算待匹配图像与参考图像的能量分布图四个尺度下的均值(Mean1={mean1,mean2,mean3,mean4}和Mean2={mean1,mean2,mean3,mean4})和能量(Energy1={energy1,energy2,energy3,energy4}和Energy2={energy1,energy2,energy3,energy4}),在计算Mean1和Mean2的相关系数Corr-Mean以及Energy1和Energy2的相关系数Corr-Energy;
3)计算四个尺度下匹配图像与参考图像对应的能量分布图的相关性系数Corr-MultiEngery={correlation1,correlation2,correlation3,correlation4};
4)选择灰度相关系数图的均值以及四个尺度下纹理能量分布图中的三种特征用于最终的图像匹配的纹理特征,即Texture={MeanCorr-Gray,Corr-Mean,Corr-Energy,Corr-MultiEngery},其中,MeanCorr-Gray为灰度相关系数图的均值。
本发明实施例的技术方案可以具有的有益效果如下:
本发明实施例的技术方案提供了一种基于空间分割与多特征匹配的快速检测输电线路通道隐患的方法,首先利用部署于输电铁塔的监拍装置获取现场图像,对采集的图像划分出天空区域与地面区域,然后采用特征分析法判定天空区域图像中的吊车、塔吊等大型施工机械隐患,如果隐患存在则将当前图像传输至监控中心进行精准分析,否则继续进行地面区域隐患检测;接着对剔除天空区域之后的地面区域利用天气、时刻信息选取参考图像,最后进行多特征提取与决策级融合判定地面区域是否有隐患存在,如果隐患存在则将当前图像传输至监控中心进行精准分析。本发明深度挖掘了输电线路通道图像及隐患的特点,采用空间分割与多特征匹配的方法对输电线路通道隐患进行快速检测,克服了传统通用算法计算速度慢、准确率低等缺点,同时避免了将所有监拍图像传输至后台服务器(监控中心)系统,降低装置的电量消耗与流量消耗,增加装置的可用率。
本发明兼顾了算法的快速性、轻量级、准确率,针对输电线路通道图像的特点发明了利用空间区域分割方法将图像切割成天空区域与地面区域分别进行处理,针对天空区域、地面区域的图像分别提取不同的特征、采用不同的检测算法,从而提高了检测的针对性,提高了检测速度以及检测准确率。本发明的隐患检测算法速度快、准确率高,适用于部署于输电铁塔的输电线路可视化监拍装置,可以减少向后台服务器(监控中心)传输的图像数量,节省了电量与流量,提高了前端装置的可用率。
附图说明:
图1是根据一示例性实施例示出的一种快速检测输电线路通道隐患的方法的流程图;
图2是利用本发明所述方法进行隐患快速检测的总体流程示意图;
图3是本发明进行隐患快速检测中所用多特征提取与决策级融合的过程示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
通过研究可部署于监拍装置的轻量化的隐患目标检测算法,仅当前端装置检测出隐患之后才将当前图像传输到后天系统,从而节省了大量的电量与流量,同时提高装置可用率。为了进行通道隐患检测,本发明提出了一种快速检测输电线路通道隐患的方法,其能够有效的提高输电线路通道隐患的准确率、降低漏检率,降低装置的电量消耗与流量消耗,增加装置的可用率。
图1是根据一示例性实施例示出的一种快速检测输电线路通道隐患的方法的流程图。如图1所述,本发明实施例提供的一种快速检测输电线路通道隐患的方法,包括以下步骤:
步骤S1:定时获取输电线路通道图像;
步骤S2:将输电线路通道图像划分出天空区域与地面区域;
步骤S3:采用特征分析法判定天空区域图像中是否存在大型施工机械隐患,如果存在大型施工机械隐患则将当前输电线路通道图像传输至监控中心进行隐患确认及排除,并返回步骤S1;否则继续步骤S4;
步骤S4:对剔除天空区域之后的输电线路通道图像地面区域利用天气、时刻信息选取参考图像;
步骤S5:对未能与参考图像匹配的待匹配图像连通域进行分割;
步骤S6:对待匹配图像、参考图像提取几何特征、灰度特征和纹理特征,并采用决策级融合判定地面区域是否有隐患存在。
作为本实施例一种可能的实现方式,在步骤1中,利用部署于输电铁塔的监拍装置定时获取输电线路通道图像,所述监拍装置采用太阳能独立供电。
作为本实施例一种可能的实现方式,在步骤2中,通过灰度化处理、中值滤波、二值化分割和历史图像融合来划分出准确的天空区域。
作为本实施例一种可能的实现方式,在步骤2中,所述天空区域的划分过程包括以下步骤:
步骤S21:对图像进行灰度化处理,并进行窗口大小为5×5的中值滤波处理;
步骤S22:利用Sobel算子计算图像的梯度信息,
式中,I表示原始图像,Gx和Gy分别表示图像的横向和纵向边缘灰度值;
步骤S23:选取阈值T对图像做二值化分割,得到图像:
其中,T为经验阈值;
步骤S24:将图像B(x,y)中面积最大且重心位置最靠上的区域作为图像B(x,y)的天空区域;
步骤S25:将得到的天空区域图像与历史图像的天空区域图像进行融合,并在融合图像中计算得到最终的天空区域掩模图像。
在分析大量输电线路通道图像的基础上发现“天空中的塔吊和吊车吊臂可能碰触高压输电线,是一种危险程度较高的即时隐患,同时天空区域的场景相对地面而言简单且稳定,所以可以将该种隐患与地面上的其他隐患区分开,单独进行检测”,因此,本发明通过灰度化处理、中值滤波、二值化分割、历史图像融合来划分出准确的天空区域。
作为本实施例一种可能的实现方式,所述判定天空区域图像中是否存在大型施工机械隐患的过程包括以下步骤:
步骤S31:将得到的天空区域图像的天空掩模与历史图像的天空掩模融合,消除固有物体干扰;
步骤S32:计算天空区域中各个联通域的亮度以及轮廓线曲率,判定高亮度、大曲率区域为大型施工机械隐患。
本申请将当前图像的天空掩模与历史图像的天空掩模融合,从而消除电线、树木、山脉、建筑等长期固有干扰因素的干扰;通过计算图像中各个联通域的亮度以及轮廓线曲率,排除天空中云彩的影响,判定高亮度、大曲率区域为吊车、塔吊类隐患。如果天空区域存在隐患则将当前图像传输至后台服务器进行精准分析,前端装置不再执行后绪检测步骤,前端装置返回S1状态;如果天空区域不存在隐患则继续执行后续步骤。
作为本实施例一种可能的实现方式,在步骤4中,充分考虑了不同天气不同时刻对参考图像的影响,选取当前输电线路通道图像前6个时刻的6张图像,以及相同天气的最近一天的对应当前图像与上述6张图像时刻的7张图像作为候选参考图片;然后计算当前图像的特征向量与13幅候选参考图像的特征向量之间的欧式距离,距离最小者作为当前图像的参考图像。
作为本实施例一种可能的实现方式,所述选取参考图像的过程包括以下步骤:
步骤S41:选取相同天气的最近一天的7张输电线路通道图像,以及当前输电线路通道图像中前6个时刻的6张图像;
步骤S42:计算当前输电线路通道图像的特征向量以及步骤S41中选取的13张图像的特征向量;
步骤S43:利用步骤S42中的计算结果,按照下式计算当前图像的特征向量与13幅参考图像的距离欧式距离:
式中,为13张图像的特征向量,为当前图像的特征向量,i=1~13;
步骤S44:将与当前输电线路通道图像距离最小的图像作为参考图像。
作为本实施例一种可能的实现方式,在步骤5中,使用连通区域标记分割图像的局部区域,并将连通区域所对应的外接矩形范围内的原始图像部分分割出来。
作为本实施例一种可能的实现方式,所述步骤S6具体包括以下步骤:
步骤S61:提取的几何特征包括连通域面积、离心率,计算连通区域的面积,过滤掉由噪声引起的面积太小的连通域通;计算与连通域具有相同标准二阶中心矩的椭圆的离心率,过滤掉天空中的高压线以及建筑物的边缘等离心率高的伪目标;
步骤S62:提取的灰度特征包括分别计算待匹配图像与参考图像的灰度均值、灰度方差,分别计算待匹配图像与参考图像的灰度均值和灰度方差,并计算灰度均值的差与方差的差,将灰度均值的差与方差的差作为最终的匹配特征;
步骤S63:提取待匹配图像与参考图像的灰度相关性系数,用灰度相关性系数表示两幅图像的相关程度:
式中,I1与I2分别是待匹配图像与参考图像的灰度,当两幅图像完全匹配时,C(x,y)=1,两幅图像完全无关时,C(x,y)=0;k表示图像中心点到右侧边缘的像素距离;
并在能量分布图的基础上提取4个尺度下图像的灰度、均值和能量;
提取的纹理特征包括灰度相关系数、多尺度窗口纹理能量。计算灰度相关性系数得到两幅图像之间的匹配程度,在基本的纹理能量分析中加入多尺度分析,通过改变模板大小实现多尺度分析而不是通过对图像进行缩放实现计算多尺度纹理能量;
步骤S64:利用步骤S61至步骤S63进行训练并分类,得到几何特征、灰度特征和纹理特征的匹配值;并分别将几何特征、灰度特征和纹理特征的匹配值使用加法规则或乘法规则合并,获得最终的匹配结果,从而判定地面区域是否有隐患存在。
作为本实施例一种可能的实现方式,所述纹理特征的提取过程包括以下步骤:
1)计算待匹配图像与参考图像在4个尺度下的能量分布图,尺度∈{1,2,3,4};
2)分别计算待匹配图像与参考图像的能量分布图四个尺度下的均值(Mean1={mean1,mean2,mean3,mean4}和Mean2={mean1,mean2,mean3,mean4})和能量(Energy1={energy1,energy2,energy3,energy4}和Energy2={energy1,energy2,energy3,energy4}),在计算Mean1和Mean2的相关系数Corr-Mean以及Energy1和Energy2的相关系数Corr-Energy;
3)计算四个尺度下匹配图像与参考图像对应的能量分布图的相关性系数Corr-MultiEngery={correlation1,correlation2,correlation3,correlation4};
4)选择灰度相关系数图的均值以及四个尺度下纹理能量分布图中的三种特征用于最终的图像匹配的纹理特征,即Texture={MeanCorr-Gray,Corr-Mean,Corr-Energy,Corr-MultiEngery},其中,MeanCorr-Gray为灰度相关系数图的均值。
本实施例提供了一种基于空间分割与多特征匹配的快速检测输电线路通道隐患的方法,首先利用部署于输电铁塔的监拍装置获取现场图像,对采集的图像划分出天空区域与地面区域,然后采用特征分析法判定天空区域图像中的吊车、塔吊等大型施工机械隐患,如果隐患存在则将当前图像传输至监控中心进行精准分析,否则继续进行地面区域隐患检测;接着对剔除天空区域之后的地面区域利用天气、时刻信息选取参考图像,最后进行多特征提取与决策级融合判定地面区域是否有隐患存在,如果隐患存在则将当前图像传输至监控中心进行精准分析。本发明深度挖掘了输电线路通道图像及隐患的特点,采用空间分割与多特征匹配的方法对输电线路通道隐患进行快速检测,克服了传统通用算法计算速度慢、准确率低等缺点,同时避免了将所有监拍图像传输至后台服务器(监控中心)系统,降低装置的电量消耗与流量消耗,增加装置的可用率。结合图2和图3对本发明基于空间分割与多特征匹配进行输电线路通道隐患快速检测的过程进行详细阐述。
如图2和图3所示,利用本发明进行输电线路通道隐患快速检测的过程包括以下步骤:
一、利用部署于输电铁塔的监拍装置定时获取现场图像。
二、对采集的输电线路通道内图像划分出天空区域与地面区域。
(1)对图像进行灰度化处理,并做窗口大小为5×5的中值滤波;
(2)利用Sobel算子计算图像的梯度信息,
I表示原始图像,Gx和Gy横向和纵向边缘灰度值;然后并选取阈值T对图像做二值化分割。
并选取阈值T对图像做二值化分割。
其中,T为经验阈值,本实施例中T的取值为15。
(3)将B中面积最大且重心位置最靠上的区域作为最终的天空区域;
(4)将当前提取的天空区域图与历史图像的天空区域图进行融合,并在融合图像中计算得到最终的天空区域掩模图像。
三、采用特征分析法判定天空区域图像中的吊车、塔吊等隐患,将含有隐患的图片传输至后台服务器系统进行精准分析。
(1)将当前图像的天空掩模与历史图像的天空掩模融合,消除电线晃动、高于天际线的树木晃动以及远处的高山、建筑物受雾天影响时隐时现等固有物体干扰;
(2)针对云彩这个干扰因素。计算图像中各个联通域的亮度以及轮廓线曲率判定高亮度、大曲率区域为吊车、塔吊等隐患。
(3)如果天空区域存在隐患则将当前图像传输至后台服务器进行精准分析,不再执行后绪检测步骤,前端装置返回S1状态;如果天空区域不存在隐患则继续执行后续步骤。
四、对剔除天空区域之后的地面区域利用天气、时刻信息选取参考图像。
(1)选取相同天气的最近一天的7张图像,以及当前图像前6各时刻的6张图像;
(2)计算当前图像以及(1)中13张图像的特征向量{vi},i=1~13。
(3)利用(2)中的计算结果,计算当前图像的特征向量与13幅参考图像的距离欧式距离:
并将与当前图像距离最小的图像作为参考图像。
五、对大块的未能匹配的连通域进行分割:使用连通区域标记分割图像的局部区域,并将连通区域所对应的外接矩形范围内的原始图像部分分割出来。六、利用多特征提取与决策级融合判定地面区域是否有隐患存在。
如图2所示,计算灰度相关性系数得到两幅图像之间的匹配程度,在基本的纹理能量分析中加入多尺度分析,通过改变模板大小实现多尺度分析而不是通过对图像进行缩放实现计算多尺度纹理能量。
(1)计算连通区域的面积过滤掉由噪声引起的面积太小的连通域通;计算与连通域具有相同标准二阶中心矩的椭圆的离心率,过滤掉天空中的高压线以及建筑物的边缘等离心率高的伪目标。
(2)分别计算待匹配图像与参考图像的灰度均值、灰度方差,计算出匹配图像与参考图像的灰度均值与方差后,再计算灰度均值的差与方差的差,将灰度均值差与方差的差作为最终的匹配特征:
一般情况下相差较大的两幅图像的灰度均值的差异也会较大,灰度均值计算如下。
其中,I为灰度图像。M为I的掩模图像;Ⅱ(·)为指示函数,当参数值为0时,函数值为0;当参数值大于0时,函数值为1。
灰度方差描述的是图像的像素灰度值的变化程度,其计算公式如下:
分别计算出匹配图像与参考图像的灰度均值与方差后,再计算灰度均值的差与方差的差。将灰度均值差与方差的差作为最终的匹配特征。
(3)提取灰度相关性系数、多尺度窗口Laws纹理能量等纹理特征:灰度相关性系数表示两幅图像的相关程度,计算如下:
I1与I2分别是待匹配图像与参考图像的灰度.两幅图像完全匹配时,C(x,y)=1,两幅图像完全无关时,C(x,y)=0。
(4)在基本的纹理能量分析中加入多尺度分析,通过改变模板大小实现多尺度分析。在能量分布图的基础上提取4个尺度下灰度、均值、能量相关3种特征作为匹配特征,计算纹理特征的过程如下:
首先,计算匹配图像与参考图像在4个尺度(∈{1,2,3,4})下的能量分布图。
其次,分别计算匹配图像与参考图像的能量分布图四个尺度下的均值(Mean1={mean1,mean2,mean3,mean4}和Mean2={mean1,mean2,mean3,mean4})和能量(Energy1={energy1,energy2,energy3,energy4}和Energy2={energy1,energy2,energy3,energy4}),在计算Mean1和Mean2的相关系数Corr-Mean以及Energy1和Energy2的相关系数Corr-Energy。
然后,计算四个尺度下匹配图像与参考图像对应的能量分布图的相关性系数Corr-MultiEngery={correlation1,correlation2,correlation3,correlation4}。
最终,选择灰度相关系数图的均值以及四个尺度下纹理能量分布图中的三种特征用于最终的图像匹配的纹理特征,即Texture={MeanCorr-Gray,Corr-Mean,Corr-Energy,Corr-MultiEngery}。
(5)利用不同的特征分别进行训练并分类,得到各自的匹配值。然后将各类特征的匹配值使用加法规则或乘法规则合并,获得最终的匹配结果。
至此完成输电线路通道隐患的快速检测工作,如判定存在隐患则将该图片传输到后台服务器系统进行分类识别,否则不传输当前图像,前端装置继续执行上述步骤一至步骤六进行输电线路通道隐患的检测。
本发明兼顾了算法的快速性、轻量级、准确率,针对输电线路通道图像的特点发明了利用空间区域分割方法将图像切割成天空区域与地面区域分别进行处理,针对天空区域、地面区域的图像分别提取不同的特征、采用不同的检测算法,从而提高了检测的针对性,提高了检测速度以及检测准确率。本发明的隐患检测算法速度快、准确率高,适用于部署于输电铁塔的输电线路可视化监拍装置,可以减少向后台服务器(监控中心)传输的图像数量,节省了电量与流量,提高了前端装置的可用率。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视作为本发明的保护范围。
Claims (10)
1.一种快速检测输电线路通道隐患的方法,其特征是,包括以下步骤:
步骤S1:定时获取输电线路通道图像;
步骤S2:将输电线路通道图像划分出天空区域与地面区域;
步骤S3:采用特征分析法判定天空区域图像中是否存在大型施工机械隐患,如果存在大型施工机械隐患则将当前输电线路通道图像传输至监控中心进行隐患确认及排除,并返回步骤S1;否则继续步骤S4;
步骤S4:对剔除天空区域之后的输电线路通道图像地面区域利用天气、时刻信息选取参考图像;
步骤S5:对未能与参考图像匹配的待匹配图像连通域进行分割;
步骤S6:对待匹配图像、参考图像提取几何特征、灰度特征和纹理特征,并采用决策级融合判定地面区域是否有隐患存在。
2.根据权利要求1所述的一种快速检测输电线路通道隐患的方法,其特征是,在步骤1中,利用部署于输电铁塔的监拍装置定时获取输电线路通道图像,所述监拍装置采用太阳能独立供电。
3.根据权利要求1所述的一种快速检测输电线路通道隐患的方法,其特征是,在步骤2中,通过灰度化处理、中值滤波、二值化分割和历史图像融合来划分出准确的天空区域。
4.根据权利要求1所述的一种快速检测输电线路通道隐患的方法,其特征是,在步骤2中,所述天空区域的划分过程包括以下步骤:
步骤S21:对图像进行灰度化处理,并进行窗口大小为5×5的中值滤波处理;
步骤S22:利用Sobel算子计算图像的梯度信息,
式中,I表示原始图像,Gx和Gy分别表示图像的横向和纵向边缘灰度值;
步骤S23:选取阈值T对图像做二值化分割,得到图像:
其中,T为经验阈值;
步骤S24:将图像B(x,y)中面积最大且重心位置最靠上的区域作为图像B(x,y)的天空区域;
步骤S25:将得到的天空区域图像与历史图像的天空区域图像进行融合,并在融合图像中计算得到最终的天空区域掩模图像。
5.根据权利要求4所述的一种快速检测输电线路通道隐患的方法,其特征是,所述判定天空区域图像中是否存在大型施工机械隐患的过程包括以下步骤:
步骤S31:将得到的天空区域图像的天空掩模与历史图像的天空掩模融合,消除固有物体干扰;
步骤S32:计算天空区域中各个联通域的亮度以及轮廓线曲率,判定高亮度、大曲率区域为大型施工机械隐患。
6.根据权利要求1所述的一种快速检测输电线路通道隐患的方法,其特征是,在步骤4中,选取当前输电线路通道图像前6个时刻的6张图像,以及相同天气的最近一天的对应当前图像与上述6张图像时刻的7张图像作为候选参考图片;然后计算当前图像的特征向量与13幅候选参考图像的特征向量之间的欧式距离,距离最小者作为当前图像的参考图像。
7.根据权利要求1所述的一种快速检测输电线路通道隐患的方法,其特征是,所述选取参考图像的过程包括以下步骤:
步骤S41:选取相同天气的最近一天的7张输电线路通道图像,以及当前输电线路通道图像中前6个时刻的6张图像;
步骤S42:计算当前输电线路通道图像的特征向量以及步骤S41中选取的13张图像的特征向量;
步骤S43:利用步骤S42中的计算结果,按照下式计算当前图像的特征向量与13幅参考图像的距离欧式距离:
式中,为13张图像的特征向量,为当前图像的特征向量,i=1~13;
步骤S44:将与当前输电线路通道图像距离最小的图像作为参考图像。
8.根据权利要求1所述的一种快速检测输电线路通道隐患的方法,其特征是,在步骤5中,使用连通区域标记分割图像的局部区域,并将连通区域所对应的外接矩形范围内的原始图像部分分割出来。
9.根据权利要求1-8任意一项所述的一种快速检测输电线路通道隐患的方法,其特征是,所述步骤S6具体包括以下步骤:
步骤S61:计算连通区域的面积,过滤掉由噪声引起的面积太小的连通域通;计算与连通域具有相同标准二阶中心矩的椭圆的离心率,过滤掉天空中的离心率高的伪目标;
步骤S62:分别计算待匹配图像与参考图像的灰度均值和灰度方差,并计算灰度均值的差与方差的差,将灰度均值的差与方差的差作为最终的匹配特征;
步骤S63:提取待匹配图像与参考图像的灰度相关性系数,用灰度相关性系数表示两幅图像的相关程度:
式中,I1与I2分别是待匹配图像与参考图像的灰度,当两幅图像完全匹配时,C(x,y)=1,两幅图像完全无关时,C(x,y)=0;k表示图像中心点到右侧边缘的像素距离;
并在能量分布图的基础上提取4个尺度下图像的灰度、均值和能量;
步骤S64:利用步骤S61至步骤S63进行训练并分类,得到几何特征、灰度特征和纹理特征的匹配值;并分别将几何特征、灰度特征和纹理特征的匹配值使用加法规则或乘法规则合并,获得最终的匹配结果,从而判定地面区域是否有隐患存在。
10.根据权利要求9所述的一种快速检测输电线路通道隐患的方法,其特征是,所述纹理特征的提取过程包括以下步骤:
1)计算待匹配图像与参考图像在4个尺度下的能量分布图,尺度∈{1,2,3,4};
2)分别计算待匹配图像与参考图像的能量分布图四个尺度下的均值和能量在计算均值的相关系数Corr-Mean以及能量的相关系数Corr-Energy;
3)计算四个尺度下匹配图像与参考图像对应的能量分布图的相关性系数Corr-MultiEngery;
4)选择灰度相关系数图的均值以及四个尺度下纹理能量分布图中的三种特征用于最终的图像匹配的纹理特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673979.1A CN110378892A (zh) | 2019-07-24 | 2019-07-24 | 一种快速检测输电线路通道隐患的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673979.1A CN110378892A (zh) | 2019-07-24 | 2019-07-24 | 一种快速检测输电线路通道隐患的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378892A true CN110378892A (zh) | 2019-10-25 |
Family
ID=68255746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910673979.1A Pending CN110378892A (zh) | 2019-07-24 | 2019-07-24 | 一种快速检测输电线路通道隐患的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378892A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695506A (zh) * | 2020-06-11 | 2020-09-22 | 国网山东省电力公司电力科学研究院 | 一种输电线路风致异物短路故障预警方法及系统 |
CN111695492A (zh) * | 2020-06-10 | 2020-09-22 | 国网山东省电力公司电力科学研究院 | 一种输电线路下垂钓隐患的检测方法及系统 |
CN114283126A (zh) * | 2021-12-13 | 2022-04-05 | 智洋创新科技股份有限公司 | 一种输电线路监控设备偏移检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722889A (zh) * | 2012-05-31 | 2012-10-10 | 信帧科技(北京)有限公司 | 一种图像背景获取方法和装置 |
CN106803070A (zh) * | 2016-12-29 | 2017-06-06 | 北京理工雷科电子信息技术有限公司 | 一种基于遥感图像的港口区域舰船目标变化检测方法 |
CN107609556A (zh) * | 2017-10-09 | 2018-01-19 | 济南大学 | 一种输电线路环境中高空作业机械的检测方法 |
CN107657260A (zh) * | 2017-10-09 | 2018-02-02 | 济南大学 | 一种输电线路周边环境中地面隐患的检测方法 |
CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
-
2019
- 2019-07-24 CN CN201910673979.1A patent/CN110378892A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722889A (zh) * | 2012-05-31 | 2012-10-10 | 信帧科技(北京)有限公司 | 一种图像背景获取方法和装置 |
CN106803070A (zh) * | 2016-12-29 | 2017-06-06 | 北京理工雷科电子信息技术有限公司 | 一种基于遥感图像的港口区域舰船目标变化检测方法 |
CN107609556A (zh) * | 2017-10-09 | 2018-01-19 | 济南大学 | 一种输电线路环境中高空作业机械的检测方法 |
CN107657260A (zh) * | 2017-10-09 | 2018-02-02 | 济南大学 | 一种输电线路周边环境中地面隐患的检测方法 |
CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
Non-Patent Citations (3)
Title |
---|
HANUNG ADI NUGROHO ET AL.: "Feature extraction based on laws" texture energy for lesion echogenicity classification of thyroid ultrasound images", 《2017 INTERNATIONAL CONFERENCE ON COMPUTER, CONTROL, INFORMATICS AND ITS APPLICATIONS (IC3INA)》 * |
丁健配: "基于图像差异的输电线路周边隐患检测系统", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
郭玉坤: "基于多特征融合的图像匹配算法及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695492A (zh) * | 2020-06-10 | 2020-09-22 | 国网山东省电力公司电力科学研究院 | 一种输电线路下垂钓隐患的检测方法及系统 |
CN111695506A (zh) * | 2020-06-11 | 2020-09-22 | 国网山东省电力公司电力科学研究院 | 一种输电线路风致异物短路故障预警方法及系统 |
CN111695506B (zh) * | 2020-06-11 | 2023-04-25 | 国网山东省电力公司电力科学研究院 | 一种输电线路风致异物短路故障预警方法及系统 |
CN114283126A (zh) * | 2021-12-13 | 2022-04-05 | 智洋创新科技股份有限公司 | 一种输电线路监控设备偏移检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
CN101430195B (zh) | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 | |
CN109118479A (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110378892A (zh) | 一种快速检测输电线路通道隐患的方法 | |
CN102136059B (zh) | 一种基于视频分析的烟雾检测方法 | |
CN108307146A (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN104331710B (zh) | 开关状态识别系统 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN102393961B (zh) | 基于计算机视觉的飞行器输电线路实时检测跟踪方法 | |
CN102143354B (zh) | 基于视频图像处理的输电导线舞动识别计算方法 | |
CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN110070526A (zh) | 基于深度神经网络热度图预测的缺陷检测方法 | |
CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
CN103940824A (zh) | 一种空中输电线路绝缘子检测方法 | |
CN103528534A (zh) | 一种基于图像监测的输电线路覆冰厚度检测方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
CN111009008B (zh) | 一种基于自学习策略的机场飞机自动挂标方法 | |
CN109785288A (zh) | 基于深度学习的输电设备缺陷检测方法及系统 | |
CN103945197A (zh) | 基于视频运动检测技术的电力设施防外破预警方案 | |
CN109241847A (zh) | 基于视觉图像的油田作业区安全监控系统 | |
CN110245592A (zh) | 一种用于提升监控场景的行人重识别率的方法 | |
CN109300118A (zh) | 一种基于rgb图像的高压电力线路无人机巡检方法 | |
CN110020642A (zh) | 一种基于车辆检测的能见度识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |