CN110458839B - 一种有效的电线电缆监测系统 - Google Patents
一种有效的电线电缆监测系统 Download PDFInfo
- Publication number
- CN110458839B CN110458839B CN201910952023.5A CN201910952023A CN110458839B CN 110458839 B CN110458839 B CN 110458839B CN 201910952023 A CN201910952023 A CN 201910952023A CN 110458839 B CN110458839 B CN 110458839B
- Authority
- CN
- China
- Prior art keywords
- infrared image
- pixel
- image
- gray value
- images
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 25
- 150000001875 compounds Chemical class 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003702 image correction Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009711 regulatory function Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 2
- 238000003331 infrared imaging Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
一种有效的电线电缆监测系统,包括机载数据采集模块、飞行控制模块、无线传输模块和地面监测中心,所述飞行控制模块用于根据地面监测中心发送的飞行指令控制无人机的飞行状态,所述机载数据采集模块用于采集电线电缆的红外图像和位置信息,所述无线传输模块用于实现无人机和地面监测中心之间的信息传输,所述地面监测中心对接收到的红外图像进行处理和分析,从而对电线电缆的故障进行诊断。本发明的有益效果为:采用无人机实现了较长电线电缆的大范围搜寻,同时根据机载的红外成像设备,拍摄电线电缆的红外图片,对拍摄所得的红外图像进行处理和分析,从而对电线电缆的故障隐患进行诊断,实现了电线电缆的有效监测。
Description
技术领域
本发明创造涉及电线电缆监测领域,具体涉及一种有效的电线电缆监测系统。
背景技术
电力能源随着国内经济的蓬勃发展需求越来越旺盛,社会的发展也离不开电力资源的支持,国家电网为了满足国内对电力越来越高的需求,就需要在电力线路和高电压、大容量方向上继续扩建。一方面随着线路的大量建设,覆盖面越来越广阔,地形状况也越发复杂多样。另一方面电线电缆的细小故障,初期都比较微小,很难被肉眼发现,很多都到了难以弥补的地步才能被发现,比如多股电缆的几股发生折断,接触不良等现象都会发生电阻增加,电流加大,发生热集中现象,这些都会引起大的供电故障和事故。因此,如何对覆盖面积广阔的电线电缆提供有效的监测,是关系到电力能源正常发展的关键。
针对上述问题,本发明提供一种基于红外图像的电线电缆监测系统,在所述监测系统中,采用无人机实现了较长电线电缆的大范围搜寻,同时根据机载的红外成像设备,拍摄电线电缆及其附加设备的红外图片,对拍摄所得的红外图像进行处理和分析,从而对电线电缆的故障隐患进行诊断,实现了电线电缆的有效监测。
发明内容
针对上述问题,本发明旨在提供一种有效的电线电缆监测系统。
本发明创造的目的通过以下技术方案实现:
一种有效的电线电缆监测系统,包括机载数据采集模块、飞行控制模块、无线传输模块和地面监测中心,所述机载数据采集模块、飞行控制模块和无线传输模块安装在无人机上,所述飞行控制模块用于根据地面监测中心发送的飞行指令控制无人机的飞行状态,所述机载数据采集模块包括图像采集单元和位置信息采集单元,所述图像采集单元用于采集电线电缆的红外图像,所述位置信息采集单元用于采集所述红外图像对应的位置信息,所述无线传输模块用于实现无人机和地面监测中心之间的信息传输,所述地面监测中心对接收到的红外图像进行图像处理,获取目标区域图像,并在所述目标区域图像中识别电线电缆的温度信息,将识别到的温度信息和设置的安全温度阈值进行比较,当识别到的温度信息高于安全温度阈值时判定电线电缆存在故障,当判定电线电缆存在故障时进行预警,并将该红外图像的位置信息进行显示。
优选地,所述地面监测中心包括数据库、图像调取单元、图像处理单元、信息提取单元、故障诊断单元和信息显示单元,所述数据库中存储着电线电缆正常运行情况下拍摄的电线电缆的红外图像,所述图像调取单元用于根据接收到的红外图像的位置信息从数据库中调取相同位置的电线电缆正常运行情况下拍摄的红外图像作为当前接收到的红外图像的参考图像,所述图像处理单元分别对接收到的红外图像和该红外图像的参考图像进行处理,获取红外图像中的目标区域图像和参考图像中的参考目标区域图像,所述信息提取单元分别计算目标区域图像和参考目标区域图像中像素的平均灰度值,将目标区域图像中像素的平均灰度值作为识别的电线电缆的温度信息,将参考目标区域图像中像素的平均灰度值作为设置的安全温度阈值,所述故障诊断单元将识别到的电线电缆的温度信息和设置的安全温度阈值进行比较,当识别到的温度信息高于安全温度阈值时判定电线电缆存在故障,当判定电线电缆存在故障时进行预警,并将该红外图像的位置信息在信息显示单元进行显示。
优选地,所述图像处理单元包括图像校正部分和目标检测部分,所述图像校正部分用于对接收到的红外图像的非均匀性进行校正,所述目标检测部分用于在校正后的红外图像中进行目标检测,获取目标区域图像。
优选地,所述图像校正部分采用基于神经网络的校正算法对接收到的红外图像的非均匀性进行校正,所述神经网络包括输入层、隐含层和校正层,设该神经网络输入层的当前输入值为,则该输入值经神经网络校正层校正后的灰度值为:
式中,表示第帧红外图像中坐标处像素的灰度值,为第帧红外图像坐标处像素的校正值,为校正第帧红外图像时对应的非均匀性的增益因子,为校正第帧红外图像时对应的非均匀性的偏置因子,为神经网络隐含层对第帧红外图像中坐标处像素灰度值的预测值,为校正第帧红外图像中像素时对应的步长因子,设接收到的第帧红外图像的大小为,则的表达式为:
式中,表示红外图像中以坐标为中心的的局部邻域,为大于零的整数,且,表示第帧红外图像的局部邻域中坐标处像素的灰度值,表示第帧红外图像的局部邻域中像素灰度值的均值,表示第帧红外图像的局部邻域中的像素数,和分别为第和第帧红外图像中坐标处像素的灰度值,表示选用的连续红外图像的帧数,且。
表示第帧红外图像中局部邻域的第一调节因子,且 ,其中,表示第帧红外图像的局部邻域中像素的第一变化因子,和表示第帧红外图像的局部邻域中像素的第一变化因子的最大值和最小值;当时,,当时,,当时,,其中,表示第帧红外图像中坐标处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值;
表示第帧红外图像中局部邻域的第二调节因子,且 ,其中,表示第帧红外图像的局部邻域中像素的第二变化因子,和表示第帧红外图像的局部邻域中像素的第二变化因子的最大值和最小值;当时,,当时,,当时,,其中,表示第帧红外图像中坐标处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值。
优选地,目标检测部分用于在非均匀校正后的红外图像中进行目标检测,具体包括:
式中,表示以坐标为中心的的局部邻域,且,表示红外图像的局部邻域中坐标处像素的灰度值,表示红外图像的局部邻域中坐标处像素的灰度值,表示红外图像的局部邻域中像素的灰度值均值,表示红外图像的局部邻域中像素的灰度值方差;
当像素的信息因子时,则将该像素标记为候选像素,当像素的信息因子时,则将该像素标记为背景像素,其中,为坐标处像素对应的检测因子,且,表示红外图像中像素的信息因子均值,为调节参数,且,为红外图像的局部邻域中像素的信息因子均值,和分别为红外图像的局部邻域和中像素的信息因子均值,和分别为红外图像的局部邻域和中像素的信息因子均值;
(2)将该红外图像中标记为候选像素的连通域的最小外接矩形区域作为初始分割所得的初始目标区域,采用下列方式对所述初始目标区域进行预处理,设为初始目标区域中坐标处像素的灰度值,为经预处理后的灰度值,则的表达式为:
(3)采用otsu阈值分割法对预处理后的初始目标区域进行二次分割,分别计算分割后的两种分割区域中像素的信息因子均值,将具有较大的信息因子均值的分割区域标记为背景区域,将具有较小的信息因子均值的分割区域标记为最终目标区域。
本发明创造的有益效果:提供一种基于红外图像的电线电缆监测系统,在所述监测系统中,采用无人机的人机联动实现了较长电线电缆的大范围搜寻,同时根据机载的红外成像设备,拍摄电线电缆关键部位的红外图片采用基于神经网络的校正算法对采集得到的红外图像进行非均匀性校正,在校正的过程中,采用连续帧数的红外图像中相同坐标像素的灰度差值衡量无人机采集红外图像的区域变化情况,从而对校正算法的步长因子进行调节,当无人机采集电线电缆的区域变化较快时,将增加校正红外图像的步长因子,从而提高对该区域采集的红外图像的校正速度,减小校正过程中的拖影现象;而当无人机采集电线电缆的区域变化缓慢时,将减小校正红外图像的步长因子,从而减小对该区域采集的红外图像的校正速度,避免了该区域红外图像经校正后出现模糊的现象;在对采用的神经网络校正算法的预测值的确定过程中,根据校正算法的当前输入值的局部邻域特征自适应的调整该输入值对应的预测值,能够有效的避免噪声污染对当前输入值对应的预测值的影响;采用正则调节函数,使得在校正过程中,当校正算法的输入值处于红外图像的边缘时,所述正则调节函数用于减小正则化参数,从而增加该输入值对应的预测值,当校正算法的输入值处于图像平坦区域时,所述正则化函数用于增加正则化参数,从而减小该输入值对应的预测值,即正则调节函数的引入,使得计算所得的预测值能够体现出红外图像中不同区域的差异性,即保留了红外图像的原始信息,从而提高了校正算法的校正效果和校正后红外图像的视觉效果;在校正后的红外图像中进行目标检测,在目标检测过程中,计算红外图像中各像素的信息因子,所述信息因子综合反应了红外图像的亮度水平和灰度值的变化程度,从而能够有效的分离红外图像中电线电缆区域的像素和背景像素的同时,有利于良好的体现该红外图像中电线电缆区域和背景区域的边缘界限,因此相较于传统的图像分割方法,根据像素的信息因子和像素对应的检测因子对该像素进行检测,能够有效的避免电线电缆红外图像中复杂背景对目标分割的影响,从而能够有效的区分背景像素和目标像素,实现电线电缆区域的初始目标区域的有效分割;对获得的初始目标区域进行预处理,采用的预处理方法能够使得初始目标区域中像素的灰度值分布的较为均匀,减小噪声污染以及复杂背景对后期分割图像时造成的图像信息损失,进而采用Otsu阈值分割法对预处理的初始目标区域进行分割,能够提高分割该初始目标区域中的电线电缆区域和背景区域的精度。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种有效的电线电缆监测系统,包括机载数据采集模块、飞行控制模块、无线传输模块和地面监测中心,所述机载数据采集模块、飞行控制模块和无线传输模块安装在无人机上,所述飞行控制模块用于根据地面监测中心发送的飞行指令控制无人机的飞行状态,所述机载数据采集模块包括图像采集单元和位置信息采集单元,所述图像采集单元用于采集电线电缆的红外图像,所述位置信息采集单元用于采集所述红外图像对应的位置信息,所述无线传输模块用于实现无人机和地面监测中心之间的信息传输,所述地面监测中心对接收到的红外图像进行图像处理,获取目标区域图像,并在所述目标区域图像中识别电线电缆的温度信息,将识别到的温度信息和设置的安全温度阈值进行比较,当识别到的温度信息高于安全温度阈值时判定电线电缆存在故障,当判定电线电缆存在故障时即进行预警,并将该红外图像的位置信息进行显示。
优选地,所述机载数据采集模块通过红外热像仪采集电线电缆的红外图像。
本优选实施例提供一种基于红外图像的电线电缆监测系统,在所述监测系统中,采用无人机实现了较长电线电缆的大范围搜寻,同时根据机载的红外成像设备,拍摄电线电缆关键部位的红外图像,对拍摄所得的红外图像进行处理和分析,从而对电线电缆的故障隐患进行诊断,实现了电线电缆的有效监测。
优选地,所述地面监测中心包括数据库、图像调取单元、图像处理单元、信息提取单元、故障诊断单元和信息显示单元,所述数据库中存储着电线电缆正常运行情况下拍摄的电线电缆的红外图像,所述图像调取单元用于根据接收到的红外图像的位置信息从数据库中调取相同位置的电线电缆正常运行情况下拍摄的红外图像作为当前接收到的红外图像的参考图像,所述图像处理单元分别对接收到的红外图像和该红外图像的参考图像进行处理,获取红外图像中的目标区域图像和参考图像中的参考目标区域图像,所述信息提取单元分别计算目标区域图像和参考目标区域图像中像素的平均灰度值,将目标区域图像中像素的平均灰度值作为识别的电线电缆的温度信息,将参考目标区域图像中像素的平均灰度值作为设置的安全温度阈值,所述故障诊断单元将识别到的电线电缆的温度信息和设置的安全温度阈值进行比较,当识别到的温度信息高于安全温度阈值时判定电线电缆存在故障,当判定电线电缆存在故障时进行预警,并将该红外图像的位置信息在信息显示单元进行显示。
优选地,所述图像处理单元包括图像校正部分和目标检测部分,所述图像校正部分用于对接收到的红外图像的非均匀性进行校正,所述目标检测部分用于在校正后的红外图像中进行目标检测,获取目标区域图像。
优选地,所述图像校正部分采用基于神经网络的校正算法对接收到的红外图像的非均匀性进行校正,所述神经网络包括输入层、隐含层和校正层,将接收到的红外图像中像素的灰度值作为输入层的输入值,隐含层计算此时输入层的输入像素灰度值的预测值,校正层对输入的像素灰度值进行校正,并根据校正后的像素灰度值和隐含层所得的预测值之间的差值,沿着梯度下降最陡的路径,通过对应的步长因子对增益因子和偏置因子进行修正,修正后的增益因子和偏置因子用于对下一帧的红外图像中的像素灰度值进行校正。
式中,表示第帧红外图像中坐标处像素的灰度值,为第帧红外图像坐标处像素的校正值,为校正第帧红外图像时对应的非均匀性的增益因子,为校正第帧红外图像时对应的非均匀性的偏置因子,为神经网络隐含层对第帧红外图像中坐标处像素灰度值的预测值,为校正第帧红外图像中像素时对应的步长因子,设接收到的第帧红外图像的大小为,则的表达式为:
式中,表示红外图像中以坐标为中心的的局部邻域,为大于零的整数,且,表示第帧红外图像的局部邻域中坐标处像素的灰度值,表示第帧红外图像的局部邻域中像素灰度值的均值,表示第帧红外图像的局部邻域中的像素数,和分别为第和第帧红外图像中坐标处像素的灰度值,表示选用的连续红外图像的帧数,且。
本优选实施例采用基于神经网络的校正算法对采集得到的红外图像进行非均匀性校正,相较于传统的校正算法,本优选实施例在校正的过程中,采用连续帧数的红外图像中相同坐标像素的灰度差值衡量无人机采集红外图像的区域变化情况,从而对校正算法的步长因子进行调节,当无人机采集电线电缆的区域变化较快时,将增加校正红外图像的步长因子,从而提高对该区域采集的红外图像的校正速度,减小校正过程中的拖影现象;而当无人机采集电线电缆的区域变化缓慢时,将减小校正红外图像的步长因子,从而减小对该区域采集的红外图像的校正速度,避免了该区域红外图像经校正后出现模糊的现象,因此,采用本优选实施例对红外图像的非均匀性进行校正,能够得到较为精确的结果。
表示第帧红外图像中局部邻域的第一调节因子,且 ,其中,表示第帧红外图像的局部邻域中像素的第一变化因子,和表示第帧红外图像的局部邻域中像素的第一变化因子的最大值和最小值;当时,,当时,,当时,,其中,表示第帧红外图像中坐标处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值;
表示第帧红外图像中局部邻域的第二调节因子,且 ,其中,表示第帧红外图像的局部邻域中像素的第二变化因子,和表示第帧红外图像的局部邻域中像素的第二变化因子的最大值和最小值;当时,,当时,,当时,,其中,表示第帧红外图像中坐标处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值。
本优选实施例用于计算神经网络的隐含层中针对当前输入值的预测值,在对预测值的计算过程中,根据校正算法的当前输入值的局部邻域特征自适应的调整针对该输入值的预测值,能够有效的避免噪声污染对该预测值的影响;采用正则调节函数,使得在校正过程中,当校正算法的输入值处于红外图像的边缘时,所述正则调节函数用于减小正则化参数,从而增加针对该输入值对应的预测值,当校正算法的输入值处于图像平坦区域时,所述正则化函数用于增加正则化参数,从而减小针对该输入值对应的预测值,即正则调节函数的引入,使得计算所得的预测值能够体现出红外图像中不同区域的差异性,即保留了红外图像的原始信息,从而提高了校正算法的校正效果和校正后红外图像的视觉效果。
优选地,所述目标检测部分用于在非均匀校正后的红外图像中进行目标检测,具体包括:
式中,表示以坐标为中心的的局部邻域,且,表示红外图像的局部邻域中坐标处像素的灰度值,表示红外图像的局部邻域中坐标处像素的灰度值,表示红外图像的局部邻域中像素的灰度值均值,表示红外图像的局部邻域中像素的灰度值方差;
当像素的信息因子时,则将该像素标记为候选像素,当像素的信息因子时,则将该像素标记为背景像素,其中,为坐标处像素对应的检测因子,且,表示红外图像中像素的信息因子均值,为调节参数,且,为红外图像的局部邻域中像素的信息因子均值,和分别为红外图像的局部邻域和中像素的信息因子均值,和分别为红外图像的局部邻域和中像素的信息因子均值;
(2)将该红外图像中标记为候选像素的连通域的最小外接矩形区域作为初始分割所得的初始目标区域,采用下列方式对所述初始目标区域进行预处理,设为初始目标区域中坐标处像素的灰度值,为经预处理后的灰度值,则的表达式为:
(3)采用otsu阈值分割法对预处理后的初始目标区域进行二次分割,分别计算分割后的两种分割区域中像素的信息因子均值,将具有较大的信息因子均值的分割区域标记为背景区域,将具有较小的信息因子均值的分割区域标记为最终目标区域。
本优选实施例用于在校正后的红外图像中进行目标检测,在目标检测过程中,计算红外图像中各像素的信息因子,所述信息因子综合反应了红外图像的亮度水平和灰度值的变化程度,从而能够有效的分离红外图像中电线电缆区域的像素和背景像素的同时,有利于良好的体现该红外图像中电线电缆区域和背景区域的边缘界限,因此相较于传统的图像分割方法,根据像素的信息因子和像素对应的检测因子对该像素进行检测,能够有效的避免电线电缆红外图像中复杂背景对目标分割的影响,从而能够有效的区分背景像素和目标像素,实现电线电缆区域的初始目标区域的有效分割;对获得的初始目标区域进行预处理,采用的预处理方法能够使得初始目标区域中像素的灰度值分布的较为均匀,减小噪声污染以及复杂背景对后期分割图像时造成的图像信息损失,进而采用otsu阈值分割法对预处理的初始目标区域进行分割,能够提高分割该初始目标区域中的电线电缆区域和背景区域的精度。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (3)
1.一种有效的电线电缆监测系统,其特征是,包括机载数据采集模块、飞行控制模块、无线传输模块和地面监测中心,所述机载数据采集模块、飞行控制模块和无线传输模块安装在无人机上,所述飞行控制模块用于根据地面监测中心发送的飞行指令控制无人机的飞行状态,所述机载数据采集模块包括图像采集单元和位置信息采集单元,所述图像采集单元用于采集电线电缆的红外图像,所述位置信息采集单元用于采集所述红外图像对应的位置信息,所述无线传输模块用于实现无人机和地面监测中心之间的信息传输,所述地面监测中心对接收到的红外图像进行图像处理,获取目标区域图像,并在所述目标区域图像中识别电线电缆的温度信息,将识别到的温度信息和设置的安全温度阈值进行比较,当识别到的温度信息高于安全温度阈值时判定电线电缆存在故障,当判定电线电缆存在故障时即进行预警,并将该红外图像的位置信息进行显示;所述地面监测中心包括数据库、图像调取单元、图像处理单元、信息提取单元、故障诊断单元和信息显示单元,所述数据库中存储着电线电缆正常运行情况下拍摄的电线电缆的红外图像,所述图像调取单元用于根据接收到的红外图像的位置信息从数据库中调取相同位置的电线电缆正常运行情况下拍摄的红外图像作为当前接收到的红外图像的参考图像,所述图像处理单元分别对接收到的红外图像和该红外图像的参考图像进行处理,获取红外图像中的目标区域图像和参考图像中的参考目标区域图像,所述信息提取单元分别计算目标区域图像和参考目标区域图像中像素的平均灰度值,将目标区域图像中像素的平均灰度值作为识别的电线电缆的温度信息,将参考目标区域图像中像素的平均灰度值作为设置的安全温度阈值,所述故障诊断单元将识别到的电线电缆的温度信息和设置的安全温度阈值进行比较,当识别到的温度信息高于安全温度阈值时判定电线电缆存在故障,当判定电线电缆存在故障时即进行预警,并将接收到的红外图像的位置信息在信息显示单元进行显示;所述图像处理单元包括图像校正部分和目标检测部分,所述图像校正部分采用基于神经网络的校正算法对接收到的红外图像的非均匀性进行校正,所述神经网络包括输入层、隐含层和校正层,设该神经网络输入层的当前的输入值为,则该输入值经神经网络校正层校正后的灰度值为:
式中,表示第帧红外图像中坐标处像素的灰度值,为第帧红外图像坐标处像素的校正值,为校正第帧红外图像时对应的非均匀性的增益因子,为校正第帧红外图像时对应的非均匀性的偏置因子,为神经网络隐含层对第帧红外图像中坐标处像素灰度值的预测值,为校正第帧红外图像中坐标处像素的灰度值时对应的步长因子,设接收到的第帧红外图像的大小为,则的表达式为:
表示第帧红外图像中局部邻域的第一调节因子,且,其中,表示第帧红外图像的局部邻域中像素的第一变化因子,和表示第帧红外图像的局部邻域中像素的第一变化因子的最大值和最小值;当时,,当时,,当时,,其中,表示第帧红外图像中坐标处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值,和分别表示第帧红外图像中坐标和处像素的灰度值;
3.根据权利要求2所述的一种有效的电线电缆监测系统,其特征是,目标检测部分用于在非均匀性校正后的红外图像中进行目标检测,具体包括:
式中,表示以坐标为中心的的局部邻域,且,表示红外图像的局部邻域中坐标处像素的灰度值,表示红外图像的局部邻域中坐标处像素的灰度值,表示红外图像的局部邻域中像素的灰度值均值,表示红外图像的局部邻域中像素的灰度值方差;
当像素的信息因子小于等于时,则将该像素标记为候选像素,当像素的信息因子大于时,则将该像素标记为背景像素,其中,为坐标处像素对应的检测因子,且,表示红外图像中像素的信息因子均值,为调节参数,且,为红外图像的局部邻域中像素的信息因子均值,和分别为红外图像的局部邻域和中像素的信息因子均值,和分别为红外图像的局部邻域和中像素的信息因子均值;
(2)将该红外图像中标记为候选像素的连通域的最小外接矩形区域作为初始分割所得的初始目标区域,采用下列方式对所述初始目标区域进行预处理,设为初始目标区域中坐标处像素的灰度值,为经预处理后的灰度值,则的表达式为:
(3)采用otsu阈值分割法对预处理后的初始目标区域进行二次分割,分别计算分割后的两种分割区域中像素的信息因子均值,将信息因子均值大于设定阈值的分割区域标记为背景区域,将信息因子均值小于设定阈值的分割区域标记为最终目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910952023.5A CN110458839B (zh) | 2019-10-09 | 2019-10-09 | 一种有效的电线电缆监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910952023.5A CN110458839B (zh) | 2019-10-09 | 2019-10-09 | 一种有效的电线电缆监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458839A CN110458839A (zh) | 2019-11-15 |
CN110458839B true CN110458839B (zh) | 2020-01-14 |
Family
ID=68492766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910952023.5A Active CN110458839B (zh) | 2019-10-09 | 2019-10-09 | 一种有效的电线电缆监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458839B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909669A (zh) * | 2019-11-19 | 2020-03-24 | 湖南国奥电力设备有限公司 | 基于图像检测的地下电缆故障确定方法和装置 |
CN110907749A (zh) * | 2019-11-19 | 2020-03-24 | 湖南国奥电力设备有限公司 | 故障地下电缆定位方法和装置 |
CN110850233A (zh) * | 2019-11-19 | 2020-02-28 | 湖南国奥电力设备有限公司 | 电缆故障定位方法和装置 |
CN111145115B (zh) * | 2019-12-20 | 2023-06-20 | 复旦大学 | 一种基于场景适应的非均匀校正方法及其硬件实现装置 |
CN111091108B (zh) * | 2019-12-24 | 2020-08-11 | 江西太平洋电缆集团有限公司 | 一种电缆电阻检测系统 |
CN111338298B (zh) * | 2020-02-12 | 2020-09-11 | 上海圣石生物医学科技有限公司 | 一种用于健康圈的生产过程智能监控系统 |
CN111462259B (zh) * | 2020-04-02 | 2020-11-17 | 吉安诺惠诚莘科技有限公司 | 一种基于人工智能的汽车充电桩监控系统 |
CN113343841A (zh) * | 2021-06-03 | 2021-09-03 | 国网北京市电力公司 | 电力隧道异常情况的确定方法和装置 |
CN113408529B (zh) * | 2021-06-29 | 2022-06-24 | 国网浙江省电力有限公司嘉兴供电公司 | 一种安全预警方法、装置、系统及计算机存储介质 |
CN116364352B (zh) * | 2022-12-06 | 2023-10-10 | 江苏洪能电缆有限公司 | 一种多功能复合型电梯随行电缆的制备工艺 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360167A (zh) * | 2018-10-10 | 2019-02-19 | 华中科技大学鄂州工业技术研究院 | 一种红外图像校正方法、装置及存储介质 |
CN109741267A (zh) * | 2018-12-05 | 2019-05-10 | 西安电子科技大学 | 基于三边滤波和神经网络的红外图像非均匀性校正方法 |
CN110155330A (zh) * | 2019-06-03 | 2019-08-23 | 辽宁工程技术大学 | 一种基于无人机电力系统自主巡线方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10929955B2 (en) * | 2017-06-05 | 2021-02-23 | Adasky, Ltd. | Scene-based nonuniformity correction using a convolutional recurrent neural network |
CN109272520B (zh) * | 2018-09-18 | 2020-11-03 | 浙江大学 | 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法 |
-
2019
- 2019-10-09 CN CN201910952023.5A patent/CN110458839B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360167A (zh) * | 2018-10-10 | 2019-02-19 | 华中科技大学鄂州工业技术研究院 | 一种红外图像校正方法、装置及存储介质 |
CN109741267A (zh) * | 2018-12-05 | 2019-05-10 | 西安电子科技大学 | 基于三边滤波和神经网络的红外图像非均匀性校正方法 |
CN110155330A (zh) * | 2019-06-03 | 2019-08-23 | 辽宁工程技术大学 | 一种基于无人机电力系统自主巡线方法 |
Non-Patent Citations (4)
Title |
---|
Guided filter and adaptive learning rate based non-uniformity correction algorithm for infrared focal plane array;Rong Sheng-Hui et al;《Infrared Physics & Technology》;20160503;第76卷;第691-697页 * |
Total Variation Based Neural Network Regression for Nonuniformity Correction of Infrared Images;Rui Lai et al;《Symmetry》;20180514;第10卷(第5期);第1-14页 * |
六旋翼无人机红外测温在电力巡线中的应用研究;阳一雄 等;《科技风》;20150731(第13期);第90页 * |
基于无人机红外视频的输电线路发热缺陷智能诊断技术;张文峰 等;《电网技术》;20140531;第38卷(第5期);第1334-1338页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458839A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
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 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
CN104483326B (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 | |
CN106680285B (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN115375588B (zh) | 基于红外成像的电网变压器故障识别方法 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN110021133B (zh) | 全天候消防火灾巡逻预警监控系统及火灾图像检测方法 | |
CN112395972B (zh) | 一种基于无人机图像处理的电力系统绝缘子串识别方法 | |
CN110493574B (zh) | 基于流媒体和ai技术的安监可视化系统 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN112686120A (zh) | 一种基于无人机航拍图像的输电线异常检测方法 | |
CN112560619A (zh) | 一种基于多聚焦图像融合的多距离鸟类精准识别方法 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
Yuan et al. | Clahe-based low-light image enhancement for robust object detection in overhead power transmission system | |
CN116543238B (zh) | 一种电缆绝缘层的图像检测方法 | |
CN114724042A (zh) | 一种输电线路中零值绝缘子自动检测方法 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN111626104A (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 |
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 |