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 PDF

Info

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
Application number
CN201910952023.5A
Other languages
English (en)
Other versions
CN110458839A (zh
Inventor
毛华撑
李鹏鹏
于思杰
齐红磊
周妙根
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.)
Jiangxi Pacific Cable Group Co ltd
Original Assignee
Jiangxi Pacific Cable Group Co ltd
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 Jiangxi Pacific Cable Group Co ltd filed Critical Jiangxi Pacific Cable Group Co ltd
Priority to CN201910952023.5A priority Critical patent/CN110458839B/zh
Publication of CN110458839A publication Critical patent/CN110458839A/zh
Application granted granted Critical
Publication of CN110458839B publication Critical patent/CN110458839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种有效的电线电缆监测系统
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
Figure 849285DEST_PATH_IMAGE001
，则该输入值经神经网络校正层校正后的灰度值
Figure 704109DEST_PATH_IMAGE002
为：
式中，
Figure 505154DEST_PATH_IMAGE001
表示第
Figure 506477DEST_PATH_IMAGE004
帧红外图像中坐标
Figure 266622DEST_PATH_IMAGE005
处像素的灰度值，
Figure 219142DEST_PATH_IMAGE006
表示校正第
Figure 355725DEST_PATH_IMAGE004
帧红外图像时对应的非均匀性的偏置因子，
Figure 24604DEST_PATH_IMAGE007
表示校正第
Figure 204918DEST_PATH_IMAGE004
帧红外图像时对应的非均匀性的增益因子，且
Figure 896931DEST_PATH_IMAGE006
和
Figure 322358DEST_PATH_IMAGE007
的表达式分别为：
Figure 970377DEST_PATH_IMAGE008
Figure 23390DEST_PATH_IMAGE009
式中，
Figure 202699DEST_PATH_IMAGE010
表示第
Figure 664773DEST_PATH_IMAGE011
帧红外图像中坐标处像素的灰度值，
Figure 269509DEST_PATH_IMAGE012
为第帧红外图像坐标处像素的校正值，
Figure 699856DEST_PATH_IMAGE013
为校正第
Figure 409186DEST_PATH_IMAGE011
帧红外图像时对应的非均匀性的增益因子，
Figure 881248DEST_PATH_IMAGE014
为校正第
Figure 701437DEST_PATH_IMAGE011
帧红外图像时对应的非均匀性的偏置因子，
Figure 240871DEST_PATH_IMAGE015
为神经网络隐含层对第
Figure 183419DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 559037DEST_PATH_IMAGE005
处像素灰度值的预测值，
Figure 668070DEST_PATH_IMAGE016
为校正第
Figure 78322DEST_PATH_IMAGE011
帧红外图像中像素
Figure 378723DEST_PATH_IMAGE010
时对应的步长因子，设接收到的第
Figure 241636DEST_PATH_IMAGE011
帧红外图像的大小为
Figure 151430DEST_PATH_IMAGE017
，则的表达式为：
Figure 434961DEST_PATH_IMAGE018
式中，
Figure 34438DEST_PATH_IMAGE019
表示红外图像中以坐标
Figure 120DEST_PATH_IMAGE005
为中心的
Figure 870119DEST_PATH_IMAGE020
的局部邻域，
Figure 997475DEST_PATH_IMAGE021
为大于零的整数，
Figure 84248DEST_PATH_IMAGE022
且
Figure 588042DEST_PATH_IMAGE023
，
Figure 575196DEST_PATH_IMAGE024
表示第
Figure 873453DEST_PATH_IMAGE011
帧红外图像的局部邻域中坐标
Figure 817324DEST_PATH_IMAGE025
处像素的灰度值，
Figure 645603DEST_PATH_IMAGE026
表示第
Figure 131073DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 677592DEST_PATH_IMAGE019
中像素灰度值的均值，
Figure 38035DEST_PATH_IMAGE027
表示第
Figure 986400DEST_PATH_IMAGE011
帧红外图像的局部邻域中的像素数，
Figure 735974DEST_PATH_IMAGE028
和
Figure 385261DEST_PATH_IMAGE029
分别为第
Figure 437399DEST_PATH_IMAGE030
和第
Figure 513940DEST_PATH_IMAGE031
帧红外图像中坐标
Figure 785783DEST_PATH_IMAGE032
处像素的灰度值，
Figure 35499DEST_PATH_IMAGE033
表示选用的连续红外图像的帧数，且
Figure 958456DEST_PATH_IMAGE034
。
优选地，所述第
Figure 455165DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 463572DEST_PATH_IMAGE005
处像素的预测值的计算公式为：
Figure 42245DEST_PATH_IMAGE035
式中，
Figure 460588DEST_PATH_IMAGE019
表示红外图像中以坐标
Figure 939980DEST_PATH_IMAGE005
为中心的
Figure 734760DEST_PATH_IMAGE020
的局部邻域，
Figure 429047DEST_PATH_IMAGE021
为大于零的整数，
Figure 769024DEST_PATH_IMAGE022
且
Figure 752023DEST_PATH_IMAGE023
，
Figure 334183DEST_PATH_IMAGE036
表示第
Figure 820659DEST_PATH_IMAGE011
帧红外图像在局部邻域
Figure 908701DEST_PATH_IMAGE037
中坐标
Figure 861220DEST_PATH_IMAGE032
处像素的灰度值，
Figure 997803DEST_PATH_IMAGE027
表示第
Figure 588053DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 784680DEST_PATH_IMAGE037
中的像素数，
Figure 227424DEST_PATH_IMAGE038
和
Figure 964436DEST_PATH_IMAGE039
为自定义的滤波参数，且
Figure 425505DEST_PATH_IMAGE038
和的表达式分别为：
Figure 956029DEST_PATH_IMAGE040
式中，
Figure 763372DEST_PATH_IMAGE042
表示第
Figure 98538DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 14410DEST_PATH_IMAGE037
中像素的灰度值均值，
Figure 30908DEST_PATH_IMAGE043
表示第
Figure 217301DEST_PATH_IMAGE011
帧红外图像的局部邻域中像素的灰度值方差，
Figure 64220DEST_PATH_IMAGE044
为设定的正则化参数，
Figure 946725DEST_PATH_IMAGE045
为正则调节函数，且
Figure 236892DEST_PATH_IMAGE046
，其中：
Figure 864926DEST_PATH_IMAGE047
表示第
Figure 240544DEST_PATH_IMAGE011
帧红外图像中局部邻域
Figure 848112DEST_PATH_IMAGE019
的第一调节因子，且
Figure 320682DEST_PATH_IMAGE048
Figure 106235DEST_PATH_IMAGE049
，其中，
Figure 719881DEST_PATH_IMAGE050
表示第
Figure 944189DEST_PATH_IMAGE011
帧红外图像的局部邻域中像素的第一变化因子，
Figure 680250DEST_PATH_IMAGE051
和
Figure 30460DEST_PATH_IMAGE052
表示第
Figure 792879DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 683385DEST_PATH_IMAGE019
中像素的第一变化因子的最大值和最小值；当
Figure 76321DEST_PATH_IMAGE053
时，，当
Figure 729205DEST_PATH_IMAGE055
时，
Figure 702977DEST_PATH_IMAGE056
，当
Figure 17546DEST_PATH_IMAGE057
时，，其中，表示第
Figure 789696DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 524433DEST_PATH_IMAGE060
处像素的灰度值，
Figure 818755DEST_PATH_IMAGE061
和分别表示第
Figure 940612DEST_PATH_IMAGE011
帧红外图像中坐标和
Figure 129334DEST_PATH_IMAGE064
处像素的灰度值，
Figure 575359DEST_PATH_IMAGE065
和分别表示第帧红外图像中坐标和
Figure 428859DEST_PATH_IMAGE068
处像素的灰度值；
Figure 414133DEST_PATH_IMAGE069
表示第
Figure 409377DEST_PATH_IMAGE011
帧红外图像中局部邻域
Figure 417785DEST_PATH_IMAGE019
的第二调节因子，且
Figure 471191DEST_PATH_IMAGE070
Figure 497922DEST_PATH_IMAGE071
，其中，
Figure 916265DEST_PATH_IMAGE072
表示第
Figure 897121DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 754219DEST_PATH_IMAGE019
中像素的第二变化因子，
Figure 386189DEST_PATH_IMAGE073
和
Figure 224701DEST_PATH_IMAGE074
表示第
Figure 207700DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 602909DEST_PATH_IMAGE019
中像素的第二变化因子的最大值和最小值；当
Figure 837188DEST_PATH_IMAGE075
时，
Figure 862913DEST_PATH_IMAGE076
，当
Figure 316897DEST_PATH_IMAGE077
时，
Figure 250218DEST_PATH_IMAGE078
，当
Figure 856780DEST_PATH_IMAGE079
时，
Figure 804138DEST_PATH_IMAGE080
，其中，
Figure 230572DEST_PATH_IMAGE081
表示第帧红外图像中坐标
Figure 943499DEST_PATH_IMAGE082
处像素的灰度值，和
Figure 972558DEST_PATH_IMAGE084
分别表示第帧红外图像中坐标
Figure 15786DEST_PATH_IMAGE085
和
Figure 616532DEST_PATH_IMAGE086
处像素的灰度值，
Figure 17557DEST_PATH_IMAGE087
和
Figure 50367DEST_PATH_IMAGE088
分别表示第
Figure 486027DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 179046DEST_PATH_IMAGE089
和
Figure 395263DEST_PATH_IMAGE090
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：
（1）对非均匀校正后的红外图像进行初始分割，设经非均匀校正后的第
Figure 215452DEST_PATH_IMAGE011
帧红外图像为
Figure 253421DEST_PATH_IMAGE091
，红外图像
Figure 868074DEST_PATH_IMAGE091
的大小为
Figure 306008DEST_PATH_IMAGE017
，对红外图像
Figure 179155DEST_PATH_IMAGE091
中的像素定义信息因子，则红外图像
Figure 323829DEST_PATH_IMAGE091
中坐标
Figure 125694DEST_PATH_IMAGE092
处像素对应的信息因子
Figure 988607DEST_PATH_IMAGE093
的表达式为：
Figure 399866DEST_PATH_IMAGE094
式中，
Figure 726942DEST_PATH_IMAGE095
表示以坐标为中心的
Figure 781410DEST_PATH_IMAGE020
的局部邻域，
Figure 747092DEST_PATH_IMAGE022
且，
Figure 508560DEST_PATH_IMAGE097
表示红外图像
Figure 408383DEST_PATH_IMAGE091
的局部邻域中坐标处像素的灰度值，
Figure 449785DEST_PATH_IMAGE012
表示红外图像的局部邻域
Figure 564296DEST_PATH_IMAGE095
中坐标
Figure 720470DEST_PATH_IMAGE005
处像素的灰度值，表示红外图像
Figure 250995DEST_PATH_IMAGE091
的局部邻域
Figure 96591DEST_PATH_IMAGE095
中像素的灰度值均值，
Figure 795688DEST_PATH_IMAGE100
表示红外图像
Figure 763644DEST_PATH_IMAGE091
的局部邻域
Figure 797459DEST_PATH_IMAGE095
中像素的灰度值方差；
当像素的信息因子
Figure 696014DEST_PATH_IMAGE101
时，则将该像素标记为候选像素，当像素的信息因子
Figure 764464DEST_PATH_IMAGE102
时，则将该像素标记为背景像素，其中，为坐标
Figure 930093DEST_PATH_IMAGE096
处像素对应的检测因子，且
Figure 383071DEST_PATH_IMAGE104
，
Figure 555296DEST_PATH_IMAGE105
表示红外图像中像素的信息因子均值，
Figure 296298DEST_PATH_IMAGE106
为调节参数，且
Figure 287388DEST_PATH_IMAGE107
，
Figure 127168DEST_PATH_IMAGE108
为红外图像
Figure 794778DEST_PATH_IMAGE091
的局部邻域
Figure 290482DEST_PATH_IMAGE109
中像素的信息因子均值，
Figure 567486DEST_PATH_IMAGE110
和
Figure 465035DEST_PATH_IMAGE111
分别为红外图像
Figure 303547DEST_PATH_IMAGE091
的局部邻域
Figure 83284DEST_PATH_IMAGE112
和
Figure 416176DEST_PATH_IMAGE113
中像素的信息因子均值，
Figure 918964DEST_PATH_IMAGE114
和
Figure 679109DEST_PATH_IMAGE115
分别为红外图像
Figure 946143DEST_PATH_IMAGE091
的局部邻域
Figure 331994DEST_PATH_IMAGE116
和
Figure 938555DEST_PATH_IMAGE117
中像素的信息因子均值；
（2）将该红外图像
Figure 617405DEST_PATH_IMAGE091
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
Figure 371734DEST_PATH_IMAGE118
，采用下列方式对所述初始目标区域
Figure 312009DEST_PATH_IMAGE118
进行预处理，设
Figure 22345DEST_PATH_IMAGE119
为初始目标区域中坐标
Figure 365918DEST_PATH_IMAGE120
处像素的灰度值，
Figure 595037DEST_PATH_IMAGE121
为
Figure 910611DEST_PATH_IMAGE119
经预处理后的灰度值，则
Figure 511357DEST_PATH_IMAGE121
的表达式为：
式中，
Figure 443727DEST_PATH_IMAGE124
表示初始目标区域
Figure 361611DEST_PATH_IMAGE118
中坐标
Figure 133258DEST_PATH_IMAGE125
处像素经预处理后的灰度值，
Figure 21579DEST_PATH_IMAGE126
表示初始目标区域
Figure 91035DEST_PATH_IMAGE118
中以坐标
Figure 381202DEST_PATH_IMAGE120
为中心的的局部邻域，
Figure 450101DEST_PATH_IMAGE128
为相关系数，且的计算公式为：
Figure 467921DEST_PATH_IMAGE129
式中，表示初始目标区域
Figure 444284DEST_PATH_IMAGE118
中坐标处像素的灰度值，
Figure 618838DEST_PATH_IMAGE130
表示初始目标区域
Figure 637609DEST_PATH_IMAGE118
中坐标
Figure 237087DEST_PATH_IMAGE025
处像素的灰度值；
（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
Figure 202769DEST_PATH_IMAGE045
，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
Figure 72767DEST_PATH_IMAGE045
用于减小正则化参数
Figure 465702DEST_PATH_IMAGE044
，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
Figure 99946DEST_PATH_IMAGE045
用于增加正则化参数
Figure 853007DEST_PATH_IMAGE044
，从而减小该输入值对应的预测值，即正则调节函数
Figure 92358DEST_PATH_IMAGE045
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。
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，设该神经网络输入层的当前的输入值为
Figure 403998DEST_PATH_IMAGE001
，则该输入值经神经网络校正层校正后的灰度值
Figure 525537DEST_PATH_IMAGE002
为：
Figure 833022DEST_PATH_IMAGE131
式中，
Figure 176147DEST_PATH_IMAGE001
表示第
Figure 910885DEST_PATH_IMAGE004
帧红外图像中坐标处像素的灰度值，
Figure 116050DEST_PATH_IMAGE006
表示校正第
Figure 64414DEST_PATH_IMAGE004
帧红外图像时对应的非均匀性的偏置因子，
Figure 219321DEST_PATH_IMAGE007
表示校正第
Figure 253136DEST_PATH_IMAGE004
帧红外图像时对应的非均匀性的增益因子，且
Figure 964740DEST_PATH_IMAGE006
和
Figure 515414DEST_PATH_IMAGE007
的表达式分别为：
Figure 591954DEST_PATH_IMAGE132
Figure 362333DEST_PATH_IMAGE133
式中，
Figure 815311DEST_PATH_IMAGE010
表示第
Figure 535005DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 533179DEST_PATH_IMAGE005
处像素的灰度值，为第
Figure 781944DEST_PATH_IMAGE011
帧红外图像坐标
Figure 621724DEST_PATH_IMAGE005
处像素的校正值，为校正第
Figure 283573DEST_PATH_IMAGE011
帧红外图像时对应的非均匀性的增益因子，
Figure 812775DEST_PATH_IMAGE014
为校正第
Figure 507061DEST_PATH_IMAGE011
帧红外图像时对应的非均匀性的偏置因子，
Figure 611152DEST_PATH_IMAGE015
为神经网络隐含层对第帧红外图像中坐标
Figure 412197DEST_PATH_IMAGE005
处像素灰度值的预测值，为校正第
Figure 986715DEST_PATH_IMAGE011
帧红外图像中像素时对应的步长因子，设接收到的第
Figure 577282DEST_PATH_IMAGE011
帧红外图像的大小为
Figure 246161DEST_PATH_IMAGE017
，则
Figure 948448DEST_PATH_IMAGE016
的表达式为：
Figure 640461DEST_PATH_IMAGE134
式中，
Figure 564423DEST_PATH_IMAGE019
表示红外图像中以坐标
Figure 87809DEST_PATH_IMAGE005
为中心的
Figure 455336DEST_PATH_IMAGE020
的局部邻域，
Figure 385377DEST_PATH_IMAGE021
为大于零的整数，
Figure 598184DEST_PATH_IMAGE022
且
Figure 241655DEST_PATH_IMAGE023
，
Figure 763772DEST_PATH_IMAGE024
表示第
Figure 430376DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 194677DEST_PATH_IMAGE019
中坐标处像素的灰度值，
Figure 401984DEST_PATH_IMAGE026
表示第
Figure 539573DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 359762DEST_PATH_IMAGE019
中像素灰度值的均值，
Figure 400661DEST_PATH_IMAGE027
表示第
Figure 343209DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 718827DEST_PATH_IMAGE019
中的像素数，和
Figure 798964DEST_PATH_IMAGE029
分别为第
Figure 850097DEST_PATH_IMAGE030
和第
Figure 460814DEST_PATH_IMAGE031
帧红外图像中坐标
Figure 622805DEST_PATH_IMAGE032
处像素的灰度值，表示选用的连续红外图像的帧数，且
Figure 155603DEST_PATH_IMAGE034
。
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。
优选地，所述第
Figure 505813DEST_PATH_IMAGE011
帧红外图像中坐标处像素的预测值
Figure 403810DEST_PATH_IMAGE015
的计算公式为：
Figure 531166DEST_PATH_IMAGE135
式中，
Figure 617940DEST_PATH_IMAGE019
表示红外图像中以坐标
Figure 121733DEST_PATH_IMAGE005
为中心的
Figure 108887DEST_PATH_IMAGE020
的局部邻域，
Figure 469462DEST_PATH_IMAGE021
为大于零的整数，
Figure 794264DEST_PATH_IMAGE022
且
Figure 351016DEST_PATH_IMAGE023
，
Figure 179295DEST_PATH_IMAGE036
表示第
Figure 664765DEST_PATH_IMAGE011
帧红外图像在局部邻域
Figure 273601DEST_PATH_IMAGE037
中坐标
Figure 384776DEST_PATH_IMAGE032
像素的灰度值，
Figure 582408DEST_PATH_IMAGE027
表示第
Figure 488047DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 584179DEST_PATH_IMAGE037
中的像素数，
Figure 981269DEST_PATH_IMAGE038
和
Figure 784140DEST_PATH_IMAGE039
为自定义的滤波参数，且
Figure 109948DEST_PATH_IMAGE038
和
Figure 693376DEST_PATH_IMAGE039
的表达式分别为：
Figure 880775DEST_PATH_IMAGE136
Figure 554464DEST_PATH_IMAGE137
式中，
Figure 801906DEST_PATH_IMAGE042
表示第
Figure 59581DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 112987DEST_PATH_IMAGE037
中像素的灰度值均值，
Figure 890450DEST_PATH_IMAGE043
表示第帧红外图像的局部邻域
Figure 286720DEST_PATH_IMAGE037
中像素的灰度值方差，
Figure 330769DEST_PATH_IMAGE044
为设定的正则化参数，
Figure 25055DEST_PATH_IMAGE045
为正则调节函数，且
Figure 614299DEST_PATH_IMAGE138
，其中：
Figure 348031DEST_PATH_IMAGE047
表示第
Figure 680924DEST_PATH_IMAGE011
帧红外图像中局部邻域
Figure 229717DEST_PATH_IMAGE019
的第一调节因子，且
Figure 504709DEST_PATH_IMAGE139
Figure 709426DEST_PATH_IMAGE140
，其中，
Figure 908326DEST_PATH_IMAGE050
表示第
Figure 997111DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 193737DEST_PATH_IMAGE019
中像素的第一变化因子，
Figure 135017DEST_PATH_IMAGE051
和
Figure 809712DEST_PATH_IMAGE052
表示第
Figure 333097DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 451357DEST_PATH_IMAGE019
中像素的第一变化因子的最大值和最小值；当
Figure 365087DEST_PATH_IMAGE053
时，，当
Figure 673894DEST_PATH_IMAGE055
时，，当
Figure 361151DEST_PATH_IMAGE057
时，，其中，
Figure 124894DEST_PATH_IMAGE059
表示第
Figure 568644DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 473278DEST_PATH_IMAGE060
处像素的灰度值，
Figure 293466DEST_PATH_IMAGE061
和
Figure 832901DEST_PATH_IMAGE062
分别表示第
Figure 775449DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 151067DEST_PATH_IMAGE063
和
Figure 280607DEST_PATH_IMAGE064
处像素的灰度值，
Figure 690860DEST_PATH_IMAGE065
和
Figure 725681DEST_PATH_IMAGE066
分别表示第
Figure 650911DEST_PATH_IMAGE011
帧红外图像中坐标和
Figure 828394DEST_PATH_IMAGE068
处像素的灰度值；
Figure 50428DEST_PATH_IMAGE069
表示第
Figure 649906DEST_PATH_IMAGE011
帧红外图像中局部邻域
Figure 350008DEST_PATH_IMAGE019
的第二调节因子，且
Figure 672329DEST_PATH_IMAGE143
，其中，
Figure 509835DEST_PATH_IMAGE072
表示第
Figure 262896DEST_PATH_IMAGE011
帧红外图像的局部邻域中像素的第二变化因子，
Figure 551237DEST_PATH_IMAGE073
和
Figure 876039DEST_PATH_IMAGE074
表示第
Figure 980262DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 323387DEST_PATH_IMAGE019
中像素的第二变化因子的最大值和最小值；当时，
Figure 352447DEST_PATH_IMAGE076
，当
Figure 525939DEST_PATH_IMAGE077
时，
Figure 474303DEST_PATH_IMAGE144
，当
Figure 629210DEST_PATH_IMAGE079
时，
Figure 663025DEST_PATH_IMAGE080
，其中，
Figure 797466DEST_PATH_IMAGE081
表示第帧红外图像中坐标处像素的灰度值，
Figure 775152DEST_PATH_IMAGE083
和分别表示第
Figure 947824DEST_PATH_IMAGE011
帧红外图像中坐标和
Figure 951476DEST_PATH_IMAGE086
处像素的灰度值，和
Figure 31613DEST_PATH_IMAGE088
分别表示第
Figure 449956DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 430813DEST_PATH_IMAGE089
和
Figure 225594DEST_PATH_IMAGE090
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
Figure 106831DEST_PATH_IMAGE045
，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
Figure 758392DEST_PATH_IMAGE045
用于减小正则化参数
Figure 741391DEST_PATH_IMAGE044
，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
Figure 308563DEST_PATH_IMAGE044
，从而减小针对该输入值对应的预测值，即正则调节函数
Figure 583555DEST_PATH_IMAGE045
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：
（1）对非均匀校正后的红外图像进行初始分割，设经非均匀校正后的第帧红外图像为
Figure 721592DEST_PATH_IMAGE091
，且红外图像
Figure 78887DEST_PATH_IMAGE091
的大小为
Figure 275513DEST_PATH_IMAGE017
，对红外图像中的像素定义信息因子，则红外图像中坐标
Figure 414873DEST_PATH_IMAGE092
处像素对应的信息因子
Figure 264624DEST_PATH_IMAGE093
的表达式为：
式中，
Figure 984635DEST_PATH_IMAGE095
表示以坐标
Figure 549478DEST_PATH_IMAGE096
为中心的
Figure 87906DEST_PATH_IMAGE020
的局部邻域，
Figure 239664DEST_PATH_IMAGE022
且
Figure 584058DEST_PATH_IMAGE023
，
Figure 19719DEST_PATH_IMAGE097
表示红外图像
Figure 712737DEST_PATH_IMAGE091
的局部邻域
Figure 866638DEST_PATH_IMAGE095
中坐标
Figure 749143DEST_PATH_IMAGE098
处像素的灰度值，
Figure 787113DEST_PATH_IMAGE012
表示红外图像
Figure 401765DEST_PATH_IMAGE091
的局部邻域
Figure 26650DEST_PATH_IMAGE095
中坐标处像素的灰度值，
Figure 857520DEST_PATH_IMAGE099
表示红外图像
Figure 659385DEST_PATH_IMAGE091
的局部邻域中像素的灰度值均值，
Figure 746607DEST_PATH_IMAGE100
表示红外图像
Figure 260634DEST_PATH_IMAGE091
的局部邻域
Figure 482668DEST_PATH_IMAGE095
中像素的灰度值方差；
当像素的信息因子
Figure 315101DEST_PATH_IMAGE101
时，则将该像素标记为候选像素，当像素的信息因子
Figure 343100DEST_PATH_IMAGE102
时，则将该像素标记为背景像素，其中，
Figure 462366DEST_PATH_IMAGE103
为坐标
Figure 104568DEST_PATH_IMAGE096
处像素对应的检测因子，且
Figure 942074DEST_PATH_IMAGE104
，
Figure 508185DEST_PATH_IMAGE105
表示红外图像
Figure 232690DEST_PATH_IMAGE091
中像素的信息因子均值，
Figure 796526DEST_PATH_IMAGE106
为调节参数，且
Figure 105017DEST_PATH_IMAGE147
，
Figure 474818DEST_PATH_IMAGE108
为红外图像
Figure 568676DEST_PATH_IMAGE091
的局部邻域
Figure 74654DEST_PATH_IMAGE109
中像素的信息因子均值，
Figure 621173DEST_PATH_IMAGE110
和
Figure 529086DEST_PATH_IMAGE111
分别为红外图像的局部邻域
Figure 632357DEST_PATH_IMAGE112
和中像素的信息因子均值，和分别为红外图像
Figure 522767DEST_PATH_IMAGE091
的局部邻域
Figure 778299DEST_PATH_IMAGE116
和
Figure 979080DEST_PATH_IMAGE117
中像素的信息因子均值；
（2）将该红外图像
Figure 964353DEST_PATH_IMAGE091
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
Figure 211795DEST_PATH_IMAGE118
，采用下列方式对所述初始目标区域
Figure 203891DEST_PATH_IMAGE118
进行预处理，设
Figure 194980DEST_PATH_IMAGE119
为初始目标区域
Figure 723176DEST_PATH_IMAGE118
中坐标
Figure 141519DEST_PATH_IMAGE120
处像素的灰度值，
Figure 886490DEST_PATH_IMAGE121
为
Figure 478008DEST_PATH_IMAGE119
经预处理后的灰度值，则
Figure 375557DEST_PATH_IMAGE121
的表达式为：
Figure 712604DEST_PATH_IMAGE148
式中，
Figure 430024DEST_PATH_IMAGE124
表示初始目标区域
Figure 825234DEST_PATH_IMAGE118
中坐标
Figure 826557DEST_PATH_IMAGE125
处像素经预处理后的灰度值，表示初始目标区域
Figure 542151DEST_PATH_IMAGE118
中以坐标
Figure 741051DEST_PATH_IMAGE120
为中心的的局部邻域，
Figure 527928DEST_PATH_IMAGE128
为相关系数，且
Figure 219940DEST_PATH_IMAGE128
的计算公式为：
式中，
Figure 431402DEST_PATH_IMAGE119
表示初始目标区域
Figure 533350DEST_PATH_IMAGE118
中坐标处像素的灰度值，表示初始目标区域
Figure 444303DEST_PATH_IMAGE118
中坐标
Figure 231999DEST_PATH_IMAGE025
处像素的灰度值；
（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
Figure 113592DEST_PATH_IMAGE001
，则该输入值经神经网络校正层校正后的灰度值
Figure 275583DEST_PATH_IMAGE002
为：
Figure DEST_PATH_IMAGE003
式中，
Figure 540343DEST_PATH_IMAGE001
表示第帧红外图像中坐标
Figure 906394DEST_PATH_IMAGE005
处像素的灰度值，
Figure 872076DEST_PATH_IMAGE006
表示校正第
Figure 991342DEST_PATH_IMAGE004
帧红外图像时对应的非均匀性的偏置因子，
Figure 446594DEST_PATH_IMAGE007
表示校正第
Figure 284100DEST_PATH_IMAGE004
帧红外图像时对应的非均匀性的增益因子，且
Figure 787894DEST_PATH_IMAGE006
和
Figure 823983DEST_PATH_IMAGE007
的表达式分别为：
Figure 387819DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
式中，
Figure 447042DEST_PATH_IMAGE010
表示第
Figure DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 754527DEST_PATH_IMAGE005
处像素的灰度值，
Figure 845455DEST_PATH_IMAGE012
为第
Figure 580193DEST_PATH_IMAGE011
帧红外图像坐标
Figure 189029DEST_PATH_IMAGE005
处像素的校正值，
Figure 34625DEST_PATH_IMAGE013
为校正第
Figure 982989DEST_PATH_IMAGE011
帧红外图像时对应的非均匀性的增益因子，
Figure 950945DEST_PATH_IMAGE014
为校正第
Figure 984761DEST_PATH_IMAGE011
帧红外图像时对应的非均匀性的偏置因子，
Figure 634048DEST_PATH_IMAGE015
为神经网络隐含层对第
Figure 764815DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 841355DEST_PATH_IMAGE005
处像素灰度值的预测值，
Figure 96887DEST_PATH_IMAGE016
为校正第
Figure 612182DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 532209DEST_PATH_IMAGE005
处像素的灰度值
Figure 841968DEST_PATH_IMAGE010
时对应的步长因子，设接收到的第
Figure 584796DEST_PATH_IMAGE011
帧红外图像的大小为
Figure 575886DEST_PATH_IMAGE017
，则
Figure 415666DEST_PATH_IMAGE016
的表达式为：
Figure 834009DEST_PATH_IMAGE018
式中，表示红外图像中以坐标为中心的
Figure DEST_PATH_IMAGE021
的局部邻域，
Figure 818779DEST_PATH_IMAGE022
为大于零的整数，
Figure 408023DEST_PATH_IMAGE023
且
Figure 125444DEST_PATH_IMAGE024
，表示第
Figure 269779DEST_PATH_IMAGE026
帧红外图像的局部邻域
Figure 29924DEST_PATH_IMAGE019
中坐标
Figure 296958DEST_PATH_IMAGE027
处像素的灰度值，表示第
Figure 40103DEST_PATH_IMAGE026
帧红外图像的局部邻域
Figure 33466DEST_PATH_IMAGE019
中像素灰度值的均值，
Figure 725479DEST_PATH_IMAGE029
表示第帧红外图像的局部邻域
Figure 189138DEST_PATH_IMAGE019
中的像素数，和
Figure 470395DEST_PATH_IMAGE031
分别为第和第
Figure 323743DEST_PATH_IMAGE033
帧红外图像中坐标
Figure 924489DEST_PATH_IMAGE034
处像素的灰度值，
Figure 325514DEST_PATH_IMAGE035
表示选用的连续红外图像的帧数，则
Figure 607591DEST_PATH_IMAGE036
；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。
2.根据权利要求1所述的一种有效的电线电缆监测系统，其特征是，所述第帧红外图像中坐标
Figure 549319DEST_PATH_IMAGE005
处像素灰度值的预测值
Figure 437641DEST_PATH_IMAGE015
的计算公式为：
Figure 320146DEST_PATH_IMAGE037
式中，
Figure 610313DEST_PATH_IMAGE038
表示红外图像中以坐标
Figure 552861DEST_PATH_IMAGE005
为中心的
Figure 928479DEST_PATH_IMAGE039
的局部邻域，为大于零的整数，
Figure DEST_PATH_IMAGE041
且
Figure 717540DEST_PATH_IMAGE042
，
Figure 830989DEST_PATH_IMAGE043
表示第
Figure 693903DEST_PATH_IMAGE011
帧红外图像在局部邻域
Figure 855894DEST_PATH_IMAGE044
中坐标
Figure 182970DEST_PATH_IMAGE045
处像素的灰度值，表示第
Figure 551952DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 517634DEST_PATH_IMAGE044
中的像素数，
Figure 636899DEST_PATH_IMAGE047
和
Figure 92152DEST_PATH_IMAGE048
为自定义的滤波参数，且和
Figure 167872DEST_PATH_IMAGE048
的表达式分别为：
Figure 469540DEST_PATH_IMAGE049
Figure 30447DEST_PATH_IMAGE050
式中，
Figure 151987DEST_PATH_IMAGE051
表示第
Figure 459471DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 553329DEST_PATH_IMAGE044
中像素的灰度值均值，
Figure 350384DEST_PATH_IMAGE052
表示第
Figure 896903DEST_PATH_IMAGE011
帧红外图像的局部邻域中像素的灰度值方差，为设定的正则化参数，
Figure 658820DEST_PATH_IMAGE054
为正则调节函数，且，其中：
Figure 404239DEST_PATH_IMAGE056
表示第
Figure 207110DEST_PATH_IMAGE011
帧红外图像中局部邻域
Figure 345967DEST_PATH_IMAGE038
的第一调节因子，且
Figure 864149DEST_PATH_IMAGE057
，其中，表示第
Figure 36821DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 284263DEST_PATH_IMAGE038
中像素的第一变化因子，和
Figure 346077DEST_PATH_IMAGE060
表示第
Figure 185857DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 604200DEST_PATH_IMAGE038
中像素的第一变化因子的最大值和最小值；当
Figure 99903DEST_PATH_IMAGE061
时，
Figure 691422DEST_PATH_IMAGE062
，当
Figure 323391DEST_PATH_IMAGE063
时，，当
Figure 957952DEST_PATH_IMAGE065
时，
Figure 287915DEST_PATH_IMAGE066
，其中，
Figure 102287DEST_PATH_IMAGE067
表示第帧红外图像中坐标
Figure 67149DEST_PATH_IMAGE068
处像素的灰度值，
Figure 266049DEST_PATH_IMAGE069
和
Figure 872611DEST_PATH_IMAGE070
分别表示第
Figure 803658DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 557987DEST_PATH_IMAGE071
和
Figure 232682DEST_PATH_IMAGE072
处像素的灰度值，
Figure 756067DEST_PATH_IMAGE073
和
Figure 123595DEST_PATH_IMAGE074
分别表示第
Figure 302903DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 578027DEST_PATH_IMAGE075
和
Figure 156251DEST_PATH_IMAGE076
处像素的灰度值；
表示第
Figure 158022DEST_PATH_IMAGE011
帧红外图像中局部邻域的第二调节因子，且
Figure 672497DEST_PATH_IMAGE078
，其中，表示第
Figure 270149DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 152654DEST_PATH_IMAGE038
中像素的第二变化因子，
Figure 442821DEST_PATH_IMAGE080
和
Figure 385369DEST_PATH_IMAGE081
表示第
Figure 760987DEST_PATH_IMAGE011
帧红外图像的局部邻域
Figure 119287DEST_PATH_IMAGE038
中像素的第二变化因子的最大值和最小值；当
Figure 591857DEST_PATH_IMAGE082
时，
Figure 640060DEST_PATH_IMAGE083
，当
Figure 565291DEST_PATH_IMAGE084
时，
Figure 727282DEST_PATH_IMAGE085
，当
Figure 726462DEST_PATH_IMAGE086
时，
Figure 10812DEST_PATH_IMAGE087
，其中，表示第帧红外图像中坐标
Figure 508287DEST_PATH_IMAGE089
处像素的灰度值，
Figure 635643DEST_PATH_IMAGE090
和
Figure 535466DEST_PATH_IMAGE091
分别表示第
Figure 39259DEST_PATH_IMAGE011
帧红外图像中坐标和
Figure 639185DEST_PATH_IMAGE093
处像素的灰度值，
Figure 961057DEST_PATH_IMAGE094
和
Figure 330859DEST_PATH_IMAGE095
分别表示第
Figure 159138DEST_PATH_IMAGE011
帧红外图像中坐标
Figure 893875DEST_PATH_IMAGE096
和
Figure 502711DEST_PATH_IMAGE097
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：
（1）对非均匀性校正后的红外图像进行初始分割，设经非均匀性校正后的第帧红外图像为
Figure 562251DEST_PATH_IMAGE098
，红外图像
Figure 530207DEST_PATH_IMAGE098
的大小为
Figure 564022DEST_PATH_IMAGE017
，对红外图像
Figure 213310DEST_PATH_IMAGE098
中的像素定义信息因子，则红外图像
Figure 78497DEST_PATH_IMAGE098
中坐标
Figure 155038DEST_PATH_IMAGE099
处像素对应的信息因子
Figure 673219DEST_PATH_IMAGE100
的表达式为：
Figure 922935DEST_PATH_IMAGE101
式中，表示以坐标
Figure 155650DEST_PATH_IMAGE103
为中心的
Figure 164058DEST_PATH_IMAGE039
的局部邻域，
Figure 155147DEST_PATH_IMAGE041
且
Figure 994927DEST_PATH_IMAGE042
，表示红外图像的局部邻域
Figure 500492DEST_PATH_IMAGE102
中坐标
Figure 132462DEST_PATH_IMAGE105
处像素的灰度值，
Figure 784023DEST_PATH_IMAGE012
表示红外图像
Figure 767022DEST_PATH_IMAGE098
的局部邻域中坐标
Figure 669216DEST_PATH_IMAGE005
处像素的灰度值，表示红外图像
Figure 899657DEST_PATH_IMAGE098
的局部邻域中像素的灰度值均值，
Figure 439540DEST_PATH_IMAGE107
表示红外图像
Figure 698483DEST_PATH_IMAGE098
的局部邻域
Figure 390495DEST_PATH_IMAGE102
中像素的灰度值方差；
当像素的信息因子
Figure 65190DEST_PATH_IMAGE109
小于等于
Figure 588575DEST_PATH_IMAGE111
时，则将该像素标记为候选像素，当像素的信息因子
Figure 956103DEST_PATH_IMAGE109
大于时，则将该像素标记为背景像素，其中，
Figure 410535DEST_PATH_IMAGE112
为坐标
Figure 988759DEST_PATH_IMAGE103
处像素对应的检测因子，且
Figure 323926DEST_PATH_IMAGE113
，
Figure 990530DEST_PATH_IMAGE114
表示红外图像
Figure 7028DEST_PATH_IMAGE098
中像素的信息因子均值，
Figure 505005DEST_PATH_IMAGE115
为调节参数，且
Figure 948756DEST_PATH_IMAGE116
，为红外图像
Figure 985162DEST_PATH_IMAGE098
的局部邻域
Figure 275329DEST_PATH_IMAGE118
中像素的信息因子均值，
Figure 217878DEST_PATH_IMAGE119
和
Figure 593495DEST_PATH_IMAGE120
分别为红外图像的局部邻域
Figure 424365DEST_PATH_IMAGE121
和
Figure 206989DEST_PATH_IMAGE122
中像素的信息因子均值，
Figure 132219DEST_PATH_IMAGE123
和
Figure 294210DEST_PATH_IMAGE124
分别为红外图像
Figure 558970DEST_PATH_IMAGE098
的局部邻域
Figure 843320DEST_PATH_IMAGE125
和
Figure 193530DEST_PATH_IMAGE126
中像素的信息因子均值；
（2）将该红外图像
Figure 893633DEST_PATH_IMAGE098
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
Figure 75216DEST_PATH_IMAGE127
，采用下列方式对所述初始目标区域
Figure 468151DEST_PATH_IMAGE127
进行预处理，设
Figure 367974DEST_PATH_IMAGE128
为初始目标区域
Figure 871768DEST_PATH_IMAGE127
中坐标
Figure 845540DEST_PATH_IMAGE129
处像素的灰度值，
Figure 471693DEST_PATH_IMAGE130
为经预处理后的灰度值，则
Figure 897788DEST_PATH_IMAGE130
的表达式为：
Figure 991646DEST_PATH_IMAGE131
式中，
Figure 726384DEST_PATH_IMAGE132
表示初始目标区域
Figure 335219DEST_PATH_IMAGE127
中坐标
Figure 446395DEST_PATH_IMAGE133
处像素经预处理后的灰度值，
Figure 457076DEST_PATH_IMAGE134
表示初始目标区域
Figure 362715DEST_PATH_IMAGE127
中以坐标
Figure 396530DEST_PATH_IMAGE129
为中心的
Figure 842555DEST_PATH_IMAGE135
的局部邻域，
Figure 911005DEST_PATH_IMAGE136
为相关系数，且
Figure 49863DEST_PATH_IMAGE136
的计算公式为：
式中，表示初始目标区域中坐标
Figure 678400DEST_PATH_IMAGE129
处像素的灰度值，
Figure 988158DEST_PATH_IMAGE138
表示初始目标区域
Figure 996566DEST_PATH_IMAGE127
中坐标
Figure 987655DEST_PATH_IMAGE139
处像素的灰度值；
（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。
CN201910952023.5A 2019-10-09 2019-10-09 一种有效的电线电缆监测系统 Active CN110458839B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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