CN110570437A - 一种基于边界识别的电力通道自动化巡检数据处理方法 - Google Patents
一种基于边界识别的电力通道自动化巡检数据处理方法 Download PDFInfo
- Publication number
- CN110570437A CN110570437A CN201910672359.6A CN201910672359A CN110570437A CN 110570437 A CN110570437 A CN 110570437A CN 201910672359 A CN201910672359 A CN 201910672359A CN 110570437 A CN110570437 A CN 110570437A
- Authority
- CN
- China
- Prior art keywords
- image
- boundary
- column
- sub
- row
- 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
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
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
本发明属于配电网自动化巡检数据处理方法技术领域,尤其涉及一种基于边界识别的电力通道自动化巡检数据处理方法。包括图像采集的步骤,图像灰度处理的步骤,包括;图像分割,灰度值计算,灰度和方差计算,边界处理的步骤,包括阈值化处理,边界投影,求取背景点数最少的列,并从该列开始向图像左右搜索背景像素点数极大的极大列,求取背景点数最小的列,并从该列向上下开始搜索背景像素点数极大行,并将该列作为新的上下边界;以前述边界为基础对图像进行分割处理,并以经过分割处理后的图像作为最终的电力通道的导航图像。本发明能够简化影像数据灰度级别,具有较强的抗干扰能力,能够简化和压缩自动化巡检数据处理。
Description
技术领域
本发明属于配电网自动化巡检数据处理方法技术领域,尤其涉及一种基于边界识别的电力通道自动化巡检数据处理方法。
背景技术
随着无人机在线巡检技术的发展,基于无人机在线巡检技术获取输电网信息逐渐成为配电网规划设计的重要组成部分之一,其能够快速获取输电线沿线的各类地理和结构信息,有助于减少作业时的人力以及物力资源消耗,效率较高,但同时,相对于其他巡检数据处理方法,无人机在线巡检采集所获取的图像一般均存在对比度低下,背景干扰较多,最终采集获取的影像数据具有多灰度级别且形状复杂,照度不均等诸多问题。
发明内容
本发明创造的目的在于,提供一种能够简化影像数据灰度级别,具有较强的抗干扰能力,能够简化和压缩自动化巡检工作内容,提高数据处理效率的处理方法。
为实现上述目的,本发明创造采用如下技术方案。
本发明的一种基于边界识别的电力通道自动化巡检数据处理方法,包括如下步骤:
步骤一、图像采集的步骤,包括采用无人机在线巡检的方式连续采集电力通道的多帧导航图像;
步骤二、图像灰度处理的步骤,包括;
2.1图像分割,具体是指将图像分割成m*m位子方块并按照由上到下由左到右的顺序进行编号,并分别标记为M[i]=,i=0,1,2......m-1;
2.2灰度值计算,具体是指提取各子方块的灰度值和及其方差,并分别存储至数组H[64]和F[64]中,提取中间四列的左右列为为图像的左右边界;
2.3灰度和方差计算,具体是指分别统计各子方块的灰度值以及方差值,并计算该图像的灰度均值JM[i]和方差值FM[i],其计算方法如下:
其中R[i]是指M[i]最顶部一行子方块的灰度值;r[i]是指M[i]最底部一行子方块的灰度值,C[i]是指M[i]最左侧一列子方块的灰度值;c[i]是指M[i]最右侧一列子方块的灰度值;h(p,q)是指坐标为(p,q)的子方块的像素值;
2.4边界定位,具体是指从上到下分析各排子方块的FM[i]值,若某排子方块的方差值小于100,则以该排子方块的上一行作为上边界,以该排子方块的下一行作为下边界;继续观察下一排,若该排子方块的方差值均不小于100,则将上一排的子方块的最底下一行作为下边界;
步骤三、边界修饰的步骤,包括阈值化处理,具体是指将前述经过边界定位的图像进行单阈值化,使用最小交叉熵阈值法进行二值化;
以及边界投影的步骤,具体是指计算二值图像的垂直投影直方图,统计二值图像中各列的背景点数DP[i],i=0,1,2......N-1,其中N为图像的宽度;求取背景点数最少的列,并从该列开始向图像左右搜索背景像素点数极大的极大列,并将该极大值列作为要搜索的左右边界;计算二值图像的水平投影直方图,统计二值图像中各列的背景点数EP[i],i=0,1,2......M-1,其中M为图像的高度;求取背景点数最小的列,并从该列向上下开始搜索背景像素点数极大行,并将该列作为新的上下边界;
步骤四、以前述边界为基础对图像进行分割处理,并以经过分割处理后的图像作为最终的电力通道的导航图像。
对前述基于边界识别的电力通道自动化巡检数据处理方法进一步优化还包括,所述步骤三中,阈值化处理还包括简化阈值图像的步骤,清除阈值化图像中面积大于100的部分。
附图说明
图1是基于边界识别的电力通道自动化巡检数据处理方法的流程示意图。
具体实施方式
以下结合具体实施例对本发明创造作详细说明。
如图1所示,一种基于边界识别的电力通道自动化巡检数据处理方法,主要用于在无人机在线巡检过程中处理巡检获取的原始数据,包括如下步骤:
步骤一、图像采集的步骤,包括采用无人机在线巡检的方式连续采集电力通道的多帧导航图像;
步骤二、图像灰度处理的步骤,包括;
2.1图像分割,具体是指将图像分割成m*m位子方块并按照由上到下由左到右的顺序进行编号,并分别标记为M[i]=,i=0,1,2......m-1;
2.2灰度值计算,具体是指提取各子方块的灰度值和及其方差,并分别存储至数组H[64]和F[64]中,提取中间四列的左右列为为图像的左右边界;
2.3灰度和方差计算,具体是指分别统计各子方块的灰度值以及方差值,并计算该图像的灰度均值JM[i]和方差值FM[i],其计算方法如下:
其中R[i]是指M[i]最顶部一行子方块的灰度值;r[i]是指M[i]最底部一行子方块的灰度值,C[i]是指M[i]最左侧一列子方块的灰度值;c[i]是指M[i]最右侧一列子方块的灰度值;h(p,q)是指坐标为(p,q)的子方块的像素值;
2.4边界定位,具体是指从上到下分析各排子方块的FM[i]值,若某排子方块的方差值小于100,则以该排子方块的上一行作为上边界,以该排子方块的下一行作为下边界;继续观察下一排,若该排子方块的方差值均不小于100,则将上一排的子方块的最底下一行作为下边界;
步骤三、边界修饰的步骤,包括阈值化处理,具体是指将前述经过边界定位的图像进行单阈值化,使用最小交叉熵阈值法进行二值化;
以及边界投影的步骤,具体是指计算二值图像的垂直投影直方图,统计二值图像中各列的背景点数DP[i],i=0,1,2......N-1,其中N为图像的宽度;求取背景点数最少的列,并从该列开始向图像左右搜索背景像素点数极大的极大列,并将该极大值列作为要搜索的左右边界;计算二值图像的水平投影直方图,统计二值图像中各列的背景点数EP[i],i=0,1,2......M-1,其中M为图像的高度;求取背景点数最小的列,并从该列向上下开始搜索背景像素点数极大行,并将该列作为新的上下边界;
在进一步优化时,阈值化处理还包括简化阈值图像的步骤,具体而言,是指清除阈值化图像中面积大于100的部分。
步骤四、分割合成,以前述边界为基础对图像进行分割处理,清除边界外图像数据,并以经过分割处理后的图像作为最终的电力通道的导航图像。
基于前述步骤,我们能够从最原始的巡检影像资料中获取到含有输电网沿线的重要结构且有效清除非关键元素的已处理的影像资料,基于前述基础,以及在线巡检过程中重要的作业任务之一,本发明在前述基础上提供了针对关键结构(主要是金属结构)的故障表面锈蚀状况的视觉检测方法,包括如下步骤:
步骤五、基于前述步骤四中获取的基础图像构建视觉检测数据库;对图像中任意像素点z(R、G、B),统计R、G、B分量最小值min(R、G、B);将像素点Z各分量分别减去最小值,得到凸出色彩信息的图像点Z(R’、G’、B’)=(R-min(R、G、B)、G-min(R、G、B)、B-min(R、G、B));基于该步骤能够获得色彩信息突出显示的处理图像,以便于能够更好的对配电网结构中的金属结构进行视觉检测;
步骤六、基于前述步骤,利用图像分量值的加权组合对关键结构上的健康区域与锈蚀区域进行区别显示,具体而言,是指根据步骤五的处理结果,对图像进行灰度加权,其中对待分析图像加权权值为B’(x,y)=2R(x,y)-G(x,y)-B(x,y)。
最后应当说明的是,以上实施例仅用以说明本发明创造的技术方案,而非对本发明创造保护范围的限制,尽管参照较佳实施例对本发明创造作了详细地说明,本领域的普通技术人员应当理解,可以对本发明创造的技术方案进行修改或者等同替换,而不脱离本发明创造技术方案的实质和范围。
Claims (2)
1.一种基于边界识别的电力通道自动化巡检数据处理方法,其特征在于,包括如下步骤:
步骤一、图像采集的步骤,包括采用无人机在线巡检的方式连续采集电力通道的多帧导航图像;
步骤二、图像灰度处理的步骤,包括:
2.1图像分割,具体是指将图像分割成m*m位子方块并按照由上到下由左到右的顺序进行编号,并分别标记为M[i]=,i=0,1,2......m-1;
2.2灰度值计算,具体是指提取各子方块的灰度值和及其方差,并分别存储至数组H[64]和F[64]中,提取中间四列的左右列为为图像的左右边界;
2.3灰度和方差计算,具体是指分别统计各子方块的灰度值以及方差值,并计算该图像的灰度均值JM[i]和方差值FM[i],其计算方法如下:
其中R[i]是指M[i]最顶部一行子方块的灰度值;r[i]是指M[i]最底部一行子方块的灰度值,C[i]是指M[i]最左侧一列子方块的灰度值;c[i]是指M[i]最右侧一列子方块的灰度值;h(p,q)是指坐标为(p,q)的子方块的像素值;
2.4边界定位,具体是指从上到下分析各排子方块的FM[i]值,若某排子方块的方差值小于100,则以该排子方块的上一行作为上边界,以该排子方块的下一行作为下边界;继续观察下一排,若该排子方块的方差值均不小于100,则将上一排的子方块的最底下一行作为下边界;
步骤三、边界修饰的步骤,包括阈值化处理,具体是指将前述经过边界定位的图像进行单阈值化,使用最小交叉熵阈值法进行二值化;
以及边界投影的步骤,具体是指计算二值图像的垂直投影直方图,统计二值图像中各列的背景点数DP[i],i=0,1,2......N-1,其中N为图像的宽度;求取背景点数最少的列,并从该列开始向图像左右搜索背景像素点数极大的极大列,并将该极大值列作为要搜索的左右边界;计算二值图像的水平投影直方图,统计二值图像中各列的背景点数EP[i],i=0,1,2......M-1,其中M为图像的高度;求取背景点数最小的列,并从该列向上下开始搜索背景像素点数极大行,并将该列作为新的上下边界;
步骤四、以前述边界为基础对图像进行分割处理,清除边界之外的图像数据,并以经过分割处理后的图像作为最终的电力通道的导航图像。
2.根据权利要求1所述一种基于边界识别的电力通道自动化巡检数据处理方法,其特征在于,所述步骤三中,阈值化处理还包括简化阈值图像的步骤,清除阈值化图像中面积大于100的部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672359.6A CN110570437B (zh) | 2019-07-24 | 2019-07-24 | 一种基于边界识别的电力通道自动化巡检数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672359.6A CN110570437B (zh) | 2019-07-24 | 2019-07-24 | 一种基于边界识别的电力通道自动化巡检数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570437A true CN110570437A (zh) | 2019-12-13 |
CN110570437B CN110570437B (zh) | 2022-10-04 |
Family
ID=68773293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910672359.6A Active CN110570437B (zh) | 2019-07-24 | 2019-07-24 | 一种基于边界识别的电力通道自动化巡检数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570437B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511819A (zh) * | 2022-09-21 | 2022-12-23 | 武汉理工大学 | 一种x射线焊缝边界识别方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324930A (zh) * | 2013-06-28 | 2013-09-25 | 浙江大学苏州工业技术研究院 | 一种基于灰度直方图二值化的车牌字符分割方法 |
CN104243820A (zh) * | 2014-09-03 | 2014-12-24 | 奇瑞汽车股份有限公司 | 一种确定图像边界的方法及装置 |
-
2019
- 2019-07-24 CN CN201910672359.6A patent/CN110570437B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324930A (zh) * | 2013-06-28 | 2013-09-25 | 浙江大学苏州工业技术研究院 | 一种基于灰度直方图二值化的车牌字符分割方法 |
CN104243820A (zh) * | 2014-09-03 | 2014-12-24 | 奇瑞汽车股份有限公司 | 一种确定图像边界的方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511819A (zh) * | 2022-09-21 | 2022-12-23 | 武汉理工大学 | 一种x射线焊缝边界识别方法、装置、设备及存储介质 |
CN115511819B (zh) * | 2022-09-21 | 2023-08-25 | 武汉理工大学 | 一种x射线焊缝边界识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110570437B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN101453575B (zh) | 一种视频字幕信息提取方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN108961230B (zh) | 结构表面裂缝特征的识别与提取方法 | |
CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
CN106157323A (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 | |
CN109460735A (zh) | 基于图半监督学习的文档二值化处理方法、系统、装置 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN108961295B (zh) | 基于正态分布h阈值的紫色土图像分割提取方法 | |
CN108009567A (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
CN109410205A (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN111915628B (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
CN111539293A (zh) | 一种果树病害诊断方法及系统 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN114120094A (zh) | 一种基于人工智能的水污染识别方法及系统 | |
CN115588208A (zh) | 一种基于数字图像处理技术的全线表结构识别方法 | |
CN110570437B (zh) | 一种基于边界识别的电力通道自动化巡检数据处理方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN111815542B (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
CN114627463B (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN114066861B (zh) | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 | |
CN115511815A (zh) | 一种基于分水岭的宫颈液基细胞分割方法和系统 |
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 |