CN111047561A - 一种复合绝缘子伞裙龟裂纹的识别方法 - Google Patents
一种复合绝缘子伞裙龟裂纹的识别方法 Download PDFInfo
- Publication number
- CN111047561A CN111047561A CN201911154087.7A CN201911154087A CN111047561A CN 111047561 A CN111047561 A CN 111047561A CN 201911154087 A CN201911154087 A CN 201911154087A CN 111047561 A CN111047561 A CN 111047561A
- Authority
- CN
- China
- Prior art keywords
- image
- cracks
- composite insulator
- shed
- steps
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000012212 insulator Substances 0.000 title claims abstract description 57
- 239000002131 composite material Substances 0.000 title claims abstract description 55
- 241000270708 Testudinidae Species 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 12
- 238000003707 image sharpening Methods 0.000 claims description 7
- 238000003706 image smoothing Methods 0.000 claims description 5
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 description 14
- 229920002379 silicone rubber Polymers 0.000 description 12
- 238000005336 cracking Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 7
- 230000006866 deterioration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000004945 silicone rubber Substances 0.000 description 4
- 241000270666 Testudines Species 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000005297 material degradation process Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000002144 chemical decomposition reaction Methods 0.000 description 1
- 125000003636 chemical group Chemical group 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明涉及一种复合绝缘子伞裙龟裂纹的识别方法,属于图像处理技术领域。本申请通过获取含有龟裂纹的图像;对所述含有龟裂纹的图像进行预处理;对所述龟裂纹进行轮廓提取后识别所述龟裂纹;从而有效获得龟裂纹的轮廓特征,实现对复合绝缘子龟裂纹缺陷进行识别。同时对所述提取的龟裂纹轮廓进行分形维数计算,提取分形维数特征对龟裂纹严重程度进行表征。
Description
技术领域
本发明涉及一种复合绝缘子伞裙龟裂纹的识别方法,属于图像处理技术领域。
背景技术
与瓷和玻璃绝缘子相比,复合绝缘子具有重量轻、污闪电压高的优点。最近15年内,复合绝缘子的使用数量迅速增加。到目前为止,全世界已有超过30个国家和地区使用复合绝缘子。截止2014年,我国挂网运行的复合绝缘子约710万支,尤其在中等和重污秽地区复合绝缘子的使用量较大,对保证电网的可靠运行起了重要作用。护套和伞裙是复合绝缘子的外绝缘部分,它主要作用是保护芯棒免受气候影响和电蚀作用,并提供所需的爬电距离。护套和伞裙一般采用硅橡胶材料制成,在运行过程中可能会受到恶劣环境因素的影响导致材料劣化,从而影响复合绝缘子的使用寿命。这种材料劣化包括复合绝缘子护套的物理劣化和化学劣化。物理劣化主要包括复合绝缘子护套表面的孔洞、深裂纹和龟裂纹等,化学劣化主要包括硅橡胶大分子主链断裂和表面化学基团的改变等。
研究发现复合绝缘子硅橡胶表面的物理劣化会降低硅橡胶材料的憎水性。其中龟裂纹对于材料的整体性能影响更大,其一方面影响硅橡胶材料的憎水性,使硅橡胶表面形成连续水带的概率增加,降低闪络电压,另一方面水分更容易从龟裂纹侵入硅橡胶,使得硅橡胶的老化速度加快。因此,龟裂纹可作为硅橡胶材料性能下降的重要特征之一。但是目前针对复合绝缘子伞裙龟裂纹缺陷的识别方法较少。
发明内容
本发明提供了一种复合绝缘子伞裙龟裂纹的识别方法,解决了针对复合绝缘子伞裙龟裂纹缺陷的识别方法的问题,通过获取含有龟裂纹的图像;对所述含有龟裂纹的图像进行预处理;对所述龟裂纹进行轮廓提取后识别所述龟裂纹;从而有效获得龟裂纹的轮廓特征,实现对复合绝缘子龟裂纹缺陷进行识别。同时对所述提取的龟裂纹轮廓进行分形维数计算,提取分形维数特征对龟裂纹严重程度进行表征。本发明可以及时发现复合绝缘子伞裙龟裂纹,避免降低硅橡胶材料的憎水性和加快硅橡胶的老化速度。
一种复合绝缘子伞裙龟裂纹的识别方法,包括如下步骤:
S1、获取含有龟裂纹的图像;
S2、对含有龟裂纹的图像进行预处理;
S3、对龟裂纹进行轮廓提取;
S4、对轮廓提取后龟裂纹进行识别。
优选地,所述步骤S1中获取的方法为场近距离航拍或实验室拍摄。
优选地,所述步骤S1中的图像为正方形。
优选地,所述步骤S2中预处理包括图像灰度化、图像平滑、图像直方图均衡化和图像锐化。
优选地,所述步骤S3中轮廓提取的方法为Canny边缘检测算法。
优选地,所述步骤S3中提取后的轮廓图为二值化图像。
其中,所述Canny边缘检测算法步骤为:
对灰度图像进行一阶微分,图像f(x,y)在点(x,y)处的灰度梯度为:
灰度梯度的幅值由式(2)给出:
梯度的方向由式(3)确定:
选取梯度阈值T对图像的梯度值进行二值化,所述阈值T通过最大类间方差法确定,取值范围为0~255;
由式(4)得到图像f(x,y)的边缘图像g(x,y)。
优选地,所述步骤S4中识别方法为分形维数计算。
其中,分形维数为计盒分形维数;
式(5)中,F是Rn中任意非空有界子集,F为龟裂纹轮廓像素点集合,Rn为图像整体像素点集合,Nσ(F)表示最大直径为σ且能覆盖F的集合的最小数。
分形维数被誉为大自然的几何学的分形(Fractal)理论,是现代数学的一个新分支,但其本质却是一种新的世界观和方法论。分维反映了复杂形体占有空间的有效性,它是复杂形体不规则性的量度。它与动力系统的混沌理论交叉结合,相辅相成。它承认世界的局部可能在一定条件下或过程中,在某一方面(形态,结构,信息,功能,时间,能量等)表现出与整体的相似性,它承认空间维数的变化既可以是离散的也可以是连续的,进而拓展了视野。
Canny边缘检测算法的目标是找到一个最优的边缘检测算法,最优边缘检测的含义是:
好的检测:算法能够尽可能多地标识出图像中的实际边缘。
好的定位:标识出的边缘要与实际图像中的实际边缘尽可能接近。
最小响应:图像中的边缘只能标识一次,并且可能存在的图像噪声不应标识为边缘。
为了满足这些要求Canny边缘检测算法使用了变分法,这是一种寻找满足特定功能的函数的方法。最优检测使用四个指数函数项的和表示,为非常近似于高斯函数的一阶导数。
二值化图像就是将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征。
本发明的有益效果为:
1、将获得龟裂纹的图像进行预处理,包括对图像灰度化、图像平滑、图像直方图均衡化和图像锐化等方法,可以提高后续龟裂纹轮廓提取算法的正确性,以便进行最终复合绝缘子龟裂纹分形维数的计算。
2、在龟裂纹图像中,存在一些较为模糊的弱边缘,使用一般的边缘检测算法对这一部分弱边缘的检测能力不足。本申请使用Canny边缘检测算法对龟裂纹灰度图像进行轮廓特征的提取,在灰度图像中,轮廓区域内图像元素的灰度值变化十分剧烈,Canny边缘检测算法可通过计算灰度梯度来找出灰度变化的最大值进行边缘检测。
3、本发明选择能有效反应龟裂纹密度的计盒分形维数作为复合绝缘子龟裂纹缺陷的计算维数,不仅可以得到复合绝缘子龟裂纹缺陷的计盒分形维数,而且能够有效表征龟裂纹缺陷的严重程度,为运行部门对复合绝缘子龟裂纹老化状态评估提供参考。
附图说明
图1是本发明的一种复合绝缘子伞裙龟裂纹识别方法的原理示意图。
图2是本发明的不含龟裂纹的复合绝缘子伞裙及其对应的分形维数识别结果示意图。
图3是本发明的含轻微龟裂纹的复合绝缘子伞裙及其对应的分形维数识别结果示意图。
图4是本发明的含严重龟裂纹的复合绝缘子伞裙及其对应的分形维数识别结果示意图。
图5为几种图像的标准理论维数示意图。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
对复合绝缘子护套和伞裙材料的要求是:耐气候性以防止臭氧、高压断路器紫外光、潮湿、高低温等方面引起的快速劣化。耐漏电起痕和电蚀损性应满足GB/T 19519-2014第10.3.3条的要求,以防止形成导电通道及护套、伞裙的击穿。护套、伞裙材料的阻燃性和交流介电强度试验应分别满足GB/T 19519-2014第10.3.4条和DL/T864-2004第4.3.3条b)的要求。护套、伞裙材料的憎水性应满足DL/T864-2004的要求。高压绝缘子的护套和伞裙机械抗张、抗撕裂强度应满足DL/T864-2004第4.3.3条d)、e)、f)、g)的要求,以防止搬运和安装时产生损坏。高压隔离开关伞套材料的体积电阻率应符合DL/T864-2004第4.3.3条a)的要求,以防止材料的导电率增加。护套和伞裙材料在使用环境的温度范围内应能保持高柔韧性,以防止在低温和温度急剧变化时引起裂纹或破裂。为保证芯棒保护的有效性和持久性,护套和伞裙材料的连接界面必须是高质量的。复合绝缘子端部密封必须采用高温定型硅橡胶。复合绝缘子伞裙必须采用防覆冰设计的大小伞结构。
参见图1~5,本申请提供一种复合绝缘子伞裙龟裂纹识别方法,包括如下步骤:
S1、获取含有龟裂纹的图像;
S2、对含有龟裂纹的图像进行预处理;
S3、对龟裂纹进行轮廓提取;
S4、对轮廓提取后龟裂纹进行识别。
优选地,所述步骤S1中所述图像为场近距离的航拍的含有龟裂纹缺陷的复合绝缘子图像或者实验室拍摄的含有龟裂纹缺陷的复合绝缘子图像,拍摄设备建议为单反相机,拍摄距离在2米以内。对复合绝缘子本体颜色不做限制,可以为红色、灰色或者蓝色等。图像像素大小不做限制,建议像素越高越高。
优选地,所述图像为正方形图像,处理起来更为方便。
优选地,所述步骤S2中所述预处理包括图像灰度化、图像平滑、图像直方图均衡化和图像锐化。
原始龟裂纹图像可能存在一些干扰的噪点或者复杂的背景,若直接使用原始图像进行特征提取,则提取的精度将降低。因此有必要事先对原始龟裂纹图像中的噪声以及非相关特征信息进行过滤,这是一个图像预处理的过程,可为后期最终特征信息的提取减少干扰。本申请选择的预处理的方法可分为如下四种,这四种方法可有效提升特征提取算法的精度。
(1)图像灰度化
经过采集过程获取的原始龟裂纹一般都是彩色图像,并以jpg或者bmp的格式进行存储。以bmp格式的图像为例进行分析,假设采集获取的一幅彩色图像的像素为1280*960,那么其在硬盘上的存储空间需要1280*960*3,即3686400个字节,其所需的计算量比灰度图像大很多。所以为减小计算量,将彩色图像转化为灰度图像,只选择三个颜色分量进行图像的色彩区分,具体的转换公式为Y=R*0.299+G*0.587+B*0.114。
(2)图像平滑处理
在图像采集以及后期传输的过程中,容易引入外界的干扰噪声,从而使图像的原始特征信息被湮灭。这些干扰噪声可能会使原始龟裂纹图像中连续的均匀分布的灰度在某点突然变大或者陡然减小,很有可能会导致算法识别出一些虚假的龟裂纹。为了避免出现这种情况,要采取一定的措施来消除噪声,提高图像质量。这些噪声一般以孤立点的形式出现,这些噪声点像素很少,而图像则是由像素较为连续的小块构成,像素点灰度一般应该是连续变化的。对于这些噪声点应当采用图像的平滑滤波进行处理。
(3)直方图均衡化
采用直方图均衡化对图像进行增强处理。该方法将每个灰度级区间等概率分布代替原有图像的随机分布,也即将给定图像的灰度直方图分布改造成相对均匀的直方图分布。直方图均衡化能够增强图像的对比度,使得复合绝缘子龟裂纹的细节更为突出。
(4)图像锐化
复合绝缘子龟裂纹的轮廓特征很明显。图像的锐化处理(image sharpening)就是对图像中的轮廓边缘以及特征信息进行强化,增强灰度在边缘处的对比度,从而便于分析轮廓等信息。锐化过程也即加大像素点中的高频信息,本申请采取高频滤波器,对高频像素点进行过滤放大。在进行过滤放大时将噪声点滤除,再进行锐化处理,避免噪声随着锐化处理被放大。
优选地,所述步骤S3中轮廓提取为利用Canny边缘检测算法对预处理过后的复合绝缘子龟裂纹图像进行轮廓提取。
经过图像预处理后获得的图像是较为清晰的灰度图像。这种灰度图像可进行龟裂纹轮廓特征的提取。一般在龟裂纹图像中,存在一些较为模糊的弱边缘,使用一般的边缘检测算法对这一部分弱边缘的检测能力不足。本申请使用Canny边缘检测算法对龟裂纹灰度图像进行轮廓特征的提取。在灰度图像中,轮廓区域内图像元素的灰度值变化十分剧烈,Canny边缘检测算法可通过计算灰度梯度来找出灰度变化的最大值进行边缘检测。Canny边缘检测方法使用两个阈值T1和T2来分别检测强边缘和弱边缘(T1的取值较T2的取值大,具体根据复合绝缘子的本体颜色确定,T1为强边缘的轮廓阈值和T2为弱边缘的轮廓阈值),而且仅当强边缘和弱边缘相连时,弱边缘才会包含在输出中。
优选地,所述提取后的轮廓图为二值化图像,可方便地进行分形维数计算。
优选地,所述Canny边缘检测算法步骤如下:
对灰度图像进行一阶微分,图像f(x,y)在点(x,y)处的灰度梯度为:
灰度梯度的幅值由式(2)给出:
梯度的方向由式(3)确定:
选取梯度阈值T对图像的梯度值进行二值化
由式(4)可以得到图像f(x,y)的边缘图像g(x,y)。此阈值T可通过最大类间方差法确定,取值范围为0~255,阈值T并不是一个固定值,应当根据复合绝缘子的颜色改变而改变。
优选地,所述Canny边缘检测算法能够检测到龟裂纹图像中较为模糊的弱边缘。
优选地,所述步骤S4中识别方法为分形维数计算。
优选地,所述分形维数为计盒分形维数;
其中,F是空间Rn中任意非空有界子集,F为龟裂纹轮廓像素点集合,Rn为图像整体像素点集合),Nσ(F)表示最大直径为σ且能覆盖F的集合的最小数。
计盒分形维数能够有效的表征复合绝缘子龟裂纹的密集程度,进一步表征龟裂纹的严重程度。对于二维平面上的集合,对它的计盒维数的计算可以这样进行:逐渐改变σ,分别计算出相应的Nσ(F)的值,可以得到一组(lg(1/σ),lgNσ(F))的数据值,对这组数据进行拟合,其直线部分的斜率即为所求的计盒分形维数。
参见图2~4,其中不含龟裂纹,分形维数(Fractal dimension)=1.134633,含轻微龟裂纹,分形维数(Fractal dimension)=1.440123,含严重龟裂纹,分形维数(Fractaldimension)=1.768246;可以看出龟裂纹的分形维数范围为1~2,分形维数越接近1,则代表其龟裂纹的程度越低,分形维数越接近2,则代表其龟裂纹的程度越高。因此本申请提出的方法能够有效表征龟裂纹缺陷的严重程度,为运行部门对复合绝缘子龟裂纹老化状态评估提供参考。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种复合绝缘子伞裙龟裂纹的识别方法,其特征为:包括如下步骤:
S1、获取含有龟裂纹的图像;
S2、对含有龟裂纹的图像进行预处理;
S3、对龟裂纹进行轮廓提取;
S4、对轮廓提取后龟裂纹进行识别。
2.如权利要求1所述的一种复合绝缘子伞裙龟裂纹的识别方法,其特征为:所述步骤S1中获取的方法为场近距离航拍或实验室拍摄。
3.如权利要求1或2所述的一种复合绝缘子伞裙龟裂纹的识别方法,其特征为:所述步骤S1中的图像为正方形。
4.如权利要求1所述的一种复合绝缘子伞裙龟裂纹的识别方法,其特征为:所述步骤S2中预处理包括图像灰度化、图像平滑、图像直方图均衡化和图像锐化。
5.如权利要求1所述的一种复合绝缘子伞裙龟裂纹的识别方法,其特征为:所述步骤S3中轮廓提取的方法为Canny边缘检测算法。
6.如权利要求1或5所述的一种复合绝缘子伞裙龟裂纹的识别方法,其特征为:所述步骤S3中提取后的轮廓图为二值化图像。
8.如权利要求7所述的一种复合绝缘子伞裙龟裂纹的识别方法,其特征为:阈值T取值范围为0~255。
9.如权利要求1所述的一种复合绝缘子伞裙龟裂纹的识别方法,其特征为:所述步骤S4中识别方法为分形维数计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911154087.7A CN111047561A (zh) | 2019-11-22 | 2019-11-22 | 一种复合绝缘子伞裙龟裂纹的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911154087.7A CN111047561A (zh) | 2019-11-22 | 2019-11-22 | 一种复合绝缘子伞裙龟裂纹的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047561A true CN111047561A (zh) | 2020-04-21 |
Family
ID=70232971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911154087.7A Pending CN111047561A (zh) | 2019-11-22 | 2019-11-22 | 一种复合绝缘子伞裙龟裂纹的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047561A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033451A (zh) * | 2021-04-02 | 2021-06-25 | 广东电网有限责任公司 | 基于深度学习的架空线路故障识别方法及系统 |
CN116012380A (zh) * | 2023-03-27 | 2023-04-25 | 中江立江电子有限公司 | 一种绝缘子缺陷检测方法、装置、设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004125629A (ja) * | 2002-10-02 | 2004-04-22 | Jfe Steel Kk | 欠陥検出装置 |
DE102004022717A1 (de) * | 2003-07-12 | 2005-02-10 | Leica Microsystems Semiconductor Gmbh | Verfahren zum Einlernen einer wissensbasierten Datenbasis für die automatische Fehlerklassifikation |
CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
CN203275313U (zh) * | 2013-06-03 | 2013-11-06 | 深圳供电局有限公司 | 一种基于可见光图像的绝缘子检测装置 |
CN104956210A (zh) * | 2013-01-30 | 2015-09-30 | 住友化学株式会社 | 图像生成装置、缺陷检查装置以及缺陷检查方法 |
CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN106296670A (zh) * | 2016-08-02 | 2017-01-04 | 黑龙江科技大学 | 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法 |
CN106447684A (zh) * | 2016-08-10 | 2017-02-22 | 中国兵器科学研究院宁波分院 | 工业ct图像中弱边缘尺寸测量方法 |
CN106651893A (zh) * | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种基于边缘检测的墙体裂缝识别方法 |
CN108896551A (zh) * | 2018-04-17 | 2018-11-27 | 郑州轻工业学院 | 基于分形维数的卷烟灰柱裂纹分布特征的定量表征方法 |
CN110322469A (zh) * | 2018-03-30 | 2019-10-11 | 张�杰 | 一种提高图像轮廓精度的方法 |
CN110349128A (zh) * | 2019-06-21 | 2019-10-18 | 西安工程大学 | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 |
CN110378221A (zh) * | 2019-06-14 | 2019-10-25 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
-
2019
- 2019-11-22 CN CN201911154087.7A patent/CN111047561A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004125629A (ja) * | 2002-10-02 | 2004-04-22 | Jfe Steel Kk | 欠陥検出装置 |
DE102004022717A1 (de) * | 2003-07-12 | 2005-02-10 | Leica Microsystems Semiconductor Gmbh | Verfahren zum Einlernen einer wissensbasierten Datenbasis für die automatische Fehlerklassifikation |
CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
CN104956210A (zh) * | 2013-01-30 | 2015-09-30 | 住友化学株式会社 | 图像生成装置、缺陷检查装置以及缺陷检查方法 |
CN203275313U (zh) * | 2013-06-03 | 2013-11-06 | 深圳供电局有限公司 | 一种基于可见光图像的绝缘子检测装置 |
CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN106296670A (zh) * | 2016-08-02 | 2017-01-04 | 黑龙江科技大学 | 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法 |
CN106447684A (zh) * | 2016-08-10 | 2017-02-22 | 中国兵器科学研究院宁波分院 | 工业ct图像中弱边缘尺寸测量方法 |
CN106651893A (zh) * | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种基于边缘检测的墙体裂缝识别方法 |
CN110322469A (zh) * | 2018-03-30 | 2019-10-11 | 张�杰 | 一种提高图像轮廓精度的方法 |
CN108896551A (zh) * | 2018-04-17 | 2018-11-27 | 郑州轻工业学院 | 基于分形维数的卷烟灰柱裂纹分布特征的定量表征方法 |
CN110378221A (zh) * | 2019-06-14 | 2019-10-25 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN110349128A (zh) * | 2019-06-21 | 2019-10-18 | 西安工程大学 | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 |
Non-Patent Citations (1)
Title |
---|
孙晋: "《基于边缘检测的绝缘子裂纹诊断研究》", 《信息科技》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033451A (zh) * | 2021-04-02 | 2021-06-25 | 广东电网有限责任公司 | 基于深度学习的架空线路故障识别方法及系统 |
CN116012380A (zh) * | 2023-03-27 | 2023-04-25 | 中江立江电子有限公司 | 一种绝缘子缺陷检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
CN105004972B (zh) | 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法 | |
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 | |
CN106950472B (zh) | 一种基于红外紫外成像的绝缘子检测方法 | |
CN108489996B (zh) | 一种绝缘子的缺陷检测方法、系统及终端设备 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN109631848B (zh) | 输电线路异物入侵检测系统和检测方法 | |
CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
CN111833312B (zh) | 一种检测故障绝缘子放电的紫外图像诊断方法及系统 | |
CN110146791A (zh) | 一种基于图像处理的电晕检测方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN107464233B (zh) | 基于Lab颜色模式的复合绝缘子的图像检测方法及系统 | |
CN111047561A (zh) | 一种复合绝缘子伞裙龟裂纹的识别方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN111008967A (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN116805302A (zh) | 一种缆索表面缺陷检测装置及方法 | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN111161236A (zh) | 复合绝缘子憎水性检测方法、装置、介质和设备 | |
CN110889435A (zh) | 基于红外图像的绝缘子评估分类方法及其装置 | |
CN113030244B (zh) | 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及系统 | |
CN110046639A (zh) | 一种基于超像素权重密度的高光谱影像噪声标签检测方法 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN112037137A (zh) | 一种红外图像中绝缘子盘面边缘模糊区域消除方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |