CN111160087A - 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 - Google Patents
一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111160087A CN111160087A CN201911153412.8A CN201911153412A CN111160087A CN 111160087 A CN111160087 A CN 111160087A CN 201911153412 A CN201911153412 A CN 201911153412A CN 111160087 A CN111160087 A CN 111160087A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- infrared image
- cap
- porcelain insulator
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 47
- 229910052573 porcelain Inorganic materials 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 70
- 229910052742 iron Inorganic materials 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 11
- 230000015556 catabolic process Effects 0.000 abstract description 9
- 238000006731 degradation reaction Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241001653634 Russula vesca Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/753—Transform-based matching, e.g. Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种红外图像中瓷绝缘子铁帽和盘面自动识别方法,包括如下步骤:对绝缘子的红外图像进行预处理操作;对处理后的绝缘子串图片进行特征点的提取;对绝缘子串进行角度矫正,采用Hough变换将绝缘子串放置图像中的水平位置;自构建卷积神经网络对绝缘子的铁帽和盘面进行精准识别。本发明结合绝缘子图像特征与深度学习的算法,通过自构建的卷积神经网络,针对红外图像中瓷绝缘子串的铁帽和盘面区域进行精确的自动识别,以达到提取铁帽和盘面温度信息,解决了原先的识别方法存在的诸多问题,并将相对温差作为判据来诊断其劣化状态,来实现在线自动监测绝缘子串状态。
Description
技术领域
本发明属于变电站以及输电线路上的瓷质绝缘子劣化检测领域,涉及变电站及输电线路红瓷质绝缘子串劣化智能检测方法,具体涉及一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质。
背景技术
盘形悬式瓷绝缘子串/元件(以下简称绝缘子串/绝缘子)在输配电网中有着广泛应用,在架空线路和变电站中起到支撑和绝缘的作用。其为输电线路和变电站的重要外绝缘部件。受到环境因素等的影响,长时间运行的绝缘子串中容易形成低值或者零值绝缘子,导致线路或变电站中故障频发,严重时甚至会产生掉串事故。红外热像检测现在已经较普遍的应用于电气设备状态检测中,大量实践效果也证明该技术的高效可靠性。将拍摄所得的红外图像经过图像预处理等操作,结合深度学习算法,识别并分割出绝缘子串中各个部件,继而提取其温度信息作为劣化判别依据,为实现在线自动监测绝缘子劣化奠定了基础。
《基于红外图像的绝缘子串自动提取和状态识别》提出一种基于图像处理的方法来分割绝缘子的铁帽与盘面区域,其原理是:通过一系列的步骤将绝缘子串区域提取后,对该区域使用投影统计法和区域定位提取算法,按列遍历整个绝缘子串区域,分别计算每列中铁帽和盘面的连续长度,把其中最大值分别作为铁帽和盘面的间距。最后设定阈值排除其他细导线或金具的干扰,反向计算求出两个区域的二值图像并用不同颜色标记。该方法对于部分110kV单伞型的绝缘子可以取得较好的分割结果。然而当将其运用于双伞甚至三伞的绝缘子时,由于盘面区域不连续,采用该方法会导致两种结果:一是将背景区域也作为盘面区域识别,导致盘面实际温度过低;二是盘面区域消失,只剩下铁帽区域,失去了盘面的温度数据。
《基于Faster R-CNN的航拍图像中绝缘子识别》提出一种基于Faster R-CNN的航拍图像中绝缘子识别,通过大量数据集的验证,较为准确地确定了图像中绝缘子串区域的位置。《A Fault Diagnosis Method of Insulator String Based on Infrared ImageFeature Extraction and Probabilistic Neural Network》提出一种基于红外图像特征和概率神经网络检测绝缘子串故障的方法,通过对绝缘子串进行Hough变换,识别出绝缘子串位置,进而提取铁帽和盘面的温度。但是文中对铁帽和盘面定位与分割的结果不理想,导致温度信息提取有误,无法保证判断温度判据的准确性。《Aggregating DeepConvolutional Feature Maps for Insulator Detection in Infrared Images》将深度卷积特征映射用于识别红外图像中绝缘子串所在位置,但是对于图像中模糊的绝缘子部分效果不够理想。《深度学习在输电线路绝缘子故障检测中的研究与应用》通过结合Fast R-CNN和区域提议网络,利用调优后的参数对无人机拍摄的绝缘子图像进行训练,可以对绝缘子串整体进行检测,能够检测出绝缘子串中是否有绝缘子脱落的情况。但是针对于未发生掉落的劣化绝缘子,无法进行有效检出。
从上述文献可知,对绝缘子的铁帽和盘面分目前还存在一定的技术空白,还是存在很多技术缺陷,需要一个新的技术方案来解决上述问题。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种红外图像中瓷绝缘子铁帽和盘面自动识别方法,结合绝缘子图像特征与深度学习的算法,针对红外图像中瓷绝缘子串的铁帽和盘面区域进行精确的自动识别,以达到提取铁帽和盘面温度信息,并将相对温差作为判据来诊断其劣化状态,来实现在线自动监测绝缘子串状态。
技术方案:为实现上述目的,本发明提供一种红外图像中瓷绝缘子铁帽和盘面自动识别方法,包括如下步骤:
S1:对处理后的绝缘子串图像进行特征点的提取;
S2:对绝缘子串进行角度矫正,采用Hough变换将绝缘子串放置图像中的水平位置;
S3:构建卷积神经网络对绝缘子的铁帽和盘面进行识别。
进一步的,所述步骤S1中在绝缘子串图像进行特征点的提取之前,首先对绝缘子串的红外图像进行预处理操作,所述预处理操作包括灰度化、中值滤波、基于Otsu自动阀值的灰度线性变换图像增强和二值计算四个部分。
进一步的,所述预处理操作中灰度化用于使得像素值范围处在[0,255]之间,使得红外图片在MATLAB软件中能够矩阵化操作;中值滤波用于去除因拍摄时环境和机器等造成的噪声;基于Otsu自动阀值的灰度线性变换图像增强用于提高伪目标与绝缘子灰度对比度;二值计算用于将灰度图像转换为二值图像。
采用图像增强的目的有两点:一是能够将非绝缘子物体灰度拉伸到背景灰度范围;二是能够较好地将背景云层过滤。
进一步的,所述步骤S1中特征点的提取通过对图像进行形态学处理,包括骨架化,腐蚀和膨胀操作。其中骨架可以理解为图像的中轴。集合A的骨架化:反复移除图像A的边界像素,但不允许原本连接的目标图像断裂,且保持操作欧拉数不变。先膨胀后腐蚀的操作称为闭运算,它具有填充细小空洞,连接邻近物体和平滑边界的作用。先腐蚀后膨胀的操作称为开运算,它具有消除细小物体、在纤维处分离物体和平滑较大物体边界的作用,能够消除细导线等的影响。
进一步的,所述步骤S2中当红外图像中绝缘子倾斜时,利用绝缘子图像的几何特征,对绝缘子倾斜角度进行估计校正,在Hough变换中,对倾斜角进行检测。
进一步的,所述步骤S2中对绝缘子倾斜角度进行估计校正,其中校正的具体方法为:
S3-1:对二值化图像细化,获取绝缘子骨架;
S3-2:从骨架图中计算出交点,作为Hough变换的特征点集S;
S3-3:采用Hough变换对特征点集S进行直线拟合,计算出最长的拟合直线L和其倾斜角θ,即用该倾斜角对绝缘子图像进行倾斜校正。
进一步的,所述步骤S2中在Hough变换中,对倾斜角进行检测,具体为:
由图像空间中的特征数据点去计算参数空间中的参数点的可能轨迹,并在一个累加器J(ρ,θ)中统计参考点,检测Hough域中曲线最频繁的交点,即J(ρ,θ)的最大值。
进一步的,所述步骤S3具体为:
S3-1:构建铁帽和盘面的样本集;构建卷积神经网络,所述卷积神经网络包括若干个卷积层、池化层和全连接层,最后经过softmax层输出并形成预测分类器;
S3-2:将准备好的样本数据集载入输入层,利用自构建的卷积神经网络进行训练;
S3-3:将训练得到的预测分类器用于实际红外图像的识别,将提取的绝缘子串图像放入滑动窗口中,从左至右扫描识别,将铁帽和盘面进行标记,将绝缘子串旋转回原图,并在红外图像上显示效果。
本发明提出一种结合绝缘子红外图像特征和深度学习的劣化绝缘子自动识别方法,通过从大量图像样本中提取铁帽和盘面的特征信息,将其放入自构建的卷积神经网络中训练,训练结束获得一个精准的分类器。对原始红外图像进行预处理、Hough变换和绝缘子串区域提取后,扫描所得的绝缘子串区域,利用分类器对铁帽和盘面进行精确识别。最后通过对识别区域进行温度提取,判别是否存在劣化。
有益效果:本发明与现有技术相比,结合绝缘子图像特征与深度学习的算法,通过自构建的卷积神经网络,针对红外图像中瓷绝缘子串的铁帽和盘面区域进行精确的自动识别,以达到提取铁帽和盘面温度信息,解决了原先的识别方法存在的诸多问题,并将相对温差作为判据来诊断其劣化状态,来实现在线自动监测绝缘子串状态。
附图说明
图1为本发明中绝缘子串区域提取流程示意图;
图2为ELU函数图像示意图;
图3为盘面集、铁帽集、金具集、细导线集灰度图像样例示意图;
图4为自构建卷积神经网络结构图;
图5为绝缘子红外图像分割效果图,其共分为a~f六个部分,a和b为35kV的分割效果图,c和d为110kV的分割效果图,e和f为220kV的分割效果图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
本实施例中提供一种红外图像中瓷绝缘子铁帽和盘面自动识别方法,其核心创新点在于在铁帽和盘面的识别部分,采用自构建的卷积神经网络实现。
卷积神经网络属于深度学习(DL)的一种,以下针对于此部分作出详细说明:
深度学习(DL)属于机器学习的分支,它通过对物体或图像等进行低层次特征抽取,使用这些特征来表达更高层次的特征或属性。深度学习也可理解为建立神经网络,通过模拟人类学习的方式,对数据进行解析或抽取特征,在图像处理、文本识别和音频翻译等领域应用甚广。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,最早由LeCun于1989年提出,但限于当时软硬件技术未能广泛应用。随着科技的发展进步,卷积神经网络从2006年开始迅速发展,在结构上不断加深,各类学习和优化理论得到引入。
卷积神经网络主要由输入层、卷积层、池化层、激励层、全连接层和输出层等构成。输入层是将批量化、处理好的的训练集数据输入至卷积层中;卷积层由多个滤波器组成,用于对输入数据的特征进行学习,计算其特征映射,是整个卷积神经网络的核心。特征映射在低层滤波器中表现为方向或是边缘这类特征,在更高层次滤波器中表现为更为抽象的特征。在第m层的第n个特征映射在点(i,j)的特征值计算公式如式(1)所示。
式中wm n和bm n分别为第m层的第n个滤波器的权重向量和偏置项,xm i,j是以位置(i,j)为中心的输入。
激励层是激活函数,常用的有sigmoid,tanh,ReLU和Leaky ReLU等,本实施例使用的激励函数是ELU,相比于常用的ReLU和Leaky ReLU,它的优势在于在x<0区间内,当x取较小值时,ELU具有软饱和的特性,这可以提高对噪声的鲁棒性;在x>0的区间内,它的导数恒为1,大大减轻了梯度弥散的问题;当x=0时,由于它是一个连续函数,不会出现ReLU的梯度消失问题。其公式为式(2),函数图像如图2所示。
经过ELU激活后的,卷积特征的激活值如式(3)所示:
池化层通过对特征映像进行降维或抽象,达到降低其分辨率的效果,从而实现移位不变性。池化层常位于两个卷积层之间,它的每一个特征映射与前一层相应的卷积映射连接。常用的池化操作分为平均池化和最大池化,本实施例采用最大池化操作,来提取铁帽和盘面区域的局部最大响应,获得其最显著的特征。其公式如式4所示:
式中Ri,j是特征映射中以位置(i,j)为中心的区块。
全连接层是将当前层的每一个神经元与上一层中的所有神经元连接,以产生全局语义信息,起到一个展平所有神经元的作用。网络的最后一层为输出层,本实施例解决的是一个分类问题,故使用softmax逻辑回归来分类,返回输入的样本图像属于四种类别中某一种的概率。
如图1所示,本发明提供一种红外图像中瓷绝缘子铁帽和盘面自动识别方法,包括如下步骤:
S1:对绝缘子的红外图像进行预处理操作:
对绝缘子的红外图像进行预处理操作,包括灰度化、中值滤波、基于Otsu自动阀值的灰度线性变换图像增强和二值计算四个部分。灰度化操作目的是使得像素值范围处在[0,255]之间,使得红外图片在MATLAB软件中能够矩阵化操作。中值滤波的目的是去除因拍摄时环境和机器等造成的噪声。基于Otsu自动阀值的灰度线性变换图像增强法,提高导线、钢架等伪目标与绝缘子灰度对比度。采用图像增强的目的有二:一是能够将非绝缘子物体灰度拉伸到背景灰度范围;二是能够较好地将背景云层过滤。二值计算是将灰度图像转换为二值图像。
S2:对处理后的绝缘子串图片进行特征点的提取:
对图像进行形态学处理,包括骨架化,腐蚀和膨胀操作。其中骨架可以理解为图像的中轴。集合A的骨架化:反复移除图像A的边界像素,但不允许原本连接的目标图像断裂,且保持操作欧拉数不变。先膨胀后腐蚀的操作称为闭运算,它具有填充细小空洞,连接邻近物体和平滑边界的作用。先腐蚀后膨胀的操作称为开运算,它具有消除细小物体、在纤维处分离物体和平滑较大物体边界的作用,能够消除细导线等的影响。
S3:对绝缘子串进行角度矫正,采用Hough变换将绝缘子串放置图像中的水平位置,当红外图像中绝缘子倾斜时,利用绝缘子图像的几何特征,对绝缘子倾斜角度进行估计校正,其中校正的具体方法为:
S3-1:对二值化图像细化,获取绝缘子骨架;
S3-2:从骨架图中计算出交点,作为Hough变换的特征点集S;
S3-3:采用Hough变换对特征点集S进行直线拟合,计算出最长的拟合直线L和其倾斜角θ,即用该倾斜角对绝缘子图像进行倾斜校正;
在Hough变换中,对倾斜角进行检测,具体为:
由图像空间中的特征数据点去计算参数空间中的参数点的可能轨迹,并在一个累加器J(ρ,θ)中统计参考点,检测Hough域中曲线最频繁的交点(即J(ρ,θ)的最大值)。
S4:自构建卷积神经网络对绝缘子的铁帽和盘面进行精准识别:
盘形悬式瓷绝缘子串主要由3个部分组成:铁帽、盘面和金具,其中铁帽和盘面的温度是作为劣化的判据,金具一般在绝缘子串的尾端,它和细导线都是温度提取时的干扰项。为确保提取绝缘子串的精确温度,本实施例将所有数据分为四个样本集:盘面集、铁帽集、金具集和细导线集,四种样本集形式具体如图3所示,由于附图中无法展示彩色图片,所以图3其实为原本彩色样本集生成的灰度样本集,对由FLIR T640拍摄的大量的红外图像中单个绝缘子的铁帽、盘面、金具和细导线等进行统计,总样本数量为105779张,发现这些部件长度均小于60,宽度均小于20,所以将样本尺寸设定为60×20。
为了防止由于样本太少造成识别时发生过拟合,本实施例中样本是从全国各地一百多个变电站中挑选的拍摄清晰,背景简明的红外图像。这些图像拍摄时环境和时间条件各不相同,且基本覆盖所有瓷质绝缘子类型,四种样本总数量超过十万,因此能够有力保障了样本的普适性和准确度。在提取绝缘子串区域时,红外图像被转化为灰度图像,所以最后提取的绝缘子区域也为灰度图像。因此,本实施例中作为输入层的样本集也需转化为灰度集。参照图3,这里将样本集分为训练集和验证集,其中验证集为随机抽取的5000张图像,剩余图像作为训练集输入到卷积神经网络中。
本实施例通过一种自构建的卷积神经网络来识别铁帽盘面区域,如图4所示,自构建的卷积神经网络包括5个卷积层、3个池化层和4个全连接层,最后经过softmax层输出并形成预测分类器。图4中第一层使用的过滤器尺寸为5×5,设定其步幅为1,padding为0,过滤器个数为8;第二层使用的过滤器大小为3×3,设定步幅为1,padding为0,过滤器设为12个,同时构建一个最大池化层,其过滤器为2×2,步幅为2,将第一层的高度和宽度减少一半;以此类推,三四层与第二层进行相同处理;第五层的过滤器大小为3×3,最中得到卷积层输出大小为3×1×768。将这2304个单元平整化为一个全连接层,然后再添加三个更小全连接层。第四层全连接层只含有288个单元,用这些单元来填充softmax单元,使其对应盘面、铁帽、金具和细导线四个输出。
这里需要说明的是,本实施例中虽然样本具有代表性和普遍性,但随着迭代轮次的增加,由于训练集对部分特征拟合的过好,导致发生在验证集上拟合程度不理想甚至很差的情况。为了解决这个问题,引入了dropout层在每次迭代时随机更新网络参数,通过这种随机性来防止网络对部分特征过拟合。
将准备好的样本数据集载入输入层,利用自构建的卷积神经网络进行训练,本次训练实验使用的CPU为Inter(R)Core(TM)i7-7700,GPU为NVIDIA GTX 1070Ti,内存为16G,操作系统为Windows 10,开发环境为Anaconda3(python 3.6),红外热像仪型号为FLIRT640。由于样本数量较多,迭代轮次多,所以总训练时间约为20~30h。最终产生了26个循环,每次循环迭代1560次。验证集的结果表明所准备的样本数据集准确率为99.5%以上,说明该样本集用作铁帽和盘面的数据集可以得到精确的结果。
接着,将训练得到的预测分类器用于实际红外图像的识别。将前文提取的绝缘子串图像放入滑动窗口中,从左至右扫描识别,将铁帽标记为黑色,盘面标记为灰色,最后,将绝缘子串旋转回原图,并在红外图像上显示效果。
由于电压等级超过220kV的绝缘子串片数太多,存在单张红外图像无法拍摄完全的问题。所以本实施例只选取220kV及以下的绝缘子作为实验对象。本实施例选取了35kV、110kV和220kV带干扰和不带干扰的瓷绝缘子红外图像各一张,具体的分割过程和最终分割结果如图5所示。
通过图5可知,图5一共分为a~f六个部分,a和b为35kV的分割效果图,c和d为110kV的分割效果图,e和f为220kV的分割效果图,本实施例最终在35kV、110kV和220kV的绝缘子图像上取得良好的结果,获取了精准的铁帽和盘面区域,并有效抑制了环境噪声和其他干扰,可见该方法为后续获取铁帽和盘面的温度信息奠定了坚实的基础,是实现自动在线监测判别绝缘子劣化程度的重要前提。
本实施例还提供一种红外图像中瓷绝缘子铁帽和盘面自动识别系统,该系统包括网络接口、存储器和处理器;其中,网络接口,用于在与其他外部网元之间进行收发信息过程中,实现信号的接收和发送;存储器,用于存储能够在所述处理器上运行的计算机程序指令;处理器,用于在运行计算机程序指令时,执行上述红外图像中瓷绝缘子铁帽和盘面自动方法的步骤。
本实施例还提供一种计算机存储介质,该计算机存储介质存储有计算机程序,在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种红外图像中瓷绝缘子铁帽和盘面识别方法,其特征在于:包括如下步骤:
S1:对绝缘子串图像进行特征点的提取;
S2:计算特征点所在最长直线,通过计算该直线与水平直线的夹角,对绝缘子串进行角度矫正,采用Hough变换将绝缘子串放置图像中的水平位置;
S3:构建卷积神经网络对绝缘子的铁帽和盘面进行识别。
2.根据权利要求1所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法,其特征在于:所述步骤S1中在绝缘子串图像进行特征点的提取之前,首先对绝缘子串的红外图像进行预处理操作,所述预处理操作包括灰度化、中值滤波、基于Otsu自动阀值的灰度线性变换图像增强和二值计算四个部分。
3.根据权利要求2所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法,其特征在于:所述预处理操作中灰度化用于使得像素值范围处在[0,255]之间,使得红外图片在MATLAB软件中能够矩阵化操作;中值滤波用于去除噪声;基于Otsu自动阀值的灰度线性变换图像增强用于提高伪目标与绝缘子灰度对比度;二值计算用于将灰度图像转换为二值图像。
4.根据权利要求1所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法,其特征在于:所述步骤S1中特征点的提取通过对图像进行形态学处理,包括骨架化,腐蚀和膨胀操作。
5.根据权利要求1所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法,其特征在于:所述步骤S2中当红外图像中绝缘子倾斜时,利用绝缘子图像的几何特征,对绝缘子倾斜角度进行估计校正,在Hough变换中,对倾斜角进行检测。
6.根据权利要求5所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法,其特征在于:所述步骤S2中对绝缘子倾斜角度进行估计校正,其中校正的具体方法为:
S2-1:对二值化图像细化,获取绝缘子骨架;
S2-2:从骨架图中计算出交点,作为Hough变换的特征点集S;
S2-3:采用Hough变换对特征点集S进行直线拟合,计算出最长的拟合直线L和其倾斜角θ,所述倾斜角θ用于对绝缘子图像进行倾斜校正。
7.根据权利要求5所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法,其特征在于:所述步骤S3中在Hough变换中,对倾斜角进行检测,具体为:
由图像空间中的特征数据点去计算参数空间中的参数点的全部轨迹,并在一个累加器J(ρ,θ)中统计参考点,通过J(ρ,θ)的最大值检测Hough域中曲线最频繁的交点。
8.根据权利要求1所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法,其特征在于:所述步骤S3具体为:
S3-1:构建铁帽和盘面的样本集;构建卷积神经网络,所述卷积神经网络包括若干个卷积层、池化层和全连接层,最后经过softmax层输出并形成预测分类器;
S3-2:将准备好的样本数据集载入输入层,利用构建的卷积神经网络进行训练;
S3-3:将训练得到的预测分类器用于实际红外图像的识别,将提取的绝缘子串图像放入滑动窗口中,从左至右扫描识别,将铁帽和盘面进行标记,将绝缘子串旋转回原图,并在红外图像上显示效果。
9.一种红外图像中瓷绝缘子铁帽和盘面识别系统,其特征在于:所述系统包括网络接口、存储器和处理器;其中,
所述网络接口,用于在与其他外部网元之间进行收发信息过程中,实现信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序指令;
所述处理器,用于在运行所述计算机程序指令时,执行权利要求1~8中任一项所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法的步骤。
10.一种计算机存储介质,其特征在于:所述计算机存储介质存储有一种红外图像中瓷绝缘子铁帽和盘面识别方法的程序,所述一种红外图像中瓷绝缘子铁帽和盘面识别方法的程序被至少一个处理器执行时实现权利要求1~8中任一项所述的一种红外图像中瓷绝缘子铁帽和盘面识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153412.8A CN111160087A (zh) | 2019-11-22 | 2019-11-22 | 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153412.8A CN111160087A (zh) | 2019-11-22 | 2019-11-22 | 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160087A true CN111160087A (zh) | 2020-05-15 |
Family
ID=70556121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911153412.8A Pending CN111160087A (zh) | 2019-11-22 | 2019-11-22 | 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160087A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256604A (zh) * | 2021-06-15 | 2021-08-13 | 广东电网有限责任公司湛江供电局 | 一种二重学习的绝缘子串缺陷识别方法及设备 |
CN113763397A (zh) * | 2021-09-03 | 2021-12-07 | 国网山东省电力公司电力科学研究院 | 复合绝缘子故障检测方法及系统 |
CN115421006A (zh) * | 2022-08-17 | 2022-12-02 | 广州科易光电技术有限公司 | 绝缘子串缺陷检测方法、设备终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146852A (zh) * | 2018-07-30 | 2019-01-04 | 国网江苏省电力有限公司电力科学院研究院 | 一种基于红外图像的瓷绝缘子串铁帽盘面边缘检测方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN109684925A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 一种基于深度图像的人脸活体检测方法及设备 |
-
2019
- 2019-11-22 CN CN201911153412.8A patent/CN111160087A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN109146852A (zh) * | 2018-07-30 | 2019-01-04 | 国网江苏省电力有限公司电力科学院研究院 | 一种基于红外图像的瓷绝缘子串铁帽盘面边缘检测方法 |
CN109684925A (zh) * | 2018-11-21 | 2019-04-26 | 深圳奥比中光科技有限公司 | 一种基于深度图像的人脸活体检测方法及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256604A (zh) * | 2021-06-15 | 2021-08-13 | 广东电网有限责任公司湛江供电局 | 一种二重学习的绝缘子串缺陷识别方法及设备 |
CN113763397A (zh) * | 2021-09-03 | 2021-12-07 | 国网山东省电力公司电力科学研究院 | 复合绝缘子故障检测方法及系统 |
CN113763397B (zh) * | 2021-09-03 | 2024-03-29 | 国网山东省电力公司电力科学研究院 | 复合绝缘子故障检测方法及系统 |
CN115421006A (zh) * | 2022-08-17 | 2022-12-02 | 广州科易光电技术有限公司 | 绝缘子串缺陷检测方法、设备终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063723B (zh) | 基于迭代挖掘物体共同特征的弱监督图像语义分割方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
CN111160087A (zh) | 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 | |
CN106529419B (zh) | 视频显著性堆栈式聚合的对象自动检测方法 | |
CN110992381A (zh) | 一种基于改进Vibe+算法的运动目标背景分割方法 | |
CN111383244B (zh) | 一种目标检测跟踪方法 | |
CN115222650A (zh) | 一种混合工业零件缺陷检测算法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN109426773A (zh) | 一种道路识别方法和装置 | |
CN110458812B (zh) | 一种基于颜色描述及稀疏表达的类圆形水果缺陷检测方法 | |
CN111079539A (zh) | 一种基于异常追踪的视频异常行为检测方法 | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113313031B (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 | |
CN105740844A (zh) | 基于图像识别技术的绝缘子炸裂故障检测方法 | |
CN112766056A (zh) | 一种基于深度神经网络的弱光环境车道线检测方法、装置 | |
Harianto et al. | Data augmentation and faster rcnn improve vehicle detection and recognition | |
CN115457017A (zh) | 一种导线缺陷检测方法、装置、计算机设备及存储介质 | |
CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
CN113538500A (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN117152076A (zh) | 一种基于u型全卷积神经网络的路面裂缝检测方法 |
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 |
Application publication date: 20200515 |