复合绝缘子憎水性检测方法、装置、介质和设备
技术领域
本发明属于输电线路设备性能检测领域,特别涉及一种复合绝缘子憎水性检测方法、装置、介质和设备。
背景技术
绝缘子是指安装在不同电位的导体或导体与接地构件之间的能够耐受电压和机械应力作用的器件,它是一种特殊的绝缘控件,能够在架空输电线路中起到重要作用。早年间绝缘子多用于电线杆,慢慢发展于高型高压电线连接塔的一端挂了很多盘状的绝缘体,它是为了增加爬电距离的。绝缘子不应该由于环境和电负荷条件发生变化导致的各种机电应力而失效,否则绝缘子就不会产生重大的作用,就会损害整条线路的使用和运行寿命。
硅橡胶复合绝缘子因其优良的憎水性和憎水迁移特性而表现出远优于瓷和玻璃绝缘子的防污闪性能,被广泛应用于输电线路中。运行经验表明,随着运行时间的增加,在雨雪、冰霜、高低温、紫外线、电场和化学腐蚀等多种因素的综合作用下,复合绝缘子硅橡胶伞裙将逐渐老化导致憎水性下降乃至完全丧失,防污闪性能大大降低,引发电网污闪事故。为保障输电线路安全可靠运行,有必要对运行复合绝缘子憎水性开展检测分析。
喷水分级法是对复合绝缘子进行喷水获得表面水滴状态图,和STRI给出的标准图进行对比,得到绝缘子的憎水等级。该法所需设备简单,操作方便,成为复合绝缘子憎水性检测的常用方法。但这种方法受主观因素影响较大,不利于快速准确判定绝缘子的憎水等级。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种复合绝缘子憎水性检测方法,该检测方法能够消除人为主观因素的影响,有效提高了复合绝缘子憎水性检测的准确度。
本发明的第二目的在于提供一种复合绝缘子憎水性检测装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种复合绝缘子憎水性检测方法,该方法包括:
步骤S1、获取训练样本,构建训练样本集;具体为:首先获取多个复合绝缘子试品,进行清洗后采用水浸泡一定时间,然后将浸泡后的各复合绝缘子试品取出,分别晾干相应的时间,得到各种憎水等级的复合绝缘子试品,作为各训练样本;
步骤S2、针对训练样本集中的各训练样本,通过喷水分级法获取到其憎水等级;同时采集各训练样本喷水后的图像,作为训练样本图像;
步骤S3、针对于训练样本图像,进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
步骤S4、将从各训练样本图像中提取出的特征向量作为输入,以各训练样本的憎水等级作为标签,对神经网络模型进行训练,将训练后的神经网络模型作为憎水性检测模型;
步骤S5、针对于要检测憎水性的复合绝缘子,获取该复合绝缘子喷水后的图像,作为测试样本图像;
步骤S6、针对于测试样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
步骤S7、将测试样本图像中提取出的特征向量输入到憎水性检测模型中,通过憎水性检测模型检测出憎水等级。
优选的,步骤S1中,针对于复合绝缘子试品,进行清洗后采用蒸馏水浸泡48~96个小时。
优选的,针对于训练样本图像和测试样本图像进行如下图像处理:
首先对图像依次进行灰度化处理和同态滤波处理;
然后根据上述处理后出现的缺陷进行直方图均衡化处理;
最后基于canny算子从图像中切割水珠的边缘,分割出图像中的水珠。
优选的,针对于训练样本图像和测试样本图像,通过matlab软件进行图像处理;
所述神经网络模型为BP神经网络模型。
本发明的第二目的通过下述技术方案实现:一种复合绝缘子憎水性检测装置,包括:
训练样本图像获取模块,用于获取训练样本喷水后的图像,作为训练样本图像;所述训练样本通过以下方式获取到:首先获取多个复合绝缘子试品,进行清洗后采用水浸泡一定时间,然后将浸泡后的各复合绝缘子试品取出,分别晾干相应的时间,得到各种憎水等级的复合绝缘子试品,作为各训练样本;
训练样本憎水等级获取模块,用于通过喷水分级法获取训练样本憎水等级;
第一图像处理模块,用于针对训练样本图像进行图像处理;
第一特征提取模块,用于在训练样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
憎水性检测模型构建模块,用于将各训练样本图像的特征向量作为输入,以各训练样本的憎水等级作为标签,对神经网络模型进行训练,将训练后的神经网络模型作为憎水性检测模型;
测试样本图像获取模块,用于针对于要检测憎水性的复合绝缘子,获取该复合绝缘子喷水后的图像,作为测试样本图像;
第二图像处理模块,用于针对测试样本图像进行图像处理;
第二特征提取模块,用于在测试样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
憎水性检测模块,用于将测试样本图像中提取出的特征向量输入到憎水性检测模型中,检测出憎水等级。
优选的,所述第一图像处理模块包括第一灰度化处理模块、第一同态滤波处理模块、第一直方图均衡化处理和第一图像分割模块;其中:
第一灰度化处理模块,用于对训练样图像进行灰度化处理;
第一同态滤波处理模块,用于针对第一灰度化处理模块处理后的图像进行同态滤波处理;
第一直方图均衡化处理,用于将第一同态滤波处理模块处理后的图像中出现的缺陷进行直方图均衡化处理;
第一图像分割模块,针对于第一直方图均衡化模块处理后的图像,采用基于canny算子从图像中切割水珠的边缘,分割出图像中的水珠;
所述第二图像处理模块包括第二灰度化处理模块、第二同态滤波处理模块、第二直方图均衡化处理和第二图像分割模块;其中:
第二灰度化处理模块,用于对训练样图像进行灰度化处理;
第二同态滤波处理模块,用于针对第二灰度化处理模块处理后的图像进行同态滤波处理;
第二直方图均衡化处理,用于将第二同态滤波处理模块处理后的图像中出现的缺陷进行直方图均衡化处理;
第二图像分割模块,针对于第二直方图均衡化模块处理后的图像,采用基于canny算子从图像中切割水珠的边缘,分割出图像中的水珠。
本发明的第三目的通过下述技术方案实现:一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现如下复合绝缘子憎水性检测方法:
获取训练样本喷水后的图像,作为训练样本图像;其中训练样本为通过以下方式获取到:首先获取多个复合绝缘子试品,进行清洗后采用水浸泡一定时间,然后将浸泡后的各复合绝缘子试品取出,分别晾干相应的时间,得到各种憎水等级的复合绝缘子试品,作为各训练样本;
通过喷水分级法获取到训练样本憎水等级;
针对训练样本图像进行图像处理;
在训练样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
将各训练样本图像的特征向量作为输入,以各训练样本的憎水等级作为标签,对神经网络模型进行训练,将训练后的神经网络模型作为憎水性检测模型;
针对于要检测憎水性的复合绝缘子,获取该复合绝缘子喷水后的图像,作为测试样本图像;
针对测试样本图像进行图像处理;
在测试样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
将测试样本图像中提取出的特征向量输入到憎水性检测模型中,检测出憎水等级。
优选的,所述存储介质为磁盘、光盘、计算机存储器、只读存储器、随机存取存储器、U盘或移动硬盘。
本发明的第四目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现如下复合绝缘子憎水性检测方法:
获取训练样本喷水后的图像,作为训练样本图像;其中训练样本为通过以下方式获取到:首先获取多个复合绝缘子试品,进行清洗后采用水浸泡一定时间,然后将浸泡后的各复合绝缘子试品取出,分别晾干相应的时间,得到各种憎水等级的复合绝缘子试品,作为各训练样本;
通过喷水分级法获取到训练样本憎水等级;
针对训练样本图像进行图像处理;
在训练样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
将各训练样本图像的特征向量作为输入,以各训练样本的憎水等级作为标签,对神经网络模型进行训练,将训练后的神经网络模型作为憎水性检测模型;
针对于要检测憎水性的复合绝缘子,获取该复合绝缘子喷水后的图像,作为测试样本图像;
针对测试样本图像进行图像处理;
在测试样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
将测试样本图像中提取出的特征向量输入到憎水性检测模型中,检测出憎水等级。
优选的,所述计算设备为台式电脑、笔记本电脑、智能手机、PDA手持终端或平板电脑。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明复合绝缘子憎水性检测方法,首先获取到训练样本,这些训练样本为经过清水清洗以及浸泡一定时间后,通过晾晒不同时间后的复合绝缘子试品,它们具备不同的憎水等级。通过喷水分级法获取到训练样本的憎水等级,同时采集各训练样本喷水后的图像,作为训练样本图像;针对于训练样本图像提取特征向量,然后通过训练样本训练神经网络模型,得到憎水性检测模型;针对于要进行憎水性检测的复合绝缘子,采集其喷水后的图像,作为测试样本图像;从测试样本图像中提取出特征向量,然后将特征向量输入到憎水性检测模型检测出对应的憎水等级。由上述可见,本发明通过图像分析处理技术提取图像特征量,定量得到四个特征量值,最后运用训练好的神经网络模型自动识别憎水等级,能够消除了人为主观因素的影响,提高了憎水等级检测的准确性。同时具有操作简单以及能够避免现有试验方法导致的人工污秽。
(2)本发明复合绝缘子憎水性检测方法中,在获取训练样本时,针对多个复合绝缘子试品进行清洗后采用水浸泡一定时间,然后将浸泡后的各复合绝缘子试品取出,分别晾干相应的时间,得到各种憎水等级的复合绝缘子试品。通过本发明上述方法能够获取到不同憎水等级的训练样本,避免现场采集多种憎水等级的训练样本导致工作量庞大的缺点。
(3)本发明复合绝缘子憎水性检测方法中,神经网络模型可以采用BP神经网络,BP神经网络是一种具有训练能力和自我修正能力的前向型输入输出网络,通过该神经网络能够获取训练得到憎水性检测精度更高的模型。
附图说明
图1是本发明复合绝缘子憎水性方法流程图。
图2是本发明复合绝缘子憎水性方法中图像处理的流程图。
图3是本发明复合绝缘子憎水性装置的结构框图。
图4是本发明计算设备结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例公开了一种复合绝缘子憎水性检测方法,如图1所示,该方法包括如下步骤:
步骤S1、获取训练样本;
具体为:首先获取多个复合绝缘子试品,进行清洗后采用蒸馏水浸泡一定时间,这个时间可以是48~96个小时,然后将浸泡后的各复合绝缘子试品取出,分别晾干不同的时间,得到各种憎水等级的复合绝缘子试品,作为各训练样本;
步骤S2、针对训练样本集中的各训练样本,通过喷水分级法获取到其憎水等级;
同时采集各训练样本喷水后的图像,作为训练样本图像;
步骤S3、针对于训练样本图像,进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
步骤S4、将从各训练样本图像中提取出的特征向量作为输入,以各训练样本的憎水等级作为标签,对神经网络模型进行训练,将训练后的神经网络模型作为憎水性检测模型。在本实施例中,神经网络模型可以选用BP神经网络模型,BP神经网络模型包括输入层、隐含层和输出层,其中隐含层的神经元个数为9。
步骤S5、针对于要检测憎水性的复合绝缘子,获取该复合绝缘子喷水后的图像,作为测试样本图像;
步骤S6、针对于测试样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
步骤S7、将测试样本图像中提取出的特征向量输入到憎水性检测模型中,通过憎水性检测模型检测出憎水等级。
本实施例上述步骤中,针对于训练样本图像和测试样本图像,通过matlab软件进行如下图像处理,如图2中所示:
首先对图像依次进行灰度化处理和同态滤波处理;
然后根据上述处理后出现的缺陷进行直方图均衡化处理;
最后基于canny算子从图像中切割水珠的边缘,分割出图像中的水珠。
在本实施例上述方法中,从处理后的图像中提取出的水珠占绝缘子表面积的比值x、最大水珠的形状因子y、最大水珠占绝缘子表面积的比值z分别为:
其中Si为图像中第i个水珠的面积,N为图像中水珠的总数,S为图像中绝缘子的表面积,Smax为图像中最大水珠的面积;lmax为图像中最大水珠的周长。
实施例2
本实施例公开了一种复合绝缘子憎水性检测装置,如图3所示,包括:
训练样本图像获取模块,用于获取训练样本喷水后的图像,作为训练样本图像;所述训练样本通过以下方式获取到:首先获取多个复合绝缘子试品,进行清洗后采用水浸泡一定时间,可以是48~96个小时,然后将浸泡后的各复合绝缘子试品取出,分别晾干相应的时间,得到各种憎水等级的复合绝缘子试品,作为各训练样本;
训练样本憎水等级获取模块,用于通过喷水分级法获取训练样本憎水等级;
第一图像处理模块,用于针对训练样本图像进行图像处理;
第一特征提取模块,用于在训练样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
憎水性检测模型构建模块,用于将各训练样本图像的特征向量作为输入,以各训练样本的憎水等级作为标签,对神经网络模型进行训练,将训练后的神经网络模型作为憎水性检测模型;
测试样本图像获取模块,用于针对于要检测憎水性的复合绝缘子,获取该复合绝缘子喷水后的图像,作为测试样本图像;
第二图像处理模块,用于针对测试样本图像进行图像处理;
第二特征提取模块,用于在测试样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
憎水性检测模块,用于将测试样本图像中提取出的特征向量输入到憎水性检测模型中,检测出憎水等级。
上述第一图像处理模块包括第一灰度化处理模块、第一同态滤波处理模块、第一直方图均衡化处理和第一图像分割模块;其中:
第一灰度化处理模块,用于对训练样图像进行灰度化处理;
第一同态滤波处理模块,用于针对第一灰度化处理模块处理后的图像进行同态滤波处理;
第一直方图均衡化处理,用于将第一同态滤波处理模块处理后的图像中出现的缺陷进行直方图均衡化处理;
第一图像分割模块,针对于第一直方图均衡化模块处理后的图像,采用基于canny算子从图像中切割水珠的边缘,分割出图像中的水珠;
上述第二图像处理模块包括第二灰度化处理模块、第二同态滤波处理模块、第二直方图均衡化处理和第二图像分割模块;其中:
第二灰度化处理模块,用于对训练样图像进行灰度化处理;
第二同态滤波处理模块,用于针对第二灰度化处理模块处理后的图像进行同态滤波处理;
第二直方图均衡化处理,用于将第二同态滤波处理模块处理后的图像中出现的缺陷进行直方图均衡化处理;
第二图像分割模块,针对于第二直方图均衡化模块处理后的图像,采用基于canny算子从图像中切割水珠的边缘,分割出图像中的水珠。
本实施例复合绝缘子憎水性检测装置与实施例1的复合绝缘子憎水性检测方法相对应,因此各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例3
本实施例公开一种存储介质,存储有程序,所述程序被处理器执行时,实现如下复合绝缘子憎水性检测方法:
获取训练样本喷水后的图像,作为训练样本图像;其中训练样本为通过以下方式获取到:首先获取多个复合绝缘子试品,进行清洗后采用水浸泡一定时间,然后将浸泡后的各复合绝缘子试品取出,分别晾干相应的时间,得到各种憎水等级的复合绝缘子试品,作为各训练样本;
通过喷水分级法获取到训练样本憎水等级;
针对训练样本图像进行图像处理;
在训练样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
将各训练样本图像的特征向量作为输入,以各训练样本的憎水等级作为标签,对神经网络模型进行训练,将训练后的神经网络模型作为憎水性检测模型;
针对于要检测憎水性的复合绝缘子,获取该复合绝缘子喷水后的图像,作为测试样本图像;
针对测试样本图像进行图像处理;
在测试样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
将测试样本图像中提取出的特征向量输入到憎水性检测模型中,检测出憎水等级。
本实施例中存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备,如图4所示,包括通过系统总线1401连接的处理器1402、存储器、输入装置1403、显示器1404和网络接口1405。其中,处理器1402用于提供计算和控制能力,存储器包括非易失性存储介质1406和内存储器1407,该非易失性存储介质1406存储有操作系统、计算机程序和数据库,该内存储器1407为非易失性存储介质1406中的操作系统和计算机程序的运行提供环境,计算机程序被处理器1402执行时,实现如下复合绝缘子憎水性检测方法:
获取训练样本喷水后的图像,作为训练样本图像;其中训练样本为通过以下方式获取到:首先获取多个复合绝缘子试品,进行清洗后采用水浸泡一定时间,然后将浸泡后的各复合绝缘子试品取出,分别晾干相应的时间,得到各种憎水等级的复合绝缘子试品,作为各训练样本;
通过喷水分级法获取到训练样本憎水等级;
针对训练样本图像进行图像处理;
在训练样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
将各训练样本图像的特征向量作为输入,以各训练样本的憎水等级作为标签,对神经网络模型进行训练,将训练后的神经网络模型作为憎水性检测模型;
针对于要检测憎水性的复合绝缘子,获取该复合绝缘子喷水后的图像,作为测试样本图像;
针对测试样本图像进行图像处理;
在测试样本图像进行图像处理后提取出以下特征向量:水珠占绝缘子表面积的比值、最大水珠的形状因子、最大水珠占绝缘子表面积的比值以及最大水珠的长轴;
将测试样本图像中提取出的特征向量输入到憎水性检测模型中,检测出憎水等级。
本实施例中,计算设备可以为台式电脑、笔记本电脑、智能手机、PDA手持终端或平板电脑。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。