CN111161236A - 复合绝缘子憎水性检测方法、装置、介质和设备 - Google Patents

复合绝缘子憎水性检测方法、装置、介质和设备 Download PDF

Info

Publication number
CN111161236A
CN111161236A CN201911374519.5A CN201911374519A CN111161236A CN 111161236 A CN111161236 A CN 111161236A CN 201911374519 A CN201911374519 A CN 201911374519A CN 111161236 A CN111161236 A CN 111161236A
Authority
CN
China
Prior art keywords
image
composite insulator
hydrophobicity
training sample
samples
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
Application number
CN201911374519.5A
Other languages
English (en)
Inventor
郝艳捧
毕继凯
阳林
况志强
孙艺杰
廖一帆
张福增
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.)
South China University of Technology SCUT
CSG Electric Power Research Institute
Original Assignee
South China University of Technology SCUT
CSG Electric Power Research Institute
Kunming UHV Laboratory of Power Grid Technology Research Center of China Southern Power Grid 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 South China University of Technology SCUT, CSG Electric Power Research Institute, Kunming UHV Laboratory of Power Grid Technology Research Center of China Southern Power Grid Co Ltd filed Critical South China University of Technology SCUT
Priority to CN201911374519.5A priority Critical patent/CN111161236A/zh
Publication of CN111161236A publication Critical patent/CN111161236A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Insulators (AREA)

Abstract

本发明公开了一种复合绝缘子憎水性检测方法、装置、介质和设备，该方法获取到训练样本，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。本发明复合绝缘子憎水性，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。

Description

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：
Figure BDA0002340565840000071
Figure BDA0002340565840000072
Figure BDA0002340565840000081
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。

Claims (10)

1.一种复合绝缘子憎水性检测方法，其特征在于，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。
2.根据权利要求1所述的复合绝缘子憎水性检测方法，其特征在于，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。
3.根据权利要求1所述的复合绝缘子憎水性检测方法，其特征在于，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。
4.根据权利要求1所述的复合绝缘子憎水性检测方法，其特征在于，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。
5.一种复合绝缘子憎水性检测装置，其特征在于，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。
6.根据权利要求5所述的复合绝缘子憎水性检测装置，其特征在于，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。
7.一种存储介质，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。
8.根据权利要求7所述的存储介质，其特征在于，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。
9.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，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。
10.根据权利要求9所述的计算设备，其特征在于，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。
CN201911374519.5A 2019-12-27 2019-12-27 复合绝缘子憎水性检测方法、装置、介质和设备 Pending CN111161236A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911374519.5A CN111161236A (zh) 2019-12-27 2019-12-27 复合绝缘子憎水性检测方法、装置、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911374519.5A CN111161236A (zh) 2019-12-27 2019-12-27 复合绝缘子憎水性检测方法、装置、介质和设备

Publications (1)

Publication Number Publication Date
CN111161236A true CN111161236A (zh) 2020-05-15

Family

ID=70558443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911374519.5A Pending CN111161236A (zh) 2019-12-27 2019-12-27 复合绝缘子憎水性检测方法、装置、介质和设备

Country Status (1)

Country Link
CN (1) CN111161236A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696060A (zh) * 2020-06-08 2020-09-22 国网新疆电力有限公司乌鲁木齐供电公司 一种复合绝缘子憎水性带电在线监测方法与系统
CN113255690A (zh) * 2021-04-15 2021-08-13 南昌大学 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法
CN116337722A (zh) * 2023-05-31 2023-06-27 国网湖北省电力有限公司超高压公司 基于图像处理的憎水性监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440495A (zh) * 2013-07-31 2013-12-11 华北电力大学（保定） 一种复合绝缘子憎水等级自动识别方法
CN105300844A (zh) * 2015-12-03 2016-02-03 国家电网公司 一种硅橡胶绝缘子憎水性等级判定方法
CN106407928A (zh) * 2016-09-13 2017-02-15 武汉大学 基于雨滴识别的变压器复合绝缘子套管监测方法及系统
CN108090487A (zh) * 2017-11-28 2018-05-29 华南理工大学 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法
CN109800854A (zh) * 2018-12-14 2019-05-24 国网甘肃省电力公司电力科学研究院 一种基于概率神经网络的复合绝缘子憎水性等级判定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440495A (zh) * 2013-07-31 2013-12-11 华北电力大学（保定） 一种复合绝缘子憎水等级自动识别方法
CN105300844A (zh) * 2015-12-03 2016-02-03 国家电网公司 一种硅橡胶绝缘子憎水性等级判定方法
CN106407928A (zh) * 2016-09-13 2017-02-15 武汉大学 基于雨滴识别的变压器复合绝缘子套管监测方法及系统
CN108090487A (zh) * 2017-11-28 2018-05-29 华南理工大学 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法
CN109800854A (zh) * 2018-12-14 2019-05-24 国网甘肃省电力公司电力科学研究院 一种基于概率神经网络的复合绝缘子憎水性等级判定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANPENG HAO ET AL.: "Icing Condition Assessment of In-Service Glass Insulators Based on Graphical Shed Spacing and Graphical Shed Overhang", 《ENERGIES》 *
郝艳捧 等: "基于相角差检测的绝缘子表面污秽受潮特性", 《高电压技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696060A (zh) * 2020-06-08 2020-09-22 国网新疆电力有限公司乌鲁木齐供电公司 一种复合绝缘子憎水性带电在线监测方法与系统
CN113255690A (zh) * 2021-04-15 2021-08-13 南昌大学 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法
CN113255690B (zh) * 2021-04-15 2022-04-12 南昌大学 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法
CN116337722A (zh) * 2023-05-31 2023-06-27 国网湖北省电力有限公司超高压公司 基于图像处理的憎水性监测方法及系统
CN116337722B (zh) * 2023-05-31 2023-10-13 国网湖北省电力有限公司超高压公司 基于图像处理的憎水性监测方法及系统

Similar Documents

Publication Publication Date Title
CN111161236A (zh) 复合绝缘子憎水性检测方法、装置、介质和设备
CN111402248A (zh) 一种基于机器视觉的输电线路导线缺陷检测方法
CN108489996B (zh) 一种绝缘子的缺陷检测方法、系统及终端设备
CN111754465B (zh) 一种绝缘子定位与掉串检测方法
CN108257138B (zh) 一种基于边缘检测的瓷质绝缘子裂缝特征检测方法
CN111784692A (zh) 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备
CN106338674B (zh) 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统
CN107833211B (zh) 基于红外图像的零值绝缘子自动检测方法及装置
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
CN112116573A (zh) 一种高精度的红外图像异常检测方法及系统
CN112069930A (zh) 提升gis设备故障诊断准确率的振动信号处理方法及装置
Xin et al. Defect detection and characterization of RTV silicone rubber coating on insulator based on visible spectrum image
CN113449769A (zh) 输电线路覆冰识别模型训练方法、识别方法及存储介质
CN113065484A (zh) 一种基于紫外图谱的绝缘子污秽状态评估方法
CN111008967B (zh) 一种绝缘子rtv涂层缺陷识别方法
CN115453281A (zh) 一种基于电场阵列的劣化绝缘子识别方法、装置及介质
CN115588021A (zh) 一种瓷绝缘子及金具无人机红外巡检图像融合分割方法
CN117093894A (zh) 一种基于神经网络的局部放电建模分析方法、系统和装置
CN105374029A (zh) 变电站设备红外图像感兴趣区域的分割方法及系统
CN113030244A (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
CN109919936B (zh) 一种复合绝缘子运行状态的分析方法、装置及设备
CN111047561A (zh) 一种复合绝缘子伞裙龟裂纹的识别方法
CN114581407B (zh) 一种光伏模块的自适应缺陷检测方法
CN117197517A (zh) 一种绝缘子污染分类方法、装置、电子设备以及介质
CN115902557A (zh) 开关柜故障诊断处理方法、装置及非易失性存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210812

Address after: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District

Applicant after: SOUTH CHINA University OF TECHNOLOGY

Applicant after: ELECTRIC POWER Research Institute CHINA SOUTHERN POWER GRID

Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District

Applicant before: SOUTH CHINA University OF TECHNOLOGY

Applicant before: ELECTRIC POWER Research Institute CHINA SOUTHERN POWER GRID

Applicant before: Kunming UHV Laboratory, Power Grid Technology Research Center, China Southern Power Grid Co.,Ltd.

WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200515