CN111598889B - 均压环倾斜故障的识别方法、装置、计算机设备 - Google Patents

均压环倾斜故障的识别方法、装置、计算机设备 Download PDF

Info

Publication number
CN111598889B
CN111598889B CN202010457436.9A CN202010457436A CN111598889B CN 111598889 B CN111598889 B CN 111598889B CN 202010457436 A CN202010457436 A CN 202010457436A CN 111598889 B CN111598889 B CN 111598889B
Authority
CN
China
Prior art keywords
contour
equalizing ring
ring
equalizing
insulator bracket
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.)
Active
Application number
CN202010457436.9A
Other languages
English (en)
Other versions
CN111598889A (zh
Inventor
王昊
丁国斌
李彬
杨家慧
蔡思航
李星
巨擘
徐立全
费媛媛
蔡宏伟
雷锦成
巫伟林
狄阳
裴健华
文岐月
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.)
China Southern Power Grid Digital Grid Technology Guangdong Co ltd
Original Assignee
China Southern Power Grid Digital Grid Technology Guangdong 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 China Southern Power Grid Digital Grid Technology Guangdong Co ltd filed Critical China Southern Power Grid Digital Grid Technology Guangdong Co ltd
Priority to CN202010457436.9A priority Critical patent/CN111598889B/zh
Publication of CN111598889A publication Critical patent/CN111598889A/zh
Application granted granted Critical
Publication of CN111598889B publication Critical patent/CN111598889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本申请涉及一种均压环倾斜故障的识别方法、装置、计算机设备和存储介质。所述方法包括：通过获取待检测的电力杆塔巡检图像后，根据训练好的深度学习神经网络模型识别出所述电力杆塔巡检图像中的均压环区域，通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓；根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角；根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障。采用本方法能够可以自动识别出均压环，并根据均压环与其所在的绝缘子支架之间的夹角判断均压环的倾斜程度，进而判断所述均压环是否出现故障，相比现有技术，提高了均压环倾斜故障判断的准确性。

Description

均压环倾斜故障的识别方法、装置、计算机设备
技术领域
本申请涉及图像检测识别技术领域，特别是涉及一种均压环倾斜故障的识别方法、装置、计算机设备和存储介质。
背景技术
均压环是输电线路中改善绝缘子串电压分布的环状金具，作用是防侧击雷，适用的电压形式为交流，可将高压均匀分布在物体周围，保证在环形各部位之间没有电位差，从而达到均压的效果。对均压环进行定期巡检是保障电力系统安全运行的重要举措，过去的输电线路都是通过人工现场巡检勘察均压环的故障。
随着无人机航拍和基于神经网络深度学习的机器识别图像技术的发展和应用，出现了无人机自动化巡检均压环缺陷故障的技术。目前的均压环故障识别通过无人机航拍获取大量巡检照片，然后以人工看巡检照片判断故障为主，机器识别图像判断故障为辅，这在一定程度上减少了人工工作量，提升了巡检效率。
然而，目前的机器识别图像判断故障还不能完全替代人工识别，基于深度学习神经网络的缺陷识别算法存在自身的限制，其识别算法主要是通过形状和颜色特征来识别目标设备是否存在缺陷，只能识别出那些形变特征明显的缺陷，对于那种形变微小或者需要根据形变程度来判断是否存在缺陷的情况，比如均压环倾斜故障这种细微的差别，现有的深度学习神经网络还无法准确地判断均压环是否出现倾斜故障。
发明内容
基于此，有必要针对上述技术问题，提供一种能够通过深度学习神经网络模型自动识别均压环并准确判断均压环倾斜角度的均压环倾斜故障识别方法、装置、计算机设备和存储介质。
一种均压环倾斜故障的识别方法，所述方法包括：
获取待检测的电力杆塔巡检图像；
根据训练好的深度神经网络模型识别出所述电力杆塔巡检图像中的均压环区域；
通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓；
根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角；
根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障。
在其中一个实施例中，还包括：
获取电力杆塔巡检图像样本；所述图像样本中均包括均压环，还包括所述均压环所在区域的区域标注；
使用所述图像样本训练深度学习神经网络模型，得到训练好的深度学习神经网络模型。
在其中一个实施例中，所述通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓的步骤，还包括：
对所述均压环区域进行基于对比度增强的预处理，得到预处理后的图像；或者，对所述均压环区域进行基于主题颜色提取的预处理，得到预处理后的图像；
基于所述预处理后的图像，通过边缘检测算法检测所述均压环轮廓和所述均压环所在绝缘子支架轮廓。
在其中一个实施例中，所述基于对比度增强的预处理包括:灰度化、二值化、反色处理和腐蚀处理。
在其中一个实施例中，所述根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角的步骤，包括：
分别拟合出所述均压环轮廓和均压环所在绝缘子支架轮廓的最小拟合图形；所述最小拟合图形为最小边界矩形或者最小边界椭圆；
获取所述均压环轮廓的最小拟合图形的对称轴长轴所在第一直线的斜率和所述均压环所在绝缘子支架轮廓的最小拟合图形的对称轴长轴所在第二直线的斜率；
根据所述第一直线的斜率和所述第二直线的斜率，计算两直线之间的夹角，得到所述均压环的倾斜角。
在其中一个实施例中，所述分别拟合出所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓的最小拟合图形的步骤包括：
S1、获取通过边缘检测算法获取的所述均压环轮廓的初始线条和所述均压环所在绝缘子支架轮廓的初始线条，通过轮廓检测函数获取所述初始线条中组成所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条；
S2、根据所述均压环轮廓的外部轮廓线条的连接情况和距离远近以及所述均压环所在绝缘子支架轮廓的外部轮廓线条的连接情况和距离远近，对所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条进行分集处理，得到多个线条集合；每个所述线条集合中的线条组成一条连续的轮廓；
S3、按照每个所述线条集合中线条数量从多到少的顺序对所述多个线条集合进行排序；
S4、选取排序在第一位的线条集合，根据其中的轮廓拟合出所述均压环轮廓的最小拟合图形，作为所述均压环轮廓对应的第一最小拟合图形；
S5、选取排序在下一位的线条集合，根据其中的轮廓拟合出所述均压环所在绝缘子支架轮廓的第二最小拟合图形；
S6、判断所述第二最小拟合图形的中心点坐标是否穿过所述第一最小拟合图形的中心点区域；
S7、若是，得到所述均压环所在绝缘子支架轮廓的最小拟合图形；
S8、若否，返回S5的步骤，直至得到所述均压环所在绝缘子支架轮廓的最小拟合图形。
在其中一个实施例中，所述根据所述倾斜角以及预设的倾斜阈值，判断是否存在均压环倾斜故障的步骤包括：
获取所述均压环倾斜故障的检测场景；
获取所述检测场景对应的所述倾斜阈值；
若所述倾斜角小于所述倾斜阈值，则确定为所述均压环存在故障；
输出存在故障的均压环的倾斜角度数。
一种均压环倾斜故障的识别装置，所述装置包括：
图像获取模块，用于获取待检测的电力杆塔巡检图像；
均压环区域识别模块，用于根据训练好的深度神经网络模型识别出所述电力杆塔巡检图像中的均压环区域；
轮廓检测模块，用于通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓；
倾斜角计算模块，用于根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角；
均压环倾斜故障判断模块，用于根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一种均压环倾斜故障识别方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种均压环倾斜故障识别方法的步骤。
上述均压环倾斜故障的识别方法、装置、计算机设备和存储介质，通过获取待检测的电力杆塔巡检图像后，根据训练好的深度学习神经网络模型识别出所述电力杆塔巡检图像中的均压环区域，通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓；根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角；根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障，解决了现有技术中的图像识别对形变程度不明显的对象识别度较弱的问题。通过本申请的方案，可以自动识别出均压环，并根据均压环与其所在的绝缘子支架之间的夹角判断均压环的倾斜程度，进而判断所述均压环是否出现故障，相比现有技术，提高了均压环倾斜故障判断的准确性。
进一步地，本方案还可根据不同的场景需要设置不同的阈值，适用性更广泛，使得在不同的实际情况下也能不必重新训练深度神经网络模型，进一步减少了人工工作量，提高了巡检效率。
附图说明
图1为一个实施例中均压环倾斜故障识别方法的流程示意图；
图2为一个实施例中均压环区域的示意图；
图3为一个实施例中均压环的结构图；
图4为一个实施例中图像预处理方法的效果示意图；
图5为一个实施例中均压环倾斜角的计算方法示意图；
图6为一个实施例中均压环倾斜故障的识别装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种均压环倾斜故障的识别方法，可以应用于终端或者服务器中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以是独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，上述均压环倾斜故障的识别方法的应用环境中还可以包括无人机，所述无人机用于拍摄电力杆塔巡检图像并与上述终端或服务器交互。
图1为一实施例的均压环倾斜故障识别方法的示意性流程图；如图1所示，本实施例中的均压环倾斜故障识别方法包括以下步骤：
步骤S101，获取待检测的电力杆塔巡检图像；
在本步骤中，所述电力杆塔巡检图像中包括均压环和均压环所在的绝缘子支架。具体地，可通过无人机从多个角度拍摄电力杆塔照片。在另一实施例中，还可以将这些照片上传到处理系统，对图像进行检测、预处理操作，例如分割、降噪处理等，以去除图片中多余的信息，使得图像中更清楚地包含均压环和均压环所在的绝缘子支架。
在一实施例中，所述待检测的电力杆塔巡检图像中可以包括均压环的侧面图像以及对应的绝缘子支架的侧面图像。
步骤S102，根据训练好的深度神经网络模型识别出所述电力杆塔巡检图像中的均压环区域。
如图2所示，图2中识别框所围区域为均压环区域，其中包括均压环和均压环所在的绝缘子支架，所述均压环是输电线路中改善绝缘子串电压分布的环状金具，作用是防侧击雷，可将高压均匀分布在物体周围，保证在环形各部位之间没有电位差，从而达到均压的效果，均压环结构如图3所示，图3示出了均压环及其所在绝缘子支架的结构图。
在本步骤中，将上述待检测的电力杆塔巡检图像输入训练好的深度神经网络模型，深度神经网络模型经过一定的算法识别其中的均压环区域，并将该均压环区域标注出来，例如可以通过矩形识别框将均压环区域标注出来，如附图2所示。
步骤S103，通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓。
在本步骤中，边缘检测算法是一种定位二维或三维图像中的对象的边缘的系统算法，通常是根据图像灰度变化的梯度或者颜色变化的梯度进行相应的滤波处理得到对象的边缘。本申请中可以采用Canny边缘检测算法对均压环区域中的均压环进行边缘检测，还可采用其他的边缘算子对图像进行边缘检测，例如索贝尔(Sobel)算子、Prewitt算子、罗伯茨(Roberts)算子、马尔(Marr-Hildreth)边缘检测算法等，本申请对此不作限制。
步骤S104，根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角。
在本步骤中，由于均压环和均压环所在绝缘子支架是相互关联的两个部件，两者之间必存在一个夹角，该夹角可以表征均压环相对于绝缘子支架的倾斜角。在一实施例中，在图像分析中可通过找到均压环轮廓图形对应的中心轴和绝缘子支架轮廓对应的中心轴，并计算两中心轴之间的夹角(小于等于90度)，作为均压环的倾斜角。
步骤S105，根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障。
在本步骤中，预设的倾斜阈值是指根据不同的实际需要对均压环倾斜程度预先设定的阈值。例如需要优先筛选出严重倾斜的一批均压环故障，可将倾斜阈值设置为60度，若倾斜角小于等于60度，则为严重倾斜的均压环故障；由于对于无人机在同一高度拍摄的不同高度位置的均压环的角度也是不同的，故可针对无人机在同一高度拍摄的处于不同高度位置的均压环设置不同的倾斜阈值。
上述实施例通过训练好的深度神经网络模型自动识别均压环区域，减少了人工工作量，提高了巡检效率；还通过边缘检测算法获取均压环轮廓和均压环所在绝缘子支架轮廓，根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角；根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障，提高了判断均压环倾斜故障这种微小形变故障的准确性。
在另一实施例中，所述均压环倾斜故障的识别方法还包括：获取电力杆塔巡检图像样本；所述图像样本中包括均压环，还包括所述均压环所在区域的区域标注；所述图像样本中还包括均压环所在的绝缘子支架，所述区域标注还可以包括对均压环及其所在的绝缘子支架所在的区域的标注；采用所述图像样本训练深度神经网络模型，得到训练好的深度神经网络模型。
上述实施例通过人工标注均压环所在区域的图像样本训练深度神经网络模型，得到训练好的深度神经网络模型，可自动识别出均压环及其所在的绝缘子支架，减少了人工巡检工作量，提高了巡检效率。
在另一实施例中，上述步骤S103还包括：对所述均压环区域进行基于对比度增强的预处理，得到预处理后的图像；或者，对所述均压环区域进行基于主题颜色提取的预处理，得到预处理后的图像。所述对比度是衡量图像中亮与暗或黑与白之间的差异程度，差异越大，则对比度越强。所述对比度增强是指提高图像中亮与暗之间的差异程度，目的是为了突出对后续机器分析更有意义的信息。在本申请中，为了突出均压环及其所在绝缘子支架，可将均压环及其所在绝缘子支架转换为最明亮的部分，便于后续处理。在该步骤中，还可利用均压环及其所在绝缘子支架的颜色与图片背景色不同来提取图片中的主题色，即均压环及其所在绝缘子支架的颜色，并对该颜色进行增强处理，得到便于后续边缘检测处理的预处理图像。针对所述预处理后的图像，可采用Canny边缘检测算法对均压环进行边缘检测，得到均压环及其所在绝缘子支架的轮廓。本申请还可采用其他的边缘算子对图像进行处理，例如索贝尔(Sobel)算子、Prewitt算子、罗伯茨(Roberts)算子、马尔(Marr-Hildreth)边缘检测算法等，本申请对此不作限制。
上述实施例通过对所述均压环区域进行基于对比度增强的预处理，得到预处理后的图像；或者，对所述均压环区域进行基于主题颜色提取的预处理，得到预处理后的图像，将原图像转换为更适合机器处理的形式，并突出了对机器分析有意义的信息，提高了图像的使用价值；然后基于预处理后的图像，通过边缘检测算法检测所述均压环轮廓和所述均压环所在绝缘子支架轮廓，便于后续计算均压环的倾斜角。
在一实施例中，所述基于对比度增强的预处理包括:灰度化、二值化、反色处理和腐蚀处理。如图4所示，图4为基于对比度增强的图像预处理流程示意图，所述灰度化是指将彩色图像转换为只含有亮度信息、不含色彩信息的图像，所述二值化是指将图像上的像素点的灰度值设置为0(代表黑色)或255(代表白色)，也就是将整个图像呈现出明显的黑白效果的过程，所述反色处理是指在二值化图像的基础上，将白色部分转换为黑色，将黑色部分转换为白色；所述腐蚀处理是指对图像中的对象进行收缩，以寻找该对象对应的极小区域，目的是为了去除图像中的干扰信息。
在本实施例中，首先将均压环区域灰度化，可以使用公式：
Gray＝0.114B+0.587G+0.299R，其中，R、G、B分别代表原图像中每个像素的红色、绿色、蓝色三个分量，Gray为经过灰度化之后的每个像素的灰度值。
其次，通过设置一个阈值将灰度化处理后的图像中的灰度值进行过滤，实现二值化，分离出均压环及绝缘子支架的轮廓，在本申请中，设置阈值thresh为127，亮度大于127的原灰度值转换为白色，即255；亮度小于等于127的转换为黑色，即亮度值变为0，计算方法如下：
如果src(x,y)>thresh，则dst(x,y)＝maxval；否则，dst(x,y)＝0
其中，src(x,y)表示获取像素点(x,y)处的灰度值，dst(x,y)表示输出像素点(x,y)处的灰度值，thresh代表灰度值的阈值，例如这里可以取127，maxval代表二值化后的图像的最大灰度值，例如这里可以取255。
紧接着，对二值化处理后的图像进行反色处理，便于下一步处理，公式可以为：
dst(x,y)＝255-src(x,y)
其中src(x,y)表示获取像素点(x,y)处的灰度值，dst(x,y)表示输出像素点(x,y)处的灰度值。
最后，对反色处理后的图像进行腐蚀处理，去除图像中多余的干扰信息，得到均压环及其所在的绝缘子支架对应的最小化区域，便于下一步图像处理。
上述实施例通过依次对均压环区域进行灰度化、二值化、反色处理和腐蚀处理，得到包含有用信息的最小区域，便于后续使用边缘检测算法得到均压环及其所在绝缘子之间的轮廓。
在一实施例中，所述均压环倾斜故障的识别方法还包括：分别拟合出所述均压环轮廓和均压环所在绝缘子支架轮廓的最小拟合图形；所述最小拟合图形为最小边界矩形或者最小边界椭圆；获取所述均压环轮廓的最小拟合图形的对称轴长轴所在第一直线的斜率和所述均压环所在绝缘子支架轮廓的最小拟合图形的对称轴长轴所在第二直线的斜率；根据所述第一直线的斜率和所述第二直线的斜率，计算两直线之间的夹角，得到所述均压环的倾斜角。
在一实施例中，所述分别拟合出所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓的最小拟合图形的步骤包括：
S1、获取通过边缘检测算法获取的所述均压环轮廓的初始线条和所述均压环所在绝缘子支架轮廓的初始线条，通过轮廓检测函数获取所述初始线条中组成所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条；
S2、根据所述均压环轮廓的外部轮廓线条的连接情况和距离远近以及所述均压环所在绝缘子支架轮廓的外部轮廓线条的连接情况和距离远近，对所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条进行分集处理，得到多个线条集合；每个所述线条集合中的线条组成一条连续的轮廓；
S3、按照每个所述线条集合中线条数量从多到少的顺序对所述多个线条集合进行排序；
S4、选取排序在第一位的线条集合，根据其中的轮廓拟合出所述均压环轮廓的最小拟合图形，作为所述均压环轮廓对应的第一最小拟合图形；
S5、选取排序在下一位的线条集合，根据其中的轮廓拟合出所述均压环所在绝缘子支架轮廓的第二最小拟合图形；
S6、判断所述第二最小拟合图形的中心点坐标是否穿过所述第一最小拟合图形的中心点区域；
S7、若是，得到所述均压环所在绝缘子支架轮廓的最小拟合图形；
S8、若否，返回S5的步骤，直至得到所述均压环所在绝缘子支架轮廓的最小拟合图形。
具体地，首先获取通过Canny边缘检测算法得到的经过腐蚀后的均压环及其所在绝缘子支架的边缘线条，再经过轮廓检测函数获取组成均压环轮廓和均压环所在绝缘子支架轮廓的外部轮廓线条；根据所述线条连接情况和距离远近对所述均压环和所述均压环所在绝缘子支架的外部轮廓线条进行分集处理，得到多个线条集合；所述每个线条集合中的线条组成一条连续的轮廓；按照每个所述线条集合中线条数量从多到少的顺序对所述多个线条集合进行排序；选取排序在第一位的线条集合，根据其中的轮廓拟合出紧贴着所述均压环轮廓的最小拟合矩形，作为所述均压环轮廓对应的第一最小拟合矩形A；选取下一个轮廓，拟合出紧贴着轮廓的最小矩形，即为绝缘子支架轮廓的最小矩形B
判断矩形B是否穿过矩形A的中心点区域：若是，则认为矩形B有效，到下一步；若否，则认为矩形B无效，回到上一步，公式如下：
均压环轮廓的最小矩形A的四个顶点为：(xa1,ya1)，(xa2,ya2)，(xa3,ya3)，(xa4,ya4)
矩形A中2个顶点(xa1,ya1)、(xa4,ya4)的中心点(xm1,ym1)为：
xm1＝(xa1+xa4)/2，ym1＝(ya1+ya4)/2
矩形A中2个顶点(xa2,ya2)、(xa3,ya3)的中心点(xm2,ym2)为：
xm2＝(xa2+xa3)/2，ym2＝(ya2+ya3)/2
过两个中心点(xm1,ym1)和(xm2,ym2)的直线AL的函数表达式为：
y＝a1x+a2，其中
a1＝(ym2-ym1)/(xm2-xm1)，a2＝(xm2*ym1-xm1*ym2)/(xm2-xm1)
绝缘子支架轮廓的最小矩形B的四个顶点为：(xb1,yb1)，(xb2,yb2)，(xb3,yb3)，(xb4,yb4)
矩形B中2个顶点(xb1,yb1)、(xb2,yb2)的中心点(xn1,yn1)为：
xn1＝(xb1+xb2)/2，yn1＝(yb1+yb2)/2
矩形B中2个顶点(xb3,yb3)、(xb4,yb4)的中心点(xn2,yn2)为：
xn2＝(xb3+xb4)/2，yn2＝(yb3+yb4)/2
过两个中心点(xn1,yn1)和(xn2,yn2)的直线BL的函数表达式为：
y＝b1x+b2，其中
b1＝(yn2-yn1)/(xn2-xn1)，b2＝(xn2*yn1-xn1*yn2)/(xn2-xn1)
则直线BL和直线AL的交点(x0,y0)为：
x0＝(b2-a2)/(a1-b1)，y0＝(a1*b2-a2*b1)/(a1-b1)
点(xm1,ym1)与点(xm2,ym2)的距离为
d＝sqrt((xm1-xm2)2+(ym1-ym2)2)
点(x0,y0)与点(xm1,ym1)的距离为
d1＝sqrt((x0-xm1)2+(y0-ym1)2)
如果下面3个条件同时满足，则认为矩形B穿过了矩形A的中心点区域，否则认为矩形B没有穿过矩形A的中心点区域：
1、min(xm1,xm2)<x0<max(xm1,xm2)
2、min(ym1,ym2)<y0<max(ym1,ym2)
3、1/6<d1/d<5/6
其中，阈值1/6和5/6可以按实际情况配置；
上述实施例通过将所有线条集合分集并按照线条数量从多到少的顺序排序，选取第一个线条集合作为均压环的轮廓，再依次选取下一位的线条集合并判断其中心坐标是否位于第一拟合图形的中心区域，直至选出均压环所在绝缘子支架的轮廓矩形，更准确地选取了均压环及其所在绝缘子支架的拟合图形，为进一步计算均压环的倾斜角提供了更准确的数据基础。
在另一实施例中，获取所述均压环轮廓的最小拟合图形的对称轴长轴所在第一直线的斜率和所述均压环所在绝缘子支架轮廓的最小拟合图形的对称轴长轴所在第二直线的斜率；根据所述第一直线的斜率和所述第二直线的斜率，计算两直线之间的夹角，得到所述均压环的倾斜角。具体地，如图5所示，直线AL与直线BL之间的夹角(此处取小于或等于90度的角)为：
夹角θ＝arctan(|a1-b1|/|1+a1*b1|)，其中a1、b1分别为直线AL和直线BL的斜率；
上述实施例通过拟合出均压环及其所在绝缘子支架的最小拟合图形，进而找到两个最小拟合图形的中心轴，通过计算两中心轴所在直线的斜率计算出了两直线的夹角，得到均压环的倾斜家，为判断均压环是否出现倾斜故障提供了数据基础。
在一实施例中，所述均压环倾斜故障的识别方法还包括：获取所述均压环倾斜故障的检测场景；获取所述检测场景对应的倾斜阈值；若所述倾斜角小于所述倾斜阈值，则确定为所述均压环存在故障；输出存在故障的均压环的倾斜角度数。
在一实施例中，还可以事先使用人工标注具体场景的图像样本训练深度神经网络模型，得到训练好的可识别场景的深度神经网络模型，通过深度神经网络模型自动识别出待检测的图像中的场景，提取对应的预设的倾斜阈值，根据图像中均压环轮廓和均压环所在绝缘子支架轮廓计算均压环的倾斜角，判断该倾斜角是否小于当前场景对应的倾斜阈值即可识别均压环倾斜故障。例如不同的季节对均压环倾斜故障的阈值设置可能会不同，通过识别当前图像中的自然环境特征例如天气、植被特征自动识别当前图像所处的环境，若识别出当前所处的季节为夏季多雨季节，提取对应预设的倾斜阈值，例如可以为70度，当计算得到的夹角小于70度时，则可判断该均压环出现倾斜故障，输出该均压环对应的电力杆塔编号和夹角度数以及对应的提示信息，比如“提示：均压环倾斜故障”。
上述实施例通过深度神经网络模型检测不同的场景，并提取预设的倾斜阈值，可快速判断当前图像中的均压环是否出现故障，提高了均压环倾斜故障识别方法的灵活性，能够适应不同判断标准的场景而不用重新训练深度神经网络模型。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种均压环倾斜故障的识别装置900，包括：图像获取模块901、均压环区域识别模块902、轮廓检测模块903、倾斜角计算模块904和均压环倾斜故障判断模块905，其中：
图像获取模块901，用于获取待检测的电力杆塔巡检图像；
均压环区域识别模块902，用于根据训练好的深度神经网络模型识别出所述电力杆塔巡检图像中的均压环区域；
轮廓检测模块903，用于通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓；
倾斜角计算模块904，用于根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角；
均压环倾斜故障判断模块905，用于根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障。
上述装置实施例，通过获取待检测的电力杆塔巡检图像后，根据训练好的深度学习神经网络模型识别出所述电力杆塔巡检图像中的均压环区域，通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓；根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角；根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障，提高了均压环倾斜故障判断的准确性。
在一个实施例中，所述均压环倾斜故障的识别装置900还包括：深度神经网络模型训练模块，用于获取电力杆塔巡检图像样本；所述图像样本中包括均压环，还包括所述均压环所在区域的区域标注；使用所述图像样本训练深度神经网络模型，得到训练好的深度神经网络模型。
在一个实施例中，所述轮廓检测模块903还包括图像预处理单元、轮廓检测单元和最小图形拟合单元；其中图像预处理单元用于对所述均压环区域进行基于对比度增强的预处理，得到预处理后的图像；或者，对所述均压环区域进行基于主题颜色提取的预处理，得到预处理后的图像；轮廓检测单元用于基于所述预处理后的图像，通过边缘检测算法检测所述均压环轮廓和所述均压环所在绝缘子支架轮廓。
在一个实施例中，所述图像预处理单元进一步用于：对所述均压环区域进行基于对比度增强的预处理，包括：灰度化、二值化、反色处理和腐蚀处理。
在一个实施例中，所述轮廓检测单元进一步用于：
获取通过边缘检测算法获取的所述均压环轮廓的初始线条和所述均压环所在绝缘子支架轮廓的初始线条，通过轮廓检测函数获取组成所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条；
根据所述均压环轮廓的外部轮廓线条的连接情况和距离远近以及所述均压环所在绝缘子支架轮廓的外部轮廓线条的连接情况和距离远近对所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条进行分集处理，得到多个线条集合；每个所述线条集合中的线条组成一条连续的轮廓。
在一个实施例中，所述最小图形拟合单元用于分别拟合出所述均压环轮廓和均压环所在绝缘子支架轮廓的最小拟合图形；所述最小拟合图形为最小边界矩形或者最小边界椭圆；
在一个实施例中，所述最小图形拟合单元进一步用于：
按照每个所述线条集合中线条数量从多到少的顺序对所述多个线条集合进行排序；
选取排序在第一位的线条集合，根据其中的轮廓拟合出紧贴着所述均压环轮廓的最小拟合图形，作为所述均压环轮廓对应的第一最小拟合图形；
选取排序在下一位的线条集合，根据其中的轮廓拟合出紧贴着所述均压环所在绝缘子支架轮廓的第二最小拟合图形；
判断所述第二最小拟合图形的中心点坐标是否穿过所述第一最小拟合图形的中心点区域；
若是，得到所述均压环所在绝缘子支架轮廓的最小拟合图形；
若否，返回所述选取排序在下一位的线条集合，根据其中的轮廓拟合出紧贴着所述均压环所在绝缘子支架轮廓的第二最小拟合图形的步骤，直至得到所述均压环所在绝缘子支架轮廓的最小拟合图形。
在一个实施例中，所述倾斜角计算模块904，进一步用于：获取所述均压环轮廓的最小拟合图形的对称轴长轴所在第一直线的斜率和所述均压环所在绝缘子支架轮廓的最小拟合图形的对称轴长轴所在第二直线的斜率；根据所述第一直线的斜率和所述第二直线的斜率，计算两直线之间的夹角，得到所述均压环的倾斜角。
在一实施例中，所述均压环倾斜故障判断模块905进一步用于：获取所述均压环倾斜故障的检测场景；获取所述检测场景对应的所述倾斜阈值；若所述倾斜角小于所述倾斜阈值，则确定为所述均压环存在故障；输出存在故障的均压环的倾斜角度数。
关于均压环倾斜故障的识别装置的具体限定可以参见上文中对于均压环倾斜故障的识别方法的限定，在此不再赘述。上述均压环倾斜故障的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端或者服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种均压环倾斜故障的识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种均压环倾斜故障的识别方法，其特征在于，所述方法包括：
获取待检测的电力杆塔巡检图像；
根据训练好的深度神经网络模型识别出所述电力杆塔巡检图像中的均压环区域；
通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓；
根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角，包括：分别拟合出所述均压环轮廓和均压环所在绝缘子支架轮廓的最小拟合图形；所述最小拟合图形为最小边界矩形或者最小边界椭圆；获取所述均压环轮廓的最小拟合图形的对称轴长轴所在第一直线的斜率和所述均压环所在绝缘子支架轮廓的最小拟合图形的对称轴长轴所在第二直线的斜率；根据所述第一直线的斜率和所述第二直线的斜率，计算两直线之间的夹角，得到所述均压环的倾斜角；所述分别拟合出所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓的最小拟合图形的步骤包括：S1、获取通过边缘检测算法获取的所述均压环轮廓的初始线条和所述均压环所在绝缘子支架轮廓的初始线条，通过轮廓检测函数获取所述初始线条中组成所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条；S2、根据所述均压环轮廓的外部轮廓线条的连接情况和距离远近以及所述均压环所在绝缘子支架轮廓的外部轮廓线条的连接情况和距离远近，对所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条进行分集处理，得到多个线条集合；每个所述线条集合中的线条组成一条连续的轮廓；S3、按照每个所述线条集合中线条数量从多到少的顺序对所述多个线条集合进行排序；S4、选取排序在第一位的线条集合，根据其中的轮廓拟合出所述均压环轮廓的最小拟合图形，作为所述均压环轮廓对应的第一最小拟合图形；S5、选取排序在下一位的线条集合，根据其中的轮廓拟合出所述均压环所在绝缘子支架轮廓的第二最小拟合图形；S6、判断所述第二最小拟合图形的中心点坐标是否穿过所述第一最小拟合图形的中心点区域；S7、若是，得到所述均压环所在绝缘子支架轮廓的最小拟合图形；S8、若否，返回S5的步骤，直至得到所述均压环所在绝缘子支架轮廓的最小拟合图形；
根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取电力杆塔巡检图像样本；所述图像样本中包括均压环，还包括所述均压环所在区域的区域标注；
使用所述图像样本训练深度神经网络模型，得到训练好的深度神经网络模型。
3.根据权利要求1所述的方法，其特征在于，所述通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓的步骤，还包括：
对所述均压环区域进行基于对比度增强的预处理，得到预处理后的图像；或者，对所述均压环区域进行基于主题颜色提取的预处理，得到预处理后的图像；
基于所述预处理后的图像，通过边缘检测算法检测所述均压环轮廓和所述均压环所在绝缘子支架轮廓。
4.根据权利要求3所述的方法，其特征在于，所述基于对比度增强的预处理包括:灰度化、二值化、反色处理和腐蚀处理。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述根据所述倾斜角以及预设的倾斜阈值，判断是否存在均压环倾斜故障的步骤包括：
获取所述均压环倾斜故障的检测场景；
获取所述检测场景对应的所述倾斜阈值；
若所述倾斜角小于所述倾斜阈值，则确定为所述均压环存在故障；
输出存在故障的均压环的倾斜角度数。
6.一种均压环倾斜故障的识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取待检测的电力杆塔巡检图像；
均压环区域识别模块，用于根据训练好的深度神经网络模型识别出所述电力杆塔巡检图像中的均压环区域；
轮廓检测模块，用于通过边缘检测算法获取所述均压环区域中的均压环轮廓和均压环所在绝缘子支架轮廓；
倾斜角计算模块，用于根据所述均压环轮廓和所述均压环所在绝缘子支架轮廓计算均压环的倾斜角；所述倾斜角计算模块，还用于分别拟合出所述均压环轮廓和均压环所在绝缘子支架轮廓的最小拟合图形；所述最小拟合图形为最小边界矩形或者最小边界椭圆；获取所述均压环轮廓的最小拟合图形的对称轴长轴所在第一直线的斜率和所述均压环所在绝缘子支架轮廓的最小拟合图形的对称轴长轴所在第二直线的斜率；根据所述第一直线的斜率和所述第二直线的斜率，计算两直线之间的夹角，得到所述均压环的倾斜角；所述倾斜角计算模块，进一步用于获取通过边缘检测算法获取的所述均压环轮廓的初始线条和所述均压环所在绝缘子支架轮廓的初始线条，通过轮廓检测函数获取所述初始线条中组成所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条；根据所述均压环轮廓的外部轮廓线条的连接情况和距离远近以及所述均压环所在绝缘子支架轮廓的外部轮廓线条的连接情况和距离远近，对所述均压环轮廓的外部轮廓线条和所述均压环所在绝缘子支架轮廓的外部轮廓线条进行分集处理，得到多个线条集合；每个所述线条集合中的线条组成一条连续的轮廓；按照每个所述线条集合中线条数量从多到少的顺序对所述多个线条集合进行排序；选取排序在第一位的线条集合，根据其中的轮廓拟合出所述均压环轮廓的最小拟合图形，作为所述均压环轮廓对应的第一最小拟合图形；选取排序在下一位的线条集合，根据其中的轮廓拟合出所述均压环所在绝缘子支架轮廓的第二最小拟合图形；判断所述第二最小拟合图形的中心点坐标是否穿过所述第一最小拟合图形的中心点区域；若是，得到所述均压环所在绝缘子支架轮廓的最小拟合图形；若否，返回所述选取排序在下一位的线条集合，根据其中的轮廓拟合出紧贴着所述均压环所在绝缘子支架轮廓的第二最小拟合图形的步骤，直至得到所述均压环所在绝缘子支架轮廓的最小拟合图形；
均压环倾斜故障判断模块，用于根据所述倾斜角以及预设的倾斜阈值，判断所述均压环是否存在均压环倾斜故障。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括深度神经网络模型训练模块；所述深度神经网络模型训练模块，用于：
获取电力杆塔巡检图像样本；所述图像样本中包括均压环，还包括所述均压环所在区域的区域标注；
使用所述图像样本训练深度神经网络模型，得到训练好的深度神经网络模型。
8.根据权利要求6所述的装置，其特征在于，所述轮廓检测模块还包括图像预处理单元和轮廓检测单元；其中，
所述图像预处理单元，用于对所述均压环区域进行基于对比度增强的预处理，得到预处理后的图像；或者，对所述均压环区域进行基于主题颜色提取的预处理，得到预处理后的图像；
所述轮廓检测单元，用于基于所述预处理后的图像，通过边缘检测算法检测所述均压环轮廓和所述均压环所在绝缘子支架轮廓。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010457436.9A 2020-05-26 2020-05-26 均压环倾斜故障的识别方法、装置、计算机设备 Active CN111598889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010457436.9A CN111598889B (zh) 2020-05-26 2020-05-26 均压环倾斜故障的识别方法、装置、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010457436.9A CN111598889B (zh) 2020-05-26 2020-05-26 均压环倾斜故障的识别方法、装置、计算机设备

Publications (2)

Publication Number Publication Date
CN111598889A CN111598889A (zh) 2020-08-28
CN111598889B true CN111598889B (zh) 2023-08-08

Family

ID=72187889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010457436.9A Active CN111598889B (zh) 2020-05-26 2020-05-26 均压环倾斜故障的识别方法、装置、计算机设备

Country Status (1)

Country Link
CN (1) CN111598889B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381800B (zh) * 2020-11-16 2021-08-31 广东电网有限责任公司肇庆供电局 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质
CN112884715A (zh) * 2021-01-28 2021-06-01 华南理工大学 一种基于深度学习的复合绝缘子均压环倾斜故障检测方法
CN113034501B (zh) * 2021-05-25 2021-10-15 国网江苏省电力有限公司泰州供电分公司 一种基于关键点检测的均压环倾斜故障识别方法及装置
CN115063581A (zh) * 2022-05-31 2022-09-16 中国科学院沈阳自动化研究所 一种变电站环境下绝缘子串局部过曝图像的判断方法
CN114898221A (zh) * 2022-07-14 2022-08-12 灵图数据(杭州)有限公司 一种杆塔倾斜检测方法、装置、电子设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780438B (zh) * 2016-11-11 2020-09-25 广东电网有限责任公司清远供电局 基于图像处理的绝缘子缺陷检测方法及系统
CN109034184B (zh) * 2018-06-07 2022-03-11 广西电网有限责任公司玉林供电局 一种基于深度学习的均压环检测识别方法
CN109345529B (zh) * 2018-09-30 2021-09-24 福州大学 基于改进型二次目标检测网络线夹、均压环故障识别方法
CN110807765B (zh) * 2019-09-27 2023-05-02 许昌许继软件技术有限公司 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统

Also Published As

Publication number Publication date
CN111598889A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111598889B (zh) 均压环倾斜故障的识别方法、装置、计算机设备
CN112949564B (zh) 一种基于深度学习的指针式仪表自动读数方法
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
JP7113657B2 (ja) 情報処理装置、情報処理方法、及びプログラム
US11176650B2 (en) Data generation apparatus, data generation method, and data generation program
CN110678877A (zh) 使用弱监督神经网络在图像中视觉定位
CN110596120A (zh) 玻璃边界缺陷检测方法、装置、终端及存储介质
CN111680690B (zh) 一种文字识别方法及装置
CN112164048B (zh) 一种基于深度学习的磁瓦表面缺陷自动检测方法和装置
CN113435407B (zh) 一种输电系统的小目标识别方法及装置
CN116168351B (zh) 电力设备巡检方法及装置
CN111047598B (zh) 基于深度学习的输变电设备紫外放电光斑分割方法及装置
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN111626104B (zh) 一种基于无人机红外热像的电缆隐患点检测方法和装置
CN116091503B (zh) 一种面板异物缺陷的判别方法、装置、设备及介质
CN116485779A (zh) 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
CN115965934A (zh) 一种停车位检测方法及装置
CN112614094B (zh) 基于序列状态编码的绝缘子串异常定位识别方法
CN110910379B (zh) 一种残缺检测方法及装置
CN114037840A (zh) 一种基于多特征融合的输电线路视物提取方法及系统
CN113762120A (zh) 绝缘子图像分割方法、装置、电子设备及存储介质
CN115876786B (zh) 楔形焊点的检测方法及运动控制装置
CN114627114B (zh) 产品缺陷严重程度测量方法及系统及装置及介质
CN117474916B (zh) 一种图像检测方法、电子设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Address before: 511458 Room 1301, Chengtou Building, 106 Fengze East Road, Nansha District, Guangzhou City, Guangdong Province (self-compiled 1301-12159)

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

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

Effective date of registration: 20230404

Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700

Applicant after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd.

Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

GR01 Patent grant
GR01 Patent grant