CN111833347A - 一种输电线路防振锤缺陷检测方法及相关装置 - Google Patents
一种输电线路防振锤缺陷检测方法及相关装置 Download PDFInfo
- Publication number
- CN111833347A CN111833347A CN202010760618.3A CN202010760618A CN111833347A CN 111833347 A CN111833347 A CN 111833347A CN 202010760618 A CN202010760618 A CN 202010760618A CN 111833347 A CN111833347 A CN 111833347A
- Authority
- CN
- China
- Prior art keywords
- damper
- image
- detected
- neural network
- network model
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 96
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 230000005540 biological transmission Effects 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06V10/25—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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
- H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
Abstract
本申请公开了一种输电线路防振锤缺陷检测方法及相关装置,方法包括:采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征;获取初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征;将颜色特征和梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,待检测防振锤图像包括矩形定位框;将裁剪后的待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。本申请能够解决现有检测技术存在冗余计算,且检测效率较低,容易导致重大损失的技术问题。
Description
技术领域
本申请涉及电网故障检测技术领域,尤其涉及一种输电线路防振锤缺陷检测方法及相关装置。
背景技术
目前我国电网的建设发展迅速,电网系统已经覆盖了九百多万平方公里的面积,为生活在我国土地上的千家万户提供电力服务。我国国土面积比较广,有很多不同的地形,如高海拔地区和环境恶劣的地区,这一类地区的电力建设存在很多困难,同时后期的维护工作也很难进行。为了减少电线因外力而引起震动,在输电线路中的使用防振锤;一般的输电线路处在高空中,档距比较大,当电线受到外力作用时,容易发生振动,电线频繁振动容易引起周期性的弯折发生疲劳,出现输电线路断股、金具磨损和断线现象。防振锤安装在悬挂点的两侧,安装防振锤以后,能产生与导线振动相位相反的运动,从而使导线振动减弱或消除;当防振锤受到锈蚀时,防振锤的固定线夹出现松动,防振锤就会发生粘连、滑移和翻转等故障,出现这种情况防振锤的性能失效。因此对输电线路防振锤故障检测,及时发现防振锤的各种故障并迅速处理是很有必要的。
现有的基于数学形态学的故障或者缺陷检测方法存在较多冗余计算量,对检测的正检率和误检率影响较大,容易出现因缺陷检测效率较低带来重大损失的情况。
发明内容
本申请提供了一种输电线路防振锤缺陷检测方法及相关装置,用于解决现有检测技术存在冗余计算,且检测效率较低,容易导致重大损失的技术问题。
有鉴于此,本申请第一方面提供了一种输电线路防振锤缺陷检测方法,包括:
采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征;
获取所述初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征;
将所述颜色特征和所述梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,所述待检测防振锤图像包括矩形定位框;
将裁剪后的所述待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。
可选的,所述采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征,之前还包括:
构建初始神经网络模型,并对所述初始神经网络模型进行预训练操作,得到所述预置神经网络模型。
可选的,所述将裁剪后的所述待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果,之前还包括:
通过预置公式计算所述待检测防振锤图像的等效边长比,所述预置公式为:
其中,L为所述等效边长比,H为所述待检测防振锤图像的高度,W为所述待检测防振锤图像,(x1,y1)和(x2,y2)分别所述矩形定位框左上角顶点坐标和右下角顶点坐标;
在所述等效边长比大于边长比阈值时,根据裁剪阈值对所述待检测防振锤图像进行裁剪操作,得到裁剪后的所述待检测防振锤图像。
可选的,所述将裁剪后的所述待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果,之后还包括:
将所述防振锤缺陷检测结果回溯至所述初始防振锤图像上进行防振锤缺陷结果显示。
本申请第二方面提供了一种输电线路防振锤缺陷检测装置,包括:
提取模块,用于采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征;
获取模块,用于获取所述初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征;
识别模块,用于将所述颜色特征和所述梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,所述待检测防振锤图像包括矩形定位框;
检测模块,用于将裁剪后的所述待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。
可选的,还包括:
构建模块,用于构建初始神经网络模型,并对所述初始神经网络模型进行预训练操作,得到所述预置神经网络模型。
可选的,还包括:
计算模块,用于通过预置公式计算所述待检测防振锤图像的等效边长比,所述预置公式为:
其中,L为所述等效边长比,H为所述待检测防振锤图像的高度,W为所述待检测防振锤图像,(x1,y1)和(x2,y2)分别所述矩形定位框左上角顶点坐标和右下角顶点坐标;
裁剪模块,用于在所述等效边长比大于边长比阈值时,根据裁剪阈值对所述待检测防振锤图像进行裁剪操作,得到裁剪后的所述待检测防振锤图像。
可选的,还包括:
回溯模块,用于将所述防振锤缺陷检测结果回溯至所述初始防振锤图像上进行防振锤缺陷结果显示。
本申请第三方面提供了一种输电线路防振锤缺陷检测设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面任一项所述的输电线路防振锤缺陷检测方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面任一项所述的输电线路防振锤缺陷检测方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种输电线路防振锤缺陷检测方法,包括:采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征;获取初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征;将颜色特征和梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,待检测防振锤图像包括矩形定位框;将裁剪后的待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。
本申请提供的输电线路防振锤缺陷检测方法,从特征选择和分层识别两个方面提升了防振锤缺陷检测效率,从特征选择分析,并非采用单一的图像特征进行识别检测,而是针对防振锤颜色特点和外观结构特点选取了颜色特征和梯度特征,结合两种特征进行防振锤识别能够提升识别准确率;从分层识别分析,由于防振锤缺陷在整个图像中的占比较小,因此,直接对缺陷进行检测的准确率较低,先识别出初始防振锤图像中的局部防振锤,然后在裁剪后得到的待检测防振锤图像的基础上进行缺陷检测,分层识别提升缺陷检测的精度;另外,采用神经网络模型进行图像识别更具有自适应性,免除人工干预,不存在多余的冗余计算过程,且得到的结果可靠性更高。因此,本申请能够解决现有检测技术存在冗余计算,且检测效率较低,容易导致重大损失的技术问题。
附图说明
图1为本申请实施例提供的一种输电线路防振锤缺陷检测方法的一个流程示意图;
图2为本申请实施例提供的一种输电线路防振锤缺陷检测方法的另一个流程示意图;
图3为本申请实施例提供的一种输电线路防振锤缺陷检测装置的结构示意图;
图4为本申请实施例提供的分类器决策平面设置原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种输电线路防振锤缺陷检测方法的实施例一,包括:
步骤101、采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征。
需要说明的是,使用直升机进行输电线路巡检,其具有较高的灵活度和高速性,输电线路检查质量较高,技术人员使用高清摄像机对目标进行拍摄,全方位了解输电线路的具体情况,能够清楚拍摄到输电线路防振锤的情况。预置神经网络模型是采用大量的防振锤缺陷图像训练完成后得到的模型,主要用于特征提取。颜色是人们观察事物时在视觉层面上的基础特征,颜色的类别、纯度和明亮程度相对应的三个分量分别是色调、饱和度和强度,这三种颜色分量组成了HSI颜色空间,其中色调分量与亮度和对比度没有联系,色调并不会随着这两个影响因素的变化而改变,因此,在研究目标图像的色调分量中提取颜色特征比较不会受图像质量的影响,能更准确的反映目标图像的颜色特征。
步骤102、获取初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征。
需要说明的是,输电线路防振锤的外观结构可以近似看作具有一定宽度的矩形,在梯度特征上防振锤具有一定的规律性,因此提取像素点的梯度方向和梯度值能够反映出防振锤图像的梯度特征。提取的梯度特征需要进行量化,量化级数可以根据实际情况设定,最后得到的梯度特征表达形式与颜色特征的形式一致,便于后续分析计算。
步骤103、将颜色特征和梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,待检测防振锤图像包括矩形定位框。
需要说明的是,预置分类器可以由支持向量机进行训练得到,采用预置分类器对局部防振锤进行分类识别的原理是将防振锤占比较为明显或者较清晰的防振锤图像作为正样本类别,其他的作为负样本类别,并在输出前用矩形定位框标出防振锤的类矩形形状,实现防振锤的定位。得到的待检测防振锤图像就是包括矩形定位框的防振锤图,矩形定位框的左上角坐标和右下角坐标同时可以采用现有技术标出,便于后续分析计算。一般一张图像中存在多个不同大小、不同位置的局部防振锤,在进行具体的故障检测前一般需要进行基本的裁剪,得到较为清晰且占比较大的防振锤进行防振锤缺陷检测,相当于筛选过程。
步骤104、将裁剪后的待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。
需要说明的是,裁剪后的待检测防振锤图像是经过筛选的图像,其中的防振锤占比较大,也更加清晰;由于防振锤缺陷在图像中显示较小,因此需要更为精准的预置全卷积神经网络进行检测;预置全卷积神经网络模型能够接收不同功能大小的裁剪图像,而且还能提取图像中不同像素点的分布情况,即特征,分层识别检测以及针对性的神经网络模型的设计使得防振锤缺陷检测结果更加精准可靠。
本申请提供的输电线路防振锤缺陷检测方法,从特征选择和分层识别两个方面提升了防振锤缺陷检测效率,从特征选择分析,并非采用单一的图像特征进行识别检测,而是针对防振锤颜色特点和外观结构特点选取了颜色特征和梯度特征,结合两种特征进行防振锤识别能够提升识别准确率;从分层识别分析,由于防振锤缺陷在整个图像中的占比较小,因此,直接对缺陷进行检测的准确率较低,先识别出初始防振锤图像中的局部防振锤,然后在裁剪后得到的待检测防振锤图像的基础上进行缺陷检测,分层识别提升缺陷检测的精度;另外,采用神经网络模型进行图像识别更具有自适应性,免除人工干预,不存在多余的冗余计算过程,且得到的结果可靠性更高。因此,本申请能够解决现有检测技术存在冗余计算,且检测效率较低,容易导致重大损失的技术问题。
为了便于理解,请参阅图2,本申请提供了一种输电线路防振锤缺陷检测方法的实施例二,包括:
步骤201、构建初始神经网络模型,并对初始神经网络模型进行预训练操作,得到预置神经网络模型。
需要说明的是,初始神经网络模型需要进行特征提取的预训练,达到一定的标准后才能作为预置神经网络模型,用于提取本实施例中的颜色特征,一般预训练需要用到大量的相关图像,如果实际工程中的防振锤图像不够可以通过图像增强技术增加数据量,还可以用本领域的其他工程图像进行预训练,这都是不影响模型模型的训练性能的,经过训练的神经网络模型对图像的颜色更加敏感,提取的特征更加可靠。
步骤202、采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征。
需要说明的是,颜色特征的提取首先需要将初始防振锤图像的色调分量量化为12级,通过局部观测窗口获取每个像素点的颜色直方图然后将具有相似颜色直方图的像素点归为同一个集群,初始颜色特征空间被分成个集群,表示为如果ωi为第i个像素所属的集群,那么像素i的颜色特征为:
其中,αz为第z个集群相对于其他集群的颜色权重值,其取值为集群ωz中像素数量,为特定算法符号,和分别为集群ωz和集群ωi的平均颜色直方图。根据上述原理,采用预置神经网络模型处理初始防振锤图像,可以得到其色调分量中的颜色特征。
步骤203、获取初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征。
需要说明的是,为了特征表述形式的统一,提取初始防振锤图像中像素点的梯度方向和梯度值后,需要将梯度特征进行量化、集群划分处理,可以量化成8级,集群化分后,根据颜色特征的表述方法,每个像素点的梯度特征可以表述为:
其中,αq为第q个梯度特征集群相对于其他集群的梯度权重值,kt(p)为特定算法符号,kt(ωq)和kt(ωj)分别为集群ωq和集群ωj的平均梯度直方图。
步骤204、将颜色特征和梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,待检测防振锤图像包括矩形定位框。
需要说明的是,预置分类器可以由支持向量机进行训练得到,采用预置分类器对局部防振锤进行分类识别的原理是将防振锤占比较为明显或者较清晰的防振锤图像作为正样本类别,其他的作为负样本类别,并在输出前用矩形定位框标出防振锤的类矩形形状,实现防振锤的定位。得到的待检测防振锤图像就是包括矩形定位框的防振锤图,一般一张图像中存在多个不同大小、不同位置的局部防振锤。预置分类器最重要的就是找出合适的决策平面,具体过程为:先假设划分直线的法方向x已经确定,设置一条以x为法方向的直线L,该直线能够正确划分两类像素点,平行地向法方向x的两端平移直线L,当该直线触碰到像素点时,得到两条极端的直线L1和L2,在L1和L2之间的平行直线都能正确的将像素点进行类别划分,此时的两直线距离为2/||x||,请参阅图4,双向箭头的黑色实线即为法方向x;要在直线L1和L2之间选取最优划分直线,也就是最优决策面,可以假设最优直线为x·a+b=0,为了使2/||x||达到足够大,对于a和b的取值可以进行如下优化求解:
yi(x·a)+b≥1,i=1,......,n;
引入拉格朗日函数,将原问题转化为对偶问题,简化计算表述为:
其中,a,b为变量,x为法方向,λ=(λ1,λ2...,λn)R∈Rn表示拉格朗日乘子,yi为函数算子符号;得到的优化问题为:
根据上述解求得变量a,进而求取b,将得到的两个变量代入直线函数中,就可以得到最优直线,即最优决策面。
步骤205、通过预置公式计算待检测防振锤图像的等效边长比。
需要说明的是,在将待检测防振锤图像输入检测网络之前需要将局部防振锤从待检测图像中裁剪出来,因为待检测图像中存在多个防振锤,这些防振锤大小和位置均不一样,有的位于图像中间,且占比较大,这是较为理想的待检测防振锤,而同时还存在一些防振锤在待检测图像中较小,且被遮挡等情况,这些不够清晰不具备检测条件的防振锤需要筛除,不归入检测中。而计算防振锤占待检测图像的边长比就能较好的反映防振锤的图像占比情况,计算等效边长比的预置公式为:
其中,L为等效边长比,H为待检测防振锤图像的高度,W为待检测防振锤图像,(x1,y1)和(x2,y2)分别矩形定位框左上角顶点坐标和右下角顶点坐标。
步骤206、在等效边长比大于边长比阈值时,根据裁剪阈值对待检测防振锤图像进行裁剪操作,得到裁剪后的待检测防振锤图像。
需要说明的是,当等效边长比大于边长比阈值时,则说明该待检测防振锤图像中的局部防振锤的图像占比较大,比较适合进行检测;边长比阈值根据实际情况设置。裁剪阈值同样是为了限定裁剪范围设置的参数,裁剪不能超出阈值范围,以免将有效防振锤丢失,裁剪力度太小图像仍然存在冗余区域,增加处理时间,降低了处理效率。裁剪后的待检测防振锤图像是质量较好的防振锤图像,便于进行细节检测,即缺陷检测。
步骤207、将裁剪后的待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。
需要说明的是,预置全卷积神经网络模型是为了检测防振锤的局部缺陷设置的精细化网络,缺陷故障在防振锤图像中的占比极小,需要根据像素点的特征进行缺陷识别,预置全卷积神经网络模型能够较好的提取每个像素点的分布特征,提取的特征图中的每个点为对应待检测防振锤图像上的感受野中的防振锤区域概率,当该概率值超过预置范围时,则认为该点对应的待检测防振锤图像中的相应区域存在缺陷故障,从而实现防振锤缺陷检测。
步骤208、将防振锤缺陷检测结果回溯至初始防振锤图像上进行防振锤缺陷结果显示。
需要说明的是,将检测出的防振锤缺陷回溯至初始防振锤图像上便于对比观察,找到具体的缺项对应位置。
选取本申请实施例中的方法和基于形态学的检测方法进行实验对比,随机选取20组图像,得到的检测结果如下表1:
表1防振锤缺陷检测结果对比
根据表1中的正检数和误检数可以计算出不同方法的正检率和误检率,本申请实施例的检测方法的正检率是89.3%,误检率是8.7%,基于形态学的检测方法的正检率是70.2%,误检率是19.5%,从数据的对比上就可看出本申请实施例的检测方法的优势,说明本申请实施例提供的防振锤缺陷检测方法能够提升检测准确率,鲁棒性也更强。
为了便于理解,请参阅图3,本申请还提供了一种输电线路防振锤缺陷检测装置的实施例,包括:
提取模块301,用于采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征;
获取模块302,用于获取初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征;
识别模块303,用于将颜色特征和梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,待检测防振锤图像包括矩形定位框;
检测模块304,用于将裁剪后的待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。
进一步地,还包括:
构建模块305,用于构建初始神经网络模型,并对初始神经网络模型进行预训练操作,得到预置神经网络模型。
进一步地,还包括:
计算模块306,用于通过预置公式计算待检测防振锤图像的等效边长比,预置公式为:
其中,L为等效边长比,H为待检测防振锤图像的高度,W为待检测防振锤图像,(x1,y1)和(x2,y2)分别矩形定位框左上角顶点坐标和右下角顶点坐标;
裁剪模块307,用于在等效边长比大于边长比阈值时,根据裁剪阈值对待检测防振锤图像进行裁剪操作,得到裁剪后的待检测防振锤图像。
进一步地,还包括:
回溯模块308,用于将防振锤缺陷检测结果回溯至初始防振锤图像上进行防振锤缺陷结果显示。
本申请还提供了一种输电线路防振锤缺陷检测设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行上述方法实施例中任一项输电线路防振锤缺陷检测方法。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行上述方法实施例中任一项输电线路防振锤缺陷检测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种输电线路防振锤缺陷检测方法,其特征在于,包括:
采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征;
获取所述初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征;
将所述颜色特征和所述梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,所述待检测防振锤图像包括矩形定位框;
将裁剪后的所述待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。
2.根据权利要求1所述的输电线路防振锤缺陷检测方法,其特征在于,所述采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征,之前还包括:
构建初始神经网络模型,并对所述初始神经网络模型进行预训练操作,得到所述预置神经网络模型。
4.根据权利要求1所述的输电线路防振锤缺陷检测方法,其特征在于,所述将裁剪后的所述待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果,之后还包括:
将所述防振锤缺陷检测结果回溯至所述初始防振锤图像上进行防振锤缺陷结果显示。
5.一种输电线路防振锤缺陷检测装置,其特征在于,包括:
提取模块,用于采用预置神经网络模型提取初始防振锤图像的色调分量中的颜色特征;
获取模块,用于获取所述初始防振锤图像像素点的梯度方向和梯度值,得到梯度特征;
识别模块,用于将所述颜色特征和所述梯度特征输入预置分类器中对局部防振锤进行识别,得到待检测防振锤图像,所述待检测防振锤图像包括矩形定位框;
检测模块,用于将裁剪后的所述待检测防振锤图像输入预置全卷积神经网络模型中进行缺陷检测处理,得到防振锤缺陷检测结果。
6.根据权利要求5所述的输电线路防振锤缺陷检测装置,其特征在于,还包括:
构建模块,用于构建初始神经网络模型,并对所述初始神经网络模型进行预训练操作,得到所述预置神经网络模型。
8.根据权利要求5所述的输电线路防振锤缺陷检测装置,其特征在于,还包括:
回溯模块,用于将所述防振锤缺陷检测结果回溯至所述初始防振锤图像上进行防振锤缺陷结果显示。
9.一种输电线路防振锤缺陷检测设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的输电线路防振锤缺陷检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的输电线路防振锤缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760618.3A CN111833347A (zh) | 2020-07-31 | 2020-07-31 | 一种输电线路防振锤缺陷检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760618.3A CN111833347A (zh) | 2020-07-31 | 2020-07-31 | 一种输电线路防振锤缺陷检测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833347A true CN111833347A (zh) | 2020-10-27 |
Family
ID=72919206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010760618.3A Pending CN111833347A (zh) | 2020-07-31 | 2020-07-31 | 一种输电线路防振锤缺陷检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833347A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347952A (zh) * | 2020-11-11 | 2021-02-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
CN113326602A (zh) * | 2020-11-13 | 2021-08-31 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于系统敏感系数的防振锤设计方法 |
CN113793338A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 一种带孔金属件缺陷检测方法、系统、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105572541A (zh) * | 2015-12-07 | 2016-05-11 | 浙江大学 | 一种基于视觉注意机制的高压巡线故障检测方法及系统 |
CN105718964A (zh) * | 2014-12-02 | 2016-06-29 | 中国科学院沈阳自动化研究所 | 一种输电线防振锤的视觉检测方法 |
CN107680091A (zh) * | 2017-10-12 | 2018-02-09 | 成都思晗科技股份有限公司 | 一种输电线路的防震锤脱落缺陷检测方法 |
CN108280855A (zh) * | 2018-01-13 | 2018-07-13 | 福州大学 | 一种基于Fast R-CNN的绝缘子故障检测方法 |
CN110826413A (zh) * | 2019-10-10 | 2020-02-21 | 深圳供电局有限公司 | 一种输电线路防振锤故障检测方法及其系统、存储介质 |
-
2020
- 2020-07-31 CN CN202010760618.3A patent/CN111833347A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718964A (zh) * | 2014-12-02 | 2016-06-29 | 中国科学院沈阳自动化研究所 | 一种输电线防振锤的视觉检测方法 |
CN105572541A (zh) * | 2015-12-07 | 2016-05-11 | 浙江大学 | 一种基于视觉注意机制的高压巡线故障检测方法及系统 |
CN107680091A (zh) * | 2017-10-12 | 2018-02-09 | 成都思晗科技股份有限公司 | 一种输电线路的防震锤脱落缺陷检测方法 |
CN108280855A (zh) * | 2018-01-13 | 2018-07-13 | 福州大学 | 一种基于Fast R-CNN的绝缘子故障检测方法 |
CN110826413A (zh) * | 2019-10-10 | 2020-02-21 | 深圳供电局有限公司 | 一种输电线路防振锤故障检测方法及其系统、存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347952A (zh) * | 2020-11-11 | 2021-02-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
CN112347952B (zh) * | 2020-11-11 | 2021-05-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
CN113326602A (zh) * | 2020-11-13 | 2021-08-31 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于系统敏感系数的防振锤设计方法 |
CN113326602B (zh) * | 2020-11-13 | 2023-05-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于系统敏感系数的防振锤设计方法 |
CN113793338A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 一种带孔金属件缺陷检测方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
US10860879B2 (en) | Deep convolutional neural networks for crack detection from image data | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN111833347A (zh) | 一种输电线路防振锤缺陷检测方法及相关装置 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN109215034B (zh) | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN109657600B (zh) | 一种视频区域移除篡改检测方法和装置 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN110414538A (zh) | 缺陷分类方法、缺陷分类训练方法及其装置 | |
CN108182381B (zh) | 基于快速Adaboost训练算法的自动扶梯乘客检测方法 | |
CN110826684A (zh) | 卷积神经网络的压缩方法、装置、电子设备和介质 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
CN109918971A (zh) | 监控视频中人数检测方法及装置 | |
KR20180109658A (ko) | 영상 처리 방법과 장치 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
CN110751667A (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
CN116977931A (zh) | 一种基于深度学习的高空抛物识别方法 | |
CN109657577B (zh) | 一种基于熵和运动偏移量的动物检测方法 | |
CN110490170A (zh) | 一种人脸候选框提取方法 | |
CN110826413A (zh) | 一种输电线路防振锤故障检测方法及其系统、存储介质 | |
CN116309270A (zh) | 一种基于双目图像的输电线路典型缺陷识别方法 |
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 |