CN112509026A - 一种绝缘子裂缝长度识别方法 - Google Patents

Abstract

本发明提供一种绝缘子裂缝长度识别方法，包括以下步骤：S1：收集若干不重复的高分辨率的绝缘子图像样本，所述绝缘子图像样本包括带裂缝和不带裂缝的绝缘子图像；S2：对S1收集的绝缘子图像进行预处理；S3：构建卷积神经网络，利用预处理后的绝缘子图像进行训练和测试，得到训练好的卷积神经网络；S4：利用训练好的卷积神经网络定位绝缘子裂缝，并把含有绝缘子裂缝的绝缘子图像进行二值化处理；S5：对二值化处理后的绝缘子图像进行细分，得到仅包含裂缝像素的细化图；S6：根据细化图中像素点的直线距离，计算绝缘子裂缝长度。本发明解决了没有建模或者建模过程中计算量大，计算时间长的问题，进一步提高了裂缝计算的准确性。

Description

一种绝缘子裂缝长度识别方法

技术领域

本发明涉及变电站故障识别领域，更具体地，涉及一种绝缘子裂缝长度识别方法。

背景技术

公开日为2018年07月06日，公开号为CN108257138A的中国专利公开了一种基于边缘检测的瓷质绝缘子裂缝特征检测方法，具体按照以下步骤实施：步骤1：将采集到的彩色绝缘子图像分解为R、G、B三个通道，然后采用中值滤波去除图像在采集和传输过程中产生的噪声；步骤2：用改进的kirsch边缘检测算子分别对预处理后的三个单通道图像进行边缘检测；步骤3：采用最大类间方差法分割图像，提取得到绝缘子的裂缝区域；步骤4：计算裂缝与水平方向的夹角α，判断裂缝类型，然后分别计算R、G、B三个通道中裂缝的中心坐标、长度和面积，取其平均值作为最终检测到的绝缘子裂缝特征值。

基于边缘检测的绝缘子裂缝特征检测方法能够获取被检测绝缘子裂缝的长度，面积等特征。该方法对样本进行预处理，采用改进的Kirsch边缘颊检测方法进行骨架提取并结合最小二乘法完成拟合，从而得到连续完整的图像边缘，接着用最大类间方差法提取得到绝缘子的裂缝区域，最后分别计算3个通道裂缝的中心坐标，长度和面积，取平均值作为最终检测到的绝缘子裂缝特征。

但是该方法存在以下的问题：1.该方法针对性不强，未采用样本集进行反复训练，从而建立适用于此种检验的模型；2.计算绝缘子裂缝长度的准确度不高；3取平均值作为最终检测特征指标过于单一，容易造成误差。

针对问题1，目前常见的建模方法是使用各种卷积神经网络来进行建模，如AlexNet，VGGNet等，每种的卷积神经网络模型都有自己的优势和不足，需要结合想要实现的功能去进行选择，甚至可能需要去改造模型；针对问题2，链码计算是常用的计算长度方法，但是链码长度太长是它的一个不足点，虽然可以通过加大取样距离来缩短链码长度，但是精度会随之下降；针对问题3，分别计算3个通道裂缝的中心坐标，长度和面积，算取平均值作为最终检测特征指标，结果容易受到选取通道的影响而和实际情况存在偏差。

发明内容

本发明提供一种绝缘子裂缝长度识别方法，解决了没有建模或者建模过程中计算量大，计算时间长的问题，进一步提高了裂缝计算的准确性。

为解决上述技术问题，本发明的技术方案如下：

一种绝缘子裂缝长度识别方法，包括以下步骤：

S1：收集若干不重复的高分辨率的绝缘子图像样本，所述绝缘子图像样本包括带裂缝和不带裂缝的绝缘子图像；

S2：对S1收集的绝缘子图像进行预处理；

S3：构建卷积神经网络，利用预处理后的绝缘子图像进行训练和测试，得到训练好的卷积神经网络；

S4：利用训练好的卷积神经网络定位绝缘子裂缝，并把含有绝缘子裂缝的绝缘子图像进行二值化处理；

S5：对二值化处理后的绝缘子图像进行细分，得到仅包含裂缝像素的细化图；

S6：根据细化图中像素点的直线距离，计算绝缘子裂缝长度。

优选地，在步骤S2中对S1收集的绝缘子图像进行预处理前，还对绝缘子图像进行去除光照和角度调整，具体为：

所述去除光照如下：

对绝缘子图像进行最大值滤波再进行均值滤波后得到光照分布图，将绝缘子图像的原始图像减去光照分布图，得出去除光照的绝缘子图像；

所述角度调整如下：

采集绝缘子图像时，统一调整拍摄角度与绝缘子垂直平行，将绝缘子图像转换为灰度图像，去除离散噪点。利用边缘监测，将绝缘子图像中的绝缘子边缘进行强化处理，基于Hough变换监测绝缘子边缘，获取倾斜角度，根据倾斜角度，对绝缘子图像进行角度校正。

优选地，对绝缘子图像进行去除光照和角度调整后，还对绝缘子图像进行裁剪，将裁剪后的图片分为两类:一类是包含有裂缝的绝缘子照片，一类是不包含裂缝的绝缘子照片；按照1:1的比例从两类中各选取若干张，分别组成裂缝数据组和背景数据组，同时在两个组中，随机选取一半作为训练模型的样本，剩下的一半则作为测试模型的样本。

优选地，步骤S2中预处理包括灰度化转化、滤波、灰度化增强、二值化和锐化，具体为：

所述灰度化转化如下：

将灰度图像的R、G、B的值转化为转化前R、G、B中最大的一个；

所述滤波如下：

在图像上对目标像素给一个模板，该模板包括了其周围的临近像素，再用模板中的全体像素的平均值来代替原来像素值；

所述灰度化增强如下：

采用对数变换和指数变换增强图像的对比度；

所述二值化如下：

采用迭代法进行二值化，设定阈值将灰度图像的像素分成大于阈值的像素群和小于阈值的像素群两部分；

所述锐化如下：

采用拉普拉斯运算对图像进行锐化，根据图像某个像素的周围像素到此像素的突变程度，当邻域中心像素灰度低于它所在的领域内其它像素的平均灰度时，此中心像素的灰度被进一步降低，当邻域中心像素灰度高于它所在的邻域内其它像素的平均灰度时，此中心像素的灰度被进一步提高。

优选地，所述卷积神经网络为改进的GoogleNet卷积神经网络。

优选地，所述改进的GoogleNet卷积神经网络，具体为：

使用GoogleNet卷积神经网络的Inception V1版本，该结构将CNN中常用的卷积包括1×1、3×3和5×5、池化操作包括3×3堆叠在一起；

所述改进是将GoogleNet卷积神经网络的Inception V1版本中的Inception层中5×5卷积核，由2个3×3的卷积核串联替。

优选地，所述改进还把GoogleNet卷积神经网络的Inception V1版本中的辅助分类器去除。

优选地，步骤S4中把含有绝缘子裂缝的绝缘子图像进行二值化处理，具体为：

对绝缘子图像进行裁剪，从左往右，从上往下从数字1开始标号，分别放到训练好的卷积神经网络进行处理识别，如果识别结果为裂缝则用彩色框标记，然后按照标号顺序进行合成，得到定位后的裂缝图片和预处理后的二值化图片。

优选地，步骤S5中对二值化处理后的绝缘子图像进行细分，具体为：

S5.1：假设图像中黑色值为1，白色为0，从上到下，从左到右一次扫描每一个像素点，若当前像素点(x,y)为黑点时，需判断像素点(x-1，y+1)，(x-1，y)，(x-1，y-1)，(x，y-1)这四个包围点，该当前像素点(x,y)层数即四点层数的最小值再加1；如果当前点(x,y)为白色，层数赋值为0；

S5.2：若当前像素点(x,y)为黑点时，需判断像素点(x+1，y-1)，(x+1，y)，(x+1，y+1)，(x，y+1)这四个包围点，该当前像素点层数即四点层数的最小值再加1；如果当前点(x,y)为白色，层数赋值为0；同时既然已求得每一个点上包围层数值和下包围层数值，每个点的实际层数就是两层数值中最小值；

S5.3：从上到下，从左到右一次扫码每个像素点，此时需要判断把该像素点包围的八个点的所有层数情况，如果当前像素点的层数是周围相邻中最大，该点保留，如果当前像素点的层数值并非最大，则删除；综上步骤，即完成了二值化图像的细化。

优选地，步骤S6中根据细化图中像素点的直线距离，计算绝缘子裂缝长度，具体为：

将得到的细化图的每两个像素点进行切割，分别算出两点的直线距离，最后将所有距离相加的总和为绝缘子裂缝长度。

与现有技术相比，本发明技术方案的有益效果是：

通过对样本图片进行预处理，提高了图片提取的效率和准确度，并改进了卷积神经网络模型，以此建立绝缘子裂缝特征图像分类系统，并采取新的绝缘子裂缝长度计算方法，该方法利用图像处理技术得到的单像素细化图像，并将每两个像素点切割，从而计算出两个像素点之间的直线距离，然后将所有计算得到的距离结果求和得到裂缝的实际长度，本发明解决了没有建模或者建模过程中计算量大，计算时间长的问题，进一步提高了裂缝计算的准确性。

附图说明

图1为本发明的方法流程示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例提供一种绝缘子裂缝长度识别方法，如图1，包括以下步骤：

S1：收集若干不重复的高分辨率的绝缘子图像样本，所述绝缘子图像样本包括带裂缝和不带裂缝的绝缘子图像；采集100000张不重复的高分辨率的绝缘子照片，该类照片包含带裂缝和不带裂缝的绝缘子照片，且分辨率均为2560×2048pixel。

S2：对S1收集的绝缘子图像进行预处理；

S3：构建卷积神经网络，利用预处理后的绝缘子图像进行训练和测试，得到训练好的卷积神经网络；

S4：利用训练好的卷积神经网络定位绝缘子裂缝，并把含有绝缘子裂缝的绝缘子图像进行二值化处理；

S5：对二值化处理后的绝缘子图像进行细分，得到仅包含裂缝像素的细化图；

S6：根据细化图中像素点的直线距离，计算绝缘子裂缝长度。

在步骤S2中对S1收集的绝缘子图像进行预处理前，由于光照，拍摄角度等因素的影响，需要对绝缘子图像进行去除光照和角度调整，具体为：

所述去除光照如下：

对绝缘子图像进行最大值滤波再进行均值滤波后得到光照分布图，将绝缘子图像的原始图像减去光照分布图，得出去除光照的绝缘子图像；

所述角度调整如下：

采集绝缘子图像时，统一调整拍摄角度与绝缘子垂直平行，将绝缘子图像转换为灰度图像，利用边缘监测，将绝缘子图像中的绝缘子边缘进行强化处理，基于Hough变换监测绝缘子边缘，获取倾斜角度，根据倾斜角度，对绝缘子图像进行角度校正。

对绝缘子图像进行去除光照和角度调整后，还对绝缘子图像进行裁剪，将裁剪后的图片分为两类:一类是包含有裂缝的绝缘子照片，一类是不包含裂缝的绝缘子照片；按照1:1的比例从两类中各选取若干张，分别组成裂缝数据组和背景数据组，同时在两个组中，随机选取一半作为训练模型的样本，剩下的一半则作为测试模型的样本。

使用大小为256×256pixel的窗口对处理完照片进行裁剪，裁剪后的图片分为两类:一类是包含有裂缝的绝缘子照片，一类是不包含裂缝的绝缘子照片。按照1:1的比例从两类中各选取20000张，分别组成裂缝数据组和背景数据组，同时在两个组中，随机选取10000张作为训练模型的样本，剩下的10000张则作为测试模型的样本。

步骤S2中预处理包括灰度化转化、滤波、灰度化增强、二值化和锐化，具体为：

所述灰度化转化如下：

将灰度图像的R、G、B的值转化为转化前R、G、B中最大的一个，减少了原始数据量，提高了计算效率；

所述滤波如下：

在图像上对目标像素给一个模板，该模板包括了其周围的临近像素，再用模板中的全体像素的平均值来代替原来像素值，保留图像细节特征，抑制噪声；

所述灰度化增强如下：

采用对数变换和指数变换增强图像的对比度，对数变化的作用是使图像低灰度区得到拓展，高灰度区得到压缩。指数变化的作用是使图像高灰度区拓展，低灰度区压缩；

所述二值化如下：

采用迭代法进行二值化，设定阈值将灰度图像的像素分成大于阈值的像素群和小于阈值的像素群两部分，突出目标的轮廓，减少图像中的数据量；

所述锐化如下：

采用拉普拉斯运算对图像进行锐化，根据图像某个像素的周围像素到此像素的突变程度，当邻域中心像素灰度低于它所在的领域内其它像素的平均灰度时，此中心像素的灰度被进一步降低，当邻域中心像素灰度高于它所在的邻域内其它像素的平均灰度时，此中心像素的灰度被进一步提高，实现图像的锐化处理，它可以快速聚焦模糊边缘，提高样本中裂缝的清晰度，更加突出裂缝细节。

所述卷积神经网络为改进的GoogleNet卷积神经网络，GoogleNet团队提出Inception网络结构，是构造一种”基础神经元”结构，来搭建一个稀疏性，高计算性能的网络结构。

所述改进的GoogleNet卷积神经网络，具体为：

使用GoogleNet卷积神经网络的Inception V1版本，该结构将CNN中常用的卷积包括1×1、3×3和5×5、池化操作包括3×3堆叠在一起(卷积、池化后的尺寸相同，将通道相加)，一方面增加了网络宽度，另一方面增加了网络对尺度的适应性；

所述改进是将GoogleNet卷积神经网络的Inception V1版本中的Inception层中5×5卷积核，由2个3×3的卷积核串联替，这样当它们的输出特征数相同时，减少约25％的计算量，增加了网络的深度，提高了预测的成功率。

所述改进还把GoogleNet卷积神经网络的Inception V1版本中的辅助分类器去除，辅助分类器原本在卷积神经网络中是为了改善非常深的网络收敛，减少计算量，但是本实施例中引入辅助分类器反而会增加计算量。

步骤S4中把含有绝缘子裂缝的绝缘子图像进行二值化处理，具体为：

对绝缘子图像进行裁剪，从左往右，从上往下从数字1开始标号，分别放到训练好的卷积神经网络进行处理识别，如果识别结果为裂缝则用彩色框标记，然后按照标号顺序进行合成，得到定位后的裂缝图片和预处理后的二值化图片。

将预处理数据放到改进的GoogleNet网络进行训练得到训练好的识别裂缝模型。准备好分辨率为2560×2048pixel的样本，同样以256×256pixel的滑动窗口对样本进行裁剪，选取数量相同的含有裂缝和未含有裂缝的图像信息，然后对其进行预处理得到优化的图像进行识别。从左往右，从上往下从数字1开始标号，放到识别裂缝模型中进行处理识别，如果是裂缝则用彩色框标记，然后再按顺序合成。这样就可以得到定位后的裂缝图片以及预处理后的二值化图片。

步骤S5中对二值化处理后的绝缘子图像进行细分，是针对二值化图像而言，即提取目标图像的骨架，具体为：

S5.1：假设图像中黑色值为1，白色为0，从上到下，从左到右一次扫描每一个像素点，若当前像素点(x,y)为黑点时，需判断像素点(x-1，y+1)，(x-1，y)，(x-1，y-1)，(x，y-1)这四个包围点，该当前像素点(x,y)层数即四点层数的最小值再加1；如果当前点(x,y)为白色，层数赋值为0；

S5.2：若当前像素点(x,y)为黑点时，需判断像素点(x+1，y-1)，(x+1，y)，(x+1，y+1)，(x，y+1)这四个包围点，该当前像素点层数即四点层数的最小值再加1；如果当前点(x,y)为白色，层数赋值为0；同时既然已求得每一个点上包围层数值和下包围层数值，每个点的实际层数就是两层数值中最小值；

S5.3：从上到下，从左到右一次扫码每个像素点，此时需要判断把该像素点包围的八个点的所有层数情况，如果当前像素点的层数是周围相邻中最大，该点保留，如果当前像素点的层数值并非最大，则删除；综上步骤，即完成了二值化图像的细化。

步骤S6中根据细化图中像素点的直线距离，计算绝缘子裂缝长度，具体为：

将得到的细化图的每两个像素点进行切割，分别算出两点的直线距离，最后将所有距离相加的总和为绝缘子裂缝长度，这种方法对比常规的骨架提取法和链码计算，能够提高裂缝长度计算的效率，减少了计算时间，增加了计算的准确度，这种方法相较其它方法而言，误差更小，更接近实际长度。

本实施例还可用于路面墙体等裂缝的计算，本实施例中的改造过的GoogleNet卷积神经网络可用于模型训练。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种绝缘子裂缝长度识别方法，其特征在于，包括以下步骤：

S1：收集若干不重复的高分辨率的绝缘子图像样本，所述绝缘子图像样本包括带裂缝和不带裂缝的绝缘子图像；

S2：对S1收集的绝缘子图像进行预处理；

S3：构建卷积神经网络，利用预处理后的绝缘子图像进行训练和测试，得到训练好的卷积神经网络；

S4：利用训练好的卷积神经网络定位绝缘子裂缝，并把含有绝缘子裂缝的绝缘子图像进行二值化处理；

S5：对二值化处理后的绝缘子图像进行细分，得到仅包含裂缝像素的细化图；

S6：根据细化图中像素点的直线距离，计算绝缘子裂缝长度。

2.根据权利要求1所述的绝缘子裂缝长度识别方法，其特征在于，在步骤S2中对S1收集的绝缘子图像进行预处理前，还对绝缘子图像进行去除光照和角度调整，具体为：

所述去除光照如下：

对绝缘子图像进行最大值滤波再进行均值滤波后得到光照分布图，将绝缘子图像的原始图像减去光照分布图，得出去除光照的绝缘子图像；

所述角度调整如下：

采集绝缘子图像时，统一调整拍摄角度与绝缘子垂直平行，将绝缘子图像转换为灰度图像，利用边缘监测，将绝缘子图像中的绝缘子边缘进行强化处理，基于Hough变换监测绝缘子边缘，获取倾斜角度，根据倾斜角度，对绝缘子图像进行角度校正。

3.根据权利要求2所述的绝缘子裂缝长度识别方法，其特征在于，对绝缘子图像进行去除光照和角度调整后，还对绝缘子图像进行裁剪，将裁剪后的图片分为两类:一类是包含有裂缝的绝缘子照片，一类是不包含裂缝的绝缘子照片；按照1:1的比例从两类中各选取若干张，分别组成裂缝数据组和背景数据组，同时在两个组中，随机选取一半作为训练模型的样本，剩下的一半则作为测试模型的样本。

4.根据权利要求3所述的绝缘子裂缝长度识别方法，其特征在于，步骤S2中预处理包括灰度化转化、滤波、灰度化增强、二值化和锐化，具体为：

所述灰度化转化如下：

将灰度图像的R、G、B的值转化为转化前R、G、B中最大的一个；

所述滤波如下：

在图像上对目标像素给一个模板，该模板包括了其周围的临近像素，再用模板中的全体像素的平均值来代替原来像素值；

所述灰度化增强如下：

采用对数变换和指数变换增强图像的对比度；

所述二值化如下：

采用迭代法进行二值化，设定阈值将灰度图像的像素分成大于阈值的像素群和小于阈值的像素群两部分；

所述锐化如下：

采用拉普拉斯运算对图像进行锐化，根据图像某个像素的周围像素到此像素的突变程度，当邻域中心像素灰度低于它所在的领域内其它像素的平均灰度时，此中心像素的灰度被进一步降低，当邻域中心像素灰度高于它所在的邻域内其它像素的平均灰度时，此中心像素的灰度被进一步提高。

5.根据权利要求4所述的绝缘子裂缝长度识别方法，其特征在于，所述卷积神经网络为改进的GoogleNet卷积神经网络。

6.根据权利要求5所述的绝缘子裂缝长度识别方法，其特征在于，所述改进的GoogleNet卷积神经网络，具体为：

使用GoogleNet卷积神经网络的Inception V1版本，该结构将CNN中常用的卷积包括1×1、3×3和5×5、池化操作包括3×3堆叠在一起；

所述改进是将GoogleNet卷积神经网络的Inception V1版本中的Inception层中5×5卷积核，由2个3×3的卷积核串联替。

7.根据权利要求6所述的绝缘子裂缝长度识别方法，其特征在于，所述改进还把GoogleNet卷积神经网络的Inception V1版本中的辅助分类器去除。

8.根据权利要求7所述的绝缘子裂缝长度识别方法，其特征在于，步骤S4中把含有绝缘子裂缝的绝缘子图像进行二值化处理，具体为：

对绝缘子图像进行裁剪，从左往右，从上往下从数字1开始标号，分别放到训练好的卷积神经网络进行处理识别，如果识别结果为裂缝则用彩色框标记，然后按照标号顺序进行合成，得到定位后的裂缝图片和预处理后的二值化图片。

9.根据权利要求8所述的绝缘子裂缝长度识别方法，其特征在于，步骤S5中对二值化处理后的绝缘子图像进行细分，具体为：

S5.1：假设图像中黑色值为1，白色为0，从上到下，从左到右一次扫描每一个像素点，若当前像素点(x,y)为黑点时，需判断像素点(x-1，y+1)，(x-1，y)，(x-1，y-1)，(x，y-1)这四个包围点，该当前像素点(x,y)层数即四点层数的最小值再加1；如果当前点(x,y)为白色，层数赋值为0；

S5.2：若当前像素点(x,y)为黑点时，需判断像素点(x+1，y-1)，(x+1，y)，(x+1，y+1)，(x，y+1)这四个包围点，该当前像素点层数即四点层数的最小值再加1；如果当前点(x,y)为白色，层数赋值为0；同时既然已求得每一个点上包围层数值和下包围层数值，每个点的实际层数就是两层数值中最小值；

S5.3：从上到下，从左到右一次扫码每个像素点，此时需要判断把该像素点包围的八个点的所有层数情况，如果当前像素点的层数是周围相邻中最大，该点保留，如果当前像素点的层数值并非最大，则删除；综上步骤，即完成了二值化图像的细化。

10.根据权利要求9所述的绝缘子裂缝长度识别方法，其特征在于，步骤S6中根据细化图中像素点的直线距离，计算绝缘子裂缝长度，具体为：

将得到的细化图的每两个像素点进行切割，分别算出两点的直线距离，最后将所有距离相加的总和为绝缘子裂缝长度。

Images