CN112819784A - 一种配电线路导线断股散股检测方法及系统 - Google Patents
一种配电线路导线断股散股检测方法及系统 Download PDFInfo
- Publication number
- CN112819784A CN112819784A CN202110133710.1A CN202110133710A CN112819784A CN 112819784 A CN112819784 A CN 112819784A CN 202110133710 A CN202110133710 A CN 202110133710A CN 112819784 A CN112819784 A CN 112819784A
- Authority
- CN
- China
- Prior art keywords
- wire
- image
- lead
- determining
- information entropy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000007547 defect Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 37
- 239000004020 conductor Substances 0.000 claims description 32
- 238000005286 illumination Methods 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000003708 edge detection Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 4
- 210000000689 upper leg Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000003709 image segmentation Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种配电线路导线断股散股检测方法及系统。该方法包括：对机巡导线图像进行预处理，确定预处理后的导线图像；分割所述预处理后的导线图像，确定分割后的导线图像；利用霍夫直线检测方法确定所述分割后的导线图像中的导线；对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域；所述导线特征包括信息熵、颜色、纹理以及形状底层。本发明提高了对导线断股散股的识别率。
Description
技术领域
本发明涉及配电线路导线断股散股检测领域，特别是涉及一种配电线路导线断股散股检测方法及系统。
背景技术
近年来，随着中国电网的快速建设，为了保证可靠稳定的供电，必须对配电线路进行实时测试，发现异常情况，采取相应的措施进行解决。导线是整个电网线路中的主要设备，负责电网中电能的传输，其安全运行关系到整个电网的稳定。散线断线的缺陷容易造成电力线路功率急剧增加导致断线或造成线路短路现象，它是电力线路缺陷中的一类重要缺陷。因此，及时发现导线缺陷对保证人们的用电安全和稳定具有重要意义。
近年来，无人机空中巡检因其高效可靠、成本低、不受地面因素影响等优势，“输电线路机巡与人巡效果对比及协同巡检建议”在电力线路运行维护中得到了快速发展。“利用Google Earth软件制定直升机巡线方案”在复杂的自然背景中对目标图像的提取和识别是电力线路故障自动诊断的一大技术瓶颈，因此有必要针对机巡采集的导线图像进行检测导线缺陷的技术研究。由机器巡视操作获得的导线图像，由于天气情况、拍摄设备、拍摄距离和角度等因素不同，图像中灰线的数值和导线所占的像素量会有差异。另外，导线多在野外架空，考虑到机器的检测操作，导线图像上的背景可能是天空、房屋、树木、草地等。线材外观的变化和复杂的背景，使断线的检测成为一个巨大的挑战。
在电力线路的提取和鉴定方面，国内外的研究和工作取得了一些初步成果。“图像处理技术在直升机巡检输电线路中的应用综述”介绍了日本利用直升机传输电缆检测的方法，利用图像处理软件检测电缆的亮度和形状，从而判断电缆的损伤情况。日韩的EHV输电本身规模较小，具有距离短但容量大的特点，“CRIEPI’s aerial inspection oftransmission conductor”在仿真领域开始利用数字仿真实时研究系统中的各种问题。目前国内有关导线缺陷检测的工作，一些拍摄极近导线图像的方法，“中日韩电网关键技术发展及趋势分析”、“采用数字图像处理方法对架空输电导线散股的研究”依靠相机采集紧邻导线的定影，且要求导线图像纹理清晰，导线提取的效果容易受到拍摄角度的影响。“基于优化Gabor滤波器的输电导线断股图像检测”将交点结构的模型图像投影出来，与导线的图像进行对比，通过识别导线中已有的交点，间接解决缺陷点的方法，可能会造成缺陷点的误检。
发明内容
本发明的目的是提供一种配电线路导线断股散股检测方法及系统，以解决现有的输电导线断股检测方法易出现误检，检测准确性低的问题。
为实现上述目的，本发明提供了如下方案：
一种配电线路导线断股散股检测方法，包括：
对机巡导线图像进行预处理，确定预处理后的导线图像；
分割所述预处理后的导线图像，确定分割后的导线图像；
利用霍夫直线检测方法确定所述分割后的导线图像中的导线；
对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域；所述导线特征包括信息熵、颜色、纹理以及形状底层。
可选的，所述对机巡导线图像进行预处理，确定预处理后的导线图像，具体包括：
采用256个灰度级对所述机巡导线图像进行灰度化处理，确定灰度化后的图像；
将滤波窗口设为15像素，对所述灰度化后的图像进行最小值滤波处理，确定滤波后的光照图；
对所述滤波后的光照图进行均值滤波处理，确定光照分布图；
去除所述灰度化后的图像中的所述光照分布图，确定预处理后的导线图像。
可选的，所述分割所述预处理后的导线图像，确定分割后的导线图像，具体包括：
分别采用边缘检测、平均灰度阈值以及手工设计阈值分割所述预处理后的导线图像，确定三张分割导线图像；
分别对三张分割导线图像进行图形学处理，确定三张图形学处理后的分割导线图像；
融合三张图形学处理后的分割导线图像，确定融合二值化图像；所述融合二值化图像为所述分割后的导线图像。
可选的，所述对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域，具体包括：
遍历霍夫直线检测方法检测到的每一根导线的所有滤波窗口，并计算不同的滤波窗口的导线信息熵以及导线轴截面面积；
根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口；所述存在异常特征的滤波窗口为缺陷区域。
可选的，所述根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口，具体包括：
判断所述导线信息熵是否大于导线信息熵阈值，得到第一判断结果；
若所述第一判断结果表示为所述导线信息熵大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为所述存在异常特征的滤波窗口；
若所述第一判断结果表示为所述导线信息熵不大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为导线正常区域；
或者，
判断所述导线轴截面面积是否等于导线轴截面标准面积，得到第二判断结果；
若所述第一判断结果表示为所述导线轴截面面积等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为导线正常区域；
若所述第一判断结果表示为所述导线轴截面面积不等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为所述存在异常特征的滤波窗口。
一种配电线路导线断股散股检测系统，包括：
预处理模块，用于对机巡导线图像进行预处理，确定预处理后的导线图像；
分割模块，用于分割所述预处理后的导线图像，确定分割后的导线图像；
导线确定模块，用于利用霍夫直线检测方法确定所述分割后的导线图像中的导线；
缺陷区域确定模块，用于对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域；所述导线特征包括信息熵、颜色、纹理以及形状底层。
可选的，所述预处理模块，具体包括：
灰度化处理单元，用于采用256个灰度级对所述机巡导线图像进行灰度化处理，确定灰度化后的图像；
最小值滤波单元，用于将滤波窗口设为15像素，对所述灰度化后的图像进行最小值滤波处理，确定滤波后的光照图；
均值滤波单元，用于对所述滤波后的光照图进行均值滤波处理，确定光照分布图；
预处理后的导线图像确定单元，用于去除所述灰度化后的图像中的所述光照分布图，确定预处理后的导线图像。
可选的，所述分割模块，具体包括：
三张分割导线图像确定单元，用于分别采用边缘检测、平均灰度阈值以及手工设计阈值分割所述预处理后的导线图像，确定三张分割导线图像；
三张图形学处理后的分割导线图像确定单元，用于分别对三张分割导线图像进行图形学处理，确定三张图形学处理后的分割导线图像；
融合二值化图像确定单元，用于融合三张图形学处理后的分割导线图像，确定融合二值化图像；所述融合二值化图像为所述分割后的导线图像。
可选的，所述缺陷区域确定模块，具体包括：
导线信息熵以及导线轴截面面积计算单元，用于遍历霍夫直线检测方法检测到的每一根导线的所有滤波窗口，并计算不同的滤波窗口的导线信息熵以及导线轴截面面积；
缺陷区域确定单元，用于根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口；所述存在异常特征的滤波窗口为缺陷区域。
可选的，所述缺陷区域确定单元，具体包括：
第一判断子单元，用于判断所述导线信息熵是否大于导线信息熵阈值，得到第一判断结果；
存在异常特征的滤波窗口第一确定子单元，用于若所述第一判断结果表示为所述导线信息熵大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为所述存在异常特征的滤波窗口；
导线正常区域第一确定子单元，用于若所述第一判断结果表示为所述导线信息熵不大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为导线正常区域；
或者，
第二判断子单元，用于判断所述导线轴截面面积是否等于导线轴截面标准面积，得到第二判断结果；
导线正常区域第二确定子单元，用于若所述第一判断结果表示为所述导线轴截面面积等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为导线正常区域；
存在异常特征的滤波窗口第二确定子单元，用于若所述第一判断结果表示为所述导线轴截面面积不等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为所述存在异常特征的滤波窗口。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种配电线路导线断股散股检测方法及系统，对机巡导线图像采用基于霍夫直线检测的方法，利用支持向量机检测导线断股散股区域，不受拍摄角度的影响，且无需直接识别导线中的缺陷点，提高了对导线断股散股的识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的配电线路导线断股散股检测方法流程图；
图2为图像预处理过程示意图；图2a为灰度化后的图像示意图；图2b为滤波后的光照图；图2c为光照分布图；图2d为预处理后的导线图像示意图；
图3为图像分割及直线检测结果示意图；图3a为未经过图像预处理的图像分割效果示意图；图3b经过图像预处理的图像分割效果示意图；图3c为未经过图像预处理的直线检测的效果示意图；图3d为经过图像预处理的直线检测的效果示意图；
图4为本发明所提供的缺陷识别结果示意图；图4a为机巡导线图像缺陷识别结果示意图；图4b为图4a中机巡导线图像缺陷识别结果放大图；
图5为本发明所提供的配电线路导线断股散股检测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种配电线路导线断股散股检测方法及系统，提高了对导线断股散股的识别率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的配电线路导线断股散股检测方法流程图，如图1所示，一种配电线路导线断股散股检测方法，包括：
步骤101：对机巡导线图像进行预处理，确定预处理后的导线图像。
所述步骤101具体包括：采用256个灰度级对所述机巡导线图像进行灰度化处理，确定灰度化后的图像；将滤波窗口设为15像素，对所述灰度化后的图像进行最小值滤波处理，确定滤波后的光照图；对所述滤波后的光照图进行均值滤波处理，确定光照分布图；去除所述灰度化后的图像中的所述光照分布图，确定预处理后的导线图像。
图像中物体的边缘像素灰度的不连续性是图像分割的重要依据。本发明预先采用256个灰度级将图像灰度化，在灰度导线图像中，同一张图像中光照情况可能是不均匀的，难以直接用一个全局阈值去进行分割：阈值偏小会导致一部分背景被识别为目标，反之则会丢失部分目标，并且，光照不均匀不利于准确定位导线区域。
考虑到同一张图像中光照不均对导线的影响，对图像进行预处理：先进行滤波变换估计亮度的分布，然后消除光照的影响，后续再做图像分割工作得到二值化图像。图像预处理的过程如图2所示。将滤波窗体大小设为15像素，首先对灰度导线图(图2a)进行最小值滤波初步得到光照图(图2b)，再进行均值滤波得到最终的光照分布图(图2c)，最后在原始灰度图像中减去光照图，得到前景目标即为去除光照影响的灰度图(图2d)。
步骤102：分割所述预处理后的导线图像，确定分割后的导线图像。
所述步骤102具体包括：分别采用边缘检测、平均灰度阈值以及手工设计阈值分割所述预处理后的导线图像，确定三张分割导线图像；分别对三张分割导线图像进行图形学处理，确定三张图形学处理后的分割导线图像；融合三张图形学处理后的分割导线图像，确定融合二值化图像；所述融合二值化图像为所述分割后的导线图像。
对经过图像预处理后的灰度图进行图像分割处理，得到二值化图像，白色表示导线部分，黑色表示背景部分。本发明采用了边缘检测、平均灰度阈值和手工设计阈值三种分割方式，分别对预处理图像进行图形学处理之后，再融合得到融合二值化图像。
采用边缘检测方法可以得到图像的边缘信息，其包含了监测导线所需的直线信息。本发明对不同的边缘检测方法进行了比较，实验结果表明使用Canny算子更容易提取出包含更完整直线信息的边缘信息。因此，本发明使用Canny算子做边缘检测以得到图像的边缘信息。使用最大类间方差法算法求出灰度图中最佳阈值，根据该阈值进行二值化处理得到导线分割图像。
最大类间方差法由日本学者大津提出，是一种自适应于双峰情况的自动求取阈值的方法，其根据图像的灰度特性自动将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大。当部分目标错分为背景或部分背景错分为目标时，差别变小。因此，使类间方差最大的分割意味着错分概率最小。
本发明还依据导线的灰度值特性人为手工设置阈值，将灰度图转化为二值图像，得到导线分割图像。实验结果表明，经过前述图像预处理步骤后的灰度图像，其导线区域的灰度值均介于100到200之间。故将灰度值范围设为100～200，得到二值化图像。
以上三种分割方法得到的二值图像中存在一些白色噪点，这将对后续直线检测造成影响，故采用图形学的方法消除黑色背景中的细小白色噪点。对于以上三种方式得到的图像，分别进行“腐蚀——膨胀——孔洞填充”的图形学操作，结构元单位为5像素，既达到消除噪声的目的又能保证目标的边缘不被破坏。为综合多种分割方法的优点，最后将经过图形学处理后的三张图像加权，得到融合二值化图像作为图像分割的最终结果。
步骤103：利用霍夫直线检测方法确定所述分割后的导线图像中的导线。
由于导线存在悬垂导致线性特性不足的问题，为避免同一根导线上检测出过多直线，将距离小于50像素的两条直线视为同一条直线以去除冗余直线。同时，为避免将复杂的背景中房屋的窗户、树枝等较短的不具备贯穿全幅图像特性的线条错误识别成导线，只检测长度大于100像素的直线。图3展示了是否进行图像预处理的图像分割及直线检测结果。其中，图3a-图3b分别为未经过/经过图像预处理的图像分割效果对比，图3c和图3d分别为在图3a和图3b基础上进行直线检测的结果，即未经过/经过图像预处理的直线检测的效果对比。可以看出，图像预处理使得导线与背景区别更明显，导线检测效果更好。
步骤104：对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域；所述导线特征包括信息熵、颜色、纹理以及形状底层。
所述步骤104具体包括：遍历霍夫直线检测方法检测到的每一根导线的所有滤波窗口，并计算不同的滤波窗口的导线信息熵以及导线轴截面面积；根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口；所述存在异常特征的滤波窗口为缺陷区域。
所述根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口，具体包括：判断所述导线信息熵是否大于导线信息熵阈值，若是，确定所述所述导线信息熵对应的滤波窗口为所述存在异常特征的滤波窗口；若否，确定所述所述导线信息熵对应的滤波窗口为导线正常区域；
或者，
判断所述导线轴截面面积是否等于导线轴截面标准面积，若是，确定所述导线轴截面面积对应的滤波窗口为导线正常区域；若否，确定所述导线轴截面面积对应的滤波窗口为所述存在异常特征的滤波窗口。
为在导线区域中进一步判断出缺陷区域，分析存在断股缺陷处导线的特点。导线断股散股并非规律性地螺旋状缠绕，而是在缺陷处散开成散乱分布，有不同程度的松散或断开现象，形成散乱的细线分叉；在图像中具体表现为，在导线断股缺陷区域，导线沿轴向方向导线粗细受到影响，且断股点附件导线有凸起情况，根据这些先验信息，手工设计特征以提取出便于识别导线缺陷的特征。
由于导线断股散股缺陷处的电线走向和排布较为杂乱，导线轴向平滑度降低，出现不同程度的毛刺，故缺陷处图像比导线正常处图像更为复杂，导线轴截面面积也产生变化，根据导线缺陷处的图像特性，本发明选择提取图像的信息熵和轴截面面积特征。
信息熵体现系统混乱或有序的程度，针对航拍的图像而言，包含断股散股缺陷的区域比正常的导线区域含有更多复杂的信息，因此熵值更大。
一定长度的导线表现出细长圆柱的几何特性，轴截面是指通过导线的轴的截面，在平面图像中，导线的径向粗细等于轴截面的面积，正常的导线轴截面应保持不变。
实验表明包含断股缺陷的区域异于正常区域，其导线轴截面面积更大(出现了散股)或更小(出现了断股)。因此，本发明选择信息熵和轴截面面积作为手工选取的图像特征来判断区域中是否包含断股散股缺陷。
因此，本发明在经过图像预处理的灰度图上计算窗口的信息熵值，在图像分割得到的二值化图像中计算窗口中白色区域的面积即计算导线轴截面面积，用信息熵和轴截面面积作为区别导线正常或缺陷的图像特征。选定了能够区分导线是否存在缺陷的特征后，接下来需针对区域图像进行分类，实现缺陷检测。首先提出一种基于滑动窗口思想的导线缺陷检测方法：对于直线检测得到的每一根导线，遍历同一根导线上的所有窗口，计算不同窗口区域的信息熵值以及轴截面面积值，找到存在异常特征值的窗口。
在滑动窗口的思想基础上，本发明提出了基于支持向量机的导线缺陷检测方法。支持向量机(Support Vector Machine，SVM)是1995年由Corinna Cortes和Vapnik等人提出的一种基于统计学习理论的机器学习方法，可以分析数据，识别模式，用于分类和回归分析。
由于能较好地解决小样本、非线性等实际问题的优势，SVM已成为智能技术领域研究的热点，目前已广泛应用于故障诊断、状态评估、模式识别等诸多领域。SVM利用支持向量来寻找最佳决策边界进行样本的二分类任务，当样本数据线性可分时，SVM所求解的最佳分界面可以转化为一个带约束的二次型优化问题；当样本数据非线性可分时，通过引入松弛变量和核函数将实际问题映射到更高维的特征空间，在高维的特征空间中构造线性判别函数来实现原空间中的有效非线性分类。
图4为本发明所提供的缺陷识别结果示意图，如图4所示，本发明能够更准确的识别出导线缺陷区域。
图5为本发明所提供的配电线路导线断股散股检测系统结构图，如图5所示，一种配电线路导线断股散股检测系统，包括：
预处理模块501，用于对机巡导线图像进行预处理，确定预处理后的导线图像。
所述预处理模块501，具体包括：灰度化处理单元，用于采用256个灰度级对所述机巡导线图像进行灰度化处理，确定灰度化后的图像；最小值滤波单元，用于将滤波窗口设为15像素，对所述灰度化后的图像进行最小值滤波处理，确定滤波后的光照图；均值滤波单元，用于对所述滤波后的光照图进行均值滤波处理，确定光照分布图；预处理后的导线图像确定单元，用于去除所述灰度化后的图像中的所述光照分布图，确定预处理后的导线图像。
分割模块502，用于分割所述预处理后的导线图像，确定分割后的导线图像。
所述分割模块502具体包括：三张分割导线图像确定单元，用于分别采用边缘检测、平均灰度阈值以及手工设计阈值分割所述预处理后的导线图像，确定三张分割导线图像；三张图形学处理后的分割导线图像确定单元，用于分别对三张分割导线图像进行图形学处理，确定三张图形学处理后的分割导线图像；融合二值化图像确定单元，用于融合三张图形学处理后的分割导线图像，确定融合二值化图像；所述融合二值化图像为所述分割后的导线图像。
导线确定模块503，用于利用霍夫直线检测方法确定所述分割后的导线图像中的导线。
缺陷区域确定模块504，用于对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域；所述导线特征包括信息熵、颜色、纹理以及形状底层。
所述缺陷区域确定模块504具体包括：导线信息熵以及导线轴截面面积计算单元，用于遍历霍夫直线检测方法检测到的每一根导线的所有滤波窗口，并计算不同的滤波窗口的导线信息熵以及导线轴截面面积；缺陷区域确定单元，用于根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口；所述存在异常特征的滤波窗口为缺陷区域。
所述缺陷区域确定单元，具体包括：第一判断子单元，用于判断所述导线信息熵是否大于导线信息熵阈值，得到第一判断结果；存在异常特征的滤波窗口第一确定子单元，用于若所述第一判断结果表示为所述导线信息熵大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为所述存在异常特征的滤波窗口；导线正常区域第一确定子单元，用于若所述第一判断结果表示为所述导线信息熵不大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为导线正常区域；
或者，第二判断子单元，用于判断所述导线轴截面面积是否等于导线轴截面标准面积，得到第二判断结果；导线正常区域第二确定子单元，用于若所述第一判断结果表示为所述导线轴截面面积等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为导线正常区域；存在异常特征的滤波窗口第二确定子单元，用于若所述第一判断结果表示为所述导线轴截面面积不等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为所述存在异常特征的滤波窗口。
在配电线路导线断股散股识别问题中，本发明利用支持向量机分类器实现导线断股散股缺陷自动检测，提高导线断股散股的识别准确率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种配电线路导线断股散股检测方法，其特征在于，包括：
对机巡导线图像进行预处理，确定预处理后的导线图像；
分割所述预处理后的导线图像，确定分割后的导线图像；
利用霍夫直线检测方法确定所述分割后的导线图像中的导线；
对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域；所述导线特征包括信息熵、颜色、纹理以及形状底层。
2.根据权利要求1所述的配电线路导线断股散股检测方法，其特征在于，所述对机巡导线图像进行预处理，确定预处理后的导线图像，具体包括：
采用256个灰度级对所述机巡导线图像进行灰度化处理，确定灰度化后的图像；
将滤波窗口设为15像素，对所述灰度化后的图像进行最小值滤波处理，确定滤波后的光照图；
对所述滤波后的光照图进行均值滤波处理，确定光照分布图；
去除所述灰度化后的图像中的所述光照分布图，确定预处理后的导线图像。
3.根据权利要求2所述的配电线路导线断股散股检测方法，其特征在于，所述分割所述预处理后的导线图像，确定分割后的导线图像，具体包括：
分别采用边缘检测、平均灰度阈值以及手工设计阈值分割所述预处理后的导线图像，确定三张分割导线图像；
分别对三张分割导线图像进行图形学处理，确定三张图形学处理后的分割导线图像；
融合三张图形学处理后的分割导线图像，确定融合二值化图像；所述融合二值化图像为所述分割后的导线图像。
4.根据权利要求3所述的配电线路导线断股散股检测方法，其特征在于，所述对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域，具体包括：
遍历霍夫直线检测方法检测到的每一根导线的所有滤波窗口，并计算不同的滤波窗口的导线信息熵以及导线轴截面面积；
根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口；所述存在异常特征的滤波窗口为缺陷区域。
5.根据权利要求4所述的配电线路导线断股散股检测方法，其特征在于，所述根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口，具体包括：
判断所述导线信息熵是否大于导线信息熵阈值，得到第一判断结果；
若所述第一判断结果表示为所述导线信息熵大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为所述存在异常特征的滤波窗口；
若所述第一判断结果表示为所述导线信息熵不大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为导线正常区域；
或者，
判断所述导线轴截面面积是否等于导线轴截面标准面积，得到第二判断结果；
若所述第一判断结果表示为所述导线轴截面面积等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为导线正常区域；
若所述第一判断结果表示为所述导线轴截面面积不等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为所述存在异常特征的滤波窗口。
6.一种配电线路导线断股散股检测系统，其特征在于，包括：
预处理模块，用于对机巡导线图像进行预处理，确定预处理后的导线图像；
分割模块，用于分割所述预处理后的导线图像，确定分割后的导线图像；
导线确定模块，用于利用霍夫直线检测方法确定所述分割后的导线图像中的导线；
缺陷区域确定模块，用于对所述导线进行特征提取，并将提取的导线特征作为支持向量机的输入，输出所述导线中的缺陷区域；所述导线特征包括信息熵、颜色、纹理以及形状底层。
7.根据权利要求6所述的配电线路导线断股散股检测系统，其特征在于，所述预处理模块，具体包括：
灰度化处理单元，用于采用256个灰度级对所述机巡导线图像进行灰度化处理，确定灰度化后的图像；
最小值滤波单元，用于将滤波窗口设为15像素，对所述灰度化后的图像进行最小值滤波处理，确定滤波后的光照图；
均值滤波单元，用于对所述滤波后的光照图进行均值滤波处理，确定光照分布图；
预处理后的导线图像确定单元，用于去除所述灰度化后的图像中的所述光照分布图，确定预处理后的导线图像。
8.根据权利要求7所述的配电线路导线断股散股检测系统，其特征在于，所述分割模块，具体包括：
三张分割导线图像确定单元，用于分别采用边缘检测、平均灰度阈值以及手工设计阈值分割所述预处理后的导线图像，确定三张分割导线图像；
三张图形学处理后的分割导线图像确定单元，用于分别对三张分割导线图像进行图形学处理，确定三张图形学处理后的分割导线图像；
融合二值化图像确定单元，用于融合三张图形学处理后的分割导线图像，确定融合二值化图像；所述融合二值化图像为所述分割后的导线图像。
9.根据权利要求8所述的配电线路导线断股散股检测系统，其特征在于，所述缺陷区域确定模块，具体包括：
导线信息熵以及导线轴截面面积计算单元，用于遍历霍夫直线检测方法检测到的每一根导线的所有滤波窗口，并计算不同的滤波窗口的导线信息熵以及导线轴截面面积；
缺陷区域确定单元，用于根据所述导线信息熵或所述导线轴截面面积确定存在异常特征的滤波窗口；所述存在异常特征的滤波窗口为缺陷区域。
10.根据权利要求9所述的配电线路导线断股散股检测系统，其特征在于，所述缺陷区域确定单元，具体包括：
第一判断子单元，用于判断所述导线信息熵是否大于导线信息熵阈值，得到第一判断结果；
存在异常特征的滤波窗口第一确定子单元，用于若所述第一判断结果表示为所述导线信息熵大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为所述存在异常特征的滤波窗口；
导线正常区域第一确定子单元，用于若所述第一判断结果表示为所述导线信息熵不大于导线信息熵阈值，确定所述所述导线信息熵对应的滤波窗口为导线正常区域；
或者，
第二判断子单元，用于判断所述导线轴截面面积是否等于导线轴截面标准面积，得到第二判断结果；
导线正常区域第二确定子单元，用于若所述第一判断结果表示为所述导线轴截面面积等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为导线正常区域；
存在异常特征的滤波窗口第二确定子单元，用于若所述第一判断结果表示为所述导线轴截面面积不等于导线轴截面标准面积，确定所述导线轴截面面积对应的滤波窗口为所述存在异常特征的滤波窗口。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133710.1A CN112819784A (zh) | 2021-02-01 | 2021-02-01 | 一种配电线路导线断股散股检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133710.1A CN112819784A (zh) | 2021-02-01 | 2021-02-01 | 一种配电线路导线断股散股检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819784A true CN112819784A (zh) | 2021-05-18 |
Family
ID=75860446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110133710.1A Pending CN112819784A (zh) | 2021-02-01 | 2021-02-01 | 一种配电线路导线断股散股检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819784A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421266A (zh) * | 2021-08-25 | 2021-09-21 | 南通电博士自动化设备有限公司 | 一种基于人工智能的输电线断股检测方法及系统 |
| CN115018784A (zh) * | 2022-05-31 | 2022-09-06 | 广东电网有限责任公司 | 一种导线散股缺陷的检测方法、装置、设备及介质 |
| GB2619576A (en) * | 2022-06-07 | 2023-12-13 | Univ Zhejiang | Method for detecting and processing corrosion defect image of tower guy wire on power transmission line |
| CN117291911A (zh) * | 2023-11-24 | 2023-12-26 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007024803A (ja) * | 2005-07-21 | 2007-02-01 | Kyushu Dengi Kaihatsu Kk | 架空送電線の異常検出方法および検出装置 |
| CN106960438A (zh) * | 2017-03-25 | 2017-07-18 | 安徽继远软件有限公司 | 基于霍夫直线变换对输电线路的异物识别方法 |
| CN108318773A (zh) * | 2017-12-20 | 2018-07-24 | 全球能源互联网研究院有限公司 | 一种输电导线断股检测方法及系统 |
| CN108734704A (zh) * | 2018-05-07 | 2018-11-02 | 西安工程大学 | 基于灰度方差归一化的输电导线断股检测技术 |
-
2021
- 2021-02-01 CN CN202110133710.1A patent/CN112819784A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007024803A (ja) * | 2005-07-21 | 2007-02-01 | Kyushu Dengi Kaihatsu Kk | 架空送電線の異常検出方法および検出装置 |
| CN106960438A (zh) * | 2017-03-25 | 2017-07-18 | 安徽继远软件有限公司 | 基于霍夫直线变换对输电线路的异物识别方法 |
| CN108318773A (zh) * | 2017-12-20 | 2018-07-24 | 全球能源互联网研究院有限公司 | 一种输电导线断股检测方法及系统 |
| CN108734704A (zh) * | 2018-05-07 | 2018-11-02 | 西安工程大学 | 基于灰度方差归一化的输电导线断股检测技术 |
Non-Patent Citations (2)
| Title |
|---|
| 王照 等: "基于图像处理技术的配电线路导线断股散股缺陷检测", 电视技术, 15 June 2020 (2020-06-15), pages 80 - 83 * |
| 齐国顺 等: "基于图像处理技术的飞机巡线导线断股缺陷检测方法", 黑龙江电力, 15 December 2017 (2017-12-15) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421266A (zh) * | 2021-08-25 | 2021-09-21 | 南通电博士自动化设备有限公司 | 一种基于人工智能的输电线断股检测方法及系统 |
| CN115018784A (zh) * | 2022-05-31 | 2022-09-06 | 广东电网有限责任公司 | 一种导线散股缺陷的检测方法、装置、设备及介质 |
| CN115018784B (zh) * | 2022-05-31 | 2024-03-12 | 广东电网有限责任公司 | 一种导线散股缺陷的检测方法、装置、设备及介质 |
| GB2619576A (en) * | 2022-06-07 | 2023-12-13 | Univ Zhejiang | Method for detecting and processing corrosion defect image of tower guy wire on power transmission line |
| CN117291911A (zh) * | 2023-11-24 | 2023-12-26 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
| CN117291911B (zh) * | 2023-11-24 | 2024-02-09 | 山东通广电子股份有限公司 | 一种用于电力设备的缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
| CN112819784A (zh) | 一种配电线路导线断股散股检测方法及系统 | |
| CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| CN107742301B (zh) | 基于图像分类的复杂背景下输电线路图像处理方法 | |
| CN104331710B (zh) | 开关状态识别系统 | |
| CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
| CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
| CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
| CN112365475A (zh) | 一种基于图像处理方式的输电线路覆冰监测方法及系统 | |
| CN111862013B (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
| CN112036464A (zh) | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 | |
| CN105741244A (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
| 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 | |
| Wang et al. | Railway insulator detection based on adaptive cascaded convolutional neural network | |
| CN111830051A (zh) | 一种基于深度学习的变电站设备漏油检测方法及检测系统 | |
| CN115690012A (zh) | 一种电能表接错线的检测方法 | |
| CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
| CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
| CN111242052A (zh) | 一种接触网刚柔导线自动判别方法及装置 | |
| CN112614094B (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
| CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
| Xuan et al. | Intelligent identification method of insulator defects based on CenterMask | |
| CN117197700A (zh) | 智能化无人巡检接触网缺陷识别系统 | |
| CN110992306B (zh) | 基于深度学习的红外图像中劣化绝缘子的分割方法及装置 | |
| CN116664487A (zh) | 一种基于深度学习的复合绝缘子缺陷检测系统及方法 |
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 |