CN113643234A - 一种复合绝缘子破损检测方法、终端设备及可读存储介质 - Google Patents
一种复合绝缘子破损检测方法、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN113643234A CN113643234A CN202110755936.5A CN202110755936A CN113643234A CN 113643234 A CN113643234 A CN 113643234A CN 202110755936 A CN202110755936 A CN 202110755936A CN 113643234 A CN113643234 A CN 113643234A
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- image
- edge
- detection
- ellipse
- 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.)
- Granted
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 112
- 239000002131 composite material Substances 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000003708 edge detection Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000010298 pulverizing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000001629 suppression 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
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000037353 metabolic pathway Effects 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
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000004945 silicone rubber Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000005341 toughened glass Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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 using histogram techniques
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请属于图像处理技术领域,特别是涉及一种复合绝缘子破损检测方法、终端设备及可读存储介质。目前国内复合绝缘子在线监测方法主要采取人工巡检维护的方法。但是这种方法存在很多问题。由于输电线路所处的环境复杂,人工巡检存在很大的困难,并且存在很大的危险性。本申请提供了一种复合绝缘子破损检测方法,获取复合绝缘子图像,对图像进行预处理;对所述预处理后的图像进行边缘检测,得到复合绝缘子伞裙的边缘;对边缘进行椭圆检测;通过椭圆内像素点到椭圆边缘的距离对所述复合绝缘子进行破损检测。能够对复合绝缘子的破损进行有效的识别。
Description
技术领域
本申请属于图像处理技术领域,特别是涉及一种复合绝缘子破损检测方法、终端设备及可读存储介质。
背景技术
绝缘子是架空输电线路的重要元件,是杆塔的主要绝缘体,按其材质可分为硅橡胶复合绝缘子(以下简称“复合绝缘子”)、瓷绝缘子、钢化玻璃绝缘子等多种类型。其中复合绝缘子因其重量轻、憎水性优良等特点而被广泛应用。在输电线路中,绝缘子不仅对导线起支撑作用,还能防止电流对地形成通道。但是由于长期的日晒雨淋、风霜雪露,再加上长期的强电场和机械负荷的影响,以及复合绝缘子本身的质量与结构的制约、人为的破坏,复合绝缘子可能出现破损现象。当复合绝缘子串发生破损时,则可能会丧失绝缘性能,严重时会引起电网事故,给国民经济造成严重损失。因此对复合绝缘子进行定期检测时非常必要的。
目前国内复合绝缘子在线监测方法主要采取人工巡检维护的方法。但是这种方法存在很多问题。由于输电线路所处的环境复杂,人工巡检存在很大的困难,并且存在很大的危险性。
发明内容
1.要解决的技术问题
基于复合绝缘子是目前应用广泛的一种绝缘子,由于长期的机械负荷、环境气候的影响,长期的强电场作用,加上人为的破坏,使得复合绝缘子串可能出现破损现象,当复合绝缘子串发生破损时,则可能会丧失绝缘能力,严重时将引起电网事故为了减少因绝缘子串外力破损给输电线路运行带来的严重影响的问题,本申请提供了一种复合绝缘子破损检测方法、终端设备及可读存储介质。
2.技术方案
为了达到上述的目的,本申请提供了一种复合绝缘子破损检测方法,所述方法包括:获取复合绝缘子图像,对所述图像进行预处理;对所述预处理后的图像进行边缘检测,得到复合绝缘子伞裙的边缘;对所述边缘进行椭圆检测,实现复合绝缘子伞裙轮廓的定位,并为后续破损检测做准备;通过椭圆内像素点到椭圆边缘的距离对所述复合绝缘子进行破损检测。
本申请提供的另一种实施方式为:所述预处理包括对所述图像进行灰度化、去噪和增强。
本申请提供的另一种实施方式为:采用加权平均法对所述图像进行灰度化处理,所述去噪采用高斯滤波器对噪声进行滤波;所述增强采用直方图均衡化灰度图像。
本申请提供的另一种实施方式为:所述边缘检测采用Canny算子提取复合绝缘子边缘,所述边缘检测采用二值化消除污染和粉化对边缘检测的影响。
本申请提供的另一种实施方式为:采用随机霍夫变换实现所述椭圆检测。
本申请提供的另一种实施方式为:所述破损形式包括裂纹、半破损和破损。
本申请提供的另一种实施方式为:对采集的原始图像通过目标检测识别复合绝缘子后,对所述原始图像进行裁剪得到所述复合绝缘子图像。
本申请提供的另一种实施方式为:所述目标检测采用Faster-RCNN和VGG-16网络对所述图像中的复合绝缘子进行检测。
本申请还提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的方法。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所属计算机程序被处理器执行时实现所述的方法。
3.有益效果
与现有技术相比,本申请提供的一种复合绝缘子破损检测方法、终端设备及可读存储介质的有益效果在于:
本申请提供的复合绝缘子破损检测方法,提高线路的运行维护水平。
本申请提供的复合绝缘子破损检测方法,通过分析复合绝缘子边缘的椭圆特征,提出了一种基于随机Hough变换椭圆检测的方法来实现复合绝缘子的破损检测,通过图像处理技术,采用Canny算子进行边缘检测,得到复合绝缘子的边缘轮廓,并对边缘检测的结果进行椭圆检测,然后通过分析椭圆内边缘点到椭圆边缘的距离实现破损的检测。实验结果表明,该算法能够对复合绝缘子的破损进行有效的识别。
本申请提供的复合绝缘子破损检测方法,为一种基于可见光图像的复合绝缘子故障智能评估方法。
本申请提供的复合绝缘子破损检测方法,无需对具体故障类型进行大量训练数据集,即可对复合绝缘子三种典型故障进行判别,实现了复合绝缘子破损面积的计算,为架空输电线路复合绝缘子故障在线评估提供了一种新的思路。
附图说明
图1是本申请的各类复合绝缘子伞裙破损示例示意图;
图2是本申请的复合绝缘子破损检测过程示意图;
图3是本申请的各类复合绝缘子伞裙破损示例检测结果;
图4是本申请的复合绝缘子破损检测过程示意图;
图5是本申请的终端设备结构示意图。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
随着高速数字图像采样技术和数字图像处理技术的发展,为我们采用图像处理的方法对复合绝缘子的破损情况进行识别提供了可能性。参见图1~5,本申请提供一种复合绝缘子破损检测方法,所述方法包括:采集复合绝缘子图像,对所述图像进行预处理;对所述预处理后的图像进行边缘检测,得到复合绝缘子伞裙的边缘;对所述边缘进行椭圆检测,实现复合绝缘子伞裙轮廓的定位,并为后续破损检测做准备;通过椭圆内像素点到椭圆边缘的距离对所述复合绝缘子进行破损检测。
进一步地,所述预处理包括对所述图像进行灰度化、去噪和增强。
进一步地,采用加权平均法对所述图像进行灰度化处理,所述去噪采用高斯滤波器对噪声进行滤波;所述增强采用直方图均衡化灰度图像。复合绝缘子一般位于露天环境中,可见光图像中总是以树木、农田等为背景。另一方面,图像也会受到诸如光和电磁干扰等噪声的影响。这些干扰可以减少,但它们是不可避免的。因此,对采集到的图像进行图像预处理,以减少噪声干扰,提高图像对比度,为快速准确识别复合绝缘子破损情况奠定基础。图像预处理分为灰度化、图像去噪和图像增强三个步骤。
采用加权平均法对原始图像进行灰度化处理。具体表达式如(1)所示。
gray=R×0.299+G×0.587+B×0.114 (1)
其中gray为0-255中的某个整数,代表该点处的灰度等级。
采用高斯滤波器对噪声进行滤波。高斯滤波器的主要思想是用高斯模板与图像进行卷积,根据模板确定的加权平均值来表示中心点的值。其卷积运算如(2)所示。
Iσ=I*Gσ (2)
其中Iσ为滤波后的图像,Gσ为标准差为σ的高斯模板。高斯模板定义为(3)。
其中x2、y2表示高斯模板中心邻域内的像素与模板中心像素之间的距离。
灰度图像的直方图均衡化是目前最常用的图像增强方法。对于一幅离散图像,第i个灰度级ri的频率用ni表示,即对应于灰度级像素的概率。
其中Pr(ri)为第i个灰度级ri对应的概率值,mi为级别ri上出现的像素数。m为像素总数。图像直方图均衡化的函数表达式如(5)所示。
其中Si为第i个灰度级的像素点数,k为灰度级级数。
进一步地,所述边缘检测采用Canny算子提取复合绝缘子边缘,所述边缘检测采用二值化消除污染和粉化对边缘检测的影响。
图像的边缘信息在伞裙的提取中尤为重要。通过边缘检测,可以得到复合绝缘子破损的边缘。
Canny算子以其误判率低、精度高、抑制虚假边缘等优点在各个领域得到了广泛的应用。因此,采用Canny算子提取复合绝缘子边缘。然而,由于污秽或粉化的存在,边缘检测结果不仅有了伞裙的边缘,还包括了污秽和粉化的边缘。在边缘图像中,污秽和粉化边缘的灰度值低于伞裙边缘的灰度值。二值化是将大于设定阈值的像素点的灰度值设置为255,小于设定阈值的像素点的灰度值设置为0的过程。因此,二值化可以消除污染和粉化对边缘检测的影响。
边缘检测的步骤如下所示。
计算滤波后图像的梯度幅值和方向;计算梯度幅值M(i,j)和梯度方向H(i,j)的公式如(6)、(7)、(8)所示。
H(i,j)=arctan[kx(i,j),ky(i,j)] (7)
其中kx和ky分别是原图像被滤波器fx和fy沿行、列作用的结果。
对所有元素沿梯度方向的梯度幅值应用非极大值抑制,具体是用3×3窗口在8个方向的领域对M(i,j)的所有元素沿梯度方向进行梯度幅值的插值;对经过非极大值抑制的梯度幅值采用双阈值算法检测和连接边缘,用高阈值Hth和低阈值Lth对经过非极大值抑制的梯度幅值处理,分割得到2个阈值的边缘图像H(i,j)和L(i,j),并连接两张边缘图像;对边缘图像进行二值化;对二值化图像中的边缘进行细化。
进一步地,采用随机霍夫变换实现所述椭圆检测。
复合绝缘子伞裙为圆形,但由于拍摄角度的原因,使得图像中复合绝缘子伞裙呈椭圆形,因此可以采用椭圆检测的方法对边缘图像中伞裙轮廓进行检测,实现伞裙边缘的准确定位。随机霍夫(Hough)变换实现椭圆检测(椭圆检测的对象是边缘检测输出的边缘图像)的步骤如下:
1)将所有边缘点加入集合V中。计数器f=0。令Tf、Tem、Ta、Td、Tr,分别为给定的5个阈值。Tf表示能够容忍的最大失败次数,Tem表示集合V中边缘点的数量,当其与图片中边缘点总数的比值小于Tem时,终止椭圆检测算法,在可能椭圆上选中的任意两点之间的距离必须大于阈值Ta。Td表示所选的第4点到可能椭圆边界的距离的阈值。Tr为椭圆残缺率阈值。Ta的计算方法如公式(9)所示。
2)当f=Tf或者np<Tem时,算法终止;否则,随机从V中选择4个点,然后从集合V中除去所选的4个点。
3)根据选中的4个边缘点求出可能的椭圆,保证在选中的用于求解椭圆参数的3个点中任意2个点之间的距离都大于Ta,同时第4个点到可能椭圆边界的距离不能超过Td。否则,将所选择的4个点返回到V中,同时失败次数f加1。
4)假设由所选择的四个点得到一个可能的椭圆,设计数器n=0。对于边界点集合V中的点pm。,检查它到椭圆边界的距离是否小于阈值Td。如果是,则n=n+1,并将pm从V中去除.在遍历V中所有点之后,得到ne=n,即为满足阈值Td的边缘点的个数。
5)如果ne≥Tr·Cijk,其中Cijk是可能椭圆的周长,则跳转到步骤6)。在其他情况下,认为这个可能的椭圆不是一个真实的椭圆,将步骤4)中的ne个边缘点返回到边缘点集合V中,同时失败的次数f=f+1。
6)初始化T0=0;设置最大迭代次数Tt和最小变化速率Tn,终止算法。将ne的值赋值给nold。
7)利用在可能椭圆边界附近收集的边界点组成的一组可能椭圆边界点Ve来重构可能椭圆Eijk;T0=T0+1。
8)遍历集合V中的边缘点,找到D≤Td的边缘点,更新ne和可能的椭圆边界点集合Ve,将ne赋值为nnew。如果|nnew-nold|>Tn和T0<Tt,则跳到步骤7);否则,算法终止,V=V-Ve。输出椭圆的参数。
9)可能存在的椭圆被证实是真实存在的一个椭圆.将失败次数f重置,跳转到步骤2)。
进一步地,所述破损形式包括裂纹、半破损和破损。
复合绝缘子脱落处有三种典型的破损形式:裂纹、半破损和破损,如图1所示。
当复合绝缘子伞裙出现破损时,破损区域的边缘只会出现在椭圆内部,因此可以通过分析椭圆内像素点与椭圆边缘的距离实现对破损的检测,步骤如下。
1)在椭圆检测结果中选择一个椭圆,遍历整个图像,搜索椭圆内部的边缘点。
2)确定这些边点是否在其他椭圆的边界上,如果是,将它们从集合中移除。
3)计算这些边缘点与所选椭圆边界之间的距离D。如果D<yA·3%(yA为短轴长度),则N=N+1。当N>100时,认为复合绝缘子有破损或裂纹。
4)找到椭圆中距离椭圆边界最小的像素,计算相邻区域像素点到椭圆边界的平均距离Davg1。如果Davg1>yA·5%,则认为破损类型为裂纹。
1)从边缘点集合中去除相邻区域的像素。从剩余的边缘点继续执行步骤4。如果Davg2<yA·5%,则认为伞裙上存在破损,否则为半破损。
破损区域的面积比例可以用破损区域内的像素数和椭圆内的像素数来表示。计算公式如(10)所示。
其中S为破损区域的面积比,n1为破碎区域的像素数,n为椭圆内的像素数。具体步骤如下。
1)选择被检测为破损的伞裙,并计算该椭圆中的像素数。
2)根据破损区域边缘与椭圆中心点的关系判断破损区域相对于椭圆的位置。
3)根据步骤2得到的位置关系计算破损区域边缘与椭圆边界之间的像素点。
因此该方法的流程图可以表示为图2所示。
进一步地,对采集的原始图像通过目标检测识别复合绝缘子后,对所述原始图像进行裁剪得到所述复合绝缘子图像。
进一步地,所述目标检测采用Faster-RCNN和VGG-16网络对所述图像中的复合绝缘子进行检测。
深度学习是识别图像中复合绝缘子的常用方法。根据对不同深度学习模型的分析,YOLO是一种单阶段目标检测方法,更适合实时监控场景。但是,在对绝缘子进行训练和测试时,绝缘子的形状、尺寸等特征差异较大,导致检测结果的准确性较低。Fast-RCNN是一种检测精度高的两阶段目标检测方法。同时,在Fast-RCNN的基础上,使用RPN生成候选区域,取代了Fast-RCNN中的选择性搜索方法,大大提高了检测速度。本申请采用Faster-RCNN和VGG-16网络对可见光图像中的复合绝缘子进行检测。该过程分为5个过程:输入图像,VGG-16网络提取图像特征,RPN生成准确的候选区域,检测网络分类,回归计算得到复合绝缘子检测框架。选取无人机拍摄的800幅复合绝缘子图像作为Faster-RCNN网络的训练集。实验结果表明,该方法能够准确地识别图像中的复合绝缘子。然后分割图像中包含复合绝缘子的区域作为后续研究对象。
本申请采用随机椭圆检测的方法对复合绝缘子的破损情况进行检测。以复合绝缘子串的图像为研究对象,通过Canny算子提取复合绝缘子串的边缘,并进行椭圆检测,进而判断绝缘子是否处于完好状态。仿真结果表明,该方法可以检测出绝缘子串的破损情况。
实施例
图3显示了8种不同运行状态的复合绝缘子。检测到的结果也显示在每个图中。图3(a)和图3(b)为无破损的复合绝缘子。图3(c)和图3(d)为存在裂纹的复合绝缘子。在图3(e)和图3(f)为半破损复合绝缘子。在图3(g)和图3(h)中,复合绝缘子的破损部分也用白框标出。另外,在白框周围标注了破损区域。
以图3(d)为例,检测过程如图4所示。首先进行基于深度学习的目标检测,找到复合绝缘子,如图4(a)所示。其次,通过图像预处理得到了图4(b),实现图像增强与噪声的滤除。然后,利用Canny算子对复合绝缘子边缘进行检测。考虑到伞裙上的污秽的边缘,对边缘检测结果进行二值化处理,去除污秽的边缘。二值化后的图像如图4(c)所示。通过椭圆检测,可以得到复合绝缘子的伞裙轮廓。经过破损评估步骤,可以识别破损类型,并在图4(e)中用红框标出破损区域。
本申请还提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
该实施例的终端设备包括:至少一个处理器(图5中仅示出一个)处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现下述任意各个代谢路径预测方法实施例中的步骤。
所述终端设备可以是台式计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,仅仅是终端设备的举例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器在一些实施例中可以是所述终端设备的内部存储单元,例如终端设备的硬盘或内存。所述存储器在另一些实施例中也可以是所述终端设备的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,MC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,所述存储器还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还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存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。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,本申请实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、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)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯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。
以上所述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,均应包含在本申请的保护范围之内。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本申请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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
Claims (10)
1.一种复合绝缘子破损检测方法,其特征在于:所述方法包括:获取复合绝缘子图像,对所述图像进行预处理;对所述预处理后的图像进行边缘检测,得到复合绝缘子伞裙的边缘;对所述边缘进行椭圆检测,实现复合绝缘子伞裙轮廓的定位,并为后续破损检测做准备;通过椭圆内像素点到椭圆边缘的距离对所述复合绝缘子进行破损检测。
2.如权利要求1所述的复合绝缘子破损检测方法,其特征在于:所述预处理包括对所述图像进行灰度化、去噪和增强。
3.如权利要求2所述的复合绝缘子破损检测方法,其特征在于:采用加权平均法对所述图像进行灰度化处理,所述去噪采用高斯滤波器对噪声进行滤波;所述增强采用直方图均衡化灰度图像。
4.如权利要求1所述的复合绝缘子破损检测方法,其特征在于:所述边缘检测采用Canny算子提取复合绝缘子边缘,所述边缘检测采用二值化消除污染和粉化对边缘检测的影响。
5.如权利要求1所述的复合绝缘子破损检测方法,其特征在于:采用随机霍夫变换实现所述椭圆检测。
6.如权利要求1所述的复合绝缘子破损检测方法,其特征在于:所述破损形式包括裂纹、半破损和破损。
7.如权利要求1~7中任一项所述的复合绝缘子破损检测方法,其特征在于:对采集的原始图像通过目标检测识别复合绝缘子后,对所述原始图像进行裁剪得到所述复合绝缘子图像。
8.如权利要求7所述的复合绝缘子破损检测方法,其特征在于:所述目标检测采用Faster-RCNN和VGG-16网络对所述图像中的复合绝缘子进行检测。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所属计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110755936.5A CN113643234B (zh) | 2021-07-05 | 2021-07-05 | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110755936.5A CN113643234B (zh) | 2021-07-05 | 2021-07-05 | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643234A true CN113643234A (zh) | 2021-11-12 |
CN113643234B CN113643234B (zh) | 2024-05-17 |
Family
ID=78416676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110755936.5A Active CN113643234B (zh) | 2021-07-05 | 2021-07-05 | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643234B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116589171A (zh) * | 2023-07-14 | 2023-08-15 | 江西省博信玻璃有限公司 | 一种具备自动检测玻璃的智能钢化方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040118991A1 (en) * | 2002-12-18 | 2004-06-24 | Richard Colbeth | Electrostatic imager |
CN107292861A (zh) * | 2016-03-31 | 2017-10-24 | 成都交大光芒科技股份有限公司 | 一种绝缘子破损检测方法 |
CN107367362A (zh) * | 2017-06-22 | 2017-11-21 | 西安工程大学 | 基于图像处理的复合绝缘子疲劳破坏检测方法 |
CN108734709A (zh) * | 2018-05-29 | 2018-11-02 | 西安工程大学 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
CN109785285A (zh) * | 2018-12-11 | 2019-05-21 | 西安工程大学 | 一种基于椭圆特征拟合的绝缘子破损检测方法 |
CN110264448A (zh) * | 2019-06-06 | 2019-09-20 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
CN110992340A (zh) * | 2019-12-04 | 2020-04-10 | 华北电力大学 | 一种复合绝缘子伞裙龟裂纹缺陷识别方法 |
CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
-
2021
- 2021-07-05 CN CN202110755936.5A patent/CN113643234B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040118991A1 (en) * | 2002-12-18 | 2004-06-24 | Richard Colbeth | Electrostatic imager |
CN107292861A (zh) * | 2016-03-31 | 2017-10-24 | 成都交大光芒科技股份有限公司 | 一种绝缘子破损检测方法 |
CN107367362A (zh) * | 2017-06-22 | 2017-11-21 | 西安工程大学 | 基于图像处理的复合绝缘子疲劳破坏检测方法 |
CN108734709A (zh) * | 2018-05-29 | 2018-11-02 | 西安工程大学 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
CN109785285A (zh) * | 2018-12-11 | 2019-05-21 | 西安工程大学 | 一种基于椭圆特征拟合的绝缘子破损检测方法 |
CN110264448A (zh) * | 2019-06-06 | 2019-09-20 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
CN110992340A (zh) * | 2019-12-04 | 2020-04-10 | 华北电力大学 | 一种复合绝缘子伞裙龟裂纹缺陷识别方法 |
CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
Non-Patent Citations (2)
Title |
---|
Z. YUAN ET AL.: "Intelligent breakage assessment of composite insulator on overhead transmission line by ellipse detection based on IRHT", 《CSEE JOURNAL OF POWER AND ENERGY SYSTEMS》 * |
危双丰;黄帅;曹文博;习晓环;王濮;: "基于航拍影像的输电线路绝缘子识别及缺陷检测", 工程勘察, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116589171A (zh) * | 2023-07-14 | 2023-08-15 | 江西省博信玻璃有限公司 | 一种具备自动检测玻璃的智能钢化方法及系统 |
CN116589171B (zh) * | 2023-07-14 | 2024-01-09 | 江西省博信玻璃有限公司 | 一种具备自动检测玻璃的智能钢化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113643234B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN108489996B (zh) | 一种绝缘子的缺陷检测方法、系统及终端设备 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN111340787A (zh) | 输电线路的导线缺陷检测识别方法、装置及计算机设备 | |
CN111402248A (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN109523529A (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
CN111652857A (zh) | 一种绝缘子缺陷红外检测方法 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN104657706A (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
CN110660065A (zh) | 一种红外故障检测识别算法 | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN113643234B (zh) | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 | |
CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及系统 | |
CN105374029A (zh) | 变电站设备红外图像感兴趣区域的分割方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |