CN113763397B - 复合绝缘子故障检测方法及系统 - Google Patents
复合绝缘子故障检测方法及系统 Download PDFInfo
- Publication number
- CN113763397B CN113763397B CN202111032845.5A CN202111032845A CN113763397B CN 113763397 B CN113763397 B CN 113763397B CN 202111032845 A CN202111032845 A CN 202111032845A CN 113763397 B CN113763397 B CN 113763397B
- Authority
- CN
- China
- Prior art keywords
- gray
- composite insulator
- image
- value
- infrared image
- 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
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 101
- 239000002131 composite material Substances 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 abstract description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/20—Linear translation of whole images or parts thereof, e.g. panning
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种复合绝缘子故障检测方法及系统,属于绝缘子故障检测技术领域,包括根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;根据最佳分界阈值,对灰度补全后的图像进行局部对比度增强;对局部对比度增强后的图像进行校正;根据复合绝缘子形状和温度的灰度特征,对校正后的图像进行分割,提取复合绝缘子区域;搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域。本发明消除了无效干扰信号,提高了图像的信噪比和对比度;对图像校正,便于复合绝缘子的灰度特征判别,提高了是否存在故障发热的复合绝缘子判别效率;灵活定义了表征故障发热的灰度值区域大小,适应了不同温度、湿度、雨雪等环境的影响。
Description
技术领域
本发明涉及绝缘子故障检测技术领域,具体涉及一种基于分界阈值、截断阈值以及灰度特征的复合绝缘子故障检测方法及系统。
背景技术
复合绝缘子是架空输电线路中的常用元件,起到支撑和固定电线的作用。由于输电线路均架设在野外,长时间暴露在野外,容易受到风、雨、雪、雷暴等恶劣环境的长时间侵蚀破坏,复合绝缘子难免会因老化而出现各种故障,进而导致输电线与输电线之间或输电线和塔台之间发生接触,使得输配电系统供电中断,严重时还会引起大面积的停电事故。因此,对架空输电线路进行定期巡检,对输配电系统的正常运行具有重要的意义。
传统的架空输电线路巡检方式为人工巡检,这种方式受野外复杂自然环境的限制,需要停电巡检,巡检效率较低,不仅影响生产生活,而且人工巡检准确性也较低,且存在人身安全隐患。
随着智能电网的提出建设和图象识别技术的发展,红外热图像处理技术逐渐被应用于复合绝缘子的故障检测中。使用无人机航拍复合绝缘子运行状态的红外热图象,通过相关图象处理算法处理图象,找出存在故障的复合绝缘子。
红外热成像根据环境的红外辐射强度分布成像,将看不到的红外光转为可视图像,显示的是目标物与其所处背景的温度分布状况。在这一过程中,受自然环境和摄像机内部系统的影响,红外热图像含有不同类型的噪声,会淹没目标物和背景的真实信息,降低红外热图像的可读性。红外图像对比度增强算法可以抑制背景杂波和噪声,提高图像的信噪比。传统的红外图像对比度增强方法有直方图均衡法、去冗余均衡法、灰度变换法等。但其也有各自的缺点。直方图均衡法会使图像的直方图趋于平坦,同时会丢弃一些灰度相近,分布较少的灰度值信息;去冗余均衡法对于一些特定场景的红外图像可以实现提高对比度的功能,但缺乏普适性;灰度变换法适用于拍摄目标与相机距离较近时,较远时对比度增强效果不理想。
发明内容
本发明的目的在于针对现有的基于红外热图像处理技术的复合绝缘子故障检测方法涉及灰度值信息丢失、缺乏普适性、受拍摄距离限制等不足,提供一种能更准确地还原检测目标、提高了检测效率和准确性的基于分界阈值、截断阈值以及灰度特征的复合绝缘子故障检测方法及系统。以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种复合绝缘子故障检测方法,包括:
根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;
根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;
对局部对比度增强处理后的红外图像进行校正;
根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;
搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域。
优选的,遍历复合绝缘子的原始红外图像,处理为直方图形式,得到图像的最小灰度值和最大灰度值;根据直方图的最小灰度值和最大灰度值,确定截断阈值;消除并补全原始红外图像中灰度值低于所述截断阈值的像素点。
优选的,计算补全后的原始红外图像的最佳分界阈值,对于灰度值小于最佳分界阈值的像素点,使用直方图均衡化算法处理;对于灰度值大于最佳分界阈值的像素点,使用线性拉伸变换处理。
优选的,对局部对比度增强处理后的红外图像进行梯形失真校正和桶形失真校正,使得拍摄目标内物体实际大小比例与红外图像中对应像素点所占比例一致。
优选的,计算截断阈值包括:将原始红外图像处理为直方图形式,确定直方图中灰度值的峰值Peak,截断阈值rT可取为rT=Peak/100。
优选的,灰度值低于截断阈值rT的像素点视为无效干扰信号,其被消除后,灰度值Gray(x,y)由相邻四个像素点的灰度值均值替代,表示为:
优选的,计算最佳分界阈值包括:
假定f(x,y)为待处理的红外图像,其灰度值区间为[L,1,2,...,H],ni表示图像内灰度值为i的像素点个数,图像中总像素点数记为则在图像内,灰度值k出现的概率pk为/>
设定一个灰度阈值t,将图像f(x,y)中的像素点划分为C1和C2两类,其中,C1表示灰度值在[L,...,t]内的像素点的集合;C2表示灰度值在[t+1,...,H]内的像素点的集合;C1和C2在图像中出现的概率ω1和ω2可表示为:
则,C1和C2这两个类的均值μ1和μ2可表示为:
C1和C2这两个类的方差和/>可表示为:
由大津算法可知,C1和C2这两个类的类内方差类间方差/>和总的方差/>可表示为:
且满足以下关系:
假设J(t)表示方差和/>中的较大值,则有:
最佳分界阈值t*由以下公式推导得出:
当使J(t)取得最小值时,此时的t即为最佳分界阈值。
第二方面,本发明提供一种复合绝缘子故障检测系统,包括:
补全模块,用于根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;
增强模块,用于根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;
校正模块,用于对局部对比度增强处理后的红外图像进行校正;
提取模块,用于根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;
搜索模块,用于搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的复合绝缘子故障检测方法。
第四方面,本发明提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的复合绝缘子故障检测方法的指令。
本发明有益效果:使用分界阈值、截断阈值和局部对比度增强处理原始红外图像,消除了无效干扰信号,提高了图像的信噪比和对比度。使用图像校正,通过对红外图像进行梯形失真校正和桶形失真校正,得到与实际物体大小比例一致的图像,便于复合绝缘子的灰度特征判别。根据复合绝缘子形状和温度的灰度特征,从红外图像中提取出复合绝缘子部分图像。根据复合绝缘子正常工作和故障发热时温度特征的不同,快速判别出是否存在故障发热的复合绝缘子。灵活定义了表征故障发热的灰度值区域大小,适应了环境中不同温度、湿度、雨雪等的影响。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明实施例所述的复合绝缘子故障检测方法流程示意图;
图2为本发明实施例所述的分界阈值计算方法流程图;
图3为本发明实施例所述的截断阈值计算方法流程图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供一种复合绝缘子故障检测系统,该系统包括:
补全模块,用于根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;
增强模块,用于根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;
校正模块,用于对局部对比度增强处理后的红外图像进行校正;
提取模块,用于根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;
搜索模块,用于搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域。
本实施例1中,利用上述的复合绝缘子故障检测系统,针对现有的基于红外热图像处理技术的复合绝缘子故障检测方法涉及灰度值信息丢失、缺乏普适性、受拍摄距离限制等不足,实现了基于双阈值和灰度特征的复合绝缘子故障检测方法,能够更准确地还原检测目标,提高了巡检的效率和准确性。
该复合绝缘子故障检测方法中,利用补全模块,根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;利用增强模块,根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;利用校正模块,对局部对比度增强处理后的红外图像进行校正,其中,对红外图像进行梯形失真校正和桶形失真校正,使得拍摄目标内物体实际大小比例与红外图像中对应像素点所占比例一致;利用提取模块,根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;利用搜索模块,搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域。
本实施例1中,由于摄像头与拍摄目标的相对高度、角度位置关系及镜头自身畸变,导致拍摄到的图像出现失真。根据图像形态可分为梯形失真和桶形失真。校正原理如下(两种失真都适用):相机成像就是坐标系的转换过程。根据图像失真类型,建立相应的数学模型,从失真部分图像信号中提取所需信息,实现坐标系的转换,沿着使图像失真的逆过程恢复图像原貌。
在本实施例1中,计算截断阈值进行像素补全,具体包括:遍历复合绝缘子的原始红外图像,处理为直方图形式,得到图像的最小灰度值和最大灰度值;根据直方图的最小灰度值和最大灰度值,确定截断阈值;消除并补全原始红外图像中灰度值低于所述截断阈值的像素点。
在本实施例1中,利用最佳分界阈值进行局部增强处理包括:计算补全后的原始红外图像的最佳分界阈值,对于灰度值小于最佳分界阈值的像素点,使用直方图均衡化算法处理;对于灰度值大于最佳分界阈值的像素点,使用线性拉伸变换处理。
对局部对比度增强处理后的红外图像进行梯形失真校正和桶形失真校正,使得拍摄目标内物体实际大小比例与红外图像中对应像素点所占比例一致。
本实施例1中,计算截断阈值包括:将原始红外图像处理为直方图形式,确定直方图中灰度值的峰值Peak,截断阈值rT可取为rT=Peak/100。
灰度值低于截断阈值rT的像素点视为无效干扰信号,其被消除后,灰度值Gray(x,y)由相邻四个像素点的灰度值均值替代,表示为:
本实施例1中,计算最佳分界阈值包括:
假定f(x,y)为待处理的红外图像,其灰度值区间为[L,1,2,...,H],ni表示图像内灰度值为i的像素点个数,图像中总像素点数记为则在图像内,灰度值k出现的概率pk为/>
设定一个灰度阈值t,将图像f(x,y)中的像素点划分为C1和C2两类,其中,C1表示灰度值在[L,...,t]内的像素点的集合;C2表示灰度值在[t+1,...,H]内的像素点的集合;C1和C2在图像中出现的概率ω1和ω2可表示为:
则,C1和C2这两个类的均值μ1和μ2可表示为:
C1和C2这两个类的方差和/>可表示为:
由大津算法可知,C1和C2这两个类的类内方差类间方差/>和总的方差/>可表示为:
且满足以下关系:
假设J(t)表示方差和/>中的较大值,则有:
最佳分界阈值t*由以下公式推导得出:
当使J(t)取得最小值时,此时的t即为最佳分界阈值。
实施例2
如图1所示,本发明实施例2提供一种基于双阈值和灰度特征的复合绝缘子故障检测方法,该故障检测方法具体步骤如下:
步骤一:遍历原始红外图像,处理为直方图形式,得到图像的最小灰度值L和最大灰度值H。
步骤二:根据直方图的灰度值峰值确定截断阈值,消除并补全灰度值低于截断阈值的像素点后得到新的红外图像。
步骤三:处理新的红外图像,得到最佳分界阈值t*。
步骤四:根据最佳分界阈值t*对对截断阈值补全后的新的图像对截断阈值补全后的新的图像像素点进行局部对比度增强处理。对于灰度值小于最佳分界阈值的像素点,使用直方图均衡化算法处理。对于灰度值大于最佳分界阈值的像素点,使用线性拉伸变换处理。局部对比度增强处理后,得到新的红外图像。
步骤五:图像校正。在航拍时,摄像头光轴与拍摄目标存在一定角度的夹角造成红外图像梯形失真,使用广角镜头会造成红外图像桶形失真。针对上述问题,对截断阈值补全、分界阈值增强处理后的红外图像进行梯形失真校正和桶形失真校正,使得拍摄目标内物体实际大小比例与红外图像中对应像素点所占比例一致。
步骤六:根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域。复合绝缘子的形状为若干个伞裙均匀嵌套在连接杆上,反映在红外图像上为一连串灰度值接近的像素点。由于长时间处于工作状态,较环境温度,复合绝缘子的温度偏高,反映在红外图像上为表征复合绝缘子的像素点较白,灰度值较大。
步骤七:根据图复合绝缘子正常工作和故障发热时温度特征的不同,搜索分割后的复合绝缘子区域是否存在局部小范围的灰度值超过预设的灰度值阈值。这一阈值是人为设定的,根据实际情况灵活定义。假设绝缘子存在发热故障,则故障部分图像较白,灰度值较大;非故障部分图像灰度值较小。通过比较图像各处灰度值的差异,进而判断故障所在。当温度高时,绝缘子的故障部分和非故障部分温度均较高,两者的温度差较小,因此灰度值差异较小,此时设定的灰度阈值应比正常温度和低温小。
上述局部小范围的大小受温度、湿度、雨雪等自然环境条件的影响,在实际应用时应灵活定义。
合适的分界阈值能有效分离图像中的目标与背景,适当的截断阈值能将叠加在红外图像上的无效干扰信号消除。
如图2所示,本实施例2中,分界阈值的推导过程如下:
假定f(x,y)为待处理的红外图像,其灰度值区间为[L,1,2,...,H]。ni表示图像内灰度值为i的像素点个数,图像中总像素点数记为:则在图像内,灰度值k出现的概率为:
设定一个灰度阈值t,将图像f(x,y)中的像素点划分为C1和C2两类。其中C1表示灰度值在[L,...,t]内的像素点的集合;C2表示灰度值在[t+1,...,H]内的像素点的集合。C1和C2在图像中出现的概率ω1和ω2可表示为:
因此,C1和C2这两个类的均值μ1和μ2可表示为:
C1和C2这两个类的方差和/>可表示为:
由大津算法Otsu可知,C1和C2这两个类的类内方差类间方差/>和总的方差可表示为:
且满足以下关系:
考虑到经典阈值统计方法Otsu和Hou算法存在过分界和欠分界的情况,在此应用一种新的最佳分界阈值t*计算方法:
假设J(t)表示方差和/>中的较大值,则有:
最佳分界阈值t*由以下公式推导得出:
当使J(t)取得最小值时,此时的t即为最佳分界阈值t*。
如图3所示,本实施例2中,截断阈值的推导过程如下:
红外图像存在的一些无效干扰信号会降低图像质量。因此需要通过设定截断阈值rT消除这种无效信息。
将红外图像处理为直方图形式,确定直方图中灰度值的峰值Peak,截断阈值rT可取为:
rT=Peak/100 (15)
灰度值低于截断阈值rT的像素点视为无效干扰信号。其被消除后,灰度值Gray(x,y)由相邻四个像素点的灰度值均值替代,表示为:
综上,本实施例2中,使用双阈值和局部对比度增强处理原始红外图像,消除了无效干扰信号,提高了图像的信噪比和对比度。使用图像校正,通过对红外图像进行梯形失真校正和桶形失真校正,得到与实际物体大小比例一致的图像,便于复合绝缘子的灰度特征判别。根据复合绝缘子形状和温度的灰度特征,从红外图像中提取出复合绝缘子部分图像。根据复合绝缘子正常工作和故障发热时温度特征的不同,快速判别出是否存在故障发热的复合绝缘子。灵活定义了表征故障发热的灰度值区域大小,适应了环境中不同温度、湿度、雨雪等的影响。
实施例3
本发明实施例3提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的复合绝缘子故障检测方法,该方法包括:
根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;
根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;
对局部对比度增强处理后的红外图像进行校正;
根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;
搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域。
实施例4
本发明实施例4提供一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如上所述的复合绝缘子故障检测方法,该方法包括:
根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;
根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;
对局部对比度增强处理后的红外图像进行校正;
根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;
搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域。
实施例5
本发明实施例5提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的复合绝缘子故障检测方法的指令,该方法包括:
根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;
根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;
对局部对比度增强处理后的红外图像进行校正;
根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;
搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种复合绝缘子故障检测方法,其特征在于,包括:
根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;
根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;
对局部对比度增强处理后的红外图像进行校正;
根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;
搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域;
所述最佳分界阈值的获取方法为:
假定f(x,y)为待处理的红外图像,其灰度值区间为[L,1,2,...,H],ni表示图像内灰度值为i的像素点个数,图像中总像素点数记为则在图像内,灰度值k出现的概率pk为/>pk≥0,/>
设定一个灰度阈值t,将图像f(x,y)中的像素点划分为C1和C2两类,其中,C1表示灰度值在[L,...,t]内的像素点的集合;C2表示灰度值在[t+1,...,H]内的像素点的集合;C1和C2在图像中出现的概率ω1和ω2可表示为: 则,C1和C2这两个类的均值μ1和μ2可表示为:
C1和C2这两个类的方差和/>可表示为:
由大津算法可知,C1和C2这两个类的类内方差类间方差/>和总的方差/>可表示为:
且满足以下关系:
假设J(t)表示方差和/>中的较大值,则有:
最佳分界阈值t*由以下公式推导得出:
当使J(t)取得最小值时,此时的t即为最佳分界阈值。
2.根据权利要求1所述的复合绝缘子故障检测方法,其特征在于:遍历复合绝缘子的原始红外图像,处理为直方图形式,得到图像的最小灰度值和最大灰度值;根据直方图的最小灰度值和最大灰度值,确定截断阈值;消除并补全原始红外图像中灰度值低于所述截断阈值的像素点。
3.根据权利要求1所述的复合绝缘子故障检测方法,其特征在于:计算补全后的原始红外图像的最佳分界阈值,对于灰度值小于最佳分界阈值的像素点,使用直方图均衡化算法处理;对于灰度值大于最佳分界阈值的像素点,使用线性拉伸变换处理。
4.根据权利要求1所述的复合绝缘子故障检测方法,其特征在于:对局部对比度增强处理后的红外图像进行梯形失真校正和桶形失真校正,使得拍摄目标内物体实际大小比例与红外图像中对应像素点所占比例一致。
5.根据权利要求1所述的复合绝缘子故障检测方法,其特征在于,计算截断阈值包括:将原始红外图像处理为直方图形式,确定直方图中灰度值的峰值Peak,截断阈值rT可取为rT=Peak/100。
6.根据权利要求5所述的复合绝缘子故障检测方法,其特征在于,灰度值低于截断阈值rT的像素点视为无效干扰信号,其被消除后,灰度值Gray(x,y)由相邻四个像素点的灰度值均值替代,表示为:
7.一种复合绝缘子故障检测系统,其特征在于,包括:
补全模块,用于根据截断阈值,对复合绝缘子的原始红外图像进行灰度补全;
增强模块,用于根据最佳分界阈值,对灰度补全后的红外图像进行局部对比度增强;
校正模块,用于对局部对比度增强处理后的红外图像进行校正;
提取模块,用于根据复合绝缘子形状和温度的灰度特征,对校正后的红外图像进行分割,提取复合绝缘子区域;
搜索模块,用于搜索分割后的复合绝缘子区域是否存在灰度值大于预设阈值的区域,该区域即为故障区域;
所述最佳分界阈值的获取方法为:
假定f(x,y)为待处理的红外图像,其灰度值区间为[L,1,2,...,H],ni表示图像内灰度值为i的像素点个数,图像中总像素点数记为则在图像内,灰度值k出现的概率pk为/>pk≥0,/>
设定一个灰度阈值t,将图像f(x,y)中的像素点划分为C1和C2两类,其中,C1表示灰度值在[L,...,t]内的像素点的集合;C2表示灰度值在[t+1,...,H]内的像素点的集合;C1和C2在图像中出现的概率ω1和ω2可表示为: 则,C1和C2这两个类的均值μ1和μ2可表示为:
C1和C2这两个类的方差和/>可表示为:
由大津算法可知,C1和C2这两个类的类内方差类间方差/>和总的方差/>可表示为:
且满足以下关系:
假设J(t)表示方差和/>中的较大值,则有:
最佳分界阈值t*由以下公式推导得出:
当使J(t)取得最小值时,此时的t即为最佳分界阈值。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-6任一项所述的复合绝缘子故障检测方法。
9.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-6任一项所述的复合绝缘子故障检测方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111032845.5A CN113763397B (zh) | 2021-09-03 | 2021-09-03 | 复合绝缘子故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111032845.5A CN113763397B (zh) | 2021-09-03 | 2021-09-03 | 复合绝缘子故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763397A CN113763397A (zh) | 2021-12-07 |
CN113763397B true CN113763397B (zh) | 2024-03-29 |
Family
ID=78792952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111032845.5A Active CN113763397B (zh) | 2021-09-03 | 2021-09-03 | 复合绝缘子故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763397B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662617B (zh) * | 2022-05-18 | 2022-08-09 | 国网浙江省电力有限公司杭州供电公司 | 基于多模态学习策略的多源数据编织系统处理方法及装置 |
CN117705815B (zh) * | 2024-02-06 | 2024-05-28 | 天津滨海环球印务有限公司 | 一种基于机器视觉的印刷缺陷检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336224A (zh) * | 2013-07-03 | 2013-10-02 | 同济大学 | 基于复合信息的绝缘子温升故障综合诊断方法 |
CN104267063A (zh) * | 2014-10-10 | 2015-01-07 | 国家电网公司 | 一种基于红外热像的低值绝缘子检测方法 |
WO2017096946A1 (zh) * | 2015-12-07 | 2017-06-15 | 乐视控股(北京)有限公司 | 图像高频信息的定位方法和装置 |
CN106872523A (zh) * | 2017-03-29 | 2017-06-20 | 国网上海市电力公司 | 一种基于无人机的电力设备缺陷智能诊断系统及方法 |
CN108318781A (zh) * | 2018-01-03 | 2018-07-24 | 武汉理工大学 | 一种基于红外图像的绝缘子远程监测及故障诊断的方法 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109658424A (zh) * | 2018-12-07 | 2019-04-19 | 中央民族大学 | 一种改进的鲁棒二维otsu阈值图像分割方法 |
CN111160087A (zh) * | 2019-11-22 | 2020-05-15 | 国网江苏省电力有限公司电力科学研究院 | 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 |
CN111199544A (zh) * | 2020-01-06 | 2020-05-26 | 国网河南省电力公司检修公司 | 一种变电站红外监测方法、装置和计算机可读存储介质 |
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 |
CN111652857A (zh) * | 2020-05-20 | 2020-09-11 | 国网河北省电力有限公司检修分公司 | 一种绝缘子缺陷红外检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6303332B2 (ja) * | 2013-08-28 | 2018-04-04 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
-
2021
- 2021-09-03 CN CN202111032845.5A patent/CN113763397B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336224A (zh) * | 2013-07-03 | 2013-10-02 | 同济大学 | 基于复合信息的绝缘子温升故障综合诊断方法 |
CN104267063A (zh) * | 2014-10-10 | 2015-01-07 | 国家电网公司 | 一种基于红外热像的低值绝缘子检测方法 |
WO2017096946A1 (zh) * | 2015-12-07 | 2017-06-15 | 乐视控股(北京)有限公司 | 图像高频信息的定位方法和装置 |
CN106872523A (zh) * | 2017-03-29 | 2017-06-20 | 国网上海市电力公司 | 一种基于无人机的电力设备缺陷智能诊断系统及方法 |
CN108318781A (zh) * | 2018-01-03 | 2018-07-24 | 武汉理工大学 | 一种基于红外图像的绝缘子远程监测及故障诊断的方法 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109658424A (zh) * | 2018-12-07 | 2019-04-19 | 中央民族大学 | 一种改进的鲁棒二维otsu阈值图像分割方法 |
CN111160087A (zh) * | 2019-11-22 | 2020-05-15 | 国网江苏省电力有限公司电力科学研究院 | 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 |
CN111199544A (zh) * | 2020-01-06 | 2020-05-26 | 国网河南省电力公司检修公司 | 一种变电站红外监测方法、装置和计算机可读存储介质 |
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 |
CN111652857A (zh) * | 2020-05-20 | 2020-09-11 | 国网河北省电力有限公司检修分公司 | 一种绝缘子缺陷红外检测方法 |
Non-Patent Citations (4)
Title |
---|
一种自适应红外图像增强新算法;王利颖;蒋亚东;罗凤武;涂霞;黄春华;;信号处理(第12期);第2部分 * |
双阈值映射自适应红外图像处理算法;王巍;赵俊鹏;杜治芸;罗元;朱继华;;红外与激光工程(第06期);全文 * |
基于分水岭算法的绝缘子串红外图像分割方法;刘正庭;尹骏刚;李凯迪;汪宵飞;王欣;万勋;姚建刚;;电瓷避雷器;20200425(第02期);全文 * |
基于最大类间方差法的快速交通视频运动目标分割方法;谢江;汪同庆;;计算机系统应用;20100915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113763397A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113763397B (zh) | 复合绝缘子故障检测方法及系统 | |
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 | |
CN117522870B (zh) | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 | |
CN107886473B (zh) | 从fy-3mwri数据反演北极海冰密集度的方法 | |
CN109738072B (zh) | 一种InGaAs短波红外成像仪的十字盲元检测及校正装置和方法 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN110267101B (zh) | 一种基于快速三维拼图的无人机航拍视频自动抽帧方法 | |
CN109886883A (zh) | 实时偏振透雾成像图像增强处理方法 | |
CN110555866A (zh) | 一种改进kcf特征描述符的红外目标跟踪方法 | |
CN114973028A (zh) | 一种航拍视频图像实时变化检测方法及系统 | |
CN107833223B (zh) | 一种基于光谱信息的水果高光谱图像分割方法 | |
CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及系统 | |
CN106709876B (zh) | 一种基于暗像元原理的光学遥感图像去雾方法 | |
Pandian et al. | Object Identification from Dark/Blurred Image using WBWM and Gaussian Pyramid Techniques | |
CN102149000B (zh) | 一种色版颜色提取和校正方法及系统 | |
CN110136059A (zh) | 直线特征的风电叶片图像拼接方法 | |
CN113989260A (zh) | 一种基于无人机红外图像的光伏板边缘分割方法 | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN116403085A (zh) | 一种基于多任务的变电站多指针仪表识别方法及装置 | |
CN116883866A (zh) | 输电线路异物检测方法、电子设备及计算机可读存储介质 | |
CN116342898A (zh) | 一种冰风洞中翼型结冰区域检测方法、装置、设备和存储介质 | |
CN113743454B (zh) | 油浸式互感器的检测方法、装置、设备及存储介质 | |
CN105184791A (zh) | 一种输电线路视频图像中的绝缘子定位方法 | |
CN112465736B (zh) | 一种用于港口船舶监控的红外视频图像增强方法 | |
CN111556228B (zh) | 镜头阴影的校正方法及系统 |
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 |