CN113808109A - 一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法 - Google Patents
一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法 Download PDFInfo
- Publication number
- CN113808109A CN113808109A CN202111095141.2A CN202111095141A CN113808109A CN 113808109 A CN113808109 A CN 113808109A CN 202111095141 A CN202111095141 A CN 202111095141A CN 113808109 A CN113808109 A CN 113808109A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- steps
- insulator
- discharge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000012212 insulator Substances 0.000 title claims abstract description 47
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/136—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
- G06T2207/10024—Color 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
- G06T2207/10—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)
- Image Analysis (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，该方法为：采用GaN红紫外传感器获取绝缘子的紫红外综合图谱，通过图像分割，灰度处理，阈值分割算法，开闭运算，区域轮廓阈值提取法，对图像进行综合处理，最后得到了零值绝缘子放电分布的具体数据和图像，使得GaN红紫外传感器获取的绝缘子参数与放电形成一一对应的关系，并对放电异常进行预警，分辨出零值绝缘子，从而工作人员及时发现处理并清除故障，从而减少零值绝缘子造成的重大安全事故，有效减少由这些事故造成的重大经济损失，具有极高的安全价值和良好的经济效益。
Description
技术领域
本发明涉及一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，属于零值绝缘子放电分布检测技术领域。
背景技术
在电力系统输电线路上零值绝缘子问题一直存在，且严重威胁电力系统的安全运行，现有的检测技术多少都存在缺陷，不能很好的处理这一问题，零值绝缘子问题是输电线路的一大顽固性问题。另外，近些年，随着经济发展，环境污染严重，空气雾霾加重，使得绝缘子表面很容易覆盖污秽，表面污秽对绝缘子放电及发热特性有很大的影响，会大大干扰零值绝缘子的检测。这种状况更加加剧了这一问题的严重性，为了处理这一问题，本发明拟提出一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，来对零值绝缘子检测问题进行方法上的解决。
发明内容
本发明要解决的技术问题是：提供一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，可以实现对输电线路零值绝缘子的非接触式检测，分析出正常绝缘子和零值绝缘子，提前发现绝缘子，从而进行更换，避免造成巨大安全事故问题。
本发明采取的技术方案为：一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，该方法包括以下步骤：
（1）采用GaN红紫外传感器获取绝缘子的紫红外综合图谱，图谱为彩色复合图像；
（2）对步骤（1）中的图像进行分割，获得图像分割保留的放电区域，抛弃其他区域的无用数据；
（3）对步骤（2）中处理后的放电区域图像进行灰度处理获得黑白的灰度图像；
（4）对步骤（3）中黑白的灰度图像采用阈值分割算法进行处理；
（5）对步骤（4）中处理后的灰度图像采用数学的开闭运算进行处理获得有效数据源图像；
（6）将步骤（5）的有效数据源图像采用区域轮廓阈值提取方法将整个灰度图像分为9个均分的图像单元，每个单元的放电图像进行灰度轮廓提取获得各个区域的边界上各像素点的坐标值，将提取的边界点的坐标依次连线构成一条封闭曲线，然后将该封闭曲线叠加到了原始图像之上，就实现了闭合区域的放电提取，并对灰度轮廓所闭合的曲线，进行数值标度，数值标度包括面积、灰度值，进而形成放电分布数据，放电分布数据中灰度值对应的就是放电强度，完成零值绝缘子放电分布的计算。
优选的，上述步骤（2）中的分割方法为阈值分割方法，该方法为：将图像灰度化，每个图像点都对应的是灰度的数值，按照阈值分割方法进行筛选，数值大于25的为有效点，规定为1，小于25的为无效点，规定为0，用全局阈值自动分割算法把为1的数据全部保留下来，把为0的数据删除。
优选的，上述步骤（4）中阈值分割算法为二维阈值分割法。
优选的，上述二维阈值分割法为：按照图像处理的像素点来进行处理，每个点的灰度值与放电强度实际上是一定的对应关系，这里设置221为阈值，低于阈值的图像视为干扰源，高于阈值的灰度图像进行增强处理，进而提炼出对比明显的灰度图像
优选的，上述数学的开闭运算方法包括腐蚀与膨胀运输方法。
优选的，上述腐蚀与膨胀运输方法为：将原图像 A 与核（结构元素）B 进行卷积，前者是计算结构元素 B 所覆盖区域中最小像素值，并将该值赋给结构元素B 中参考点所指定的像素点；后者是计算结构元素 B 所覆盖区域中最大像素值，同样将该值赋给结构元素 B 中参考点所指定的像素点，计算方式为以B点为中心画圆进行开闭运算，半径由小半径逐步拓展到大半径。
优选的，上述区域轮廓阈值提取方法包括以下步骤：步骤a）检测灰度图像中每一个高亮区域，获取每一个区域的边界信息；b)通过边界信息获取每个连通区域的面积大小；c)设定一个阈值，依次将每个区域面积与该阈值进行对比，大于该阈值的区域保留下来，而小于该阈值的区域会被消除。
优选的，上述灰度轮廓提取方法为：采用检索边界的近似方法使用 Freeman 链码存取轮廓，Freeman 链码是采用 8 个方向，即 0、1、2、3、4、5、6、7 的方式进行轮廓检测的。
本发明的有益效果：与现有技术相比，本发明采用了GaN红紫外传感器获取绝缘子的紫红外综合图谱，通过图像分割，灰度处理，阈值分割算法，开闭运算，区域轮廓阈值提取法，对图像进行综合处理，最后得到了零值绝缘子放电分布的具体数据和图像，使得GaN红紫外传感器获取的绝缘子参数与放电形成一一对应的关系，并对放电异常进行预警，分辨出零值绝缘子，从而工作人员及时发现处理并清除故障，从而减少零值绝缘子造成的重大安全事故，有效减少由这些事故造成的重大经济损失，具有极高的安全价值和良好的经济效益。
附图说明
图1为本发明的方法流程图；
图2为轮廓提取八个方向示意图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：如图1-图2所示，一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，该方法包括以下步骤：
（1）采用GaN红紫外传感器获取绝缘子的紫红外综合图谱，图谱为彩色复合图像；
（2）对步骤（1）中的图像进行分割，获得图像分割保留的放电区域，抛弃其他区域的无用数据；分割方法为阈值分割方法，该方法为：将图像灰度化，每个图像点都对应的是灰度的数值，按照阈值分割方法进行筛选，数值大于25的为有效点，规定为1，小于25的为无效点，规定为0，用全局阈值自动分割算法把为1的数据全部保留下来，把为0的数据删除；
（3）对步骤（2）中处理后的放电区域图像进行灰度处理获得黑白的灰度图像；
（4）由于现场提取的数据存在大量的干扰源，其主要的干扰源为微小的放电电晕，这类电晕所成像强度普遍比较弱，所以需要对灰度图像进行干扰数据的处理，对步骤（3）中黑白的灰度图像采用阈值分割算法进行处理；
阈值分割算法为二维阈值分割法；二维阈值分割法为：按照图像处理的像素点来进行处理，每个点的灰度值与放电强度实际上是一定的对应关系，这里设置221为阈值，低于阈值的图像视为干扰源，高于阈值的灰度图像进行增强处理，进而提炼出对比明显的灰度图像；
（5）步骤（4）中灰度图像在一定程度上仍存在小放电参数的干扰，为了去除该干扰，对步骤（4）中处理后的灰度图像采用数学的开闭运算进行处理获得有效数据源图像；
数学的开闭运算方法包括腐蚀与膨胀运输方法；腐蚀与膨胀运输方法为：将原图像 A 与核（结构元素）B 进行卷积，前者是计算结构元素 B 所覆盖区域中最小像素值，并将该值赋给结构元素B 中参考点所指定的像素点；后者是计算结构元素 B 所覆盖区域中最大像素值，同样将该值赋给结构元素 B 中参考点所指定的像素点，计算方式为以B点为中心画圆进行开闭运算，半径由小半径逐步拓展到大半径；开运算可以消除高于其邻近点的孤立点，在不明显改变其面积的情况下消除物体边界间的纤细点同时起到平滑作用；闭运算可以消除低于其邻近点的孤立点，在不明显改变其面积的情况下填充并平滑邻近物体的边界；
（6）将步骤（5）的有效数据源图像采用区域轮廓阈值提取方法将整个灰度图像分为9个均分的图像单元，每个单元的放电图像进行灰度轮廓提取获得各个区域的边界上各像素点的坐标值，将提取的边界点的坐标依次连线构成一条封闭曲线，然后将该封闭曲线叠加到了原始图像之上，就实现了闭合区域的放电提取，并对灰度轮廓所闭合的曲线，进行数值标度，数值标度包括面积、灰度值，进而形成放电分布数据，放电分布数据中灰度值对应的就是放电强度，完成零值绝缘子放电分布的计算。
由于紫外图像中的放电点往往不止一个，因此多区域边界轮廓点的坐标提取是本算法中的一个核心环节，上述区域轮廓阈值提取方法包括以下步骤：步骤a）检测灰度图像中每一个高亮区域，获取每一个区域的边界信息；b)通过边界信息获取每个连通区域的面积大小；c)设定一个阈值，依次将每个区域面积与该阈值进行对比，大于该阈值的区域保留下来，而小于该阈值的区域会被消除。
上述灰度轮廓提取方法为：采用检索边界的近似方法使用 Freeman 链码存取轮廓，Freeman 链码是采用 8 个方向，即 0、1、2、3、4、5、6、7 的方式进行轮廓检测的，八个方向示意图如图2所示。
本发明中GaN红紫外传感器，该传感器可以实现在240-280波段获取绝缘子紫外数据，同时可以获取绝缘子的红外数据，两个数据输出为红紫外综合图像数据；红紫外综合图像数据通过图像分割，将传感器获取的全图像分割为放电区域图像，然后进行灰度处理，实现对放电区域图像的彩色图谱进行灰度化处理的功能，然后通过阈值分割算法，将灰度化的图像进行数据分割，剔除掉221灰度值以下的数据，保留221灰度值以上的数据，实现灰度图像放电有效数据处理的第一步，再通过数学开闭运算，将干扰源进行进一步处理，剔除小数据干扰，保留放电强度有效数据，再通过区域轮廓阈值提取法，实现放电强度的图像数值参数化，包括放电量，放电位置，放电面积等数据进行参数化，进而完成零值绝缘子放电分布综合数据的处理方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，其特征在于：该方法包括以下步骤：
（1）采用GaN红紫外传感器获取绝缘子的紫红外综合图谱，图谱为彩色复合图像；
（2）对步骤（1）中的图像进行分割，获得图像分割保留的放电区域，抛弃其他区域的无用数据；
（3）对步骤（2）中处理后的放电区域图像进行灰度处理获得黑白的灰度图像；
（4）对步骤（3）中黑白的灰度图像采用阈值分割算法进行处理；
（5）对步骤（4）中处理后的灰度图像采用数学的开闭运算进行处理获得有效数据源图像；
（6）将步骤（5）的有效数据源图像采用区域轮廓阈值提取方法将整个灰度图像分为9个均分的图像单元，每个单元的放电图像进行灰度轮廓提取获得各个区域的边界上各像素点的坐标值，将提取的边界点的坐标依次连线构成一条封闭曲线，然后将该封闭曲线叠加到了原始图像之上，就实现了闭合区域的放电提取，并对灰度轮廓所闭合的曲线，进行数值标度，数值标度包括面积、灰度值，进而形成放电分布数据，放电分布数据中灰度值对应的就是放电强度，完成零值绝缘子放电分布的计算。
2.根据权利要求1所述的一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，其特征在于：步骤（2）中的分割方法为阈值分割方法，该方法为：将图像灰度化，每个图像点都对应的是灰度的数值，按照阈值分割方法进行筛选，数值大于25的为有效点，规定为1，小于25的为无效点，规定为0，用全局阈值自动分割算法把为1的数据全部保留下来，把为0的数据删除。
3.根据权利要求1所述的一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，其特征在于：步骤（4）中阈值分割算法为二维阈值分割法。
4.根据权利要求3所述的一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，其特征在于：二维阈值分割法为：按照图像处理的像素点来进行处理，每个点的灰度值与放电强度实际上是一定的对应关系，这里设置221为阈值，低于阈值的图像视为干扰源，高于阈值的灰度图像进行增强处理，进而提炼出对比明显的灰度图像。
5.根据权利要求1所述的一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，其特征在于：数学的开闭运算方法包括腐蚀与膨胀运输方法。
6.根据权利要求5所述的一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，其特征在于：腐蚀与膨胀运输方法为：将原图像 A 与核（结构元素）B 进行卷积，前者是计算结构元素 B 所覆盖区域中最小像素值，并将该值赋给结构元素B 中参考点所指定的像素点；后者是计算结构元素 B 所覆盖区域中最大像素值，同样将该值赋给结构元素 B 中参考点所指定的像素点，计算方式为以B点为中心画圆进行开闭运算，半径由小半径逐步拓展到大半径。
7.根据权利要求1所述的一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，其特征在于：区域轮廓阈值提取方法包括以下步骤：步骤a）检测灰度图像中每一个高亮区域，获取每一个区域的边界信息；b)通过边界信息获取每个连通区域的面积大小；c)设定一个阈值，依次将每个区域面积与该阈值进行对比，大于该阈值的区域保留下来，而小于该阈值的区域会被消除。
8.根据权利要求1所述的一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法，其特征在于：灰度轮廓提取方法为：采用检索边界的近似方法使用 Freeman 链码存取轮廓，Freeman 链码是采用 8 个方向，即 0、1、2、3、4、5、6、7 的方式进行轮廓检测的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111095141.2A CN113808109B (zh) | 2021-09-17 | 2021-09-17 | 一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111095141.2A CN113808109B (zh) | 2021-09-17 | 2021-09-17 | 一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808109A true CN113808109A (zh) | 2021-12-17 |
| CN113808109B CN113808109B (zh) | 2023-01-31 |
Family
ID=78895820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111095141.2A Active CN113808109B (zh) | 2021-09-17 | 2021-09-17 | 一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808109B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063408A (zh) * | 2022-07-28 | 2022-09-16 | 广州粤芯半导体技术有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106124942A (zh) * | 2016-06-27 | 2016-11-16 | 华北电力大学（保定） | 一种基于红外和紫外成像法的零值绝缘子检测方法 |
| CN107505546A (zh) * | 2017-08-25 | 2017-12-22 | 国家电网公司 | 一种利用紫外成像仪监测电晕放电的方法 |
| CN107833211A (zh) * | 2017-11-01 | 2018-03-23 | 国家电网公司 | 基于红外图像的零值绝缘子自动检测方法及装置 |
-
2021
- 2021-09-17 CN CN202111095141.2A patent/CN113808109B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106124942A (zh) * | 2016-06-27 | 2016-11-16 | 华北电力大学（保定） | 一种基于红外和紫外成像法的零值绝缘子检测方法 |
| CN107505546A (zh) * | 2017-08-25 | 2017-12-22 | 国家电网公司 | 一种利用紫外成像仪监测电晕放电的方法 |
| CN107833211A (zh) * | 2017-11-01 | 2018-03-23 | 国家电网公司 | 基于红外图像的零值绝缘子自动检测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063408A (zh) * | 2022-07-28 | 2022-09-16 | 广州粤芯半导体技术有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN115063408B (zh) * | 2022-07-28 | 2022-12-02 | 广州粤芯半导体技术有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808109B (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
| CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| Wang et al. | Automated crack severity level detection and classification for ballastless track slab using deep convolutional neural network | |
| CN106251361B (zh) | 一种钢轨表面缺陷图像自适应分割方法 | |
| CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
| CN106404793B (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
| Li et al. | Automatic pavement crack recognition based on BP neural network | |
| Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
| Chow et al. | Artificial intelligence-empowered pipeline for image-based inspection of concrete structures | |
| Zhao et al. | A method for detection and classification of glass defects in low resolution images | |
| CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
| CN114549997B (zh) | 一种基于区域特征提取的x光图像缺陷检测方法和装置 | |
| Yoo et al. | Development of a crack recognition algorithm from non-routed pavement images using artificial neural network and binary logistic regression | |
| Yusof et al. | Deep convolution neural network for crack detection on asphalt pavement | |
| Munawar | Image and video processing for defect detection in key infrastructure | |
| CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
| CN113808109B (zh) | 一种采用GaN红紫外传感器检测零值绝缘子放电分布的方法 | |
| Lyasheva et al. | Detection and recognition of pavement cracks based on computer vision technology | |
| CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
| CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
| Chen et al. | The machined surface defect detection of improved superpixel segmentation and two-level region aggregation based on machine vision | |
| Ahmad et al. | Image segmentation for pavement crack detection system | |
| CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
| Aswini et al. | Mathematical morphology and bottom-hat filtering approach for crack detection on relay surfaces | |
| CN113362347B (zh) | 一种基于超像素特征增强的图像缺陷区域分割方法和系统 |
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 |