CN113870220B - 基于矩形图像检测的导线舞动在线监测方法及装置 - Google Patents
基于矩形图像检测的导线舞动在线监测方法及装置 Download PDFInfo
- Publication number
- CN113870220B CN113870220B CN202111141069.2A CN202111141069A CN113870220B CN 113870220 B CN113870220 B CN 113870220B CN 202111141069 A CN202111141069 A CN 202111141069A CN 113870220 B CN113870220 B CN 113870220B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- area
- pixel point
- marker
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 239000003550 marker Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004297 night vision Effects 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 239000004020 conductor Substances 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于矩形图像检测的导线舞动在线监测方法及装置,是通过在导线弧垂点安装矩形标志物,并在杆塔上架设红外夜视摄像机对标志物进行拍摄,获得视频数据,对视频数据进行处理,得到矩形标志物中心坐标进而获取导线舞动轨迹、导线舞动的最大幅度等信息。本发明能实时监测导线舞动,并提高导线舞动识别率和检测精度。
Description
技术领域
本发明属于架空导线状态监测技术领域,具体地说是一种基于矩形图像检测的导线舞动在线监测方法及装置。
背景技术
微风中导线避雷线受到风力的作用时,导线的背风面会产生涡流状的风力旋转,涡流状的风力旋转是的导线受到上线垂直的压力,在此压力的作用下,导线避雷线整个档距都会产生上下垂直方向的周期性振荡,它的存在严重影响着整个架空输电线路的运行安全﹐甚至还可能导致电力输送被中断。在其运行过程中,受风力的影响,线路的导线结构作垂直振动﹐继而产生了振动问题。这种周期性的振荡在架空输电线路的导线上是极为常见的。
现有的导线监测方法书要是是在导线上安装传感器,但此类方法会给导线带来额外的负担和安全隐患,且传感器设备的供电也难以解决;基于摄像头和图像处理技术的检测方法是对舞动进行定性监测,实现定量监测还需进一步的提高图像处理的精度;基于加速度传感器的监测装置,虽然可以对输电线路的舞动实现定量检测,但是当导线发生扭转而非舞动时,加速度传感器仍会有测量结果输出,利用这种数据计算得到的导线舞动情况必将发生偏差,影响测量精度。
发明内容
本发明为解决上述现有技术存在的不足之处,提出一种基于矩形图像检测的导线舞动在线监测方法及装置,以期能实时监测导线舞动,并提高导线舞动识别率和检测精度。
为了达到上述目的,本发明所采用的技术方案为:
本发明一种基于矩形图像检测的导线舞动在线监测方法的特点在于,包括以下步骤:
步骤1、在导线弧垂点安装标志物,所述标志物为黑色的矩形图案;
步骤2、在杆塔上架设红外夜视摄像机用于对所述标志物进行拍摄,从而获取含有所述标志物的视频图像集合并转化为灰度图集合记为T={T1,T2,…,Tt,…TN},Tt表示第t帧灰度图像;t∈[1,N],t表示帧数,N表示总的图像帧数;
步骤3、识别所述灰度图集合T中的标志物,并计算标志物的中心坐标,得到中心坐标集合D;
步骤4、对所述中心坐标集合D进行平滑处理,从而得到导线舞动轨迹;
步骤5、令静止状态下所述标志物的中心坐标为(x0,y0),以(x0,y0)作为监测导线舞动状态的基准,计算所述中心坐标集合D的所有中心坐标与基准坐标(x0,y0)之间的欧式距离,并选择最大距离作为导线舞动的最大幅度;
步骤6、判断所述最大幅度是否超过预设值,若超过,则进行报警。
本发明所述的一种基于矩形图像检测的导线舞动在线监测方法的特点在于,所述步骤3包括:
步骤3.1、初始化t=1;
步骤3.2、获取所述灰度图集合T中前K帧灰度图像的同一位置像素点(x,y)的灰度值并进行升序排序后,舍弃第k帧到第K帧灰度图像的同一位置像素点(x,y)的灰度值,并对前k帧灰度图像的同一位置像素点(x,y)的灰度值求均值,从而生成像素点(x,y)的灰度均值At-1(x,y),进而得到初始背景模型At-1;
步骤3.3、选取所述灰度图集合T中的连续两帧灰度图像Tt、Tt+1及初始背景模型At-1,利用背景差分法对灰度图像Tt和初始背景模型At-1进行处理,得到差分图像Gt;利用帧间差分法对两帧灰度图像Tt、Tt+1进行处理,得到差分图像Zt;且所得到的两幅差分图像Gt、Zt的目标像素用“1”表示,背景像素用“0”表示;
步骤3.4、根据两幅差分图像Gt、Zt中同一位置的像素点是否为目标像素点,利用式(1)判断新的差分图像GZt中每个像素点是否为目标像素,从而得到新的差分图像GZt:
式(1)中,GZt(x,y)表示新的差分图像GZt中的像素点(x,y),Gt(x,y)表示差分图像Gt中的像素点,Zt(x,y)表示差分图像Zt中的像素点(x,y);若Gt(x,y)=1,则表示为目标像素;若Gt(x,y)=0,则表示为背景像素;若Zt(x,y)=1,则表示为目标像素;若Zt(x,y)=0,则表示为背景像素;
步骤3.5、根据背景模型At-1和第t帧灰度图像Tt,利用式(2)得到更新后的背景模型At:
式(2)中,β为更新参数;Tt(x,y)表示第t帧灰度图像Tt中的像素点(x,y);At(x,y)表示更新后的背景模型At中的像素点(x,y);
步骤3.6、利用式(3)对第t帧灰度图像Tt和背景模型At进行差分,得差分图像Ft:
Ft(x,y)=|Tt(x,y)-At(x,y)| (3)
式(3)中,Ft(x,y)表示差分图像Ft中的像素点(x,y);
步骤3.7、提取所述标志物的目标图像:
步骤3.7.1、将差分图像Ft中所有的像素点的均值作为阈值τ3;
步骤3.7.2、利用阈值τ3将差分图像Ft分成背景区域Et和目标区域Et′;其中,所述背景区域Et中像素点的灰度值小于阈值τ3,目标区域Et中像素点的灰度值大于等于阈值τ3,并计算目标区域Et′的灰度均值FEt′;
步骤3.7.3、利用最大类间方差法对差分图像Ft进行计算,得到在区间[τ3,FE′]的阈值τ4,并利用式(4)对差分图像Ft进行分割,得到二值化图像掩膜Ht:
式(4)中,Ht(x,y)为二值化图像掩膜Ht中的像素点(x,y);
步骤3.8、修复图像缺损:
步骤3.8.1、利用式(5)将二值化图像掩膜Ht转换为数组矩阵Mt:
式(5)中,Mt[x][y]为数组矩阵Mt中第x行第y列的元素;
步骤3.8.2、对数组矩阵Mt中的元素同时进行横向纵向扫描,寻找数组矩阵Mt中元素为1的所有像素点(x,y)作为标记点;
步骤3.8.3、将所有标记点组成一个标记区域J,并同时对标记区域中行和列两个方向进行排除杂质干扰的操作和补全标记区域的空洞操作,从而得到标记区域J′;
步骤3.9、基于标记区域J′的面积和周长的筛选:
步骤3.9.1、计算标记区域J′的面积St和周长Lt;
步骤3.9.2、判断Smin≤St≤Smax且Lmin<Lt<Lmax是否成立,若成立,则保留标记区域J′,并执行步骤3.10;否则,直接执行步骤3.11;其中,Smin、Smax、Lmin、Lmax分别为预先设定的面积、周长的最小值和最大值;
步骤3.10、绘制标记区域J′的最小外接矩形,并得到最小外接矩形的中心坐标(xt,yt);
步骤3.11、判断t≤N是否成立,若成立,则将t+1赋值给t,返回进行步骤3.3;否则,表示得到所有标记区域的最小外接矩形的中心坐标集合D={(x1,y1),(x2,y2),…,(xt,yt),…,(xp,yp)},p表示最小外接矩形的个数,p≤N,并执行步骤4。
所述步骤3.8.3具体包括:
找出标记区域中每行标记的像素点的最初位置,记为s,找出标记区域中每行标记的像素点的最后位置,记为e,将s和e之间的距离记为Lse;
根据所述标志物的边长预先设定阈值τ5,判断Lse≥τ5是否成立,若成立,则将s和e之间所有的元素均进行标记操作,若不成立,则删除相应行所有的标记;
同理,找出标记区域中每列标记的像素点的最初位置,记为s′,找出标记区域中每列标记的像素点的最后位置,记为e′,将s′和e′之间的距离记为Ls′e;判断Ls′e≥τ5是否成立,若成立,则将s′和e′之间所有的元素均进行标记操作,若不成立,则删除相应列所有的标记;
本发明一种基于矩形图像检测的导线舞动在线监测装置的特点在于,包括:标志物、红外夜视摄像机、视频处理模块、GPRS模块和远程监测中心;
所述标志物安装在导线弧垂点,且所述标志物为黑色的矩形图案;
所述红外夜视摄像机架设在杆塔上,用于对所述标志物进行拍摄;
所述视频处理模块用于对所述红外夜视摄像机拍摄的含有标志物的视频图像集合进行处理,得到灰度图集合;并识别所述灰度图集合T中的标志物,计算标志物的中心坐标,从而得到中心坐标集合D;再对所述中心坐标集合D进行平滑处理,从而得到导线舞动轨迹并通过GPRS模块发送给所述远程监测中心;
所述视频处理模块根据静止状态下所述标志物的中心坐标,计算所述中心坐标集合D的所有中心坐标与基准坐标之间的欧式距离,并选择最大距离作为导线舞动的最大幅度并通过GPRS模块发送给所述远程监测中心;
当所述最大幅度超过预设值时,所述远程监测中心进行报警。
与已有技术相比,本发明的有益效果为:
1、本发明针对构建背景模型问题,提出了改进的均值函数法,构建初始背景模型,提高了提取目标前景的准确性;
2、本发明针对背景图像的更新问题,在背景更新时采用视频序列图像和背景图像结合的方法,可以迅速准确的更新背景模型;
3、本发明处理视频图像提取运动目标对象时,利用图像自身信息选取最佳阈值,减少了计算量,使运动目标区域边缘清晰,去除了多余的噪声和冗余等干扰信息,避免了这些干扰信息对目标提取的影响,为后续修复图像缺损、得到连通区域最小外接矩形等操作提供良好的基础;
4、本发明针对修复图像缺损问题,将二值图像转化为数组矩阵,提出了对数组矩阵进行双向同时扫描的方法对像素点进行标记,避免了漏检目标元素点问题;
5、本发明针对图像筛选问题,提出了从连通区域中行和列两个方向同时进行排除杂质的干扰和补全连通区域空洞操作,提高了效率,更加容易实现对图像中规则标志物的识别;
6、与传统的传感器测量方式相比,本发明通过在导线弧垂点安装矩形标志物并识别标志物中矩形结构的中心坐标,进而获取导线舞动的轨迹、导线舞动的幅值等信息,以达到实时监测导线舞动的目的,且具有非接触式检测,安装设备少,操作安全,检测精度高的特点。
附图说明
图1为本发明的结构示意图;
图2为本发明矩形标志物;
图3为本发明的方法流程图;
图中标号:1标志物,2红外夜视摄像机,3视频处理模块,4GPRS模块,5远程监测中心。
具体实施方式
本实施例中,如图3所示,一种基于矩形图像检测的导线舞动在线监测方法是通过在导线弧垂点安装矩形标志物并识别矩形结构的中心点从而得到导线舞动轨迹,标志物为黑色的结构规则矩形图案,并在杆塔上架设红外夜视摄像机对标志物进行拍摄,获得视频数据,对视频数据进行处理,得到几何图案的中心坐标进而获取导线舞动的轨迹、导线舞动的幅值等信息,使得输电导线一直处于监控的范围之内,并设报警值,一旦导线舞动有异常情况时,并采取相应吸收导线振动能量,降低振动强度措施。具体的说,包括以下步骤:
步骤1、如图1所示,设置导线舞动在线监测装置,包括:标志物1、红外夜视摄像机2、视频处理模块3、GPRS模块4和远程监测中心5;
其中,在导线弧垂点安装标志物1,标志物为黑色的矩形图案,例如,如图2所示的矩形;
步骤2、在杆塔上架设红外夜视摄像机2用于对标志物进行拍摄,从而获取含有标志物的视频图像集合并转化为灰度图集合记为T={T1,T2,…,Tt,…TN},Tt表示第t帧灰度图像;t∈[1,N],t表示帧数,N表示总的图像帧数;
步骤3、视频处理模块3用于对红外夜视摄像机2拍摄的含有标志物的视频图像集合进行处理,得到灰度图集合;并识别灰度图集合T中的标志物,计算标志物的中心坐标,从而得到中心坐标集合D;
步骤3.1、初始化t=1;
步骤3.2、针对构建背景模型问题,提出了改进的均值函数法,构建初始背景模型,提高了提取目标前景的准确性;
获取灰度图集合T中前K帧灰度图像的同一位置像素点(x,y)的灰度值并进行升序排序后,舍弃第k帧到第K帧灰度图像的同一位置像素点(x,y)的灰度值,并对前k帧灰度图像的同一位置像素点(x,y)的灰度值求均值,从而生成像素点(x,y)的灰度均值At-1(x,y),进而得到初始背景模型At-1,数学表达式为:
式(1)中,Ti(x,y)为灰度图集合T中前K帧灰度图像的同一位置像素点(x,y)的灰度值并进行升序排序后第i帧灰度图像像素点(x,y)的灰度值;
步骤3.3、选取灰度图集合T中的连续两帧灰度图像Tt、Tt+1及初始背景模型At-1,利用背景差分法对灰度图像Tt和初始背景模型At-1进行处理,得到差分图像Gt;利用帧间差分法对两帧灰度图像Tt、Tt+1进行处理,得到差分图像Zt;且所得到的两幅差分图像Gt、Zt的目标像素用“1”表示,背景像素用“0”表示;
步骤3.4、为了防止漏检目标像素,根据两幅差分图像Gt、Zt中同一位置的像素点是否为目标像素点,利用式(2)判断新的差分图像GZt中每个像素点是否为目标像素,从而得到新的差分图像GZt:
式(2)中,GZt(x,y)表示新的差分图像GZt中的像素点(x,y),Gt(x,y)表示差分图像Gt中的像素点,Zt(x,y)表示差分图像Zt中的像素点(x,y);若Gt(x,y)=1,则表示为目标像素;若Gt(x,y)=0,则表示为背景像素;若Zt(x,y)=1,则表示为目标像素;若Zt(x,y)=0,则表示为背景像素;
步骤3.5、针对背景图像的更新问题,根据背景模型At-1和第t帧灰度图像Tt,可以迅速准确的更新背景模型,利用式(3)得到更新后的背景模型At:
式(3)中,β为更新参数,对于不同的场景在范围[8,80]中取不同的值;Tt(x,y)表示第t帧灰度图像Tt中的像素点(x,y);At(x,y)表示更新后的背景模型At中的像素点(x,y);
步骤3.6、利用式(4)对第t帧灰度图像Tt和背景模型At进行差分,得差分图像Ft:
Ft(x,y)=|Tt(x,y)-At(x,y)| (4)
式(3)中,Ft(x,y)表示差分图像Ft中的像素点(x,y);
步骤3.7、提取标志物的目标图像:
步骤3.7.1、将差分图像Ft中所有的像素点的均值作为阈值τ3;
步骤3.7.2、利用阈值τ3将差分图像Ft分成背景区域Et和目标区域E′t;其中,背景区域Et中像素点的灰度值小于阈值τ3,目标区域Et中像素点的灰度值大于等于阈值τ3,并计算目标区域E′t的灰度均值FE′t;
步骤3.7.3、利用最大类间方差法对差分图像Ft进行计算,得到在区间[τ3,FE′]的阈值τ4,减少了计算量,并利用式(5)对差分图像Ft进行分割,得到二值化图像掩膜Ht:
式(4)中,Ht(x,y)为二值化图像掩膜Ht中的像素点(x,y),二值化图像掩膜Ht目标区域边缘清晰,去除了多余的噪声和冗余等干扰信息,与背景区域明显区分;
步骤3.8、修复图像缺损:
步骤3.8.1、利用式(6)将二值化图像掩膜Ht转换为数组矩阵Mt:
式(6)中,Mt[x][y]为数组矩阵Mt中第x行第y列的元素;
步骤3.8.2、对数组矩阵Mt中的元素同时进行横向纵向扫描,寻找数组矩阵Mt中元素为1的所有像素点(x,y)作为标记点;例如数组矩阵Mt中,以左下角第一个元素点为原点,原点的坐标为(0,0),从原点开始扫描,判断数组元素Mt[0][0]=1是否成立,若成立,标记该(0,0)点,然后继续同时扫描(0,1)和(1,0)两点,否则,不标记该点,直接进行(0,1)和(1,0)两点的扫描,这样可以避免漏检目标元素点;
步骤3.8.3、将所有标记点组成一个标记区域J,为了提高效率,并同时对标记区域中行和列两个方向进行排除噪声、外来物等杂质干扰的操作和补全标记区域的空洞操作,可以更加容易实现对图像中规则标志物的识别,从而得到标记区域J′;具体的说:
找出标记区域中每行标记的像素点的最初位置,记为s,找出标记区域中每行标记的像素点的最后位置,记为e,将s和e之间的距离记为Lse;
根据标志物的边长预先设定阈值τ5,判断Lse≥τ5是否成立,若成立,则将s和e之间所有的元素均进行标记操作,若不成立,则删除相应行所有的标记;
同理,找出标记区域中每列标记的像素点的最初位置,记为s′,找出标记区域中每列标记的像素点的最后位置,记为e′,将s′和e′之间的距离记为L′se;判断L′se≥τ5是否成立,若成立,则将s′和e′之间所有的元素均进行标记操作,若不成立,则删除相应列所有的标记;
步骤3.9、基于标记区域J′的面积和周长的筛选:
步骤3.9.1、计算标记区域J′的面积St和周长Lt;
步骤3.9.2、判断Smin≤St≤Smax且Lmin<Lt<Lmax是否成立,若成立,则保留标记区域J′,并执行步骤3.10;否则,直接执行步骤3.11;其中,Smin、Smax、Lmin、Lmax分别为预先设定的面积、周长的最小值和最大值;
步骤3.10、绘制标记区域J′的最小外接矩形,并得到最小外接矩形的中心坐标(xt,yt);
步骤3.11、判断t≤N是否成立,若成立,则将t+1赋值给t,返回进行步骤3.3;否则,表示得到所有标记区域的最小外接矩形的中心坐标集合D={(x1,y1),(x2,y2),…,(xt,yt),…,(xp,yp)},p表示最小外接矩形的个数,p≤N,并执行步骤4;
步骤4、视频处理模块3对中心坐标集合D进行平滑处理,从而得到导线舞动轨迹并通过GPRS模块4发送给远程监测中心5;
步骤5、令静止状态下标志物的中心坐标为(x0,y0),以(x0,y0)作为监测导线舞动状态的基准,视频处理模块3计算中心坐标集合D的所有中心坐标与基准坐标(x0,y0)之间的欧式距离,并选择最大距离作为导线舞动的最大幅度并通过GPRS模块4发送给远程监测中心5;
步骤6、判断最大幅度是否超过预设值,若超过,则远程监测中心5进行报警。
Claims (3)
1.一种基于矩形图像检测的导线舞动在线监测方法,其特征在于,包括以下步骤:
步骤1、在导线弧垂点安装标志物,所述标志物为黑色的矩形图案;
步骤2、在杆塔上架设红外夜视摄像机用于对所述标志物进行拍摄,从而获取含有所述标志物的视频图像集合并转化为灰度图集合记为T={T1,T2,…,Tt,…TN},Tt表示第t帧灰度图像;t∈[1,N],t表示帧数,N表示总的图像帧数;
步骤3、识别所述灰度图集合T中的标志物,并计算标志物的中心坐标,得到中心坐标集合D;
步骤3.1、初始化t=1;
步骤3.2、获取所述灰度图集合T中前K帧灰度图像的同一位置像素点(x,y)的灰度值并进行升序排序后,舍弃第k帧到第K帧灰度图像的同一位置像素点(x,y)的灰度值,并对前k帧灰度图像的同一位置像素点(x,y)的灰度值求均值,从而生成像素点(x,y)的灰度均值At-1(x,y),进而得到初始背景模型At-1;
步骤3.3、选取所述灰度图集合T中的连续两帧灰度图像Tt、Tt+1及初始背景模型At-1,利用背景差分法对灰度图像Tt和初始背景模型At-1进行处理,得到差分图像Gt;利用帧间差分法对两帧灰度图像Tt、Tt+1进行处理,得到差分图像Zt;且所得到的两幅差分图像Gt、Zt的目标像素用“1”表示,背景像素用“0”表示;
步骤3.4、根据两幅差分图像Gt、Zt中同一位置的像素点是否为目标像素点,利用式(1)判断新的差分图像GZt中每个像素点是否为目标像素,从而得到新的差分图像GZt:
式(1)中,GZt(x,y)表示新的差分图像GZt中的像素点(x,y),Gt(x,y)表示差分图像Gt中的像素点,Zt(x,y)表示差分图像Zt中的像素点(x,y);若Gt(x,y)=1,则表示为目标像素;若Gt(x,y)=0,则表示为背景像素;若Zt(x,y)=1,则表示为目标像素;若Zt(x,y)=0,则表示为背景像素;
步骤3.5、根据背景模型At-1和第t帧灰度图像Tt,利用式(2)得到更新后的背景模型At:
式(2)中,β为更新参数;Tt(x,y)表示第t帧灰度图像Tt中的像素点(x,y);At(x,y)表示更新后的背景模型At中的像素点(x,y);
步骤3.6、利用式(3)对第t帧灰度图像Tt和背景模型At进行差分,得差分图像Ft:
式(3)中,Ft(x,y)表示差分图像Ft中的像素点(x,y);
步骤3.7、提取所述标志物的目标图像:
步骤3.7.1、将差分图像Ft中所有的像素点的均值作为阈值τ3;
步骤3.7.2、利用阈值τ3将差分图像Ft分成背景区域Et和目标区域E′t;其中,所述背景区域Et中像素点的灰度值小于阈值τ3,目标区域Et中像素点的灰度值大于等于阈值τ3,并计算目标区域E′t的灰度均值FE′t;
步骤3.7.3、利用最大类间方差法对差分图像Ft进行计算,得到在区间[τ3,FE′]的阈值τ4,并利用式(4)对差分图像Ft进行分割,得到二值化图像掩膜Ht:
式(4)中,Ht(x,y)为二值化图像掩膜Ht中的像素点(x,y);
步骤3.8、修复图像缺损:
步骤3.8.1、利用式(5)将二值化图像掩膜Ht转换为数组矩阵Mt:
式(5)中,Mt[x][y]为数组矩阵Mt中第x行第y列的元素;
步骤3.8.2、对数组矩阵Mt中的元素同时进行横向纵向扫描,寻找数组矩阵Mt中元素为1的所有像素点(x,y)作为标记点;
步骤3.8.3、将所有标记点组成一个标记区域J,并同时对标记区域中行和列两个方向进行排除杂质干扰的操作和补全标记区域的空洞操作,从而得到标记区域J′;
步骤3.9、基于标记区域J′的面积和周长的筛选:
步骤3.9.1、计算标记区域J′的面积St和周长Lt;
步骤3.9.2、判断Smin≤St≤Smax且Lmin<Lt<Lmax是否成立,若成立,则保留标记区域J′,并执行步骤3.10;否则,直接执行步骤3.11;其中,Smin、Smax、Lmin、Lmax分别为预先设定的面积、周长的最小值和最大值;
步骤3.10、绘制标记区域J′的最小外接矩形,并得到最小外接矩形的中心坐标(xt,yt);
步骤3.11、判断t≤N是否成立,若成立,则将t+1赋值给t,返回进行步骤3.3;否则,表示得到所有标记区域的最小外接矩形的中心坐标集合D={(x1,y1),(x2,y2),…,(xt,yt),…,(xp,yp)},p表示最小外接矩形的个数,p≤N,并执行步骤4;
步骤4、对所述中心坐标集合D进行平滑处理,从而得到导线舞动轨迹;
步骤5、令静止状态下所述标志物的中心坐标为(x0,y0),以(x0,y0)作为监测导线舞动状态的基准,计算所述中心坐标集合D的所有中心坐标与基准坐标(x0,y0)之间的欧式距离,并选择最大距离作为导线舞动的最大幅度;
步骤6、判断所述最大幅度是否超过预设值,若超过,则进行报警。
2.根据权利要求1所述的一种基于矩形图像检测的导线舞动在线监测方法,其特征在于,所述步骤3.8.3具体包括:
找出标记区域中每行标记的像素点的最初位置,记为s,找出标记区域中每行标记的像素点的最后位置,记为e,将s和e之间的距离记为Lse;
根据所述标志物的边长预先设定阈值τ5,判断Lse≥τ5是否成立,若成立,则将s和e之间所有的元素均进行标记操作,若不成立,则删除相应行所有的标记;
同理,找出标记区域中每列标记的像素点的最初位置,记为s′,找出标记区域中每列标记的像素点的最后位置,记为e′,将s′和e′之间的距离记为L′se;判断L′se≥τ5是否成立,若成立,则将s′和e′之间所有的元素均进行标记操作,若不成立,则删除相应列所有的标记。
3.一种基于矩形图像检测的导线舞动在线监测装置,其特征在于,是基于权利要求1所述的基于矩形图像检测的导线舞动在线监测方法,所述导线舞动在线监测装置包括:标志物(1)、红外夜视摄像机(2)、视频处理模块(3)、GPRS模块(4)和远程监测中心(5);
所述标志物(1)安装在导线弧垂点,且所述标志物为黑色的矩形图案;
所述红外夜视摄像机(2)架设在杆塔上,用于对所述标志物进行拍摄;
所述视频处理模块(3)用于对所述红外夜视摄像机(2)拍摄的含有标志物的视频图像集合进行处理,得到灰度图集合;并识别所述灰度图集合T中的标志物,计算标志物的中心坐标,从而得到中心坐标集合D;再对所述中心坐标集合D进行平滑处理,从而得到导线舞动轨迹并通过GPRS模块(4)发送给所述远程监测中心(5);
所述视频处理模块(3)根据静止状态下所述标志物的中心坐标,计算所述中心坐标集合D的所有中心坐标与基准坐标之间的欧式距离,并选择最大距离作为导线舞动的最大幅度并通过GPRS模块(4)发送给所述远程监测中心(5);
当所述最大幅度超过预设值时,所述远程监测中心(5)进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141069.2A CN113870220B (zh) | 2021-09-28 | 2021-09-28 | 基于矩形图像检测的导线舞动在线监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141069.2A CN113870220B (zh) | 2021-09-28 | 2021-09-28 | 基于矩形图像检测的导线舞动在线监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870220A CN113870220A (zh) | 2021-12-31 |
CN113870220B true CN113870220B (zh) | 2024-06-25 |
Family
ID=78991720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111141069.2A Active CN113870220B (zh) | 2021-09-28 | 2021-09-28 | 基于矩形图像检测的导线舞动在线监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870220B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710902B (zh) * | 2024-02-05 | 2024-05-10 | 智洋创新科技股份有限公司 | 基于数据分析及标定物的输电导线风害监测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093192A (zh) * | 2012-12-28 | 2013-05-08 | 昆山市工业技术研究院有限责任公司 | 高压输电线舞动的识别方法 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103826102B (zh) * | 2014-02-24 | 2018-03-30 | 深圳市华宝电子科技有限公司 | 一种运动目标的识别方法、装置 |
CN110276787B (zh) * | 2019-06-27 | 2021-02-26 | 合肥工业大学智能制造技术研究院 | 基于标志物图像检测的导线舞动监测方法 |
-
2021
- 2021-09-28 CN CN202111141069.2A patent/CN113870220B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093192A (zh) * | 2012-12-28 | 2013-05-08 | 昆山市工业技术研究院有限责任公司 | 高压输电线舞动的识别方法 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113870220A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112819094A (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
CN112419298B (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
CN111626169B (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
CN113870220B (zh) | 基于矩形图像检测的导线舞动在线监测方法及装置 | |
CN110276787B (zh) | 基于标志物图像检测的导线舞动监测方法 | |
CN113554667B (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
CN115082849B (zh) | 基于深度学习的模板支架安全智能监测方法 | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN115272852A (zh) | 一种输电线路保护区隐患识别方法、设备及介质 | |
CN113469974B (zh) | 球团链篦机篦板状态监测方法及其监测系统 | |
CN114022655A (zh) | 基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN116310424B (zh) | 基于图像识别的设备质量评估方法、装置、终端和介质 | |
CN110852990B (zh) | 一种基于图像处理的橡胶树斜刀痕检测方法 | |
CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 | |
CN117237597A (zh) | 一种基于北斗卫星数据与ai图形融合的数据处理终端 | |
CN115082701B (zh) | 一种基于双摄像头的多水线交叉识别定位方法 | |
CN104006804A (zh) | 基于观测基准失稳补偿的接触网偏移量检测方法 | |
CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
CN108734158B (zh) | 一种实时列车车号识别方法及装置 | |
CN112949483B (zh) | 一种基于Faster R-CNN的非接触式铁轨伸缩位移实时测量方法 | |
CN113822105B (zh) | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
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 |