CN114092841A - 变电站无人机巡检图像边缘识别方法、系统及存储介质 - Google Patents

Abstract

本发明涉及图像识别技术领域，公开了一种变电站无人机巡检图像边缘识别方法、系统及存储介质，该方法包括：确定无人机采集的巡检图像的灰度值，并对灰度值进行重构，得到巡检图像的像素灰度值；根据巡检图像的像素灰度值确定巡检图像的边缘点集；根据边缘点集确定巡检图像的边缘点阈值信息；基于边缘点阈值信息和预设的卷积网络模型确定巡检图像的边缘信息，可以快速且准确地识别出边缘信息。

Description

变电站无人机巡检图像边缘识别方法、系统及存储介质

技术领域

本发明涉及图像识别技术领域，尤其涉及一种变电站无人机巡检图像边缘识别方法、系统及存储介质。

背景技术

变电站的安全、稳定运行是国家电力网络建设的基础，更是保证电力系统正常运行的基础。变电站的巡检业务是保证电网安全稳定运行的关键工作之一，对变电站的运行状况进行实时监测，掌握变电站的实时运行情况，可以及时地发现电网系统运行的缺陷，并及时作出预警，避免发生安全事故。

目前，变电站大都采用无人机巡检的方式，在巡检的过程中，对变电站的目标图像信息进行采集，保证目标图像信息始终在巡检路线中，由于无人机巡检的过程中一直保持飞行状态，采集的图像都是动态图像，其中包含的无效信息较多，导致无法对变电站故障进行准确地识别。

发明内容

本发明提供了一种变电站无人机巡检图像边缘识别方法、系统及存储介质，以解决现有技术中存在的问题。

为了实现上述目的，本发明通过如下的技术方案来实现：

第一方面，本发明提供一种变电站无人机巡检图像边缘识别方法，包括：

S1：确定无人机采集的巡检图像的灰度值，并对所述灰度值进行重构，得到巡检图像的像素灰度值；

S2：根据所述巡检图像的像素灰度值确定巡检图像的边缘点集；

S3：根据所述边缘点集确定巡检图像的边缘点阈值信息；

S4：基于所述边缘点阈值信息和预设的卷积网络模型确定巡检图像的边缘信息。

可选地，所述S1包括：

S11：设定动态巡检图像的局部相似度函数为H_ij，用下式表示：

式中，H_s-ij表示巡检图像i与j之间的像素值相似度，H_g-ij表示巡检图像i与j在空间中灰度值相似度；

无人机巡检图像灰度值的相似度表示为：

式中，x_i表示动态巡检图像在核心区域的像素灰度值，x_j表示巡检图像在核心区域采集的灰度值，λ_g表示巡检图像像素值相似度的影响因素，δ_g-i表示密度函数，定义如下：

式中，N_i表示无人机采集的动态巡检图像i在相邻区域的像素点，N_R表示无人机采集的动态巡检图像i在相邻区域的像素点个数，δ_g-i表示无人机采集的动态巡检图像在核心区域的密度函数；

对巡检图像的灰度值进行重构，表示为：

式中，η_i表示重构的巡检图像η中第i个图像像素的灰度值。

可选地，所述S2包括：

S21：将巡检图像群中在规格为M×N内的各个像素进行描述如下：

p(x,y)＝f_R(x,y)i+f_G(x,y)j+f_B(x,y)k；

式中，(x,y)表示巡检图像在M×N内的图像位置，f_R(x,y)、f_G(x,y)、f_B(x,y)分别表示巡检图像中R、G、B的具体像素值，(i,j,k)表示巡检图像空间特征的3个虚拟单位；

S22：对巡检图像群中的各个像素p(x,y)归一化处理，计算出各个动态巡检图像r与图像灰度值r₀的格拉斯曼积：

P_rP_r0＝-q₁·q₂+q₁×q₂；

式中，q₁和q₂表示动态巡检图像的像素值，P_rP_r0内包括一个像素值S[P_rP_r0]和一个动态图像V[P_rP_r0]；

S23：确定r与r₀之间相似度判别函数：

式中，t表示巡检图像的灰度值，以相似度判别函数为基础，计算出动态巡检图像像素r₀在USAN区域内的值为n(r₀)，将n(r₀)与矢量g进行对比，确定无人机巡检图像的边缘点集E。

可选地，所述S3包括：

S31：计算出巡检图像的边缘点阈值，定义巡检图像中的边缘点与非边缘点之间的阈值关系式，

表示巡检图像的有效区域，

用于描述巡检图像群中USAN面积为

的像素个数，

表示图像群中的像素总数，则

占无人机巡检图像有效边缘点概率

表示如下：

式中，ω₁、ω₂分别表示无人机巡检图像中有效边缘信息的面积和个数，μ₁、μ₂表示无人机巡检图像中有效边缘信息占比；

S32：计算无人机巡检图像中有效边缘点和非边缘点的方差

式中，μ表示无人机巡检图像的边缘均值，由上式可知，巡检图像的方差值越大，表明二者之间的阈值差异越大，定义此时的阈值为κ，获得无人机巡检图像的阈值信息，实现对无人机巡检图像非边缘点和弱边缘点的有效分割：

式中，R(P)表示无人机巡检图像的边缘点阈值函数信息，g_l表示巡检图像边缘点的有效分割信息下限，g_h表示巡检图像边缘点的有效分割信息上限。

可选地，所述S4包括：

S41：设定巡检图像的离散系数如下：

C_ij＝Δ_ij/I_ij；

式中，Δ_ij、I_ij分别表示巡检图像边缘ij的标准方差和阈值，其中，C_ij＝β_ij，β_ij表示巡检图像的连接强度，则巡检图像的离散矩阵如下：

式中，n表示巡检图像的迭代次数，F_ij[n]、U_ij[n]分别表示巡检图像边缘的信息值和动态数值，θ_ij[n]表示巡检图像边缘的权值，α和β表示巡检图像边缘点的权值隶属度和连接系数，θ₀表示巡检图像边缘的灰度值，当β_ij≠0时，利用预设的卷积网络模型获得巡检图像的边缘信息，定义边缘矩阵T，对无人机巡检图像进行迭代处理，有如下表达式：

S42：定义巡检图像平面内的离散质点；并对巡检图像的边缘信息进行归一化处理；

S43：结合上述求得的无人机巡检图像灰度值，确定对变电站无人机巡检图像边缘信息的自适应识别的模型，表达式如下：

δ＝i_c0+j_c0+(T_ij[n]·θ₀)；

式中，δ表示边缘识别结果，i_c0、j_c0分别表示对巡检图像边缘信息进行归一化处理的结果，T_ij[n]表示迭代处理的结果。

第二方面，本申请还提供一种无人机巡检图像边缘识别系统，包括：处理器和存储器；所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述移动终端执行所述的方法步骤。

第三方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法步骤。

有益效果：

本发明提供的变电站无人机巡检图像边缘识别方法，首先确定无人机采集的巡检图像的灰度值，并对灰度值进行重构，得到巡检图像的像素灰度值；根据巡检图像的像素灰度值确定巡检图像的边缘点集；根据边缘点集确定巡检图像的边缘点阈值信息；基于边缘点阈值信息和预设的卷积网络模型确定巡检图像的边缘信息。这样，在计算无人机巡检图像灰度值相似度并重构图像像素灰度值的基础上，通过分割图像非边缘点和弱边缘对图像边缘区域的检测，然后利用卷积网络获得图像的边缘信息，在归一化处理的基础上识别边缘信息。可以快速且准确地识别出边缘信息。

附图说明

图1为本发明优选实施例提供的一种变电站无人机巡检图像边缘识别方法的流程图；

图2为本发明优选实施例提供的方法与现有技术的方法在图像边缘识别离散系数方面的测试结果图；

图3为本发明优选实施例提供的方法与现有技术的方法在图像边缘识别优质系数方面的测试结果图。

具体实施方式

下面对本发明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作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。

除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。

请参见图1，本申请实施例提供一种变电站无人机巡检图像边缘识别方法，包括：

S1：确定无人机采集的巡检图像的灰度值，并对灰度值进行重构，得到巡检图像的像素灰度值；

S2：根据巡检图像的像素灰度值确定巡检图像的边缘点集；

S3：根据边缘点集确定巡检图像的边缘点阈值信息；

S4：基于边缘点阈值信息和预设的卷积网络模型确定巡检图像的边缘信息。

上述的变电站无人机巡检图像边缘识别方法，在计算无人机巡检图像灰度值相似度并重构图像像素灰度值的基础上，通过分割图像非边缘点和弱边缘对图像边缘区域的检测，然后利用卷积网络获得图像的边缘信息，在归一化处理的基础上识别边缘信息。可以快速且准确地识别出边缘信息。

具体而言，假设变电站无人机采集的两个动态巡检图像的灰度值大小较相近，可以将这两个动态巡检图像归属同一类。设定动态巡检图像的局部相似度函数为H_ij，可用下式表示：

公式(1)中，H_s-ij表示无人机巡检图像i与j之间的像素值相似度。H_g-ij表示无人机巡检图像i与j在空间中灰度值相似度。

像素值的相似度H_s-ij表示为：

公式(2)中，λ_k表示无人机巡检图像像素值相似度的影响因素，是决定转换H_s-ij的因子[7]，λ_k值受巡检图像的像素值相似度影响。

无人机巡检图像灰度值的相似度表示为：

公式(3)中，x_i表示动态巡检图像在核心区域的像素灰度值，x_j表示巡检图像在核心区域采集的灰度值，λ_g表示巡检图像像素值相似度的影响因素，δ_g-i可定义为：

公式(4)中，N_i表示无人机采集的动态巡检图像i在相邻区域的像素点，N_R表示无人机采集的动态巡检图像i在相邻区域的像素点个数，δ_g-i表示无人机采集的动态巡检图像在核心区域的密度函数。

对无人机巡检图像的灰度值进行重构，表示为：

公式(5)中，η_i表示重构的巡检图像η中第i个图像的灰度值。通过以上过程重构无人机巡检图像像素的灰度值。

根据无人机巡检图像的空间特征，采用代数运算对巡检图像群的图像边缘进行检测。将无人机巡检图像群中的动态巡检图像在M×N内的各个像素进行如下描述：

p(x,y)＝f_R(x,y)i+f_G(x,y)j+f_B(x,y)k (6)

公式(6)中，(x,y)表示无人机动态巡检图像在M×N内的图像位置，f_R(x,y)、f_G(x,y)、f_B(x,y)分别表示无人机动态巡检图像中R、G、B的具体像素值，(i,j,k)表示巡检图像空间特征的3个虚拟单位。对无人机巡检图像群中的各个像素p(x,y)归一化处理，计算出各个动态巡检图像r与图像灰度值r₀的格拉斯曼积：

P_rP_r0＝-q₁·q₂+q₁×q₂ (7)

公式(7)中，q₁和q₂表示动态巡检图像的像素值，P_rP_r0内包括一个像素值S[P_rP_r0]和一个动态图像V[P_rP_r0]。通过归一化处理后，无人机巡检图像群的灰度值r与r₀的判别方差为(－1，0)。由此可知，两个无人机巡检动态图像的相似度越高，判别方差的值越接近(－1，0)，利用下式表示r与r₀之间相似度判别函数：

以上式给出的相似度判别函数为基础，计算出动态巡检图像像素r₀在USAN区域内的值为n(r₀)，将n(r₀)与矢量g进行对比，确定无人机巡检图像的边缘点集E[8]。S和V分别表示无人机巡检图像中的清晰图像与失效图像，t表示巡检图像的灰度值。然后采用Otsu算法，计算出无人机巡检图像的边缘点阈值，定义无人机巡检图像中的边缘点与非边缘点之间的阈值关系式，

表示无人机巡检图像的有效区域，

用于描述无人机巡检图像群中USAN面积为

的像素个数，

表示图像群中的像素总数，则

占无人机巡检图像有效边缘点概率，可利用下式进行表示：

公式(8)中，ω₁、ω₂分别表示无人机巡检图像中有效边缘信息的面积和个数，μ₁、μ₂表示无人机巡检图像中有效边缘信息占比，利用下式计算无人机巡检图像中有效边缘点和非边缘点的方差：

公式(10)中，μ表示无人机巡检图像的边缘均值。由上式可知，二者之间巡检图像的方差值越大，表明二者之间的阈值差异越大[9]，定义此时的阈值为κ，获得无人机巡检图像的阈值信息，实现对无人机巡检图像非边缘点和弱边缘点的有效分割：

公式(11)中，R(P)表示无人机巡检图像的边缘点阈值函数信息，g_h表示巡检图像边缘点的有效分割信息。

为了对无人机巡检图像边缘点的检测，通过上述步骤确定无人机巡检图像边缘点的阈值信息，实现变电站无人机巡检图像边缘的有效检测。

在识别无人机巡检图像边缘信息时，引入无人机动态巡检图像的离散系数[10]：

C_ij＝Δ_ij/I_ij (12)

公式(12)中，Δ_ij、I_ij分别表示无人机巡检图像边缘ij的标准方差和阈值，式(12)可以对无人机巡检图像的连接强度β_ij进行分析，得到C_ij＝β_ij，得到无人机巡检图像的离散矩阵：

公式(13)中，n表示巡检图像的迭代次数，F_ij[n]、U_ij[n]分别表示无人机巡检图像边缘的信息值和动态数值[11-12]，θ_ij[n]表示无人机巡检图像边缘的权值，α和β表示无人机巡检图像边缘点的权值隶属度和连接系数，θ₀表示无人机巡检图像边缘的灰度值，当β_ij≠0时，利用卷积网络获得无人机巡检图像的边缘信息，定义边缘矩阵T，对无人机巡检图像进行迭代处理[13]，有如下表达式：

公式(14)反映出了无人机巡检图像的空间信息和时间信息，将巡检图像平面内的离散质点定义为：

公式(15)中，m_r代表巡检图像坐标点(x_r,m_r)处的离散质点信息，(x_c,y_c)代表巡检图像边缘离散质点的中心，其能够体现出无人机巡检图像边缘的形状特征[14]。

为了能够对无人机巡检图像边缘信息进行有效地识别，需要对其进行归一化处理[15]，过程如下：

公式(16)中，M、N表示无人机采集的动态巡检图像，式(16)能够对动态巡检图像进行噪声干扰处理，结合上述求得的无人机巡检图像灰度值，实现对变电站无人机巡检图像边缘信息的自适应识别，表达式为：

δ＝i_c0+j_c0+(T_ij[n]·θ₀) (17)

在一示例中，为验证上述设计的变电站无人机巡检图像边缘识别方法的实际应用性能，进行如下实验：

实验过程中，为了排除噪声因素对变电站无人机巡检图像质量的影响，设置了如表1所示的实验参数。

表1实验参数设置情况统计表

实验过程中，先引入离散系数衡量变电站无人机巡检图像边缘的识别效果，离散系数值越大说明巡检图像边缘的识别效果越好，反之则差。

接着利用优质系数衡量变电站无人机巡检图像边缘的识别性能，将优质系数定义为：

式中，n₀表示理想状态下识别到的点数，n_d表示正常状态下识别到的点数，

表示比例系数，d_γ表示识别到边缘点γ与理想边缘点之间的距离。

进一步地，引入基于Franklin矩的图像边缘识别方法和基于中智理论的图像边缘识别方法作对比。

三种方法在图像边缘识别离散系数方面的测试结果如图2所示。分析图2的结果可以看出，采用基于Franklin矩的图像边缘识别方法时，识别巡检图像边缘时的离散系数在2～8之间，随着识别次数的增加，离散系数也越来越大，导致识别效不理想；采用基于中智理论的图像边缘识别方法时，识别巡检图像边缘时的离散系数比基于Franklin矩的图像边缘识别方法大，但是当识别系数低于5次时，图像边缘识别的离散系数低于10，无法满足巡检图像边缘的识别要求；采用本文方法时，识别巡检图像边缘时的离散系数在15～20之间，明显高于基于Franklin矩的图像边缘识别方法和基于中智理论的图像边缘识别方法，由此可以说明，本文设计的变电站无人机巡检图像边缘识别方法在识别巡检图像边缘时的效果更好。

三种方法在图像边缘识别优质系数方面的测试结果如图3所示。从图3的结果可以看出，基于Franklin矩的图像边缘识别方法和基于中智理论的图像边缘识别方法在巡检图像边缘识别的优质系数变化趋势方面基本相同，但是基于中智理论的图像边缘识别方法高于基于Franklin矩的图像边缘识别方法；采用本文方法时，随着识别次数的增加，识别巡检图像边缘的优质系数始终高于17，由此可以说明，本文设计的变电站无人机巡检图像边缘识别方法在识别巡检时具有更高的性能。

综上，本申请提供的变电站无人机巡检图像边缘识别方法。经测试发现，该方法在识别变电站无人机巡检图像边缘时不仅具有更好地识别效果，还可以提高图像边缘识别性能。

本申请实施例还提供一种无人机巡检图像边缘识别系统，包括：处理器和存储器；所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述移动终端执行上述的方法步骤。该无人机巡检图像边缘识别系统能实现上述的无人机巡检图像边缘识别方法的各个实施例，且能达到相同的有益效果，此处，不做赘述。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的方法步骤。该可读存储介质可以实现上述的电池更换方法的各个实施例，且能达到相同的有益效果，此处，不做赘述。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种变电站无人机巡检图像边缘识别方法，其特征在于，包括：

S1：确定无人机采集的巡检图像的灰度值，并对所述灰度值进行重构，得到巡检图像的像素灰度值；

S2：根据所述巡检图像的像素灰度值确定巡检图像的边缘点集；

S3：根据所述边缘点集确定巡检图像的边缘点阈值信息；

S4：基于所述边缘点阈值信息和预设的卷积网络模型确定巡检图像的边缘信息。

2.根据权利要求1所述的变电站无人机巡检图像边缘识别方法，其特征在于，所述S1包括：

S11：设定动态巡检图像的局部相似度函数为H_ij，用下式表示：

式中，H_s-ij表示巡检图像i与j之间的像素值相似度，H_g-ij表示巡检图像i与j在空间中灰度值相似度；

无人机巡检图像灰度值的相似度表示为：

式中，x_i表示动态巡检图像在核心区域的像素灰度值，x_j表示巡检图像在核心区域采集的灰度值，λ_g表示巡检图像像素值相似度的影响因素，δ_g-i表示密度函数，定义如下：

式中，N_i表示无人机采集的动态巡检图像i在相邻区域的像素点，N_R表示无人机采集的动态巡检图像i在相邻区域的像素点个数，δ_g-i表示无人机采集的动态巡检图像在核心区域的密度函数；

对巡检图像的灰度值进行重构，表示为：

式中，η_i表示重构的巡检图像η中第i个图像像素的灰度值。

3.根据权利要求1所述的变电站无人机巡检图像边缘识别方法，其特征在于，所述S2包括：

S21：将巡检图像群中在规格为M×N内的各个像素进行描述如下：

p(x,y)＝f_R(x,y)i+f_G(x,y)j+f_B(x,y)k；

式中，(x,y)表示巡检图像在M×N内的图像位置，f_R(x,y)、f_G(x,y)、f_B(x,y)分别表示巡检图像中R、G、B的具体像素值，(i,j,k)表示巡检图像空间特征的3个虚拟单位；

S22：对巡检图像群中的各个像素p(x,y)归一化处理，计算出各个动态巡检图像r与图像灰度值r₀的格拉斯曼积：

P_rP_r0＝-q₁·q₂+q₁×q₂；

式中，q₁和q₂表示动态巡检图像的像素值，P_rP_r0内包括一个像素值S[P_rP_r0]和一个动态图像V[P_rP_r0]；

S23：确定r与r₀之间相似度判别函数：

式中，t表示巡检图像的灰度值，以相似度判别函数为基础，计算出动态巡检图像像素r₀在USAN区域内的值为n(r₀)，将n(r₀)与矢量g进行对比，确定无人机巡检图像的边缘点集E。

4.根据权利要求3所述的变电站无人机巡检图像边缘识别方法，其特征在于，所述S3包括：

S31：计算出巡检图像的边缘点阈值，定义巡检图像中的边缘点与非边缘点之间的阈值关系式，

表示巡检图像的有效区域，

用于描述巡检图像群中USAN面积为

的像素个数，

表示图像群中的像素总数，则

占无人机巡检图像有效边缘点概率

表示如下：

式中，ω₁、ω₂分别表示无人机巡检图像中有效边缘信息的面积和个数，μ₁、μ₂表示无人机巡检图像中有效边缘信息占比；

S32：计算无人机巡检图像中有效边缘点和非边缘点的方差

式中，μ表示无人机巡检图像的边缘均值，由上式可知，巡检图像的方差值越大，表明二者之间的阈值差异越大，定义此时的阈值为κ，获得无人机巡检图像的阈值信息，实现对无人机巡检图像非边缘点和弱边缘点的有效分割：

式中，R(P)表示无人机巡检图像的边缘点阈值函数信息，g_l表示巡检图像边缘点的有效分割信息下限，g_h表示巡检图像边缘点的有效分割信息上限。

5.根据权利要求1所述的变电站无人机巡检图像边缘识别方法，其特征在于，所述S4包括：

S41：设定巡检图像的离散系数如下：

C_ij＝Δ_ij/I_ij；

式中，Δ_ij、I_ij分别表示巡检图像边缘ij的标准方差和阈值，其中，C_ij＝β_ij，β_ij表示巡检图像的连接强度，则巡检图像的离散矩阵如下：

式中，n表示巡检图像的迭代次数，F_ij[n]、U_ij[n]分别表示巡检图像边缘的信息值和动态数值，θ_ij[n]表示巡检图像边缘的权值，α和β表示巡检图像边缘点的权值隶属度和连接系数，θ₀表示巡检图像边缘的灰度值，当β_ij≠0时，利用预设的卷积网络模型获得巡检图像的边缘信息，定义边缘矩阵T，对无人机巡检图像进行迭代处理，有如下表达式：

S42：定义巡检图像平面内的离散质点；并对巡检图像的边缘信息进行归一化处理；

S43：结合上述求得的无人机巡检图像灰度值，确定对变电站无人机巡检图像边缘信息的自适应识别的模型，表达式如下：

δ＝i_c0+j_c0+(T_ij[n]·θ₀)；

式中，δ表示边缘识别结果，i_c0、j_c0分别表示对巡检图像边缘信息进行归一化处理的结果，T_ij[n]表示迭代处理的结果。

6.一种无人机巡检图像边缘识别系统，其特征在于，包括：处理器和存储器；所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述移动终端执行根据权利要求1至5中任一项所述的方法步骤。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法步骤。

Images