CN115294440A - 输电线路识别方法、装置以及电子设备 - Google Patents
输电线路识别方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN115294440A CN115294440A CN202210993160.5A CN202210993160A CN115294440A CN 115294440 A CN115294440 A CN 115294440A CN 202210993160 A CN202210993160 A CN 202210993160A CN 115294440 A CN115294440 A CN 115294440A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- power transmission
- transmission line
- gray level
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10024—Color image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种输电线路识别方法、装置以及电子设备,输电线路识别方法包括:获取灰度图像;对灰度图像做图像增强,得到增强图像;对增强图像做边缘检测,得到轮廓图像;利用直线检测算法,从轮廓图像中提取出输电线路图。本发明的输电线路识别方法、装置以及电子设备,能够降低硬件要求,且具有较高的准确率。
Description
技术领域
本发明涉及图像识别技术领域,特别是涉及输电线路识别方法、装置以及电子设备。
背景技术
输电线路在电力系统中起着重要作用,基于无人机对输电线路进行巡视能够及时发现输电线路的异常,及时采取措施保障输电线路的稳定运行。同时基于无人机对输电线路巡检能够替代人工巡检,减少运维人员的工作量,提升输电线路巡检的效率。
随着人工智能的不断发展,出现了基于深度学习的输电线路识别技术。如设计基于卷积神经网络(CNN)和Hough变换的模型,该模型用CNN网络进行特征提取、去噪,再用hough变换进行线性物体提取。利用Sobel算子和Log算子融合来提升边缘提取效果,并通过判断线段相似性来判断相邻线段是否为同一输电线路。该方法需要对大量的图像数据进行CNN网络模型的训练,对计算机的性能要求高,不适合在无人机等嵌入式设备上进行移植和应用。
目前常用的技术是对拍摄的图像进行处理,基于边缘检测算法和Hough变换实现输电线路的识别。如通过设计Hough变换的参数自适应更新算法,实现对输电线路的特征提取。通过PCA去除干扰线段以优化Hough变换效果,然后通过网格遍历搜索对SVM进行优化。
上述算法均实现了对输电线路的提取,并取得了一定的效果。对于输电线路的识别来说,采用基于人工智能目标检测算法进行识别主要存在下面两方面的问题:一方面,线性物体一般较长,在标注时容易引入其他物体等干扰;另一方面,很多物体的线性边缘、线性部件等容易被识别为输电线路,从而造成识别误差。
总之,现有技术主要通过改进Hough变换算法,来提高直线检测的准确性。但是在实际应用中,拍摄的图像不是理想的图像,存在多种干扰因素,现有改进的Hough变换算法难以消除这些干扰因素。尤其是当拍摄的原始图片中存在复杂的背景时,单纯的深度学习算法和Hough变换算法对输电线路识别的准确率仍有待提高。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种输电线路识别方法,能够降低硬件要求,且具有较高的准确率。
为实现上述目的及其他相关目的,本发明提供一种输电线路识别方法,所述输电线路识别方法包括以下步骤:
获取灰度图像;
对所述灰度图像做图像增强,得到增强图像;
对所述增强图像做边缘检测,得到轮廓图像;
利用直线检测算法,从所述轮廓图像中提取出输电线路图。
于本发明的一实施例中,所述获取灰度图像,包括:对原始彩色图像做加权灰度化处理,得到灰度图像。
于本发明的一实施例中,所述对所述灰度图像做图像增强,得到增强图像,包括:
对所述灰度图像做阈值分割,得到包含输电线路的目标图像;
对所述目标图像做灰度变换,以扩展所述目标图像的灰度值范围,得到所述增强图像。
于本发明的一实施例中,所述对所述灰度图像做阈值分割,得到包含输电线路的目标图像,包括:
步骤a1,采用最大化类间方差法计算所述灰度图像的分割阈值;
步骤b1,利用所述分割阈值,将所述灰度图像划分为背景区域和目标区域;其中,所述背景区域为灰度值大于所述分割阈值的区域,所述目标区域为灰度值小于或等于所述分割阈值的区域;
步骤c1,保留所述目标区域的灰度值,将所述背景区域替换为白色,以更新所述灰度图像;
步骤d1,重复步骤a1~步骤c1,做2~5次迭代,以迭代后的灰度图像作为所述目标图像。
于本发明的一实施例中,所述对所述灰度图像做阈值分割,得到包含输电线路的目标图像,包括:
步骤a2,采用最大化类间方差法计算所述灰度图像的分割阈值;
步骤b2,利用所述分割阈值,将所述灰度图像划分为背景区域和目标区域;其中,所述背景区域为灰度值小于所述分割阈值的区域,所述目标区域为灰度值大于或等于所述分割阈值的区域;
步骤c2,将所述目标区域的灰度值减去所述分割阈值,将所述背景区域替换为白色,得到新的灰度图像;
步骤d2,重复步骤a2~步骤c2,做2~5次迭代,以迭代后的灰度图像作为所述目标图像。
于本发明的一实施例中,所述利用直线检测算法,从所述轮廓图像中提取出输电线路图,包括:
利用直线检测算法,从所述轮廓图像中提取出多个直线段;
将共线的多个直线段连成长直线;
判断所述长直线是否属于干扰线段,将属于干扰线段的长直线筛除,得到所述输电线路图。
于本发明的一实施例中,所述将共线的多个直线段连成长直线,包括:
计算各直线段的斜率,根据斜率将各直线段划分为多个大组,属于同一大组的各直线段的斜率相同;
将属于同一大组的各直线段划分为多个小组,属于同一小组的各直线段共线;
将属于同一小组的各直线段首尾相连,形成所述长直线。
于本发明的一实施例中,所述判断所述长直线是否属于干扰线段,包括:计算各长直线两两之间的间距,得到第一距离,第一距离小于第一预设阈值的两根长直线配对成功,将未配对成功的长直线判定为干扰线段;
计算所述长直线的端点到所述轮廓图像的边界线的距离,得到第二距离,将第二距离大于第二预设阈值的长直线判定为干扰线段。
为实现上述目的及其他相关目的,本发明还提供一种输电线路识别装置,包括:
图像获取模块,用于获取灰度图像;
图像增强模块,用于对所述灰度图像做图像增强,得到增强图像;
边缘检测模块,用于对所述增强图像做边缘检测,得到轮廓图像;
直线检测模块,用于利用直线检测算法,从所述轮廓图像中提取出输电线路图。
为实现上述目的及其他相关目的,本发明还提供一种电子设备,包括存储器和处理器,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行所述的输电线路识别方法。
如上所述,本发明的输电线路识别方法、装置以及电子设备,具有以下有益效果:能够降低硬件要求,且具有较高的准确率。
附图说明
图1显示为本发明的输电线路识别方法一实施例的流程图。
图2显示为现有技术采用平均值灰度化处理得到的灰度图。
图3显示为现有技术采用最大值灰度化处理得到的灰度图。
图4显示为本发明采用加权值灰度化处理得到的灰度图。
图5显示为采用现有Otus算法处理灰度图像得到的增强图。
图6显示为本发明的图像增强方法一实施例的流程图。
图7显示为采用本发明的增强算法一次迭代后的效果图。
图8显示为采用本发明的增强算法四次迭代后的效果图。
图9显示为本发明电子设备一实施例的结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
下面以附图为参考,针对本发明的实施例进行详细说明,以便本发明所述技术领域的技术人员能够容易地实施。本发明可以以多种不同形态体现,并不限于此处说明的实施例。
我国的电网覆盖面积位居世界第一,当输电线路跨越高速铁路、高速公路等大型设施时,容易发生过度弧垂,导致散股、断股等电路故障。因此,需要对输电线路巡检来保障供电安全。通过无人机搭载摄像机巡检,不受地域限制、成本较低,应用越来越广泛。
然而,可见光相机在采集输电线路影像时,会无差别地采集输电线路及其周围的环境,同时由于不同的环境状况、相机的硬件品质波动,最终成像会存在不同类型的噪声干扰。传统的canny边缘检测方法自带的滤波、降噪处理无法应对这些复杂情况,线路识别效果不佳。
如图1~9所示,本发明提供一种输电线路识别方法,输电线路识别方法包括以下步骤:
步骤S100,获取灰度图像;
步骤S200,对灰度图像做图像增强,得到增强图像;
步骤S300,对增强图像做边缘检测,得到轮廓图像;
步骤S400,利用直线检测算法,从轮廓图像中提取出输电线路图。
本实施例中的边缘检测算法可采用现有技术,例如采用Canny边缘检测算法。
机载摄像机拍摄的原始图像可以是彩色图像,也可以是灰度图像。当原始图像为彩色图像时,本发明优先对原始彩色图像做加权灰度化处理,得到灰度图像。
可见光相机采集的彩色图像由红(R)、绿(G)、蓝(B)三原色组成,每种单原色均有0~255共256种不同的幅值,因此单个像素点最多需要约1677万(256*256*256)个数值来表示,数据处理量较大。本发明对彩色图像取灰度值后,单个像素点只需要256种幅值即可完成表示,大大的节约运算量。
此外,户外输电线路识别任务同时还面临复杂光照的干扰,不同自然光照会对目标物体产生不同的明亮、色彩干扰,引入不同类型及程度的噪声。本发明通过灰度化处理可以有效滤除该干扰。
当原始图像中包含花草树木等绿植对象时,绿植对象灰度化之后可能与输电线路的灰度值接近,造成干扰,影响后续的输电线路提取。现有的彩色图像的灰度化处理算法包括:平均值灰度化、最大值灰度化以及加权值灰度化。本发明选择加权值灰度化算法处理原始彩色图像,能够最大限度地增大输电线路与绿植对象的灰度差值,同时保证灰度图像中输电线路的连续性,从而提高识别的准确率。
可选的,加权灰度化处理采用如下算法:
Vgray=(VredωR+VgreenωG+VblueωB)/3
其中,Vred为彩色图像中对应像素的红色亮度值,Vgreen为彩色图像中对应像素的绿色亮度值,Vblue为彩色图像中对应像素的蓝色亮度值。ωR、ωG、ωB分别为红、绿、蓝三色的权重值。Vgray为转后得到的灰度图像中对应像素的灰度值。
取不同的权重值形成不同的灰度图像,根据人眼对R、G、B颜色的敏感程度G>R>B,因此常用的ωR、ωG、ωB取值中,ωG>ωR>ωB。本实施例中,可采用以下两种权重值:
ωR=0.299
ωG=0.587
ωB=0.114
或
ωR=0.213
ωG=0.715
ωB=0.072
图2为采用平均值灰度化处理算法得到的灰度图像,图2中目标区域(输电线路)与背景区域的灰度值差别较小,对比不够强烈。图3为采用最大值灰度化算法处理得到的灰度图像,由于在每个像素点处均取三原色灰度值的最大值,信息丢失过多,导致图3中输电线路出现明显的虚化。图4为采用加权值灰度化算法处理得到的灰度图像。通过对比图2、图3、图4可知,本发明选择加权值灰度化算法,得到的灰度图像中噪声干扰最小。
通过灰度化处理,初步过滤了图像上的噪声,但是图像背景部分仍留有大量非噪声的干扰信息。
为了滤除背景中的非噪声干扰,较好地区分背景和输电线路,可采用现有的阈值分割算法处理灰度图像,例如采用最大化类间方差法(Otus算法)。
Otus算法是一种自动对图像进行二值化处理的算法,该算法自动计算分割阈值T,并根据分割阈值T将图像分为C0和C1两个类别,再进行二值化处理。
对于一张高为H宽为W的灰度图像,该图像上任意点(x,y)具有对应的灰度值gray(x,y),灰度值取值范围为0~255,故任意灰度值n在该图像上出现的概率为:
遍历整张灰度图像,可以获取图像上所有的灰度值及其出现的概率,则可获取灰度值小于T的C0类灰度均值μc0,灰度值大于T的C1类灰度均值μc1,及整张图片的灰度均值μ;均值公式见下:
通过最大化类间方差来确定分割阈值T,公式如下:
图5为传统Otus算法采用二值化处理结果,直接对小于阈值T的C0分类赋灰度值0,大于阈值C1分类赋灰度值255;最后结果中有效图像信息大量丢失、效果不佳。
为了在滤除干扰信息的同时,较好地保留目标图像信息,可选的,步骤S200包括:
步骤S210,对灰度图像做阈值分割,得到包含输电线路的目标图像;
步骤S220,对目标图像做灰度变换,以扩展目标图像的灰度值范围,得到增强图像。
本实施例中,步骤S210的阈值分割算法自身可采用现有技术,
步骤S220中,灰度变换算法自身可采用现有技术,例如线性灰度变换、非线性灰度变换等。通过灰度变换能够增强目标图像的视觉效果,方便后续计算。
可选的,参考图6,步骤S210包括:
步骤a1,采用最大化类间方差法(Otus算法)计算灰度图像的分割阈值;
步骤b1,利用分割阈值,将灰度图像划分为背景区域和目标区域;其中,背景区域为灰度值大于分割阈值的区域,目标区域为灰度值小于或等于分割阈值的区域;
步骤c1,保留目标区域的灰度值,将背景区域替换为白色,以更新灰度图像;
步骤d1,重复步骤a1~步骤c1,做2~5次迭代,以迭代后的灰度图像作为目标图像。
由于输电线路通常采用钢芯铝绞线,通常情况下,无人机在空中拍摄时输电线路的颜色较深,因此上述步骤a1~d1适用于处理正常无反光的原始图像。本实施例中,步骤a1中计算分割阈值时,可采用现有的最大化类间方差法获得。而基于已获得的分割阈值的后续分割步骤区别于传统的最大化类间方差法。
具体的,步骤c1中采用以下公式更新灰度图像:
其中,graynew(x,y)为更新后的灰度图像中对应像素的灰度值,gray(x,y)为更新前的灰度图像中对应像素的灰度值,T为分割阈值。
图7为经过本发明的图像增强算法,做一次迭代得到的灰度图像。从图7中可以看出图像背景仍存在较多不相关内容,故继续迭代,进一步过滤图像中不相关信息。经过四次迭代后获得的灰度图像如图8所示。对比图6和图8可知,本发明的图像增强算法能够更好地将目标图像和背景图像分离。
当无人机拍摄时,由于输电线路反射太阳光,使原始图像中输电线路的颜色较浅接近白色,同时背景中也出现较大面积的浅色背景时,可采用如下方法对灰度图像做阈值分割,得到包含输电线路的目标图像,包括:
步骤a2,采用最大化类间方差法计算灰度图像的分割阈值;
步骤b2,利用分割阈值,将灰度图像划分为背景区域和目标区域;其中,背景区域为灰度值小于分割阈值的区域,目标区域为灰度值大于或等于分割阈值的区域;
步骤c2,将目标区域的灰度值减去分割阈值,将背景区域替换为白色,得到新的灰度图像;
步骤d2,重复步骤a2~步骤c2,做2~5次迭代,以迭代后的灰度图像作为目标图像。
具体的,步骤c2中采用以下公式更新灰度图像:
其中,graynew(x,y)为更新后的灰度图像中对应像素的灰度值,gray(x,y)为更新前的灰度图像中对应像素的灰度值,T为分割阈值。
由于拍摄的图像存在光照不均衡的问题,采用以上方法得到的增强图像,可能会出现将一段输电线路切割成几个线段的情况。
针对增强处理后的输电线路存在断裂问题,可选的,步骤S400包括:
步骤S410,利用直线检测算法,从轮廓图像中提取出多个直线段;
步骤S420,将共线的多个直线段连成长直线;
步骤S430,判断长直线是否属于干扰线段,将属于干扰线段的长直线筛除,得到输电线路图。
在本实施例中,直线检测算法可采用现有技术,例如采用hough变换。本实施例通过共线判断,将共线的直线段认定为属于同一输电线路并连为一体,修复了前期处理可能造成的断裂问题。本实施例还通过筛除干扰线段,进一步提高了识别的准确率。
具体的,共线判断可采用以下方法,遍历这大组中所有直线段的首尾坐标,采用公式y=kx+b进行拟合,将端点误差小于第三预设阈值的直线段判定为以拟合直线为基准共线。
具体的,步骤S420包括:
步骤S421,计算各直线段的斜率,根据斜率将各直线段划分为多个大组,属于同一大组的各直线段的斜率相同;
步骤S422,将属于同一大组的各直线段划分为多个小组,属于同一小组的各直线段共线;
步骤S423,将属于同一小组的各直线段首尾相连,形成长直线。
可选的,步骤S430中,判断长直线是否属于干扰线段,包括:计算各长直线两两之间的间距,得到第一距离,第一距离小于第一预设阈值的两根长直线配对成功,将未配对成功的长直线判定为干扰线段。本实施例的判断原理为,无人机拍摄的输电线路的宽度较细,因此一条输电线路的在轮廓图像中对应为两条平行线。而多条平行的输电线路之间具有一定的距离。具体的,第一预设阈值可以设置为10像素~50像素,例如20像素。
可选的,步骤S430中,判断长直线是否属于干扰线段,包括:计算长直线的端点到轮廓图像的边界线的距离,得到第二距离,将第二距离大于第二预设阈值的长直线判定为干扰线段。长直线有两个端点,具体的,只要其中一个端点的第二距离大于第二预设阈值,则判定为干扰线段。本实施例的判断原理为,由于输电线路比较长,一般会穿越整个图像,而其它干扰线性物体形成的长直线通常不会完全贯穿整个图像。具体的,第二预设阈值可以设置为30像素~70像素,例如50像素。
以上筛除干扰线段的方法可以选择其一,也可以两者兼用,做两次筛除。
可选的,步骤S430还包括,将属于同一对的两根长直线的两端闭合,并标记为一根输电线路,得到输电线路图。
本发明通过对图像进行灰度化、迭代灰度滤波及灰度值扩展处理增强Canny边缘检测效果,再通过改进Hough算法进行直线检测,最终实现复杂背景下的线性物体识别。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的计算机可读存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的计算机存储介质。
本实施例提供一种输电线路识别装置,包括:
图像获取模块,用于获取灰度图像;
图像增强模块,用于对灰度图像做图像增强,得到增强图像;
边缘检测模块,用于对增强图像做边缘检测,得到轮廓图像;
直线检测模块,用于利用直线检测算法,从轮廓图像中提取出输电线路图。
在一实施例中,图像获取模块包括用于拍摄原始彩色图像的主摄像头。输电线路识别装置还包括与主摄像头并排固定的辅助摄像头、固定于辅助摄像头前方的测试电线、以及调整主摄像头拍摄角度的转向机构。
输电线路识别方法还包括:
计算由主摄像头得到的灰度图像的平均灰度值;
将平均灰度值与反光图像最低灰度阈值和反光图像最高灰度阈值作比较,以确定灰度图像是否属于反光图像;
当灰度图像属于反光图像时,按照步骤a2~步骤d2做阈值分割;
当灰度图像不属于反光图像时,按照步骤a1~步骤d1做阈值分割。
在一实施例中,反光图像最低灰度阈值和反光图像最高灰度阈值的确定方法包括:
通过转向机构调整辅助摄像头的拍摄角度,获得不同拍摄角度下的原始彩色测试图像;
对各原始彩色图像做加权灰度化处理,得到灰度测试图像;
通过人工从灰度测试图像中选出线路反光图像;
根据线路反光图像的灰度直方图设定反光图像最低灰度阈值和反光图像最高灰度阈值。
在一实施例中,各原始彩色测试图像在不同的气象环境下拍摄得到。
在一实施例中,各原始彩色测试图像中至少包含逆光图像和顺光图像。
请参阅图9,显示为本发明的电子设备于一实施例中的结构连接示意图。如图9所示,本实施例提供一种电子设备,具体包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行以上任一实施例的输电线路识别方法的各个步骤。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称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。
上述的存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
于实际应用中,所述电子设备可以是包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备,以及外部端口等所有或部分组件的计算机。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时,可视为该附图也同时披露了所涉及的各个实施例的组合例。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种输电线路识别方法,其特征在于,所述输电线路识别方法包括以下步骤:
获取灰度图像;
对所述灰度图像做图像增强,得到增强图像;
对所述增强图像做边缘检测,得到轮廓图像;
利用直线检测算法,从所述轮廓图像中提取出输电线路图。
2.根据权利要求1所述的输电线路识别方法,其特征在于,所述获取灰度图像,包括:对原始彩色图像做加权灰度化处理,得到灰度图像。
3.根据权利要求1所述的输电线路识别方法,其特征在于,所述对所述灰度图像做图像增强,得到增强图像,包括:
对所述灰度图像做阈值分割,得到包含输电线路的目标图像;
对所述目标图像做灰度变换,以扩展所述目标图像的灰度值范围,得到所述增强图像。
4.根据权利要求3所述的输电线路识别方法,其特征在于,所述对所述灰度图像做阈值分割,得到包含输电线路的目标图像,包括:
步骤a1,采用最大化类间方差法计算所述灰度图像的分割阈值;
步骤b1,利用所述分割阈值,将所述灰度图像划分为背景区域和目标区域;其中,所述背景区域为灰度值大于所述分割阈值的区域,所述目标区域为灰度值小于或等于所述分割阈值的区域;
步骤c1,保留所述目标区域的灰度值,将所述背景区域替换为白色,以更新所述灰度图像;
步骤d1,重复步骤a1~步骤c1,做2~5次迭代,以迭代后的灰度图像作为所述目标图像。
5.根据权利要求3所述的输电线路识别方法,其特征在于,所述对所述灰度图像做阈值分割,得到包含输电线路的目标图像,包括:
步骤a2,采用最大化类间方差法计算所述灰度图像的分割阈值;
步骤b2,利用所述分割阈值,将所述灰度图像划分为背景区域和目标区域;其中,所述背景区域为灰度值小于所述分割阈值的区域,所述目标区域为灰度值大于或等于所述分割阈值的区域;
步骤c2,将所述目标区域的灰度值减去所述分割阈值,将所述背景区域替换为白色,得到新的灰度图像;
步骤d2,重复步骤a2~步骤c2,做2~5次迭代,以迭代后的灰度图像作为所述目标图像。
6.根据权利要求1所述的输电线路识别方法,其特征在于,所述利用直线检测算法,从所述轮廓图像中提取出输电线路图,包括:
利用直线检测算法,从所述轮廓图像中提取出多个直线段;
将共线的多个直线段连成长直线;
判断所述长直线是否属于干扰线段,将属于干扰线段的长直线筛除,得到所述输电线路图。
7.根据权利要求6所述的输电线路识别方法,其特征在于,所述将共线的多个直线段连成长直线,包括:
计算各直线段的斜率,根据斜率将各直线段划分为多个大组,属于同一大组的各直线段的斜率相同;
将属于同一大组的各直线段划分为多个小组,属于同一小组的各直线段共线;
将属于同一小组的各直线段首尾相连,形成所述长直线。
8.根据权利要求6所述的输电线路识别方法,其特征在于,所述判断所述长直线是否属于干扰线段,包括:计算各长直线两两之间的间距,得到第一距离,第一距离小于第一预设阈值的两根长直线配对成功,将未配对成功的长直线判定为干扰线段;
计算所述长直线的端点到所述轮廓图像的边界线的距离,得到第二距离,将第二距离大于第二预设阈值的长直线判定为干扰线段。
9.一种输电线路识别装置,其特征在于,包括:
图像获取模块,用于获取灰度图像;
图像增强模块,用于对所述灰度图像做图像增强,得到增强图像;
边缘检测模块,用于对所述增强图像做边缘检测,得到轮廓图像;
直线检测模块,用于利用直线检测算法,从所述轮廓图像中提取出输电线路图。
10.一种电子设备,包括存储器和处理器,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行如权利要求1~8中任一项所述的输电线路识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993160.5A CN115294440A (zh) | 2022-08-18 | 2022-08-18 | 输电线路识别方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993160.5A CN115294440A (zh) | 2022-08-18 | 2022-08-18 | 输电线路识别方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294440A true CN115294440A (zh) | 2022-11-04 |
Family
ID=83829842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210993160.5A Pending CN115294440A (zh) | 2022-08-18 | 2022-08-18 | 输电线路识别方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294440A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861251A (zh) * | 2022-12-14 | 2023-03-28 | 杭州惠嘉信息科技有限公司 | 一种电力线路故障检测定位方法及其定位装置 |
-
2022
- 2022-08-18 CN CN202210993160.5A patent/CN115294440A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861251A (zh) * | 2022-12-14 | 2023-03-28 | 杭州惠嘉信息科技有限公司 | 一种电力线路故障检测定位方法及其定位装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
CN111415363B (zh) | 一种图像边缘识别方法 | |
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 | |
CN108710910A (zh) | 一种基于卷积神经网络的目标识别方法及系统 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
KR101549495B1 (ko) | 문자 추출 장치 및 그 방법 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111145105B (zh) | 一种图像快速去雾方法、装置、终端及存储介质 | |
CN105741244A (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN111951322A (zh) | 摄像模组质量检测方法、装置及计算机存储介质 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN114881869A (zh) | 一种巡检视频图像预处理方法 | |
CN113255434A (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN115294440A (zh) | 输电线路识别方法、装置以及电子设备 | |
CN107886493B (zh) | 一种输电线路的导线分股缺陷检测方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN111667509B (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 | |
CN111695374B (zh) | 监控视角中斑马线区域的分割方法、系统、介质及设备 | |
CN111383054A (zh) | 广告检验方法和装置 |
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 |