CN115588139B - 一种电网安全智能巡航检测方法 - Google Patents

Abstract

本发明涉及电线安装领域，具体涉及一种电网安全智能巡航检测方法，包括：获取输电线路近景二值化图像及其对应的霍夫空间；获取霍夫空间中的高亮点；得到霍夫空间中高亮点数量

3的横坐标对应高亮点为电线的概率，进而得到二值化图像中的电线组；得到更新后的霍夫空间；利用更新后的霍夫空间提取第一疑似绝缘子区域对应的高亮点，进而得到第一疑似绝缘子区域；利用第一疑似绝缘子区域确定出绝缘子区域；利用绝缘子区域的主方向和次方向在霍夫空间的横坐标判断绝缘子区域是否存在掉串缺陷。上述方法用于检测绝缘子掉串缺陷，可提高绝缘子掉串缺陷检测的准确度。

Description

一种电网安全智能巡航检测方法

技术领域

本发明涉及电线安装领域，具体涉及一种电网安全智能巡航检测方法。

背景技术

绝缘子是输电线路主要构件之一，它直接关系到电网的稳定和安全运行。绝缘子掉串一直是电力部门关注的头等大事，因为绝缘子掉串会使电网解裂，导致大面积停电，给国民经济造成重大损失。因此，对绝缘子掉串缺陷进行检测是非常有必要的。

目前，对绝缘子掉串缺陷进行检测的方法为：获得无人机拍摄的图像；提取出图像中包括待检测绝缘子的目标区域；利用预先训练好的分类模型对目标区域进行分类，得到第一输出值；根据第一输出值与预先设定的第一阈值的比较结果，确定出待检测绝缘子是否发生掉串故障。

但是，现有的对绝缘子掉串缺陷进行检测的方法需要构建神经网络模型，因此需要大量的数据，而且训练出来的神经网络鲁棒性较差，降低了对目标区域分类的准确度，进而降低了对绝缘子掉串缺陷检测的准确度。

发明内容

本发明提供一种电网安全智能巡航检测方法，以解决现有的电网安全智能巡航检测方法对绝缘子掉串缺陷检测准确度低的问题。

为达到上述目的，本发明采用如下技术方案，一种电网安全智能巡航检测方法，包括：

获取输电线路近景二值化图像，并对二值化图像进行霍夫变换得到霍夫空间；

获取霍夫空间中的所有高亮点；

提取霍夫空间中高亮点数量

3的横坐标，并根据高亮点数量

3的横坐标对应高亮点的投票值和纵坐标，得到该横坐标对应高亮点为电线的概率；

根据霍夫空间中高亮点数量

3的横坐标对应高亮点为电线的概率得到二值化图像中的电线组；

将确定为电线组在霍夫空间中的高亮点进行删除，得到更新后的霍夫空间；

利用更新后的霍夫空间提取第一疑似绝缘子区域对应的高亮点；

根据第一疑似绝缘子区域对应的高亮点得到二值化图像中的第一疑似绝缘子区域；

利用第一疑似绝缘子区域对应高亮点的横坐标和第一疑似绝缘子区域与电线组的位置关系确定出二值化图像中的绝缘子区域；

获取绝缘子区域的主方向和次方向，利用绝缘子区域的主方向和次方向在霍夫空间的横坐标判断绝缘子区域是否存在掉串缺陷。

所述一种电网安全智能巡航检测方法，所述霍夫空间中的所有高亮点是按照如下方式获取：

对霍夫空间中的所有点的投票值进行统计，得到投票值直方图；

利用大津法对投票值直方图进行阈值分割，获取霍夫空间中的所有高亮点。

所述一种电网安全智能巡航检测方法，所述霍夫空间中高亮点数量

3的横坐标对应高亮点为电线的概率是按照如下方式得到：

获取霍夫空间中高亮点的数量

3的所有横坐标，将高亮点的数量

3的所有横坐标中任意横坐标作为第一横坐标；

分别将第一横坐标对应高亮点的投票值和纵坐标进行排序，得到第一横坐标对应的投票值序列和纵坐标序列；

对第一横坐标对应的纵坐标序列中的两两纵坐标进行作差，得到第一横坐标对应的纵坐标差序列；

利用第一横坐标对应高亮点的投票值、投票值序列的方差、纵坐标差序列的方差，得到第一横坐标对应高亮点为电线的概率；

按照得到第一横坐标对应高亮点为电线的概率的方法得到高亮点数量

3的所有横坐标对应高亮点为电线的概率。

所述一种电网安全智能巡航检测方法，所述第一疑似绝缘子区域对应的高亮点是按照如下方式提取：

将更新后的霍夫空间中每一个高亮点分别作为初始高亮点；

设置邻域范围和投票值差值阈值；

将每一个初始高亮点的横坐标邻域范围内，所有与该初始高亮点投票值的差值

投票值差值阈值的高亮点进行排序，得到每一个初始高亮点序列；

筛选出所有初始高亮点序列中，初始高亮点的投票值为最大值的初始高亮点序列作为最终高亮点序列：

获取最终高亮点序列中以初始高亮点为中心对称的高亮点组，利用每个高亮点组的投票值差值得到所有高亮点组的投票值差值均值；

设置均值阈值，若所有高亮点组的投票值差值均值

均值阈值时，则将最终高亮点序列中的所有高亮点作为第一疑似绝缘子区域对应的高亮点。

所述一种电网安全智能巡航检测方法，所述二值化图像中的绝缘子区域是按照如下方式确定出：

对第一疑似绝缘子区域进行筛选，得到第二疑似绝缘子区域；

利用PCA算法得到第二疑似绝缘子区域的主方向；

获取第二疑似绝缘子区域的中心点，过中心点作垂直于第二疑似绝缘子区域的主方向的直线，得到第二疑似绝缘子区域的次方向直线；

计算第二疑似绝缘子区域的中心点到二值化图像中各电线组的最小垂直距离，并将所有最小垂直距离进行排序，得到最小垂直距离序列；

将最小垂直距离序列中的前两个最小垂直距离对应的电线组，分别记作第一电线组和第二电线组；

对第二疑似绝缘子区域的次方向直线进行判断：若第二疑似绝缘子区域的次方向直线与第一电线组、第二电线组均不相交时，则将该第二疑似绝缘子区域确定为二值化图像中的绝缘子区域。

所述一种电网安全智能巡航检测方法，所述第二疑似绝缘子区域是按照如下方式得到：

计算电线组对应高亮点的横坐标均值，将该横坐标均值作为第一均值；

计算第一疑似绝缘子区域对应高亮点的横坐标均值，将该横坐标均值作为第二均值；

计算第一均值和第二均值的差值；

设置差值阈值，当第一均值和第二均值的差值的绝对值

差值阈值时，则将第二均值对应的第一疑似绝缘子区域作为第二疑似绝缘子区域；

根据第二疑似绝缘子区域对应的高亮点得到所有第二疑似绝缘子区域。

所述一种电网安全智能巡航检测方法，所述判断绝缘子区域是否存在掉串缺陷的方法为：

利用PCA算法得到绝缘子区域的主方向；

根据绝缘子区域的主方向获取绝缘子区域的次方向在霍夫空间中的横坐标；

获取绝缘子的次方向在霍夫空间中的横坐标对应的所有高亮点，将该高亮点作为第二高亮点；

将所有第二高亮点的纵坐标进行排序，得到第二高亮点的纵坐标序列；

将第二高亮点的纵坐标序列中两两纵坐标作差，得到第二高亮点的纵坐标的差值序列；

计算第二高亮点的纵坐标的差值序列中所有纵坐标差值的均值；

设置比值阈值，若第二高亮点的纵坐标的差值序列中存在纵坐标的差值与该差值序列中所有纵坐标差值的均值的比值

比值阈值时，则判断绝缘子区域存在掉串缺陷。

所述一种电网安全智能巡航检测方法，所述输电线路近景二值化图像是按照如下方式获取：

采集输电线路近景图像；

对输电线路近景图像进行灰度化处理，得到输电线路近景灰度图像；

对输电线路近景灰度图像进行二值化处理，获取输电线路近景二值化图像。

本发明的有益效果是：本发明对输电线路近景二值化图像进行霍夫变换，利用霍夫空间中高亮点的分布特点得到输电线路近景二值化图像中的电线组，通过将图像空间转换到霍夫空间，可避免图像空间中的距离、方向等繁琐的计算过程，有效提高了缺陷检测的效率。根据绝缘子区域在霍夫空间的分布特征得到疑似绝缘子区域，利用绝缘子与电线的连接特性对疑似绝缘子区域进行筛选，得到绝缘子区域，通过结合图像空间和霍夫空间中绝缘子区域和电线组之间的联系确定出绝缘子区域，可提高绝缘子区域的提取准确度，进而提高缺陷检测的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例提供的一种电网安全智能巡航检测方法流程示意图；

图2为本发明实施例提供的一种电线示意图；

图3为本发明实施例提供的一种绝缘子示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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做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。

本发明的主要目的是：针对常规方法检测掉串准确度低的问题，提出了一种电网安全智能巡航检测方法。

本发明的一种电网安全智能巡航检测方法的实施例，如图1所示，包括：

S101、获取输电线路近景二值化图像，并对二值化图像进行霍夫变换得到霍夫空间。

首先利用无人机采集输电线路近景图像。

绝缘子区域是连接不同电线区域的，因此绝缘子的方向与电线方向相差较大。绝缘子宽度大于电线，因此其内的相近的高亮点数量大于电线区域。

由于无人机拍摄的输电线路缺陷图片多为带有复杂背景的图片，为了减少背景对电线检测的影响，首先通过电线的聚集性和平行性对电线进行检测，由于霍夫空间中只对直线敏感，因此在霍夫空间中进行可以减少背景的影响。电线是直线，在霍夫参数空间中对应一个投票值较大的点，同时多个平行电线在霍夫空间中对应同一个横坐标上有多个高亮点。绝缘子可以起到支撑导线和防止电流回地的作用，因此位于不同电线组之间，所述电线组指的是距离较近的电线，其中两个电线组之间有绝缘子连接。直接对绝缘子检测较为困难，结合绝缘子在电线之间，起到支撑作用的性质，首先检测到电线，然后对附近是否存在绝缘子进行检测。

对输电线路近景图像进行灰度化处理。对于拍摄到的图像，首先进行二值化，因为电线是黑色的，因此二值化后电线为黑色区域。

二值化后，在二值图像中进行霍夫空间转换，得到霍夫空间中的所有点。

S102、获取霍夫空间中的所有高亮点。

由于无人机是沿着电线飞行的，而电线是连续的，因此拍摄到的图像中必然含有电线部分，由于同一个电线组中不同电线的方向相同，且相邻电线的距离相近，因此对应霍夫参数空间中同一个横坐标上的多个纵坐标，且相邻纵坐标的距离相近。对霍夫参数空间中每个横坐标对应的纵坐标数量和相邻纵坐标之间的距离一致性进行计算，数量越多，距离一致性越大，霍夫空间中这些高亮点对应图像空间中直线为电线的概率越大。所述高亮点是指投票值较大的点。

首先对霍夫空间中所有点的投票值进行统计，得到投票值直方图，所述投票值直方图的横坐标表示不同的投票值，纵坐标表示投票值数量，通过大津法阈值分割得到分割阈值A，可根据具体实施情况得到分割阈值A。将大于A的投票值对应的点称之为高亮点，即这些高亮点在图像空间中是直线的概率大。

S103、提取霍夫空间中高亮点数量

3的横坐标，并根据高亮点数量

3的横坐标对应高亮点的投票值和纵坐标，得到该横坐标对应高亮点为电线的概率。

计算霍夫参数空间中每个横坐标对应的高亮点的数量。将高亮点的数量大于等于3的任意横坐标进行如下操作：

将横坐标对应高亮点的投票值按照高亮点的纵坐标由小到大的方式进行排序，得到投票值序列。计算投票值序列的方差。将横坐标对应高亮点的纵坐标按照由小到大的方式进行排序，得到纵坐标序列。

对纵坐标序列中的两两纵坐标进行作差，得到纵坐标的差序列；计算纵坐标的差序列的方差。

然后计算得到横坐标对应的高亮点为电线的概率。横坐标对应的高亮点为电线的概率的表达式如下：

式中，

表示横坐标对应的高亮点为电线的概率，

表示横坐标对应的第i个高亮点的投票值，n表示横坐标对应的高亮点的数量，C表示横坐标对应的投票值序列的方差，D表示横坐标对应的纵坐标的差序列的方差，E表示横坐标对应的投票值序列中的投票值最大值。此处利用投票值序列的方差是因为投票值序列的方差越小，一致性越大，因此用1-方差表示投票值一致性。此处利用纵坐标的差序列的方差是因为纵坐标的差序列的方差越小，一致性越大，因此用1-方差表示纵坐标间距一致性。因为同一个电线组中不同电线的方向相同，且相邻电线的距离相近，因此对应霍夫参数空间中同一个横坐标上的多个纵坐标，且相邻纵坐标的距离相近，所以此处结合霍夫参数空间中每个横坐标对应的纵坐标数量和相邻纵坐标之间的距离一致性，得到横坐标对应的高亮点为电线的概率，可提高电线识别的准确度。

S104、根据霍夫空间中高亮点数量

3的横坐标对应高亮点为电线的概率得到二值化图像中的电线组。

设置概率阈值F，F可根据具体实施情况具体设置，本实施例给出经验值F=0.7。将

大于0.7的每个横坐标上对应的高亮点作为电线组对应的高亮点。

每个横坐标上对应的高亮点称之为一个组，对应图像空间中的一个电线组。

S105、将确定为电线组在霍夫空间中的高亮点进行删除，得到更新后的霍夫空间。

在霍夫空间中得到电线组对应的高亮点后，绝缘子对应的高亮点即存在于剩余的高亮点中。所以对电线组对应的高亮点进行删除。

S106、利用更新后的霍夫空间提取第一疑似绝缘子区域对应的高亮点。

由于绝缘子宽度大于电线，因此绝缘子对应的高亮点的数量较多，且这些高亮点的投票直方图呈正态分布。如图2所示，单线宽直线表示电线。如图3所示，多线宽表示绝缘子，单线宽的电线在霍夫参数空间中对应一个高亮点，多线宽的绝缘子在霍夫参数空间中会形成多个高亮点，即某个横坐标附近有多个投票值相近的高亮点。如图3所示，斜线a和斜线b的长度最长，即对应霍夫参数空间中该绝缘子区域投票值最大的两个高亮点，斜线c和斜线d长度次之，对应投票值次于a和b的高亮点。因此对霍夫参数空间中的每个横坐标进行计算，两端的高亮点的投票值是否符合该点最大，从该点开始向两边逐渐减小，且减小的趋势是对称的，如果符合，该直线可能是绝缘子。

在剩余的高亮点中任意选取一个高亮点作为第一高亮点：

设置第一高亮点的横坐标的邻域范围，领域范围可根据具体实施情况具体设置，本实施例以第一高亮点的横坐标为中心，中心左右两边各5°的横坐标范围为邻域范围。

设置投票值差值阈值G，G可根据具体实施情况具体设置，本实施例给出经验值G=10。

若第一高亮点的横坐标邻域范围内存在高亮点与第一高亮点的投票值的差值小于等于10时，则进行如下操作：

将所有与第一高亮点的投票值的差值小于等于10的高亮点，按照横坐标由小到大的方式进行排序，得到高亮点序列。

统计高亮点序列中每个高亮点的投票值，若第一高亮点的投票值是高亮点序列中所有高亮点的投票值的最大值，则计算该高亮点序列是否以第一高亮点为中心对称，通过计算第一个和最后一个高亮点的一致性，第二个和倒数第二个的一致性，将一致性均值作为绝缘子概率值。所述一致性是通过计算差值，差值越小，一致性越大。

获取高亮点序列中以第一高亮点为中心对称的高亮点组，计算每个高亮点组中两个高亮点的投票值的差值，得到每个高亮点组的投票值差值；计算所有高亮点组的投票值差值的均值。

设置均值阈值H，H可根据具体实施情况具体设置，本实施例给出经验值H=10。若所有高亮点组的投票值差值的均值小于10时，则将高亮点序列中的高亮点作为输电线路近景二值化图像中第一疑似绝缘子区域对应的高亮点。

S107、根据第一疑似绝缘子区域对应的高亮点得到二值化图像中的第一疑似绝缘子区域。

利用第一疑似绝缘子区域对应的高亮点得到图像空间中的第一疑似绝缘子区域。

S108、利用第一疑似绝缘子区域对应高亮点的横坐标和第一疑似绝缘子区域与电线组的位置关系确定出二值化图像中的绝缘子区域。

得到可能的绝缘子区域后，通过绝缘子区域与电线区域的方向相差较大和图像上连通的关系，对可能的绝缘子区域进行筛选。

首先计算得到所有电线组的横坐标均值，即图像中的方向值。计算第一疑似绝缘子区域的横坐标均值。计算每个可能的绝缘子区域与方向值的差值。设置差值阈值J，J可根据具体实施情况具体设置，本实施例给出经验值J=30°。将差值大于30°的可能绝缘子区域进行保留，得到第二疑似绝缘子区域。

在图像上可以得到对应方向的直线，即检测得到的绝缘子区域直线和电线直线，将所述检测到的作为掩膜，得到图像上的电线和可能绝缘子区域，如果可能绝缘子区域位于电线区域之间则对该可能绝缘子区域进行保留。计算过程如下：

利用PCA算法得到第二疑似绝缘子区域的主方向。获取第二疑似绝缘子区域的中心点，过中心点作垂直于主方向的直线，得到次方向直线。计算中心点到各电线组的最小垂直距离，并将各最小垂直距离按照从小到大的方式进行排序，得到最小垂直距离序列。

将最小垂直距离序列中的排名前两个对应的电线组，记作第一、第二电线组。

判断次方向直线与第一电线组、第二电线组均不相交时，第二疑似绝缘子区域确定为绝缘子区域。

S109、获取绝缘子区域的主方向和次方向，利用绝缘子区域的主方向和次方向在霍夫空间的横坐标判断绝缘子区域是否存在掉串缺陷。

利用PCA算法得到绝缘子区域的主方向；绝缘子的主方向指的是垂直于电线组的方向。

获取绝缘子区域的主方向和次方向在霍夫空间中的横坐标。绝缘子的次方向指的是绝缘子片所在的方向。因此可以通过绝缘子区域的主方向在霍夫空间中的横坐标，得到次方向的横坐标。两者相差90°。

获取绝缘子的次方向在霍夫空间中的横坐标对应的所有高亮点，将该高亮点作为第二高亮点。将所有第二高亮点的纵坐标按照由小到大的方式进行排序，得到第二高亮点的纵坐标序列。将第二高亮点的纵坐标序列中两两纵坐标作差，得到第二高亮点的纵坐标的差值序列。

计算第二高亮点的纵坐标的差值序列中所有纵坐标差值的均值。

设置比值阈值L，L可根据具体实施情况具体设置，本实施例给出经验值L=1.5。

若纵坐标的差值序列中存在纵坐标的差值与该差值序列中所有纵坐标差值的均值的比值大于1.5时，则判断绝缘子区域存在掉串缺陷，找到差值对应的两个纵坐标，进而得到在图像中的缺陷位置。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电网安全智能巡航检测方法，其特征在于，包括：

获取输电线路近景二值化图像，并对二值化图像进行霍夫变换得到霍夫空间；

获取霍夫空间中的所有高亮点；

提取霍夫空间中高亮点数量≥3的横坐标，并根据高亮点数量≥3的横坐标对应高亮点的投票值和纵坐标，得到该横坐标对应高亮点为电线的概率；

根据霍夫空间中高亮点数量≥3的横坐标对应高亮点为电线的概率得到二值化图像中的电线组；

将确定为电线组在霍夫空间中的高亮点进行删除，得到更新后的霍夫空间；

利用更新后的霍夫空间提取第一疑似绝缘子区域对应的高亮点；

根据第一疑似绝缘子区域对应的高亮点得到二值化图像中的第一疑似绝缘子区域；

利用第一疑似绝缘子区域对应高亮点的横坐标和第一疑似绝缘子区域与电线组的位置关系确定出二值化图像中的绝缘子区域；

获取绝缘子区域的主方向和次方向，利用绝缘子区域的主方向和次方向在霍夫空间的横坐标判断绝缘子区域是否存在掉串缺陷；

利用PCA算法得到绝缘子区域的主方向；绝缘子区域的主方向指的是垂直于电线组的方向；绝缘子区域的次方向指的是绝缘子片所在的方向。

2.根据权利要求1所述的一种电网安全智能巡航检测方法，其特征在于，所述霍夫空间中的所有高亮点是按照如下方式获取：

对霍夫空间中的所有点的投票值进行统计，得到投票值直方图；

利用大津法对投票值直方图进行阈值分割，获取霍夫空间中的所有高亮点。

3.根据权利要求1所述的一种电网安全智能巡航检测方法，其特征在于，所述霍夫空间中高亮点数量≥3的横坐标对应高亮点为电线的概率是按照如下方式得到：

获取霍夫空间中高亮点的数量≥3的所有横坐标，将高亮点的数量≥3的所有横坐标中任意横坐标作为第一横坐标；

分别将第一横坐标对应高亮点的投票值和纵坐标进行排序，得到第一横坐标对应的投票值序列和纵坐标序列；

对第一横坐标对应的纵坐标序列中的两两纵坐标进行作差，得到第一横坐标对应的纵坐标差序列；

利用第一横坐标对应高亮点的投票值、投票值序列的方差、纵坐标差序列的方差，得到第一横坐标对应高亮点为电线的概率；

按照得到第一横坐标对应高亮点为电线的概率的方法得到高亮点数量≥3的所有横坐标对应高亮点为电线的概率。

4.根据权利要求1所述的一种电网安全智能巡航检测方法，其特征在于，所述第一疑似绝缘子区域对应的高亮点是按照如下方式提取：

将更新后的霍夫空间中每一个高亮点分别作为初始高亮点；

设置邻域范围和投票值差值阈值；

将每一个初始高亮点的横坐标邻域范围内，所有与该初始高亮点投票值的差值≤投票值差值阈值的高亮点进行排序，得到每一个初始高亮点序列；

筛选出所有初始高亮点序列中，初始高亮点的投票值为最大值的初始高亮点序列作为最终高亮点序列：

获取最终高亮点序列中以初始高亮点为中心对称的高亮点组，利用每个高亮点组的投票值差值得到所有高亮点组的投票值差值均值；

设置均值阈值，若所有高亮点组的投票值差值均值＜均值阈值时，则将最终高亮点序列中的所有高亮点作为第一疑似绝缘子区域对应的高亮点。

5.根据权利要求1所述的一种电网安全智能巡航检测方法，其特征在于，所述二值化图像中的绝缘子区域是按照如下方式确定出：

对第一疑似绝缘子区域进行筛选，得到第二疑似绝缘子区域；

利用PCA算法得到第二疑似绝缘子区域的主方向；

获取第二疑似绝缘子区域的中心点，过中心点作垂直于第二疑似绝缘子区域的主方向的直线，得到第二疑似绝缘子区域的次方向直线；

计算第二疑似绝缘子区域的中心点到二值化图像中各电线组的最小垂直距离，并将所有最小垂直距离进行排序，得到最小垂直距离序列；

将最小垂直距离序列中的前两个最小垂直距离对应的电线组，分别记作第一电线组和第二电线组；

对第二疑似绝缘子区域的次方向直线进行判断：若第二疑似绝缘子区域的次方向直线与第一电线组、第二电线组均不相交时，则将该第二疑似绝缘子区域确定为二值化图像中的绝缘子区域。

6.根据权利要求5所述的一种电网安全智能巡航检测方法，其特征在于，所述第二疑似绝缘子区域是按照如下方式得到：

计算电线组对应高亮点的横坐标均值，将该横坐标均值作为第一均值；

计算第一疑似绝缘子区域对应高亮点的横坐标均值，将该横坐标均值作为第二均值；

计算第一均值和第二均值的差值；

设置差值阈值，当第一均值和第二均值的差值的绝对值＞差值阈值时，则将第二均值对应的第一疑似绝缘子区域作为第二疑似绝缘子区域；

根据第二疑似绝缘子区域对应的高亮点得到所有第二疑似绝缘子区域。

7.根据权利要求1所述的一种电网安全智能巡航检测方法，其特征在于，所述判断绝缘子区域是否存在掉串缺陷的方法为：

利用PCA算法得到绝缘子区域的主方向；

根据绝缘子区域的主方向获取绝缘子区域的次方向在霍夫空间中的横坐标；

获取绝缘子的次方向在霍夫空间中的横坐标对应的所有高亮点，将该高亮点作为第二高亮点；

将所有第二高亮点的纵坐标进行排序，得到第二高亮点的纵坐标序列；

将第二高亮点的纵坐标序列中两两纵坐标作差，得到第二高亮点的纵坐标的差值序列；

计算第二高亮点的纵坐标的差值序列中所有纵坐标差值的均值；

设置比值阈值，若第二高亮点的纵坐标的差值序列中存在纵坐标的差值与该差值序列中所有纵坐标差值的均值的比值＞比值阈值时，则判断绝缘子区域存在掉串缺陷。

8.根据权利要求1所述的一种电网安全智能巡航检测方法，其特征在于，所述输电线路近景二值化图像是按照如下方式获取：

采集输电线路近景图像；

对输电线路近景图像进行灰度化处理，得到输电线路近景灰度图像；

对输电线路近景灰度图像进行二值化处理，获取输电线路近景二值化图像。

Images