CN116012346B - 一种输电线路监测方法及系统 - Google Patents
一种输电线路监测方法及系统 Download PDFInfo
- Publication number
- CN116012346B CN116012346B CN202310048757.7A CN202310048757A CN116012346B CN 116012346 B CN116012346 B CN 116012346B CN 202310048757 A CN202310048757 A CN 202310048757A CN 116012346 B CN116012346 B CN 116012346B
- Authority
- CN
- China
- Prior art keywords
- acquiring
- spectrogram
- degree
- cluster
- pixel point
- 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
Images
Classifications
-
- 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
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种输电线路监测方法及系统,属于图像数据识别技术领域;包括以下步骤:获取输电线路的红外图像;获取频谱图的异常程度;获取每个方向上每个像素点的关注程度;根据每个聚类簇对应的梯度幅值,以及每个方向上每个像素点的关注程度获取每个聚类簇的权重;根据每个权重获取权重对应聚类簇的滤波窗口尺寸;根据去噪后的红外图像进行温度识别获得输电线路中异常的区域。本发明关注程度与原红外图像的梯度幅值的变化形成一种自适应滤波窗口,对不同梯度幅值对应像素点进行去噪,能够达到更好地去噪效果,使得监测的结果更加的准确。
Description
技术领域
本发明涉及图像数据识别技术领域,具体涉及一种输电线路监测方法及系统。
背景技术
输电线路是电网的重要组成部分,由于输电线路常年暴露在外面,容易受到自然环境或人为的损坏,因此对输电线路进行定期的巡检是非常有必要的,能够及时发现问题,避免不必要的损失。目前,通过无人机巡检拍摄输电线路的红外图像,根据输电线路的温度变化,来观测是否发生短路或绝缘子破损等缺陷。但是因为受到外界环境光照的影响,拍摄得到的红外图像受到噪声的影响程度较大,会导致在进行电路异常区域识别的时候不准确,因此需要对拍摄得到的图像进行去噪处理。现有技术中,采用均值滤波对图像进行去噪,因为噪声对每个区域的影响程度是不同的,滤波窗口的选择直接影响到去噪的效果,通常选择固定的滤波窗口进行去噪,但是,在选择滤波窗口的过程中,选择的滤波窗口太大,会导致目标区域出现过平滑的现象;滤波窗口太小,去噪效果不佳。
发明内容
为了解决现有技术中的不足,本发明提供一种输电线路监测方法及系统,该方法在对输电线路进行巡检时,克服了因为环境因素形成的噪声,在红外识别过程中不清晰的情况,对获得去噪后的红外图像进行自适应均值滤波,提高了红外图像的质量,使得检测的结果更加的准确。
本申请实施例提供了一种输电线路监测方法,包括以下步骤:
获取输电线路的红外图像;并获取所述红外图像对应的频谱图
根据所述频谱图的中心点在不同方向上像素点的灰度差异获取频谱图的异常程度;
根据每个所述方向上每个像素点的灰度值,及所述像素点至所述频谱图中心点的距离和所述频谱图的异常程度,获取每个所述方向上每个像素点的关注程度;
获取所述红外图像中每个像素点的梯度幅值;根据每个像素点的梯度幅值和位置进行聚类获取多个聚类簇;其中,每个聚类簇对应一个梯度幅值;
根据每个所述聚类簇对应的梯度幅值,以及每个所述方向上每个像素点的关注程度获取每个所述聚类簇的权重;根据每个所述权重获取所述权重对应所述聚类簇的滤波窗口尺寸;
根据每个所述聚类簇的滤波窗口尺寸对所述红外图像进行均值滤波去噪获取去噪后的红外图像;根据所述去噪后的红外图像进行温度识别获得输电线路中异常的区域。
在一实施例中,每个所述聚类簇的权重是按照以下步骤获取:
根据每个所述方向上每个像素点的关注程度获取不同所述方向上对应位置像素点的关注程度的均值,并将对应位置像素点的关注程度的均值按照从大到小排序获取关注程度均值序列;
将每个所述聚类簇对应的梯度幅值按照从大到小排序获取梯度幅值序列;
将所述关注程度均值序列中的每个均值与所述梯度幅值序列中的每个梯度幅值按照序列号进行对应;
根据每个所述聚类簇对应的梯度幅值,以及所述梯度幅值在关注程度均值序列中所对应的所述均值,获取每个所述聚类簇的权重。
在一实施例中,不同所述方向上对应位置像素点的关注程度的均值是按照以下步骤获取:
根据每个所述方向上每个像素点的关注程度获取每个所述方向上的关注程度序列;
将所有所述关注程度序列中相同序列数对应的所述关注程度的均值作为不同所述方向上对应位置像素点的关注程度的均值。
在一实施例中,所述频谱图的异常程度是按照以下步骤获取:
获取所述频谱图的中心点在不同方向上像素点的灰度值序列;并获取每个所述方向上的所述灰度值序列中相邻灰度值的差值的加和值;
根据所有所述加和值的均值获取所述频谱图的异常程度。
在一实施例中,所述灰度值序列是从所述频谱图的中心点起向远离所述中心点的方向统计获取的。
在一实施例中,所述不同方向中相邻方向之间的角度均相等。
此外,为实现上述目的,本发明还一种输电线路监测系统,包括:
图像采集模块,用于获取输电线路的红外图像;并获取所述红外图像对应的频谱图;
图像去噪模块,用于根据所述频谱图的中心点在不同方向上像素点的灰度差异获取频谱图的异常程度;根据每个所述方向上每个像素点的灰度值,及所述像素点至所述频谱图中心点的距离和所述频谱图的异常程度,获取每个所述方向上每个像素点的关注程度;获取所述红外图像中每个像素点的梯度幅值;根据每个像素点的梯度幅值和位置进行聚类获取多个聚类簇;其中,每个聚类簇对应一个梯度幅值;根据每个所述聚类簇对应的梯度幅值,以及每个所述方向上每个像素点的关注程度获取每个所述聚类簇的权重;根据每个所述权重获取所述权重对应所述聚类簇的滤波窗口尺寸;根据每个所述聚类簇的滤波窗口尺寸对所述红外图像进行均值滤波去噪获取去噪后的红外图像;
异常区域识别模块,用于根据所述去噪后的红外图像进行温度识别获得输电线路中异常的区域。
本发明的有益效果是:本发明在提供的一种输电线路监测方法及系统,该方法根据图像中异常区域与噪声的特征,将其转换到频域空间,获得对应的频谱图。然后根据图像高低频的变化获得的频谱图的异常程度,进而获得频谱图中不同像素点的关注程度。因为不同区域受到的噪声的影响程度不同,并且对红外图像中的目标区域需要更好的滤波效果,因此根据关注程度与原红外图像的梯度幅值的变化获得每个梯度幅值对应像素点的滤波权重,获取自适应滤波窗口尺寸,根据自适应滤波窗口尺寸对不同梯度幅值对应的像素点进行去噪,使不同梯度幅值对应像素点的去噪效果不同,能够达到更好地去噪效果。
本发明提供的方法在对输电线路进行巡检时,克服了因为环境因素形成的噪声,在红外图像识别过程中不清晰的情况,对获得去噪后的红外图像进行自适应均值滤波,提高了红外图像的质量,使得输电线路上的异常区域检测的结果更加的准确。
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为本发明的一种输电线路监测方法的实施例总体步骤的流程示意图。
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。
本发明所针对的情景是对输电线路进行检测时采集得到的红外图像受到较大的椒盐噪声的影响,会影响对发生破皮或短路等异常区域的识别,因此需要对其进行去噪处理,然后再根据红外图像中温度的变化判断输电线路是否出现了异常。
本发明的主要目的是通过红外图像对输电线路进行检测,判断其是否出现异常。因为异常区域在红外图像中会形成高亮点,因此对其进行频域转换,获得高频区域的异常程度。然后根据高低频的变化与红外图像的特征获得不同区域的滤波窗口的尺寸。
参见图1所示,在本发明的实施例中提供一种输电线路监测方法,包括以下步骤:
S1、获取输电线路的红外图像;并获取所述红外图像对应的频谱图;
在本实施例中,通过红外图像对输电线路进行巡检,因此需要采集待检测区间的输电线路的图像。为了减小环境对采集的图像的影响,在环境光较弱的情况下,采用无人机仰视拍摄获取输电线路的红外图像。由于红外图像是单通道图像相当于灰度图,可以直接进行去噪。
需要说明的是,当输电线的某一区域发生短路或出现裂口等异常情况时,在输电线路的红外图像中,就会形成明亮的点,相较于其他正常的区域,其与背景的对比度发生较大的变化。而在频谱图中,因为高频信息表示的是原图像中区域的边缘,边缘越明显,则越高频。并且红外图像受到的噪声影响越大,红外图像的高频信息也会越多,因此根据频谱图中高低频的信息的变化,获得滤波窗口的尺寸,使得图像的去噪效果更好。为此,在本实施例中,利用二维离散傅里叶变换对获得的红外图像进行处理,而后经过对数化、中心化得到红外图像对应的幅度谱,即为频谱图。
S2、根据频谱图的中心点在不同方向上像素点的灰度差异获取频谱图的异常程度;
需要说明的是,在频谱图中,越靠近频谱图的中心点越低频,越靠近频谱图的外侧越高频,高频信息越多,则说明红外图像的边缘越多且越明显。当输电线路中出现短路或破皮等异常时,在红外图像中形成的高亮点的灰度变化比其他区域的更加的明显,因此在频谱图中异常区域对应更高频区域。根据频谱图的高低频分布获得频谱图的异常程度。
具体的,频谱图的异常程度是按照以下步骤获取:获取频谱图的中心点在不同方向上像素点的灰度值序列;并获取每个方向上的灰度值序列中相邻灰度值的差值的加和值;根据所有加和值的均值获取频谱图的异常程度。
进一步,不同方向中相邻方向之间的角度均相等。在本实施例中,主要取频谱图中心点的八个方向;假设频谱图中心点的坐标为,此处代表最低频的点,然后获得中心点的八个方向上的灰度值序列/>,式中,/>表示在/>方向上的第个像素点的灰度值。其中,/>。因为越靠近低频区域图像越亮,其灰度值越大,越靠近高频区域图像越暗,其灰度值越小,则根据灰度值序列的变化得到频谱图的异常程度,其中,灰度值序列是从频谱图的中心点起向远离中心点的方向统计获取的。
在本实施例中,频谱图的异常程度的计算公式如下:
式中,表示频谱图的异常程度;/>表示归一化函数,得到的区间归一化区间为[0,1];/>表示在/>方向上的第/>个像素点的灰度值;/>表示在/>方向上的第/>个像素点的灰度值;/>表示第/>个像素点与第/>个像素点的灰度值的差值;其中,由于灰度值序列是从频谱图的中心点起向远离中心点的方向统计获取的,则第/>1个像素点比第/>个像素点在频谱图中更高频;/>表示在/>方向上所有第/>个像素点与第/>个像素点灰度差值的求和,其中,n表示在/>方向上像素点的数量;若灰度值序列的灰度差异越大,并且灰度值序列越长,则求和的值越大,则说明高频亮点距离频谱中心点的距离越远,则频谱图的异常程度越大。/>表示八个方向上的灰度值序列的差值的均值,计算八个方向上的灰度值序列的差值的目的是的因为在频谱图中高低频的分布不一定是对称的,因此根据每一个方向上的灰度值序列的灰度变化得到整幅频谱图的异常程度。
需要说明的是,根据每一条灰度值序列的像素点的差值的和来反映高频点的位置的变化。因为越靠近中心位置越低频,像素点的灰度值越大,高频点离中心点的位置越远,则代表越高频,其灰度值较小。而高频点离中心位置越远,则灰度值序列中具有灰度的像素点的数量越多,则前后两像素点的灰度差值的和越大,说明异常程度越大。
为此,根据频谱图的异常程度来判断原红外图像中是否存在异常区域,并且判断噪声的影响程度的大小。若噪声的影响程度越大,并且若存在异常区域,则频谱图的异常程度越大。
S3、根据每个方向上每个像素点的灰度值,及像素点至频谱图中心点的距离和频谱图的异常程度,获取每个方向上每个像素点的关注程度;
需要说明的是,因为频谱图中的高频区域表示的是原图像中各个区域的边缘,边缘越明显,则高频信息越多。当输电线路出现异常时,其红外图像会形成高亮区域,在频谱图中高频区域会发生变化,形成高频亮点,并且噪声在频谱图中主要分布在高频区域。因此根据频谱图中高低频的变化获得图像中的不同区域的关注程度,关注程度越大的区域,则说明原图像的输电线路中出现异常的可能程度越大,并且噪声的影响程度越大。
其中,在红外图像中,噪声对各区域的影响程度是不同的,当通过仰视拍摄输电线路的图像时,图像的背景大部分是天空,因此噪声主要分布在电线的周围,对输电线路产生较大的影响。而在频谱图中,因为高频区域对应的是原图像的边缘区域,而原图像中只存在输电线路的边缘,因此频谱图的高频亮点主要是红外图像中的电线的边缘以及输电线路出现异常时比电线更明亮的异常区域,而且异常区域在频谱图中更高频。通过计算获得频谱图的异常程度,异常程度越大,则说明原红外图像中噪声的影响程度越大,并且越可能存在异常区域。
根据频谱图的异常程度,来计算关注程度,因为异常程度越大,说明高频信息越多,在红外图像中,图像受到噪声的影响程度就会越大,或图像可能存在异常区域。因此越高频的区域获得的关注程度就越大,根据关注程度来获得不同区域的权重,权重越大,说明噪声的影响程度越大,需要较大的滤波窗口才能获得更好地去噪效果。
具体的,高频区域离中心点越远,说明原红外图像中噪声的影响程度越大。因此根据高频亮点的分布获得不同区域的关注程度。另外,假设频谱图中不存在高频区域,则灰度值序列的灰度值的变化程度较小,会发生像素点灰度值的突变。若存在高频区域,则灰度值序列的灰度值变化程度较大,且像素点的灰度值数量较多,像素点的灰度差值较小。并且高频点离中心点的距离越远,灰度值序列的灰度值变化越大,像素点的数量越多。因此根据高低频区域灰度的变化获得不同区域的关注程度。
在本实施例中,每个方向上每个像素点的关注程度的计算公式如下:
式中,表示在/>方向上第/>个像素点的关注程度;/>表示自然常数;/>表示在方向上的第/>个像素点的灰度值;/>表示在/>方向上的第/>个像素点的灰度值;表示第/>个像素点与第/>个像素点的灰度值的差值的绝对值,灰度值的差值的绝对值越小,则说明灰度值序列中像素点的灰度值的变化越大,并且该像素点越处于高频区域,因此需要的关注程度越大;/>表示频谱图中第/>个像素点的灰度值乘以第/>个像素点与第/>个像素点的灰度值的差值的绝对值,由于灰度值越小的像素点表示其越高频,且/>还表示一个截止条件,若/>,则说明到了高频区域的边界区域,此处不包含频谱图中的信息区域,因此不需要获得关注程度,则乘积为0;表示第/>个像素点距离频谱图中心位置的距离,距离越远说明越高频,则需要获得的关注程度越大;/>表示频谱图的异常程度;则乘以/>是因为整幅频谱图的异常程度越大,则说明原红外图像中噪声的影响程度越大,并且输电线路存在异常的可能程度越大,因此需要获得更高的关注程度,在计算不同关注的权重时,获得权重更大,才能有更好地去噪效果。
需要说明的是,根据灰度值序列中像素点灰度值差异得到频谱图中不同方向上每个像素点的关注程度。因为灰度差值越小,并且此处的像素点的灰度值越小,说明高频区域距频谱图中心点的距离越远,则需要的关注程度越大。为此,根据频谱图中像素点距中心点的距离来获得不同像素点的关注程度,而关注程度越大,说明噪声的影响程度越大,并且当关注程度最大时,此时在原红外图像中输电线路出现异常的可能程度越大,因此在对图像进行去噪的时候,需要的去噪效果更好,在检测异常区域时才能更准确。
S4、获取所述红外图像中每个像素点的梯度幅值;根据每个像素点的梯度幅值和位置进行聚类获取多个聚类簇;其中,每个聚类簇对应一个梯度幅值;
需要说明的是,通过计算频谱图中不同方向上每个像素点的关注程度,由于关注程度越大,受到噪声的影响程度越大,或者在频谱图中关注程度越大像素点在红外图像中是异常区域的可能程度越大,因此需要更大的滤波窗口,才能有更好地去噪效果。并且在红外图像中,因为异常区域出现了高亮点,因此其灰度值较大,与背景的灰度差异较大,高亮点区域的边缘的梯度较大。
在本实施例中,通过算子获得红外图像中每个像素点的梯度幅值,然后通过密度聚类算法将局部区域中同一梯度幅值的像素点聚为一类,获得多个聚类簇;其中,密度聚类算法考虑到了每个像素点的位置关系进行聚类,从而将某一区域中同一梯度幅值的像素点聚为一类;密度聚类算法为现有公知技术,在此不再赘述。
S5、根据每个聚类簇对应的梯度幅值,以及每个方向上每个像素点的关注程度获取每个聚类簇的权重;
需要说明的是,红外图像中的高亮区域在频谱图中对应为高频区域,因此根据红外图像中像素点的梯度大小得到可能异常区域,然后频谱图中的高频区域得到关注程度结合,获得不同区域的权重大小。而在红外图像中异常区域的边缘灰度变化大,因此在进行聚类的时候会将异常区域的边缘的像素点聚为一类,其他区域也会存在各种类别,但是就能获得目标区域的差异值。
其中,聚类簇的梯度幅值与频谱图中的高低频呈现正相关关系的,梯度幅值越大的区域,在频谱图中越高频,因此在计算聚类簇权重的时候,需要将聚类簇的梯度幅值与频谱图获得的关注程度对应起来。为此,本实施例将频谱图中不同方向上对应位置像素点的关注程度的均值与红外图像的像素点的梯度幅值分别作为一组序列,将其按照从大到小的顺序排列起来,两个序列中每一个位置的数据进行对应,则能够根据获得一个正相关函数,此正相关函数就表示的是频谱图中的关注程度与红外图像的像素点的梯度的对应关系。
在本实施例中,每个聚类簇的权重是按照以下步骤获取:
根据每个方向上每个像素点的关注程度获取不同方向上对应位置像素点的关注程度的均值,并将对应位置像素点的关注程度的均值按照从大到小排序获取关注程度均值序列;
具体的,不同方向上对应位置像素点的关注程度的均值,包括:
获取每个方向上对应相同位置的像素点的关注程度,也就是8个方向对应相同位置的8个像素点的关注度,在求8个像素点的关注度的均值,即为不同方向上对应位置像素点的关注程度的均值;其中,对应相同位置指的是,每个方向上的位置均相同。比如,求8个方向对应第5个像素点关注程度的均值,依次获取在方向上第5个像素点的关注程度,方向上第5个像素点的关注程度,/>方向上第5个像素点的关注程度,/>方向上第5个像素点的关注程度,/>方向上第5个像素点的关注程度,/>方向上第5个像素点的关注程度,/>方向上第5个像素点的关注程度,/>方向上第5个像素点的关注程度;从而获取8个方向对应第5个像素点关注程度的均值。
将每个聚类簇对应的梯度幅值按照从大到小排序获取梯度幅值序列;
将关注程度均值序列中的每个均值与梯度幅值序列中的每个梯度幅值按照序列号进行对应;
根据每个聚类簇对应的梯度幅值,以及梯度幅值在关注程度均值序列中所对应的均值,获取每个聚类簇的权重。
其中,不同方向上对应位置像素点的关注程度的均值是按照以下步骤获取:
根据每个方向上每个像素点的关注程度获取每个方向上的关注程度序列;
将所有关注程度序列中相同序列数对应的关注程度的均值作为不同方向上对应位置像素点的关注程度的均值。
进一步,每个聚类簇的权重计算公式如下:
式中,表示第r个聚类簇的权重;/>表示第r个聚类簇的梯度幅值;/>表示在/>方向上第/>个像素点的关注程度;/>表示在八个方向上对应第/>个像素点的关注程度的均值;/>表示归一化函数,得到的区间归一化区间为[0,1]。需要说明的是,在红外图像中,因为出现异常区域的灰度变化较大,因此其边缘的梯度较大,并且异常区域在频谱图中处于高频区域,获得的关注程度大,因此根据梯度幅值与关注程度得到的权重就能对异常区域赋予较大的权重。并且噪声越大,频谱图中高频信息越多,获得的关注程度也越大,则计算得到的权重越大,最后在根据权重确定滤波窗口的大小时,能够进行更好地去噪效果。
S6、根据每个权重获取权重对应聚类簇的滤波窗口尺寸;根据每个聚类簇的滤波窗口尺寸对红外图像进行均值滤波去噪获取去噪后的红外图像;
在本实施例中,根据计算获得每个聚类簇的权重,因为权重越大,所需要的滤波窗口就越大,才能进行更好地去噪效果。则每个聚类簇的滤波窗口尺寸计算公式为:
式中,表示第r个聚类簇的滤波窗口尺寸;/>表示第r个聚类簇的权重;/>表示取整函数,在本实施例中采用向上取整,乘以10是因为对其进行了归一化,获得的数为小于1的数,而滤波窗口为大于1的正方形的窗口。依次获得每个聚类簇对应的滤波窗口尺寸。
进一步,根据每个聚类簇对应的滤波窗口尺寸,然后对红外图像进行均值滤波去噪,在此处,均值滤波是将窗口内像素点的灰度均值赋予中心像素点,然后遍历每个像素点,对图像进行去噪。均值滤波为现有已知技术,在此不再进行赘述。
S7、根据去噪后的红外图像进行温度识别获得输电线路中异常的区域。
在本实施例中,根据去噪后的红外图像对其进行温度的识别,获得异常的区域,对其进行标记。其中,红外图像就是温度图像,某个区域如果存在异常,则其温度就对变高,根据温度高低就能够识别出异常区域,从而实现了对输电线路中异常区域的监测。
本发明的实施例中,还提供了一种输电线路监测系统,包括:
图像采集模块,用于获取输电线路的红外图像;将红外图像利用二维离散傅里叶变换获取频谱图;
图像去噪模块,用于根据频谱图的中心点在不同方向上像素点的灰度差异获取频谱图的异常程度;根据每个方向上每个像素点的灰度值,及像素点至频谱图中心点的距离和频谱图的异常程度,获取每个方向上每个像素点的关注程度;获取红外图像中每个像素点的梯度幅值;将同一梯度幅值的像素点聚为一类获取多个聚类簇;根据每个聚类簇对应的梯度幅值,以及每个方向上每个像素点的关注程度获取每个聚类簇的权重;根据每个权重获取权重对应聚类簇的滤波窗口尺寸;根据每个聚类簇的滤波窗口尺寸对红外图像进行均值滤波去噪获取去噪后的红外图像;
异常区域识别模块,用于根据去噪后的红外图像进行温度识别获得输电线路中异常的区域。
本发明在提供的一种输电线路监测方法及系统,该方法根据图像中异常区域与噪声的特征,将其转换到频域空间,获得对应的频谱图。然后根据图像高低频的变化获得的频谱图的异常程度,进而获得频谱图中不同像素点的关注程度。因为不同区域受到的噪声的影响程度不同,并且对红外图像中的目标区域需要更好的滤波效果,因此根据关注程度与原红外图像的梯度幅值的变化获得每个梯度幅值对应像素点的滤波权重,获取自适应滤波窗口尺寸,根据自适应滤波窗口尺寸对不同梯度幅值对应的像素点进行去噪,使不同梯度幅值对应像素点的去噪效果不同,能够达到更好地去噪效果。
本发明提供的方法在对输电线路进行巡检时,克服了因为环境因素形成的噪声,在红外图像识别过程中不清晰的情况,对获得去噪后的红外图像进行自适应均值滤波,提高了红外图像的质量,使得输电线路上的异常区域检测的结果更加的准确。
以上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 (5)
1.一种输电线路监测方法,其特征在于,包括以下步骤:
获取输电线路的红外图像;并获取所述红外图像对应的频谱图;
根据所述频谱图的中心点在不同方向上像素点的灰度差异获取频谱图的异常程度;
所述频谱图的异常程度是按照以下步骤获取:
获取所述频谱图的中心点在不同方向上像素点的灰度值序列;并获取每个所述方向上的所述灰度值序列中相邻灰度值的差值的加和值;
根据所有所述加和值的均值获取所述频谱图的异常程度;
根据每个所述方向上每个像素点的灰度值,及所述像素点至所述频谱图中心点的距离和所述频谱图的异常程度,获取每个所述方向上每个像素点的关注程度;
获取每个所述方向上每个像素点的关注程度的计算公式如下:
式中,表示在/>方向上第/>个像素点的关注程度;/>表示自然常数;/>表示在/>方向上的第/>个像素点的灰度值;/>表示在/>方向上的第/>个像素点的灰度值;表示第/>个像素点与第/>个像素点的灰度值的差值的绝对值;/>表示第个像素点距离频谱图中心位置的距离;
获取所述红外图像中每个像素点的梯度幅值;根据每个像素点的梯度幅值和位置进行聚类获取多个聚类簇;其中,每个聚类簇对应一个梯度幅值;
根据每个所述聚类簇对应的梯度幅值,以及每个所述方向上每个像素点的关注程度获取每个所述聚类簇的权重;根据每个所述权重获取所述权重对应所述聚类簇的滤波窗口尺寸;
每个所述聚类簇的权重是按照以下步骤获取:
根据每个所述方向上每个像素点的关注程度获取不同所述方向上对应位置像素点的关注程度的均值,并将对应位置像素点的关注程度的均值按照从大到小排序获取关注程度均值序列;
将每个所述聚类簇对应的梯度幅值按照从大到小排序获取梯度幅值序列;
将所述关注程度均值序列中的每个均值与所述梯度幅值序列中的每个梯度幅值按照序列号进行对应;
根据每个所述聚类簇对应的梯度幅值,以及所述梯度幅值在关注程度均值序列中所对应的所述均值,获取每个所述聚类簇的权重;
根据每个所述聚类簇的滤波窗口尺寸对所述红外图像进行均值滤波去噪获取去噪后的红外图像;根据所述去噪后的红外图像进行温度识别获得输电线路中异常的区域。
2.根据权利要求1所述的输电线路监测方法,其特征在于,不同所述方向上对应位置像素点的关注程度的均值是按照以下步骤获取:
根据每个所述方向上每个像素点的关注程度获取每个所述方向上的关注程度序列;
将所有所述关注程度序列中相同序列数对应的所述关注程度的均值作为不同所述方向上对应位置像素点的关注程度的均值。
3.根据权利要求1所述的输电线路监测方法,其特征在于,所述灰度值序列是从所述频谱图的中心点起向远离所述中心点的方向统计获取的。
4.根据权利要求1所述的输电线路监测方法,其特征在于,所述不同方向中相邻方向之间的角度均相等。
5.一种输电线路监测系统,其特征在于,包括:
图像采集模块,用于获取输电线路的红外图像;并获取所述红外图像对应的频谱图;
图像去噪模块,用于根据所述频谱图的中心点在不同方向上像素点的灰度差异获取频谱图的异常程度;根据每个所述方向上每个像素点的灰度值,及所述像素点至所述频谱图中心点的距离和所述频谱图的异常程度,获取每个所述方向上每个像素点的关注程度;获取所述红外图像中每个像素点的梯度幅值;根据每个像素点的梯度幅值和位置进行聚类获取多个聚类簇;其中,每个聚类簇对应一个梯度幅值;根据每个所述聚类簇对应的梯度幅值,以及每个所述方向上每个像素点的关注程度获取每个所述聚类簇的权重;根据每个所述权重获取所述权重对应所述聚类簇的滤波窗口尺寸;根据每个所述聚类簇的滤波窗口尺寸对所述红外图像进行均值滤波去噪获取去噪后的红外图像;
所述频谱图的异常程度是按照以下步骤获取:
获取所述频谱图的中心点在不同方向上像素点的灰度值序列;并获取每个所述方向上的所述灰度值序列中相邻灰度值的差值的加和值;
根据所有所述加和值的均值获取所述频谱图的异常程度;
获取每个所述方向上每个像素点的关注程度的计算公式如下:
式中,表示在/>方向上第/>个像素点的关注程度;/>表示自然常数;/>表示在/>方向上的第/>个像素点的灰度值;/>表示在/>方向上的第/>个像素点的灰度值;表示第/>个像素点与第/>个像素点的灰度值的差值的绝对值;/>表示第个像素点距离频谱图中心位置的距离;
每个所述聚类簇的权重是按照以下步骤获取:
根据每个所述方向上每个像素点的关注程度获取不同所述方向上对应位置像素点的关注程度的均值,并将对应位置像素点的关注程度的均值按照从大到小排序获取关注程度均值序列;
将每个所述聚类簇对应的梯度幅值按照从大到小排序获取梯度幅值序列;
将所述关注程度均值序列中的每个均值与所述梯度幅值序列中的每个梯度幅值按照序列号进行对应;
根据每个所述聚类簇对应的梯度幅值,以及所述梯度幅值在关注程度均值序列中所对应的所述均值,获取每个所述聚类簇的权重;
异常区域识别模块,用于根据所述去噪后的红外图像进行温度识别获得输电线路中异常的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310048757.7A CN116012346B (zh) | 2023-02-01 | 2023-02-01 | 一种输电线路监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310048757.7A CN116012346B (zh) | 2023-02-01 | 2023-02-01 | 一种输电线路监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116012346A CN116012346A (zh) | 2023-04-25 |
CN116012346B true CN116012346B (zh) | 2023-06-09 |
Family
ID=86035572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310048757.7A Active CN116012346B (zh) | 2023-02-01 | 2023-02-01 | 一种输电线路监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012346B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452594B (zh) * | 2023-06-19 | 2023-08-29 | 安徽百胜电子系统集成有限责任公司 | 一种输电线路状态可视化监测预警方法及系统 |
CN117520103B (zh) * | 2024-01-08 | 2024-04-26 | 广州大一互联网络科技有限公司 | 基于热成像的数据中心机房温度监控方法 |
CN117665935B (zh) * | 2024-01-30 | 2024-04-19 | 山东鑫国矿业技术开发有限公司 | 一种破碎岩体支护施工过程的监测数据处理方法 |
CN117853484B (zh) * | 2024-03-05 | 2024-05-28 | 湖南建工交建宏特科技有限公司 | 一种基于视觉的桥梁损伤智能监测方法及系统 |
CN118096726B (zh) * | 2024-04-18 | 2024-06-25 | 江苏裕荣光电科技有限公司 | 一种电缆温度异常识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7881540B2 (en) * | 2006-12-05 | 2011-02-01 | Fujifilm Corporation | Method and apparatus for detection using cluster-modified graph cuts |
CN111080168B (zh) * | 2019-12-30 | 2021-08-03 | 国网江苏省电力有限公司信息通信分公司 | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 |
WO2021217642A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN112819802B (zh) * | 2021-02-09 | 2024-03-05 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
CN115471503B (zh) * | 2022-11-03 | 2023-04-07 | 江西捷锐机电设备有限公司 | 用于数控剖锭机的设备异常检测方法 |
-
2023
- 2023-02-01 CN CN202310048757.7A patent/CN116012346B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116012346A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116012346B (zh) | 一种输电线路监测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
CN110895806A (zh) | 屏幕显示缺陷的检测方法及系统 | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN107274410B (zh) | 自适应的人造目标恒虚警率检测方法 | |
CN117522870B (zh) | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 | |
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
CN105869135A (zh) | 轮胎缺陷的检测方法和装置 | |
CN112666426A (zh) | 基于多光谱三合一图像的设备故障检测方法及系统 | |
CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
CN112927223A (zh) | 一种基于红外热成像仪的玻璃幕墙检测方法 | |
CN117541654B (zh) | 一种高分辨率遥感图像细节增强方法 | |
CN117011291A (zh) | 一种手表外壳质量视觉检测方法 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及系统 | |
CN114638822B (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及系统 | |
CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
CN113744163B (zh) | 集成电路图像增强方法、装置、电子设备及存储介质 | |
CN113689449B (zh) | 一种中尺度涡特征参数的反演方法及系统 | |
CN112150385B (zh) | 红外图像滤波方法及装置 | |
CN112698412B (zh) | 基于磁浮标的轴频磁异常信号处理方法 |
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 |