CN116433667B - 一种配电物联低压智能开关检测方法 - Google Patents
一种配电物联低压智能开关检测方法 Download PDFInfo
- Publication number
- CN116433667B CN116433667B CN202310699626.5A CN202310699626A CN116433667B CN 116433667 B CN116433667 B CN 116433667B CN 202310699626 A CN202310699626 A CN 202310699626A CN 116433667 B CN116433667 B CN 116433667B
- Authority
- CN
- China
- Prior art keywords
- degree
- distribution
- points
- window
- trend
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 161
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
Abstract
本发明提出一种配电物联低压智能开关检测方法,用于对开关表面进行裂纹检测。该方法包括:预处理步骤;初始分布程度计算步骤;优选权重计算步骤;特征窗口判断步骤;公共特征提取步骤;初始分布程度校正步骤;自适应引导滤波步骤;增强重构步骤;以及边缘检测步骤。本发明采用分层的思想,通过引导滤波将采集的配电物联低压智能开关表面图像分为基础层和细节层,通过特征窗口内的公共特征来对每个像素点的分布特征进行校正,得到最终的分布程度,进而自适应引导滤波得到理想的基础层,使得后续对细节层进行增强时排除了配电物联低压智能开关表面自身的纹理等影响,提高了裂纹识别精度。
Description
技术领域
本申请涉及图像数据处理领域,具体涉及一种配电物联低压智能开关检测方法。
背景技术
配电物联低压智能开关是一种基于物联网技术的低压智能开关,具有远程监控和控制功能,可以实现对配电系统中低压设备的集中管理,提高配电系统的智能化水平,在电力领域具有广泛的应用前景,实现节能减排。然而在配电物联低压智能开关的生产过程中由于生产材料以及制造工艺的影响,会使得表面出现裂纹缺陷,而裂纹是电气设备中潜在的故障隐患之一,因此在配电物联低压智能开关生产过程中,需要对配电物联低压智能开关表面进行裂纹检测。
在裂纹检测过程中,传统使用Canny边缘检测的方法获取裂纹的边缘走向,然而由于相机分辨率的影响,在获取配电物联低压智能开关的表面图像时,图像得到的细节信息很模糊,因此需要提高图像的细节信息的表现能力来提高Canny边缘检测的检测结果,进而提高裂纹识别精度。其中本发明采用分层的思想,通过引导滤波将采集的配电物联低压智能开关表面图像分为基础层和细节层,通过对细节层进行单独变化处理,提高图像的细节信息表现效果,然而在分层过程中,由于配电物联低压智能开关表面自身的纹理等影响,会造成很多无用的细节信息也被加入到细节层中,进而在边缘检测过程中增加了干扰信息。因此本发明通过在获取基础层的过程中,保证细节信息的完整性的同时,同时保证细节层中仅含有关键信息。
发明内容
针对上述问题,本发明提出一种配电物联低压智能开关检测方法,用于对开关表面进行裂纹检测,包括:
预处理步骤:对采集到的开关图像进行语义分割处理,得到开关处图像区域标注为1的预处理图像;
初始分布程度计算步骤:将预处理图像分成多个图像块,针对每个图像块,根据各像素点所在局部范围窗口的像素点的灰度分布特征,计算各像素点的初始分布程度,所述初始分布程度表征平滑程度;
权重计算步骤:在每个图像块中,根据各像素点的初始分布程度,获取多个方向下的所述初始分布程度的分布序列,计算每个方向的权重,权重表示以每个方向作为后续确定的特征窗口中有代表性的方向的程度;
特征窗口判断步骤:根据各像素点所在局部范围窗口内不同方向上的相似初始分布程度的像素点之间的平均距离以及计算出的每个方向的权重,计算所述局部范围窗口的特征程度,并根据特征程度,判断所述局部范围窗口是否为特征窗口;
公共特征提取步骤:对所有图像块的特征窗口提取公共特征,公共特征表示所有特征窗口中相似的走向分布;
初始分布程度校正步骤:根据提取出的公共特征,对每个像素点的初始分布程度进行校正,得到每个像素点的最终分布程度;
自适应引导滤波步骤:根据每个像素点的最终分布程度,基于自适应引导滤波处理得到图像的基础层,并根据图像的基础层计算得到图像的细节层;
增强重构步骤:对细节层进行增强处理,并与基础层进行重构,得到增强后的图像;
边缘检测步骤:对增强后的图像,通过边缘检测得到图像中的开关裂纹。
本发明具有的有益效果如下:本发明中采用分层的思想,通过引导滤波将采集的配电物联低压智能开关表面图像分为基础层和细节层,通过对细节层进行单独变化处理,提高图像的细节信息表现效果。其中对采集的图像进行分块处理,对每个像素点所在局部范围窗口的像素点的灰度分布特征进行分析,得到窗口内每个像素点的初始分布程度。并通过计算各个方向上的像素点的初始分布程度的分布变化,以及多个图像块内的分布来获取特征窗口,通过特征窗口内的公共性特征来对每个像素点的分布特征进行校正,得到最终的分布程度,进而自适应引导滤波得到理想的基础层,使得后续对细节层进行增强时排除了配电物联低压智能开关表面自身的纹理等影响,避免了很多无用的细节信被处理,提高Canny边缘检测的检测结果,进而提高裂纹识别精度。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1是本发明实施例的配电物联低压智能开关检测方法的流程图。
具体实施方式
此处参考附图描述本公开的各种方案以及特征。通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本公开的这些和其它特性将会变得显而易见。
本说明书可使用词组“在一个实施例中”、“在另一个实施例中”、“在又一个实施例、“在一些实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。说明书全文中,相同的附图标记指代相同或相似的元件,并省略不必要的重复描述。
本发明中各像素点所在局部范围窗口并非固定大小,其可以根据进行的具体处理而变化,并且除非特别声明,本发明中给出的各种预定的参数、阈值等数值仅为经验值,本领域技术人员可以在不背离本发明精神和实质的范围内进行调整。
图1是本发明实施例的配电物联低压智能开关检测方法的流程图。如图1所示,配电物联低压智能开关检测方法包括如下步骤:预处理步骤:采集配电物联低压智能开关的图像,并对图像进行预处理。
通过布置在配电物联低压智能开关生产线上的相机采集对应的图像,并对采集的图像进行语义分割处理,其中语义分割网络采用DNN神经网络,数据集为采集的图像,通过人工标注的方式,将配电物联低压智能开关处的图像区域标注为1,其他图像区域标注为0,采用的损失函数为交叉熵函数。
初始分布程度计算步骤:将预处理图像分成多个图像块,针对每个图像块,根据各像素点所在局部范围窗口的像素点的灰度分布特征,计算各像素点的初始分布程度,所述初始分布程度表征平滑程度。
为了使得细节层图像中仅含有想要的信息(仅为与裂纹有关的信息,不包含噪声信息表征的高频信息点以及开关本身的特征纹理信息),并且细节层是由原始图像与引导滤波处理后得到的基础层信息作差分得到的,因此本发明根据原始图像中的像素点的灰度分布特征,来对引导滤波进行自适应处理,得到一个“理想的”基础层,保证作差后的细节层的信息获取较为准确。
对于引导滤波自适应处理过程中,通过控制每个像素点的平滑程度来进行,本质上来说对于裂纹区域的像素点的平滑程度需要较高,但是在分析过程中会受到配电物联低压智能开关表面的纹理的影响,并且由于应力的影响,裂纹经常会与表面纹理出现在一起,则对应的则分析平滑程度过程中,会出现较大的误差。
因此,在步骤S2中,将采集的图像进行图像分块,针对每个图像块,根据各像素点所在局部范围窗口的像素点的灰度分布特征,计算各像素点的初始分布程度,初始分布程度表征平滑程度。
由于配电物联低压智能开关表面存在一些规律性的纹理,并且其规律性的纹理可能存在表面的不同区域,因此本实施例对采集的图像进行分块处理,对每个像素点所在局部范围窗口的像素点的灰度分布特征进行分析,得到窗口内每个像素点的初始分布程度,其中每个像素点初始分布程度表征平滑程度。
将预处理后的图像分成多个图像块,例如按照长宽均等分处理,平均分为9份。在每个图像块中进行分析,首先获取图像块中的代表点,代表点表征分析初始分布特征时的起始点,其中代表点的获取是根据图像块中的灰度分布特征来确定,其中某个图像块中的第个像素点的代表程度/>的计算方法为:/>,式中/>表示图像块中的第/>个像素点的灰度值,/>表示图像块中的像素点灰度值均值,/>表示图像块中像素点灰度值的最大值,/>表示第/>个像素点的8邻域内像素点与第/>个像素点的灰度差小于10的像素点个数;/>表示以自然常数为底数的指数函数。其中若像素点的8邻域内的像素点与其相似灰度值的较多,则表明该点可能存在图像块中的纹理分支位置,则该像素点的代表性较大,同时通过该像素点的灰度值与图像块像素点的灰度值均值之间的差距以达到代表程度校正的作用,避免使得不在纹理和裂纹的像素点的代表性较大。设置代表程度阈值0.65(第一阈值),若像素点的代表程度大于第一阈值,则表明该像素点为代表点。
以代表点为起始点,在以代表点为中心像素点的窗口内进行分析,计算窗口内像素点的走向性特征来获取初始分布特征:
同样上述类似操作,计算窗口内像素点与中心像素点的灰度值的差值,若小于等于10(第二阈值),则表明该像素点为第一走向点;再以第一走向点的窗口内分析第二走向点(同第一走向点判定方式(与第一走向点的灰度差),其中第二走向点与第一走向点不重复),进而得到与该代表点有关的所有走向点。其中第/>个代表点的初始分布程度/>的计算方法为:/>,其中/>表示第/>个代表点/>窗口内走向点的数量,/>表示第/>个走向点与第/>个代表点直线相连的角度方向(以图像中行方向为0°),表示所有走向点与第/>个代表点各自的直线相连的角度方向均值;/>表示以自然常数为底数的指数函数。
其中第个代表点的/>窗口内的第/>个走向点的初始分布程度/>同上述计算过程,在第/>个走向点自己的窗口(局部范围窗口)内,利用走向点与代表点之间相连的角度方向,在计算过程中会获取到新的走向点,本文不再赘述。其中对于窗口内第/>个非走向点的初始分布特征/>,其中/>表示窗口内第/>个非走向点距离代表点的欧式距离,/>表示窗口内非走向点距离代表点的最大欧式距离。特别说明:对于没有涉及到的像素点,本发明设置较小的初始分布程度值,选取/>即可。
至此,将采集的图像进行图像分块,对每个分块内计算每个像素点的初始分布特征。
接下来,进入权重计算步骤S3, 每个图像块中,根据各像素点的初始分布程度,获取多个方向下的所述初始分布程度的分布序列,计算每个方向的权重,权重表示以每个方向作为后续确定的特征窗口中有代表性的方向的程度。
在单个图像块中,根据上述得到的每个像素点的初始分布程度(特征值),获取多个方向下的初始分布程度的分布序列(方向的获取可采用0°、30°、60°、…、180°,每个方向上存在多个分布序列),为了后续选择特征窗口,首先计算每个方向的权重,其中第个方向的权重/>,权重/>表示在多个方向中以第l方向作为后续选择的特征窗口中有代表性的方向的优选程度,权重/>的计算方法为:
式中,表示第/>个方向的初始分布特征值的分布序列的数量,/>表示第/>个方向的第/>个初始分布特征值的分布序列的数值方差,/>表示第/>个方向的第/>个初始分布特征值的分布序列的数值个数(像素点个数),/>表示第/>个方向的所有初始分布特征值的分布序列中最大数值个数;/>表示以自然常数为底数的指数函数。其中在计算方向上的优选程度过程中,若该方向上的初始分布特征变化较大,则表明该方向上较为离散,则对应的该方向的后续的特征窗口的可能性较小,而在获取多个数据序列的均值过程中,由于不同序列的像素点的个数不同,因此对应的序列的参考程度不同,像素点的个数越多,参考程度就越大。
由于裂缝和开关表面正常纹理存在交叉,因此若仅根据像素点的初始分布特征值来决定平滑程度会出现较大的误差,因此本发明通过计算各个方向上的像素点的初始分布特征的分布变化,以及多个图像块内的分布来获取特征窗口,通过特征窗口内的公共性特征来对每个像素点的分布特征进行校正。
在特征窗口判断步骤S4中,根据各像素点所在局部范围窗口内不同方向上的相似初始分布程度的像素点之间的平均距离以及计算出的每个方向的权重,计算所述局部范围窗口的特征程度,并根据特征程度,判断所述局部范围窗口是否为特征窗口。
以图像块中每个像素为中心点选取局部范围窗口(大小例如可根据上述的窗口选取),并判断局部范围窗口是否为特征窗口,所期望的特征窗口是在不同的方向上均仅存在规律性的分布,其中根据前面计算得到的初始分布程度(特征值),计算窗口内不同方向上的相似初始分布特征值的像素点之间的平均距离来表示特征程度,若平均距离的变化较小,则表明该窗口内的特征程度较大。则图像块中的第/>个像素点为中心像素点的窗口的特征程度/>的计算方法为:
式中,表示方向的个数,/>表示第/>个方向的权重。/>的获取方式为:对窗口内每个方向上的初始分布特征值对应的像素点进行K-Means聚类(为了获取相似的初始分布特征值,K=4),/>表示每一类别的像素点之间的平均距离;/>表示多个类别中像素点平均距离的方差值;/>表示以自然常数为底数的指数函数。根据实验和经验,设置特征程度阈值(第三阈值)0.58,若大于该阈值,则表明此窗口为特征窗口,否则判定为非特征窗口。类似操作,可以得到其他图像块的所有特征窗口的特征程度,由此确定特征窗口。
接下来,在公共特征提取步骤S5中,对所有图像块的特征窗口提取公共特征,公共特征表示所有特征窗口中相似的走向分布。
由于若是开关表面的规则纹理,会在其他图像块中的特征窗口之间存在相似的规律性,因此根据得到的所有图像块的特征窗口进行公共特征的提取,其中所述的公共特征为这些特征窗口中的相似的走向点的分布。具体而言,分别统计特征窗口内以最靠近窗口中心像素点的走向点为起始点,根据上述方向与其他走向点直线相连,类似操作,得到特征窗口的上述走向分布直线,在所有特征窗口内分别统计各个方向上的走向分布直线出现的次数,选取出现次数大于的走向分布直线代表公共特征,其中/>表示特征窗口的数量。
随后,在初始分布程度校正步骤S6中,根据提取出的公共特征,对每个像素点的初始分布程度进行校正,得到每个像素点的最终分布程度。步骤S6具体包括:根据获取的特征窗口的公共特征来反馈调节其他非特征窗口的初始分布程度,调节过程为:将该公共特征对应的走向分布直线遮盖在其他窗口中,在计算初始分布程度时,去除被遮盖的方向角度后得到的分布程度即为最终的分布程度。
至此,将窗口在各个方向上的分布获取特征窗口,根据特征窗口的公共性特征对每个像素点的初始分布特征进行校正,得到最终的分布程度。
在接下来的自适应引导滤波步骤S7中,根据获取的每个像素点的最终的分布程度进行自适应引导滤波获取基础层以及细节层图像。
具体而言,根据上述步骤得到的每个像素点的最终的分布程度,通过该像素点控制引导滤波中的正则化项系数,其中引导滤波中的正则化项系数是控制引导滤波的平滑程度,其中正则化系数越大,平滑程度越强,则对应的根据像素点的最终分布程度越大,正则化系数越大,则对应的调整后的正则化系数,其中/>表示像素点的最终分布程度,/>表示设置的正则化系数超参数值,本实施例设置为5。
对采集的图像进行上述引导滤波计算,处理的结果即为基础层图像,将采集的图像减去基础层图像即为对应的细节层图像。
在增强重构步骤S8中,对细节层图像进行增强处理,并与基础层图像进行重构获取得到增强后的图像。
本实施例采用的增强方法为线性变化,其中设置的线性参数为,其中线性变化方程为/>,/>表示变化后的灰度值,/>表示原始灰度值。对处理后的细节层图像与基础层图像进行重构,重构后的图像即为增强后的图像。
最后,在边缘检测步骤S9中,对增强后的图像,通过边缘检测得到图像中的开关裂纹。具体地,可以对增强后的图像进行Canny边缘检测,得到多个连通域结果的区域即为配电物联低压智能开关的裂纹处。
这里描述的示例性方法可以至少部分地是机器或计算机实现的,包括硬件、软件或者硬件、软件相结合的实现方式。一些示例可以包括用指令编码的计算机可读介质或机器可读介质,所述指令可操作以配置电子装置执行如以上示例中所述的方法。这种方法的实现可以包括软件代码,诸如微代码、汇编语言代码、更高级的语言代码等。各种程序或程序模块可以使用各种软件编程技术来创建。例如,可以使用Java、Python、C、C++、汇编语言或任何已知的编程语言来设计程序段或程序模块。软件代码可以形成计算机程序产品或计算机程序模块的一部分。
尽管在此描述了说明性实施例,但是范围包括具有基于本公开的等效要素、修改、省略、组合(例如,跨各种实施例的方案的组合)、调整或变更的任何和所有实施例。权利要求中的要素将基于权利要求中使用的语言进行宽泛地解释,而不限于本说明书中或在本申请的存续期间描述的示例,这些示例将被解释为非排他性的。此外,所公开的方法的步骤可以以任何方式进行修改,包括通过重新排序步骤或插入或删除步骤。因此,本说明书仅提供示例性的说明,真正的范围由权利要求及其全部等同范围表示。
Claims (10)
1.一种配电物联低压智能开关检测方法,用于对开关表面进行裂纹检测,其特征在于,包括:
预处理步骤:对采集到的开关图像进行语义分割处理,得到开关处图像区域标注为1的预处理图像;
初始分布程度计算步骤:将预处理图像分成多个图像块,针对每个图像块,根据各像素点所在局部范围窗口的像素点的灰度分布特征,计算各像素点的初始分布程度,所述初始分布程度表征平滑程度;
权重计算步骤:在每个图像块中,根据各像素点的初始分布程度,获取多个方向下的所述初始分布程度的分布序列,计算每个方向的权重,权重表示以每个方向作为后续确定的特征窗口中有代表性的方向的程度;
特征窗口判断步骤:根据各像素点所在局部范围窗口内不同方向上的相似初始分布程度的像素点之间的平均距离以及计算出的每个方向的权重,计算所述局部范围窗口的特征程度,并根据特征程度,判断所述局部范围窗口是否为特征窗口;
公共特征提取步骤:对所有图像块的特征窗口提取公共特征,公共特征表示所有特征窗口中相似的走向分布;
初始分布程度校正步骤:根据提取出的公共特征,对每个像素点的初始分布程度进行校正,得到每个像素点的最终分布程度;
自适应引导滤波步骤:根据每个像素点的最终分布程度,基于自适应引导滤波处理得到图像的基础层,并根据图像的基础层计算得到图像的细节层;
增强重构步骤:对细节层进行增强处理,并与基础层进行重构,得到增强后的图像;
边缘检测步骤:对增强后的图像,通过边缘检测得到图像中的开关裂纹。
2.根据权利要求1所述的方法,其中,所述初始分布程度计算步骤,包括:
根据图像块中的灰度分布特征,利用公式,计算每个像素点的代表程度/>,式中/>表示图像块中的第/>个像素点的灰度值,/>表示图像块中的像素点灰度值均值,/>表示图像块中像素点灰度值的最大值,/>表示第/>个像素点的8邻域内像素点与第/>个像素点的灰度差小于10的像素点个数;/>表示以自然常数为底数的指数函数;
如果像素点的代表程度大于第一阈值,判定所述像素点为代表点;
找出代表点所在局部范围窗口内与代表点的灰度差小于第二阈值的像素点作为第一走向点;
找出第一走向点所在局部范围窗口与第一走向点的灰度差小于第二阈值的像素点作为第二走向点;
依次找出与所述代表点有关的所有走向点;
计算图像块中各代表点、走向点以及非走向点的初始分布程度;
将图像块中各代表点、走向点以及非走向点之外的像素点的初始分布程度设定为各代表点、走向点以及非走向点中初始分布程度的最小值。
3.根据权利要求2所述的方法,其中,所述初始分布程度计算步骤,还包括:
利用公式,计算第/>个代表点的初始分布程度/>,其中/>表示第/>个代表点所在局部范围窗口内走向点的数量,/>表示第/>个走向点与第/>个代表点直线相连的角度方向, />表示所有走向点与第/>个代表点各自的直线相连的角度方向均值;/>表示以自然常数为底数的指数函数;
以与计算代表点的初始分布程度同样的方式,计算各走向点的初始分布程度;
利用公式,计算第/>个代表点所在局部范围窗口内第/>个非走向点的初始分布程度/>,其中/>表示所述局部范围窗口内第/>个非走向点距离代表点的欧式距离,/>表示窗口内非走向点距离代表点的最大欧式距离。
4.根据权利要求1所述的方法,其中,所述权重计算步骤,包括:
在单个图像块中,根据各像素点的初始分布程度,获取多个方向下的初始分布程度的分布序列,所述多个方向在0°到180°之间按预定间隔选取;
按照以下公式,计算每个方向的权重:
式中,表示第/>个方向的权重,/>表示第/>个方向的初始分布特征值的分布序列的数量,/>表示第/>个方向的第/>个初始分布特征值的分布序列的数值方差,/>表示第/>个方向的第/>个初始分布特征值的分布序列的数值个数,/>表示第/>个方向的所有初始分布特征值的分布序列中最大数值个数;/>表示以自然常数为底数的指数函数。
5.根据权利要求4所述的方法,其中,所述特征窗口判断步骤,包括:
利用以下公式计算所述局部范围窗口的特征程度;
式中表示第/>个像素点所在局部范围窗口的特征程度,/>表示方向的个数,/>表示第/>个方向的权重,/>的获取方式为:对各像素点所在局部范围窗口内每个方向上的初始分布特征值对应的像素点进行K-Means聚类,/>表示每一类别的像素点之间的平均距离;/>表示多个类别中像素点平均距离的方差值;/>表示以自然常数为底数的指数函数;
当特征程度大于第三阈值时,判断所述局部范围窗口为特征窗口,否则,判断其为非特征窗口。
6.根据权利要求5所述的方法,其中,所述公共特征提取步骤,包括:
以特征窗口内以最靠近窗口中心像素点的走向点为起始点,在所述多个方向内与其他走向点直线相连,得到特征窗口的走向分布直线;
在所有特征窗口内分别统计各个方向上的走向分布直线出现的次数,选取出现次数大于的走向分布直线代表公共特征,其中/>表示特征窗口的数量。
7.根据权利要求6所述的方法,其中,所述初始分布程度校正步骤,包括:
根据获取的特征窗口的公共特征来反馈调节非特征窗口的初始分布程度,具体包括:
将该公共特征对应的走向分布直线遮盖在非特征窗口中,在计算初始分布程度时,去除被遮盖的方向角度后计算得到的分布程度作为最终分布程度。
8.根据权利要求7所述的方法,其中,所述自适应引导滤波步骤,包括:
利用公式,计算调整后的正则化系数/>,其中/>表示像素点的最终分布程度,/>表示设置的正则化系数超参数值;
利用调整后的正则化系数对采集的图像进行引导滤波计算,得到图像的基础层,将采集的图像减去图像的基础层得到图像的细节层。
9.根据权利要求1所述的方法,其中,所述增强重构步骤,包括:
利用线性变化方程,对细节层进行增强处理,/>表示变化后的灰度值,/>表示原始灰度值,/>为预先设置的线性参数。
10.根据权利要求1所述的方法,其中,所述边缘检测步骤,包括:利用Canny边缘检测算法对增强后的图像进行检测,将得到多个连通域结果的区域作为配电物联低压智能开关的裂纹处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699626.5A CN116433667B (zh) | 2023-06-14 | 2023-06-14 | 一种配电物联低压智能开关检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699626.5A CN116433667B (zh) | 2023-06-14 | 2023-06-14 | 一种配电物联低压智能开关检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116433667A CN116433667A (zh) | 2023-07-14 |
CN116433667B true CN116433667B (zh) | 2023-08-11 |
Family
ID=87080121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310699626.5A Active CN116433667B (zh) | 2023-06-14 | 2023-06-14 | 一种配电物联低压智能开关检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433667B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767439A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 |
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
CN114092353A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种基于加权引导滤波的红外图像增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950508B (zh) * | 2021-03-12 | 2022-02-11 | 中国矿业大学(北京) | 一种基于计算机视觉的排水管道视频数据修复方法 |
-
2023
- 2023-06-14 CN CN202310699626.5A patent/CN116433667B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
CN109767439A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 |
CN114092353A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种基于加权引导滤波的红外图像增强方法 |
Non-Patent Citations (1)
Title |
---|
付青青 ; 景春雷 ; 裴彦良 ; 阚光明 ; 张正炳 ; 吴爱平 ; .基于非锐化掩模引导滤波的水下图像细节增强算法研究.海洋学报.2020,(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116433667A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN112818827B (zh) | 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法 | |
CN110084149B (zh) | 一种基于难样本四元组动态边界损失函数的人脸验证方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN115601368B (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN114529538A (zh) | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN116433667B (zh) | 一种配电物联低压智能开关检测方法 | |
CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及系统 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN113034403B (zh) | 医学影像数据通过高斯滤波进行降噪的工作方法 | |
CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
CN116958136B (zh) | 基于图像处理的丝杆螺纹生产缺陷检测方法 | |
CN111931757A (zh) | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 | |
CN110728665A (zh) | 基于并行概率神经网络的sar图像变化检测方法 | |
CN113160167B (zh) | 通过深度学习网络模型进行医学影像数据提取工作方法 | |
CN116824586B (zh) | 图像处理方法及应用该方法的黑蒜生产质量在线检测系统 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN112651993B (zh) | 多路4k准实时拼接视频的运动目标分析识别算法 | |
CN113487519B (zh) | 一种基于人工智能的图像去雨方法 | |
CN117237771A (zh) | 一种多分割融合的图像特征提取方法及系统 |
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 | ||
GR01 | Patent grant |