CN116958036A - 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 - Google Patents
一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 Download PDFInfo
- Publication number
- CN116958036A CN116958036A CN202310314199.4A CN202310314199A CN116958036A CN 116958036 A CN116958036 A CN 116958036A CN 202310314199 A CN202310314199 A CN 202310314199A CN 116958036 A CN116958036 A CN 116958036A
- Authority
- CN
- China
- Prior art keywords
- insulator
- pollution state
- hyperspectral
- pollution
- image
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 36
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000011418 maintenance treatment Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011282 treatment Methods 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
本申请涉及一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，它包括如下步骤：使用无人机搭载高光谱相机进行巡检飞行，采集绝缘子的高光谱图像数据；对采集到的高光谱图像数据进行预处理；采用特征提取算法对完成预处理的高光谱图像进行处理，提取绝缘子污秽状态的特征；采用机器学习算法对提取到的绝缘子污秽状态的特征进行训练，建立绝缘子污秽状态分类模型；将绝缘子污秽状态的特征代入训练好的绝缘子污秽状态分类模型中，得到绝缘子的污秽度，确定绝缘子的污秽状态。本发明通过无人机巡检识别绝缘子污秽，利用高光谱数据分析系统，分析绝缘子污秽图谱，整合数据系统信息并进行合理评估，得出绝缘子污秽状态，提高检测精度和检测效率。
Description
技术领域
本申请涉及绝缘子状态检测技术领域，具体涉及一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法。
背景技术
在电力系统中，绝缘子作为一种重要的电力设备，主要用于保持电力线路的绝缘性能和支撑电力导线，承受着极为重要的任务。然而，由于环境污染和长时间的暴露在恶劣环境中，绝缘子表面易受到盐灰和污秽等有害物质的侵蚀，导致其表面电阻增大、绝缘能力下降，严重时还会引发电力事故，对电力系统的安全可靠运行造成严重威胁。因此，对绝缘子的污秽状态进行及时、准确、全面的检测和评估是保障电力系统安全稳定运行的重要措施之一。
传统的绝缘子检测方法大多采用目视法和接触式检测法，目测法是通过肉眼直接观察绝缘子的外观、颜色、表面是否有明显的污染、磨损、裂纹等缺陷。接触式检测法是用手轻轻地摸索绝缘子的表面，观察是否有明显的凹凸不平、裂纹等缺陷，或者用手或敲棒轻轻敲打绝缘子，观察是否有响声，判断绝缘子的内部结构是否有损坏。这些方法存在数据缺乏、误差大、时间耗费长、人力成本高等缺陷。
目前通常采用无人机巡检的方式克服传统绝缘子检测方法存在的上述缺陷，但现有的无人机巡检方法一般采用图像识别技术来检测绝缘子的污秽状态，检测精度通常会收到图像处理和机器学习算法的限制，可能存在误判或漏判的情况。除此之外，采用图像识别技术来检测绝缘子的污秽状态对数据量的要求较高，无人机巡检方法需要大量的图像数据进行训练和测试，且数据质量对结果影响较大，具有波段覆盖范围、光谱数据波长点、采样间隔、包含数据量、分辨率等的局限。
发明内容
本发明的目的在于，提供一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，通过无人机巡检识别绝缘子污秽，利用高光谱数据分析系统，分析绝缘子污秽图谱，整合数据系统信息并进行合理评估，得出绝缘子污秽状态，提高检测精度和检测效率。
本发明采取的技术方案是：一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，包括如下步骤：
S1：使用无人机搭载高光谱相机进行巡检飞行，采集绝缘子的高光谱图像数据；
S2：对采集到的高光谱图像数据进行预处理，包括多元散射校正、大气校正、黑白校正、波段选择和小波去噪；
S3：采用特征提取算法对完成预处理的高光谱图像进行处理，提取绝缘子污秽状态的特征；所述特征提取算法包括基于统计学的特征提取算法、基于图像处理的特征提取算法、基于深度学习的特征提取算法或基于频域分析的特征提取算法；
S4：采用机器学习算法对提取到的绝缘子污秽状态的特征进行训练，建立绝缘子污秽状态分类模型；
S5：将绝缘子污秽状态的特征代入训练好的绝缘子污秽状态分类模型中，得到绝缘子的污秽度，确定绝缘子的污秽状态。
进一步地，采集绝缘子的高光谱图像数据时，高光谱相机需与绝缘子垂直。
进一步地，所述多元散射校正的计算过程为：
(1)计算平均光谱：
(2)一元线性回归：
(3)多元散射校正：
其中，n为定标样品数，为样本的平均光谱数据矩阵/>中第i个采样点第j个波段数的元素，Aij是定标光谱数据矩阵A中第i个采样点第j个波段数的元素，mi为第i个采样点的相对倾斜偏移系数，Ai是第i个采样点的原始光谱矢量，/>为样本的平均光谱数据矩阵，bi为第i个采样点的线性平移量，Ai(MSC)为第i个采样点校正后的光谱矢量；
所述大气校正的具体步骤如下：根据图像的光谱特征和大气模型，对高光谱图像进行大气校正反演，以获取地表反射率和大气参数；根据高光谱图像的波段和特征选择合适的光谱库进行匹配，设置校正参数并将校正结果输出为标准格式；
所述黑白校正的计算公式为：
其中，B是校正后的图像反射率，B0为原始高光谱图像反射率，Bb为全黑定标图像反射强度，Bw为反射强度；
所述波段选择处理中选择的波段为对绝缘子污秽状态影响最大的波段；
所述小波去噪的具体方法为：将高光谱图像转换到小波域中，利用小波变换的特性，对图像进行降噪处理，通过分解和重构图像信号，去除不同尺度和方向上的噪声。
进一步地，提取绝缘子污秽状态的特征时，可使用一种或多种特征提取算法对完成预处理的高光谱图像进行特征提取；
所述基于统计学的特征提取算法利用高光谱图像数据的统计特性，计算每个波段的均值和方差，或者计算不同波段之间的相关系数和协方差，作为绝缘子污秽状态的特征；
所述基于图像处理的特征提取算法利用高光谱图像数据的图像特性，提取图像的局部特征作为绝缘子污秽状态的特征；
所述基于深度学习的特征提取算法利用深度神经网络对高光谱图像数据进行训练，提取绝缘子污秽状态的特征；
所述基于频域分析的特征提取算法利用高光谱图像数据的频域特性，提取频率信息作为绝缘子污秽状态的特征。
进一步地，所述基于频域分析的特征提取算法具体步骤为：
将连续的信号进行离散化，使用等间隔采样的方式进行信号采样，采样频率为Fs，采样点数为N；
采用窗函数对采样信号进行加窗处理，消除由于截断信号产生的频谱泄漏和旁瓣问题；
将加窗后的信号的N个采样点值进行快速傅里叶变换，得到频域信号；并对快速傅里叶变换结果进行取模处理，得到幅值谱；
对幅值谱进行谱线平滑处理，减少噪声的影响；谱线平滑处理方法包括中值滤波、高斯滤波和移动平均；
在平滑后的幅值谱中检测峰值，提取出频率特征；峰值检测方法包括阈值法和最大值法；
对检测到的峰值进行特征提取，提取频率或幅度特征，作为绝缘子污秽状态的特征。
进一步地，所述快速傅里叶变换的表达式为：
将所有得到的X[k]组合起来，即可得到原信号的傅里叶变换结果；X[k]为除X[0]外第k个点的频率分量，k为频域中的频率序号，X[n]为长度为N的离散信号，n表示序列中的样本点序号，其中n＝0,1,…,N-1。
进一步地，所述绝缘子污秽状态分类模型为SVM分类模型，将提取出的绝缘子污秽状态的特征进行归一化处理，减小数据差距，并将归一化后的绝缘子污秽状态的特征随机划分为训练集和测试集，将训练集输入绝缘子污秽状态分类进行训练，并使用测试集对训练后的绝缘子污秽状态分类模型进行效果评估，完成绝缘子污秽状态分类模型的建立；
所述归一化处理的计算公式为：
其中，Xi表示原始图像像素点值，min(x)表示图像像素的最小值，max(x)表示图像像素的最大值，norm为归一化处理后图像像素点值；
所述SVM分类模型采用径向基核函数RBF，径向基核函数RBF的表达式为：
其中，x为绝缘子污秽状态的特征，x'为核函数中心，σ为带宽。
本发明的有益效果在于：采用高光谱技术进行绝缘子巡检，采集清晰准确的图像数据进行数据处理，能够实现对绝缘子进行快速、准确、全面的巡检，提高巡检效率和精度，降低安全事故的风险；根据实际需求，利用一种或多种特征提取方法提取高光谱图像数据的有效特征，进一步提高了检测的准确性，如采用基于频域分析的特征提取算法进行特征提取，则采用快速傅里叶变换来提取频域特征，大大提高计算速度；本发明还采用SVM分类模型和径向基核函数RBF进行分类，径向基核函数RBF能将样本映射到无穷维空间，相较于其他核函数能更有效地处理非线性分类问题，从而准确检测绝缘子的污秽状态，从而实现高精度、快速、非接触式的绝缘子污秽状态检测和评估。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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申请的一些实施例，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它的附图。
图1为本发明实施例的方法流程图；
图2为本发明实施例中绝缘子污秽状态分类模型的训练方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例的限制。
如图1～图2所示，一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，包括如下步骤：
S1：使用无人机搭载高光谱相机进行巡检飞行，采集绝缘子的高光谱图像数据。采集绝缘子的高光谱图像数据时，高光谱相机需与绝缘子垂直，并调整好焦距和曝光参数，以获取清晰、准确的图像数据。在采集过程中，需要保证光照充足，以确保获取图像的质量。
S2：对采集到的高光谱图像数据进行预处理，以保证数据的准确性和可靠性。在本发明实施例中，预处理步骤包括多元散射校正、大气校正、黑白校正、波段选择和小波去噪。
所述多元散射校正的计算过程为：
(1)计算平均光谱：
(2)一元线性回归：
(3)多元散射校正：
其中，n为定标样品数，为样本的平均光谱数据矩阵/>中第i个采样点第j个波段数的元素，Aij是定标光谱数据矩阵A中第i个采样点第j个波段数的元素，mi为第i个采样点的相对倾斜偏移系数，Ai是第i个采样点的原始光谱矢量，/>为样本的平均光谱数据矩阵，bi为第i个采样点的线性平移量，Ai(MSC)为第i个采样点校正后的光谱矢量。
所述大气校正的具体步骤如下：根据图像的光谱特征和大气模型，对高光谱图像进行大气校正反演，以获取地表反射率和大气参数；根据高光谱图像的波段和特征选择合适的光谱库进行匹配，设置校正参数并将校正结果输出为标准格式。本发明实施例使用FLAASH大气校正工具进行大气校正，FLAASH工具提供了多个光谱库，用户可以根据光谱图像的波段和特征选择合适的光谱库进行匹配，以提高校正效果。此外，FLAASH工具提供了多种校正参数和方法，可根据需要进行自定义设置，以提高校正精度和效果。校正结果可通过FLAASH工具输出为ENVI格式、ASCII格式等标准格式，便于进行后续的光谱图像分析和处理。
所述黑白校正的计算公式为：
其中，B是校正后的图像反射率，B0为原始高光谱图像反射率，Bb为全黑定标图像反射强度，Bw为反射强度。
所述波段选择处理中选择的波段为对绝缘子污秽状态影响最大的波段，具体方法为：通过提取光谱图像中的特征来进行波段选择，利用图像处理技术，如纹理分析、边缘检测和形态学运算等，从遥感影像中提取有用的特征，然后根据这些特征来选择有用的波段。
所述小波去噪是将高光谱图像转换到小波域中，利用小波变换的特性，对图像进行降噪处理，通过分解和重构图像信号，去除不同尺度和方向上的噪声；具体方法为：选择小波基函数、进行小波分解、确定阈值、进行小波重构。首先，选择合适的小波基函数，一般选择具有良好性质的小波基函数，如Daubechies小波、Symlet小波等。在本发明实施例中，使用的是Daubechies-8小波；然后，读取高光谱图像，并将高光谱图像转换为灰度图像，对灰度图像进行小波分解，得到不同尺度下的小波系数；随后利用统计学方法确定阈值，采用软阈值法对每个小波系数进行阈值处理，将小于阈值的小波系数设为0，去除噪声成分，保留图像细节；最后，对处理后的小波系数进行小波重构，得到去噪后的图像；对重构出的图像进行后处理，去除可能出现的伪影和残留噪声。
S3：采用特征提取算法对完成预处理的高光谱图像进行处理，提取绝缘子污秽状态的特征；所述特征提取算法包括基于统计学的特征提取算法、基于图像处理的特征提取算法、基于深度学习的特征提取算法、基于波段选择的特征提取算法或基于频域分析的特征提取算法。
在提取绝缘子污秽状态的特征时，可使用一种或多种特征提取算法对完成预处理的高光谱图像进行特征提取。
所述基于统计学的特征提取算法利用高光谱图像数据的统计特性，计算每个波段的均值和方差，或者计算不同波段之间的相关系数和协方差，作为绝缘子污秽状态的特征。
所述基于图像处理的特征提取算法利用高光谱图像数据的图像特性，提取图像的局部特征作为绝缘子污秽状态的特征。例如使用SIFT或HOG等算法提取图像的边缘、纹理等特征。
所述基于深度学习的特征提取算法利用深度神经网络对高光谱图像数据进行训练，提取绝缘子污秽状态的特征。例如使用卷积神经网络CNN对高光谱图像进行训练，提取出绝缘子污秽状态的高级特征。
例如使用信息增益或方差分析等方法，选择对绝缘子污秽状态影响最大的波段进行特征提取。
所述基于频域分析的特征提取算法利用高光谱图像数据的频域特性，提取频率信息作为绝缘子污秽状态的特征。例如使用小波变换来提取不同尺度的频率信息，或者使用傅里叶变换来提取频域特征。
在本发明实施例中，采用的是基于频域分析的特征提取算法对完成预处理的高光谱图像进行特征提取，具体步骤如下：
S301：将连续的信号进行离散化，使用等间隔采样的方式进行信号采样，采样频率为Fs，采样点数为N。
S302：采用窗函数对采样信号进行加窗处理，消除由于截断信号产生的频谱泄漏和旁瓣问题；
S303：对加窗后的信号进行在N个采样点处进行快速傅里叶变换，得到频域信号；并对快速傅里叶变换结果进行取模处理，得到幅值谱。
所述快速傅里叶变换的表达式为：
将所有得到的X[k]组合起来，即可得到原信号的傅里叶变换结果；X[k]为除X[0]外第k个点的频率分量，k为频域中的频率序号，X[n]为长度为N的离散信号，n表示序列中的样本点序号，其中n＝0,1,…,N-1；为复数，包含了幅度和相位两个部分。
S304：对幅值谱进行谱线平滑处理，减少噪声的影响；谱线平滑处理方法包括中值滤波、高斯滤波和移动平均。
S305：在平滑后的幅值谱中检测峰值，提取出频率特征；峰值检测方法包括阈值法、最大值法等；
S306：对检测到的峰值进行特征提取，提取频率或幅度特征，作为绝缘子污秽状态的特征。
S4：采用机器学习算法对提取到的绝缘子污秽状态的特征进行训练，建立绝缘子污秽状态分类模型。在本发明实施例中，所述绝缘子污秽状态分类模型为SVM分类模型，SVM分类模型适用于解决样本数量小、非线性、维度高的分类问题。将提取出的绝缘子污秽状态的特征进行归一化处理，并将归一化后的绝缘子污秽状态的特征随机划分为训练集和测试集，将训练集输入绝缘子污秽状态分类进行训练，并使用测试集对训练后的绝缘子污秽状态分类模型进行效果评估，完成绝缘子污秽状态分类模型的建立。
所述归一化处理的计算公式为：
其中，Xi表示初始图像像素点值，min(x)表示图像像素的最小值，max(x)表示图像像素的最大值，norm为归一化处理后图像像素点值。通过归一化处理使得像素值落在[0,1]区间上，减小数据差距避免分类模型输出的预测值与真实值相差较大，提高分类准确性。
所述SVM分类模型采用径向基核函数RBF，径向基核函数RBF能将样本映射到无穷维空间，相较于其他核函数能更有效地处理非线性分类问题，径向基核函数RBF的表达式为：
其中，x为原始数据，x'为核函数中心，σ为函数的宽带参数。
绝缘子污秽度的分类标准可以根据不同的应用场景和需求来确定。一般情况下，可以根据绝缘子表面的清洁程度、颜色变化等指标来进行分类。本发明实施例中将绝缘子污秽度的分类结果分为四类：清洁、轻度污秽、中度污染和重度污秽。清洁表示绝缘子表面干净无污渍，轻度污秽表示绝缘子表面有轻微的污渍，中度污秽表示绝缘子表面较多的污渍，重度污秽表示绝缘子表面有大量的污渍。对于不同污秽程度的绝缘子，需要采取不同的维护处理方式：对于轻度污秽和中度污秽的绝缘子，可以采用清洗和检查的方法来进行维护处理。对于重度污秽的绝缘子，需要进行更加严格的维护处理，例如采用局部清洗、更换绝缘子、提高清洗频率等方法来保持绝缘子表面的清洁。
S5：将绝缘子污秽状态的特征代入训练好的绝缘子污秽状态分类模型中，得到绝缘子的污秽度，确定绝缘子的污秽状态。
本发明实施例采用高光谱技术进行绝缘子巡检，采集清晰准确的图像数据进行数据处理，能够实现对绝缘子进行快速、准确、全面的巡检，提高巡检效率和精度，降低安全事故的风险；根据实际需求，利用一种或多种特征提取方法提取高光谱图像数据的有效特征，进一步提高了检测的准确性，如采用基于频域分析的特征提取算法进行特征提取，则采用快速傅里叶变换来提取频域特征，大大提高计算速度。本发明实施例还采用SVM分类模型和径向基核函数RBF进行分类，径向基核函数RBF能将样本映射到无穷维空间，相较于其他核函数能更有效地处理非线性分类问题，从而准确检测绝缘子的污秽状态，从而实现高精度、快速、非接触式的绝缘子污秽状态检测和评估。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)
1.一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，其特征在于，包括如下步骤：
S1：使用无人机搭载高光谱相机进行巡检飞行，采集绝缘子的高光谱图像数据；
S2：对采集到的高光谱图像数据进行预处理，包括多元散射校正、大气校正、黑白校正、波段选择和小波去噪；
S3：采用特征提取算法对完成预处理的高光谱图像进行处理，提取绝缘子污秽状态的特征；所述特征提取算法包括基于统计学的特征提取算法、基于图像处理的特征提取算法、基于深度学习的特征提取算法或基于频域分析的特征提取算法；
S4：采用机器学习算法对提取到的绝缘子污秽状态的特征进行训练，建立绝缘子污秽状态分类模型；
S5：将绝缘子污秽状态的特征代入训练好的绝缘子污秽状态分类模型中，得到绝缘子的污秽度，确定绝缘子的污秽状态。
2.根据权利要求1所述的一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，其特征在于，采集绝缘子的高光谱图像数据时，高光谱相机需与绝缘子垂直。
3.根据权利要求1所述的一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，其特征在于，所述多元散射校正的计算过程为：
(1)计算平均光谱：
(2)一元线性回归：
(3)多元散射校正：
其中，n为定标样品数，为样本的平均光谱数据矩阵/>中第i个采样点第j个波段数的元素，Aij是定标光谱数据矩阵A中第i个采样点第j个波段数的元素，mi为第i个采样点的相对倾斜偏移系数，Ai是第i个采样点的原始光谱矢量，/>为样本的平均光谱数据矩阵，bi为第i个采样点的线性平移量，Ai(MSC)为第i个采样点校正后的光谱矢量；
所述大气校正的具体步骤如下：根据图像的光谱特征和大气模型，对高光谱图像进行大气校正反演，以获取地表反射率和大气参数；根据高光谱图像的波段和特征选择合适的光谱库进行匹配，设置校正参数并将校正结果输出为标准格式；
所述黑白校正的计算公式为：
其中，B是校正后的图像反射率，B0为原始高光谱图像反射率，Bb为全黑定标图像反射强度，Bw为反射强度；
所述波段选择处理中选择的波段为对绝缘子污秽状态影响最大的波段；
所述小波去噪的具体方法为：将高光谱图像转换到小波域中，利用小波变换的特性，对图像进行降噪处理，通过分解和重构图像信号，去除不同尺度和方向上的噪声。
4.根据权利要求1所述的一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，其特征在于，提取绝缘子污秽状态的特征时，可使用一种或多种特征提取算法对完成预处理的高光谱图像进行特征提取；
所述基于统计学的特征提取算法利用高光谱图像数据的统计特性，计算每个波段的均值和方差，或者计算不同波段之间的相关系数和协方差，作为绝缘子污秽状态的特征；
所述基于图像处理的特征提取算法利用高光谱图像数据的图像特性，提取图像的局部特征作为绝缘子污秽状态的特征；
所述基于深度学习的特征提取算法利用深度神经网络对高光谱图像数据进行训练，提取绝缘子污秽状态的特征；
所述基于频域分析的特征提取算法利用高光谱图像数据的频域特性，提取频率信息作为绝缘子污秽状态的特征。
5.根据权利要求4所述的一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，其特征在于，所述基于频域分析的特征提取算法具体步骤为：
将连续的信号进行离散化，使用等间隔采样的方式进行信号采样，采样频率为Fs，采样点数为N；
采用窗函数对采样信号进行加窗处理，消除由于截断信号产生的频谱泄漏和旁瓣问题；
将加窗后的信号的N个采样点值进行快速傅里叶变换，得到频域信号；并对快速傅里叶变换结果进行取模处理，得到幅值谱；
对幅值谱进行谱线平滑处理，减少噪声的影响；谱线平滑处理方法包括中值滤波、高斯滤波和移动平均；
在平滑后的幅值谱中检测峰值，提取出频率特征；峰值检测方法包括阈值法和最大值法；
对检测到的峰值进行特征提取，提取频率或幅度特征，作为绝缘子污秽状态的特征。
6.根据权利要求5所述的一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，其特征在于，所述快速傅里叶变换的表达式为：
将所有得到的X[k]组合起来，即可得到原信号的傅里叶变换结果；X[k]为除X[0]外第k个点的频率分量，k为频域中的频率序号，X[n]为长度为N的离散信号，n表示序列中的样本点序号，其中n＝0,1,…,N-1。
7.根据权利要求1所述的一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，其特征在于，所述绝缘子污秽状态分类模型为SVM分类模型，将提取出的绝缘子污秽状态的特征进行归一化处理，减小数据差距，并将归一化后的绝缘子污秽状态的特征随机划分为训练集和测试集，将训练集输入绝缘子污秽状态分类进行训练，并使用测试集对训练后的绝缘子污秽状态分类模型进行效果评估，完成绝缘子污秽状态分类模型的建立；
所述归一化处理的计算公式为：
其中，Xi表示初始，min(x)表示图像像素的最小值，max(x)表示图像像素的最大值，norm为归一化处理后图像像素点值；
所述SVM分类模型采用径向基核函数RBF，径向基核函数RBF的表达式为：
其中，x为绝缘子污秽状态的特征，x'为核函数中心，σ为带宽。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314199.4A CN116958036A (zh) | 2023-03-28 | 2023-03-28 | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314199.4A CN116958036A (zh) | 2023-03-28 | 2023-03-28 | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116958036A true CN116958036A (zh) | 2023-10-27 |
Family
ID=88448086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310314199.4A Pending CN116958036A (zh) | 2023-03-28 | 2023-03-28 | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958036A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409011A (zh) * | 2023-12-15 | 2024-01-16 | 南京中鑫智电科技有限公司 | 一种基于目标识别的高压套管表面污秽监测方法及系统 |
| CN117470142A (zh) * | 2023-12-26 | 2024-01-30 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
| CN117470867A (zh) * | 2023-12-27 | 2024-01-30 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备绝缘子污秽区分方法、装置及电子设备 |
| CN117517335A (zh) * | 2023-12-27 | 2024-02-06 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备绝缘子污秽监测系统及方法 |
-
2023
- 2023-03-28 CN CN202310314199.4A patent/CN116958036A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409011A (zh) * | 2023-12-15 | 2024-01-16 | 南京中鑫智电科技有限公司 | 一种基于目标识别的高压套管表面污秽监测方法及系统 |
| CN117409011B (zh) * | 2023-12-15 | 2024-03-01 | 南京中鑫智电科技有限公司 | 一种基于目标识别的高压套管表面污秽监测方法及系统 |
| CN117470142A (zh) * | 2023-12-26 | 2024-01-30 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
| CN117470142B (zh) * | 2023-12-26 | 2024-03-15 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
| CN117470867A (zh) * | 2023-12-27 | 2024-01-30 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备绝缘子污秽区分方法、装置及电子设备 |
| CN117517335A (zh) * | 2023-12-27 | 2024-02-06 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备绝缘子污秽监测系统及方法 |
| CN117470867B (zh) * | 2023-12-27 | 2024-03-26 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备绝缘子污秽区分方法、装置及电子设备 |
| CN117517335B (zh) * | 2023-12-27 | 2024-03-29 | 国网辽宁省电力有限公司电力科学研究院 | 变电设备绝缘子污秽监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116958036A (zh) | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 | |
| Zahran et al. | Automatic weld defect identification from radiographic images | |
| CN109993155B (zh) | 针对低信噪比紫外拉曼光谱的特征峰提取方法 | |
| EP2573732B1 (en) | Reflection removal system | |
| CN110261405B (zh) | 基于显微高光谱技术的绝缘子污秽成分识别方法 | |
| CN107665348B (zh) | 一种变电站数字仪表的数字识别方法和装置 | |
| CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
| CN101727662A (zh) | Sar图像非局部均值去斑方法 | |
| CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
| CN114445386B (zh) | 一种基于人工智能的pvc管件质量检测评估方法及系统 | |
| Lingvall et al. | Automatic detecting and classifying defects during eddy current inspection of riveted lap-joints | |
| Mumtaz et al. | Computer aided visual inspection of aircraft surfaces | |
| CN110032988B (zh) | 紫外拉曼光谱系统实时降噪增强方法 | |
| AlAzawee et al. | Using morphological operations—Erosion based algorithm for edge detection | |
| CN104867139A (zh) | 一种基于辐射场的遥感图像云及阴影检测方法 | |
| Kiragu et al. | An improved enhancement of degraded binary text document images using morphological and single scale retinex operations | |
| CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
| Khoje et al. | Comparative performance evaluation of fast discrete curvelet transform and colour texture moments as texture features for fruit skin damage detection | |
| CN115753809A (zh) | 一种绝缘子污损检测方法、装置、设备及存储介质 | |
| CN115657140A (zh) | 基于结构化汉克尔全变分正则化的磁异常检测方法及系统 | |
| Wang et al. | Improved morphological band-pass filtering algorithm and its application in circle detection | |
| CN112508862B (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
| CN114648520A (zh) | 轨道缺陷的检测方法、系统、电子设备和存储介质 | |
| Liu et al. | A denoising method based on cyclegan with attention mechanisms for improving the hidden distress features of pavement | |
| Dewi et al. | Denoising cloud interference on landsat satellite image using discrete haar wavelet transformation |
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 |