CN117788919A - 一种输电线断股缺陷检测方法、系统及存储介质 - Google Patents
一种输电线断股缺陷检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117788919A CN117788919A CN202311821411.2A CN202311821411A CN117788919A CN 117788919 A CN117788919 A CN 117788919A CN 202311821411 A CN202311821411 A CN 202311821411A CN 117788919 A CN117788919 A CN 117788919A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- power transmission
- broken
- acquiring
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 140
- 230000007547 defect Effects 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000003709 image segmentation Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种输电线断股缺陷检测方法、系统及存储介质,该方法包括以下步骤:获取待检测的输电线图像并进行预处理;其中,所述输电线图像为具有温度特征的红外图像;将所述输电线图像进行图像分割,以得到描述输电线特征的图像集,作为第一图像集,并对图像集中的每一图像按序进行标记;依次获取图像集中的每一图像,分别输入至预训练的断股缺陷检测模型中进行识别,将识别结果形成第一判定条件;若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值;获取所述像素区域的实际温度值中的极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
Description
技术领域
本发明涉及计算机视觉、红外热成像、输电线技术领域,具体涉及一种输电线断股缺陷检测方法、系统及存储介质。
背景技术
随着发电容量和用电负荷需求的不断正常,我国电力系统的规模也在不断扩大。输电线在电力系统中扮演者重大的角色,随着输电线规模的不断扩大,输电线路出现局部故障的风险也显著提升,而我国的输电线路通常是铺设于高压架空线路中,同时由于城市的不断发展,不免会将输电线建造在一些地势复杂及人迹罕至的野外特殊环境提取,加到了对输电线路进行维护和检修的难度。然而,输电线的安全运行直系关系到电力系统的稳定,输电线路导线由金属线芯、绝缘层组成,金属线芯多为钢或铝材质,当输电线长期在户外高空中受到微风震动、线路舞动、雷击、电化学腐蚀、覆冰、脱冰跳跃、长期运行等因素影响,会导致输电线上产生巨大的交变张力和弯曲应力,从而导致输电线出现表面绝缘层受损脱落进而出现内部线芯断股缺陷故障,当输电线出现断股缺陷时,没有及时发现处理会使得输电线的机械性能损耗巨大和温升异常,异常的温升会导致输电线路的蠕变增加,从而使得输电线变形,影响输电线路的安全裕度;此外,由于断股缺陷故障时产生的过高温度也会影响其配套金具,其造成的损失是不可忽视的,极有可能发展成为输电线断线事故,严重影响输电线路的安全稳定运行,甚至造成大面积停电的事故,进而影响电力系统的安全运行。
现有的输电线断股缺陷检测方法主要是通过人工进行巡查,采用光学仪器对输电线路故障点进行标记或是通过由无人机进行图像拍摄后由人工进行肉眼识别。然而,人工巡查极易受到恶劣天气和复杂偏远环境的影响,存在精度低、效率低且人力消耗过大的问题。使用无人机结合人工进行识别,在低光照及复杂背景下,具有一定的局限性,且无论是人工巡查还是无人机拍摄图像通过肉眼进行识别,面对动态变化的输电线时,大多都只能识别出断股较为明显的断股缺陷,且都具有一定的主观性,会存在较高的误判风险、降低检测的可靠性,特别是在断股缺陷不明显的情况下难以准确检测故障。
本申请指在建立一种输电线断股缺陷检测方法、系统及存储介质,以解决上述问题。
发明内容
为了实现根据本发明的上述目的和其他优点,本发明的第一目的是提供一种输电线断股缺陷检测方法,包括如下步骤:
获取待检测的输电线图像并进行预处理;其中,所述输电线图像为具有温度特征的红外图像;
将所述输电线图像进行图像分割,以得到描述输电线特征的图像集,作为第一图像集,并对图像集中的每一图像按序进行标记;
依次获取图像集中的每一图像,分别输入至预训练的断股缺陷检测模型中进行识别,将识别结果形成第一判定条件;
若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值;其中,所述像素区域为输电线延伸方向上法向截面的若干个像素点所形成的区域;
获取所述像素区域的的实际温度值中的极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
进一步地,所述获取所述像素区域的实际温度值中的极大值Tmax对应的像素区域,包括以下步骤:
随机获取当前像素区域中任一像素点对应的实际温度值T1;
随机获取下一相邻像素区域中任一像素点对应的实际温度值T2;
判断所述温度值T1与所述温度值T2的温度差值Δt1是否小于等于温差阈值Δt2;
若所述温度差值ΔT小于等于温差阈值Δt2,则进行下一相邻两个像素区域的实际温度值比较;
若所述温度差值ΔT大于温差阈值Δt2,则获取当前像素点区域对应的平均实际温度值Tv1及下一相邻像素区域对应的平均实际温度值Tv2;
将所述平均实际温度值Tv1与所述平均实际温度值Tv2中较大的温度值进行标记,记为最大值Tmaxi,其中,i=1,2,3,……,存放至最大值集合中,进行下一相邻两个像素区域的实际温度值比较直至所有像素区域比较结束,得到最大值集合M;
遍历所述最大值集M中所有参数,得到所述最大值集合中的极大值Tmax;获取所述极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
进一步地,所述断股缺陷检测模型训练,包括以下步骤:
采集样本输电线图像进行标注并分类;其中,所述输电线图像包括正常状态下的输电线图像和存在断股缺陷的输电线图像;
将所述样本输电线图像进行图像分割,以得到描述输电线特征的图像集,作为样本图像集;
对所述样本图像集中的每一图像进行预处理,得到预处理图像集;
将所述预处理图像集中的每一图像通过垂直镜像翻转、逆时针旋转、定比例缩放等图像增强处理,形成输入图像集;
将所述输入图像集输入至深度学习网络中进行模型训练,得到断股缺陷检测模型。
进一步地,所述采集样本输电线图像进行标注并分,包括以下步骤:
使用红外热像仪采集确定输电线为正常状态的实时图像,标注为输电线正常状态图像;
使用红外热线仪采集确定输电线存在断股缺陷时的实时图像,标注为输电线断股状态图像;
根据所标注的图像状态将所述实时图像进行正常状态图像和输电线断股状态图像的分类。
进一步地,所述预处理,包括以下步骤:
获取待预处理的图像;
通过双边滤波算法对所述图像进行去噪,得到去噪图像;
通过自适应对比度增强算法对所述去噪图像进行对比度增强,突出图像中的细节和特征,得到对比度增强图像。
进一步地,所述图像分割为使用最小二乘法对所述预处理后的输电线图像进行分割,计算公式如下:
其中,B(x,y)表示背景像素区域,γ(k,p)表示目标像素区域即具有输电线特征的像素区域,i,j表示当前像素点对应的像素坐标。
进一步地,所述第一判定条件,包括:
若所输入的输电线图像识别结果为输电线断股状态图像,则第一判定条件为输电线存在断股;
若所输入的输电线图像识别结果为输电线正常状态图像,则第一判定条件为输电线不存在断股。
本发明的第二目的是提供一种输电线断股缺陷检测系统,包括以下模块:
图像获取模块,被配置成,用于获取待检测的输电线图像并进行预处理;其中,所述输电线图像为具有温度特征的红外图像;
图像分割模块,被配置成,用于将所述输电线图像进行图像分割,以得到描述输电线特征的图像集,作为第一图像集,并对图像集中的每一图像按序进行标记;
图像识别模块,被配置成,用于依次获取图像集中的每一图像,分别输入至预训练的断股缺陷检测模型中进行识别,将识别结果形成第一判定条件;
判断模块,被配置成,用于若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值;其中,所述像素区域为输电线延伸方向上法向截面的若干个像素点所形成的区域;
获取所述像素区域的的实际温度值中的极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
本发明的第三目的是提供一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行计算机程序时,实现输电线路断股缺陷检测。
本发明的第四目的是提供一种电子设备,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现输电线路断股缺陷检测方法。
与现有技术相比,本发明的有益效果是:
本发明涉及一种输电线断股缺陷检测方法、系统及存储介质。本发明将红外热成像图像处理技术和深度学习技术相结合,实现了输电线断股缺陷的准确检测,首先获取具有温度特征的输电线红外图像进行预处理,以获取去除噪声更为清晰的输电线图像。接着通过图像分割技术,以得到描述输电线特征的图像集,作为第一图像集,由此避免复杂背景对检测性能的影响,降低了对输电线断股缺陷检测的干扰,并对图像集中的每一图像按序进行标记。然后按序依次获取图像集中标记好的每一图像输入至预训练的断股缺陷检测模型中进行识别,确定是否具有断股缺陷,将识别结果形成第一判定条件,若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值通过获取所述像素区域的实际温度值中的极大值Tmax对应的像素区域,得到输电线断股缺陷区域,由此更准确地定位断股缺陷区域,完成输电线的断股缺陷检测。结合深度学习技术实现了非接触式对输电线断股缺陷的自动检测,同时降低了夜晚等光照环境不良或复杂背景环境对输电线缺陷检测的干扰,提高了检测的准确率,进而保障了电力系统运行的稳定性,减少了因断股缺陷对电力系统造成的损害,具有较高的实用价值和社会效益。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本申请的基于温度的变压器漏油点区域检测方法流程图;
图2为实施例1中所述的预处理流程图;
图3为实施例1中所述的对断股缺陷检测模型进行预训练流程图;
图4为实施例1中所述的采集样本输电线图像进行标注并分类流程图;
图5为实施例1中所述的获取所述像素区域的实际温度值中的极大值Tmax对应的像素区域流程图;
图6为实施例2中的一种输电线断股缺陷检测系统示意图;
图7为实施例3中的计算机可读存储介质示意图;
图8为实施例4中的电子设备示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例1
本发明提供一种输电线断股缺陷检测方法,如图1所示,具体包括如下步骤:
S101,获取待检测的输电线图像并进行预处理;其中,所述输电线图像为具有温度特征的红外图像;
S102,将所述输电线图像进行图像分割,以得到描述输电线特征的图像集,作为第一图像集,并对图像集中的每一图像按序进行标记;
S103,依次获取图像集中的每一图像,分别输入至预训练的断股缺陷检测模型中进行识别,将识别结果形成第一判定条件;
S104,若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值;其中,所述像素区域为输电线延伸方向上法向截面的若干个像素点所形成的区域;
S105,获取所述像素区域的实际温度值中的极大值Tmax对应的像素区域,得到输电线断股缺陷区域;
在一些实施例中,步骤S101中的输电线图像由图像采集设备采集获取,所述图像采集设备可以是摄像头、摄像机、相机、无人机巡检设备等具有拍照功能的设备拍摄获取。
在一优选的实施例中,本申请所述的输电线图像具体为通过在无人机上部署红外热成仪所采集的输电线沿线图片。
由于输电线是架设在自然环境的高空中的,当进行输电线图像获取时,所采集的输电线图片容易在无人机的飞行过程中受到光照条件、天气因素、风速、温湿度等自然环境的影响,导致所采集的图像中存在噪声,因而,在获取输电线图像后,进行预处理可有效地消除所获取的图像中的噪声,提高图片的清晰度,从而提高检测的准确率。
在一些实施例中,步骤S101中的预处理,如图2所示,具体包括以下步骤:
S121,获取待预处理的图像;
S122,通过双边滤波算法对所述图像进行去噪,得到去噪图像;
S123,通过自适应对比度增强算法对所述去噪图像进行对比度增强,突出图像中的细节和特征,得到对比度增强图像。
在一优选的实施例中,步骤S121中所述的待预处理的图像具体为待检测的输电线图像或分割后的样本图像集中的每一图像。
在一优选的实施例中,步骤S122中所述的双边滤波算法对所述图像进行去噪可有效地去除图像中的随机噪声,如温度、光照亮度、脉冲干扰所导致的高斯噪声或电磁干扰所导致的椒盐噪声,从而抑制复杂背景带来的干扰,进而提高图像质量。
在一优选的实施例中,步骤S123中可使用自适应对比度增强或使用直方图均衡化、直方图拉伸的方式进行对比度增强,扩大前景和背景的区别。
由于所获取的输电线图像中往往会出现复杂环境,如树木、草地、河流、建筑物、农田、山川等不同环境背景,容易对后续的检测造成干扰,极大地增加了后期对图像中提取输电线断股信息数据的识别难度。
因而,在一些实施例中,可使用图像分割算法将输电线图像进行分割,提取输电线的特征,以得到描述输电线特征的图像集,具体通过如下公式实现:
其中,B(x,y)表示背景像素区域,γ(k,p)表示目标像素区域即具有输电线特征的像素区域,i,j表示当前像素点对应的像素坐标。
在一优选的实施例中,本申请在实际检测时,进行图像分割后的输电线图像所得到的是描述输电线特征的图像集,作为第一图像集,并对图像集中中的每一图像按序进行标记,具体的,我国常见的输电线一般由2~5根线组成,在标记时,所分割出来的每一图像中都为含有描述输电线特征的图像,按照线序可将图像依次标记为L1,L2,L3,……,在此不做限定。
在另一优选的实施例中,本申请在断股缺陷检测模型训练中,将所采集的样本输电线图像进行图像分割后的图所得到的是描述输电线特征的图像集,作为样本图像集。
在一些实施例中,在步骤S103中对断股缺陷检测模型进行预训练,如图3所示,具体包括以下步骤:
S131,采集样本输电线图像进行标注并分类;其中,所述输电线图像包括正常状态下的输电线图像和存在断股缺陷的输电线图像;
S132,将所述样本输电线图像进行图像分割,以得到描述输电线特征的图像集,作为样本图像集;
S133,对所述样本图像集中的每一图像进行预处理,得到预处理图像集;
S134,将所述预处理图像集中的每一图像通过垂直镜像翻转、逆时针旋转、定比例缩放等图像增强处理,形成输入图像集;
S135,将所述输入图像集输入至深度学习网络中进行模型训练,得到断股缺陷检测模型。
在一些实施例中,步骤S131中采集输电线图像通过在无人机上部署红外热像仪采集输电线沿线图片,其中,所采集的样本输电线图像包括正常状态下的输电线图像及存在断股缺陷的输电线图像;在一优选的实施例中,所采集的存在断股缺陷的输电线图像应包含断裂一股、断裂两股、断裂多股的图像。
在一些实施例中,步骤S131中所述的采集样本输电线图像进行标注并分类,如图4所示,包括以下步骤:
S141,使用红外热像仪采集确定输电线为正常状态的实时图像,标注为输电线正常状态图像;
S142,使用红外热线仪采集确定输电线存在断股缺陷时的实时图像,标注为输电线断股状态图像;
S143,根据所标注的图像状态将所述实时图像进行正常状态图像和输电线断股状态图像的分类。
在一些实施例中,步骤S132中的图像分割步骤和步骤S102中的图像分割步骤一致,在此不再赘述。
在一些实施例中,步骤S133中的预处理和步骤S101中的预处理步骤一致,在此不再赘述。
在一些实施例中,步骤S103中所述第一判定条件,具体包括:
若所输入的输电线图像识别结果为输电线断股状态图像,则第一判定条件为输电线存在断股;
若所输入的输电线图像识别结果为输电线正常状态图像,则第一判定条件为输电线不存在断股。
在一些实施例中,在如步骤S103中所述的检测过程,即将图像分割后的第一图像集中的每一图像按序输入至步骤S103所述的预训练的断股缺陷检测模型中进行识别,将识别结果形成第一判定条件;若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值。
在一优选的实施例中,步骤S104中所述的像素区域为输电线延伸方向上法向截面上若干个像素点所形成的区域具体为每20个像素划分形成一个像素区域。
在一些实施例中,步骤S105中所述获取所述像素区域的实际温度值中的极大值Tmax对应的像素区域,如图5所示,包括如下步骤:
S151,随机获取当前像素区域中任一像素点对应的实际温度值T1;
S152,随机获取下一相邻像素区域中任一像素点对应的实际温度值T2;
S153,判断所述温度值T1与所述温度值T2的温度差值Δt1是否小于等于温差阈值Δt2;
S1531,若所述温度差值ΔT小于等于温差阈值Δt2,则进行下一相邻两个像素区域的实际温度值比较;
S1532,若所述温度差值ΔT大于温差阈值Δt2,则获取当前像素点区域对应的平均实际温度值Tv1及下一相邻像素区域对应的平均实际温度值Tv2;
S1533,将所述平均实际温度值Tv1与所述平均实际温度值Tv2中较大的温度值进行标记,记为最大值Tmaxi,其中,i=1,2,3,……,存放至最大值集合中,进行下一相邻两个像素区域的实际温度值比较直至所有像素区域比较结束,得到最大值集合M;
S1534,遍历所述最大值集合M中所有参数,得到所述最大值集合中的极大值Tmax;
S15535,获取所述极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
在一优选的实施例中,在步骤S151~S153中先进行随机像素点实际温度值的比较,可有效降低运算量,从而提高检测效率。
在一优选的实施例中,步骤S153中所述的温差阈值Δt2为1℃,具体的,当所述温度差值ΔT小于等于温差阈值Δt2时,则代表当前进行比较的两个像素区域的实际温度值相差不大,都属于断股缺陷区域;而当所述温度差值ΔT大于温差阈值Δt2时,则代表当前进行比较的两个像素区域的实际温度值相差过大,应进行如步骤S1533中所述的平均实际温度值比较,其中较大的温度值所对应的像素区域可能属于断股区域,应进行最大值的标记。到所有的像素区域都比较结束时,最大值集合M中所存取的参数都可能为断股缺陷区域,只需如S1534所述遍历所述最大值集合M中所有的参数,得到所述最大值集合中的极大值Tmax对应的像素区域,即为输电线断股缺陷区域。
在一些实施例中,由于所采集的输电线图像受到环境因素的影响,多数是小样本图像,为了扩充所述输电线特征的图像集的数据,提高所构建的断股缺陷检测模型的泛化能力,在模型训练的过程中避免过度拟合的情况发生,提高模型训练的鲁棒性。在一些实施例中,本申请在步骤S134中将所述图像集中的每一图像进行通过垂直镜像翻转、逆时针旋转、定比例缩放等图像增强处理,形成输入图像集。
在一些实施例中,步骤S135将步骤S134中所述的图像集输入至深度学习网络中进行模型训练,得到断股缺陷模型。在一优选的实施例中,本申请采用的深度学习网络为局部递归脉冲神经网络,有效地弥补了传统卷积神经网络模型对图像检测识别时带来的弊端,具有更高的泛化能力。在一优选的实施例中,本申请所设定的最大迭代次数为60次,当模型训练达到最大迭代次数或连续4轮准确率都不在变化时,完成对局部递归神经网络模型的训练,得到断股缺陷模型。
实施例2
本发明提供一种输电线断股缺陷检测系统,如图6所示,包括以下模块:
图像获取模块,被配置成,用于获取待检测的输电线图像并进行预处理;其中,所述输电线图像为具有温度特征的红外图像;
图像分割模块,被配置成,用于将所述输电线图像进行图像分割,以得到描述输电线特征的图像,作为第一图像集,并对图像集中的每一图像按序进行标记;
图像识别模块,被配置成,用于依次获取图像集中的每一图像,分别输入至预训练的断股缺陷检测模型中进行识别,将识别结果形成第一判定条件;
判断模块,被配置成,用于若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值;其中,所述像素区域为输电线延伸方向上法向截面的若干个像素点所形成的区域;
获取所述像素区域的的实际温度值中的极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
实施例3
本发明实施例还提供一种计算机可读存储介质,如图7所示,其上存储有程序指令,程序指令被执行时实现如上述实施例1中记载的输电线路断股缺陷检测方法。
实施例4
本发明实施例还提供一种电子设备,如图8所示,包括:存储器,其上
存储有程序代码;处理器,其与所述存储器联接,并且但所述程序代码被所述处理器执行时,实现如上述实施例1中记载的输电线路断股缺陷检测方法。
其中,程序指令存储于一个计算机可读存储介质(可以是CD-ROM、U盘、移动硬盘等)中或网络上,包括若干计算机程序指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (10)
1.一种输电线断股缺陷检测方法,其特征在于,具体包括以下步骤:
获取待检测的输电线图像并进行预处理;其中,所述输电线图像为具有温度特征的红外图像;
将所述输电线图像进行图像分割,以得到描述输电线特征的图像集,作为第一图像集,并对图像集中的每一图像按序进行标记;
依次获取图像集中的每一图像,分别输入至预训练的断股缺陷检测模型中进行识别,将识别结果形成第一判定条件;
若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值;其中,所述像素区域为输电线延伸方向上法向截面的若干个像素点所形成的区域;
获取所述像素区域的实际温度值中的极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
2.根据权利要求1所述的一种输电线断股缺陷检测方法,其特征在于,所述获取所述像素区域的实际温度值中的极大值Tmax对应的像素区域,包括如下步骤:
随机获取当前像素区域中任一像素点对应的实际温度值T1;
随机获取下一相邻像素区域中任一像素点对应的实际温度值T2;
判断所述温度值T1与所述温度值T2的温度差值Δt1是否小于等于温差阈值Δt2;
若所述温度差值ΔT小于等于温差阈值Δt2,则进行下一相邻两个像素区域的实际温度值比较;
若所述温度差值ΔT大于温差阈值Δt2,则获取当前像素点区域对应的平均实际温度值Tv1及下一相邻像素区域对应的平均实际温度值Tv2;
将所述平均实际温度值Tv1与所述平均实际温度值Tv2中较大的温度值进行标记,记为最大值Tmaxi,其中,i=1,2,3,……,存放至最大值集合中,进行下一相邻两个像素区域的实际温度值比较直至所有像素区域比较结束,得到最大值集合M;
遍历所述最大值集M中所有参数,得到所述最大值集合中的极大值Tmax;获取所述极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
3.根据权利要求1所述的一种输电线断股缺陷检测方法,其特征在于,所述断股缺陷检测模型训练,包括以下步骤:
采集样本输电线图像进行标注并分类;其中,所述输电线图像包括正常状态下的输电线图像和存在断股缺陷的输电线图像;
将所述样本输电线图像进行图像分割,以得到描述输电线特征的图像集,作为样本图像集;
对所述样本图像集中的每一图像进行预处理,得到预处理图像集;
将所述预处理图像集中的每一图像通过垂直镜像翻转、逆时针旋转、定比例缩放等图像增强处理,形成输入图像集;
将所述输入图像集输入至深度学习网络中进行模型训练,得到断股缺陷检测模型。
4.根据权利要求3所述的一种输电线断股缺陷检测方法,其特征在于,所述采集样本输电线图像进行标注并分类,包括以下步骤:
使用红外热像仪采集确定输电线为正常状态的实时图像,标注为输电线正常状态图像;
使用红外热线仪采集确定输电线存在断股缺陷时的实时图像,标注为输电线断股状态图像;
根据所标注的图像状态将所述实时图像进行正常状态图像和输电线断股状态图像的分类。
5.根据权利要求1或3所述的一种输电线断股缺陷检测方法,其特征在于,所述预处理,包括以下步骤
获取待预处理的图像;
通过双边滤波算法对所述图像进行去噪,得到去噪图像;
通过自适应对比度增强算法对所述去噪图像进行对比度增强,突出图像中的细节和特征,得到对比度增强图像。
6.根据权利要求1或3所述的一种输电线断股缺陷检测方法,其特征在于,所述图像分割为使用最小二乘法对所述预处理后的输电线图像进行分割,计算公式如下:
其中,B(x,y)表示背景像素区域,γ(k,p)表示目标像素区域即具有输电线特征的像素区域,i,j表示当前像素点对应的像素坐标。
7.根据权利要求1所述的一种输电线断股缺陷检测方法,其特征在于,所述第一判定条件,包括:
若所输入的输电线图像识别结果为输电线断股状态图像,则第一判定条件为输电线存在断股;
若所输入的输电线图像识别结果为输电线正常状态图像,则第一判定条件为输电线不存在断股。
8.一种输电线断股缺陷检测系统,其特征在于,包括以下模块
图像获取模块,被配置成,用于获取待检测的输电线图像并进行预处理;其中,所述输电线图像为具有温度特征的红外图像;
图像分割模块,被配置成,用于将所述输电线图像进行图像分割,以得到描述输电线特征的图像集,作为第一图像集,并对图像集中的每一图像按序进行标记;
图像识别模块,被配置成,用于依次获取图像集中的每一图像,分别输入至预训练的断股缺陷检测模型中进行识别,将识别结果形成第一判定条件;
判断模块,被配置成,用于若第一判定条件为输电线存在断股,则将所对应的图像作为第一图像,并根据所述第一图像获取各个像素区域的实际温度值;其中,所述像素区域为输电线延伸方向上法向截面的若干个像素点所形成的区域;
获取所述像素区域的的实际温度值中的极大值Tmax对应的像素区域,得到输电线断股缺陷区域。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行如权利要求1-7任一项所述的输电线路断股缺陷检测方法。
10.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821411.2A CN117788919A (zh) | 2023-12-27 | 2023-12-27 | 一种输电线断股缺陷检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821411.2A CN117788919A (zh) | 2023-12-27 | 2023-12-27 | 一种输电线断股缺陷检测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788919A true CN117788919A (zh) | 2024-03-29 |
Family
ID=90397878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311821411.2A Pending CN117788919A (zh) | 2023-12-27 | 2023-12-27 | 一种输电线断股缺陷检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788919A (zh) |
-
2023
- 2023-12-27 CN CN202311821411.2A patent/CN117788919A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681240A (zh) | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 | |
CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
CN109631848B (zh) | 输电线路异物入侵检测系统和检测方法 | |
CN111862013B (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN111008959A (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN111598889A (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN114494875A (zh) | 一种电网设备可视检测方法、系统、设备和介质 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 | |
CN117788919A (zh) | 一种输电线断股缺陷检测方法、系统及存储介质 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN114418968A (zh) | 一种基于深度学习的输电线路小目标缺陷检测方法 | |
CN115272852A (zh) | 一种输电线路保护区隐患识别方法、设备及介质 | |
CN113902733A (zh) | 一种基于关键点检测的间隔棒缺陷检测方法 | |
CN112419316A (zh) | 一种跨设备可见光纹理缺陷检测方法及装置 | |
CN114155186A (zh) | 基于无监督学习的缺陷检测系统及方法 | |
CN113450318A (zh) | 基于无人机自主视觉的初级配电系统瓷绝缘子检测方法 | |
CN112164025A (zh) | 螺纹连接件的缺陷检测方法及装置、电子设备和存储介质 | |
CN117690096B (zh) | 一种适应不同场景的接触网安全巡检系统 | |
CN111985497B (zh) | 架空输电线路下吊车作业识别方法及系统 | |
CN114240945B (zh) | 一种基于目标分割的桥梁钢索断裂检测方法及系统 |
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 |