基于圖像識別技術的輸電線路隱患及故障檢測方法
【技術領域】
[0001] 本發明屬于圖像識別技術識別領域，尤其設及輸電線路典型缺陷識別和故障檢 測。
【背景技術】
[0002] 建設輸電線路典型缺陷識別模型庫便于實現智能化線路巡視工作，通過圖像識 另IJ、圖像分析、圖像處理、智能學習等技術的應用，能夠實現線路隱患自動判斷的目的。通過 圖像識別技術在輸電線路隱患排查中的應用研究，可W提高巡視的及時性，能夠第一時間 發現線路中存在的隱患或故障;提高巡視的科學性，系統根據不同的缺陷識別模型，進行圖 片分析和識別，識別線路中存在的缺陷，快速定位準確的判斷缺陷發生的部位和類別;巡視 智能化，通過缺陷識別模型，缺陷樣本庫，智能學習機制，科學高效的進行線路巡視;提高巡 視的全面性，可W利用一切巡視手段進行線路巡視，通過智能識別自動分析線路缺陷;巡視 的規范性，制定缺陷識別模型接口標準使得系統的兼容性更佳強大，適應更多的數據源接 入系統。

【發明內容】

[0003] 本發明針對現有技術的不足，提出一種基于圖像識別技術的輸電線路隱患及故障 檢測方法，實現圖像智能化判斷，減少人工經驗判斷造成的誤差。
[0004] 該基于圖像識別技術的輸電線路隱患及故障檢測方法，包括如下步驟：
[000引S1、建立樣本特征庫，即提取無缺陷圖像的樣本特征建立樣本特征庫；
[0006 ] S2、對缺陷圖像特征進行提取，具體為：
[0007] S21、對需要對比的圖像采用高斯濾波進行預處理；
[0008] S22、對S21所述預處理后的無缺陷圖像進行增強處理需求判定，若需要進行增強 處理則轉入S22，如不需要進行增強處理則轉入S25;
[0009] S23、將S22所述需要增強處理的圖像轉到Lab空間，提取a空間圖像；
[0010] S24、對S23所述轉到a空間圖像進行直方圖均衡化處理；
[00·Μ ] S25、對圖像進行最大類間方差闊值分割，將目標與背景分割；
[0012] S26、采用形態學處理方法對S25所述分割后的圖像進行開運算，得到二值圖像；
[0013] S27、對S26所述二值圖像進行連通域過濾，保留連通域面積大于等于0.5倍闊值 卵，小于等于2倍闊值卵的連通域，其中，卵為闊值；
[0014] S3、對缺陷圖像進行識別，具體包括：
[0015] S31、進行canny邊緣檢測；
[0016] S32、對邊緣點進行擬合；
[0017] S33、計算擬合誤差F，若擬合誤差F小于0.5則判定為破損，若擬合誤差F大于等于 0.5則判定為無破損；
[001引S4、對S1所述樣本特征庫進行訓練，具體為：
[0019] S41、加入新圖像的特征向量進行分類判斷，若屬于SI所述樣本特征庫則終止訓 練，若不屬于S1所述樣本特征庫則轉到S42;
[0020] S42、判斷S41所述特征向量是否屬于支持向量，若屬于支持向量，貝陽日入S1所述樣 本特征庫，若不屬于支持向量，則不加入S1所述樣本特征庫；
[0021] S5、對S1所述樣本特征庫采用增量學習的方法提高智能程度，具體為：
[0022] S51、對新圖像對比S1所述樣本特征庫進行識別，若識別失敗，則轉入S51，若識別 成功則轉入S4;
[0023] S52、進行人工劃定區域，劃出S51所述新圖像的特征區域；
[0024] S53、對S52所述特征區域采用S25所述最大類間方差闊值法進行分割，獲取目標區 域；
[0025] S54、提取目標區域的特征向量，加入S1所述樣本特征庫。
[0026] 進一步地，S27所述連通域過濾的具體步驟如下：
[0027] 步驟A、對S26所述二值圖像的連通域面積進行統計，對每一塊連通域進行編號；
[0028] 步驟B、計算步驟A所述連通域的中屯、坐標與S26所述二值圖像的中屯、坐標的幾何 距離構成集合Q;
[0029] 步驟C、選取步驟B所述集合Q中的最小值所對應的連通域的面積作為闊值卵；
[0030] 步驟D、保留連通域面積大于等于0.5倍闊值卵，小于等于2倍闊值卵的連通域。
[0031] 進一步地，S26所述形態學處理方法包括:腐蝕算法，膨脹算法和開閉運算。
[0032] 進一步地，S32所述擬合包括:楠圓擬合和直線擬合。
[0033] 本發明的有益效果是：
[0034] 實現了圖像智能化判斷、分析機制，從完全人工判斷分析到少人判斷分析，再到全 面的計算機自動化判斷分析，運樣大大減輕了平時的工作強度和疲勞度，提升了工作的標 準化和規范化，同時減少了人工經驗判斷可能造成的偏差，逐步實現計算機自動分析判斷 隱患和故障能夠帶來大量的社會效益和經濟效益，不但能夠提升整體的工作效率還能確保 每一個細小的隱患能夠及時發現，降低隱患和故障對電力輸送線的影響。
【附圖說明】
[0035] 圖1是對缺陷圖像識別的流程圖。
[0036] 圖2是缺陷樣本特征訓練學習流程圖。
[0037] 圖3為濾波后的無缺陷圖像處理前和濾波后的無缺陷圖像直方圖均衡化處理后的 效果對比。
[0038] 圖4為對S1所述樣本特征庫進行訓練的流程圖。
[0039] 圖5為對S1所述樣本特征庫進行學習的流程圖。
【具體實施方式】
[0040] 下面結合實施例和附圖，詳細說明本發明的技術方案。
[0041] 實施例1:輸電線路現場的絕緣子
[0042] 絕緣子長期處于惡劣的自然環境中，要承受冰雪、雷擊、光照W及溫度劇烈變化的 影響。經常會出現一些故障例如絕緣子的覆冰、閃絡、雷擊、自爆等。在復雜的自然環境中， 高山、樹林、草地遍布其中，而且光照變化復雜。運使得絕緣子的圖像分割成為難題，絕緣子 的分割成敗往往決定著缺陷識別的成敗。由于拍攝角度的變化，使得絕緣子的形狀存在很 大變化，并沒有固定的形狀特征。
[0043] S1、建立樣本特征庫，即提取無缺陷圖像的樣本特征建立樣本特征庫。
[0044] S2、對缺陷圖像特征進行提取，具體為：
[004引S21、對需要對比的圖像采用高斯濾波進行預處理。圖像預處理采用高斯濾波進行 圖像的平滑度、柔和度補充，一般來說在大自然環境中拍攝的圖像有一些特殊的干擾點或 噪聲點，需要對運樣的圖片進行先期的預處理將圖片的像素值進行模擬修正后在接下來的 工序中才能更好的進行圖像的分割和分析識別。
[0046] S22、對S21所述預處理后的無缺陷圖像進行增強處理需求判定，若需要進行增強 處理則轉入S22,如不需要進行增強處理則轉入S25,因為在自然環境中影響圖像質量的因 素很多，如：雨、雪、陽光、風等因素都會對圖像的質量造成影響。當一張圖像有很大的噪聲 后會影響后面的識別分析，所W系統智能判斷圖像是否需要進一步增強處理，如果需要那 么會采用一些其他方法進行處理。
[0047] S23、將S22所述需要增強處理的圖像轉到Lab空間，提取a空間圖像。
[0048] S24、為了增加特征對比度對S23所述轉到a空間圖像進行直方圖均衡化處理，運一 操作通過拉升像素區間，可W提升圖片的對比度，彌補曝光過度或者曝光不足導致的亮度 不均勻等效果，處理效果如圖3所示。
[0049] S25、對圖像進行最大類間方差闊值分割，簡稱為0TSU分割，將目標與背景分割。
[0050] 通過上述處理，將目標與背景分割處理。但是在復雜背景中粗略分割出對后期有 用的特征進行保留，同時濾除不需要的背景。
[0051] S26、得到分割結果之后，需要濾除絕緣子鏈接之間的金具及頑固的背景雜質，采 用形態學處理方法(腐蝕算法，膨脹算法和開閉運算等)對S25所述分割后的圖像進行開運 算，得到保留了絕緣子信息的二值圖像。
[0052] S27、對S26所述二值圖像進行連通域過濾，保留連通域面積大于等于0.5倍闊值 卵，小于等于2倍闊值卵的連通域，其中，卵為闊值，具體為：
[0053] 步驟A、對S26所述二值圖像的連通域面積進行統計，對每一塊連通域進行編號；
[0054] 步驟B、計算步驟A所述連通域的中屯、坐標與S26所述二值圖像的中屯、坐標的幾何 距離構成集合Q;
[0055] 步驟C、選取步驟B所述集合Q中的最小值所對應的連通域的面積作為闊值卵；
[0056] 步驟D、保留連通域面積大于等于0.5倍闊值卵，小于等于2倍闊值卵的連通域。
[0057] 經過過濾處理之后，將目標與背景分割徹底。在復雜背景中粗略分割出對后期有 用的特征進行保留，同時濾除不需要的背景。此時，絕緣子的分割效果達到理想狀態，為下 一步判斷絕緣子自爆提供高質量的保證。背景的連通域面積比較小，可W選擇一個合適的 面積作為闊值過濾掉背景干擾。
[0058] S3、對缺陷圖像進行識別，絕緣子是一種半圓球體形狀的物體，采用形狀數的方式 來進行特征提取，具體包括：
[0059] S31、進行canny邊緣檢測，得到絕緣子的邊緣信息即邊緣點的位置數據；
[0060] S32、將邊緣點的位置數據存入數組中，結合絕緣子的形狀特征對運些邊緣點進行 楠圓擬合；
[0061] S33、計算擬合誤差F，若擬合誤差F小于0.5則判定為破損，若擬合誤差F大于等于 0.5則判定為無破損，如果絕緣子沒有破