基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法

绝缘子作为输电线路中最重要的基础设施之一,对其准确识别是实现输电线路运行状态的自行监测与故障诊断的重要前提。为了能够对无人机航拍巡检中的绝缘子进行准确识别,提出基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法。首先,结合红蓝色差灰度化和加权灰度化,采用改进K-means算法对灰度图像进行聚类分割;其次,通过形态学滤波弥补分割缺陷;最后,根据绝缘子目标区域的红蓝色差均值,将绝缘子的分类问题简化为一维数据分类问题,从而实现分类识别。实验结果表明,该方法对复杂背景及不同拍摄角度下的绝缘子均能快速进行准确的分类识别,总识别率可达94.4%,为无人机巡检中输电线路绝缘子的分类识别提供了新的思路。     

基于稀疏差异深度信念网络的绝缘子故障识别算法

针对深度信念网络(DBN)的识别准确率比较低的问题,引入了基于模糊隶属函数的差异理论,提出了一种基于稀疏差异的深度信念网络图像分类新方法,简称D-DBN方法,并将其应用在了绝缘子故障识别中。差异理论有扩大低灰度区域,缩小高灰度区域的优点,更符合人眼的视觉特性。首先将图像的灰度特征矩阵转换成差异表示矩阵,并对其进行均值化、归一化和稀疏化,然后利用DBN网络对得到的差异特征进行训练,学习数据更本质的特征,从而达到提高识别性能的目的。在MNIST和SVHN库上对不同样本规模和不同网络结构进行实验,识别结果证明,与传统DBN和其它改进方法相比,本文算法取得了最好的识别效果。最后,将DDBN方法应用到绝缘子故障识别中。     

基于图像处理技术的复合绝缘子表面污秽识别*

针对人工染污的悬式复合绝缘子,获取不同污秽度下的复合绝缘子表面污秽图像,提出识别表面污秽度的图像处理技术流程。首先将图像灰度化,再进行滤波处理,采用最大类间方差法(Otsu)进行分割得到伞裙间积污区域。接着提取积污区域的RGB、HSV颜色空间的36种特征量,筛选得到与绝缘子盘面污秽程度相关性较高的特征量S均值和S中值。最后利用这两种特征量作为联合判据建立复合绝缘子污秽度识别模型。对40张不同污秽度下的图像样品进行识别,结果表明所提方法的正确识别率高达97.5%,可有效识别复合绝缘子的表面污秽度。     

基于差异的图像特征描述及其在绝缘子识别中的应用

文中提出了一种新的特征描述方法用于目标识别以及实际航拍图像的绝缘子识别。定义了一种差异的计算方法,将图像的灰度值矩阵转换为差异值矩阵,将人眼对图像灰度差异敏感度的非线性关系转换为线性关系;之后针对差异值、形状、角度等特征进行区域描述以及区域之间联合特征描述。通过实验验证,提出的描述方法可以表示图像的灰度差异、形状变化等多个特征,将新的描述方法应用到实际航拍图像中,可以实现对绝缘子的识别。     

基于改进色差法的复合绝缘子图像分割技术

针对自然光照条件下复合绝缘子表面存在阴影或暗区域不能准确分割的情况,提出一种基于改进色差法的复合绝缘子图像分割方法。首先,将采集的图像中复合绝缘子所在区域划分为亮、正常、暗三个部分,分别对亮、暗区域进行光照补偿后,重新合成绝缘子图像;其次,对该合成图像进行颜色分量提取和分析,提出一种改进的色差方法获取最优色差灰度图像;最后,采用Otsu自适应阈值算法结合区域标记和几何形状分析进行分割,从而实现输电线路光照不均复合绝缘子目标的准确识别。实验结果表明:该改进方法可以比较完整且准确分割出绝缘子,为后续绝缘子特征提取、故障分析提供了有利参考;将该改进方法分别与传统阈值分割方法、2R-G-B(红色分量Red、绿色分量Green、蓝色分量Blue)色差法进行比较,三者平均分割误差分别为8.18%,36.12%、27.88%,降低了27.94%和19.70%,尤其对弱光、强光下绝缘子分割效率平均提高30%以上。     

基于彩色图像的玻璃绝缘子缺陷诊断

探讨了架空送电线路直升机巡检系统,提高玻璃绝缘子损伤诊断效率的方法。首先采用分块图像的颜色统计识别以及连通域的形状和边缘链码特性,识别出玻璃绝缘子所在区域;然后采用滑动窗口直方图统计及直方图匹配判决的方法,识别出玻璃绝缘子损伤的区域。该方法适用于野外环境中的实时检测,因此可以在一定的光线变化范围和背景复杂度内识别诊断玻璃绝缘子损伤。通过此方法可以在较低的漏检率下快速而准确地检测玻璃绝缘子损伤故障,能在机载系统中具备实时处理能力。     

基于最大熵和Hough变换的绝缘子图像提取算法

提出了一种新的绝缘子图像提取算法,可用于直升机巡线时获取的航拍图像。介绍了对绝缘子图像特征的分析,说明了绝缘子图像的提取方法。算例结果表明:该算法能够从背景复杂的航拍图像中提取出玻璃绝缘子或陶瓷绝缘子的图像。     

基于Grabcut分割和填充物面积判别的复合绝缘子断串诊断

针对传统 GrabCut 算法需要人工初始化而引起图像分割效率低的问题,结合Otsu方法,提出了一种新的Grabcut自动化算法对复合绝缘子进行分割。首先,对原始图像进行HSV空间转换和加权的灰度化处理。其次,对V通道图像和灰度化后的图像进行Otsu分割并进行或逻辑融合,以此来确定目标绝缘子区域,并结合最大连通域定位绝缘子位置坐标完成Grabcut框取初始化,实现Grabcut的自动化。最后,针对绝缘子断串判别准确率低的问题,通过对绝缘子分割图像的最小外接矩形加框、填充、去原图的方式,提出一种新的面积判别方式来诊断并定位故障位置。实验结果表明：Grabcut自动化算法可以很好地分割出目标绝缘子,分割准确率可以达到96.6%以上。所提出的面积判别方法对于具有断串故障的绝缘子检测率可以达到96.6%以上,对于无故障的误检率为6.7%以下。     

基于多特征融合的玻璃绝缘子识别及自爆缺陷的诊断

在无人机检测输电线路缺陷研究中,为提高识别绝缘子的正确率,有效降低背景纹理及光线的影响,提出了一种融合绝缘子形状、颜色与纹理进行识别绝缘子的方法。针对玻璃绝缘子的掉片缺陷,研究了一种感知绝缘子片重心间距离的缺陷检测方法。该方法对绝缘子正确识别率高于90%,误识别率低于10%。通过无人机巡检采集的大量输电线路图像,实验结果验证这种方法在各种复杂背景条件下能有效地识别出绝缘子,并能检测玻璃绝缘子的掉片缺陷。     

直升机巡检航拍图像中绝缘子图像的提取算法

提出了一种新的绝缘子图像提取算法,可用于直升机智能巡检图像中绝缘子图像的提取。该算法首先将航拍得到的高分辨率玻璃绝缘子彩色图像进行RGB到HSI彩色空间的转换;然后对HSI空间的S分量,采用基于遗传算法的最大熵阈值的方法进行图像分割;接着对分割后的图像用双结构级联滤波器滤除噪声;最后用连通区域方法将分割出的绝缘子串轮廓标识出来。算例结果表明:该算法能够从背景复杂的航拍图像中完整地提取绝缘子图像,有较高的工程应用价值。     

YOLOv4 与 ORB 深度融合的绝缘子识别定位研究

为了解决复杂背景下铁路接触网绝缘子的快速准确识别及定位问题,提出了一种YOLOv4目标检测算法和ORB特征匹配算法深度融合的绝缘子识别定位方法。首先利用迁移学习的策略训练YOLOv4检测网络,解决了绝缘子数据集样本较少导致过拟合的问题;然后采用高斯金字塔提取图像多尺度特征,使原始ORB算法具备尺度不变性;最后将以上两种算法融合,在双目相机获取的图像上标出绝缘子识别框,并在左右图像识别框内提取特征点进行匹配,利用视差原理还原出绝缘子相对于相机的三维坐标。实验结果表明,该方法可以有效地避免复杂背景干扰,准确地定位出绝缘子的三维坐标,4 m内最大定位误差为2.1%,检测速度为35 fps,具有较高的精确性和实时性。     

基于深度学习的红外图像中劣化绝缘子片的分割方法

红外成像作技术为绝缘子在线检测的重要手段已日趋成熟,而当前对于电气设备红外图像的分析仍依靠大多依赖人工经验,缺乏智能化。传统的红外图像中劣化绝缘子的分割方法需要复杂的图像预处理和人工提取目标特征,因而存在着泛化能力差、复杂背景下识别精度低等缺陷。基于以上问题,文中提出一种基于深度学习的红外图像中劣化绝缘子的分割方法。首先搭建实验平台,获得绝缘子串在复杂背景(有其他设备和发热源干扰)下的红外图像。为了保证红外图像的多样性,拍摄在多种污秽等级下进行,选取了多种阻值的劣化绝缘子片放置在了多种位置,并不断改变了拍摄的角度。然后构建多尺度的方法实现全卷积神经网络(FCN)的3种子模型架构：FCN-32s、FCN-16s和FCN-8s,使用随机梯度下降的训练方法对模型进行端到端的训练,最终实现了红外图像中的劣化绝缘子片的自主分割提取。通过对三种子模型训练测试对比后,得出以下结果：FCN-8s模型为劣化绝缘子片分割提取最佳模型,对于验证测试数据集像素分类准确率为89.23%。结果表明文中所描述的智能化红外劣化绝缘子片分割方法,为绝缘子和其他高压电气设备的红外在线监测诊断打下了坚实基础。     

基于图像增强的瓷质绝缘子灰密程度检测方法

由于雾天、光线较暗等恶劣现场条件下采集到的绝缘子图像清晰度与可读性较低,绝缘子目标及盘面区域色彩特征的提取较难,导致现有的可见光图像污秽检测方法不具备通用性,为此提出了一种基于图像增强的瓷质绝缘子灰密程度检测方法。先用改进的带颜色恢复的多尺度Retinex(MSRCR)算法对采集到的绝缘子图像进行增强,提高图像的清晰度和对比度;然后,采用二维最小误差法结合形态学滤波分割提取出绝缘子盘面区域,分别提取6个通道的均值、最大值、最小值等7个特征量并用Fisher准则函数筛选出分类能力较强的特征Smean,Smax,Svar作为灰密程度判别特征;最后,用思维进化算法(MEA)优化反向传播(BP)神经网络进行仿真预测。实验结果表明,概率神经网络和粒子群优化算法优化BP神经网络的判别准确率分别为88.00%和93.00%,而所提方法的准确率可达95.00%,可以准确判别恶劣条件下的绝缘子灰密程度。     

基于改进深度学习的刀闸状态识别方法研究

识别刀闸状态对于现代电力系统至关重要,传统的刀闸状态识别方法不能很好地解决多刀闸目标干扰问题。为了解决此问题,提出了一种基于改进深度学习的刀闸状态识别方法。首先采用空间加权的池化策略来改进传统的卷积神经网络(CNNs);其次利用改进CNNs在训练数据库上获得训练模型;然后通过训练模型来检测绝缘子和刀闸的潜在位置,并进一步利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置;最后利用与绝缘子的连通性和刀闸区域的长宽比来识别多种刀闸的闭合或断开状态。实验结果表明此方法能够精确地定位绝缘子和刀闸的位置,显著提高刀闸状态识别的精度。     

基于深度学习的航拍图像绝缘子缺失检测方法研究

为解决目前人工处理分析无人机巡检图像效率低、检测结果受人为因素影响较大的问题,提出了一种图像识别的绝缘子缺失识别方法。首先,对无人机拍摄的图像样本进行了处理,扩充样本集。其次,搭建了绝缘子的检测模型,完成各层网络结构的选择和设计,使用CNN算法实现对绝缘子缺失的检测。随后,构建了绝缘子检测网络,并对各层检测网络参数进行配置。选择实际拍摄的图像作为训练样本进行网络训练。检测结果证实几个指标均在0.95以上,说明算法可准确识别出绝缘子。最后,利用CNN算法对航拍绝缘子进行缺陷检测。绝缘片缺失缺陷的正确识别率为86%。算法可根据检测结果自动显示绝缘子有无缺失缺陷。     

航拍绝缘子卷积神经网络检测及自爆识别研究

无人机巡检通过搭载的高清相机和图传设备可获取大量详实的巡检影像。绝缘子是输电线路中极其重要且用量庞大的部件,在图像视频中快速准确地检测出绝缘子可为无人机贴近铁塔和输电线路进行细节巡视的测距和避障飞行提供可靠的依据;同时绝缘子为故障多发元件严重威胁电网的安全,需充分利计算机技术对其进行故障诊断。通过搭建卷积神经网络,在由5个卷积池化模块和2个全连接模块组成的经典架构的基础上,对网络进行改进,实现在复杂航拍背景中绝缘子检测。同时在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测,结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模,提出一种针对绝缘子自爆故障的识别算法,取代人工分析,降低由人为经验判断可能造成的误差。经测试,复杂航拍背景下的绝缘子检测精度达90%以上,自爆识别准确率达到85%以上,均满足工程需求,有效提升巡检的效率和智能化水平。     

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

针对无人机或机器人获取的输电线路绝缘子图像,提出了一种基于深度学习图像识别框架（YOLOv2）网络的输电线路绝缘子在线识别与缺陷诊断模型,训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别,结合边缘检测、直线检测、图像旋转和垂直投影方法,对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明,所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子,并诊断出绝缘子是否破损以及缺陷位置,有利于提升输电线路智能巡检水平。