基于深度信念网络的高压线绝缘子缺陷检测方法及系统的制作方法
【专利摘要】本发明提供一种基于深度信念网络的高压线绝缘子缺陷检测方法及系统，方法包括：获取包含被检测高压线绝缘子的原始图像；对原始图像进行预处理，利用模糊C-均值聚类方法对处理后的图像进行图像分割，得到高压线绝缘子区域；采用连通区域标识方法对高压线绝缘子区域进行边界跟踪，得到高压线绝缘子的轮廓，进而得到高压线绝缘子图像；提取高压线绝缘子图像的图像特征向量；以图像特征向量作为深度信念网络的输入，进而通过所述深度信念网络检测高压线绝缘子的缺陷情况。能从复杂的航拍图像中完整地提取绝缘子图像，有效检测出高压线上有缺陷的高压线绝缘子，且具有检测成本低、检测精度高的优点，因此，具有很好的应用前景。
【专利说明】基于深度信念网络的高压线绝缘子缺陷检测方法及系统
【技术领域】
[0001] 本发明属于高压线绝缘子缺陷检测【技术领域】，具体涉及一种基于深度信念网络的 高压线绝缘子缺陷检测方法及系统。
【背景技术】
[0002] 对于架空高压线路（包括高压线绝缘子、导线等），由于长期暴露在外部自然环 境中，既存在人为破坏因素，也存在自然破坏或线路老化因素，例如，需要经受污秽、雷击、 风雪、洪水和鸟害等外界因素的侵害，因此，会出现高压线绝缘子或导线的损坏。对于高压 线绝缘子，是架空高压线的重要部件之一，作用为防止高压线的带电部件形成接地通道，因 此，需要及时检测到出现缺陷的高压线绝缘子，并进行及时修改，否则，会引发各种故障甚 至出现事故，直接影响到电网的安全运行和电力系统的稳定。
[0003] 随着机器视觉和图像处理技术的快速发展以及数码相机质量的提高，利用直升机 进行高压线巡检和维护，将数码相机采集的原始图像利用数字图像处理技术处理，从而检 测高压线绝缘子的各种缺陷，是航拍输电线路巡检技术发展的必然趋势。
[0004] 申请号为"201110303911. 8"、发明名称为"基于纹理的绝缘子缺陷诊断方法"的专 利公开一种融合了纹理诊断中灰度共生矩阵（GLCM)纹理诊断方法以及Gabor滤波纹理诊 断的思想，通过调整GLCM和Gabor滤波器的参数设置，检测到掉串绝缘子。该方法在输入 图像分辨率很高的情况下效果理想，但在输入图像分辨率较低的情况下效果不佳。
[0005] 申请号为"201210328844.X"、发明名称为"一种可视化输电线路巡检系统"的专利 公开了一个输电线路巡检系统，该系统由终端设备和监控中心组成，通过监控中心音视频、 电子地图和GPS定位数据完成地图地位，也可通过后台实现进行录像、对录像查询和点播， 通过后台与设备进行语音通话，进行指挥，该系统需要专门人员进行监控，增加了监控人员 的负担。
[0006] 申请号为"201310061850. 8"、发明名称为"一种钢化玻璃绝缘子缺陷检测方法与 装置"专利公开了一种采用同心圆扫描的方法，抑制了大量无关背景，只留下缺陷部分的图 像，利于支持向量机进行缺陷检测，该方法在图像分割时采用自适应阈值法进行图像分割， 具有图像分割效果有限，最终导致高压线绝缘子缺陷检测有限。
[0007] 由此可见，现有技术所公开的各类高压线绝缘子缺陷检测方法，或具有检测成本 高的问题，或具有检测精度有限的问题。
【发明内容】
[0008] 针对现有技术存在的缺陷，本发明提供一种基于深度信念网络的高压线绝缘子缺 陷检测方法及系统，可有效解决上述问题。
[0009] 本发明采用的技术方案如下：
[0010] 本发明提供一种基于深度信念网络的高压线绝缘子缺陷检测方法，包括以下步 骤：
[0011] S1，获取包含被检测高压线绝缘子的原始图像；
[0012] S2,对所述原始图像进行预处理，得到处理后的图像；
[0013] S3,利用模糊C-均值聚类方法对所述处理后的图像进行图像分割，得到高压线绝 缘子区域；
[0014] S4,采用连通区域标识方法对所述高压线绝缘子区域进行边界跟踪，得到所述高 压线绝缘子的轮廓，进而得到高压线绝缘子图像；
[0015] S5,提取所述高压线绝缘子图像的图像特征向量；其中，所述图像特征向量为三维 特征向量，包括灰度特征向量、亮度特征向量和纹理特征向量；
[0016] S6,以所述图像特征向量作为深度信念网络的输入，进而通过所述深度信念网络 检测高压线绝缘子的缺陷情况。
[0017] 优选的，Sl中，所述原始图像为基于RGB颜色空间的原始图像；
[0018] S2具体为：
[0019] 将所述原始图像从RGB颜色空间转换到HSI颜色空间；
[0020] 从转换到HSI颜色空间的所述原始图像中提取S饱和度分量，得到S分量子图像；
[0021] 将所述S分量子图像的每个像素点转换到[0, 255]像素空间，得到灰度图像；
[0022] 对所述灰度图像进行图像平滑和噪声过滤处理，即得到所述处理后的图像。
[0023] 优选的，采用中值滤波的方法进行所述图像平滑的图像处理步骤。
[0024] 优选的，S3具体为：
[0025] S3. 1，采用边缘检测方法对所述处理后的图像进行边缘检测，得到所述处理后的 图像的所有可能的边缘；
[0026] S3. 2,将所述所有可能的边缘记为边缘区域，将位于所述所有可能的边缘的内部 区域记为非边缘区域；
[0027] S3. 3,设Etl为非边缘区域中所有像素点的集合，E1S边缘区域中所有像素点的集 合；
[0028] 利用区域生长算法，首先将非边缘区域划分为互不相交的块，然后，根据物理就近 原则，将边缘区域中各像素点逐个划分到相邻的块中，形成互不相交的、连续的子类，完成 一次图像的初步分割；
[0029] 假设共有η个样本数据，表示为士，其中，j= 1、2…η;
[0030] Vi代表每个聚类的中心，其中，i= 1、2…c;c为预定的聚类数据；
[0031] Uu表示第j个样本数据对于第i类聚类中心的隶属度；
[0032] 则：通过所述初步分割，设共得到c个互不相交的子类'其中，ie{1、2…c}; 中的上标〇代表第一次初步分割得到的结果；
[0033] 则当Xj位于第i类时，C=1;否则，《Γ=〇;在进行迭代时，调用下述隶属度公 式Uu和类中心公式V1进行迭代，完成图像的最终分割：
[0034] 隶属度公式Uij为：
[0035]
【权利要求】
1. 一种基于深度信念网络的高压线绝缘子缺陷检测方法，其特征在于，包括以下步 骤： S1，获取包含被检测高压线绝缘子的原始图像； 52, 对所述原始图像进行预处理，得到处理后的图像； 53, 利用模糊C-均值聚类方法对所述处理后的图像进行图像分割，得到高压线绝缘子 区域； 54, 采用连通区域标识方法对所述高压线绝缘子区域进行边界跟踪，得到所述高压线 绝缘子的轮廓，进而得到高压线绝缘子图像； 55, 提取所述高压线绝缘子图像的图像特征向量；其中，所述图像特征向量为三维特征 向量，包括灰度特征向量、亮度特征向量和纹理特征向量； 56, 以所述图像特征向量作为深度信念网络的输入，进而通过所述深度信念网络检测 高压线绝缘子的缺陷情况。
2. 根据权利要求1所述的基于深度信念网络的高压线绝缘子缺陷检测方法，其特征在 于，S1中，所述原始图像为基于RGB颜色空间的原始图像； S2具体为： 将所述原始图像从RGB颜色空间转换到HSI颜色空间； 从转换到HSI颜色空间的所述原始图像中提取S饱和度分量，得到S分量子图像； 将所述S分量子图像的每个像素点转换到[0, 255]像素空间，得到灰度图像； 对所述灰度图像进行图像平滑和噪声过滤处理，即得到所述处理后的图像。
3. 根据权利要求2所述的基于深度信念网络的高压线绝缘子缺陷检测方法，其特征在 于，采用中值滤波的方法进行所述图像平滑的图像处理步骤。
4. 根据权利要求2所述的基于深度信念网络的高压线绝缘子缺陷检测方法，其特征在 于，S3具体为： S3. 1，采用边缘检测方法对所述处理后的图像进行边缘检测，得到所述处理后的图像 的所有可能的边缘； S3. 2,将所述所有可能的边缘记为边缘区域，将位于所述所有可能的边缘的内部区域 记为非边缘区域； S3. 3,设^为非边缘区域中所有像素点的集合，Ei为边缘区域中所有像素点的集合； 利用区域生长算法，首先将非边缘区域划分为互不相交的块，然后，根据物理就近原 贝1J，将边缘区域中各像素点逐个划分到相邻的块中，形成互不相交的、连续的子类，完成一 次图像的初步分割； 假设共有n个样本数据，表示为4，其中，j= 1、2…n; \代表每个聚类的中心，其中，i= 1、2…c;c为预定的聚类数据； 仏」表示第j个样本数据对于第i类聚类中心的隶属度； 贝1J:通过所述初步分割，设共得到c个互不相交的子类其中，ie{1、2…c} ;n中 的上标〇代表第一次初步分割得到的结果； 则当X/立于第i类.r时，否则，在进行迭代时，调用下述隶属度公式Uu和 类中心公式\进行迭代，完成图像的最终分割： 隶属度公式为：
其中，me{1，+ <-}，是加权指数，n为图像中的像素数或模数，c为预先设置的类别数l〈c彡n 为样本L与第i类的聚类中心Vi间的欧式距离，dw为样本h与第k类的聚 类中心vk间的欧式距离；Uu表示样本X」是否在第i类的聚类中，即样本X」对于Vi的隶属 度； 当点Ei，即为边缘点时，其计算公式与隶属度公式相同，采用的是模糊化隶属 关系的方法；当点E。，即为非边缘点时，隶属度均不发生变化，不再重新计算；重新计算 和确定归属的只是边缘点。
5. 根据权利要求1所述的基于深度信念网络的高压线绝缘子缺陷检测方法，其特征在 于，S4中，所述连通区域标识方法为8-邻域判别算法。
6. 根据权利要求1所述的基于深度信念网络的高压线绝缘子缺陷检测方法，其特征在 于，S5中，利用视觉显著性理论提取所述高压线绝缘子图像的图像特征向量。
7. 根据权利要求6所述的基于深度信念网络的高压线绝缘子缺陷检测方法，其特征在 于，S5具体为： 所述灰度特征向量和所述亮度特征向量采用中央-外围算子过滤再进行差分的方式 获得， 所述纹理特征向量的提取方式为：通过小波变换的多分辨率分析算法，对所述高压 线绝缘子图像进行9个尺度的小波分解，将小波分解中的三个高频分量组成纹理金字塔 F(x，y)，则方向特征T(c，s，0)在0G{〇°，45°，90°，135° }四个方向上进行尺度差 分得到； 其中，= ^代表图像中央的某一尺度，cG{2,3,4}即9层中的第 2, 3, 4层；其中s代表图像外围的某一尺度，se{3, 4}即9层中的第3, 4层，〇代表特征图 T(c，0)和特征图T(s，0)中的每个像素做差分。
8. 根据权利要求6所述的基于深度信念网络的高压线绝缘子缺陷检测方法，其特征在 于，S6具体为： S6. 1，获取多张已标定的图像特征向量作为训练样本；其中，所述已标定的图像特征向 量指：该图像特征向量所对应的高压线绝缘子图像的缺陷情况已知； S6. 2,使用所述训练样本对DBN进行训练； S6. 3,对训练后的所述DBN实施修正训练，进行参数调整，得到分类器； S6. 4,使用所述分类器对S5得到的待测试的所述图像特征向量进行测试，输出待测试 的所述高压线绝缘子图像的缺陷检测结果。
9. 一种基于深度信念网络的高压线绝缘子缺陷检测系统，其特征在于，包括： 图像获取模块，用于获取包含被检测高压线绝缘子的原始图像； 图像预处理模块，用于对所述图像获取模块获取到的原始图像进行预处理，得到处理 后的图像； 图像分割模块，用于利用模糊C-均值聚类方法对对经所述图像预处理模块处理后的 图像进行图像分割，得到高压线绝缘子区域； 绝缘子轮廓标识模块，用于采用连通区域标识方法对经所述图像分割模块分割后得到 的高压线绝缘子区域进行边界跟踪，得到所述高压线绝缘子的轮廓，进而得到高压线绝缘 子图像； 绝缘子特征提取模块，用于提取经所述绝缘子轮廓标识模块处理后得到的高压线绝缘 子图像的图像特征向量；其中，所述图像特征向量为三维特征向量，包括灰度特征向量、亮 度特征向量和纹理特征向量； 绝缘子缺陷检测模块，用于以所述绝缘子特征提取模块提取到的所述图像特征向量作 为深度信念网络的输入，进而通过所述深度信念网络检测高压线绝缘子的缺陷情况。
【文档编号】G01N21/88GK104483326SQ201410798653
【公开日】2015年4月1日 申请日期:2014年12月19日 优先权日:2014年12月19日
【发明者】孙宏彬 申请人:长春工程学院