一种输电线路金具锈蚀检测方法及装置与流程

本发明属于金具锈蚀检测技术领域，具体涉及一种输电线路金具锈蚀检测方法及装置。

背景技术：

电力设备长期暴露于户外环境中，受到日照、雨水、异物、外力等不确定因素影响，易产生多种设备故障，严重影响电网的可靠性。输电线路作为电力传输重要的一环，其中的大量金属器件，在雨雪天气和水系影响下极易产生锈蚀现象。金具锈蚀对电路的输电性能和安全性会产生重大影响，已成为电网运行中严重的安全隐患。随着输电线路大规模增长，传统人工巡检模式由于工作量骤增、检测精度和效率已不能适应电网发展。近年来，计算机视觉技术迅猛发展，利用无人机巡检输电线路，并对其航拍图像进行智能处理成为电网运检发展的新的突破。

作者为张洪才的硕士学位论文《直升机巡检输电线路锈蚀缺陷识别方法研究》对现有的超绿色算法进行了改进，提出了超红色算法，其灰度化的公式为：exr(i,j)＝2.0r(i,j)-g(i,j)-b(i,j)，exr(x,y)为超红色值，r(i,j)、g(i,j)、b(i,j)分别为三色分量矩阵，将超红色算法应用于输电线路锈蚀检测上来以得到输电线路的灰度图像，将灰度图像进行二值化处理，以确定输电线路的锈蚀情况。由于输电线路图像拍摄条件不同，经常出现由于光照太强导致图像过度曝光或者由于光线太弱导致图像识别不清、失常，甚至无法清晰识别目标与背景的情况，若直接采用超红色算法对输电线路图像进行灰度处理，将导致输电线路锈蚀缺陷检测不准确。

技术实现要素：

本发明提供了一种输电线路金具锈蚀检测方法及装置，用以解决现有技术中直接对输电线路图像进行灰度处理导致输电线路锈蚀缺陷检测不准确的问题。

为解决上述技术问题，本发明的技术方案和有益效果为：

本发明的一种输电线路金具锈蚀检测方法，包括如下步骤：

1)获取输电线路图像，找到目标金具位置，根据目标金具位置对输电线路图像进行裁剪处理，得到目标金具图像；2)对得到的目标金具图像进行分割处理，得到目标金具图像的前景图像和背景图像；3)对前景图像进行伽马变换，得到伽马变换后的前景图像；其中，伽马变换的γ值与背景图像的平均亮度值有关，背景图像的平均亮度值越大，γ值越大，且背景图像的平均亮度值大于设定明亮度阈值时γ值大于1，所述设定明亮度阈值大于100小于150；4)提取伽马变换后的前景图像的红色特征，并进行灰度处理，得到前景图像的灰度图像；5)根据前景图像的灰度图像，确定金具的锈蚀情况。

其有益效果：该方法线对目标金具图像进行分割处理，以得到目标金具图像的前景图像和背景图像，着重针对前景图像进行伽马变换，以对目标金具图像中的金具进行加强处理，能够调整光线过强或者光线太弱对目标金具图像中的金具产生的影响，以便于更加准确的评判金具的锈蚀程度、面积等锈蚀情况，为运维人员提供全方位的锈蚀缺陷信息，并为实现电力运维智能化提供了有效的技术手段。而且，该方法中在对前景图像进行伽马变换时，其γ值与背景图像的平均亮度值有关，而与前景图像的平均亮度值无关，将前景图像的因素排出在外，自适应根据外界光线环境的变化自动调整前景图像的明亮程度，方便后续对前景图像的灰度处理，提高输电线路锈蚀缺陷检测的准确性。

作为方法的进一步改进，为了消除输电线路中外界噪声、干扰等各种因素的影响，步骤1)中，找到目标金具位置之前，还包括对输电线路图像进行预处理的步骤；所述预处理包括以下图像处理中的至少一个：gauss滤波器去除噪声、彩色图像直方图均衡化和对数变换。

作为方法的进一步改进，为了准确得到目标金具图像，步骤1)中，找到目标金具位置的过程包括：获取包含有金具的历史输电线路图像，并对历史输电线路图像中的金具进行标注；构造神经网络，利用标注过金具的历史输电线路图像对构造的神经网络进行训练，得到目标金具检测模型；获取输电线路图像，将输电线路图像输入至金具目标检测模型中，得到目标金具位置。

作为方法的进一步改进，所述神经网络模型为深度卷积神经网络模型。

作为方法的进一步改进，为了准确得到目标金具图像的前景图像和背景图像，步骤2)中，采用交互式分割算法对得到的目标金具图像进行分割处理。

作为方法的进一步改进，步骤3)中，所述γ值为所述背景图像的平均亮度值与所述设定明亮度阈值的比值。

作为方法的进一步改进，为了准确判断金具的锈蚀程度，步骤5)中，将前景图像的灰度图像进行二值化处理，得到前景图像的灰度图像中各像素点的值，进而得到锈蚀区域面积在前景图像的灰度图像中的占比，为锈蚀率，根据锈蚀率确定金具的锈蚀情况。

作为方法的进一步改进，为了准确判断金具的锈蚀区域和不同区域的锈蚀程度，将灰度值划分为不同的等级，每个等级对应一种热力颜色；根据前景图像中各像素点的灰度值所在等级对应的颜色，绘制金具继锈蚀热力图；根据金具继锈蚀热力图确定金具的锈蚀情况。

作为方法的进一步改进，步骤4)中，采用超红色算法提取伽马变换后的前景图像的红色特征。

本发明还提供了一种输电线路金具锈蚀检测装置，该装置包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现上述方法，并达到和方法相同的效果。

附图说明

图1是本发明的方法实施例中的方法流程图；

图2是本发明的方法实施例中的gamma变换示意图；

图3-1是本发明的方法实施例中的局输电线路巡检图像；

图3-2是本发明的方法实施例中的目标金具图像；

图4-1是本发明的方法实施例中的进行图像分割后的前景图像；

图4-2是本发明的方法实施例中的进行图像分割后的背景图像；

图5是本发明的方法实施例中的前景图像进行gamma变换后的图像；

图6是本发明的方法实施例中的暗红色特征提取后的灰度图像；

图7-1是本发明的方法实施例中的锈蚀区域二值化处理后的图像；

图7-2是本发明的方法实施例中的根据不同锈蚀置信度得到的锈蚀热力图。

具体实施方式

方法实施例：

该实施例提供了一种输电线路金具锈蚀检测方法，下面结合图1，对该方法进行详细说明。

一、获取输电线路图像，如图3-1所示，对输电线路图像进行归一化均衡化预处理，以去除干扰、噪声及明亮度对图像的影响。图像预处理包括gauss滤波器去除噪声、彩色图像直方图均衡化和对数变换等图像增强算法。

二、将预处理后的输电线路图像输入至目标金具检测模型中，得到目标金具位置。在得到金具目标位置后，对输电线路图像进行裁剪，得到目标金具图像(为一个或多个小尺寸的图像)，如图3-2所示，以摒弃复杂环境的影响，减少后续处理的计算复杂度，提高后续处理的准确度。其中，目标金具检测模型构建过程如下：

1、获取大量的包含有金具的历史输电线路图像，并对历史输电线路图像中的金具进行标注，将其作为样本，可将其中80％张用于训练，20％张用于测试验证。

2、构造fasterr-cnn深度卷积神经网络，利用样本对构造的神经网络进行训练，得到目标金具检测模型。

三、采用交互式分割算法grabcut算法对目标金具图像进行分割处理，以得到目标金具图像的前景图像和背景图像，分别如图4-1和4-2所示。

四、将背景图像进行rgb模型到his模型的转换，并计算明亮i通道的所有像素点的平均值(即背景图像的平均亮度值imean)；基于背景图像的平均亮度值imean，对前景图像进行gamma变换(伽马变换)，完成图像的归一化处理，伽马变换后的前景图像如图5所示，使背景图像的平均亮度值越大，伽马变换的γ值越大，且背景图像的平均亮度值imean大于设定明亮度阈值iset时γ值大于1。iset取值可范围为：100＜iset＜150。具体的：

1、i通道的各像素点的像素值i(i.j)和背景图像的平均亮度值imean分别为：

式中，r(i,j)、g(i,j)、b(i,j)分别为前景图片三色通道的像素值，k为所有亮度不为0的像素点的个数。

2、gamma变换是对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系：

y＝x^γ

式中，γ为正常数，不同的γ值输入与输出关系曲线如图2所示：γ＞1时，较亮的区域灰度被拉伸，较暗的区域灰度被压缩的更暗，图像整体变暗；γ<1时，较亮的区域灰度被压缩，较暗的区域灰度被拉伸的较亮，图像整体变亮。

设置iset为128，若背景图像的平均亮度值大于128，利用gamma变换降低前景图像的亮度；同理，若背景图像的平均亮度值小于128，利用gamma变换提高前景图像的亮度，即：

由于前景图像的锈蚀情况未知，例如外界环境光线过亮时，如若金具不锈蚀则金具将过曝，如若金具锈蚀则金具不会反光便不会过曝，故前景图像的平均亮度值无法真实反映外界环境光线亮度，故在该步骤中，基于背景图像的平均亮度值来对前景图像进行伽马变换，而非采用图像整体的平均亮度值来对前景图像进行伽马变换，或者采用前景图像的平均亮度值来对前景图像进行伽马变换。也即，在外界环境光线过亮，造成目标金具图像的背景过曝，使得目标金具图像的背景图像的平均像素值过高，但是由于金具本身已经锈蚀掉，本身不会反光造成过曝，目标金具图像的前景图像的平均像素值相比于背景图像的平均像素值低。为了对前景图像进行针对实际光线亮度的亮度调整，该方法的上述公式中，伽马变换的γ值只与背景图像的平均像素值有关，而与前景图像的平均像素值无关，以调整前景图像，补偿实际光线对其的影响。

五、利用超红色算法进行锈蚀区域暗红色特征提取，得到前景图像的灰度图像，如图6所示。

其中，超红色算法是g.e.meyer，woebbecke等人提出来的超绿色算法的基础上做了改进。超绿色算法针对自然光线下获取的图像上背景与植物呈现明显的区别，由三基色原理可知，彩色图像的r、g、b三色中，植物的g值与背景的b值存在很大差异，由r、g、b三个子图像得到一幅有效图像，公式如下：

exr(i,j)＝2.0g(i,j)-r(i,j)-b(i,j)

式中，exr(i,j)超绿色值，r(i,j)、g(i,j)、b(i,j)分别为三色分量矩阵。

锈蚀图像在自然光下锈蚀区域与其他背景景物呈现明显的区别，通过对大量图片求取rgb彩色图像中r分量图像的锈蚀区域与非锈蚀区域的对比度，图像中锈蚀区域的r值与无关的其他景物的r值存在很大差异，则超红色算法便是对锈蚀图像提出了灰度化的以下公式：

exr(i,j)＝2.0r(i,j)-g(i,j)-b(i,j)

由于锈蚀区域表现为红色，且其灰度值与其他景物的对比度明显，应用该超红色算法能消除部分复杂背景，为下一步的处理奠定基础。

六、根据前景图像的灰度图像，确定金具的锈蚀情况。具体可采用以下两种方法来确定金具的锈蚀情况：

1、将前景图像的灰度图像进行二值化处理，如图7-1所示，得到前景图像的灰度图像中各像素点的像素值，进而得到锈蚀区域面积在前景图像的灰度图像中的占比，即为锈蚀率，根据锈蚀率确定金具的锈蚀情况。

2、求取前景图像的灰度图像中各像素点的灰度值，根据各像素点的灰度值对应的颜色，绘制金具继锈蚀热力图，如图7-2所示；根据金具继锈蚀热力图确定金具的锈蚀情况。其中，引入锈蚀置信度的概念，可设置五种颜色，若为彩色从浅到深可分别设置为灰-橙黄-粉-红-深红，若为黑灰色直接从浅到深设置即可，颜色越深，对应的灰度值(即锈蚀置信度)越大，说明金具的锈蚀情况越严重。

整体来看，该方法为一种基于目标检测、图像分割、背景hsi变换、前景gamma变换等技术的锈蚀检测方法，该方法考虑了背景明亮度的锈蚀检测方法，可实现不同明亮度、图片畸变严重、复杂背景等极端情况下，自适应地进行归一化处理，以得到锈蚀率和锈蚀热力图，为运维人员提供全方位的锈蚀缺陷信息，为实现电力运维智能化提供了有效的技术手段。

在该实施中，采用构建深度卷积神经网络模型的方式来对输电线路图像进行处理，以得到目标金具位置。当然，还可采用现有技术中的其他神经网络模型，例如径向基神经网络模型。而且，还可不采用该种方式，采用现有技术其中的其他图像处理方法来找到目标金具位置，例如sift特征提取方法。

该实施例中，采用交互式分割算法对得到的目标金具图像进行分割处理，以得到目标金具图像的前景图像和背景图像。作为其他实施方式，还可采用现有技术中的其他图像分割方法，例如自适应阈值法。

在该实施例中，伽马变换的γ值设置为γ＝imean/iset，作为其他实施方式，还可采用其他的表达方式以实现imean越大、γ值越大，且γ值存在0＜γ＜1和γ≥1两种情况，例如γ＝(imean-i1)/(iset-i1)，i1值设置不要过大。

该实施例中，采用现有的超红色算法对伽马变换后的前景图像进行红色特征的提取。作为其他实施方法，也可采用现有的颜色追踪法，但颜色追踪法相较超红色算法，算法复杂度较高，且超红色算法处理后可以很好地处理得到表征锈蚀程度的锈蚀热力图。

装置实施例：

该实施例提供了一种输电线路金具锈蚀检测装置，该装置包括存储器和处理器，存储器和处理器之间直接或间接地电性连接以实现数据的传输或交互。这里的处理器可以是通用处理器，例如中央处理器cpu，也可以是其他可编程逻辑器件，例如数字信号处理器dsp，处理器用于执行存储在存储器中的指令以实现方法实施例中介绍的一种输电线路金具锈蚀检测方法，由于方法实施例已对该方法做了详细说明，这里不再赘述。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。