一种基于机器学习的绝缘子缺陷自动检测方法与流程

技术邻域

本发明属于高压输变电领域设备运行状态检修领域，其涉及一种基于机器学习的绝缘子缺陷自动检测方法。

背景技术：

目前，中国电网规模已经超过美国，居世界第一，绝缘子是高压输变电领域设备的关键部件之一,其性能优劣直接影响到整条输电线路的运行安全.近年来,我国电力系统向着超高压、特高压、大容量方向发展,为绝缘子行业的发展带来了巨大的机遇。绝缘子在高压传输线路中被越来越广泛的使用。在电网设备上的绝缘子由于长期暴露在自然环境下,时间长后容易出现开裂，污损和缺失等缺陷,这些缺陷会严重影响绝缘子的正常工作。目前国内外高压输变电线路铁塔上的绝缘子的缺陷检测主要通过采集图像后，采用传统的人工肉眼检测的方法,人工检测会影响缺陷识别的效率，同时检测率也会因人而异。

技术实现要素：

1.发明要解决的技术问题

针对现有无人机巡检高压输变电中绝缘子的缺陷检测中无法进行自动识别的问题，本发明提供了基于机器学习的绝缘子缺陷自动检测方法。采用本发明的技术方案，可以满足绝大多数的高压输变电中绝缘子缺陷自动检测，为绝缘子的维修提供必要的技术支持。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

一种基于机器学习的绝缘子缺陷自动检测方法，该方法设计了基于颜色信息的绝缘子定位方法和基于纹理特征的绝缘子缺陷检测的方法，具体包括以下步骤：

步骤1：图像采集。利用无人机对自然环境下的高压输电铁塔中的绝缘子进行拍摄，获取绝缘子的彩色rgb图像。

步骤2：颜色归一化。将绝缘子的彩色rgb图像按照下面公式转换成归一化的红/绿图像ωrg：

其中，ωrg图像中每一点的像素值为该点在原始图像中r分量占总分量的比例值和r分量占总分量的比例值中的最大值。其中总分量为该点在原始图像中r分量、g分量和b分量之和。

步骤3：区域生长。对ωrg图像进行区域生长操作生成ωth，进而使得绝缘子主体成分连接为一体。

步骤4：mser检测。对ωth图像进行最大稳定极值区域(mser)检测，获取绝缘子所在原始图像中的候选矩形区域r。

步骤5：利用分类器检测候选区域是否为绝缘子区域。对绝缘子所在的候选矩形区域r计算hog特征，并将hog特征输入到svm分类器中进行分类，进而判断候选矩形区域r是否为绝缘子。

步骤6：原始图像旋转。当候选矩形区域r判断为绝缘子后，计算候选矩形区域r的主轴与水平方向的夹角θ，将原始图像旋转θ，保证绝缘子所在区域水平。旋转后的矩形区域定义为r1。

步骤7：纹理特征提取。将r1转化为灰度图像，并划分为n个小矩形块，小矩形块为用于特征提取的roi区域，统计每个小矩形块中的图像纹理特征包括能量、相关度、同一度、对比度和灰度平均值，构成绝缘子缺陷检测的五维特征。

步骤8：利用多层神经网络mlp对r1区域进行缺陷识别。将r1区域中的每一个小矩形块中的上述5维纹理特征输入到多层神经网络分类器中进行分类，进而判断小矩形区域是否存在开裂，污损和缺失等三种缺陷，当r1中的n个小矩形框都分类为正常时，该绝缘子为正常绝缘子，否则为存在缺陷绝缘子。其中多层神经网络mlp包括1个输入层，2个隐含层和一个输出层。输入层为5个神经元，第一个隐含层为10个神经元，第二个隐含层为5个隐含层，输出层为4个神经元，激活函数采用relu线性修正单元激活函数。

附图说明

图1是本方法的检测策略。

图2是本方法的绝缘子彩色rgb图像。

图3是本方法的绝缘子候选矩形区域r。

图4是本方法的旋转后的候选矩形区域r1。

图5是本方法的单个r1区域中划分的roi。

图6是本方法的roi区域中的绝缘子缺陷。

具体实施方式

为进一步了解本发明的内容，结合实施例对本发明做详细描述。

实施例1

本实施例以高压输电铁塔上绝缘子缺陷自动识别为例进行说明，其流程如图1所示，具体实施检测步骤：

步骤1：图像采集。利用无人机对自然环境下的高压输电铁塔中的绝缘子进行拍摄，获取绝缘子的彩色rgb图像，如图2所示。

步骤2：颜色归一化。将绝缘子的彩色rgb图像按照下面公式转换成归一化的红/绿图像ωrg：

其中，ωrg图像中每一点的像素值为该点在原始图像中r分量占总分量的比例值和r分量占总分量的比例值中的最大值。其中总分量为该点在原始图像中r分量、g分量和b分量之和。

步骤3：区域生长。对ωrg图像进行区域生长操作生成ωth，进而使得绝缘子主体成分连接为一体。

步骤4：mser检测。对ωth图像进行最大稳定极值区域(mser)检测，获取绝缘子所在原始图像中的候选矩形区域r，r区域在原始图像中用矩形标示出来，如图3所示。

步骤5：利用分类器检测候选区域是否为绝缘子区域。对绝缘子所在的候选矩形区域r计算hog特征，并将hog特征输入到svm分类器中进行分类，进而判断候选矩形区域r是否为绝缘子。

步骤6：原始图像旋转。当候选矩形区域r判断为绝缘子后，计算候选矩形区域r的主轴与水平方向的夹角θ为17度，将原始图像旋转17度，保证绝缘子所在区域水平。旋转后的矩形区域定义为r1，r1区域在原始图像中用矩形标示出来，如图4所示。

步骤7：纹理特征提取。将r1转化为灰度图像，并划分为36个小矩形块，小矩形块为用于特征提取的roi区域，单个r1区域中划分的roi用白色矩形标示，如图4所示。统计每个小矩形块中的图像纹理特征包括能量、相关度、同一度、对比度和灰度平均值，构成绝缘子缺陷检测的五维特征。

步骤8：利用多层神经网络mlp对r1区域进行缺陷识别。将r1区域中的每一个小矩形块中的上述5维纹理特征输入到多层神经网络分类器中进行分类，进而判断小矩形区域是否存在开裂，污损和缺失等三种缺陷，当r1中的n个小矩形框都分类为正常时，该绝缘子为正常绝缘子，否则为存在缺陷绝缘子，roi区域中的绝缘子缺陷用椭圆形在图像中进行标示，如图5所示。其中多层神经网络mlp包括1个输入层，2个隐含层和一个输出层。输入层为5个神经元，第一个隐含层为10个神经元，第二个隐含层为5个隐含层，输出层为4个神经元，激活函数采用relu线性修正单元激活函数。

以上示意性的对本发明及其实施方式进行了描述，该描述没有局限性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构及实施例，均应属于本发明的保护范围。