一种基于机器视觉的绝缘子故障检测方法与流程

技术特征：

1.一种基于机器视觉的绝缘子故障检测方法，其特征在于包括以下步骤：

步骤(1)：通过接触网悬挂状态检测装置拍摄接触网区域，得到接触网支撑装置的图像，筛选出图像中有绝缘子的作为研究样本，并把这些图像制作成带有标签的数据；

步骤(2)：根据各张图像制作绝缘子检测训练样本，再把这些样本放到深度卷积网络中训练得到绝缘子目标检测模型；

步骤(3)：通过目标检测网络模型检测待处理的测试图像，得到绝缘子区域并截取该区域；

步骤(4)：对截取的绝缘子区域进行滤波预处理；

步骤(5)：对经过预处理的区域进行特征提取，包括绝缘子两侧区域的提取，边缘检测和有效边缘提取:

定义一个表面的斜率和方向，数学上是通过梯度来实现的，

式中I(x)表示原图像，J(x)表示I(x)的局部梯度方向，指向亮度函数的极速上升的方向；

考虑到求取图像的导数强调了高频率的部分而放大了噪声，在计算梯度之前将图像用一个低通滤波器进行平滑，选用高斯函数作为圆对称滤波器，平滑后的梯度图形写作：

其中二维高斯函数的一般形式为：

式中，参数σ反映了高斯函数的带宽；

再将边界基元连成链状，提取特征，具体的处理步骤为：

1)对边缘检测得到的曲线进行8-连接规范化处理，即使得线条中的任意像素点最多只能有两个线上的点与之相邻；

2)消除分支点；

3)若任意两曲线端点距离小于3个像素点，且端点处的斜率与端点连接线的斜率相近，则将此两条曲线为相连；

采用基于边缘元素领域灰度矩阵提取绝缘子有效边缘的方法：采取决策树算法将用边缘检测算子得到的边缘进行聚类筛选，使用决策树进行决策的过程是：从根节点开始，测试待分类项中特征属性，并按照属性值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果，决策树方法步骤如下：

1)将通过边缘检测算子得到的图像分割为独立的连通区域，以此作为训练集；

2)选择曲线左侧和右侧像素点灰度作为划分属性，若左侧灰度值小于右侧，则标记为无效边缘，反之，则继续下一步分类；

3)选择曲线长度作为划分属性，若曲线长度在(d1,d2)范围内，则继续下一步分类，反之，则标记为无效边缘，用于排除绝缘子纹理干扰，d1,d2的取值由截得的图像像素和绝缘子尺寸决定；

4)选择曲线质心偏离度，曲线质心偏离度指曲线的质心与区域骨架的最短距离，区域骨架是由原图像经过阈值分割、反复细化得到的，保持了物体在图像中基本的拓扑结构和位置信息，作为划分属性，若其值大于D1，D1的取值由图像尺寸决定，则标记为无效边缘，用于排除背景干扰，反之，则继续下一步分类；

5)选择曲线离心率作为划分属性，若离心率在(e1,e2)范围内，则标记为有效边缘，反之，则标记为无效边缘；

为了提取完整的绝缘子两侧边缘，且避免边缘不规则纹理对边缘提取的影响，采取的区域分割算法是以背景点为起点的区域生长算法，区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程，从一组生长点开始，将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止，然后进行特征提取，需要提取的轮廓形状特征有：

a)边界长度

边界长度L是边界基本的属性，垂直和水平的步幅为单位长度，在8连通下的对角步幅的长度为

b)边界曲率

遍历一条平面曲线，假设A是曲线上点B领域内的一个点、δ是这两个点的正向切线所形成的交角，AB表示点A和点B的距离，AB定义连续的边界曲率k为：

在二值图像中，利用曲线上某点Ai与其前驱点Ai-bp和后继点Ai+bs的位置关系，近似为曲线上距离该点某一棋盘距离的两点，通过Ai-bp,Ai,Ai+bs这三个点确定的前驱数字直线分割计算边界曲率，算法如下：

1)计算

lp＝‖Ai-bp,Ai‖,ls＝‖Ai,Ai+bs‖,

δp＝|Θp-Θ|,δs＝|Θs-Θ|

其中lp，ls分别为点Ai与其前驱点和后继点的距离，Θp，Θs分别为前

驱倾斜角和后继倾斜角，δp，δs分别为前驱偏转角和后继偏转角；

xi+bs，yi+bs分别为后继点Ai+bs的横坐标和纵坐标，xi-bp，yi-bp分别为前驱点Ai-bp的横坐标和纵坐标，

xi，yi分别为点Ai的横坐标和纵坐标；

2)在Ai点的边界曲率k(Ai)为

各个像素点处于一个离散的空间中，切线的倾斜角近似为曲线上距离该点一定棋盘距离的两点的倾斜角；

c)弯曲能量

边界的弯曲能量BE是把一个横杆弯曲成所要求的形状所需要的能量，

计算为边界曲率k(Ai)的平方和除以边界像素点个数N：

需要提取的区域形状特征有：

a)面积

区域的面积指闭合区域内包含的像素个数；

b)投影

分别定义水平和垂直的区域投影gh(i)和gv(j)为

f(i,j)为图像函数；

c)离心率

离心率e特征是区域最长弦Q和垂直于Q的最长弦P的长度比；

d)中心矩

区域的矩表示把一个归一化的灰度级图像函数当作为一个二维随机变量的概率密度，中心矩表示为

其中p、q表示矩的阶，xc，yc是区域重心的坐标；

步骤(6)：进行特征检测与匹配，完成目标的故障检测和评级

故障分为两个部分，1)两侧边缘异常检测，根据步骤(5)提取绝缘子两侧边缘区域图像特征面积、投影、离心率和中心矩，用支持向量机实现异常的识别；2)中间边缘异常检测，正常的绝缘子中间边缘是平滑的，即曲线上点的切线斜率应该是单调变化的，但由于二值图像中曲线不是严格的曲线，而是一条8连接的像素点组成的，导致像素点上的切线的倾斜角变化是震荡的，将绝缘子中间边缘曲线上各个像素点切线的倾斜角绘制在直角坐标系上，并对该序列图像进行平滑处理，即：将曲线上除端点外每一像素点灰度值迭代为该点和与之相邻两点的平均灰度，迭代的次数为曲线的长度，观察平滑图像的单调性，作为边缘是否异常的判定依据，算法的具体步骤如下：

遍历一条平面曲线l，曲线的长度，即像素点个数为n，则曲线上的点用p1,p2…pi…pn来表示；

对于曲线l上的任意一个点pi，2<i<n-1，该点的坐标为该点的切线的斜率定义为：

点pi的切线倾斜角表示为：

将曲线上点切线的倾斜角绘制直角坐标系上，横坐标为点序列，纵坐标为点切线倾斜角，将的值进行m次平滑迭代处理：1<i<n，j为当前迭代次数，m＝INT(βn)，INT是取整函数，β取值范围是0～1的常数，表明迭代次数与像素点个数是正相关关系；

将更新的倾斜角绘制直角坐标系上，若得到图像为非单调变化的曲线，表明边缘故障；

为了在保证绝缘子装置在不影响使用的前提下，需尽量使得费用最小化，对绝缘子受损的程度进行量化评级，并设定评级标准以判断该绝缘子是否能继续使用；

具体方法为：

1)对于某一类的绝缘子选择2000个以上的单条绝缘子边缘曲线正常样本，并获取水平投影宽度ph、竖直投影宽度pv和弯曲能量BE；

2)构建BP神经网络模型，以1)中随机选择95％数量的样本作为训练样本，用于网络训练，其余5％的样本作为测试数据，用于测试网络的训练性能，其中ph、pv为输入，BE为输出；BP神经网络结构为2-5-1，即输入层有两个节点，隐含层有5个节点，输出层有1个节点；

3)选择检测出的故障绝缘子图像，提取任意边缘检测中有异常的曲线，将其水平投影宽度、竖直投影宽度放入2)已训练好的模型中得到预测的参考值则得到弯曲能量偏差ΔBE为

弯曲能量的相对偏差为

先设定两个阈值ε1，ε2；当γ>ε2时，绝缘子一级故障，表明该绝缘子出现严重的缺口或损坏，需要紧急处理；当ε1<γ<ε2时，绝缘子二级故障，表明该绝缘子出现较为明显的缺损，有一定的安全隐患，需进行定期的复检；当γ<ε1时，绝缘子三级故障，表明该缺陷不影响装置功能，可以继续使用。

2.如权利要求1所述的一种基于机器视觉的绝缘子故障检测方法，其特征在于：所述的β取值为0.8。

3.如权利要求1所述的一种基于机器视觉的绝缘子故障检测方法，其特征在于：所述的阈值ε1取值为3％～5％，ε2取值为25％～30％。

4.如权利要求1所述的一种基于机器视觉的绝缘子故障检测方法，其特征在于：所述的d1,d2的取值由截得的图像像素和绝缘子尺寸决定，d1的范围是(300，350)，d2的范围是(400，450)。