行时间约为20ms，可移植如嵌入式平台灵活使用，也 可二次开发后应用于视频实时处理系统。
【主权项】
1. 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，其特征在于：其步 骤为： 步骤一、将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，提取HSI 色度饱和度亮度空间的H分量图像和S分量图像，将提取的H分量图像和S分量图像分别 进行二值化处理得到各自对应的二值图像，然后将以上两幅二值图像经中值滤波后相与即 得到绝缘子串的初步轮廓二值图像； 步骤二、采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮廓二值图像中绝缘 子单体的轮廓进行提取； 步骤三、采用最小二乘法对绝缘子单体轮廓进行椭圆拟合，并通过检测绝缘子单体轮 廓之间的间距对绝缘子的缺陷进行定位。2. 根据权利要求1所述的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位 方法，其特征在于：步骤一中将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度 空间时，对任一像素点，其H分量和S分量分别通过式（1)、式（2)进行计算：其中，H和S分别代表HSI色度饱和度亮度空间的色调分量和色饱和度分量，R、G、B分 别代表RGB色彩空间的红色分量、绿色分量和蓝色分量。3. 根据权利要求2所述的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位 方法，其特征在于：步骤一中采用最大类间方差法对提取的H分量图像和S分量图像分别进 行二值化处理，具体步骤为：遍历H分量图像和S分量图像中的每个像素点，取出各像素点 的灰度值，假设H分量图像和S分量图像中像素点的灰度范围均为O~m-1，此处m-Ι为H 分量图像和S分量图像中像素点的最大灰度值，其中灰度为i的像素点出现的概率为Pl，H 分量图像和S分量图像在O~m-1灰度范围内的灰度均值均为μ，假设存在灰度阈值T将 两图像中的绝缘子目标与背景分离为G。= {0~Τ-1}和61= {Τ~m-Ι}两个灰度区间，且 G。出现的概率为w。，G1出现的概率为W1，则G。和G1IK间内的平均亮度μ。、P 1以及这两个 区间的类间方差S2(T)分别为：使灰度阈值T在O~m-Ι灰度范围内逐步递增，使灰度阀值T取到O~m-Ι范围 内的所有数值，计算出每次循环得到的类间方差S2(T),循环结束后得到最大类间方差 max δ 2(T)，此时的T值即为最佳灰度分割阈值，将H分量图像和S分量图像中灰度值大于 该T值的像素点的灰度值设为I，将灰度值小于该T值的像素点的灰度值设为0,从而得到 H分量图像和S分量图像各自的二值图像。4.根据权利要求1-3中任一项所述的一种无人机巡检输电线路图像中绝缘子缺陷的 检测和定位方法，其特征在于：步骤二中采用基于粒子群优化参数的蚁群算法对绝缘子串 的初步轮廓二值图像中绝缘子单体的轮廓进行提取的具体步骤为： 步骤1、假设原航拍图像的大小为M*N，算法初始化（M/2MN/2)只蚂蚁随机分布于绝 缘子串的初步轮廓二值图像中的不同像素点； 步骤2、上述（M/2MN/2)只蚂蚁均按照公式（4)中的转移概率公式在绝缘子串的初步 轮廓二值图像中进行择向移动，即所有蚂蚁均向公式（4)中计算出的各自的概率最大方向 移动：式⑷中，t为迭代次数，（m，η)为蚂蚁当前所在像素点，（1，f)为点（m，η)的3*3邻 域内的任一像素点，为在第t次迭代循环中蚂蚁由像素点（m，n)向像素点（l，f)转 移的概率，Ω (m，n)为以点（m，n)的3*3邻域内的所有像素点的集合，n lif为点（1，f)处 的启发函数，通过式（5)计算得到：式（5)中，C为放大常数，其数值取1 ;▽ 1(1，f)为蚂蚁所在位置（l，f)处的灰度梯度 值，gray为图像中遍历各像素点所得到的灰度值； 式⑷中，τ 为在第t次迭代时点（m，n)到点（l，f)的路径上信息素强度的 大小，其初始值为〇. 〇〇1，每迭代一次，每只蚂蚁都会移动一次，并在新的位置产生信息素， 从而将所有像素点的信息素强度进行更新，将每次蚁群算法迭代完成后各像素点的信息素 强度和位置更新存储于M*N信息素强度矩阵图像中，上述信息素强度进行迭代更新的公式 如下：式（6)_⑶中，τ fen)af)(t-l)为在第t-Ι次迭代循环时点（m，η)到点（1，f)的路径 上信息素强度的大小，Δγ^."κ/,,?(?-1)为第k只蚂蚁在第t-Ι次迭代循环时留在（m，η)到 (l，f)路径上的信息素量，设所有蚂蚁迭代一次产生的信息素量均为一给定的固定正常数， Δ、^n)af)(t-l)和Δ2τ ^^(t-1)分别为在第t-1次迭代循环时留在点（m，n)到（1， f)的局部最优路径和局部最差路径上的信息素总量，此处点（m，n)到（l，f)的局部最优路 径是指像素点（m，n)到（l，f)的最短路径，（m，n)到（l，f)的局部最差路径是指像素点（m， η)到（l，f)的最长路径；LJP L2*别为以上局部最优路径和局部最差路径的长度，Φ (t-1) 和VW-1)分别为在第t-1次迭代循环时走过以上局部最优路径L1和局部最差路径L 2上蚂 蚁的数量；ξ为信息素的挥发率，其初始值为0.5,随着迭代循环的进行，挥发率ξ的衰减 方程如下：式（9)中，ξ (t)和ξ (t-Ι)分别为在第t次、第t-Ι次迭代时信息素的挥发率，cn为 算法当前迭代次数，1_和τ _分别为第t-Ι次迭代时所有蚂蚁留在点（m，n)到点（l，f) 路径上的信息素总量的最大值及最小值，J为挥发率修正值； 式（4)中，α与β分别为信息素强度和启发函数的权重因子，分别随机给定α和β 的初始值，且α和β的初始值均为正数，随着蚁群算法的循环，使用粒子群算法对α和β 进行参数训练优化，具体优化的过称为： 步骤a、初始化（Μ/2)*(Ν/2)个随机解矢量θι= (α P1)作为随机粒子，将每个Q1=U1, P1)视为一个点在二维空间中的位置，其中，给第i个随机粒子赋有随机速度矢量 步骤b、每个粒子通过调用匕3:!次蚁群算法进行训练，其中，第i个随机粒子在调用蚁群 算法时按照公式（10)对自己的空间位置和速度进行迭代更新： Vi (f) = WVi (f-1) +C1S1 (Pbest (f-ι) - Θ J (f-ι)) +C2S2 (Gbest (i-1) - Θ ; (f-1)) (10), 9 i(f) = 9 i(f-l)+Vi(f) 其中，f为调用蚁群算法的次数，的数值取5 ;v i (f)和Θ i (f)分别为第i个粒子在第 f次蚁群算法结束时的速度与位置，V1 (f-Ι)和Θ i (f-Ι)分别为第i个粒子在第f-Ι次蚁群 算法结束时的速度与位置，其中，I < i < (M/2)*(N/2) ;w为惯性权值，取大于1的随机数； Ptest (f-Ι)为第i个随机粒子在调用第f-Ι次蚁群算法中找到的最优粒子位置，Gtest(i-1)为 此时整个粒子群所找到的最优粒子位置；常数Cl、C2分别决定了一个粒子选择P test和G test的倾向，且均为[0-2]之间相互独立的随机数；常数Sl、s2S [0-1]之间相互独立的随机数； 步骤c、当第i个粒子调用蚁群算法检测绝缘子轮廓且运动更新达到预设蚁群算法循 环次数或再次循环更新的结果与上次循环结果一致时则停止循环，更新变量G test; 步骤d、更换下一粒子再次重复上述步骤b、步骤c直至所有的粒子均完成迭代，最终得 到的Gtest即为最优粒子群位置，根据此时的最优粒子群位置Gtest对公式（4)中的α与β 进行更新； 步骤3、当蚁群算法的调用次数达到设定最大循环次数时，即完成了蚁群算法的运行， 针对此时整个粒子群所找到的信息素强度矩阵图像使用最大类间方差法确定最佳信息素 强度分割阈值τ c，经阈值分割后即得到绝缘子单体的轮廓。5.根据权利要求4所述的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位 方法，其特征在于：步骤三中通过检测绝缘子单体轮廓之间的间距对绝缘子的缺陷进行定 位的具体步骤为：遍历绝缘子椭圆轮廓中心的坐标点，并将同一直线上的绝缘子中心坐标 存储到同一数组A[x] [y]中，分别计算该直线上所有绝缘子轮廓的宽度及高度的平均值， 分别采用以上宽度平均值D和高度平均值H作为单个绝缘子轮廓宽度和高度的参考值；将 上述同一直线上绝缘子轮廓中心点的X坐标按照冒泡排序法依次从小到大排列，按照公式 (11)计算出相邻绝缘子之间的间距R :上式中，Rc为上述同一直线上相邻绝缘子的轮廓中心的平均间距，若λ >1，则说明相邻 绝缘子A [xl] [yl]和A [xO] [yO]之间存在λ个绝缘子缺失，此时根据相邻绝缘子坐标求取 其间λ个伪绝缘子的中心位置并按其宽度参考值D、高度参考值H在原图中绘制出缺陷绝 缘子的轮廓。
【专利摘要】本发明公开了一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，属于图像提取与识别技术领域。本发明的绝缘子缺陷的检测和定位方法，其步骤为：步骤一、将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，将提取的H分量图像和S分量图像分别进行二值化处理后相与得到绝缘子串的初步轮廓二值图像；步骤二、采用基于粒子群优化参数的蚁群算法对绝缘子单体的轮廓进行提取；步骤三、采用最小二乘法对绝缘子单体轮廓进行椭圆拟合，并通过检测绝缘子单体轮廓之间的间距对绝缘子的缺陷进行定位。通过使用本发明中的技术方案，能够显著提高对绝缘子缺陷的检测精度，降低背景的干扰，且运行速度较快。
【IPC分类】G06T7/00
【公开号】CN105160669
【申请号】CN201510531559
【发明人】方挺, 韩家明
【申请人】马鞍山市安工大工业技术研究院有限公司
【公开日】2015年12月16日
【申请日】2015年8月21日