基于图像识别技术的输电线路隐患及故障检测方法
【技术领域】
[0001] 本发明属于图像识别技术识别领域，尤其设及输电线路典型缺陷识别和故障检 测。
【背景技术】
[0002] 建设输电线路典型缺陷识别模型库便于实现智能化线路巡视工作，通过图像识 另IJ、图像分析、图像处理、智能学习等技术的应用，能够实现线路隐患自动判断的目的。通过 图像识别技术在输电线路隐患排查中的应用研究，可W提高巡视的及时性，能够第一时间 发现线路中存在的隐患或故障;提高巡视的科学性，系统根据不同的缺陷识别模型，进行图 片分析和识别，识别线路中存在的缺陷，快速定位准确的判断缺陷发生的部位和类别;巡视 智能化，通过缺陷识别模型，缺陷样本库，智能学习机制，科学高效的进行线路巡视;提高巡 视的全面性，可W利用一切巡视手段进行线路巡视，通过智能识别自动分析线路缺陷;巡视 的规范性，制定缺陷识别模型接口标准使得系统的兼容性更佳强大，适应更多的数据源接 入系统。
【发明内容】
[0003] 本发明针对现有技术的不足，提出一种基于图像识别技术的输电线路隐患及故障 检测方法，实现图像智能化判断，减少人工经验判断造成的误差。
[0004] 该基于图像识别技术的输电线路隐患及故障检测方法，包括如下步骤：
[000引S1、建立样本特征库，即提取无缺陷图像的样本特征建立样本特征库；
[0006 ] S2、对缺陷图像特征进行提取，具体为：
[0007] S21、对需要对比的图像采用高斯滤波进行预处理；
[0008] S22、对S21所述预处理后的无缺陷图像进行增强处理需求判定，若需要进行增强 处理则转入S22，如不需要进行增强处理则转入S25;
[0009] S23、将S22所述需要增强处理的图像转到Lab空间，提取a空间图像；
[0010] S24、对S23所述转到a空间图像进行直方图均衡化处理；
[00·Μ ] S25、对图像进行最大类间方差阔值分割，将目标与背景分割；
[0012] S26、采用形态学处理方法对S25所述分割后的图像进行开运算，得到二值图像；
[0013] S27、对S26所述二值图像进行连通域过滤，保留连通域面积大于等于0.5倍阔值 卵，小于等于2倍阔值卵的连通域，其中，卵为阔值；
[0014] S3、对缺陷图像进行识别，具体包括：
[0015] S31、进行canny边缘检测；
[0016] S32、对边缘点进行拟合；
[0017] S33、计算拟合误差F，若拟合误差F小于0.5则判定为破损，若拟合误差F大于等于 0.5则判定为无破损；
[001引S4、对S1所述样本特征库进行训练，具体为：
[0019] S41、加入新图像的特征向量进行分类判断，若属于SI所述样本特征库则终止训 练，若不属于S1所述样本特征库则转到S42;
[0020] S42、判断S41所述特征向量是否属于支持向量，若属于支持向量，贝阳日入S1所述样 本特征库，若不属于支持向量，则不加入S1所述样本特征库；
[0021] S5、对S1所述样本特征库采用增量学习的方法提高智能程度，具体为：
[0022] S51、对新图像对比S1所述样本特征库进行识别，若识别失败，则转入S51，若识别 成功则转入S4;
[0023] S52、进行人工划定区域，划出S51所述新图像的特征区域；
[0024] S53、对S52所述特征区域采用S25所述最大类间方差阔值法进行分割，获取目标区 域；
[0025] S54、提取目标区域的特征向量，加入S1所述样本特征库。
[0026] 进一步地，S27所述连通域过滤的具体步骤如下：
[0027] 步骤A、对S26所述二值图像的连通域面积进行统计，对每一块连通域进行编号；
[0028] 步骤B、计算步骤A所述连通域的中屯、坐标与S26所述二值图像的中屯、坐标的几何 距离构成集合Q;
[0029] 步骤C、选取步骤B所述集合Q中的最小值所对应的连通域的面积作为阔值卵；
[0030] 步骤D、保留连通域面积大于等于0.5倍阔值卵，小于等于2倍阔值卵的连通域。
[0031] 进一步地，S26所述形态学处理方法包括:腐蚀算法，膨胀算法和开闭运算。
[0032] 进一步地，S32所述拟合包括:楠圆拟合和直线拟合。
[0033] 本发明的有益效果是：
[0034] 实现了图像智能化判断、分析机制，从完全人工判断分析到少人判断分析，再到全 面的计算机自动化判断分析，运样大大减轻了平时的工作强度和疲劳度，提升了工作的标 准化和规范化，同时减少了人工经验判断可能造成的偏差，逐步实现计算机自动分析判断 隐患和故障能够带来大量的社会效益和经济效益，不但能够提升整体的工作效率还能确保 每一个细小的隐患能够及时发现，降低隐患和故障对电力输送线的影响。
【附图说明】
[0035] 图1是对缺陷图像识别的流程图。
[0036] 图2是缺陷样本特征训练学习流程图。
[0037] 图3为滤波后的无缺陷图像处理前和滤波后的无缺陷图像直方图均衡化处理后的 效果对比。
[0038] 图4为对S1所述样本特征库进行训练的流程图。
[0039] 图5为对S1所述样本特征库进行学习的流程图。
【具体实施方式】
[0040] 下面结合实施例和附图，详细说明本发明的技术方案。
[0041] 实施例1:输电线路现场的绝缘子
[0042] 绝缘子长期处于恶劣的自然环境中，要承受冰雪、雷击、光照W及溫度剧烈变化的 影响。经常会出现一些故障例如绝缘子的覆冰、闪络、雷击、自爆等。在复杂的自然环境中， 高山、树林、草地遍布其中，而且光照变化复杂。运使得绝缘子的图像分割成为难题，绝缘子 的分割成败往往决定着缺陷识别的成败。由于拍摄角度的变化，使得绝缘子的形状存在很 大变化，并没有固定的形状特征。
[0043] S1、建立样本特征库，即提取无缺陷图像的样本特征建立样本特征库。
[0044] S2、对缺陷图像特征进行提取，具体为：
[004引S21、对需要对比的图像采用高斯滤波进行预处理。图像预处理采用高斯滤波进行 图像的平滑度、柔和度补充，一般来说在大自然环境中拍摄的图像有一些特殊的干扰点或 噪声点，需要对运样的图片进行先期的预处理将图片的像素值进行模拟修正后在接下来的 工序中才能更好的进行图像的分割和分析识别。
[0046] S22、对S21所述预处理后的无缺陷图像进行增强处理需求判定，若需要进行增强 处理则转入S22,如不需要进行增强处理则转入S25,因为在自然环境中影响图像质量的因 素很多，如：雨、雪、阳光、风等因素都会对图像的质量造成影响。当一张图像有很大的噪声 后会影响后面的识别分析，所W系统智能判断图像是否需要进一步增强处理，如果需要那 么会采用一些其他方法进行处理。
[0047] S23、将S22所述需要增强处理的图像转到Lab空间，提取a空间图像。
[0048] S24、为了增加特征对比度对S23所述转到a空间图像进行直方图均衡化处理，运一 操作通过拉升像素区间，可W提升图片的对比度，弥补曝光过度或者曝光不足导致的亮度 不均匀等效果，处理效果如图3所示。
[0049] S25、对图像进行最大类间方差阔值分割，简称为0TSU分割，将目标与背景分割。
[0050] 通过上述处理，将目标与背景分割处理。但是在复杂背景中粗略分割出对后期有 用的特征进行保留，同时滤除不需要的背景。
[0051] S26、得到分割结果之后，需要滤除绝缘子链接之间的金具及顽固的背景杂质，采 用形态学处理方法(腐蚀算法，膨胀算法和开闭运算等)对S25所述分割后的图像进行开运 算，得到保留了绝缘子信息的二值图像。
[0052] S27、对S26所述二值图像进行连通域过滤，保留连通域面积大于等于0.5倍阔值 卵，小于等于2倍阔值卵的连通域，其中，卵为阔值，具体为：
[0053] 步骤A、对S26所述二值图像的连通域面积进行统计，对每一块连通域进行编号；
[0054] 步骤B、计算步骤A所述连通域的中屯、坐标与S26所述二值图像的中屯、坐标的几何 距离构成集合Q;
[0055] 步骤C、选取步骤B所述集合Q中的最小值所对应的连通域的面积作为阔值卵；
[0056] 步骤D、保留连通域面积大于等于0.5倍阔值卵，小于等于2倍阔值卵的连通域。
[0057] 经过过滤处理之后，将目标与背景分割彻底。在复杂背景中粗略分割出对后期有 用的特征进行保留，同时滤除不需要的背景。此时，绝缘子的分割效果达到理想状态，为下 一步判断绝缘子自爆提供高质量的保证。背景的连通域面积比较小，可W选择一个合适的 面积作为阔值过滤掉背景干扰。
[0058] S3、对缺陷图像进行识别，绝缘子是一种半圆球体形状的物体，采用形状数的方式 来进行特征提取，具体包括：
[0059] S31、进行canny边缘检测，得到绝缘子的边缘信息即边缘点的位置数据；
[0060] S32、将边缘点的位置数据存入数组中，结合绝缘子的形状特征对运些边缘点进行 楠圆拟合；
[0061] S33、计算拟合误差F，若拟合误差F小于0.5则判定为破损，若拟合误差F大于等于 0.5则判定为无破损，如果绝缘子没有破