基于场景过滤的换流站户外电气设备表面缺陷检测方法与流程

1.本发明属于电力设备监测技术领域，具体涉及一种基于场景过滤的换流站户外电气设备表面缺陷检测方法。


背景技术：

2.随着自动化技术的快速发展，在工业生产中很多需要人工操作的环节逐渐转由机器完成，工业生产自动化也将越来越多的工人们从枯燥乏味的工作中解放出来，让他们去发挥更大的价值。
3.电力设备表面缺陷检测是电网安全生产中的重要环节，是智能巡视系统自动巡检的关键步骤，借助表面缺陷检测技术可以有效的提高智能巡视系统智能巡检质量和效率。常见的处理方法包括：1)传统算法；传统的表面缺陷检测算法通过图像预处理得到便于检测的图像，然后借助统计机器学习方法来提取图像特征，进而实现缺陷检测的目标。2)深度学习；深度学习算法采用深度卷积神经网络(dcnns)结合ssd、yolo等网络方法构建一个从粗到细的级联检测网络，包括设备的定位、缺陷检测与分类。传统算法在某些特定的应用中已经取得了较好的效果，但仍然存在许多不足，如：图像预处理步骤繁多且具有强烈的针对性，鲁棒性差；多种算法计算量惊人且无法精确的检测缺陷的大小和形状。而深度学习是直接通过学习数据更新参数，避免了人工设计复杂的算法流程，并且有着极高的鲁棒性和精度。但是深度学习的本质其实也就是机器学习，最根本的原理是统计学。需要提供足够多的数据，经过定义模型、收集分析数据，注入训练改进模型，输出结果，并循环执行上述过程，不断提高精度。简而言之，就是需要提供足够多的，各种各样的设备表面模板，用于算法进行训练建模。


技术实现要素：

4.本发明的目的在于提供一种基于场景过滤的换流站户外电气设备表面缺陷检测方法，该方法有利于快速、准确地检测出换流站户外电气设备表面缺陷。
5.为实现上述目的，本发明采用的技术方案是：一种基于场景过滤的换流站户外电气设备表面缺陷检测方法，包括建立标准图库和检测设备缺陷两个过程，具体包括以下步骤：
6.s1、智能巡检系统按设置的巡检点位对需要监视的电力设备拍摄照片作为基准图像，并记录当前照片拍摄的时间和环境条件，包括光线亮度和雨雪量；
7.s2、在基准图像上，采用多边形轮廓框出设备轮廓位置，记录多边形轮廓每一个顶点的位置坐标，形成坐标数组；
8.s3、构建设备表面融合信息文件存储格式，包括照片的拍摄时间、环境条件、设备轮廓顶点信息，将每一个巡检点位每一次拍摄照片的相关信息按构建的文件存储格式存储在数据文件中；
9.s4、智能巡检系统对同一巡检点位继续定期拍摄照片，基于基准图像中设备轮廓
的顶点信息，通过自动识别匹配方法，将后续拍摄的每张照片与基准图像进行设备匹配，确定每张照片中设备轮廓顶点位置，如果能够匹配到对应设备，则将每张照片的拍摄时间、环境条件、设备轮廓顶点信息按所述文件存储格式存储在数据文件中；
10.s5、在设备调试期间，通过步骤s1-s4拍摄并存储多个照片及对应的设备表面融合信息，建立标准图库；然后开始检测设备缺陷；
11.s6、智能巡检系统在巡检过程中，对所述巡检点位的电力设备拍摄照片，然后在标准图库中检索每张标准照片，选择拍摄的环境条件与当前拍摄照片最相近的标准照片；
12.s7、对选择的最相近照片进行相较于当前拍摄照片的亮度信息匹配转换；
13.s8、将当前拍摄照片划分成多个方块区域，计算各个方块区域内像素点的亮度之和，然后与最相近照片对应方块区域内像素点的亮度之和进行比较运算，根据两者差异是否小于设定阈值，分别赋予0或1值，得到一个比较值矩阵，矩阵中值为0的元素表示照片中对应部分没有差异，矩阵中值为1的元素表示照片中对应部分有差异，即设备表面发生变化；
14.s9、根据步骤s8的结果，综合判断设备表面缺陷情况；对于不存在图像差异的照片，按步骤s4中的文件存储格式存储在标准图库中，作为标准照片。
15.进一步地，所述环境条件还包括拍摄时的温度和湿度。
16.进一步地，所述设备表面融合信息文件存储格式存储的信息包括图像存储格式，文件版本，拍摄时间，拍摄时的光线亮度、温度、湿度、雨雪量，设备轮廓的顶点数量以及每一个顶点的位置坐标。
17.进一步地，所述步骤s4中，基于基准图像中设备轮廓的顶点信息，通过自动识别匹配方法，确定每张照片中设备轮廓顶点位置，包括以下步骤：
18.a)以步骤s1拍摄照片为基准图像，以当前拍摄照片为待处理图像；
19.b)选取基准图像上的多边形轮廓的n个顶点为特征点：s1、s2、s3、
……
、sn；
20.c)以一个特征点为中心，在基准图像中选取长度宽度都为m的亮度数据块t作为计算相似度的数据计算基础；
21.d)在待处理图像中采用全局搜索方法计算与t数据块相似度最高的亮度数据块，相似度计算公式如下：
[0022][0023]
式中，s
ij
表示在待处理图像数据中以坐标(i,j)位置为中心的长度宽度都为m的亮度数据块，其中i的取值范围为(m/2)到(w-m/2)，j的取值范围为(m/2)到(h-m/2)，其中w为图像宽度，h为图像高度；
[0024]
e)统计所有r(i,j)值中的最大值，该最大值对应的(i,j)就是待处理图像中与基准图像中选取的特征点相匹配的目标特征点；
[0025]
f)重复步骤c至步骤e，分别得到基准图像中特征点对应的待处理图像中目标特征点：t1、t2、t3、
……
、tn；
[0026]
g)计算s1点分别到s2、s3、
……
、sn点的距离是否与t1点分别到t2、t3、
……
、tn点
的距离误差是否在设定范围内，是则确认s1点为基准图像与待处理图像的匹配对准点；
[0027]
h)根据t1、t2、t3、
……
、tn点的位置，并根据基准图像中多边形轮廓，确定在待处理图像中设备的多边形轮廓。
[0028]
进一步地，所述步骤s4中，如果找到合适的匹配设备的位置，将对应照片的相关信息按构建的文件存储格式存储在数据文件中；如果没有找到合适的匹配设备的位置，也将对应照片存储下来，并进行系统提示，通过其他方式对照片进行标记并存储。
[0029]
进一步地，所述步骤s6中，按如下条件筛选出拍摄的环境条件与当前拍摄照片相近的标准照片：
[0030]
(1)当前拍摄照片的光线亮度与标准照片的光线亮度的差值在设定阈值e1内；
[0031]
(2)当前拍摄照片的雨雪量不大于标准照片的雨雪量，且与标准照片的雨雪量的差值在设定阈值e2内；
[0032]
如果找不到满足以上条件的标准照片，则不对当前拍摄照片进行后续处理判断；根据光线亮度差值最小的原则，从满足以上条件的标准照片中找出与当前拍摄照片最相近的标准照片。
[0033]
进一步地，所述步骤s7中，对选择的最相近照片进行相较于当前拍摄照片的亮度信息匹配转换，其计算公式为：
[0034]
r＝a/b
[0035]
其中，a是最相近照片拍摄时的光线亮度数值，b是当前拍摄照片拍摄时的光线亮度数值；
[0036]
所述步骤s8中，不同照片中对应方块区域内像素点的亮度之和进行比较运算，其计算公式为：
[0037]
p＝(c-r*d)/c
[0038]
其中，c是最相近照片上方块区域内像素点亮度数据之和；d是当前拍摄照片上方块区域内像素点亮度数据之和；
[0039]
当p的数值小于设定阈值，该方块区域在比较值矩阵中的数值为0，否者为1。
[0040]
相较于现有技术，本发明具有以下有益效果：提供了一种基于场景过滤的换流站户外电气设备表面缺陷检测方法，该方法克服了现有技术中检测精度低或算法复杂的问题，不仅能够准确地检测出换流站户外电气设备的表面缺陷，而且算法简单，不需要提供大量的数据来进行算法训练，检测快速，易于实现。因此，本发明具有很强的实用性和广阔的应用前景。
附图说明
[0041]
图1是本发明实施例的方法实现流程图。
[0042]
图2是本发明实施例中拍摄的照片示意图。
[0043]
图3是本发明实施例中采用多边形轮廓确定照片中设备轮廓的示意图。
具体实施方式
[0044]
下面结合附图及实施例对本发明做进一步说明。
[0045]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另
有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0046]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0047]
如图1所示，本实施例提供了一种基于场景过滤的换流站户外电气设备表面缺陷检测方法，其特征在于，包括建立标准图库和检测设备缺陷两个过程，具体包括以下步骤：
[0048]
s1、智能巡检系统按设置的巡检点位对需要监视的电力设备拍摄照片作为基准图像，如图2所示；并记录当前照片拍摄的时间和环境条件，包括光线亮度和雨雪量。
[0049]
s2、如图3所示，在基准图像上，采用多边形轮廓框出设备轮廓位置，记录多边形轮廓每一个顶点的位置坐标，形成坐标数组。
[0050]
s3、构建设备表面融合信息文件存储格式，包括照片的拍摄时间、环境条件、设备轮廓顶点信息，将每一个巡检点位每一次拍摄照片的相关信息按构建的文件存储格式存储在数据文件中。
[0051]
在本实施例中，所述环境条件还包括拍摄时的温度和湿度。所述设备表面融合信息文件存储格式存储的信息包括图像存储格式，文件版本，拍摄时间，拍摄时的光线亮度、温度、湿度、雨雪量，设备轮廓的顶点数量以及每一个顶点的位置坐标。该文件存储格式如下表所示：
[0052]
表1设备表面融合信息文件存储格式
[0053][0054]
s4、智能巡检系统对同一巡检点位继续定期拍摄照片，基于基准图像中设备轮廓
的顶点信息，通过自动识别匹配方法，将后续拍摄的每张照片与基准图像进行设备匹配，确定每张照片中设备轮廓顶点位置，如果能够匹配到对应设备，则将每张照片的拍摄时间、环境条件、设备轮廓顶点信息按所述文件存储格式存储在数据文件中。
[0055]
所述步骤s4中，基于基准图像中设备轮廓的顶点信息，通过自动识别匹配方法，确定每张照片中设备轮廓顶点位置，包括以下步骤：
[0056]
a)以步骤s1拍摄照片为基准图像，以当前拍摄照片为待处理图像；
[0057]
b)选取基准图像上的多边形轮廓的4个顶点为特征点：s1、s2、s3、s4；
[0058]
c)以一个特征点为中心，在基准图像中选取长度宽度都为m的亮度数据块t作为计算相似度的数据计算基础；在本实施例中，m取值为37像素；
[0059]
d)在待处理图像中采用全局搜索方法计算与t数据块相似度最高的亮度数据块，相似度计算公式如下：
[0060][0061]
式中，s
ij
表示在待处理图像数据中以坐标(i,j)位置为中心的长度宽度都为m的亮度数据块，其中i的取值范围为(m/2)到(w-m/2)，j的取值范围为(m/2)到(h-m/2)，其中w为图像宽度，h为图像高度；
[0062]
e)统计所有r(i,j)值中的最大值，该最大值对应的(i,j)就是待处理图像中与基准图像中选取的特征点相匹配的目标特征点；
[0063]
f)重复步骤c至步骤e，分别得到基准图像中特征点对应的待处理图像中目标特征点：t1、t 2、t 3、t4；
[0064]
g)计算s1点分别到s2、s3、s4点的距离是否与t1点分别到t 2、t 3、t4点的距离误差是否在设定范围内(本实施例中为3个像素点)，是则确认s1点为基准图像与待处理图像的匹配对准点；
[0065]
h)根据t1、t 2、t 3、t4点的位置，并根据基准图像中多边形轮廓，确定在待处理图像中设备准确的多边形轮廓。
[0066]
如果找到合适的匹配设备的位置，将对应照片的相关信息按构建的文件存储格式存储在数据文件中；如果没有找到合适的匹配设备的位置，也将对应照片存储下来，并进行系统提示，通过其他方式对照片进行标记并存储。
[0067]
s5、在设备调试期间，通过步骤s1-s4拍摄并存储多个照片及对应的设备表面融合信息，建立标准图库；然后开始检测设备缺陷。
[0068]
s6、智能巡检系统在巡检过程中，对所述巡检点位的电力设备拍摄照片，然后在标准图库中检索每张标准照片，选择拍摄的环境条件与当前拍摄照片最相近的标准照片。
[0069]
具体地，按如下条件先筛选出拍摄的环境条件与当前拍摄照片相近的标准照片：
[0070]
(1)当前拍摄照片的光线亮度与标准照片的光线亮度的差值在设定阈值e1内；
[0071]
(2)当前拍摄照片的雨雪量不大于标准照片的雨雪量，且与标准照片的雨雪量的差值在设定阈值e2内；
[0072]
如果找不到满足以上条件的标准照片，则不对当前拍摄照片进行后续处理判断；
根据光线亮度差值最小的原则，从满足以上条件的标准照片中找出与当前拍摄照片最相近的标准照片。
[0073]
s7、对选择的最相近照片进行相较于当前拍摄照片的亮度信息匹配转换。
[0074]
上述亮度信息匹配转换的计算公式为：
[0075]
r＝a/b
[0076]
其中，a是最相近照片拍摄时的光线亮度数值，b是当前拍摄照片拍摄时的光线亮度数值。
[0077]
s8、将当前拍摄照片划分成多个方块区域，计算各个方块区域内像素点的亮度之和，然后与最相近照片对应方块区域内像素点的亮度之和进行比较运算，根据两者差异是否小于设定阈值，分别赋予0或1值，得到一个比较值矩阵，矩阵中值为0的元素表示照片中对应部分没有差异，矩阵中值为1的元素表示照片中对应部分有差异，即设备表面发生变化。
[0078]
具体地，不同照片中对应方块区域内像素点的亮度之和进行比较运算，其计算公式为：
[0079]
p＝(c-r*d)/c
[0080]
其中，c是最相近照片上方块区域内像素点亮度数据之和；d是当前拍摄照片上方块区域内像素点亮度数据之和。
[0081]
当p的数值小于设定阈值(本实施例中取0.02)，该方块区域在比较值矩阵中的数值为0，否者为1。
[0082]
s9、根据步骤s8的结果，综合判断设备表面缺陷情况；对于不存在图像差异的照片，按步骤s4中的文件存储格式存储在标准图库中，作为标准照片。
[0083]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。