基于光学图像的绝缘子串自动识别方法与流程

本发明涉及一种应用于变电站绝缘子串基于光学图像的自动识别方法，具体地说是一种基于计算机视觉的绝缘子串自动识别方法。

背景技术：

变电站绝缘子串在变电站中起到电气隔离的作用，是维护电力系统正常运行的重要设备。由于绝缘子运行时处于自然环境中，容易受到氮氧化物、so2以及其他种类的颗粒性尘埃的影响，在绝缘子表面形成一层污秽物。在气候干燥的情况下，绝缘子依然保持较高绝缘水平，其放电电压与干燥、洁净状态时接近；但遇有雨、露等潮湿天气，或者融雪、融冰天气时，绝缘子表面污秽物吸收水分使污秽层中的电解质溶解，这种情况会降低绝缘子绝缘水平，导致泄漏电流增大，严重时会引起闪络事故。因此，对绝缘子串定期进行清洗是一项重要工作。

现阶段对绝缘子进行清洗的方法仍旧依赖于人工清洗，并需要专业的带电作业人员。在进行清洗时，存在危险性高，劳动强度大等问题。

为解决以上问题，人工进行绝缘子串冲洗任务可由变电站巡检机器人代替完成。为完成带电水冲洗任务，机器人首先要在变电站中自动识别出绝缘子串。计算机视觉的方法为解决这一问题提供了一种途径，通过对变电站中场景进行检测，然后对图像进行分析，以识别出变电站中绝缘子串。

目前，对绝缘子串的识别，主要有提取盘片和铁帽识别绝缘子串的视觉方法，[陈芳,姚建刚,李佐胜等.绝缘子串红外图像中单个绝缘子盘面的提取方法,电网技术,2010(5):220-224]，但这种方法对于盘片和铁帽遮挡的情况，识别效果有所下降。

技术实现要素：

针对上述问题，本发明要解决的技术问题是提供一种识别精度高的基于光学图像的绝缘子串自动识别方法。

本发明解决其技术问题所采用的技术方案是：

该种基于光学图像的绝缘子串自动识别方法，包括以下步骤：

步骤一：获取光学图像：通过在机器人上安装工业相机，对绝缘子串进行数据采集，获得光学图像；

步骤二：对光学图像进行预处理：对带有绝缘子串的光学图像进行预处理，获得目标区域；

步骤三：对光学图像进行特征提取：在目标区域中，建立灰度特征曲线模型，构建灰度周期性特征矩阵和灰度阈值特征矩阵，提取绝缘子串特征；

步骤四：绝缘子串类型识别：根据绝缘子串特征对绝缘子串类型进行识别。

进一步，所述步骤二中，对光学图像进行预处理包括以下步骤：

步骤2.1：将光学图像进行灰度化处理得到灰度图像；

步骤2.2：通过otsu算法将灰度图像转换为二值图像；

步骤2.3：再依次通过膨胀运算、腐蚀运算消除二值图像中的干扰像素点；

步骤2.4：在处理后的二值图像中选取最大连通域作为目标区域，完成预处理。

进一步，步骤2.1中，建立灰度特征曲线模型包括以下步骤：

步骤3.1.1：提取目标区域左边缘：

lik＝k,

步骤3.1.2：提取目标区域右边缘：

rik＝k,

式中d(x,y)为二值图像，k代表图像的行数，t代表图像的列数，lk，rk为边缘上的像素点位置；ni为图像的最大行数；

步骤3.1.3：通过目标区域的左边缘与右边缘，确定目标区域中线的位置：

mik＝k,

式中mk为灰度特征曲线像素点的坐标，mik为灰度特征曲线像素点行坐标，mjk为灰度特征曲线像素点列坐标；

步骤3.1.4：建立灰度特征曲线模型:

f(xk,yk)＝0

其中:

xk＝mik

xk为特征曲线的横坐标，即图像行数，yk为特征曲线的纵坐标，即灰度值；l(mk)表示灰度图像。

进一步，所述步骤三中，所述灰度周期性特征矩阵：

其中：

h1,k＝ak+1-ak,h2,k＝|bk+1-bk|,(1)

k＝1,2…n1-1

式中ak为灰度特征曲线f(xk,yk)＝0上极小值点的横坐标，bk为灰度特征曲线f(xk,yk)＝0上极小值点的纵坐标，即灰度值；n1为灰度周期性特征矩阵的列数。

进一步，所述步骤三中，所述灰度阈值特征矩阵：

设定阈值λg1,λg2，λg1﹤λg2，在特征曲线上筛选出yk>λg1并且yk<λg2的点；选出点后，将这些点对应的xk按由小到大排列，依次加入到矩阵的第2行中，将xk对应的yk加入到矩阵的第1行中；g1,k为选取到点的纵坐标，即灰度值，g2,k为选取到点的横坐标，即图像行数；k＝1,2…n2。

进一步，所述步骤三中，提取绝缘子串特征包括以下步骤：

步骤3.2.1：由提取绝缘子串段数特征

首先设定阈值αh1,αh2，初始化标志位δg为0，段数信息num(g)为0；

然后对按列进行遍历：

当δh＝0，h1,k<αh1并且h2,k<αh2时，置标志位δh为1，并记录当前h1,k对应的ak作为绝缘子串的上边界；

当δh＝1并且h1,k≥αh1或者h2,k≥αh2时，置标志位δh为0，记录当前h1,k对应的ak作为绝缘子串的下边界，并将段数信息加1，完成一段绝缘子串的识别；

最后，num(h)为灰度周期性特征矩阵提取出的绝缘子串段数，并将记录灰度特征曲线行数在图像中做出标记，完成灰度周期性特征矩阵对绝缘子串的识别；

步骤3.2.2：由提取绝缘子串段数特征

首先设定阈值αg1,αg2，初始化标志位δg为0，段数信息num(g)为0；

对按列进列遍历：

当g2,k+1-g2,k<αg1并且δg＝0时，置δg为1，并记录其对应的图像行数，即g1k；

当g2,k+1-g2,k>αg1并且δg＝1时，并记录其对应的图像行数g1,k；

将两次纪录的行数做差，求得行数跨度l；

当l>αg2时，将段数信息num(g)加1，将第一次记录的图像行数作为绝缘子串上边界，第二次记录的绝缘子串作为下边界，在图像中做出标记；当l≤αg2时，不做任何操作；

最后，num(g)为灰度阈值特征矩阵提取出的绝缘子串段数，并将记录的边缘信息在图像中做出标记，完成灰度周期性特征矩阵对绝缘子串的识别。

进一步，所述步骤四中，根据绝缘子串特征对绝缘子串类型进行识别包括以下步骤：

将步骤3.2.1和步骤3.2.2中分别得到的绝缘子串上边界取均值、下边界取均值，作为识别到的绝缘子串上、下边界；将步骤3.1和步骤3.2中分别得到的段数信息取均值，作为识别到的绝缘子串的段数。

本发明的有益效果是：

1.本发明根据绝缘子串本身的特性，利用灰度周期性特征和灰度阈值特征，对绝缘子串进行识别。识别结果准确性高，提高了工作效率，对之后的变电站巡检机器人完成冲洗任务提供依据。

2.本发明采用工业相机作为传感器，其体积小，功耗低，便于携带。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1是本发明的流程示意图；

图2是绝缘子串光学图像；

图3是预处理后的二值图；

图4是灰度特征曲线图；

图5是灰度阈值矩阵效果图；

图6是灰度周期性矩阵效果图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

下面结合实施例对本发明做进一步的详细说明。

本发明的基于光学图像的绝缘子串自动识别方法，包括以下步骤：

步骤一：获取光学图像：在变电站巡检机器人上安装工业相机，固定于云台上，对绝缘子串进行数据采集，获得光学图像；

步骤二：对光学图像进行预处理：对带有绝缘子串的光学图像进行预处理，获得感兴趣的区域；

步骤三：对光学图像进行特征提取：在感兴趣的区域中，建立灰度特征曲线模型，构建灰度周期性特征矩阵和灰度阈值特征矩阵，提取绝缘子串特征；

步骤四：进行绝缘子串类型识别：根据提取出的特征对绝缘子串类型进行识别。

其中，步骤二中的光学图像的预处理包括以下步骤：

步骤2.1.1：将光学图像进行灰度化处理，将彩色图像转变成灰度图像。

步骤2.1.2：通过otsu算法，将灰度图像进行处理，转换为二值图像。

步骤2.1.3：采用图像形态学处理图像，首先采用膨胀运算，再采用腐蚀运算，消除二值图像中的干扰像素点。

步骤2.1.4：选取最大连通域，提取出感兴趣的区域，完成预处理。

其中步骤三中，光学图像的特征提取方法如下：

首先建立灰度特征曲线模型，定义的灰度特征曲线能够反映绝缘子串特征，方法如下：

步骤3.1.1：提取目标区域左边缘：

lik＝k,

步骤3.1.2：提取目标区域右边缘：

rik＝k,

式中d(x,y)为二值图像，k代表图像的行数，t代表图像的列数，lk，rk为边缘上的像素点位置。ni代表为图像的最大行数。

步骤3.1.3：通过这两个集合可以确定出目标区域中线的位置集合。

mik＝k,

式中mk为灰度特征曲线像素点的坐标，mik为灰度特征曲线像素点行坐标，mjk为灰度特征曲线像素点列坐标。

步骤3.1.4：建立深度特征曲线模型:

f(xk,yk)＝0

其中:

xk＝mik

xk为特征曲线的横坐标，即图像行数，yk为特征曲线的纵坐标，即灰度值；l(mk)表示灰度图像。

通过一定规则构建灰度周期性特征矩阵和灰度阈值特征矩阵，并提取出绝缘子串特征。构建的灰度周期性特征矩阵：

其中：

h1,k＝ak+1-ak,h2,k＝|bk+1-bk|,(1)

k＝1,2…n1-1

式中ak为灰度特征曲线f(xk,yk)＝0上极小值点的横坐标，bk为灰度特征曲线f(xk,yk)＝0上极小值点的纵坐标，即灰度值；n1为灰度周期性特征矩阵的列数。

构建的灰度阈值特征矩阵：

设定阈值λg1,λg2，λg1﹤λg2，在特征曲线上筛选出yk>λg1并且yk<λg2的点；选出点后，将这些点对应的xk按由小到大排列，依次加入到矩阵的第2行中，将xk对应的yk加入到矩阵的第1行中；g1,k为选取到点的纵坐标，即灰度值，g2,k为选取到点的横坐标，即图像行数；k＝1,2…n2。

最后根据光学图像提取出的特征，对感兴趣区域进行分析，融合两特征矩阵得出的结果，完成识别。

基于光学图像的绝缘子串自动识别方法流程图如1所示。具体流程如下：

1.光学图像采集数据

工业相机检测绝缘子串区域，得到光学图像i(x,y)，如图2所示。

2.图像预处理

将光学图像按公式(2)进行二值化：

d(x,y)表示二值化，m为阈值。再将二值图像进行膨胀腐蚀运算，标记最大连通域。经预处理后，可得到感兴趣的区域，即绝缘子串及其架设。如图3所示。

3.建立灰度特征曲线模型

根据灰度图像中绝缘子串所处区域的灰度周期性变化，建立灰度特征曲线模型，方法如下：

提取目标区域左边缘：

lik＝k,

提取目标区域右边缘：

rik＝k,

式中d(x,y)为二值图像，k代表图像的行数，t代表图像的列数，lk，rk为边缘上的像素点位置。左、右边缘分别为绝缘子串的左、右边缘。

通过这两个集合可以确定出目标区域中线的位置集合。

mik＝k,

式中mk为灰度特征曲线像素点的坐标，mik为灰度特征曲线像素点行坐标，mjk为灰度特征曲线像素点列坐标。

建立灰度特征曲线模型:

f(xk,yk)＝0

其中:

xk＝mik

如图4所示，横坐标表示图像行数，纵坐标表示灰度值。

4.构建灰度周期性特征矩阵和灰度阈值特征矩阵

(1)构建灰度周期性特征矩阵：

其中：

h1,k＝ak+1-ak,h2,k＝|bk+1-bk|(1)

k＝1,2…n1-1

式中ak为灰度特征曲线f(xk,yk)＝0上极小值点的横坐标，bk为灰度特征曲线f(xk,yk)＝0上极小值点的纵坐标，即灰度值。极小值点通过matlab中的findpeaks()函数求得。

(2)构建灰度阈值特征矩阵：

设定阈值λg1,λg2，λg1﹤λg2，本实施分别取λg1＝18、λg2＝35。在特征曲线上筛选出yk>λg1并且yk<λg2的点，选出所有点后，将筛选出yk对应的xk按有小到大进行列，加入矩阵g的第2行中；再将yk加入矩阵g的第1行中。其中g1,k为选取到点的纵坐标，即灰度值，g2,k为选取到点的横坐标，即图像行数。k＝1,2…n2。

5.在光学图像中识别绝缘子串

(1)由提取绝缘子串段数特征

首先设定阈值αh1,αh2，本实施分别取8、20。初始化标志位δh为0，段数信息num(h)为0。再对按列进行遍历。当δh＝0，h1,k<αh1并且h2,k<αh2时，置标志位δh为1，并记录当前h1,k对应的αk(公式1中)作为绝缘子串的上边界；当δh＝1并且h1,k≥αh1或者h2,k≥αh2时，置标志位δh为0，记录当前h1,k对应的ak(公式1中)作为绝缘子串的下边界，并将段数信息加1，完成一段绝缘子串的识别；

继续遍历至矩阵末端，找出所有绝缘子串。

最后，num(h)为灰度周期性特征矩阵提取出的绝缘子串段数，并将记录灰度特征曲线行数在图像中做出标记，完成灰度周期性特征矩阵对绝缘子串的识别，如图5所示。

(2)由提取绝缘子串段数特征

首先设定阈值αg1,αg2，本实施分别取10、50。初始化标志位δg为0，段数信息num(g)为0。

再对按列进列遍历。当g2,k+1-g2,k<αg1并且δg＝0时，置δg为1，并记录其对应的图像行数，即g1,k。当g2,k+1-g2,k>αg1并且δg＝1时，记录并记录其对应的图像行数g1,k。将两次纪录的行数做差，求得行数跨度l。当l>αg2时，将段数信息num(g)加1，将第一次记录的图像行数作为绝缘子串上边界，第二次记录的绝缘子串作为下边界，在图像中做出标记。当l≤αg2时，不做任何操作。继续遍历至矩阵末端，找出所有绝缘子串。

最后，num(g)为灰度阈值特征矩阵提取出的绝缘子串段数，并得到标记出绝缘子串的图像，完成灰度周期性特征矩阵对绝缘子串的识别。如图6所示。

6.识别结果融合

两种特征矩阵识别完成后，得出结果具有一定差异。将两次识别结果中，每段绝缘子串的上下边界分别进行平均，得到最终的识别结果，消除单一特征带来的扰动，提高识别准确度。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。