不同像素点。
[0078] 步骤2、上述（Μ/2ΜΝ/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：
[0079]
[0080] 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，Cum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：
[0081]
[0082] f
[0083] 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，本实施例中以蚂蚁所在位置（1，f) 处的灰度梯度值▽ 1(1，f)作为启发函数，由于绝缘子轮廓边缘部分灰度变化较为剧烈，这 样可以更好地将绝缘子电梯轮廓的像素点与其他像素点区分开来，提高对绝缘子单体轮廓 的检测精度且保证算法的正常启动。
[0084] 式（4)中，τ ⑴为在第t次迭代时点（m，η)到点（1，f)的路径上信息素 强度的大小，其初始值为0. 001，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，本实施例中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：
*
[0088] 式（6)_⑶中，τ (t-Ι)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，&n(t-l)为第k只蚂蚁在第t-ι次迭代循环时留在（m，η) 到（1，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，和A2T〇ii，n)af)(t-l)分别为在第t-Ι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，η)到（1，f)的局部最 优路径是指像素点（m，η)到（l，f)的最短路径，（m，η)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；LJPL 2分别为以上局部最优路径和局部最差路径的长度， φ (t-Ι)和φ(:?-Γ)分别为在第t-Ι次迭代循环时走过以上局部最优路径LJP局部最差路径 L2I蚂蚁的数量；本实施例中通过采用精英策略来处理最差路径上蚂蚁释放的信息素，同 时放大最优路径上的蚂蚁释放的信息素浓度，这样可以防止搜索陷入局部最优伪解这种情 况的出现，使误检为轮廓上的信息素量降到最低，从而增加轮廓检测的准确率。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：
UiN 丄 UUlOUOOd Λ J 口/ 丄 U
[0090] (9)，
[0091] 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，τ_和τ min分别为第t-Ι次迭代时所有蚂蚁留在点（m，η)到点 (1，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；
[0092] 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：
[0093] 步骤a、初始化（Μ/2)*(Ν/2)个随机解矢量θ ι= (α β J作为随机粒子，将每个 S1= (a 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 Vi_ - ：CV?f ? vPi) a
[0094] 步骤b、每个粒子通过调用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：
[0095]
[0096]
[0097]
[0098] 其中，f为调用蚁群算法的次数，通过大量的试验研究对的数值进行优化，经 优化确定的f_的数值取4-8,本实施例中取5,从而可以防止局部最优伪解的产生，提高了 绝缘子单体轮廓的检测精度。V1K)和Θ Jf)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，vjf-l)和Θ Jf-I)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，1彡i彡（M/2)*(N/2) ;w为惯性权值，取大于1的随机数；Ptest(f-1)为第i个 随机粒子在调用第f-Ι次蚁群算法时找到的最优粒子位置，G test (i-Ι)为第i-Ι个随机粒子 在调用蚁群算法结束时整个粒子群所找到的最优粒子位置；常数Cl、C 2分别决定了一个粒 子选择Pbest和Gbes^倾向，且均为[0-2]之间相互独立的随机数；常数s ^如为[0-1]之间 相互独立的随机数。
[0099] 本实施例中，第i个随机粒子每调用一次蚁群算法就对其找到的最优粒子位 置Ptest进行更新，设第i个随机粒子在第f-Ι次蚁群算法结束时找到的最优粒子位置为 Ptest(f_l)，该粒子在第f次蚁群算法结束时的位置S 1K) = (ajf·)，P1(D),将该粒子 调用第f次蚁群算法时蚂蚁所走路径的长度Lf与寻找P test(f_l)所调用的蚁群算法中蚂 蚁所走路径的长度Lbest(f_l)相比较，若L f彡Lbest(f_l)，则以θ#) = (ai(f)，β#)) 作为该粒子在第f次蚁群算法时找到的最优粒子位置Ptest (f);若Lf > L test (f-1)，则仍以 Ptest (f_l)作为该粒子在第f次蚁群算法时找到的最优粒子位置Ptest (f)。本实施例中以第 i个随机粒子的初始空间位置S1= (a P1)为其寻找到的最优粒子位置Ptest的初始值。 [0100] 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，即该次循环时找到的P test与 上次循环找到的P^t相同时则停止循环，并将第i个粒子寻找其最优粒子位置P test时所调 用蚁群算法中蚂蚁所走路径的长度与寻找Gtest (i-Ι)所调用蚁群算法中蚂蚁所走路径的长 度进行比较，同样以蚂蚁所走路径较短为衡量标准来更新变量Gtest。
[0101] 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G test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。
[0102] 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。，采用τ。对此时整个粒子群所找到的信息素强度矩阵图像进行分割， 信息素强度大于τ c的像素点即为绝缘子单体轮廓上的像素点，因此经阈值分割后即可得 到绝缘子单体的轮廓，如图4(a)和图4(b)。
[0103] 值得说明的是，虽然现有技术中关于将粒子群优化算法与蚁群算法进行结合的研 究已有相关报道，但关于将其应用于无人机输电线路图像中绝缘子缺陷的检测并未有任何 研究，而由于绝缘子成像特点的复杂性及其受地表植被、湖水等相似颜色背景的干扰较为 严重，并不能将现有基于粒子群参数优化的改进蚁群算法直接用于绝缘子缺陷的检测，其 检测精度较低，易发生错检和漏检的现象，且运行时间较长，而这也成为困扰发明人较长时 间的问题。发明人通过对绝缘子成像特点的分析，并结合图像中背景成像与绝缘子成像的 差异，经过长期大量的研究和实验模拟，通过对现有基于粒子群参数优化的改进蚁群算法 进行进一步的改进，才得到了本发明的技术方案，使改进后的蚁群算法适用于分割后得到 的绝缘子串的初步轮廓二值图像中绝缘子单体轮廓的提取，并使其能够适应绝缘子的成像 特点，从而大大提高了对绝缘子缺陷的检测精度，降低了背景的干扰，提高了运行速度。
[0104] 步骤三、遍历每个绝缘子轮廓的中心点坐标及长短轴长度，由于绝缘子单体轮廓 在图像中外形为统一长宽的椭圆型且在输电线路中呈等间距串状排列，采用最小二乘法对 绝缘子单体轮廓进行椭圆拟合，并设置变量用以计算图像中连通域数目，拟合后的绝缘子 单体轮廓如图5(a)和图5(b)。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，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 :
[0105]
[0106] 上式中，R。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 [x0] [y0]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。
[0107] 如图6(a)和图5(b)所示分别为本实施例中绝缘子缺陷标记前与标记后的对比 图，图中统计出当前图像中绝缘子的个数以及绝缘子缺失的个数分别为35个与1个。本实 施例的平台基于Qt软件开发，算法运