基於深度信念網絡的高壓線絕緣子缺陷檢測方法及系統的製作方法

2023-10-11 17:17:19

基於深度信念網絡的高壓線絕緣子缺陷檢測方法及系統的製作方法
【專利摘要】本發明提供一種基於深度信念網絡的高壓線絕緣子缺陷檢測方法及系統，方法包括：獲取包含被檢測高壓線絕緣子的原始圖像；對原始圖像進行預處理，利用模糊C-均值聚類方法對處理後的圖像進行圖像分割，得到高壓線絕緣子區域；採用連通區域標識方法對高壓線絕緣子區域進行邊界跟蹤，得到高壓線絕緣子的輪廓，進而得到高壓線絕緣子圖像；提取高壓線絕緣子圖像的圖像特徵向量；以圖像特徵向量作為深度信念網絡的輸入，進而通過所述深度信念網絡檢測高壓線絕緣子的缺陷情況。能從複雜的航拍圖像中完整地提取絕緣子圖像，有效檢測出高壓線上有缺陷的高壓線絕緣子，且具有檢測成本低、檢測精度高的優點，因此，具有很好的應用前景。
【專利說明】基於深度信念網絡的高壓線絕緣子缺陷檢測方法及系統

【技術領域】
[0001] 本發明屬於高壓線絕緣子缺陷檢測【技術領域】，具體涉及一種基於深度信念網絡的 高壓線絕緣子缺陷檢測方法及系統。

【背景技術】
[0002] 對於架空高壓線路（包括高壓線絕緣子、導線等），由於長期暴露在外部自然環 境中，既存在人為破壞因素，也存在自然破壞或線路老化因素，例如，需要經受汙穢、雷擊、 風雪、洪水和鳥害等外界因素的侵害，因此，會出現高壓線絕緣子或導線的損壞。對於高壓 線絕緣子，是架空高壓線的重要部件之一，作用為防止高壓線的帶電部件形成接地通道，因 此，需要及時檢測到出現缺陷的高壓線絕緣子，並進行及時修改，否則，會引發各種故障甚 至出現事故，直接影響到電網的安全運行和電力系統的穩定。
[0003] 隨著機器視覺和圖像處理技術的快速發展以及數位相機質量的提高，利用直升機 進行高壓線巡檢和維護，將數位相機採集的原始圖像利用數字圖像處理技術處理，從而檢 測高壓線絕緣子的各種缺陷，是航拍輸電線路巡檢技術發展的必然趨勢。
[0004] 申請號為"201110303911. 8"、發明名稱為"基於紋理的絕緣子缺陷診斷方法"的專 利公開一種融合了紋理診斷中灰度共生矩陣（GLCM)紋理診斷方法以及Gabor濾波紋理診 斷的思想，通過調整GLCM和Gabor濾波器的參數設置，檢測到掉串絕緣子。該方法在輸入 圖像解析度很高的情況下效果理想，但在輸入圖像解析度較低的情況下效果不佳。
[0005] 申請號為"201210328844.X"、發明名稱為"一種可視化輸電線路巡檢系統"的專利 公開了一個輸電線路巡檢系統，該系統由終端設備和監控中心組成，通過監控中心音視頻、 電子地圖和GPS定位數據完成地圖地位，也可通過後臺實現進行錄像、對錄像查詢和點播， 通過後臺與設備進行語音通話，進行指揮，該系統需要專門人員進行監控，增加了監控人員 的負擔。
[0006] 申請號為"201310061850. 8"、發明名稱為"一種鋼化玻璃絕緣子缺陷檢測方法與 裝置"專利公開了一種採用同心圓掃描的方法，抑制了大量無關背景，只留下缺陷部分的圖 像，利於支持向量機進行缺陷檢測，該方法在圖像分割時採用自適應閾值法進行圖像分割， 具有圖像分割效果有限，最終導致高壓線絕緣子缺陷檢測有限。
[0007] 由此可見，現有技術所公開的各類高壓線絕緣子缺陷檢測方法，或具有檢測成本 高的問題，或具有檢測精度有限的問題。


【發明內容】

[0008] 針對現有技術存在的缺陷，本發明提供一種基於深度信念網絡的高壓線絕緣子缺 陷檢測方法及系統，可有效解決上述問題。
[0009] 本發明採用的技術方案如下：
[0010] 本發明提供一種基於深度信念網絡的高壓線絕緣子缺陷檢測方法，包括以下步 驟：
[0011] S1，獲取包含被檢測高壓線絕緣子的原始圖像；
[0012] S2,對所述原始圖像進行預處理，得到處理後的圖像；
[0013] S3,利用模糊C-均值聚類方法對所述處理後的圖像進行圖像分割，得到高壓線絕 緣子區域；
[0014] S4,採用連通區域標識方法對所述高壓線絕緣子區域進行邊界跟蹤，得到所述高 壓線絕緣子的輪廓，進而得到高壓線絕緣子圖像；
[0015] S5,提取所述高壓線絕緣子圖像的圖像特徵向量；其中，所述圖像特徵向量為三維 特徵向量，包括灰度特徵向量、亮度特徵向量和紋理特徵向量；
[0016] S6,以所述圖像特徵向量作為深度信念網絡的輸入，進而通過所述深度信念網絡 檢測高壓線絕緣子的缺陷情況。
[0017] 優選的，Sl中，所述原始圖像為基於RGB顏色空間的原始圖像；
[0018] S2具體為：
[0019] 將所述原始圖像從RGB顏色空間轉換到HSI顏色空間；
[0020] 從轉換到HSI顏色空間的所述原始圖像中提取S飽和度分量，得到S分量子圖像；
[0021] 將所述S分量子圖像的每個像素點轉換到[0, 255]像素空間，得到灰度圖像；
[0022] 對所述灰度圖像進行圖像平滑和噪聲過濾處理，即得到所述處理後的圖像。
[0023] 優選的，採用中值濾波的方法進行所述圖像平滑的圖像處理步驟。
[0024] 優選的，S3具體為：
[0025] S3. 1，採用邊緣檢測方法對所述處理後的圖像進行邊緣檢測，得到所述處理後的 圖像的所有可能的邊緣；
[0026] S3. 2,將所述所有可能的邊緣記為邊緣區域，將位於所述所有可能的邊緣的內部 區域記為非邊緣區域；
[0027] S3. 3,設Etl為非邊緣區域中所有像素點的集合，E1S邊緣區域中所有像素點的集 合；
[0028] 利用區域生長算法，首先將非邊緣區域劃分為互不相交的塊，然後，根據物理就近 原則，將邊緣區域中各像素點逐個劃分到相鄰的塊中，形成互不相交的、連續的子類，完成 一次圖像的初步分割；
[0029] 假設共有η個樣本數據，表示為士，其中，j= 1、2…η;
[0030] Vi代表每個聚類的中心，其中，i= 1、2…c;c為預定的聚類數據；
[0031] Uu表示第j個樣本數據對於第i類聚類中心的隸屬度；
[0032] 則：通過所述初步分割，設共得到c個互不相交的子類'其中，ie{1、2…c}; 中的上標〇代表第一次初步分割得到的結果；
[0033] 則當Xj位於第i類時，C=1;否則，《Γ=〇;在進行迭代時，調用下述隸屬度公 式Uu和類中心公式V1進行迭代，完成圖像的最終分割：
[0034] 隸屬度公式Uij為：
[0035]

【權利要求】
1. 一種基於深度信念網絡的高壓線絕緣子缺陷檢測方法，其特徵在於，包括以下步 驟： S1，獲取包含被檢測高壓線絕緣子的原始圖像； 52, 對所述原始圖像進行預處理，得到處理後的圖像； 53, 利用模糊C-均值聚類方法對所述處理後的圖像進行圖像分割，得到高壓線絕緣子 區域； 54, 採用連通區域標識方法對所述高壓線絕緣子區域進行邊界跟蹤，得到所述高壓線 絕緣子的輪廓，進而得到高壓線絕緣子圖像； 55, 提取所述高壓線絕緣子圖像的圖像特徵向量；其中，所述圖像特徵向量為三維特徵 向量，包括灰度特徵向量、亮度特徵向量和紋理特徵向量； 56, 以所述圖像特徵向量作為深度信念網絡的輸入，進而通過所述深度信念網絡檢測 高壓線絕緣子的缺陷情況。
2. 根據權利要求1所述的基於深度信念網絡的高壓線絕緣子缺陷檢測方法，其特徵在 於，S1中，所述原始圖像為基於RGB顏色空間的原始圖像； S2具體為： 將所述原始圖像從RGB顏色空間轉換到HSI顏色空間； 從轉換到HSI顏色空間的所述原始圖像中提取S飽和度分量，得到S分量子圖像； 將所述S分量子圖像的每個像素點轉換到[0, 255]像素空間，得到灰度圖像； 對所述灰度圖像進行圖像平滑和噪聲過濾處理，即得到所述處理後的圖像。
3. 根據權利要求2所述的基於深度信念網絡的高壓線絕緣子缺陷檢測方法，其特徵在 於，採用中值濾波的方法進行所述圖像平滑的圖像處理步驟。
4. 根據權利要求2所述的基於深度信念網絡的高壓線絕緣子缺陷檢測方法，其特徵在 於，S3具體為： S3. 1，採用邊緣檢測方法對所述處理後的圖像進行邊緣檢測，得到所述處理後的圖像 的所有可能的邊緣； S3. 2,將所述所有可能的邊緣記為邊緣區域，將位於所述所有可能的邊緣的內部區域 記為非邊緣區域； S3. 3,設^為非邊緣區域中所有像素點的集合，Ei為邊緣區域中所有像素點的集合； 利用區域生長算法，首先將非邊緣區域劃分為互不相交的塊，然後，根據物理就近原 貝1J，將邊緣區域中各像素點逐個劃分到相鄰的塊中，形成互不相交的、連續的子類，完成一 次圖像的初步分割； 假設共有n個樣本數據，表示為4，其中，j= 1、2…n; \代表每個聚類的中心，其中，i= 1、2…c;c為預定的聚類數據； 仏」表示第j個樣本數據對於第i類聚類中心的隸屬度； 貝1J:通過所述初步分割，設共得到c個互不相交的子類其中，ie{1、2…c} ;n中 的上標〇代表第一次初步分割得到的結果； 則當X/立於第i類.r時，否則，在進行迭代時，調用下述隸屬度公式Uu和 類中心公式\進行迭代，完成圖像的最終分割： 隸屬度公式為：
其中，me{1，+ <-}，是加權指數，n為圖像中的像素數或模數，c為預先設置的類別數l〈c彡n 為樣本L與第i類的聚類中心Vi間的歐式距離，dw為樣本h與第k類的聚 類中心vk間的歐式距離；Uu表示樣本X」是否在第i類的聚類中，即樣本X」對於Vi的隸屬 度； 當點Ei，即為邊緣點時，其計算公式與隸屬度公式相同，採用的是模糊化隸屬 關係的方法；當點E。，即為非邊緣點時，隸屬度均不發生變化，不再重新計算；重新計算 和確定歸屬的只是邊緣點。
5. 根據權利要求1所述的基於深度信念網絡的高壓線絕緣子缺陷檢測方法，其特徵在 於，S4中，所述連通區域標識方法為8-鄰域判別算法。
6. 根據權利要求1所述的基於深度信念網絡的高壓線絕緣子缺陷檢測方法，其特徵在 於，S5中，利用視覺顯著性理論提取所述高壓線絕緣子圖像的圖像特徵向量。
7. 根據權利要求6所述的基於深度信念網絡的高壓線絕緣子缺陷檢測方法，其特徵在 於，S5具體為： 所述灰度特徵向量和所述亮度特徵向量採用中央-外圍算子過濾再進行差分的方式 獲得， 所述紋理特徵向量的提取方式為：通過小波變換的多解析度分析算法，對所述高壓 線絕緣子圖像進行9個尺度的小波分解，將小波分解中的三個高頻分量組成紋理金字塔 F(x，y)，則方向特徵T(c，s，0)在0G{〇°，45°，90°，135° }四個方向上進行尺度差 分得到； 其中，= ^代表圖像中央的某一尺度，cG{2,3,4}即9層中的第 2, 3, 4層；其中s代表圖像外圍的某一尺度，se{3, 4}即9層中的第3, 4層，〇代表特徵圖 T(c，0)和特徵圖T(s，0)中的每個像素做差分。
8. 根據權利要求6所述的基於深度信念網絡的高壓線絕緣子缺陷檢測方法，其特徵在 於，S6具體為： S6. 1，獲取多張已標定的圖像特徵向量作為訓練樣本；其中，所述已標定的圖像特徵向 量指：該圖像特徵向量所對應的高壓線絕緣子圖像的缺陷情況已知； S6. 2,使用所述訓練樣本對DBN進行訓練； S6. 3,對訓練後的所述DBN實施修正訓練，進行參數調整，得到分類器； S6. 4,使用所述分類器對S5得到的待測試的所述圖像特徵向量進行測試，輸出待測試 的所述高壓線絕緣子圖像的缺陷檢測結果。
9. 一種基於深度信念網絡的高壓線絕緣子缺陷檢測系統，其特徵在於，包括： 圖像獲取模塊，用於獲取包含被檢測高壓線絕緣子的原始圖像； 圖像預處理模塊，用於對所述圖像獲取模塊獲取到的原始圖像進行預處理，得到處理 後的圖像； 圖像分割模塊，用於利用模糊C-均值聚類方法對對經所述圖像預處理模塊處理後的 圖像進行圖像分割，得到高壓線絕緣子區域； 絕緣子輪廓標識模塊，用於採用連通區域標識方法對經所述圖像分割模塊分割後得到 的高壓線絕緣子區域進行邊界跟蹤，得到所述高壓線絕緣子的輪廓，進而得到高壓線絕緣 子圖像； 絕緣子特徵提取模塊，用於提取經所述絕緣子輪廓標識模塊處理後得到的高壓線絕緣 子圖像的圖像特徵向量；其中，所述圖像特徵向量為三維特徵向量，包括灰度特徵向量、亮 度特徵向量和紋理特徵向量； 絕緣子缺陷檢測模塊，用於以所述絕緣子特徵提取模塊提取到的所述圖像特徵向量作 為深度信念網絡的輸入，進而通過所述深度信念網絡檢測高壓線絕緣子的缺陷情況。
【文檔編號】G01N21/88GK104483326SQ201410798653
【公開日】2015年4月1日 申請日期:2014年12月19日 優先權日:2014年12月19日
【發明者】孫宏彬 申請人:長春工程學院