CN108489996A - 一种绝缘子的缺陷检测方法、系统及终端设备 - Google Patents
一种绝缘子的缺陷检测方法、系统及终端设备 Download PDFInfo
- Publication number
- CN108489996A CN108489996A CN201810140089.XA CN201810140089A CN108489996A CN 108489996 A CN108489996 A CN 108489996A CN 201810140089 A CN201810140089 A CN 201810140089A CN 108489996 A CN108489996 A CN 108489996A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- block image
- feature vector
- insulator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000012212 insulator Substances 0.000 title claims abstract description 52
- 238000007689 inspection Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 103
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于缺陷检测技术领域，提供了一种绝缘子的缺陷检测方法、系统及终端设备，包括：获取待检测绝缘子的图像作为待检测图像；根据待检测图像，得到目标区域；对目标区域进行自适应分块，得到预设数量的待检测分块图像；根据待检测分块图像，得到待检测分块图像的综合特征向量；根据待检测分块图像对应的综合特征向量和预存模板图像模型，确定待检测分块图像是否存在缺陷。实现了对绝缘子的自动检测，提高了检测效率，并且通过对待检测分块图像与预存模板图像模型的比对，提高了检测精度，实现了对电力设备的安全隐患的有效预警。
Description
技术领域
本发明属于缺陷检测技术领域，尤其涉及一种绝缘子的缺陷检测方法、系统及终端设备。
背景技术
随着我国主力500kV高压输电线路投入生产和运作，新形势下的输电线路的监测和维护工作变得十分迫切和必要。其中，用于固定导体并使该导体与其他导体绝缘的绝缘子的缺陷检测是输电线路维护的重要组成部分。绝缘子在长期运行中，由于各种原因可能出现裂纹、断裂、污损等情况，引发一系列的设备事故。因此，需经常检测绝缘子的瓷瓶外观状态。
现有技术中，通常采用电压分布法或者基于神经网络的图像识别方法对绝缘子缺陷进行检测，但是通过电压分布法检测绝缘子缺陷存在工作量大，安全性差且工作效率低下的问题；基于神经网络的图像识别方法存在检测精度低、检测范围有限的问题。
发明内容
有鉴于此，本发明实施例提供了一种绝缘子的缺陷检测方法、系统及终端设备，以解决现有技术中存在的工作量大、安全性差及检测精度低的问题。
本发明实施例的第一方面提供了一种绝缘子的缺陷检测方法，包括：
获取待检测绝缘子的图像作为待检测图像；
根据待检测图像，得到目标区域；
对目标区域进行自适应分块，得到预设数量的待检测分块图像；
根据待检测分块图像，得到待检测分块图像的综合特征向量；
根据待检测分块图像对应的综合特征向量和预存模板图像模型，确定待检测分块图像是否存在缺陷。
本发明实施例的第二方面提供了一种绝缘子的缺陷检测系统，包括：
待检测图像获取模块，用于获取待检测绝缘子的图像作为待检测图像；
目标区域获取模块，用于根据待检测图像，得到目标区域；
待检测分块图像获取模块，用于对目标区域进行自适应分块，得到预设数量的待检测分块图像；
综合特征向量生成模块，用于根据待检测分块图像，得到待检测分块图像的综合特征向量；
缺陷判断模块，用于根据待检测分块图像对应的综合特征向量和预存模板图像模型，确定待检测分块图像是否存在缺陷。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述绝缘子的缺陷检测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述绝缘子的缺陷检测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：通过获取待检测绝缘子的图像作为待检测图像；根据待检测图像，得到目标区域；对目标区域进行自适应分块，得到预设数量的待检测分块图像；根据待检测分块图像，得到待检测分块图像的综合特征向量；根据待检测分块图像对应的综合特征向量和预存模板图像模型，确定待检测分块图像是否存在缺陷。实现了对绝缘子的自动检测，提高了检测效率，并且通过对待检测分块图像与预存模板图像模型的比对，提高了检测精度，实现了对电力设备的安全隐患的有效预警。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的绝缘子的缺陷检测方法的实现流程示意图；
图2是本发明实施例提供的图1中步骤S102的实现流程示意图；
图3是本发明实施例提供的待检测图像、前景图像、目标区域和感兴趣区域的示意图；
图4是本发明实施例提供的图1中步骤S103的实现流程示意图；
图5是本发明实施例提供的绝缘子的缺陷检测系统的结构示例图；
图6是本发明实施例提供的图5中目标区域获取模块的结构示意图；
图7是本发明实施例提供的图5中待检测分块图像获取模块的结构示意图。
图8是本发明实施例提供的终端设备示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例1：
图1示出了本发明的一个实施例提供的一种绝缘子的缺陷检测方法的实现流程，其过程详述如下：
在步骤S101中，获取待检测绝缘子的图像作为待检测图像。
在本实施例中，获取待检测绝缘子的图像的方法可以通过无人机拍摄，也可以通过安装在待测绝缘子附近的固定摄像头获取。
在步骤S102中，根据待检测图像，得到目标区域。
在步骤S103中，对目标区域进行自适应分块，得到预设数量的待检测分块图像。
在步骤S104中，根据待检测分块图像，得到待检测分块图像的综合特征向量。
在步骤S105中，根据待检测分块图像对应的综合特征向量和预存模板图像模型，确定待检测分块图像是否存在缺陷。
从上述实施例可知，通过获取待检测绝缘子的图像作为待检测图像；根据待检测图像，得到目标区域；对目标区域进行自适应分块，得到预设数量的待检测分块图像；根据待检测分块图像，得到待检测分块图像的综合特征向量；根据待检测分块图像对应的综合特征向量和预存模板图像模型，确定待检测分块图像是否存在缺陷。本实施例实现了对绝缘子的自动检测，提高了检测效率，并且通过对待检测分块图像与预存模板图像模型的比对，提高了检测精度，实现了对电力设备的安全隐患的有效预警。
如图2所示，在本发明的一个实施例中，图2示出了图1中步骤S102的具体实现流程，详述如下：
在步骤S201中，将待检测图像进行二值化处理，得到前景图像。
在本实施例中，获得的待检测图像如图3(a)所示，由于获得的待检测图像除绝缘子图像外还包括其他背景图像，所以为了获得更精确的绝缘子图像，采用OTSU(大津算法)算法对图像进行二值化处理，OTSU算法是一种确定图像二值化分割阈值的算法，通过OTSU算法，找到一个最佳阈值将所述待检测图像分割为前景图像和背景图像，并提取所述前景图像，所述前景图像如图3(b)所示。
在步骤S202中，对前景图像进行腐蚀和膨胀处理，得到处理图像。
在本实施例中，对获取的前景图像进行腐蚀和膨胀处理，腐蚀用于消除前景图像的边界点，使获取的前景图像缩小，膨胀用于将与前景图像接触的所有背景点合并到前景图像中，添补前景图像中的空洞，通过腐蚀和膨胀处理，从而完成前景图像降噪处理，得到处理图像。
在步骤S203中，提取处理图像中面积最大的连通域，作为目标区域。
在本实施例中，为了获取精确的绝缘子的目标区域，需要对图像进行分割，找到面积最大的连通域，作为目标区域，在本实施例中，如图3(c)所示，目标区域即为绝缘子瓷瓶，通过提取图像中面积最大的连通域，剔除多余的影响因素，得到更加精确的目标区域。
从上述实施例可知，通过将待检测图像进行二值化处理，得到前景图像，然后对前景图像进行腐蚀和膨胀处理，得到处理图像，最后提取处理图像中面积最大的连通域作为目标区域，从而得到更加精确的目标区域，提高了绝缘子缺陷检测精度。
如图4所示，在本发明的一个实施例中，图4示出了图1中步骤S103的具体视线流程，详述如下：
在步骤S301中，获取目标区域的最小外接矩形区域，作为感兴趣区域。
在本实施例中，如图3(d)所示，黑色矩形框内部区域为目标区域的最小外接矩形区域，获取该最小外接矩形区域作为感兴趣区域。
在步骤S302中，采用预设窗口模板对所述感兴趣区域进行滑动取样，得到所述预设数量的待检测分块图像。
在本实施例中，可以设置多种比例的预设窗口模板，其长宽比可以包括1:1，1:1.5，1.5:1，1:2，2:1。
以一个实际场景为例，首先以感兴趣区域宽度的1/8作为基准长度，按照基准长度生成上述长宽比相应的模板，然后以感兴趣区域的1/16作为步长对感兴趣区域进行水平滑动取样，生成预设数量的样本块，所述样本块为预设数量的，并将获取到的样本快作为待检测分块图像。
在本实施例中，根据多种比例的模板滑动取样，得到多种比例的重叠的样本块，使样本块的选取更加严谨，多样，从而使最终的缺陷检测结果更加准确，提高缺陷检测精度。
在本发明的一个实施例中，图1中步骤S104的具体视线流程详述如下：
在步骤S401中，获取待检测分块图像的HSV颜色空间。
在本实施例中，待检测分块图像通常采用RGB颜色空间，所以需要将RGB颜色空间转换到HSV颜色空间。HSV颜色空间是一种将RGB颜色空间中的点在倒圆锥体中的表示方法。HSV即色相(Hue)、饱和度(Saturation)、明度(Value)。色相是色彩的基本属性，饱和度是指色彩的纯度，取0-100％的数值。明度取0-max(计算机中HSV取值范围和存储的长度有关)。
在步骤S402中，对HSV颜色空间的H通道图像进行量化，建立预设区间数量的颜色直方图，并得到颜色直方图的特征向量。
在本实施例中，为了得到更加准确的检测绝缘子缺陷，引入了颜色直方图，颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适于描述难以进行自动分割的图像。因此，在本实施例中，首先提取HSV中的H通道图像，即色相通道图像，然后对所述H通道图像建立颜色直方图。
在本发明的一个实施例中，建立颜色直方图的方法如下所述：
首先，将HSV中的H通道图像的色相划分为预设区间数量的颜色区间，每个小区间称为直方图的一个bin。这个过程称为颜色量化(color quantization)。然后，通过统计颜色落在每个小区间内的像素数量，就可以得到预设区间数量的颜色直方图。所述颜色直方图的横轴表示色相，纵轴表示像素点个数。
在一个具体的应用场景中，预设区间数量取值为18，根据待检测分块图像中的H通道图像，建立横轴被分为18个bin的颜色直方图。
在本实施例中，根据颜色直方图，可统计得到颜色直方图中18个bin分别对应的向量，然后根据L2归一化方法，将所述向量归一化，使其值位于[0,1]之间，从而得到18元的颜色直方图的特征向量。
在步骤S403中，将待检测分块图像转化为灰度图像。
在本实施例中，将彩色的待检测分块图像进行灰度化处理，得到该待检测分块图像的灰度图像。
在步骤S404中，提取灰度图像的梯度信息。
在本实施例中，计算梯度信息的方法可以包括Sobel(索贝尔)算子、laplacian(拉普拉斯)算子。由于Sobel算子不但能产生较好的边缘检测效果，而且对噪声具有平滑抑制作用，因此在本实施例中，利用Sobel算子计算获得梯度信息，所述梯度信息包括灰度图像中每个像素点的梯度方向和幅值。
在步骤S405中，根据梯度信息，得到预设区间数量的梯度方向直方图以及梯度方向直方图的特征向量。
在本实施例中，根据梯度信息中的梯度方向和幅值，统计得到梯度方向直方图，梯度方向直方图的横轴为梯度方向，纵轴为像素点个数，将横轴梯度方向按照预设区间数量进行划分，得到预设区间数量的梯度方向直方图。
在一个具体的应用场景中，直方图横轴梯度为360度，将360度划分为18个区间，并统计落在各个区间的像素点个数，得到18个区间的梯度方向直方图。将梯度方向直方图中的每个区间对应的向量进行L2归一化处理，使向量值位于[0,1]之间，得到梯度方向直方图的18维特征向量。
在步骤S406中，根据颜色直方图的特征向量和梯度方向直方图的特征向量，融合颜色直方图和梯度方向直方图，得到待检测分块图像的综合特征向量。
在本实施例中，融合所述颜色直方图和梯度方向直方图，得到融合后的特征向量，再对融合后的所述特征向量进行L2归一化，得到待检测分块图像的综合特征向量。在本实施例中，综合特征向量为36维向量。
在本发明的一个实施例中，图1中步骤S105的实现流程具体包括：
步骤S501：根据预存模板图像模型，提取超球体，并得到相关参数，相关参数包括超球体中心向量和超球体半径。
步骤S502：计算每一个待检测分块图像对应的综合特征向量和超球体中心向量的距离，得到每一个待检测分块图像对应的球心矩。
在本实施例中，计算每一个待检测分块图像的综合特征向量和超球体中心向量的欧式距离，从而判断待检测分块图像是否在预存模板图像模型中存在相同的模式。
步骤S503：若待检测分块图像对应的球心矩大于所述超球体半径，则判定待检测分块图像存在缺陷。
在本实施例中，若检测到待检测分块图像对应的球心矩大于超球体半径，则判断待检测分块图像在预存模板图像模型中不存在相同模式，因此判定该待检测分块图像存在缺陷。并可直接确定该待检测绝缘子的缺陷所在位置。
步骤S504：若待检测分块图像对应的球心矩小于或等于超球体半径，则判定待检测分块图像不存在缺陷。
在本实施例中，当检测到待检测分块图像对应的球心矩小于或等于超球体半径，则判定待检测分块图像不存在缺陷，当检测到每一个待检测分块图像均不存在缺陷时，则判断与之对应的待检测绝缘子为正常无缺陷的绝缘子。
在本发明的一个实施例中，上述步骤S501的具体实现流程包括：
步骤S601：根据所述预存模板图像模型，得到预设数量的模板分块图像。
在本实施例中，所述预设模板图像模型为正常绝缘子的图像。根据所述预存模板图像模型，得到预设数量的模板分块图像，具体包括：
将预存模板图像模型进行二值化处理，得到前景图像；
对前景图像进行腐蚀和膨胀处理，得到处理图像；
提取处理图像中面积最大的连通域，作为目标区域。
获取目标区域的最小外接矩形区域，作为感兴趣区域；
采用预设窗口模板对感兴趣区域进行滑动取样，得到预设数量的模板分块图像。
步骤S602：根据模板分块图像，得到模板分块图像的综合特征向量。
在本实施例中，根据模板分块图像，得到模板分块图像的综合特征向量，具体包括：
获取模板分块图像的HSV颜色空间；
对HSV颜色空间的H通道图像进行量化，建立预设区间数量的颜色直方图，并得到颜色直方图的特征向量；
将模板分块图像转化为灰度图像；
提取灰度图像的梯度信息；
根据梯度信息，得到预设区间数量的梯度方向直方图以及梯度方向直方图的特征向量；
根据颜色直方图的特征向量和梯度方向直方图的特征向量，融合颜色直方图和梯度方向直方图，得到模板分块图像的综合特征向量。
在本实施例一个实际应用场景中，与上述待检测分块图像的综合特征向量相同的，模板分块图像的综合特征向量也为36维向量。
步骤S603：根据所有的模板分块图像的综合特征向量，构成特征空间；
其中，所述目标函数为：
s.t.||xi-O||2≤R2+ξi,ξi≥0,1≤i≤n；
其中：R为超球体半径，O为超球体中心向量，xi为第i个模板分块图像的综合特征向量，n为模板分块图像的总数量，ξi为第i个模板分块图像的综合特征向量与超球体中心向量的距离松弛变量，C为控制参数，用来调节超球体球体积和超球体内包含模板分块图像的数量的权重。
在本实施例中，根据所有的模板分块图像的综合特征向量，建立一个36维特征空间，并从所述特征空间中提取一个36维的超球体，使所述超球体的体积能够尽可能小，且超球体内包括尽可能多的模板分块图像的综合特征向量，用来描述预存模板图像模型中已存在的所有可能的区域特征。
从上述实施例可知，通过计算超球体的中心向量和超球体半径，从而找到一个最优的超球体，并计算得到的超球体中心向量和超球体半径，通过判断超球体中心向量和待检测分块图像的综合特征向量的欧式距离与超球体半径的大小，判断待检测分块图像是否属于预存模板图像模型的综合特征向量集合，从而能够快速精确的判断出待检测分块图像是否存在缺陷，提高了绝缘子缺陷检测的精度，实现了对电力设备安全隐患的有效预警。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例2：
如图5所示，本发明的一个实施例提供的一种绝缘子的缺陷检测系统100，用于执行图1所对应的实施例中的方法步骤，其包括：
待检测图像获取模块110，用于获取待检测绝缘子的图像作为待检测图像；
目标区域获取模块120，用于根据待检测图像，得到目标区域；
待检测分块图像获取模块130，用于对目标区域进行自适应分块，得到预设数量的待检测分块图像；
综合特征向量生成模块140，用于根据待检测分块图像，得到待检测分块图像的综合特征向量；
缺陷判断模块150，用于根据待检测分块图像对应的综合特征向量和预存模板图像模型，确定待检测分块图像是否存在缺陷。
从上述实施例可知，通过获取待检测绝缘子的图像作为待检测图像；根据待检测图像，得到目标区域；对目标区域进行自适应分块，得到预设数量的待检测分块图像；根据待检测分块图像，得到待检测分块图像的综合特征向量；根据待检测分块图像对应的综合特征向量和预存模板图像模型，确定待检测分块图像是否存在缺陷。实现了对绝缘子的有效检测，提高了检测效率，并且通过对待检测分块图像与预存模板图像模型的比对，提高了检测精度，实现了对电力设备的安全隐患的有效预警。
如图6所示，在本发明的一个实施例中，图5所对应的实施例中的目标区域获取模块120还包括用于执行图2所对应的实施例中的方法步骤的结构，其包括：
前景图像获取单元121，用于将待检测图像进行二值化处理，得到前景图像；
处理图像获取单元122，用于对前景图像进行腐蚀和膨胀处理，得到处理图像；
目标区域提取单元123，用于提取处理图像中面积最大的连通域，作为目标区域。
从上述实施例可知，通过将待检测图像进行二值化处理，得到前景图像，然后对前景图像进行腐蚀和膨胀处理，得到处理图像，最后提取处理图像中面积最大的连通域作为目标区域，从而得到更加精确的目标区域，提高了绝缘子缺陷检测精度。
如图7所示，在本发明的一个实施例中，图5所对应的实施例中的待检测分块图像获取模块130还包括用于执行图3所对应的实施例中的方法步骤的结构，其包括：
感兴趣区域获取单元131，用于在待检测图像中获取所述目标区域的最小外接矩形区域，作为感兴趣区域；
待检测分块图像获取单元132，用于采用预设窗口模板对所述感兴趣区域进行滑动取样，得到预设数量的待检测分块图像。
在本实施例中，根据多种比例的模板滑动取样，得到多种比例的重叠的样本快，使样本块的选取更加严谨，多样，从而使最终的缺陷检测结果更加准确，提高缺陷检测精度。
在本发明的一个实施例中，图5所对应的实施例中的综合特征向量生成模块包括：
HSV颜色空间获取单元141，用于获取待检测分块图像的HSV颜色空间；
颜色直方图特征向量获取单元142，用于对HSV颜色空间的H通道图像进行量化，建立预设区间数量的颜色直方图，并得到颜色直方图的特征向量；
灰度图像获取单元143，用于将待检测分块图像转化为灰度图像；
梯度信息获取单元144，用于提取灰度图像的梯度信息；
梯度方向直方图特征向量获取单元145，用于根据梯度信息，得到预设区间数量的梯度方向直方图以及梯度方向直方图的特征向量；
综合特征向量获取单元146，用于根据颜色直方图的特征向量和梯度方向直方图的特征向量，融合颜色直方图和所述梯度方向直方图，得到待检测分块图像的综合特征向量。
在一个实施例中，缺陷判断模块150还包括：
超球体提取单元，用于根据预存模板图像模型，提取超球体，并得到相关参数，相关参数包括超球体中心向量和超球体半径；
球心矩计算单元，用于计算每一个待检测分块图像对应的综合特征向量和超球体中心向量的距离，得到每一个待检测分块图像对应的球心矩；
图像缺陷判定单元，用于若待检测分块图像对应的球心矩大于超球体半径，则判定待检测分块图像存在缺陷；
图像正常判定单元，用于若待检测分块图像对应的球心矩小于或等于超球体半径，则判定待检测分块图像不存在缺陷。
在一个实施例中，超球体提取单元包括：
模板分块图像获取单元，用于根据预存模板图像模型，得到预设数量的模板分块图像；
模板综合特征向量获取单元，用于根据模板分块图像，得到模板分块图像的综合特征向量；
特征空间生成单元，用于根据所有的模板分块图像的综合特征向量，构成特征空间；
相关超球体提取单元，用于根据目标函数，在特征空间中提取超球体，并得到相关参数；
其中，目标函数为：
s.t.||xi-O||2≤R2+ξi,ξi≥0,1≤i≤n；
其中：R为超球体半径，O为超球体中心向量，xi为第i个模板分块图像的综合特征向量，n为模板分块图像的总数量，ξi为第i个模板分块图像的综合特征向量与超球体中心向量的距离松弛变量，C为控制参数，用来调节超球体球体积和超球体内包含模板分块图像的数量的权重。
从上述实施例可知，通过计算超球体的中心向量和超球体半径，从而找到一个最优的超球体，并计算得到的超球体中心向量和超球体半径，通过判断超球体中心向量和待检测分块图像的综合特征向量的欧式距离与超球体半径的大小，判断待检测分块图像是否属于预存模板图像模型的综合特征向量集合，从而能够快速精确的判断出待检测分块图像是否存在缺陷，提高了绝缘子缺陷检测的精度，实现了对电力设备安全隐患的有效预警。
实施例3：
如图8所示，本发明实施例还提供了一种终端设备8，包括存储器81、处理器80以及存储在存储器81中并可在处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至步骤S105。或者，所述处理器80执行所述计算机程序82时实现如实施例2中所述的各装置实施例中的各模块的功能，例如图4所示的模块110至150的功能。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备8可包括，但不仅限于，处理器80、存储器81。例如所述终端设备8还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至步骤S105。或者，所述计算机程序被处理器执行时实现如实施例2中所述的各装置实施例中的各模块的功能，例如图4所示的模块110至150的功能。
所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种绝缘子的缺陷检测方法，其特征在于，包括：
获取待检测绝缘子的图像作为待检测图像；
根据所述待检测图像，得到目标区域；
对所述目标区域进行自适应分块，得到预设数量的待检测分块图像；
根据所述待检测分块图像，得到所述待检测分块图像的的综合特征向量；
根据所述待检测分块图像对应的综合特征向量和预存模板图像模型，确定所述待检测分块图像是否存在缺陷。
2.如权利要求1所述的绝缘子的缺陷检测方法，其特征在于，所述根据所述待检测图像，得到目标区域，包括：
将所述待检测图像进行二值化处理，得到前景图像；
对所述前景图像进行腐蚀和膨胀处理，得到处理图像；
提取所述处理图像中面积最大的连通域，作为所述目标区域。
3.如权利要求1所述的绝缘子的缺陷检测方法，其特征在于，所述对所述目标区域进行自适应分块，得到预设数量的待检测分块图像，包括：
获取所述目标区域的最小外接矩形区域，作为感兴趣区域；
采用预设窗口模板对所述感兴趣区域进行滑动取样，得到所述预设数量的待检测分块图像。
4.如权利要求1所述的绝缘子的缺陷检测方法，其特征在于，所述根据所述待检测分块图像，得到所述待检测分块图像的颜色直方图以及所述颜色直方图的综合特征向量，包括：
获取所述待检测分块图像的HSV颜色空间；
对所述HSV颜色空间的H通道图像进行量化，建立预设区间数量的颜色直方图，并得到所述颜色直方图的特征向量；
将所述待检测分块图像转化为灰度图像；
提取所述灰度图像的梯度信息；
根据所述梯度信息，得到所述预设区间数量的梯度方向直方图以及所述梯度方向直方图的特征向量；
根据所述颜色直方图的特征向量和所述梯度方向直方图的特征向量，融合所述颜色直方图和所述梯度方向直方图，得到所述待检测分块图像的综合特征向量。
5.如权利要求1所述的绝缘子的缺陷检测方法，其特征在于，所述根据所述待检测分块图像对应的综合特征向量和预存模板图像模型，确定所述待检测分块图像是否存在缺陷，包括；
根据所述预存模板图像模型，提取超球体，并得到相关参数，所述相关参数包括超球体中心向量和超球体半径；
计算每一个所述待检测分块图像对应的综合特征向量和所述超球体中心向量的距离，得到每一个所述待检测分块图像对应的球心矩；
若所述待检测分块图像对应的球心矩大于所述超球体半径，则判定所述待检测分块图像存在缺陷；
若所述待检测分块图像对应的球心矩小于或等于所述超球体半径，则判定所述待检测分块图像不存在缺陷。
6.如权利要求5所述的绝缘子的缺陷检测方法，其特征在于，所述根据所述预存模板图像模型，提取超球体，并得到相关参数，包括：
根据所述预存模板图像模型，得到预设数量的模板分块图像；
根据所述模板分块图像，得到所述模板分块图像的综合特征向量；
根据所有的所述模板分块图像的综合特征向量，构成特征空间；
根据目标函数，在所述特征空间中提取所述超球体，并得到所述相关参数；
其中，所述目标函数为：
s.t.||xi-O||2≤R2+ξi,ξi≥0,1≤i≤n；
其中：R为超球体半径，O为超球体中心向量，xi为第i个模板分块图像的综合特征向量，n为模板分块图像的总数量，ξi为第i个模板分块图像的综合特征向量与超球体中心向量的距离松弛变量，C为控制参数，用来调节超球体球体积和超球体内包含模板分块图像的数量的权重。
7.一种绝缘子的缺陷检测系统，其特征在于，包括：
待检测图像获取模块，用于获取待检测绝缘子的图像作为待检测图像；
目标区域获取模块，用于根据所述待检测图像，得到目标区域；
待检测分块图像获取模块，用于对所述目标区域进行自适应分块，得到预设数量的待检测分块图像；
综合特征向量生成模块，用于根据所述待检测分块图像，得到所述待检测分块图像的综合特征向量；
缺陷判断模块，用于根据所述待检测分块图像对应的综合特征向量和预存模板图像模型，确定所述待检测分块图像是否存在缺陷。
8.如权利要求1所述的绝缘子的缺陷检测系统，其特征在于，所述目标区域获取模块，包括：
前景图像获取单元，用于将所述待检测图像进行二值化处理，得到前景图像；
处理图像获取单元，用于对所述前景图像进行腐蚀和膨胀处理，得到处理图像；
目标区域提取单元，用于提取所述处理图像中面积最大的连通域，作为所述目标区域。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的绝缘子的缺陷检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的绝缘子的缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140089.XA CN108489996B (zh) | 2018-02-11 | 2018-02-11 | 一种绝缘子的缺陷检测方法、系统及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140089.XA CN108489996B (zh) | 2018-02-11 | 2018-02-11 | 一种绝缘子的缺陷检测方法、系统及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108489996A true CN108489996A (zh) | 2018-09-04 |
| CN108489996B CN108489996B (zh) | 2020-09-29 |
Family
ID=63340400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810140089.XA Active CN108489996B (zh) | 2018-02-11 | 2018-02-11 | 一种绝缘子的缺陷检测方法、系统及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108489996B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109374630A (zh) * | 2018-09-28 | 2019-02-22 | 新兴铸管股份有限公司 | 球墨铸铁管铸造缺陷智能检测方法 |
| CN110136142A (zh) * | 2019-04-26 | 2019-08-16 | 微梦创科网络科技（中国）有限公司 | 一种图像裁剪方法、装置、电子设备 |
| CN110514672A (zh) * | 2018-09-06 | 2019-11-29 | 永康市缘匠贸易有限公司 | 玻璃噪声自适应去除系统 |
| CN110675373A (zh) * | 2019-09-12 | 2020-01-10 | 珠海格力智能装备有限公司 | 一种组件安装检测方法、装置和系统 |
| CN110954541A (zh) * | 2019-11-14 | 2020-04-03 | 国网山西省电力公司大同供电公司 | 一种10kV及以下输电线路瓷瓶裂缝检测装置和方法 |
| CN110992300A (zh) * | 2018-09-29 | 2020-04-10 | 北京国双科技有限公司 | 图像检测方法及装置 |
| CN111024710A (zh) * | 2019-12-17 | 2020-04-17 | 江苏恒宝智能系统技术有限公司 | 一种农作物异常检测系统及方法 |
| CN112775032A (zh) * | 2020-12-25 | 2021-05-11 | 深圳市一诺维奇教育科技有限公司 | 一种水果分拣方法、装置及柔性机器人 |
| CN117496415A (zh) * | 2023-12-29 | 2024-02-02 | 深圳亿维锐创科技股份有限公司 | 用于视频检测道路病害的方法、系统和设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2673933A1 (en) * | 2009-07-20 | 2011-01-20 | Martin S. Niles | Photogrammetric methods and apparatus for measurement of electrical equipment |
| CN103150330A (zh) * | 2013-01-16 | 2013-06-12 | 中南大学 | 一种基于局部对象和块匹配的扫描证书图像检索方法 |
| KR20140031541A (ko) * | 2012-09-04 | 2014-03-13 | 한국철도공사 | 전차선로 결함 검사시스템 |
| CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
| CN105957059A (zh) * | 2016-04-20 | 2016-09-21 | 广州视源电子科技股份有限公司 | 电子元件漏件检测方法和系统 |
| CN106097380A (zh) * | 2016-08-03 | 2016-11-09 | 中国电力科学研究院 | 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法 |
-
2018
- 2018-02-11 CN CN201810140089.XA patent/CN108489996B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2673933A1 (en) * | 2009-07-20 | 2011-01-20 | Martin S. Niles | Photogrammetric methods and apparatus for measurement of electrical equipment |
| KR20140031541A (ko) * | 2012-09-04 | 2014-03-13 | 한국철도공사 | 전차선로 결함 검사시스템 |
| CN103150330A (zh) * | 2013-01-16 | 2013-06-12 | 中南大学 | 一种基于局部对象和块匹配的扫描证书图像检索方法 |
| CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
| CN105957059A (zh) * | 2016-04-20 | 2016-09-21 | 广州视源电子科技股份有限公司 | 电子元件漏件检测方法和系统 |
| CN106097380A (zh) * | 2016-08-03 | 2016-11-09 | 中国电力科学研究院 | 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林聚财等: "于彩色图像的玻璃绝缘子缺陷诊断", 《电网技术》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110514672A (zh) * | 2018-09-06 | 2019-11-29 | 永康市缘匠贸易有限公司 | 玻璃噪声自适应去除系统 |
| CN109374630A (zh) * | 2018-09-28 | 2019-02-22 | 新兴铸管股份有限公司 | 球墨铸铁管铸造缺陷智能检测方法 |
| CN110992300A (zh) * | 2018-09-29 | 2020-04-10 | 北京国双科技有限公司 | 图像检测方法及装置 |
| CN110992300B (zh) * | 2018-09-29 | 2023-04-07 | 北京国双科技有限公司 | 图像检测方法及装置 |
| CN110136142A (zh) * | 2019-04-26 | 2019-08-16 | 微梦创科网络科技（中国）有限公司 | 一种图像裁剪方法、装置、电子设备 |
| CN110675373A (zh) * | 2019-09-12 | 2020-01-10 | 珠海格力智能装备有限公司 | 一种组件安装检测方法、装置和系统 |
| CN110954541A (zh) * | 2019-11-14 | 2020-04-03 | 国网山西省电力公司大同供电公司 | 一种10kV及以下输电线路瓷瓶裂缝检测装置和方法 |
| CN111024710A (zh) * | 2019-12-17 | 2020-04-17 | 江苏恒宝智能系统技术有限公司 | 一种农作物异常检测系统及方法 |
| CN112775032A (zh) * | 2020-12-25 | 2021-05-11 | 深圳市一诺维奇教育科技有限公司 | 一种水果分拣方法、装置及柔性机器人 |
| CN112775032B (zh) * | 2020-12-25 | 2022-08-23 | 深圳市一诺维奇教育科技有限公司 | 一种水果分拣方法、装置及柔性机器人 |
| CN117496415A (zh) * | 2023-12-29 | 2024-02-02 | 深圳亿维锐创科技股份有限公司 | 用于视频检测道路病害的方法、系统和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108489996B (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108489996A (zh) | 一种绝缘子的缺陷检测方法、系统及终端设备 | |
| CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
| CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
| CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
| CN112560634B (zh) | 基于现场图像的电力线路绝缘子快速检测定位方法及系统 | |
| CN111510792B (zh) | 基于自适应加权图差异分析的视频摘要生成方法及系统 | |
| CN113808138A (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
| CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
| CN112164086B (zh) | 一种精细化的图像边缘信息确定方法、系统及电子设备 | |
| CN108920765A (zh) | 一种基于建筑物三维线段模型的假设平面拟合方法 | |
| CN103218809A (zh) | 一种珍珠长度参数的图像测量方法 | |
| CN116740072A (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN117291911B (zh) | 一种用于电力设备的缺陷检测方法及系统 | |
| CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
| CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
| CN116703912B (zh) | 一种迷你主机网口完整性视觉检测方法 | |
| CN117437623A (zh) | 一种基于图像边缘检测的中间接头缺陷识别方法和系统 | |
| CN109523530A (zh) | 一种微带片圆形焊盘检测方法和系统 | |
| Strokina et al. | Detection of curvilinear structures by tensor voting applied to fiber characterization | |
| Bergevin et al. | Detection and characterization of junctions in a 2D image | |
| CN111985497B (zh) | 架空输电线路下吊车作业识别方法及系统 | |
| Shuliang et al. | Design of text position detection method for electrical equipment nameplate | |
| CN111695576A (zh) | 一种基于神经网络的电能表外观快速识别方法 | |
| Tang et al. | Smoke image recognition based on local binary pattern |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: B501, Building F2, TCL Science Park, No. 1001, Zhongshanyuan Road, Shuguang Community, Xili Street, Nanshan District, Shenzhen City, Guangdong Province, 518000 Patentee after: LAUNCH DIGITAL TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 518000 Third Floor, Fengyun Building, Galaxy, No. 5 Xinxi Road, North District, Nanshan High-tech Park, Shenzhen City, Guangdong Province Patentee before: LAUNCH DIGITAL TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |