一种基于可见光图像数据的输电线路部件裂纹检测方法专利检索-深度图像图形技术专利检索查询-专利查询网

一种基于可见光图像数据的输电线路部件裂纹检测方法

阅读：310发布：2020-05-08

专利汇可以提供一种基于可见光图像数据的输电线路部件裂纹检测方法专利检索，专利查询，专利分析的服务。并且一种基于可见光图像数据的输电线路部件裂纹检测方法，步骤如下：步骤一，倾斜影像的获取；为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；步骤二，部件目标检测：将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；步骤三，部件目标分割；步骤四，部件裂纹检测；本发明提高了输电线路巡检的效率，降低了巡检人员的劳动强度和安全风险；同时也克服了目前激光点云数据不能够检测部件裂纹缺陷隐患的缺点。，下面是一种基于可见光图像数据的输电线路部件裂纹检测方法专利的具体信息内容。

权利要求

1.一种基于可见光图像数据的输电线路部件裂纹检测方法，其特征在于，步骤如下：
步骤一：倾斜影像的获取
为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；
步骤二：部件目标检测
将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；
1)部件检测是在航拍图像中检测出其包含的目标对象的类别和目标在图像中的具体位置，再将目标检测的结果输入到裂纹检测的过程中，这样能有效的减少裂纹检测算法的计算量；
2)裂纹检测是判断当前目标是否存在裂纹缺陷，采用深度神经网络物体检测模型作为目标检测模块，深度神经网络物体检测模型将基于图像的物体检测过程看作回归问题来解决，在检测时间和检测精度之间达到了很好的平衡；
步骤三：部件目标分割
部件目标检测算法只给出了包含目标物体的矩形框，在矩形框中包含两种像素点：前景像素点和背景像素点；在裂纹检测算法中则关注的是前景像素点区域，故需要对部件目标区域进行前景背景分割，使用kmean方法对目标区域进行聚类分割，算法的思想是先从样本集中随机选取k个样本点作为类中心，并计算所有样本与k个类中心的距离，每一个样本被划分到与其距离最近的类中，最后通过聚类后的样本子集更新每个类的中心；根据kmean的原理和部件图像分割的实际要求，kmean算法的要点如下：
1)类的个数k选为4，目标前景区域常常出现在图像的中心，这样背景区域就不再联通；
2)聚类的特征为每个像数点的R、G、B值和每个点在图像中的坐标x、y值，前景区域和背景区域在图像邻域内颜色和位置都连续；
3)采用欧式距离作为相似度计算的测度，欧式距离的计算公式如下所示：
其中：x代表图像区域中的某一个像素点；i代表的是第i个类，u代表类中心，C代表图像中像素的类别数量；
步骤四：部件裂纹检测
从频域的角度来分析部件上的裂纹缺陷，在频域中裂纹缺陷表现为高频部分；对原始输入图像做PCA变换后再使用前的90％分量重构图像就能够将高频的裂纹信息滤除，最后通过原始图像与重构图像做差分就可以提取到部件区域中的裂纹信息，进而判断部件是否包含裂纹缺陷；
将图像假设分辨率为n＝i*j，那么一张图像就构成了一个n维的特征向量；一个随机采样的图像样本数据集，各个特征之间必然存在n阶协方差矩阵A，该矩阵是一个实对称矩阵，如公式(2)所示：
对矩阵A进行相似对角化如公式(3)所示：其中p是对于特征值λ的特征向量组；由公式(4)在p张成的特征空间下，各个特征之间是线性非相关的；
公式(5)给出了图像信号重构的方法：
其中是重构的图像信号，在得到重构的图像信号后，将原始信号与重建信号做差分得到差分图像d，如公式(6)所示：
d＝|x-x'| (6)
裂纹判断条件如下所示：
其中：x,y为图像中的坐标值，T1为裂纹点判断阈值，count为图像中的裂纹点计数，T2为图像中存在裂纹的判断阈值。

说明书全文

一种基于可见光图像数据的输电线路部件裂纹检测方法

技术领域

[0001] 本发明属于电网系统输电线路缺陷检测技术领域，具体涉及一种基于可见光图像数据的输电线路部件裂纹检测方法。

背景技术

[0002] 目前电网系统中的远距离输电部分都位于野外的自然环境中，输电系统的部件都暴露在风吹、日晒、雨淋等的条件下，这样导致输电线路上的部件非常容易发生各式各样的缺陷，而各种缺陷基本都是从裂纹缺陷开始的。为了保证电网系统的安全稳定运行，就必须对电网系统进行高密度的巡检，在部件缺陷还在早期的时候就将其发现阻止部件隐患演变位部件缺陷。目前输电线路巡检方法主要以人工巡检为主直升机巡检为辅，人工巡检输电线路部件裂纹缺陷存在工作效率低下，操作方法复杂费力，巡检人员面临的安全风险较大；直升机巡检主要是以激光点云数据为依据，而点云数据的分辨率非常低无法发现部件的裂纹缺陷。

发明内容

[0003] 基于上述现有技术的不足，本发明提出了基于可见光数据的输电线路部件裂纹缺陷的检测方法，该方法通过主成分分析法(PCA)对输电线路部件裂纹缺陷进行自动检测，并实现无人机倾斜摄影获取高清影像数据。

[0004] 本发明是通过如下技术方案来实现的。

[0005] 一种基于可见光图像数据的输电线路部件裂纹检测方法，步骤如下：

[0006] 步骤一：倾斜影像的获取

[0007] 为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；

[0008] 步骤二：部件目标检测

[0009] 将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；

[0010] 1)部件检测是在航拍图像中检测出其包含的目标对象的类别和目标在图像中的具体位置，再将目标检测的结果输入到裂纹检测的过程中，这样能有效的减少裂纹检测算法的计算量；

[0011] 2)裂纹检测是判断当前目标是否存在裂纹缺陷，采用深度神经网络物体检测模型(yolo-v3模型)作为目标检测模块，yolo-v3模型将基于图像的物体检测过程看作回归问题来解决，在检测时间和检测精度之间达到了很好的平衡；

[0012] 步骤三：部件目标分割

[0013] 部件目标检测算法只给出了包含目标物体的矩形框，在矩形框中包含两种像素点：前景像素点和背景像素点；在裂纹检测算法中则关注的是前景像素点区域，故需要对部件目标区域进行前景背景分割，使用kmean方法对目标区域进行聚类分割；kmean算法自动分割出部件矩形框内有效的目标区域，去除背景信息对裂纹检测识别过程的干扰，该算法的思想是先从样本集中随机选取k个样本点作为类中心，并计算所有样本与k个类中心的距离，每一个样本被划分到与其距离最近的类中，最后通过聚类后的样本子集更新每个类的中心；根据kmean的原理和部件图像分割的实际要求，kmean算法的要点如下：

[0014] 1)类的个数k选为4，目标前景区域常常出现在图像的中心，这样背景区域就不再联通；

[0015] 2)聚类的特征为每个像数点的R、G、B值和每个点在图像中的坐标x、y值，前景区域和背景区域在图像邻域内颜色和位置都连续；

[0016] 3)采用欧式距离(Euclidean distance)作为相似度计算的测度，欧式距离的计算公式如下所示：

[0017]

[0018] 其中：x代表图像区域中的某一个像素点；i代表的是第i个类，u代表类中心，C代表图像中像素的类别数量；

[0019] 步骤四：部件裂纹检测

[0020] 从频域的角度来分析部件上的裂纹缺陷，在频域中裂纹缺陷表现为高频部分；对原始输入图像做PCA变换后再使用前90％分量重构图像就能够将高频的裂纹信息滤除，最后通过原始图像与重构图像做差分就可以提取到部件区域中的裂纹信息，进而判断部件是否包含裂纹缺陷；

[0021] 将图像假设分辨率为n＝i*j，那么一张图像就构成了一个n维的特征向量；一个随机采样的图像样本数据集，各个特征之间必然存在n阶协方差矩阵A，该矩阵是一个实对称矩阵，如公式(2)所示：

[0022]

[0023] 对矩阵A进行相似对角化如公式(3)所示：其中p是对于特征值λ的特征向量组；由公式(4)在p张成的特征空间下，各个特征之间是线性非相关的；

[0024]

[0025]

[0026] 公式(5)给出了图像信号重构的方法：

[0027]

[0028] 其中是重构的图像信号，在得到重构的图像信号后，将原始信号与重建信号做差分得到差分图像d，如公式(6)所示：

[0029] d＝|x-x'| (6)

[0030] 裂纹判断条件如下所示：

[0031]

[0032]

[0033] 其中：x,y为图像中的坐标值，T1为裂纹点判断阈值，count为图像中的裂纹点计数，T2为图像中存在裂纹的判断阈值。

[0034] 在本发明中，采用无人机航拍采集输电线路部件的图像数据，使用深度神经网络模型来表达目标部件的特征并通过回归的思想定位和分类图像中的部件目标；使用kmean算法分割出图像中目标前景区域并使用PCA对图像进行变换和使用前90％的主成分对图像进行重构与原始图像做差分判断部件区域是否存在裂纹缺陷。

[0035] 有益效果：本发明实现了一种通过计算机视觉技术自动检测识别输电线路部件裂纹缺陷的方法，提高了输电线路巡检的效率，降低了巡检人员的劳动强度和安全风险；同时本发明也克服了目前激光点云数据不能够检测部件裂纹缺陷隐患的缺点。

具体实施方式

[0036] 一种基于可见光图像数据的输电线路部件裂纹检测方法，步骤如下：

[0037] 步骤一：倾斜影像的获取

[0038] 为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；

[0039] 步骤二：部件目标检测

[0040] 将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；

[0041] 1)部件检测是在航拍图像中检测出其包含的目标对象的类别和目标在图像中的具体位置，再将目标检测的结果输入到裂纹检测的过程中，这样能有效的减少裂纹检测算法的计算量；

[0042] 2)裂纹检测是判断当前目标是否存在裂纹缺陷，采用yolo-v3作为目标检测模块，yolo-v3模型将基于图像的物体检测过程看作回归问题来解决，在检测时间和检测精度之间达到了很好的平衡；

[0043] 步骤三：部件目标分割

[0044] 部件目标检测算法只给出了包含目标物体的矩形框，在矩形框中包含两种像素点：前景像素点和背景像素点；在裂纹检测算法中则关注的是前景像素点区域，故需要对部件目标区域进行前景背景分割，使用kmean方法对目标区域进行聚类分割，算法的思想是先从样本集中随机选取k个样本点作为类中心，并计算所有样本与k个类中心的距离，每一个样本被划分到与其距离最近的类中，最后通过聚类后的样本子集更新每个类的中心；根据kmean的原理和部件图像分割的实际要求，kmean算法的要点如下：

[0045] 1)类的个数k选为4，目标前景区域常常出现在图像的中心，这样背景区域就不再联通；

[0046] 2)聚类的特征为每个像数点的R、G、B值和每个点在图像中的坐标x、y值，前景区域和背景区域在图像邻域内颜色和位置都连续；

[0047] 3)采用欧式距离(Euclidean distance)作为相似度计算的测度，欧式距离的计算公式如下所示：

[0048]

[0049] 其中：x代表图像区域中的某一个像素点；i代表的是第i个类，u代表类中心，C代表图像中像素的类别数量；

[0050] 步骤四：部件裂纹检测

[0051] 从频域的角度来分析部件上的裂纹缺陷，在频域中裂纹缺陷表现为高频部分；对原始输入图像做PCA变换后再使用前90％分量重构图像就能够将高频的裂纹信息滤除，最后通过原始图像与重构图像做差分就可以提取到部件区域中的裂纹信息，进而判断部件是否包含裂纹缺陷；

[0052] 将图像假设分辨率为n＝i*j，那么一张图像就构成了一个n维的特征向量；一个随机采样的图像样本数据集，各个特征之间必然存在n阶协方差矩阵A，该矩阵是一个实对称矩阵，如公式(2)所示：

[0053]

[0054] 对矩阵A进行相似对角化如公式(3)所示：其中p是对于特征值λ的特征向量组；由公式(4)在p张成的特征空间下，各个特征之间是线性非相关的；

[0055]

[0056]

[0057] 公式(5)给出了图像信号重构的方法：

[0058]

[0059] 其中是重构的图像信号，在得到重构的图像信号后，我们将原始信号与重建信号做差分得到差分图像d，如公式(6)所示：

[0060] d＝|x-x'| (6)

[0061] 裂纹判断条件如下所示：

[0062]

[0063]

[0064] 其中：x,y为图像中的坐标值，T1为裂纹点判断阈值，count为图像中的裂纹点计数，T2为图像中存在裂纹的判断阈值。

[0065] 以上所揭露的为本发明的优选实施例，不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

标题	发布/更新时间	阅读量
一种全固态全息投影器	2020-05-08	103
一种精子标注方法、装置、电子设备及存储介质	2020-05-08	135
一种三维建图智能地点识别方法	2020-05-08	604
描述子地图生成方法、定位方法、装置、设备和存储介质	2020-05-08	2
一种基于卷积神经网络特征的跨质量人脸识别方法	2020-05-11	853
一种基于深度学习的手势识别方法	2020-05-11	959
一种基于双流网络的RGBD图像联合恢复方法	2020-05-11	191
直播间弹幕显示方法、存储介质、设备及系统	2020-05-08	926
一种基于深度学习的白细胞大视场图像检测系统及方法	2020-05-08	812
一种成捆棒材端面的标牌焊接定位方法	2020-05-08	529

一种基于可见光图像数据的输电线路部件裂纹检测方法

一种基于可见光图像数据的输电线路部件裂纹检测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：