技术领域
[0001] 本
发明涉及一种绝缘子故障自动检测方法。
背景技术
[0002] 绝缘子在变电站/换流站中的用量庞大、种类繁多，是站内电
力设备的关键部件之一，占有非常重要的地位，直接关系到变电站/换流站的安全稳定运行。目前绝缘子在线检测方法主要采用人工巡检方式，这种人工巡检维护方式存在很多问题。人工巡检维护主要是工作人员定期在变电站/换流站中对绝缘子的状态进行人眼观察或专用检测设备进行检测，人眼观察有一定的主观性，存在一定的安全隐患，依靠专用检测设备的方法操作复杂、造价高、检测速度慢，消耗人力和物力很大。
[0003] 随着变电站智能巡检
机器人技术和数字
图像处理技术的发展，对于图像处理与识别技术在电力设备状态检测中的应用，已经进行了一些有益的探索，如基于
图像识别的刀闸状态识别、仪表自动读数等。通过图像识别技术与机器人巡检技术相结合，机器人逐渐地代替(或部分代替)值班人员进行变电站/换流站内电力设备的巡检，即时发现运行设备的异常、
缺陷和故障。依靠智能机器人进行站内电力设备巡检，不仅节省了人力，也为及时的发现设备运行过程中的故障和存在的故障隐患打下
基础。
[0005] 第一，当前智能巡检机器人自动检测功能有限，大多数巡检拍摄的图像需要人工进行观察分析，绝缘子串的状态分析仍需要人工参与；
[0006] 第二，目前智能巡检机器人携带相机对电力设备进行拍摄，需要先验信息配置固定的机器人停靠点，并提前设置相机的拍摄
角度和焦距，为了得到更大的视场，往往拍摄得到的绝缘子串图像
分辨率不高，无法清晰地观测绝缘子表面状况；
[0007] 第三，依靠
机器学习的方法对图像中的电力设备进行
定位，
算法耗时高，并且受到背景的影响，容易出现误检的情况；
[0008] 第四，基于图像的绝缘子缺陷诊断算法较少，算法的速度和准确率亟待进一步提高。
发明内容
[0009] 本发明为了解决上述问题，提出了一种绝缘子故障自动检测方法，本发明通过图像显著性检测算法完成图像前景与背景的分割，通过
深度学习方法进行绝缘子分类器训练和定位，根据绝缘子定位信息依靠视觉伺服系统完成绝缘子串图像的拍摄，利用图像
质量判别算法进行绝缘子表面污秽检测，利用图像连通区域检测进行绝缘子裂缝的检测，利用模板特征比对的方法进行绝缘子破损和异物的检测，最终对绝缘子串的运行状态进行综合的评估，并把故障信息及时反馈给工作人员，从而实现绝缘子缺陷的自动诊断。
[0010] 为了实现上述目的，本发明采用如下技术方案：
[0011] 一种绝缘子故障自动检测方法，包括以下步骤：
[0012] (1)建立绝缘子图像正类和负类样本库，通过
卷积神经网络算法训练绝缘子分类器；
[0013] (2)利用图像显著性区域检测算法对采集的图像进行分割，分离图像中设备区域与背景区域，得到绝缘子搜寻候选区域；
[0014] (3)利用卷积神经网络算法训练绝缘子分类器进行绝缘子定位，根据绝缘子串在当前图像的定位信息控制
图像采集设备完成绝缘子串图像采集；
[0015] (4)利用图像识别技术进行绝缘子表面污秽检测、绝缘子串裂缝检测和绝缘子串破损或夹杂异物检测，确定异常绝缘子。
[0016] 所述步骤(1)中，具体包括：
[0017] (1-1)利用历史巡检图像建立绝缘子正类样本库和负类样本库，并进行正类样本的扩展，得到多张绝缘子正类样本图像；
[0018] (1-2)利用卷积神经网络算法训练绝缘子识别模型。
[0019] 所述步骤(2)中，具体包括：
[0020] (2-1)利用显著性检测算法得到巡检图像的显著图；
[0021] (2-2)根据计算的显著图，确定分割灰度
阈值，进行图像二值化分割，得到二值化图像；
[0022] (2-3)将二值化图像进行
栅格化，根据栅格中不为零灰度
像素点的个数，对栅格进行标记；
[0023] (2-4)将标记后的图像和原始巡检图像进行点乘计算，得到前景与背景相分离的目标图像。
[0024] 所述步骤(2-3)中，将二值化图像IThr进行
采样，得到分辨率大小统一的图像ISap，将图像进行栅格化，将图像ISap分为多
块栅格，根据栅格中灰度不为0像素点个数S0的统计，对栅格进行标记，若S0大于设定值，将该栅格中所有像素点灰度置为1，反之，将该栅格中所有像素点灰度置为0。
[0025] 所述步骤(3)中，具体步骤包括：
[0026] (3-1)根据卷积神经网络模型，在目标图像中进行滑动窗检测，得到绝缘子候选窗；
[0027] (3-2)采用非极大值抑制算法对绝缘子候选窗进行合并，消除多余的窗口，计算得到目标图像的绝缘子串的最佳
位置；
[0028] (3-3)根据绝缘子串在图像中的定位信息，通过
机器人视觉伺服系统调整
云台旋转角度和相机镜头的焦距，获得完整清晰的绝缘子串图像。
[0029] 所述步骤(4)中，具体步骤包括：
[0030] (4-1)根据绝缘子串图像中的绝缘子串方向对图像进行旋转得到图像Irota，将绝缘子串在图像中的方向调整为垂直方向；
[0031] (4-2)针对图像Irota采用最佳熵阈值算法进行
图像分割，对分割后的图像进行连通区域检测，计算连通区域参数信息，划分绝缘子区域，并根据外接矩形对图像Irota进行图像剪裁，得到绝缘子感兴趣区域图像IROI；
[0032] (4-3)对图像IROI进行滑动窗剪裁，设置滑动步长，每滑动一次得到一段绝缘子图像Isub_1，采用质量评价算法对Isub_1进行质量评价，根据质量评价系数确定表面存在污秽的绝缘子；
[0033] (4-4)更改滑动步长，对对图像IROI进行新的滑动窗剪裁，每滑动一次得到一段绝缘子图像Isub_2，提取图像Isub_2方向梯度直方图特征，确认存在破损或者夹杂有异物的绝缘子；
[0034] (4-5)对图像Isub_2进行图像边缘细节的增强和二值化分割，确认有裂缝异常的绝缘子。
[0035] 进一步的，所述步骤(4-2)中，对图像Irota采用最佳熵阈值算法进行图像分割得到ISeg，对图像ISeg进行连通区域检测，并计算检测到各连通区域的面积area、外接矩形长width、外接矩形高height以及连通区域偏向角θ，分别设定外接矩形的长宽比、连通区域面积和偏向角的预定范围，以判断绝缘子区域。
[0036] 进一步的，所述步骤(4-3)中，对图像IROI进行滑动窗剪裁，设置滑动步长，每滑动一次得到一段绝缘子图像Isub_1，采用质量评价算法对Isub_1进行质量评价，得到Isub_1的质量评价系数S，将当前滑动窗图像的质量评价系数Si与前后相邻两个滑动窗图像的质量评价系数Si-1，Si+1进行比较，计算它们之间的差异度方差Vd，若Vd大于阈值Tv，则表明该绝缘子表面存在污秽，将相邻的三个滑动窗进行标记。
[0037] 进一步的，所述步骤(4-4)中，对图像IROI进行滑动窗剪裁，设置滑动步长，每滑动一次得到一段绝缘子图像Isub_2，提取图像Isub_2方向梯度直方图特征F1，计算与绝缘子模板图像Itemp的方向直方图特征F2间的欧式距离dF，若dF大于阈值TF，则说明该绝缘子存在破损或者夹杂有异物，并对该段绝缘子进行标注。
[0038] 所述步骤(4-5)中，每次滑动得到的绝缘子图像Isub_2，采用Retinex图像增强算法进行图像边缘细节的增强，得到增强后的图像IRet，将图像IRet进行二值化分割，图像IRet中像素点灰度小于阈值TRet的像素点灰度置为255，其余像素点灰度设为0,得到二值化图像IRet_B。
[0039] 所述步骤(4-5)中，阈值TRet根据灰度均值、灰度调节系数的比值确定。
[0040] 所述步骤(4-5)中，对二值化图像IRet_B进行连通区域检测，并得到每个连通区域面积SR，外接矩形的长边为WR和短边为HR，去除小于设定值的连通区域，根据外接矩形的长边和短边比值范围以及连通区域与外接矩形面积的比值范围，确定存在裂缝的绝缘子。
[0041] 本发明的有益效果为：
[0042] (1)本发明提出了一种绝缘子故障自动检测方法，取代人工检测方法，减轻了电力一线员工的工作负担；
[0043] (2)采用卷积神经网络的深度学习算法，进行绝缘子串检测定位。
[0044] (3)在绝缘子定位之前采用基于显著性图像检测的算法完成图像前景与背景的分割，减少了绝缘子检测的搜索范围，降低了绝缘子误检的概率；
[0045] (4)采用不同的图像处理算法进行绝缘子污秽、裂纹、破损的检测，对绝缘子状态进行全面检测，减少了绝缘子存在的安全隐患；
[0046] (5)可以应用到变电站、换流站等多个具有绝缘子检测需求的场合，具有良好的使用前景。
附图说明
[0047] 图1为本发明的方法
流程图。具体实施方式：
[0048] 下面结合附图与
实施例对本发明作进一步说明。
[0049] 如图1所示，一种绝缘子故障自动检测方法，包括以下步骤：
[0050] (1)建立绝缘子图像正类和负类样本库，通过卷积神经网络算法(CNN)训练绝缘子分类器；
[0051] (2)针对当前机器人采集到的可见光图像，利用图像显著性区域检测算法对图像进行分割，分离图像中设备区域与背景区域，得到绝缘子搜寻候选区域；
[0052] (3)利用CNN分类器进行绝缘子定位，视觉伺服系统根据绝缘子串在当前图像的定位信息控制图像采集设备完成绝缘子串图像采集；
[0053] (4)采用不同的图像处理算法分别进行绝缘子表面污秽检测、绝缘子串裂缝检测和绝缘子串破损或夹杂异物检测，最终对异常的绝缘子串进行自动报警。
[0054] 所述步骤(1)中，具体步骤包括：
[0055] (1-1)利用变电站/换流站历史巡检图像建立绝缘子正类样本库和负类样本库，并通过旋转、尺度变换等方法进行正类样本的扩展，得到10000张绝缘子正类样本图像；
[0056] (1-2)利用卷积神经网络算法训练绝缘子识别模型，该卷积神经网络模型CNN_INS包括7层，分别为：三个卷积层，二个采样层，一个全连接层和一个softmax回归层，其中：
输入层为32×32向量，卷积层C1特征图数量为6，输出特征图大小为28×28；采样层S2特征图数量为6，输出采样图大小为14×14；卷积层C3特征图数量16，输出特征图大小为10×10；采样层S4输出
下采样图数量为16，输出下采样图大小为5×5；卷积层C5输出特征图数量为120，输出特征图大小为1×1；全连接层F6有60个
节点；
输出层有两个节点，1表示绝缘子，0表示非绝缘子。
[0057] 所述步骤(2)中，具体步骤包括：
[0058] (2-1)利用显著性检测算法得到巡检图像I的显著图IS，具体采用文献程明明等人在“Global contrast based salient region detection”(2011IEEE Conference on Computer Vision and Pattern Recognition)中记载的方法实现；
[0059] (2-2)根据计算的显著图IS，进行图像二值化分割，分割灰度阈值T设置为40，得到二值化图像IThr；
[0060] (2-3)将二值化图像IThr进行采样，得到分辨率为700×600大小的图像ISap，将图像进行栅格化，栅格大小为50×50，滑动步长为25，将图像ISap分为27×23块栅格。根据栅格中灰度不为0像素点个数S0的统计，对栅格进行标记，若S0>1000，将该栅格中所有像素点灰度置为1，若S0≤1000，将该栅格中所有像素点灰度置为0，得到标记后的图像IT；
[0061] (2-4)图像IT与原始图像I进行点乘计算，得到前景与背景相分离的目标图像IFore，即为绝缘子检测定位的候选区域。
[0062] 所述步骤(3)中，具体步骤包括：
[0063] (3-1)根据卷积神经网络模型CNN_INS，在图像IFore中进行滑动窗检测，得到绝缘子候选窗；
[0064] (3-2)采用非极大值抑制算法对绝缘子候选窗进行合并，消除多余的窗口，计算得到图像中绝缘子串的最佳位置；
[0065] (3-3)根据绝缘子串在图像中的定位信息，通过机器人视觉伺服系统调整云台旋转角度和相机镜头的焦距，获得完整清晰的绝缘子串图像IINS。
[0066] 所述步骤(4)中，针对绝缘子不同种类故障在图像中的表现形式不同，采用不同的图像识别技术进行绝缘子的状态检测，具体步骤包括：
[0067] (4-1)根据绝缘子串在图像IINS中的方向对图像进行旋转得到图像Irota，将绝缘子串在图像中的方向调整为垂直方向；
[0068] (4-2)针对图像Irota采用最佳熵阈值算法进行图像分割得到ISeg，对图像ISeg进行连通区域检测，并计算检测到各连通区域的面积area、外接矩形长width、外接矩形高height、连通区域偏向角θ等信息，令外接矩形的长宽比为bio，若满足bio>2.4，area>200，偏向角θ在区间[85°,95°]中，则判断该区域为绝缘子区域，根据外接矩形对图像Irota进行图像剪裁，得到绝缘子感兴趣区域图像IROI；
[0069] (4-3)对图像IROI进行滑动窗剪裁，滑动步长设置为20，每滑动一次得到一段绝缘子图像Isub_1，采用质量评价算法对Isub_1进行质量评价，得到Isub_1的质量评价系数S，具体采用文献Choi等人在“No-Reference image quality assessment using blur and noise”(《World Academy of Science,Engineering and Technology》2009)中记载的方法实现；
[0070] 将当前滑动窗图像的质量评价系数Si与前后相邻两个滑动窗图像的质量评价系数Si-1，Si+1进行比较，计算它们之间的差异度方差Vd，计算公式为：
[0071] D1＝Si-Si-1
[0072] D2＝Si+1-Si
[0073] D3＝Si-1-Si+1
[0074]
[0075] 若Vd大于阈值Tv，阈值Tv＝0.05，则表明该绝缘子表面存在污秽，将相邻的三个滑动窗进行标记；
[0076] (4-4)同样对于图像IROI进行滑动窗剪裁，滑动步长设置为40，每滑动一次得到一段绝缘子图像Isub_2，提取图像Isub_2方向梯度直方图特征F1，计算与绝缘子模板图像Itemp的方向直方图特征F2间的欧式距离dF，若dF大于阈值TF，阈值TF＝3.5，则说明该绝缘子存在破损或者夹杂有异物，并对该段绝缘子进行标注；
[0077] (4-5)对于步骤(4-4)中滑动窗每次滑动得到的绝缘子图像Isub_2，采用Retinex图像增强算法进行图像边缘细节的增强，得到增强后的图像IRet。将图像IRet进行二值化分割，图像IRet中像素点灰度小于阈值TRet的像素点灰度置为255，其余像素点灰度设为0,得到二值化图像IRet_B。阈值TRet设定计算公式为：
[0078] TRet＝vulmean/δ
[0079] 其中vulmean为图像IRet的灰度均值，δ为灰度调节系数，此处δ＝1.6，[0080] 然后对图像IRet_B进行连通区域检测，并得到每个连通区域面积SR，外接矩形的长边为WR和短边为HR，去除SR<10的连通区域。针对每一个连通区域，令 若满足以下条件之一：
[0081] a.α>2，SR<100；
[0082] b.α≤2，β<0.2，SR<100；
[0083] 则对该连通区域进行标记，该处疑似存在绝缘子裂缝的异常。
[0084] (4-6)通过步骤(4-3)、(4-4)和(4-5)的图像检测，将存在标记的图像传送给站内工作人员进行故障确认，并对确认的绝缘子故障做进一步的处理。
[0085] 本方法可以应用到变电站、换流站等多个具有绝缘子检测需求的场合。
[0086] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种
修改或
变形仍在本发明的保护范围以内。
