基于Hu不变矩和支持向量机SVM的高压套管检测方法技术

本发明专利技术公开了一种基于Hu不变矩和支持向量机SVM的高压套管检测方法，该方法包括：首先将巡检机器人获取的图片进行预处理；在将图片转成灰度图之后，使用Niblack方法对图片进行二值化阈值分割，去除掉复杂背景的干扰；随后根据套管和干扰对象的形状特征，利用形态学方法，对图像进行腐蚀和膨胀，得到对套管可能存在的区域位置；在预处理完成之后，使用Hu不变矩对图像中套管可能存在的区域进行计算；最后使用计算得到的特征对SVM进行训练并调整参数，最后使用SVM对套管进行识别和定位。在变电站背景复杂的情况下，该方法检测性能良好，解决了复杂环境下的高压套管检测的准确性问题。

【技术实现步骤摘要】
基于Hu不变矩和支持向量机SVM的高压套管检测方法
本专利技术属于电力设备关键电力设备目标检测方法，尤其涉及一种基于Hu不变矩和SVM(SupportVectorMachine，即支持向量机)的高压套管检测方法。技术背景近几年，随着变电站数量的增加以及对电力供给稳定性需求的增加以及智能电站建设概念的提出，通过智能检测方法对变电站进行检测尤为重要。高压套管作为变压器的重要组成器件，起到支撑和绝缘的作用，在运行过程中会承受电压。由于高压套管暴露在空气中，受到雨水、污秽的影响，容易产生裂纹、破损等问题，这些问题会对其绝缘性能产生影响。一旦高压套管出现故障，将严重影响变压器的正常工作和供电的稳定性。因此对高压套管进行实时检测并进行诊断尤为重要。在变电站的智能自动巡检中，使用自动巡检机器人进行巡检是主要方式。巡检机器人作为巡检平台，具有在变电站内自主移动的能力，并搭载了摄像头，红外传感器等设备并实时将获取的图像发送至主控端。由于巡检机器人在变电站中的运行轨迹具有随机性，因此需要通过智能检测方法对获取的图像中的待测目标进行准确的定位和识别。然而，由于变电站环境与其他场景相比背景更为复杂(例如，包含高压套管、变压器、支架及围栏等众多物体)，因此大大增加了对高压套管进行特征提取和模式识别的难度。例如，由于变电站环境复杂，传统的图像分割方法无法准确分割高压套管，而且相似设备之间的干扰使得现有的SIFT算法难以对高压套管进行精确的配准。
技术实现思路
专利技术目的：为了解决自动巡检中高压套管的精确识别和定位问题，提高在复杂背景和光照变化情况下高压套管的检测准确性，本专利技术提出了一种基于Hu不变矩和SVM的高压套管检测方法和一种基于Hu不变矩和支持向量机SVM的高压套管的检测装置。技术方案：本专利技术所述的基于Hu不变矩和SVM的高压套管的检测方法包括如下步骤：(1)对所捕获的图像进行二值化阈值分割；(2)对经二值化的图像进行形态学处理以提取待测区域，对所述待测区域进行标定，并从所述待测区域中提取出训练集；(3)对所述训练集进行Hu不变矩特征提取；(4)将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型；(5)使用所述最佳模型对新的待测区域进行分类，以此为依据判断新的待测区域的类别。进一步地，在步骤(1)中，对所捕获的图像进行二值化阈值分割进一步包括：(11)对所捕获的图像进行灰度转换得到灰度图像；及(12)使用Niblack算法对所述灰度图像进行阈值分割，得到仅有黑白两色的图像。进一步地，在步骤(2)中，对经二值化的图像进行形态学处理得到待测区域包括：(21)对经二值化的图像进行闭运算处理；及(22)将所处理的图像中具有大于特定数目个像素的联通区域进行框定和储存，作为所述待测区域。进一步地，在步骤(2)中，对所述待测区域进行标定包括：如果所述待测区域包含高压套管则标定为正样本，否则标定为负样本。进一步地，在步骤(4)中，对所述SVM进行训练获得最佳模型包括：(41)构造SVM分类器，包括选用径向基核函数作为核函数对输入的数据进行高维映射并进行分类；(42)训练所述SVM分类器以获得所述最佳模型，包括通过网格搜索算法获取最佳参数，并以所述参数进行训练以获得最佳SVM模型。本专利技术所述的基于Hu不变矩和支持向量机SVM的高压套管的检测装置，包括：二值化模块，用于对所捕获的图像进行二值化阈值分割；训练集提取模块，用于对经二值化的图像进行形态学处理以提取待测区域并从所述待测区域中提取出训练集；特征提取模块，用于对所述训练集进行Hu不变矩特征提取；训练模块，用于将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型；识别模块，用于使用所述最佳模型对新的待测区域进行分类并以此为依据判断新的待测区域的类别。进一步地，所述二值化模块用于：对所捕获的图像进行灰度转换得到灰度图像；使用Niblack算法对所述灰度图像进行阈值分割，得到仅有黑白两色的图像。进一步地，所述训练集提取模块用于：对经二值化的图像进行闭运算处理；将所处理的图像中具有大于特定数目个像素的联通区域进行框定和储存，作为所述待测区域；如果所述待测区域包含高压套管则标定为正样本，否则标定为负样本。进一步地，所述特征提取模块用于计算所述训练集中每一训练样本的7个Hu不变矩，作为待测区域的特征。进一步地，所述训练模块用于：构造SVM分类器，包括选用径向基核函数作为核函数对输入的数据进行高维映射并进行分类；训练所述SVM分类器以获得所述最佳模型，包括通过网格搜索算法获取最佳参数，并以所述参数进行训练以获得最佳SVM模型。有益效果：与现有技术相比，在变电站背景复杂(例如，包含高压套管、变压器、支架及围栏等众多物体)的情况下，本专利技术所揭示的高压套管的检测方法和装置的检测性能良好，召回率可达96.72％，准确率可达86.76％，从而解决了复杂环境下的高压套管检测的准确性问题。附图说明图1为本专利技术所揭示的检测方法中训练阶段的流程示意图；图2为灰度化之后的结果图；图3为经Niblack二值化阈值分割后的结果图；图4为经形态学闭运算处理后的结果图；图5为选取的待测区域；图6为检测结果图。具体实施方式下面结合附图对本专利技术所公开的基于Hu不变矩和支持向量机SVM的高压套管检测方法做进一步的分析。本专利技术所揭示的高压套管检测方法大致可以分为训练阶段和检测阶段。其中训练阶段的目的是基于所捕获图像获得最佳训练模型，检测阶段的目的是使用所获得的最佳训练模型进行高压套管的检测。如图1，本专利技术公开的高压套管检测方法的训练阶段大致包含如下步骤：步骤1：图像二值化阈值分割，其具体包含如下步骤：步骤1.1：对所捕获的图像进行灰度转换得到灰度图像。转换公式为：f(i,j)＝0.31R(i,j)+0.57G(i,j)+0.12B(i,j)，式中，(i,j)是1个像素点在图像中的位置，R(i,j)是(i,j)所表示的像素点颜色的红色分量。同理，G(i,j)和B(i,j)分别表示绿色和蓝色分量，f(i,j)表示该点转换后的灰度级别。将巡检机器人捕获的与高压套管有关的RGB彩色图像经过上述转换处理后，即可获得如图2中的所示的图像。步骤1.2：使用Niblack算法对所述灰度图像进行阈值分割，得到仅有黑白两色的图像。Niblack算法原理为：根据每个像素邻域像素的平均值和方差计算像素的阈值。对于像素点(i,j)，取以此点为中心，大小为d*d的局部窗口，那么此像素点的阈值T(i,j)的表达式如下：T(i,j)＝m(i,j)+k*s(i,j)，式中，m(i,j)为局部窗口像素的平均值；s(i,j)为局部窗口像素的方差，k为调整系数。其中：F(i,j)表示灰度图中像素点(i,j)的灰度值，若f(i,j)≤T(i,j)，则F(i,j)＝0。若f(i,j)＞T(i,j)，则F(i,j)＝255。基于上述原理，在将经转换之后的灰度图进行二值化处理的过程中，可以将Niblack算法中的d取值为200，k取值为0.9，从而使得图像中只存在黑色和白色两种颜色，如图3所示。步骤2：形态学处理，其具体包含如下步骤：步骤2.1：对经二值化的图像进行闭运算处理。闭运算由膨胀和腐蚀两种运算组成，先进行膨胀运算随后进行腐蚀本文档来自技高网...

【技术保护点】
一种基于Hu不变矩和支持向量机SVM的高压套管的检测方法，其特征在于，包括如下步骤：(1)对所捕获的图像进行二值化阈值分割；(2)对经二值化的图像进行形态学处理以提取待测区域，并从所述待测区域中提取出训练集；(3)对所述训练集进行Hu不变矩特征提取；(4)将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型；(5)使用所述最佳模型对新的待测区域进行分类，以此为依据判断新的待测区域的类别。

【技术特征摘要】
1.一种基于Hu不变矩和支持向量机SVM的高压套管的检测方法，其特征在于，包括如下步骤：(1)对所捕获的图像进行二值化阈值分割；(2)对经二值化的图像进行形态学处理以提取待测区域，并从所述待测区域中提取出训练集；(3)对所述训练集进行Hu不变矩特征提取；(4)将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型；(5)使用所述最佳模型对新的待测区域进行分类，以此为依据判断新的待测区域的类别。2.根据权利要求1所述的检测方法，其特征在于，在步骤(1)中，对所捕获的图像进行二值化阈值分割进一步包括：(11)对所捕获的图像进行灰度转换得到灰度图像；(12)使用Niblack算法对所述灰度图像进行阈值分割，得到仅有黑白两色的图像。3.根据权利要求1所述的检测方法，其特征在于，在步骤(2)中，对经二值化的图像进行形态学处理得到待测区域包括：(21)对经二值化的图像进行闭运算处理；(22)将所处理的图像中具有大于特定数目个像素的联通区域进行框定和储存，作为所述待测区域。4.根据权利要求1所述的检测方法，其特征在于，步骤(2)还包括对所述待测区域进行标定，标定过程包括：如果所述待测区域包含高压套管则标定为正样本，否则标定为负样本。5.根据权利要求1所述的检测方法，其特征在于，在步骤(3)中，对所述训练集进行Hu不变矩特征提取包括：计算所述训练集中每一训练样本的7个Hu不变矩，作为待测区域的特征。6.根据权利要求1所述的检测方法，其特征在于，在步骤(4)中，对所述SVM进行训练获得最佳模型包括：(41)构造SVM分类器，包括选用径向基核函数作为核函数对输入的数据进行高维映射并进行分...

【专利技术属性】
技术研发人员：徐长福，薄斌，陶风波，刘洋，左国玉，马蕾，
申请(专利权)人：江苏省电力试验研究院有限公司，国家电网公司，北京工业大学，国网江苏省电力有限公司电力科学研究院，
类型：发明
国别省市：江苏,32