【技术实现步骤摘要】
一种输电线路智能化图像监测中区分雾体浓度的方法
本专利技术涉电力监控领域，尤指一种输电线路智能化图像监测中区分雾体浓度的方法。
技术介绍
我国输电线路分布广，线路长，地形复杂。仅靠传统人工巡检，会导致工作量大，效率低，检测效果不佳。而利用计算机深度学习技术，可以对拍摄到的输电线路及周边进行智能化图像识别，分析出是否有施工机械，超高车辆、漂浮物等潜在风险的物体存在，从而大大提高了线路巡检效率和质量。当前，工业技术的急剧发展给气候带来了严重的影响，极端天气如雾、霾(下面将雾、霾统称为雾)等频发，而且输电线路大多分布在山区，很容易有团雾围绕在输电线路周围，这会引起拍摄到的图像质量下降(如对比度、清晰度下降、颜色改变等问题)，从而导致图像内容无法识别。现在业界对图像去雾的算法研究非常多，大多都是以何凯明博士提出的暗通道优先去雾算法为基础来进行改进。但对是否有雾这一图像特征检测的算法研究相对比较缺乏。其实正确的检测出图像内容中是否有雾才是后续去雾操作的基础。例如，如果给定一副图像作为系统输入，但可能没有雾却被误检为有雾或本身有雾但漏检，这样一个错误判断肯定导致后面的处理也是...
【技术保护点】
1.一种输电线路智能化图像监测中区分雾体浓度的方法,其采用多特征综合方法，其特征在于，包含步骤：1)提取图片中关于雾的数个特征，并将每幅图像提取出的数个特征综合成一个特征参数表，形成一个二维特征图；2)利用深度学习卷积神经网络算法对大量样本图像的所述特征参数图进行训练和建模；3)用获得的模型对未知图像进行判断是否有雾，并区分雾的浓度等级：清晰、中雾以及浓雾。
【技术特征摘要】
1.一种输电线路智能化图像监测中区分雾体浓度的方法,其采用多特征综合方法，其特征在于，包含步骤：1)提取图片中关于雾的数个特征，并将每幅图像提取出的数个特征综合成一个特征参数表，形成一个二维特征图；2)利用深度学习卷积神经网络算法对大量样本图像的所述特征参数图进行训练和建模；3)用获得的模型对未知图像进行判断是否有雾，并区分雾的浓度等级：清晰、中雾以及浓雾。2.根据权利要求1所述的一种输电线路智能化图像监测中区分雾体浓度的方法,其特征在于，所述数个特征包含暗通道特征、最大对比度特征、颜色衰减特征以及色调差异性特征。3.根据权利要求1所述的一种输电线路智能化图像监测中区分雾体浓度的方法,其特征在于，所述数个特征之间不具相关性。4.根据权利要求2所述的一种输电线路智能化图像监测中区分雾体浓度的方法,其特征在于，所述暗通道特征公式如下：其中：IC(y)是图像在y坐标点上的RGB三个通道上的值，前面加min是取RGB中最小的那个值。Ωr(x)是以图像中以x坐标为中心，宽x高为rxr的方形图像块；最外面的min是求整个图像块里面最小值；如果将一副图像分为mxm个rxr图像块，那么通过上面公式就会求得一个长度为mxm的暗通道特征向量。5.根据权利要求2所述的一种输电线路智能化图像监测中区分雾体浓度的方法,其特征在于，所述最大对比度特征：其公式表示如下：其中，Ωs(y)是以y为中心的小模板，比如3x3或5x5之类。上面公式中，根号部分是先求模板中其它像素值和y值差的平方和，再除以像素数目得到均值，最后再开方；分别对图像块Ωr(x)的每个位置计算出这样一个值，然后用max求其中一个最大值，即最大对比度特征值；其中图像中雾越大，该值也就越大；类似地，如果将一副图像分为mxm个rxr的图像块，那么通过上面公式就可以计算出一个长度为mxm的最大对比度特征向量。6.根据权利要求2所述的一种输电线路智能化图像监测中区分雾体浓度的方法,其特征在于，所述的颜色衰减特征其公式如下：A(x)＝Iυ(x)-Is(x)首先先将图像从RGB空间转换到HSV空间，其中Iυ(x)代表某个图像块中最大亮度值(即V值)，而Is(x)则代表该图像块中最大色彩饱和度值：即S值，它们间的差值就表征该图像块的颜色衰减特征，图像中雾越大，其亮度会增加，而颜色饱和度就急剧下降，其对应差值，即颜色衰减特征值就会越大；将一幅图像分成mxm个rxr的图像块，根据上面公式可以计算出一个长度为mxm的特征向量。...
【专利技术属性】
技术研发人员：孙翠英，贾伯岩，刘杰，徐亚兵，胡立章，关巍，张志猛，丁立坤，张佳鑫，田霖，
申请(专利权)人：国网河北省电力有限公司电力科学研究院，国家电网有限公司，国网河北省能源技术服务有限公司，
类型：发明
国别省市：河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。