一种基于机器视觉的绝缘子故障检测方法技术

本发明专利技术公开了一种基于机器视觉的绝缘子故障检测方法，对待处理的图像进行预处理；绝缘子边缘检测；利用机器学习分类方法提取有效边缘；通过检测绝缘子区域和边缘的形状特征判定故障并进行故障评级。本发明专利技术能够有效的对接触网绝缘子进行故障检测，算法的计算量较小，针对性地利用决策树算法筛选出有效的绝缘子边缘，从而避免了各种噪声干扰，保障了故障检测的准确率。漏检率在1.4％以下，故障检测准确率在98％以上，均符合实际工程需要。本发明专利技术尤其对负样本不足的基于机器视觉的故障检测提供了一个可行的方案，并提出了一项判断故障等级的指标，有助于工程上综合安全性和经济性的因素考虑做出合理的应对。

Insulator Fault Detection Method Based on Machine Vision

【技术实现步骤摘要】
一种基于机器视觉的绝缘子故障检测方法
本专利技术属于图像处理与分析
，具体涉及一种接触网绝缘子故障检测和故障方法。
技术介绍
接触网是电气化输电线路建设中的重要部分，它通过沿线支柱设备架设在铁路沿线线路。电力机车主要通过接触网传输获得运行所需要的电能，因此时刻保证接触网良好的工作状态至关重要。在接触网系统中，绝缘子是除机械支架之外悬挂装置中重要部件之一，一方面使接触网带电导体之间有足够的距离，另一方面让带电导体与大地之间保证绝缘。由于绝缘子工作环境需要长期暴露在大气环境中，还需长期经受强电场和强机械应力，出现故障的几率较大，绝缘子难免会产生不同程度的破损。绝缘子瓷体发生破损会降低其绝缘强度，如果长时间不被发现并且得不到更换，将会导致瓷瓶断裂而引发电路中其他不可预知的故障。而目前，传统的人工检测效率低、工作强度大、危险系数高，电场法不能检测一些不影响电场的外绝缘缺陷，这些检测方法都不具备一定的实用性。在保证电力机车安全运行的同时，提高检测效率实现智能化巡检对于逐渐增多的铁路里程显得尤为重要，因此，研究智能巡检技术在未来铁路发展中具有重要意义。近年来，随着数字图像处理技术和机器学习技术的发展，计算机视觉技术已被广泛应用于各种物体检测和工业故障检测的任务中。故本专利技术基于计算机视觉技术提出一种接触网绝缘子故障检测方法，通过基于深度学习的目标检测算法，对工业相机拍摄到的接触网区域内超高清视频和图片中的绝缘子实现目标检测和分类，进而通过计算机视觉技术对检测到的绝缘子提取边缘的几何特征和区域的纹理特征，最后通过机器学习分类算法和边缘跟踪检测算法实现故障的诊断。本专利技术将有助于绝缘子缺陷的非接触、在线监测的实现，为接触网悬挂装置的故障诊断提供了新思路。具有重要的科学意义和实际应用价值。
技术实现思路
本专利技术的目的是提供一种基于机器视觉的绝缘子故障检测方法，能高效的识别接触网绝缘子是否存在故障，并设定了一项绝缘子故障程度评价指标。步骤如下：步骤(1)：通过接触网悬挂状态检测装置拍摄接触网区域，得到接触网支撑装置的图像，筛选出图像中有绝缘子的作为研究样本，并把这些图像制作成带有标签的数据。步骤(2)：根据各张图像制作绝缘子检测训练样本，再把这些样本放到深度卷积网络中训练得到绝缘子目标检测模型。步骤(3)：通过目标检测网络模型检测待处理的测试图像，得到绝缘子区域并截取该区域。步骤(4)：对截取的绝缘子区域进行预处理。考虑到研究图像存在噪声的情况，首先要对图像进行中值滤波，中值滤波就是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。中指的一个常见的作用就是去除椒盐噪声。步骤(5)：对经过预处理的区域进行特征提取，包括绝缘子两侧区域的提取，边缘检测和有效边缘提取。定义一个表面的斜率和方向，数学上是通过梯度来实现的，式中I(x)表示原图像，J(x)表示I(x)的局部梯度方向，指向亮度函数的极速上升的方向。但是，求取图像的导数强调了高频率的部分因而放大了噪声，因为噪声和信号的比例在高频部分较大，因此在计算梯度之前需要先考虑将图像用一个低通滤波器进行平滑。高斯函数是是唯一可分离的圆对称滤波器。因为微分是一个线性操作，所以它和其他线性滤波操作可交换，因此一个平滑后的梯度图形可以写作：其中二维高斯函数的一般形式为：式中，参数σ反映了高斯函数的带宽。再将边界基元连成链状，提取特征，具体的处理步骤为：1)对边缘检测得到的曲线进行8-连接规范化处理，即使得线条中的任意像素点最多只能有两个线上的点与之相邻；2)消除分支点；3)若任意两曲线端点距离小于3个像素点，且端点处的斜率与端点连接线的斜率相近，则将此两条曲线为相连。采用基于边缘元素领域灰度矩阵提取绝缘子有效边缘的方法：采取决策树算法将用边缘检测算子得到的边缘进行聚类筛选，使用决策树进行决策的过程是：从根节点开始，测试待分类项中特征属性，并按照属性值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果，决策树方法步骤如下：1)将通过边缘检测算子得到的图像分割为独立的连通区域，以此作为训练集；2)选择曲线左侧和右侧像素点灰度作为划分属性，若左侧灰度值小于右侧，则标记为无效边缘，反之，则继续下一步分类；3)选择曲线长度作为划分属性，若曲线长度在(d1,d2)范围内，则继续下一步分类，反之，则标记为无效边缘，用于排除绝缘子纹理干扰，d1,d2的取值由截得的图像像素和绝缘子尺寸决定；4)选择曲线质心偏离度，曲线质心偏离度指曲线的质心与区域骨架的最短距离，区域骨架是由原图像经过阈值分割、反复细化得到的，它保持了物体在图像中基本的拓扑结构和位置信息)作为划分属性，若其值大于D1，D1的取值由图像尺寸决定，则标记为无效边缘，用于排除背景干扰，反之，则继续下一步分类；5)选择曲线离心率作为划分属性，若离心率在(e1,e2)范围内，则标记为有效边缘，反之，则标记为无效边缘。为了提取完整的绝缘子两侧边缘，且避免边缘不规则纹理对边缘提取的影响，采取的区域分割算法是以背景点为起点的区域生长算法，区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程，从一组生长点开始，将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止，然后进行特征提取，需要提取的轮廓形状特征有：a)边界长度边界长度L是边界基本的属性，垂直和水平的步幅为单位长度，在8连通下的对角步幅的长度为b)边界曲率遍历一条平面曲线，假设A是曲线上点B领域内的一个点、δ是这两个点的正向切线所形成的交角，AB表示点A和点B的距离，AB定义连续的边界曲率k为：在二值图像中，利用曲线上某点Ai与其前驱点Ai-bp和后继点Ai+bs的位置关系，近似为曲线上距离该点某一棋盘距离的两点，通过Ai-bp,Ai,Ai+bs这三个点确定的前驱数字直线分割计算边界曲率，算法如下：1)计算lp＝‖Ai-bp,Ai‖,ls＝‖Ai,Ai+bs‖,δp＝|Θp-Θ|,δs＝|Θs-Θ|其中lp，ls分别为点Ai与其前驱点和后继点的距离，Θp，Θs分别为前驱倾斜角和后继倾斜角，δp，δs分别为前驱偏转角和后继偏转角；xi+bs，yi+bs分别为后继点Ai+bs的横坐标和纵坐标，xi-bp，yi-bp分别为前驱点Ai-bp的横坐标和纵坐标，xi，yi分别为点Ai的横坐标和纵坐标。2)在Ai点的边界曲率k(Ai)为各个像素点处于一个离散的空间中，切线的倾斜角近似为曲线上距离该点一定棋盘距离的两点的倾斜角。c)弯曲能量边界的弯曲能量BE是把一个横杆弯曲成所要求的形状所需要的能量，计算为边界曲率k(Ai)的平方和除以边界像素点个数N：需要提取的区域形状特征有：a)面积区域的面积指闭合区域内包含的像素个数。b)投影分别定义水平和垂直的区域投影gh(i)和gv(j)为f(i,j)为图像函数。c)离心率离心率e特征是区域最长弦Q和垂直于Q的最长弦P的长度比。d)中心矩区域的矩表示把一个归一化的灰度级图像函数当作为一个二维随机变量的概率密度，中心矩表示为其中p、q表示矩的阶，xc，yc是区域重心的坐标。步骤(6)：进行特征检测与匹配，完成目标的本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的绝缘子故障检测方法，其特征在于包括以下步骤：步骤(1)：通过接触网悬挂状态检测装置拍摄接触网区域，得到接触网支撑装置的图像，筛选出图像中有绝缘子的作为研究样本，并把这些图像制作成带有标签的数据；步骤(2)：根据各张图像制作绝缘子检测训练样本，再把这些样本放到深度卷积网络中训练得到绝缘子目标检测模型；步骤(3)：通过目标检测网络模型检测待处理的测试图像，得到绝缘子区域并截取该区域；步骤(4)：对截取的绝缘子区域进行滤波预处理；步骤(5)：对经过预处理的区域进行特征提取，包括绝缘子两侧区域的提取，边缘检测和有效边缘提取:定义一个表面的斜率和方向，数学上是通过梯度来实现的，

【技术特征摘要】
1.一种基于机器视觉的绝缘子故障检测方法，其特征在于包括以下步骤：步骤(1)：通过接触网悬挂状态检测装置拍摄接触网区域，得到接触网支撑装置的图像，筛选出图像中有绝缘子的作为研究样本，并把这些图像制作成带有标签的数据；步骤(2)：根据各张图像制作绝缘子检测训练样本，再把这些样本放到深度卷积网络中训练得到绝缘子目标检测模型；步骤(3)：通过目标检测网络模型检测待处理的测试图像，得到绝缘子区域并截取该区域；步骤(4)：对截取的绝缘子区域进行滤波预处理；步骤(5)：对经过预处理的区域进行特征提取，包括绝缘子两侧区域的提取，边缘检测和有效边缘提取:定义一个表面的斜率和方向，数学上是通过梯度来实现的，式中I(x)表示原图像，J(x)表示I(x)的局部梯度方向，指向亮度函数的极速上升的方向；考虑到求取图像的导数强调了高频率的部分而放大了噪声，在计算梯度之前将图像用一个低通滤波器进行平滑，选用高斯函数作为圆对称滤波器，平滑后的梯度图形写作：其中二维高斯函数的一般形式为：式中，参数σ反映了高斯函数的带宽；再将边界基元连成链状，提取特征，具体的处理步骤为：1)对边缘检测得到的曲线进行8-连接规范化处理，即使得线条中的任意像素点最多只能有两个线上的点与之相邻；2)消除分支点；3)若任意两曲线端点距离小于3个像素点，且端点处的斜率与端点连接线的斜率相近，则将此两条曲线为相连；采用基于边缘元素领域灰度矩阵提取绝缘子有效边缘的方法：采取决策树算法将用边缘检测算子得到的边缘进行聚类筛选，使用决策树进行决策的过程是：从根节点开始，测试待分类项中特征属性，并按照属性值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果，决策树方法步骤如下：1)将通过边缘检测算子得到的图像分割为独立的连通区域，以此作为训练集；2)选择曲线左侧和右侧像素点灰度作为划分属性，若左侧灰度值小于右侧，则标记为无效边缘，反之，则继续下一步分类；3)选择曲线长度作为划分属性，若曲线长度在(d1,d2)范围内，则继续下一步分类，反之，则标记为无效边缘，用于排除绝缘子纹理干扰，d1,d2的取值由截得的图像像素和绝缘子尺寸决定；4)选择曲线质心偏离度，曲线质心偏离度指曲线的质心与区域骨架的最短距离，区域骨架是由原图像经过阈值分割、反复细化得到的，保持了物体在图像中基本的拓扑结构和位置信息，作为划分属性，若其值大于D1，D1的取值由图像尺寸决定，则标记为无效边缘，用于排除背景干扰，反之，则继续下一步分类；5)选择曲线离心率作为划分属性，若离心率在(e1,e2)范围内，则标记为有效边缘，反之，则标记为无效边缘；为了提取完整的绝缘子两侧边缘，且避免边缘不规则纹理对边缘提取的影响，采取的区域分割算法是以背景点为起点的区域生长算法，区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程，从一组生长点开始，将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止，然后进行特征提取，需要提取的轮廓形状特征有：a)边界长度边界长度L是边界基本的属性，垂直和水平的步幅为单位长度，在8连通下的对角步幅的长度为b)边界曲率遍历一条平面曲线，假设A是曲线上点B领域内的一个点、δ是这两个点的正向切线所形成的交角，AB表示点A和点B的距离，AB定义连续的边界曲率k为：在二值图像中，利用曲线上某点Ai与其前驱点Ai-bp和后继点Ai+bs的位置关系，近似为曲线上距离该点某一棋盘距离的两点，通过Ai-bp,Ai,Ai+bs这三个点确定的前驱数字直线分割计算边界曲率，算法如下：1)计算lp＝‖Ai-bp,Ai‖,ls＝‖Ai,Ai+bs‖,δp＝|Θp-Θ|,δs＝|Θs-Θ|其中lp，ls分别为点Ai与其前驱点和后继点的距离，Θp，Θs分别为前驱倾斜角和后继倾斜角，δp，δs分别为前驱偏转角和后继偏转角；xi+bs，yi+bs分别为后继点Ai+bs的横坐标和纵坐标，xi-bp，yi-bp分别为前驱...

【专利技术属性】
技术研发人员：王春生，郭煊烽，刘子建，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43