【技术实现步骤摘要】
基于云台相机的风漂异物识别方法
[0001]本专利技术涉及变电站无人巡检
，具体涉及一种基于云台相机的风漂异物识别方法。
技术介绍
[0002]变电站往往建设在郊区或农村的开阔地带，大量设备、线路密集裸露在外，在受到大棚塑料薄膜、塑料袋、气球、风筝、鸟巢等风漂异物侵袭时，极可能对变电站的安全运行造成严重威胁。由于侵入事件的偶发性，单靠人工巡检的方式很难及时消除隐患。
[0003]电力系统的无人巡检主要采取摄像机巡检、无人机巡检、机器人巡检等方式，由于风漂异物的主要威胁在于高空电力设备，且变电站内部电塔林立、输电线密布，并不适合无人机巡检或机器人巡检，因此当前一般采用摄像机巡检方式，采取在变电站内架设多台摄像机实现实时检测，这种方式需要额外布设多台对高空区域监视的专用摄像机、成本较高。同时，在识别方式上，被讨论最多的是采取深度学习的方法，比如Faster R
‑
CNN、YOLO等神经网络算法，然而由于风漂异物种类、材质、形态多变，在真是变电站环境下样本稀少，很难收集到足够的训练数据集，因此此类方法的实现难度很大。
技术实现思路
[0004]本专利技术以克服传统解决方案需要多台专用相机进行监控的高成本、高复杂度的弊端，且解决神经网络算法识别风漂异物所需的训练样本难以获取，实现难度较大的问题为目的，提供了一种基于云台相机的风漂异物识别方法。
[0005]为达此目的，本专利技术采用以下技术方案：
[0006]提供一种基于云台相机的风漂异物识别方法，包括：>[0007]步骤S1，云台相机以不同角度对风漂异物监控区域进行周期性环扫拍摄，得到每次环扫拍摄的图像集；
[0008]步骤S2，对相同拍摄角度下前后两次环扫拍摄的图像图像作基于ORB特征点的图像对准预处理；
[0009]步骤S3，通过图像比对标记算法比较所述图像和所述图像的差异，并将差异区域判定为所述图像上的风漂异物区域并标记然后报警。
[0010]优选地，所述云台相机为全方位云台相机，所述云台相机在同一次环扫拍摄中按照固定的垂直俯仰角定速旋转拍摄。
[0011]优选地，所述步骤S2中，对所述图像和所述图像作基于ORB特征点的图像对准预处理包括：
[0012]步骤S21，通过BF暴力匹配算法对所述图像和所述图像进行ORB特征点匹配；
[0013]步骤S22，利用所述图像和所述图像中的ORB特征点间的映射关系，并对
所述图像进行透视变换以与所述图像对准，使得所述图像和所述图像的错位偏差控制在5个像素范围内。
[0014]优选地，所述步骤S3中，所述图像比对标记算法在所述图像上比对并标记出所述风漂异物区域的方法包括：
[0015]步骤S31，设定风漂异物的最小分辨率，并以风漂异物的最小分辨率为依据对所述图像和所述图像进行网格划分，所述图像中的每个网格对应的第一子图与所述图像中的多个网格分别对应的第二子图具有一对多的位置对应关系；
[0016]步骤S32，计算每张所述第二子图与具有位置对应关系的所述第一子图间的图像亮度差异指标值对比度差异指标值以及结构差异指标值
[0017]步骤S33，根据所述亮度差异指标值所述对比度差异指标值和所述结构差异指标值计算每张所述第二子图与具有位置对应关系的所述第一子图间的结构相似性加权指标值SSIM(A,B)；
[0018]步骤S34，判断所述结构相似性加权指标值SSIM(A,B)是否小于预设的阈值thres，
[0019]若是，则将所述图像上与所述图像的相似性小于所述阈值thres的第二子图标记为风漂异物所在区域；
[0020]若否，则判定所述图像上与所述图像上的相似性大于或等于所述阈值thres的第二子图为非风漂异物所在区域；
[0021]步骤S35，重复所述步骤S32
‑
S34，在所述图像上标记出所有风漂异物所在区域，然后对相邻的风漂异物所在区域进行拼接得到位置完整的风漂异物所在区域图像。
[0022]优选地，所述步骤S31中，对所述图像和所述图像进行网格划分的方法包括：
[0023]步骤S311，设与所述图像对准后的所述图像为图像所述图像和所述图像为维度为[Row,Col,Channel]三维矩阵，Row、Col分别表示所述图像或所述图像中的像素行数和列数，Ch＝{R,G,B}为颜色通道；设风漂异物的图像分辨率为P
×
P，可记所述图像所述图像p
k,l,c
、p
′
k,l,c
为RGB图像在c通道的第k行第j列的像素值，k＝1,2,
…
,Row,j＝1,2,
…
,Col；
[0024]步骤S312，对每一颜色通道下的所述图像按大小P
×
P进行分块，可将所述图像表示为分块矩阵A
r
×
s
×
c
为c通道下的[P,P,Channel]三维子阵，A
r
×
s
×
c
代表在所述图像中划分的一个网格，r＝1,2,
…
,R,s＝1,2,
…
,S,c∈Channel；
[0025]步骤S313，将所述图像上与所述图像上的分块A
r
×
s
×
c
位置对准的分块按上下左右四个方向逐行或逐列最大位移sup(diff)行或列，得到与所述分块A
r
×
s
×
c
具有位置对应关系的[2
×
sup(diff)+1]2个分块矩阵，记为(i,j)表示所述分块矩阵相对于所述分块A
r
×
s
×
c
的偏移量；i<0、i>0时分别表示所述分块上移和下移，j<0、j>0时分别表示所述分块左移和右移，所述分块代表在所述图像上划分的与所述分块A
r
×
s
×
c
具有位置对应关系的网格。
[0026]优选地，sup(diff)＝5，i,j＝(
‑
sup(diff),
‑
4,
‑
3,
‑
2,
‑
1,0,1,2,3,4,sup(diff))。
[0027]优选地，所述步骤S32中，所述亮度差值指标值通过以下公式(1)计算而得：
[0028][0029]公式(1)中，分别为所述分块A
r
×
s
×
c
和所述分块在c∈Ch上的均值；
[0030]C1为一正常数；
[0031]通过以下公式(2)计算而得：
[0032][0033]通过以下公式(3)计算而得：
[0034][0035本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于云台相机的风漂异物识别方法，其特征在于，包括：步骤S1，云台相机以不同角度对风漂异物监控区域进行周期性环扫拍摄，得到每次环扫拍摄的图像集；步骤S2，对相同拍摄角度下前后两次环扫拍摄的图像图像作基于ORB特征点的图像对准预处理；步骤S3，通过图像比对标记算法比较所述图像和所述图像的差异，并将差异区域判定为所述图像上的风漂异物区域并标记然后报警。2.根据权利要求1所述的基于云台相机的风漂异物识别方法，其特征在于，所述云台相机为全方位云台相机，所述云台相机在同一次环扫拍摄中按照固定的垂直俯仰角定速旋转拍摄。3.根据权利要求1所述的基于云台相机的风漂异物识别方法，其特征在于，所述步骤S2中，对所述图像和所述图像作基于ORB特征点的图像对准预处理包括：步骤S21，通过BF暴力匹配算法对所述图像和所述图像进行ORB特征点匹配；步骤S22，利用所述图像和所述图像中的ORB特征点间的映射关系，并对所述图像进行透视变换以与所述图像对准，使得所述图像和所述图像的错位偏差控制在5个像素范围内。4.根据权利要求1所述的基于云台相机的风漂异物识别方法，其特征在于，所述步骤S3中，所述图像比对标记算法在所述图像上比对并标记出所述风漂异物区域的方法包括：步骤S31，设定风漂异物的最小分辨率，并以风漂异物的最小分辨率为依据对所述图像和所述图像进行网格划分，所述图像中的每个网格对应的第一子图与所述图像中的多个网格分别对应的第二子图具有一对多的位置对应关系；步骤S32，计算每张所述第二子图与具有位置对应关系的所述第一子图间的图像亮度差异指标值对比度差异指标值以及结构差异指标值步骤S33，根据所述亮度差异指标值所述对比度差异指标值和所述结构差异指标值计算每张所述第二子图与具有位置对应关系的所述第一子图间的结构相似性加权指标值SSIM(A,B)；步骤S34，判断所述结构相似性加权指标值SSIM(A,B)是否小于预设的阈值thres，若是，则将所述图像上与所述图像的相似性小于所述阈值thres的第二子图标记为风漂异物所在区域；若否，则判定所述图像上与所述图像上的相似性大于或等于所述阈值thres的第二子图为非风漂异物所在区域；
步骤S35，重复所述步骤S32
‑
S34，在所述图像上标记出所有风漂异物所在区域，然后对相邻的风漂异物所在区域进行拼接得到位置完整的风漂异物所在区域图像。5.根据权利要求4所述的基于云台相机的风漂异物识别方法，其特征在于，所述步骤S31中，对所述图像和所述图像进行网格划分的方法包括：I步骤S311，设与所述图像对准后的所述图像为图像所述图像和所述图像为维度为[Row，Col，Channel]三维矩阵，Row、Col分别表示所述图像或所述图像中的像素行数和列数，Channel＝{R，G，B}为颜色通道；设风漂异物的图像分辨率为P
×
P，可记所述图像所述图像p
k，l，c
、p
′
k，l，c
为RGB图像在c通道的第k行第j列的像素值，k＝1，2，
…
，Row，j＝1，2，
…
，Col；步骤S312，对每一颜色通道下的所述图像按大小P
×
P进行分块，可将所述图像表示为分块矩阵A
r
×
s
×
c
为c通道下的[P，P，Channel]三维子阵，A...
【专利技术属性】
技术研发人员：高勇，魏明明，陈剑锋，李涛，
申请(专利权)人：北京融合汇控科技有限公司，
类型：发明
国别省市：
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。