核心词：
高压 电缆 gloh 子 GVF-Snake 绝缘子 冰 检测 算法 在电力系统中,绝缘子覆冰对于电网安全一直是一个很大的威胁。
特别是在寒冷的冬天,绝缘子覆冰情况时常发生,而覆冰闪络是一种输电线路中时常发生较大的危害,对线路的绝缘性以及系统的安全运行有着很大的安全隐患,因而对绝缘子覆冰进行检测具有重要的意义。随着机器视觉技术和图像处理技术的发展,利用视觉和图像处理技术对绝缘子状态进行检测,自动识别绝缘子覆冰情况,在保障电力系统的安全运行方面具有非常重要的作用。近期,研究者们提出了许多识别检测绝缘子覆冰情况的算法。
1、文献中分析了绝缘子覆冰的特点 文献分析了绝缘子覆冰特征,利用图像处理技术对绝缘子覆冰的情况以及绝缘子图形特征量进行分析和识别,应用图像平滑处理和阈值变换等算法获取绝缘子轮廓图像,并计算了覆冰厚度等参数;文献通过模板匹配技术在图像中实现绝缘子的定位,然后通过图像预处理、图像分割、边缘提取等技术,提取出图像中覆冰前后绝缘子边缘,然后对比区域像素个数来判断有无覆冰;文献基于纹理特征描述算子建立玻璃绝缘子的冰类型识别方法,该方法利用一致局部二值模式和改进的一致局部二值模式用于提取六种类型覆冰图像的纹理特征,通过纹理直方图的相关系数计算来识别覆冰类型。文献报道了自1999年以来IEEE-PES工作组一直开发的绝缘子结冰测试方法和推荐的选择标准,包括获得可重复结果和建模的重要因素。文献基于小波的图像边缘检测方法来提取轮廓进行覆冰厚度的测量,并在模拟人工气候实验室中进行了实验验证。文献通过图像的三维重建来进行绝缘子覆冰在线监测,利用计算机双目视觉技术,采用两台放置在不同位置的摄像机采集绝缘子图像,通过图像间的视差进行绝缘子的三维点云模型重建,从而计算得到覆冰的厚度。
2、现有的图像监测方法大多只在理想的实验室环境下识别绝缘子覆冰 现有图像监测法中,大多只是对在实验室这种理想环境下的绝缘子覆冰情况进行识别,在距离实际应用还存在着一定的差距。由于图像获取的复杂性,绝缘子与背景常常融为一体,传统的方法很难将其完整分离。本文结合了GLOH描述子和GVFSnake模型,提出一种绝缘子覆冰检测算法。
3、利用gloh描述子对绝缘子进行精确定位 首先利用GLOH描述子进行精确定位绝缘子,去除背景因素的干扰,然后利用GVFSnake算法对绝缘子串进行检测,以获得绝缘子串的完整轮廓图像,最后对绝缘子轮廓图像进行分析,以达到检测绝缘子覆冰检测目的。绝缘子的图像中常常包含较大的背景噪声,并且图像往往是不同气候条件下拍摄的照片,其颜色深浅度都不太相同。想要克服这些噪声、颜色等差异的影响,就需要对包含绝缘子的图像进行必要的预处理以达到减少噪声等因素的影响。首先对图像进行中值滤波,中值滤波可以去除边缘模糊和噪声等问题,可以较好地将绝缘子的边缘信息保留下来;利用直方图均衡化来增强图像的对比度,以方便绝缘子的定位。考虑到拍摄图像时易受到光照、角度等因素的影响,因此在检测定位阶段,需要具有一定的尺度、亮度、旋转和遮挡不变的局部特征帮助定位绝缘子,本文采用了梯度定位方向直方图描述子来进行特征描述。在描述子构造之前,需要对图像进行局部特征检测,研究者们提出了很多用于局部特征检测的方法,如Harris角点检测、Harris-affine区域检测、DoG特征检测、Hessiarraffine区域检测等。由于仿射协变区域的形状自适应于图像几何形变、视角变化和亮度变化等,Hessian-Affine区域检测算法通过多尺度迭代的方式获得仿射不变特征,能有效检测出仿射协变区域,因此本文采用Hessian-Affine区域检测算法来获取特征和特征区域。
4、需要对特征点进行描述 在检测局部特征点后,需要对特征点进行描述。GLOH是由SIFT描述子发展而来的,具有更强独特性和鲁棒性。GLOH算子所提取的图像特征,能够对尺度缩放、旋转、光照等变化保持不变性,抗噪能力强。绝缘子定位算法的流程图如图1所示,在训练阶段,提取大量特征作为训练集,为了减少冗余的特征,首先利用聚类分析方法来选择代表性的特征即视觉字典,本文使用K-Means作为聚类方法,K-Means聚类的是一种无监督学习方法,应用非常广的,是一个迭代算法,其学习目标是将所有样本到对应聚类中心的平方和最小化,从而使生成的同类的样本尽可能接近,不同类样本尽可能分开。它是一种简单、快速、较为实用的聚类算法。其中Tk表示第k个视觉单词的直方图向量,它是第k类中所有特征向量的平均值。μi为匹配阈值,通过训练样本来获得。在匹配阶段,对任意输入图像均可以得到一系列特征描述子,注意其中包含许多绝缘子特征描述子,记为{T1,T2,…,Tz)。然后将这些特征与L中每个视觉单词进行匹配,并用L中对应的阈值来判断其是否为绝缘子的特征,这样就可以排除大多数非绝缘子的特征,留下所有绝缘子的特征。
5、可以得到含有绝缘体的区域 经过特征匹配后,目标位置显而易见,便可以获得含有绝缘子的区域。对于一副输入图像,先利用第2节中图像预处理方法对其进行预处理,然后通过第3节中绝缘子定位方法进行定位,再通过4.1节的GVFSnake模型对绝缘子串进行检测,以获得绝缘子串的轮廓图像。覆冰在图像上的直接表现就是会增大绝缘子的径向距离,在获取绝缘子串的轮廓图像之后,为了判断覆冰情况,需要计算图像中绝缘子的径向距离,注意到直接从图像中测出的绝缘子最大径向距离是指图像中以单个象素为单位的距离,假设测出的绝缘子最大径向距离为d,未覆冰情况下的图像中绝缘子径向距离为d,而绝缘子实际的距离为d″,若|d-d′|>δ则认为绝缘子存在覆冰情况,δ为了避免计算误差而设定的较小阈值。依据所测参数,也可以计算覆冰的厚度D=0.5d″/d′。本文使用大量含有绝缘子的图像作为训练样本,实验是在Windows7环境下,编译软件为VisualStudi02010和Matlab2012,电脑配置为Intelcore17-4790CPU@3.6GHz,8核。图3是本文算法对绝缘子覆冰的检测结果,实验中,取δ=l。
6、图3是原始图像 图3是原始图像,从图中可以看出,图像中含有绝缘子串存在覆冰情况,并且还有线缆、植被等复杂背景。
7、图3是预处理图像 图3经过预处理后的图像,图3是利用GLOH描述子定位出的含有绝缘子的区域。图3是利用GVFSnake模型获取的绝缘子串的轮廓形状。图3是未经绝缘子定位,直接通过GVFSnake模型提取的轮廓图像,线缆的轮廓也被提取,会影响覆判断,可见绝缘子定位的重要性。经过对图3中绝缘子串的轮廓进行分析、计算得到,d=128,d′=123,d″=255mm所以覆冰厚度D=5.18mm,该绝缘子存在覆冰情况。图4是另一组实验,按照本文算法检测,d>d′+1,也存在覆冰情况。电力系统中绝缘子覆冰检测是电力传输系统中非常重要的问题,为了解决绝缘子覆冰问题,本文提出了一种基于GLOH描述子和GVFSnake的绝缘子覆冰检测算法,
高压电缆该算法利用GLOH描述子结合K-means聚类进行绝缘子定位,并通过GVFSnake模型获取绝缘子串的轮廓,最后对绝缘子轮廓图像进行分析,达到了检测绝缘子覆冰检测的目的,并计算了覆冰的厚度。
如果您对“高压电缆-基于gloh描述子和GVF-Snake的绝缘子覆冰检测算法”感兴趣，欢迎您联系我们
