一种输电导线缺陷的视觉识别及定位方法技术

本申请涉及计算机视觉技术领域，提供一种输电导线缺陷的视觉识别及定位方法，所述视觉识别及定位方法首先利用改进的LBP特征值对图像灰度化处理，然后对图像进行去噪及增强，并采用Canny边缘检测获取输电导线边缘图像；再利用Hough直线检测算法提取导线纹理，并通过最小二乘法算法拟合导线中心线，提取出导线部分作感兴趣区域；最后通过改进的YOLOv3卷积神经网络模型对输电导线的缺陷进行自动识别，获得输电导线缺陷的类型和其在图像中的位置信息。本申请提供的视觉识别及定位方法能够实现输电导线缺陷的自动识别和定位，有利于减少视觉识别的工作量，降低人工成本，提高自动识别准确率与效率，进而保证电网的稳定运行。

【技术实现步骤摘要】
一种输电导线缺陷的视觉识别及定位方法
本申请涉及计算机视觉
，尤其是涉及一种输电导线缺陷的视觉识别及定位方法。
技术介绍
输电线路主要承担电能输送任务，是国家电网的重要组成部分。由于输电线路架设面积广，途经地区的地形和气候复杂多变，因而在外界环境的长时间影响下，输电导线容易产生导线断股、导线破损等故障。如果这些故障不及时维修，容易引发线路断线和短路故障，进而造成大面积非计划停电。因此，定期开展巡检工作非常关键，定期开展巡检工作不仅可以保障输电线路平稳及可靠地运行，还能避免不必要的经济损失，对国民用电安全和经济稳定发展起着至关重要的作用。早期的巡检工作主要由人工巡检方式来完成，即工作人员直接通过肉眼观察，查找并识别线路上的故障点，这种巡检方式效率低、难度大且可靠性较弱。随着科技的进步，新型的巡检方式逐步取代人工巡检，这种新型的巡检方式主要通过携带高清摄像机或者红外摄像机等图像采集工具来拍摄输电线路图像，再由工作人员查看并分析采集到的视频图像，观察输电线路典型部件的状况并找出故障点。然而，采用这种新型的巡检方式，视频终端所采集到的图像数据庞大、重复性高，且海量的输电线路图像数据仍需要工作人员通过肉眼查看，因而工作量巨大，容易出现误判或漏判的情况，依然无法及时且准确地发现输电线路上的安全隐患。
技术实现思路
为了克服现有技术的不足，本申请旨在提供一种输电导线缺陷的视觉识别及定位方法，可以提高输电线路巡检的自动化程度、数据化程度和实时性。为了实现上述目的，一方面，本申请提供一种输电导线缺陷的视觉识别及定位方法，具体包括：获取输电导线的高清图像。利用改进的局部二值模式特征值对所述高清图像进行灰度化处理，获得灰度化图像；所述改进的局部二值模式特征值通过将像素点的对比范围扩展到任意半径的圆形区域，并根据拉普拉斯算子获得。对所述灰度化图像进行去噪及增强处理，获得增强图像，再利用Canny边缘检测算法对所述增强图像进行边缘检测，获得边缘图像。利用Hough直线检测算法从所述边缘图像中提取输电导线纹理后，再利用最小二乘法拟合所述输电导线纹理中心线，以及利用所述输电导线纹理中心线获取输电导线拟合图像，并将所述输电导线拟合图像作为感兴趣区域。通过预先建立的缺陷识别模型对所述感兴趣区域进行自动识别，获得所述感兴趣区域的缺陷类型，并框定出所述缺陷类型所属感兴趣区域的位置信息。所述缺陷识别模型包含输电导线缺陷类型数据库，并能够将感兴趣区域与输电导线缺陷类型数据库进行匹配，确定感兴趣区域是否存在缺陷以及缺陷所属的缺陷类型；所述缺陷识别模型通过改进的YOLOv3卷积神经网络训练获得，所述改进的YOLOv3卷积神经网络包括引入DropBlock层和改进损失函数。进一步的，所述利用改进的局部二值模式特征值对所述高清图像进行灰度化处理，具体方法包括：步骤S21：获取所述高清图像的所有像素点。步骤S22：选取任一像素点作为中心像素点，根据预设的半径确定所述中心像素点的圆形区域，并在圆形区域内选定设定个数的像素点作为邻域像素点。步骤S23：根据所述中心像素点的灰度值，求得所述中心像素点的拉普拉斯算子；以及根据所述邻域像素点的灰度值，求得所述邻域像素点的拉普拉斯算子。步骤S24：根据所述中心像素点的拉普拉斯算子和所述邻域像素点的拉普拉斯算子，计算所述中心像素点的局部二值模式特征值。步骤S25：利用所有像素点的局部二值模式特征值对所述高清图像进行灰度归一化。进一步的，建立所述缺陷识别模型的具体方法为：步骤S31：获取输电导线缺陷类型数据库中的输电导线缺陷图像。步骤S32：将所述输电导线缺陷图像分为训练集和测试集。步骤S33：将所述训练集通过反向传播算法进行反复训练，建立初步神经网络模型。步骤S34：利用所述测试集验证所述初步神经网络模型的精度，若所述初步神经网络模型的精度满足要求，则生成缺陷识别模型。进一步的，所述改进损失函数的具体方法为：步骤S41：计算预测框和标注框的交集面积和并集面积。步骤S42：根据所述交集面积和所述并集面积，获得预测框和标注框的交并比，所述交并比为预测框和标注框的交集面积与并集面积的比值。步骤S43：计算预测框和标注框的最小闭包区域面积，所述最小闭包区域面积为同时包含了预测框和标注框的最小框的面积。步骤S44：根据所述最小闭包区域面积和所述并集面积，计算最小闭包区域中既不属于预测框也不属于标注框的区域占最小闭包区域的比重，获得非并比重。步骤S45：根据所述交并比与所述非并比重，获得广义交并比，所述广义交并比为所述交并比与所述非并比重的差值，具体表示为：式中，GIoU为广义交并比，IoU为预测框和标注框的交并比，D为最小闭包区域面积，U为预测框和标注框的并集面积。步骤S46：根据所述广义交并比，获得损失函数，所述损失函数为：LGIoU＝1-GIoU。进一步的，所述DropBlock层包括两个参数，分别为需要丢弃的Block的大小block_size和需要丢弃的激活单元数量γ，γ的计算公式如下：式中，keep_prob为传统Dropout层中激活单元被保留的概率，feat_size为特征图的尺寸大小。进一步的，对所述灰度化图像进行去噪处理采用维纳滤波法。进一步的，对所述灰度化图像进行增强处理采用直方图均衡化。进一步的，所述Canny边缘检测采用最大类间差法。进一步的，所述输电导线缺陷类型数据库包括：单股导线断股、多股导线断股和导线破损。第二方面，本申请还提供一种输电导线缺陷的视觉识别及定位系统，具体包括：图像预处理单元，用于对高清图像进行预处理，包括灰度处理模块、图像去噪与增强模块和边缘检测模块；所述灰度处理模块利用改进的局部二值模式特征值对所述高清图像进行灰度化处理，获得灰度化图像；所述图像去噪与增强模块用于通过维纳滤波器对所述灰度化图像进行滤波处理，再利用直方图均衡化对滤波处理后的灰度化图像作进一步增强，获得增强图像；所述边缘检测模块用于通过Canny边缘检测算法对所述增强图像进行边缘检测，获得边缘图像。导线提取单元，用于提取出输电导线部分作为感兴趣区域，包括直线检测模块、拟合中心线模块和提取感兴趣区域模块；所述直线检测模块用于通过Hough直线检测算法从所述边缘图像中提取输电导线纹理；所述拟合中心线模块用于通过最小二乘法拟合所述输电导线纹理中心线；所述提取感兴趣区域模块，用于根据所述输电导线纹理中心线获取输电导线拟合图像，并将所述输电导线拟合图像作为感兴趣区域。分类与定位单元，用于通过预先建立的缺陷识别模型对所述感兴趣区域进行自动识别，获得所述感兴趣区域的缺陷类型，并框定出所述缺陷类型所属感兴趣区域的位置信息；所述缺陷识别模型包含输电导线缺陷类型数据库，并能够将感兴趣区域与输电导线缺陷类型数据库进行匹配，确定感兴趣区域是否存在缺本文档来自技高网...

【技术保护点】
1.一种输电导线缺陷的视觉识别及定位方法，其特征在于，所述视觉识别与定位方法包括：/n获取输电导线的高清图像；/n利用改进的局部二值模式特征值对所述高清图像进行灰度化处理，获得灰度化图像；所述改进的局部二值模式特征值通过将像素点的对比范围扩展到任意半径的圆形区域，并根据拉普拉斯算子获得；/n对所述灰度化图像进行去噪及增强处理，获得增强图像，再利用Canny边缘检测算法对所述增强图像进行边缘检测，获得边缘图像；/n利用Hough直线检测算法从所述边缘图像中提取输电导线纹理后，再利用最小二乘法拟合所述输电导线纹理中心线，以及利用所述输电导线纹理中心线获取输电导线拟合图像，并将所述输电导线拟合图像作为感兴趣区域；/n通过预先建立的缺陷识别模型对所述感兴趣区域进行自动识别，获得所述感兴趣区域的缺陷类型，并框定出所述缺陷类型所属感兴趣区域的位置信息；/n所述缺陷识别模型包含输电导线缺陷类型数据库，并能够将感兴趣区域与输电导线缺陷类型数据库进行匹配，确定感兴趣区域是否存在缺陷以及缺陷所属的缺陷类型；所述缺陷识别模型通过改进的YOLOv3卷积神经网络训练获得，所述改进的YOLOv3卷积神经网络包括引入DropBlock层和改进损失函数。/n...

【技术特征摘要】
1.一种输电导线缺陷的视觉识别及定位方法，其特征在于，所述视觉识别与定位方法包括：
获取输电导线的高清图像；
利用改进的局部二值模式特征值对所述高清图像进行灰度化处理，获得灰度化图像；所述改进的局部二值模式特征值通过将像素点的对比范围扩展到任意半径的圆形区域，并根据拉普拉斯算子获得；
对所述灰度化图像进行去噪及增强处理，获得增强图像，再利用Canny边缘检测算法对所述增强图像进行边缘检测，获得边缘图像；
利用Hough直线检测算法从所述边缘图像中提取输电导线纹理后，再利用最小二乘法拟合所述输电导线纹理中心线，以及利用所述输电导线纹理中心线获取输电导线拟合图像，并将所述输电导线拟合图像作为感兴趣区域；
通过预先建立的缺陷识别模型对所述感兴趣区域进行自动识别，获得所述感兴趣区域的缺陷类型，并框定出所述缺陷类型所属感兴趣区域的位置信息；
所述缺陷识别模型包含输电导线缺陷类型数据库，并能够将感兴趣区域与输电导线缺陷类型数据库进行匹配，确定感兴趣区域是否存在缺陷以及缺陷所属的缺陷类型；所述缺陷识别模型通过改进的YOLOv3卷积神经网络训练获得，所述改进的YOLOv3卷积神经网络包括引入DropBlock层和改进损失函数。


2.根据权利要求1所述的一种输电导线缺陷的视觉识别及定位方法，其特征在于，所述利用改进的局部二值模式特征值对所述高清图像进行灰度化处理，具体方法包括：
步骤S21：获取所述高清图像的所有像素点；
步骤S22：选取任一像素点作为中心像素点，根据预设的半径确定所述中心像素点的圆形区域，并在圆形区域内选定设定个数的像素点作为邻域像素点；
步骤S23：根据所述中心像素点的灰度值，求得所述中心像素点的拉普拉斯算子；以及根据所述邻域像素点的灰度值，求得所述邻域像素点的拉普拉斯算子；
步骤S24：根据所述中心像素点的拉普拉斯算子和所述邻域像素点的拉普拉斯算子，计算所述中心像素点的局部二值模式特征值；
步骤S25：利用所有像素点的局部二值模式特征值对所述高清图像进行灰度归一化。


3.根据权利要求1所述的一种输电导线缺陷的视觉识别及定位方法，其特征在于，建立所述缺陷识别模型的具体方法为：
步骤S31：获取输电导线缺陷类型数据库中的输电导线缺陷图像；
步骤S32：将所述输电导线缺陷图像分为训练集和测试集；
步骤S33：将所述训练集通过反向传播算法进行反复训练，建立初步神经网络模型；
步骤S34：利用所述测试集验证所述初步神经网络模型的精度，若所述初步神经网络模型的精度满足要求，则生成缺陷识别模型。


4.根据权利要求1所述的一种输电导线缺陷的视觉识别及定位方法，其特征在于，所述改进损失函数的具体方法为：
步骤S41：计算预测框和标注框的交集面积和并集面积；
步骤S42：根据所述交集面积和所述并集面积，获得预测框和标注框的交并比，所述交并比为预测框和标注框的交集面积与并集面积的比值；
步骤S43：计算预测框和标注框的最小闭包区域面积，所述最小闭包区域面积为同时包含了预测框和标注框的最小框的面积；
步骤S44：根据所述最小闭包区域面积和所述并集面积，计算最小闭包区域中既不属于预测框也不属于...

【专利技术属性】
技术研发人员：唐立军，李浩涛，杨家全，黄修乾，张旭东，张锡然，何婕，李响，谢青洋，周寒英，英自才，李学富，陈刚，周莹，王陈喜，
申请(专利权)人：云南电网有限责任公司电力科学研究院，云南电网有限责任公司怒江供电局，
类型：发明
国别省市：云南;53