本發(fā)明屬于輸電線路故障引流管識別技術領域，具體涉及一種基于自適應特征的故障引流管智能識別的方法。

背景技術：

社會在不斷的前進，電力系統(tǒng)是為社會提供動力的心臟，但是長期在戶外運行的輸電設備由于經(jīng)受著老化、惡劣天氣等因素的影響，時常發(fā)生故障，因此如何及時發(fā)現(xiàn)輸電線路的故障，并進行檢修是一個研究熱點。輸電線路發(fā)生故障就會導致過熱現(xiàn)象，而紅外波段對溫度敏感，因此Leslie在1949年提出運用紅外測溫設備檢測輸電線路故障。但是由于當時設備落后，該方法并沒有被廣泛的使用。隨著科學的進步，紅外設備也越來越先進，并具有不接觸、不停電、遠距離等優(yōu)點，被廣泛的運用在輸電線路檢測方面。但是運用數(shù)字圖像處理智能檢測并識別輸電線路設備故障的研究還需要更加深入。

電氣設備在工作時，由于環(huán)境、導電材料等因素，會產(chǎn)生各種各樣的損耗，這些損耗最終會通過熱能的方式發(fā)散出去，而導電設備多為金屬，導熱性能較好，所以隨著工作時間變長，輸電設備便會發(fā)熱，致使輸電設備的物理性能變壞，輸電設備一旦發(fā)生故障，其損耗便會急劇變大，其溫度也會迅速上升。所以，確定輸電設備是否發(fā)熱嚴重，可以確定其是否發(fā)生故障或者存在隱患。在高壓輸電設備中，跳線聯(lián)板、引流管和絕緣子最容易發(fā)生故障。目前已有許多科研人員通過在熱圖中研究高壓輸電設備發(fā)熱區(qū)域的識別算法，但是直接通過紅外圖像運用圖形學研究高壓輸電線發(fā)熱區(qū)域的識別算法的研究還不夠深入，本發(fā)明經(jīng)過對大量紅外圖像進行分析，實現(xiàn)了通過圖像學算法在紅外圖像中識別輸電設備中引流管故障。

技術實現(xiàn)要素：

本發(fā)明提供了一種基于自適應特征的故障引流管智能識別的方法，該方法綜合考慮故障引流管及其周邊線路的形狀特征，有選著性的選擇識別特征，使識別效果得到提高。

實現(xiàn)本發(fā)明的技術方案如下：

一種基于自適應特征的故障引流管智能識別的方法，具體步驟如下：

步驟A，對輸電線路的紅外灰度圖像進行Otsu自適應閾值分割，得到疑似目標圖像；

步驟B，對疑似目標圖像運用Sobel算子和邊界拓展提取疑似目標輪廓；

步驟C，對步驟B得到疑似目標輪廓圖像進行種子填充；

步驟D，對步驟C得到的圖像，通過Thread特征依次判斷圖像中的各疑似目標是否為故障引流管，若是，則輸出；不是，則進入步驟E，所述Thread特征為:提取的疑似目標的長度和寬度之比應該大于5:1；

步驟E，對輸電線路的紅外灰度圖像，利用高壓輸電線平行特征尋找主干線區(qū)域；

步驟F，在主干線區(qū)域內尋找Harris角點并通過的STWN(Small Target Weaken Noise)特征判斷是否為故障引流管。

進一步對，本發(fā)明步驟A進行閾值分割時，所使用的閾值為Otsu取得動態(tài)最佳閾值向上調節(jié)60-70個灰度級后的值。

進一步地，本發(fā)明步驟B中所述運用Sobel算子和邊界拓展提取目標輪廓的過程為：

首先，運用sobel算子提取疑似目標圖像的邊緣；

其次，對每個邊緣點z，在z(x,y)的8向鄰域中，如果只存在一個邊緣點(x₀,y₀)，那么將z(x,y)標記為可疑間斷點，以邊緣點z(x,y)為中心找到邊緣點(x₀,y₀)的對稱點(2x-x₀,2y-y₀)，以對稱點(2x-x₀,2y-y₀)為基點，劃定拓展區(qū)域；

再次，在拓展區(qū)域內搜索是否有可疑間斷點，如果有則將其與點z(x,y)連接起來，如果沒有則刪除z(x,y)可疑間斷點的屬性。

進一步地，本發(fā)明所述拓展區(qū)域為：以對稱點(2x-x₀,2y-y₀)為基點，以垂直于點(x₀,y₀)到點z(x,y)的方向確定一條直線，以所確定的直線為斜邊，劃定三角形拓展區(qū)域，所述三角形拓展區(qū)域斜邊所對應的頂點與點z(x,y)分別位于所述直線的兩側。

進一步地，本發(fā)明所述步驟E中通過高壓輸電線平行特征尋找主干線區(qū)域方法如下：

首先，對輸電線路的紅外灰度圖像進行Canny算子邊緣檢測得到邊緣圖像，對所述邊緣圖像做霍夫變換，得到若干直線；

其次，對噪聲進行濾波，濾波原則：設某一方向上具有最多平行或近似平行的直線，則保留平行或近似平行于該方向的直線，并將其余的直線刪除，所述主干線區(qū)域為所保留的直線所構成的區(qū)域。

進一步地，本發(fā)明所述步驟F中在主干線區(qū)域內尋找Harris角點并通過的STWN(Small Target Weaken Noise)特征判斷是否為故障引流管方法如下：

首先，將主干區(qū)域內每一直線周圍的五個像素范圍設定為可搜索區(qū)域，在可搜索區(qū)域內做Harris角點檢測；

其次，規(guī)定以角點為中心的20*20像素的區(qū)域內，如果超過200個像素為背景色，則判定該角點區(qū)域不為故障引流管，如果不超過5個像素為背景色，則判定該角點區(qū)域不為故障引流管，針對不屬于上述兩種情況的，判斷為故障引流管。

有益效果

第一，本發(fā)明通過分析大量的故障引流管圖像，得到故障引流管普遍擁有的特征，其中嚴重故障引流管呈現(xiàn)線狀，其長寬比大于5：1，發(fā)明將其命名為Thread特征；微弱故障引流管呈現(xiàn)點狀，其大小在5-200像素之間，發(fā)明將其命名為STWN特征，通過這兩個特征能夠高效的識別故障引流管。

第二，本發(fā)明通過分析大量的故障引流管圖像，得到輸電線路一般為多股平行線，具有平行特征，通過這個特征可以找到主干線區(qū)域，提高檢測效率和識別準確率。

第三，本發(fā)明通過對sobel算子得到的輪廓進行邊界拓展，可以更完善的得到目標的輪廓。

第四，目前大部分對故障電路的方法大部分是通過人眼和熱圖分析溫度的高低，人眼存在成本較高，需要全程高度集中精神，對于微弱特征更是難于識別，通過熱圖分析溫度的高低容易受環(huán)境溫度的影響，并且沒有辦法出具體的故障物體，而通過本發(fā)明則可以高效的識別出故障物體，并且成本低，只需要一臺配戴紅外相機的無人機。

本發(fā)明所提供的方法處理，能夠高效的識別故障引流管，使維護電力系統(tǒng)更加方便。

附圖說明

圖1為本發(fā)明的整體流程原理圖；

圖2為針對引流管引起的明顯故障處理流程原理圖；

圖3為針對引流管引起的微弱故障處理流程原理圖；

圖4嚴重故障引流管；

圖5微弱故障引流管；

圖6邊界拓展原理圖。

具體實施方式

下邊結合附圖，對本發(fā)明進行進一步詳細說明。

本發(fā)明提供一種基于自適應特征的故障引流管智能識別的方法，通過本發(fā)明的方法，可在無人機的巡拍紅外圖像中識別故障引流管。

本發(fā)明的處理對象是無人機的巡拍紅外圖像，該原始圖像是無人機上攜帶的紅外相機采集所得。首先針對引流管引起的明顯故障處理，運用Otsu閾值分割法對紅外圖像進行分割，運用Sobel算子和邊界拓展提取輪廓，然后用種子填充算法分離連通域后，通過Thread特征判斷是否為故障引流管，若識別出故障引流管則輸出，否則，進入引流管引起的微弱小區(qū)域發(fā)熱處理，運用高壓輸電線平行特征尋找主干線區(qū)域，在主干線區(qū)域檢測Harris角點，通過的STWN特征判斷是否為故障引流管。具體為

步驟A，對輸電線路的紅外灰度圖像進行Otsu自適應閾值分割，剔除背景，得到疑似目標圖像：

用傳統(tǒng)的Otsu法得到的分割圖像求出分割閾值，算法將Otsu取得動態(tài)最佳閾值向上調節(jié)60-70個灰度級，可以得到更好的結果。

步驟B，對疑似目標圖像運用Sobel算子和邊界拓展提取疑似目標輪廓；

運用sobel算子求分割后的圖像的邊緣；由于Sobel產(chǎn)生的輪廓信息，在8向鄰域內并不是全部連通的，邊界會存在隔斷的情況，將應該連續(xù)的邊界連通起來。即對每個邊緣點z，在z(x,y)的8向鄰域中，如果只存在一個邊緣點(x₀,y₀)，那么將z(x,y)標記為可疑間斷點，以邊緣點z(x,y)為中心找到邊緣點(x₀,y₀)對稱點(2x-x₀,2y-y₀)，以對稱點(2x-x₀,2y-y₀)為基點，劃定拓展區(qū)域。在拓展區(qū)域內搜索是否有可以間斷點，如果有則將其與點z(x,y)連接起來，如果沒有則刪除z(x,y)可疑間斷點的屬性。該過程的目的是為了使目標輪廓更加完整。

本發(fā)明較佳地將拓展區(qū)域劃定為：以對稱點(2x-x₀,2y-y₀)為基點，以垂直于點(x₀,y₀)到點z(x,y)的方向確定一條直線，以所確定的直線為斜邊，劃定三角形拓展區(qū)域，所述三角形拓展區(qū)域斜邊所對應的頂點與點z(x,y)分別位于所述直線的兩側。以該方法劃定拓展區(qū)域可以更準確找到另一可疑間斷點。

步驟C，對疑似目標輪廓圖像進行種子填充去除小的噪聲；

從一組已知的“種子標記像素點”開始，將與種子預先定義的性質相似的那些鄰域像素(四鄰域或八鄰域，四鄰域即從區(qū)域一點出發(fā)，通過四個方向上、下、左、右來檢索，而八鄰域加上了左上、左下、右上、右下四個方向)添加到每個種子上來形成生長區(qū)域。

步驟D，針對步驟C種子填充后的圖像，通過Thread特征依次判斷所述判斷圖像中的各疑似目標是否為故障引流管，若是，則輸出，不是，則進入步驟E；

所述Thread特征為：故障引流管長度和寬度之比應該大于5:1，此種情況表明引流管出現(xiàn)嚴重故障，即出現(xiàn)嚴重發(fā)熱的情況；步驟E和F為進一步對微弱故障引流管進行判斷，即尋找出微弱發(fā)熱的引流管。

步驟E，對輸電線路的紅外灰度圖像，利用高壓輸電線平行特征尋找主干線區(qū)域。

識別到主干線路所在位置，通過分析大量紅外圖像，發(fā)現(xiàn)高壓主干線路一般都近似直線，并且一般為多股線路，擁有平行特征，因此本發(fā)明首先通過霍夫變換來檢測直線，運用輸電線路的平行特征，濾除不必要的噪聲直線，進而確定主干線路的位置。具體處理過程如下：對書店線路的紅外灰度圖像進行Canny算子邊緣檢測得到邊緣圖像，然后對所述邊緣圖像做霍夫變換，得到大量直線信息，其中大量直線信息中包含很多錯誤的直線信息，即噪聲，需要對噪聲進行濾波。濾波原則：通過分析大量紅外圖像可知主干線路一般大于兩條，即至少存在四條直線，這四條直線擁有平行的特征。設某一方向上具有最多平行或近似平行的直線，保留平行或近似平行于該方向的直線，并將其余的直線刪除，所述主干線區(qū)域為所保留的直線所構成的區(qū)域。

步驟F，在主干線區(qū)域內尋找Harris角點并通過的STWN(Small Target Weaken Noise)特征判斷是否為故障引流管；

當確定主干線區(qū)域的位置后，將主干線區(qū)域內每一直線周圍的五個像素范圍設定為可搜索區(qū)域，在可搜索區(qū)域內做Harris角點檢測；因為引流管處故障不明顯情況下一般呈現(xiàn)為點狀，具有小目標(Small Target)特征，所以規(guī)定以角點為中心的20*20像素的區(qū)域內，如果超過200個像素為背景色(灰度值較大)，則不滿足引流管小目標(Small Target)的屬性，因此該角點區(qū)域不為故障引流管；如果不超過5個像素為背景色，該點為噪聲，也不是故障引流管，以此達到削弱噪聲(Weaken Noise)的目的；剩余情況判定為故障引流管。對找到的所有Harris角點根據(jù)該過程判斷其是否為故障引流管。

綜上所述，以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。