基于图像序列的输电线路隐患检测系统的性能改进研究

发布时间：2020-10-15 23:07

　　 随着电力逐渐渗透进社会的各行各业,由于火灾、异物入侵等隐患导致的意外停电事故严重影响了人们的生活,造成了巨大的经济损失。因此,如何有效地监控高压输电线路及其周边环境,从而及时发现安全隐患,保证电力供应是一个亟待解决的问题。据统计,常见的输电线路安全隐患包括工程车、吊臂、塔吊、火灾及异物入侵等。目前,常见的检测上述隐患的方法有人工巡检、机器人巡线、无人机巡检及基于固定于杆塔上摄像头的视频监控这四类。虽然上述方法取得了一定的效果,但是前三种方法不仅需要人工干预与控制,而且巡检范围有限,难以保证实时监控。视频监控对摄像头的供电要求非常高,然而由于高压输电线路不能直接为摄像头供电,因此一般使用可充电电池供电。可充电方式一般是利用风能、太阳能等,监控模式则采用按照一定时间间隔进行拍摄获取图像序列的模式,从而进一步降低功耗。为了解决基于图像序列的线路隐患检测问题,课题组自2015年开始与山东某公司合作,结合图像处理与机器学习理论分析图像序列,由于监拍装置的场景固定,采用了差分方法作为隐患的主要检测技术,进而自动确定隐患位置及类型,并及时报警,于2016年底开发了隐患检测和识别系统的第一个版本。该系统能够检测天空区域的吊臂和地面区域的工程车及火灾,但是仍然存在一些问题需要解决,主要问题有:无法检测线路异物、杆塔倒塌等天空区域隐患;图像差分之后仍然存在较多噪声;识别类型较少,还难以判定塔吊、泵车等不同类型的安全隐患。针对第一版本中存在的问题,主要开展了以下几方面的工作:(1)天际线分割。结合图像中灰度变化的程度、频率及天空区域的位置获得准确的天际线位置,从而得到天际线掩膜。由于出现在天空与地面区域的隐患类型不同,所以使用掩膜将图像分成天空与地面分别进行隐患检测;(2)提出了累计边缘概率分布模型,并实现了天空区域隐患的检测。天空区域隐患包括杆塔倒塌、线路异物以及摄像头异常移动等。事实上,上述隐患都是小概率事件。由于杆塔及线路是天空区域中的固定目标,虽然其位置偶有变化,但是正常情况下会在其平衡位置附近晃动。由于监拍场景固定,因此从图像序列的角度来看,这些固定目标应当符合一定的概率分布模型。在大量观察基础上,提出了累计边缘概率分布模型,结合自适应Parzen窗算法,通过与该模型比较,实现了天空区域隐患的检测;(3)地面区域隐患检测。首先,通过改进的多颜色空间融合图像差分算法获取变化区域;其次,结合灰度涨落漂移、改进的多尺度边缘朝向直方图与分形维数等算法筛选变化区域,进而确定隐患区域;最终,通过纹理、形状等特征确定隐患类型;(4)识别工程车、吊臂等目标。鉴于Faster-RCNN目标检测方法与利用传统图像处理方法在地面区域隐患检测方面的互补性,大幅度降低了漏报率。迄今为止,该系统已在山东省17地市、江苏、辽宁等多个省市获得推广。基于课题组所开发的系统,据统计,降低了工作人员约98%的工作量。虽然本文算法进一步改善了系统的性能,取得了更好的检测效果,但是对于存在遮挡、小目标的隐患检测等问题,系统的检测效果仍然不甚理想,需要进一步提升性能。
【学位单位】：济南大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TM75;TP391.41
【部分图文】：

(a) 参考图像 (b) 当前图像 (c) 多颜色空间融合差分结果图 1.1 基于图像序列的多颜色空间融合差分如上图所示，红色矩形框标注的为 ROI(region of interest)。(2) 包括塔吊与火灾检测的天空区域隐患检测。以差分结果为基础，计算变化区域掩膜，根据掩膜获取对应的原图，并将其作为简单卷积神经网络的输入，该网络是一个二分类器，判断图像块中是否包含工程车。综上，已有的工作虽然能够检测工程车、吊臂与火灾，但是仍然存在许多问题，例如，由于 ROI 容易淹没在由于人为或非人为因素导致的变化区域中，导致难以进行准确分割；网络结构简单，而且场景多种多样，只能排除部分误报；之前的工作主要关注工程车、吊臂及火灾的检测，公司又陆续提出了其他的需求，如检测线路及杆塔异物、杆塔倒塌、线路断裂等新型隐患；原隐患检测系统是由面向过程的 C 语言开发的，修改和维护的难度较大。因此，系统的性能需要进行不断提升。

图 2.1 双线性插值计算示意图 点为待插值点, 三角形的11Q 、21Q 、像素。为了得到 P 点的值，首先，使步的计算结果拟合 P 点，即两次线值，即1R 与2R ，线性插值计算公式2 111 212 1 2 1) ( ) ( )x x x x f Q f Qx x x x + 2 112 222 1 2 1) ( ) ( )x x x xf Q f Qx x x x + ， f 为对应位置的像素值。由于是数

(b) 双线性插值效果图 2.2 双线性插值效果如图 2.2 所示，拍摄的原始图像分辨率为 2560×1920，缩放后的图像分辨率为800×600。虽然图像缩小了近 10 倍，但是并没有明显的马赛克效果，而且在后续隐患检测过程中，可以减少处理时间。2.2 空间滤波一般情况下，现实中拍摄的图像，一般都会受到相机本身的噪声、拍摄环境等噪声的污染。因此，图像滤波常被作为基础的图像去处理操作。图像滤波可以分为空域与频域两类，本文仅介绍用到的两种空间滤波方式：高斯滤波与中值滤波。中值滤波计算过程如下，首先，选定中心点；其次，根据模板大小，获取中心点一定邻域内的像素值；然后，对像素值进行排序；最后，将排序结果中的中值赋予中心点。如图 2.2 所示，天空区域的亮度变化是非常平缓的，而输电线路会导致灰度突然下
【相似文献】

相关期刊论文 前10条

1 周伟勋;;基于通信图像序列的步态识别[J];电脑知识与技术;2010年21期

2 钟平,于前洋,王明佳,金光;航摄动态图像序列稳定技术仿真研究[J];计算机仿真;2004年01期

3 钟伟,余松煜,芮雨;图像序列处理中的形态分割方法[J];上海交通大学学报;2001年09期

4 孔祥魁;;运动图像序列中关键关节点的跟踪优化仿真[J];计算机仿真;2016年02期

5 宋宏权;刘学军;闾国年;甄艳;;地理参考下未标定图像序列的三维点云精度分析[J];测绘通报;2012年07期

6 胡永祥;蒋鸿;;基于运动估计的交互式医学图像序列分割[J];计算机工程与设计;2007年05期

7 张瑛;饶妮妮;王刚;;改进的小波域医学图像序列的运动估计[J];生物医学工程学杂志;2006年05期

8 宋勇,郝群,王涌天;运动图像序列的移位帧累积技术研究[J];北京理工大学学报;2003年04期

9 汪亚明,赵匀;基于动态图像序列的下肢运动参数测量[J];计算机自动测量与控制;2002年09期

10 汪亚明;基于计算机图像序列的人体步态参数的快速获取方法[J];电子技术应用;2000年08期

相关博士学位论文 前10条

1 何富运;显微细胞图像序列形态分析的关键技术研究[D];东南大学;2017年

2 姬晓鹏;基于深度图像序列的人体动作识别方法研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2018年

3 夏思宇;彩色图像序列的人脸检测、跟踪与识别研究[D];东南大学;2006年

4 郑世友;动态场景图像序列中运动目标检测与跟踪[D];东南大学;2006年

5 邓宝松;基于点线特征的大基线图像序列三维重建技术研究[D];国防科学技术大学;2006年

6 贾静平;图像序列中目标跟踪技术研究[D];西北工业大学;2007年

7 李谦;基于低秩稀疏的图像序列增强技术研究[D];中国科学技术大学;2015年

8 陈昌红;动态图像序列建模与分类及其在人体运动分析中的应用[D];西安电子科技大学;2009年

9 贺礼;联合弹性特性的乳腺超声图像序列诊断分析[D];中国科学技术大学;2009年

10 孙春凤;基于并行处理的高速图像序列运动目标检测技术研究[D];哈尔滨工业大学;2011年

相关硕士学位论文 前10条

1 于向茹;基于图像序列的输电线路隐患检测系统的性能改进研究[D];济南大学;2019年

2 靳明新;X射线冠脉造影图像序列的血管提取方法研究[D];上海交通大学;2018年

3 裴刘继;基于FRFCM聚类与深度信息优化的分层RGBD图像序列场景流计算技术研究[D];南昌航空大学;2019年

4 原彤彤;图像序列的压缩编码技术及系统[D];中北大学;2019年

5 隗娜;基于图像序列的稠密三维重建关键技术研究[D];中国科学院大学(中国科学院沈阳计算技术研究所);2019年

6 杨帅;腹部CT图像序列肝脏分割方法与三维重建[D];河南大学;2018年

7 阳宁凯;基于压缩感知的光场采集和重建研究[D];杭州电子科技大学;2018年

8 杨雨薇;基于图像序列的高真实感纹理映射技术研究[D];云南师范大学;2018年

9 程会云;基于时序信息建模的有丝分裂事件检测方法研究[D];天津大学;2018年

10 王之骢;基于图像序列的干细胞运动追踪与分裂检测研究[D];电子科技大学;2018年

本文编号：2842374