基于图像的绝缘子缺陷检测中若干关键技术研究
发布时间：2019-08-05 15:09
【摘要】：绝缘子是输电线路的必备器件,维护其安全稳定的运行至关重要。采用图像处理技术分析绝缘子并实现缺陷的自动检测,可提供准确的决策支持,对输电线路自动巡检具有现实意义。本文以绝缘子的可见光和红外图像为数据源,深入研究了绝缘子图像处理中的去噪、分割、识别、缺陷检测等关键技术。主要研究工作如下：为了取得对高密度脉冲噪声图像的更好去噪效果,提出了基于改进同龄组的高密度脉冲噪声自适应去除算法。根据脉冲噪声点邻域窗口内非脉冲噪声点个数,实现对邻域窗口大小的自适应增长；求得脉冲噪声点的同龄组,并根据同龄组个数,结合中值滤波和均值滤波思想去除脉冲噪声。标准图像测试表明,与其他方法相比,所提方法具有更好的去噪效果。针对脉冲高斯混合噪声,提出了基于改进模糊同龄组的噪声去除算法。利用所提高密度脉冲噪声去除算法消除混合噪声中的脉冲噪声；提出了一种非下采样Contourlet变换和主成分分析相结合的高斯噪声方差估计方法,将估计后的方差值与模糊同龄组算法相结合,去除混合噪声中的高斯噪声。标准测试图像、现场可见光和红外绝缘子图像测试表明,所提方法获得更好的去噪指标。为了获得更好的绝缘子图像分割效果,提出了一种改进的单位连接-脉冲耦合神经网络(Unit-Linking Pulse-Coupled Neural Networks, UL-PCNN)图像分割算法MUL-PCNN (Modified UL-PCNN).通过计算每个神经元的中心点均方差组成一个新的连接强度系数；同时,将均方误差作为最优分割图像选择依据,实现图像的更佳分割。在标准测试图像Peppers、现场采集的绝缘子红外图像和可见光图像上验证得出,所提方法能够实现对绝缘子图像的更佳分割,具有更好的鲁棒性。为了解决绝缘子识别过程中的多尺度、多角度问题,给出了二值化、形态学和ASIFT (Affine scale-invariant feature transform)算法相融合的识别方法。利用MUL-PCNN算法分割绝缘子图像,得到二值图像；然后利用形态学方法将二值化绝缘子图像划分为多个待检测区域块；将每个区域块与绝缘子串模板进行ASIFT匹配,并根据匹配点的个数识别出绝缘子串区域。在多张现场绝缘子图像上验证得出,所提方法能够准确识别出绝缘子串。提出了基于稀疏表示的绝缘子掉串缺陷检测方法。利用渐进腐蚀思想确定绝缘子串的主轴,并将其旋转至垂直状态,然后利用坐标轴投影统计信息,确定单个盘片的高度和宽度,进而提取单盘片信息；最后通过对每个提取的绝缘子单盘片进行分类,实现掉串缺陷检测。航拍绝缘子图像测试表明,所提方法具有更高的检测精度。
【图文】：
带图像和高频子带图像，，低频子带图像通过塔式滤波器组作进一步的分解；之逡逑后采用非下采样方向滤波器组分解高频子带图像，得到２＂个方向子带图像，如逡逑此进行下去，即可实现对图像的多方向、多尺度分解。分解过程如图２－２所示。逡逑Ｉ低通方向子带逡逑￣］邋｜Ｘ邋１逦７逡逑—带通方向子带逡逑原图逦逦ｋ逡逑Ｉ邋Ｉ邋７逡逑—逦带通方向子带逡逑逦邋１－＾邋Ｉ邋＼逡逑图２－２邋ＮＳＣＴ分解结构图逡逑Ｆｉｇ．２－２邋ＮＳＣＴ邋ｂｒｅａｋｄｏｗｎ邋ｓｔｒｕｃｔｕｒｅ逡逑ＮＳＣＴ变换具有多尺度、各向异性等特点，能在任意尺度上实现任意方向逡逑的分解，产生低频系数和各带通方向子带，且各尺度各方向上的子带系数均与逡逑－２３－逡逑
为了验证经ＮＳＣＴ分解后得到的低频信号对噪声不敏感，将Ｌｅｎａ图像进行逡逑ＮＳＣＴ分解，分解层数设定为３层，所添加噪声为［５邋１０邋１５邋２０邋２５邋３０］，分解前后逡逑的图像对比如图２－３所示，其中第一行为加噪图像，第二行为经过ＮＳＣＴ分解后逡逑的低频信号图像。逡逑WWWWWW逡逑画W佭W圆佭逡逑图２－３邋ＮＳＣＴ分解前后图像对比图逡逑Ｆｉｇ．２－３邋Ｃｏｎｔｒａｓｔ邋ｉｍａｇｅｓ邋ｂｅｆｂｒｅ－ａｎｄ－ａｆｔｅｒ邋ＮＳＣＴ逡逑由图２－３可Ｗ看出，第一行视觉变化较为明显，从左到右，噪声点逐步增加，逡逑相比第一行，第二行六幅图像没有明显的噪声点存在，且图像间并无明显视觉逡逑变化。为了进一步验证ＮＳＣＴ分解对噪声的不敏感性，计算图２－３中第２－６列图像逡逑与其对应的第一列图像的ＳＳＩＭ，查看图像的相似程度，假定第２－６列图像的编逡逑号为１－５，计算结果如图２－４所示。逡逑０－９｜逦１逦１逦１逦１逡逑马）逦＜？－逦（＞逦邋（＞逡逑０．７逦逡逑＾邋0＾！ｓ＾逦Ｉ邋—ａ—加４面vB逦Ｉ逡逑＾逦－ｅ－ＮＳＣＴ低频图像逡逑（０邋０．Ｓ逦逦邋．．．逦■逡逑０．４逦—逦逦逡逑０．３逦＾逡逑２逦３逦４逦５逡逑图像编号逡逑图２－４含噪图像和ＮＳＣＴ低频图像的ＳＳＩＭ变化情况逡逑Ｆｉｇ．２－４邋ＳＳ１Ｍ邋ｏｆ邋ｎｏｉｓｙ邋ｉｍａｇｅｓ邋ａｎｄ邋ＮＳＣＴ邋ｌｏｗ－ｆｒｅｑｕｅｎｃｙ邋ｉｍａｇｅｓ逡逑由图２－４可ｙｘ看出，经过ＮＳＣＴ分解的低频图像各列与第一列图像的ＳＳＭ逡逑值均显著高于加噪图像
【学位授予单位】：华北电力大学(北京)
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TM755;TP391.41
本文编号：2523192
【图文】：
带图像和高频子带图像，，低频子带图像通过塔式滤波器组作进一步的分解；之逡逑后采用非下采样方向滤波器组分解高频子带图像，得到２＂个方向子带图像，如逡逑此进行下去，即可实现对图像的多方向、多尺度分解。分解过程如图２－２所示。逡逑Ｉ低通方向子带逡逑￣］邋｜Ｘ邋１逦７逡逑—带通方向子带逡逑原图逦逦ｋ逡逑Ｉ邋Ｉ邋７逡逑—逦带通方向子带逡逑逦邋１－＾邋Ｉ邋＼逡逑图２－２邋ＮＳＣＴ分解结构图逡逑Ｆｉｇ．２－２邋ＮＳＣＴ邋ｂｒｅａｋｄｏｗｎ邋ｓｔｒｕｃｔｕｒｅ逡逑ＮＳＣＴ变换具有多尺度、各向异性等特点，能在任意尺度上实现任意方向逡逑的分解，产生低频系数和各带通方向子带，且各尺度各方向上的子带系数均与逡逑－２３－逡逑
为了验证经ＮＳＣＴ分解后得到的低频信号对噪声不敏感，将Ｌｅｎａ图像进行逡逑ＮＳＣＴ分解，分解层数设定为３层，所添加噪声为［５邋１０邋１５邋２０邋２５邋３０］，分解前后逡逑的图像对比如图２－３所示，其中第一行为加噪图像，第二行为经过ＮＳＣＴ分解后逡逑的低频信号图像。逡逑WWWWWW逡逑画W佭W圆佭逡逑图２－３邋ＮＳＣＴ分解前后图像对比图逡逑Ｆｉｇ．２－３邋Ｃｏｎｔｒａｓｔ邋ｉｍａｇｅｓ邋ｂｅｆｂｒｅ－ａｎｄ－ａｆｔｅｒ邋ＮＳＣＴ逡逑由图２－３可Ｗ看出，第一行视觉变化较为明显，从左到右，噪声点逐步增加，逡逑相比第一行，第二行六幅图像没有明显的噪声点存在，且图像间并无明显视觉逡逑变化。为了进一步验证ＮＳＣＴ分解对噪声的不敏感性，计算图２－３中第２－６列图像逡逑与其对应的第一列图像的ＳＳＩＭ，查看图像的相似程度，假定第２－６列图像的编逡逑号为１－５，计算结果如图２－４所示。逡逑０－９｜逦１逦１逦１逦１逡逑马）逦＜？－逦（＞逦邋（＞逡逑０．７逦逡逑＾邋0＾！ｓ＾逦Ｉ邋—ａ—加４面vB逦Ｉ逡逑＾逦－ｅ－ＮＳＣＴ低频图像逡逑（０邋０．Ｓ逦逦邋．．．逦■逡逑０．４逦—逦逦逡逑０．３逦＾逡逑２逦３逦４逦５逡逑图像编号逡逑图２－４含噪图像和ＮＳＣＴ低频图像的ＳＳＩＭ变化情况逡逑Ｆｉｇ．２－４邋ＳＳ１Ｍ邋ｏｆ邋ｎｏｉｓｙ邋ｉｍａｇｅｓ邋ａｎｄ邋ＮＳＣＴ邋ｌｏｗ－ｆｒｅｑｕｅｎｃｙ邋ｉｍａｇｅｓ逡逑由图２－４可ｙｘ看出，经过ＮＳＣＴ分解的低频图像各列与第一列图像的ＳＳＭ逡逑值均显著高于加噪图像
【学位授予单位】：华北电力大学(北京)
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TM755;TP391.41
【引证文献】
相关硕士学位论文 前4条
1 王静强;基于二维和三维视觉信息的钢轨表面缺陷检测[D];西南科技大学;2018年
2 荀子扬;基于无人机视觉的绝缘子缺陷识别检测研究[D];东北农业大学;2018年
3 刘建宏;高速列车接触网悬挂系统缺陷图像识别技术研究[D];西南交通大学;2018年
4 杨辉金;基于图像处理的接触网绝缘子裂纹和定位支座检测[D];西南交通大学;2017年
本文编号：2523192
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/2523192.html
