[发明专利]一种基于可见光图像数据的输电线路部件裂纹检测方法

权利要求书

1.一种基于可见光图像数据的输电线路部件裂纹检测方法，其特征在于，步骤如下：

步骤一：倾斜影像的获取

为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；

步骤二：部件目标检测

将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；

1)部件检测是在航拍图像中检测出其包含的目标对象的类别和目标在图像中的具体位置，再将目标检测的结果输入到裂纹检测的过程中，这样能有效的减少裂纹检测算法的计算量；

2)裂纹检测是判断当前目标是否存在裂纹缺陷，采用深度神经网络物体检测模型作为目标检测模块，深度神经网络物体检测模型将基于图像的物体检测过程看作回归问题来解决，在检测时间和检测精度之间达到了很好的平衡；

步骤三：部件目标分割

部件目标检测算法只给出了包含目标物体的矩形框，在矩形框中包含两种像素点：前景像素点和背景像素点；在裂纹检测算法中则关注的是前景像素点区域，故需要对部件目标区域进行前景背景分割，使用kmean方法对目标区域进行聚类分割，算法的思想是先从样本集中随机选取k个样本点作为类中心，并计算所有样本与k个类中心的距离，每一个样本被划分到与其距离最近的类中，最后通过聚类后的样本子集更新每个类的中心；根据kmean的原理和部件图像分割的实际要求，kmean算法的要点如下：

1)类的个数k选为4，目标前景区域常常出现在图像的中心，这样背景区域就不再联通；

2)聚类的特征为每个像数点的R、G、B值和每个点在图像中的坐标x、y值，前景区域和背景区域在图像邻域内颜色和位置都连续；

3)采用欧式距离作为相似度计算的测度，欧式距离的计算公式如下所示：

其中：x代表图像区域中的某一个像素点；i代表的是第i个类，u代表类中心，C代表图像中像素的类别数量；

步骤四：部件裂纹检测

从频域的角度来分析部件上的裂纹缺陷，在频域中裂纹缺陷表现为高频部分；对原始输入图像做PCA变换后再使用前的90％分量重构图像就能够将高频的裂纹信息滤除，最后通过原始图像与重构图像做差分就可以提取到部件区域中的裂纹信息，进而判断部件是否包含裂纹缺陷；

将图像假设分辨率为n＝i*j，那么一张图像就构成了一个n维的特征向量；一个随机采样的图像样本数据集，各个特征之间必然存在n阶协方差矩阵A，该矩阵是一个实对称矩阵，如公式(2)所示：

对矩阵A进行相似对角化如公式(3)所示：其中p是对于特征值λ的特征向量组；由公式(4)在p张成的特征空间下，各个特征之间是线性非相关的；

公式(5)给出了图像信号重构的方法：

其中是重构的图像信号，在得到重构的图像信号后，将原始信号与重建信号做差分得到差分图像d，如公式(6)所示：

d＝|x-x'| (6)

裂纹判断条件如下所示：

其中：x,y为图像中的坐标值，T₁为裂纹点判断阈值，count为图像中的裂纹点计数，T₂为图像中存在裂纹的判断阈值。