[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

说明书

一种基于可见光图像数据的输电线路部件裂纹检测方法，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；步骤三，部件目标分割；步骤四，部件裂纹检测；本发明提高了输电线路巡检的效率，降低了巡检人员的劳动强度和安全风险；同时也克服了目前激光点云数据不能够检测部件裂纹缺陷隐患的缺点。

技术领域

本发明属于电网系统输电线路缺陷检测技术领域，具体涉及一种基于可见光图像数据的输电线路部件裂纹检测方法。

背景技术

目前电网系统中的远距离输电部分都位于野外的自然环境中，输电系统的部件都暴露在风吹、日晒、雨淋等的条件下，这样导致输电线路上的部件非常容易发生各式各样的缺陷，而各种缺陷基本都是从裂纹缺陷开始的。为了保证电网系统的安全稳定运行，就必须对电网系统进行高密度的巡检，在部件缺陷还在早期的时候就将其发现阻止部件隐患演变位部件缺陷。目前输电线路巡检方法主要以人工巡检为主直升机巡检为辅，人工巡检输电线路部件裂纹缺陷存在工作效率低下，操作方法复杂费力，巡检人员面临的安全风险较大；直升机巡检主要是以激光点云数据为依据，而点云数据的分辨率非常低无法发现部件的裂纹缺陷。

发明内容

基于上述现有技术的不足，本发明提出了基于可见光数据的输电线路部件裂纹缺陷的检测方法，该方法通过主成分分析法(PCA)对输电线路部件裂纹缺陷进行自动检测，并实现无人机倾斜摄影获取高清影像数据。

本发明是通过如下技术方案来实现的。

一种基于可见光图像数据的输电线路部件裂纹检测方法，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(yolo-v3模型)作为目标检测模块，yolo-v3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；kmean算法自动分割出部件矩形框内有效的目标区域，去除背景信息对裂纹检测识别过程的干扰，该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；