基于圖像的絕緣子缺陷檢測中若干關(guān)鍵技術(shù)研究.pdf

1、絕緣子是輸電線路的必備器件，維護其安全穩(wěn)定的運行至關(guān)重要。采用圖像處理技術(shù)分析絕緣子并實現(xiàn)缺陷的自動檢測，可提供準(zhǔn)確的決策支持，對輸電線路自動巡檢具有現(xiàn)實意義。本文以絕緣子的可見光和紅外圖像為數(shù)據(jù)源，深入研究了絕緣子圖像處理中的去噪、分割、識別、缺陷檢測等關(guān)鍵技術(shù)。主要研究工作如下:
　　為了取得對高密度脈沖噪聲圖像的更好去噪效果，提出了基于改進同齡組的高密度脈沖噪聲自適應(yīng)去除算法。根據(jù)脈沖噪聲點鄰域窗口內(nèi)非脈沖噪聲點個數(shù)，實現(xiàn)對

2、鄰域窗口大小的自適應(yīng)增長;求得脈沖噪聲點的同齡組，并根據(jù)同齡組個數(shù)，結(jié)合中值濾波和均值濾波思想去除脈沖噪聲。標(biāo)準(zhǔn)圖像測試表明，與其他方法相比，所提方法具有更好的去噪效果。
　　針對脈沖高斯混合噪聲，提出了基于改進模糊同齡組的噪聲去除算法。利用所提高密度脈沖噪聲去除算法消除混合噪聲中的脈沖噪聲;提出了一種非下采樣Contourlet變換和主成分分析相結(jié)合的高斯噪聲方差估計方法，將估計后的方差值與模糊同齡組算法相結(jié)合，去除混合噪聲中的

3、高斯噪聲。標(biāo)準(zhǔn)測試圖像、現(xiàn)場可見光和紅外絕緣子圖像測試表明，所提方法獲得更好的去噪指標(biāo)。
　　為了獲得更好的絕緣子圖像分割效果，提出了一種改進的單位連接-脈沖耦合神經(jīng)網(wǎng)絡(luò)(Unit-Linking Pulse-Coupled Neural Networks，UL-PCNN)圖像分割算法MUL-PCNN(Modified UL-PCNN)。通過計算每個神經(jīng)元的中心點均方差組成一個新的連接強度系數(shù);同時，將均方誤差作為最優(yōu)分割圖像選擇

4、依據(jù)，實現(xiàn)圖像的更佳分割。在標(biāo)準(zhǔn)測試圖像Peppers、現(xiàn)場采集的絕緣子紅外圖像和可見光圖像上驗證得出，所提方法能夠?qū)崿F(xiàn)對絕緣子圖像的更佳分割，具有更好的魯棒性。
　　為了解決絕緣子識別過程中的多尺度、多角度問題，給出了二值化、形態(tài)學(xué)和ASIFT(Affine scale-invariant feature transform)算法相融合的識別方法。利用MUL-PCNN算法分割絕緣子圖像，得到二值圖像;然后利用形態(tài)學(xué)方法將二值化絕

5、緣子圖像劃分為多個待檢測區(qū)域塊;將每個區(qū)域塊與絕緣子串模板進行ASIFT匹配，并根據(jù)匹配點的個數(shù)識別出絕緣子串區(qū)域。在多張現(xiàn)場絕緣子圖像上驗證得出，所提方法能夠準(zhǔn)確識別出絕緣子串。
　　提出了基于稀疏表示的絕緣子掉串缺陷檢測方法。利用漸進腐蝕思想確定絕緣子串的主軸，并將其旋轉(zhuǎn)至垂直狀態(tài)，然后利用坐標(biāo)軸投影統(tǒng)計信息，確定單個盤片的高度和寬度，進而提取單盤片信息;最后通過對每個提取的絕緣子單盤片進行分類，實現(xiàn)掉串缺陷檢測。航拍絕緣子圖