下载文档原格式
绝缘子检测方法绝缘子是电力系统中常见的重要设备，用于支持和固定输电线路，同时起到隔离和保护线路的作用。
然而，由于长期的使用和环境的影响，绝缘子可能会出现老化、污秽、破损等问题，从而降低了其绝缘性能，对电力系统的安全稳定运行带来风险。
因此，对绝缘子进行定期的检测和维护至关重要。
本文将介绍几种常见的绝缘子检测方法。
1. 目视检查法目视检查法是最简单、最常用的绝缘子检测方法之一。
通过肉眼观察绝缘子的外观，检查是否存在明显的破损、污秽等情况。
目视检查法适用于绝缘子外部破损和污秽的初步判断，但无法发现绝缘子内部的故障和隐患。
2. 声波检测法声波检测法是一种非接触式的绝缘子检测方法。
通过将声波传感器靠近绝缘子表面，利用声波的反射和传播规律，检测绝缘子内部存在的空气泄漏、松动等问题。
声波检测法可以有效发现绝缘子内部的故障，但对于绝缘子外部的问题无法进行准确判断。
3. 热像仪检测法热像仪检测法是一种基于红外热像技术的绝缘子检测方法。
通过使用热像仪对绝缘子进行扫描，获取绝缘子表面的温度分布情况。
绝缘子在正常情况下应该具有均匀的温度分布，若存在局部温度异常，可能预示着绝缘子存在故障或老化问题。
热像仪检测法可以快速发现绝缘子的异常情况，但对于故障的具体原因和程度无法进行准确判断。
4. 放电检测法放电检测法是一种常用的绝缘子内部故障检测方法。
通过在绝缘子上施加高压电源，观察是否产生放电现象。
放电检测法可以判断绝缘子是否存在内部击穿、漏电等问题，但对于绝缘子的污秽程度和老化程度无法进行准确判断。
5. 等效电路法等效电路法是一种基于电容器等效原理的绝缘子检测方法。
通过在绝缘子上施加一定频率的交流信号，测量绝缘子的等效电容值和电阻值，从而判断绝缘子的绝缘性能。
等效电路法可以对绝缘子的电气性能进行准确评估，但需要专业设备和复杂的计算过程。
绝缘子检测方法有目视检查法、声波检测法、热像仪检测法、放电检测法和等效电路法等。
不同的检测方法各有优缺点，可以根据实际情况选择合适的方法进行绝缘子的检测和维护。
污秽对绝缘子性能的影响，主要有积污绝缘子电学特性、污秽度表征方法、污区绘制与外绝缘配置等方面。
在污染日趋严重的大气环境中，输电线路绝缘子将面临更加严重的污闪威胁[1-3]。
污闪由20世纪初引起人们重视，到了20世纪50年代，世界各国污闪事故非常严重。
Obenaus 于20世纪50年代提出了污闪模型，后来研究学者从污电压、放电、泄露电流、导电率、温升图像等反映积污程度[4-7]，力求有效展现电网绝缘子污秽附着状态，从而为电力系统污区绘制提供基础数据。
电力系统污区工作采取的主要步骤为：（1）污秽度测量；（2）根据污秽度制定/修订污区分布图；（3）根据污区分布图配置或调整设备外绝缘配置。
我国与发达国家的防污闪操作一致，但我国国情决定了第1次污区图制定后须不断做修订，对电网绝缘子污秽状态检测提出了更高的要求。
因此，国内学者对积污实时检测提出了各种改进的办法[8]，并得到广泛的应用。
本文综述了国内外研究绝缘子污秽检测技术现状和发展趋势，包括绝缘子运行状态污秽的表征方法、污秽附着量检测方法、人工污秽试验与实际运行时覆灰状态的关系以及尚未解决的难题等，对绝缘子污秽检测技术进行分类，提出未来绝缘子污秽的实时性和有效性表征方法展望。
对掌握实时污秽的状态、了解绝缘子覆灰特性、污秽地区外绝缘的选择以及今后研究重点的确定具有一定的参考价值。
1 绝缘子污秽检测技术分类目前已有的技术手段可依据检测方式可分为直接检测和简介检测。
（1）直接检测。
直接对积污绝缘子或表面污秽层进行测试（如等值盐密、泄露电流、污层电导率、积污图像等）获取积污绝缘子状态数据值，表征污秽对绝缘子电气性能的影响；（2）间接检测。
在绝缘子附近设置检测物体，如光传感石英棒。
通过分析检测物体表面覆灰状态，或利用积污绝缘子的红外、紫外等特性辐值，间接反映绝缘子污秽附着状态，结合人工污秽试验，分析间接数据与污秽附着之间的关系，推导出输电线路绝缘子污秽附着量，实现对绝缘积污的检测。
绝缘子污秽监测技术研究的开题报告一、研究背景和意义随着电力系统的迅猛发展，越来越多的电力设备被广泛应用于各个领域，其中绝缘子作为电力设备的重要部件，发挥着至关重要的作用。
然而，由于大气污染、电介质老化等因素的影响，绝缘子经常受到污秽、老化等问题的困扰，从而引发了众多的事故。
因此，对于绝缘子的污秽监测技术的研究显得尤为重要。
目前，国内外对于绝缘子污秽监测技术已有较为成熟的研究和应用，如红外热像技术、超声波技术、图像技术等。
然而，针对不同种类、不同环境下绝缘子的污秽程度和形态的监测技术还有待进一步的研究和探索。
因此，本文将结合现有的绝缘子污秽监测技术，探讨其优缺点，提出一种适用于不同环境下、不同种类绝缘子污秽监测的新技术，并对其在电力设备维护和管理中的应用进行探讨。
二、研究内容和方法（一）研究内容1、分析国内外现有绝缘子污秽检测技术的优缺点。
2、针对绝缘子的污秽程度和形态的不同，探讨适用于不同绝缘子的污秽监测技术。
3、根据绝缘子的污秽程度和形态，设计一种新的绝缘子污秽监测技术。
4、对比新技术与现有技术的应用效果，验证新技术的可行性和优越性。
（二）研究方法1、文献综述法。
对绝缘子污秽检测技术的现有研究成果进行调查和分析。
2、实验研究法。
针对不同类型、不同环境下的绝缘子，利用不同的监测技术进行实际监测，分析技术的可行性和应用效果。
3、模拟仿真法。
利用计算机技术对新技术进行模拟仿真，优化技术参数，提高技术的可行性和可靠性。
三、预期成果及应用价值（一）预期成果1、对现有绝缘子污秽检测技术的优缺点进行分析，总结其适用范围和特点。
2、针对不同类型、不同环境下的绝缘子，提出适用的污秽监测技术，并设计一种新的绝缘子污秽监测技术。
3、通过实验研究和模拟仿真对新技术进行验证和优化。
（二）预期应用价值1、通过本研究可以为电力设备的维护和管理提供科学、可靠的技术支持。
2、新技术的开发和应用在维护电力设备的安全和稳定运行方面具有重要实际意义。
基于机器视觉的接触网绝缘子破损检测技术研究基于机器视觉的接触网绝缘子破损检测技术研究摘要：随着城市轨道交通的迅猛发展，接触网作为电力传输的重要设备，承担着关键的供电任务。
然而，接触网绝缘子在使用过程中容易出现破损现象，给列车供电带来了巨大的安全隐患。
本文基于机器视觉技术，通过对接触网绝缘子进行破损检测的研究，为实现接触网的智能监控提供了可行方案。
1. 引言随着城市轨道交通的迅猛发展，接触网作为电力传输的重要设备，承担着关键的供电任务。
然而，接触网绝缘子作为接触网系统中最常见的元件之一，在长期的使用中容易出现破损现象。
这些破损现象不仅影响到轨道交通的安全运营，还会给列车供电带来严重的问题。
因此，对接触网绝缘子进行破损检测具有重要的意义。
2. 接触网绝缘子的破损检测技术现状目前，针对接触网绝缘子的破损检测技术主要包括人工巡检和红外线热成像检测。
人工巡检主要依赖于工作人员的经验和视力来判断绝缘子的破损情况，存在判断不准确、耗时长等缺点。
红外线热成像检测主要通过测量绝缘子温度变化来检测潜在的破损情况，但只能检测到一些表面的热源，对于绝缘子内部的隐蔽破损难以发现。
3. 基于机器视觉的接触网绝缘子破损检测技术原理基于机器视觉的接触网绝缘子破损检测技术主要通过图像处理和模式识别来实现破损的自动化检测。
首先，采集接触网绝缘子的图像数据，并对图像进行预处理，例如去除噪声、增强对比度等。
然后，利用图像处理算法来提取绝缘子的特征，并通过比对特征与已知正常样本进行判断。
最后，根据判断结果来确定绝缘子是否破损。
4. 实验设计与结果分析为了验证基于机器视觉的接触网绝缘子破损检测技术的有效性，我们构建了一个实验样本集，其中包括正常绝缘子和破损绝缘子两类样本。
通过使用该样本集进行训练和测试，我们得到了较好的检测结果。
在实验中，我们采用了一种基于卷积神经网络的图像分类算法，通过对图像数据进行训练，使网络具有识别破损绝缘子的能力。
基于深度学习的接触网绝缘子识别及其污秽检测技术研究基于深度学习的接触网绝缘子识别及其污秽检测技术研究摘要：接触网绝缘子的识别以及污秽的检测对于电力系统的安全运行至关重要。
本文针对传统的绝缘子识别和污秽检测方法的不足，提出了基于深度学习的接触网绝缘子识别及其污秽检测技术。
通过构建深度卷积神经网络模型，对接触网绝缘子图像进行训练和识别。
同时，利用遥感图像以及图像处理算法，检测绝缘子上的污秽情况，提高对电力系统安全隐患的预警能力。
实验结果表明，该技术在接触网绝缘子的识别和污秽检测方面具有较好的准确性和鲁棒性。
1. 引言在电力系统中，接触网绝缘子承担着保持电力系统安全可靠运行的重要任务。
然而，由于复杂的气候环境以及设备老化等因素的影响，绝缘子经常处于污秽状态，这会降低其绝缘性能，甚至引发绝缘子破裂、击穿等故障，严重威胁到电力系统的安全稳定运行。
因此，准确识别接触网绝缘子的状态以及及时检测并清理污秽物是电力系统运行维护的关键问题。
2. 相关工作目前已经有一些基于图像处理和机器学习的方法用于接触网绝缘子的识别和污秽检测。
这些方法主要利用传统的图像处理手段，识别绝缘子的外形和位置信息，然后通过特征提取和分类器进行污秽检测。
然而，这些传统方法存在着对于光照、天气条件等因素较为敏感的问题，在复杂的实际应用场景中准确性和鲁棒性较差。
3. 基于深度学习的接触网绝缘子识别针对传统方法的局限性，在本研究中，我们利用深度学习的方法对接触网绝缘子进行识别。
首先，收集大量的接触网绝缘子图片并进行标注，构建训练集和测试集。
然后，设计一个深度卷积神经网络模型，通过多层次的卷积、池化和全连接层，实现对接触网绝缘子的自动识别。
最后，在测试集上对模型进行评估和优化，提高模型的准确性和鲁棒性。
4. 污秽检测技术研究除了对接触网绝缘子进行识别，我们还研究了污秽检测技术。
首先，利用遥感图像获取接触网绝缘子的整体状态信息。
然后，通过图像分割和特征提取算法，提取出绝缘子上的污秽物区域。
变电站绝缘子污秽性能检测与分析随着电力系统的发展和演进，变电站的绝缘子作为电力系统的重要组成部分，起着连接导线和电力设备的作用。
然而，在长期运行过程中，绝缘子表面会积聚大量的污秽物，这些污秽物会导致绝缘子绝缘性能下降，进而影响电力系统的可靠运行。
因此，对于变电站绝缘子污秽性能的检测及分析显得尤为重要。
一、绝缘子污秽性能检测方法1. 外观检查法外观检查法是绝缘子污秽性能检测的常用方法之一。
通过对绝缘子的外观进行观察，可以初步判断绝缘子表面的污秽程度。
一般来说，如果绝缘子表面明显可见的污秽物，则说明绝缘子的污秽性能已经达到较高水平。
2. 接触角测量法接触角测量法是一种常用的绝缘子污秽性能检测方法。
通过测量绝缘子表面污秽物与介质液体之间的接触角，可以间接判断绝缘子表面的污秽程度。
一般来说，污秽程度越高，绝缘子表面的接触角越小。
3. 弧平台法弧平台法是一种定量评价绝缘子污秽性能的检测方法。
通过在绝缘子表面施加一定电压，观察和记录电弧在绝缘子表面产生的特征，从而判断绝缘子的污秽程度。
一般来说，电弧的发生频率和发生时间越长，说明绝缘子的污秽程度越高。
二、绝缘子污秽性能分析1. 污秽物的成分分析对绝缘子表面积聚的污秽物进行成分分析可以帮助分析绝缘子污秽性能的来源和原因。
常见的绝缘子污秽物成分包括灰尘、油污、粉尘等。
通过分析绝缘子上的污秽物成分，可以判断其是否来自环境中的自然灰尘，还是由变电站设备泄漏液体导致。
2. 污秽等级划分和评价根据绝缘子表面的污秽程度，可以将其划分为不同的污秽等级，并进行相应的评价。
根据评价结果，可以提前进行相应的维护和清洁工作，以保障绝缘子的正常运行和延长其使用寿命。
3. 污秽造成的影响分析绝缘子污秽会带来一系列的不利影响，例如降低绝缘子的绝缘性能、增加电离和电晕的发生概率、增加设备老化和故障的风险等。
因此，对于绝缘子污秽造成的影响进行分析，可以为绝缘子的维护和保护提供重要依据。
4. 污秽控制和防护措施建议针对绝缘子污秽的存在和影响，可以提出相应的污秽控制和防护措施建议。
《基于深度学习的绝缘子缺陷检测研究》篇一一、引言随着人工智能和深度学习技术的飞速发展，其在工业检测、医疗诊断、安全监控等领域的广泛应用，为绝缘子缺陷检测提供了新的解决方案。
绝缘子作为电力系统中不可或缺的组成部分，其性能的优劣直接关系到电力系统的安全稳定运行。
因此，准确、高效地检测绝缘子缺陷显得尤为重要。
本文将基于深度学习技术，对绝缘子缺陷检测进行研究，旨在提高检测效率和准确性。
二、深度学习在绝缘子缺陷检测中的应用深度学习作为一种机器学习的重要分支，其强大的特征提取能力和模式识别能力为绝缘子缺陷检测提供了新的思路。
通过构建深度神经网络模型，可以实现对绝缘子图像的自动学习和特征提取，从而实现对绝缘子缺陷的准确检测。
在绝缘子缺陷检测中，深度学习主要应用于图像处理和模式识别领域。
首先，通过深度学习技术对绝缘子图像进行预处理，包括去噪、增强、二值化等操作，以提高图像质量。
然后，利用深度神经网络模型对预处理后的图像进行学习和训练，提取出绝缘子表面的特征信息。
最后，通过模式识别算法对提取的特征信息进行分类和识别，从而实现绝缘子缺陷的检测。
三、绝缘子缺陷检测的深度学习模型构建针对绝缘子缺陷检测问题，本文提出了一种基于卷积神经网络（CNN）的深度学习模型。
该模型采用多层卷积层和池化层对绝缘子图像进行特征提取和降维处理，然后通过全连接层对提取的特征进行分类和识别。
在模型训练过程中，采用批量梯度下降算法对模型参数进行优化，以提高模型的检测性能。
为了验证所提模型的性能，我们进行了大量的实验。
实验结果表明，该模型能够有效地提取绝缘子表面的特征信息，并对不同类型的缺陷进行准确分类和识别。
同时，该模型具有较高的检测速度和较低的误检率，为绝缘子缺陷检测提供了有效的解决方案。
四、实验与分析为了验证所提模型的性能，我们采用了实际拍摄的绝缘子图像进行了实验。
首先，我们对图像进行了预处理操作，包括去噪、增强等。
然后，将预处理后的图像输入到深度学习模型中进行学习和训练。
绝缘子图像污秽状态检测方法绝缘子是电力系统中起到隔离、支撑和固定导线的重要元件。
然而，随着环境污染的加剧，绝缘子表面容易积累灰尘、雨水、动物排泄物等污染物，影响其绝缘性能，甚至导致电气设备事故的发生。
因此，准确、快速地检测绝缘子的污染状态对电力系统的安全运行至关重要。
近年来，图像处理技术在绝缘子污秽状态检测中得到广泛应用，有效提高了检测的准确性和效率。
一、传统方法的不足之处传统的绝缘子污染状态检测方法主要依靠人工巡检，存在以下不足之处：1. 主观性强：人工巡检依赖于人眼的主观判断，受到人员经验、视力等因素的影响，容易产生误判或遗漏。
2. 效率低：绝缘子众多，需要大量人力物力进行巡检，耗时耗力。
3. 数据记录不全：人工巡检难以做到对每一个绝缘子的检查记录，缺乏全面的数据支撑。
二、基于图像处理技术的污秽状态检测方法随着图像处理技术的快速发展，越来越多的研究者开始将其应用于绝缘子污秽状态检测中，大大提高了检测效率和准确性。
以下介绍几种基于图像处理技术的绝缘子污秽状态检测方法。
1. 基于图像分割方法的检测图像分割是将图像分成若干互不重叠的区域的过程。
在绝缘子污秽状态检测中，可以利用图像分割方法将绝缘子与背景分离，并通过分析绝缘子区域的灰度变化来确定其污染程度。
常用的图像分割方法有阈值分割、边缘检测等。
2. 基于纹理特征的检测绝缘子表面的污染通常表现为纹理的变化。
通过提取绝缘子图像的纹理特征，可以对其污染状态进行判断。
常用的纹理特征提取方法有灰度共生矩阵、小波变换等。
通过对提取到的特征进行分类和判别，可以实现对绝缘子污秽状态的检测。
3. 基于深度学习方法的检测深度学习是近年来兴起的一种机器学习方法，具有强大的图像处理能力。
可以利用深度学习方法，如卷积神经网络（CNN），对绝缘子图像进行训练和分类，实现对污染状态的检测。
相比传统方法，基于深度学习的检测方法具有更高的准确性和鲁棒性。
三、总结绝缘子图像污秽状态的准确检测对电力系统的安全运行至关重要。
专利名称：一种基于绝缘子图像特征词典的污秽状态评估方法专利类型：发明专利
发明人：金立军,马丹睿,艾建勇,周刚捷
申请号：CN201810462377.7
申请日：20180515
公开号：CN108596196A
公开日：
20180928
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于绝缘子图像特征词典的污秽状态评估方法，包括绝缘子图像特征词典构建、区域分割和分类器训练三部分，利用样本绝缘子图像构建特征词典，对拍摄到的复杂背景下的绝缘子通过与特征词典比对，提取被识别绝缘子区域，通过分类器训练实现对不同污秽程度绝缘子判别。
与现有技术相比，本发明方法具有识别准确度高、便于工作人员操作、有利于减少绝缘子污闪停电事故，且可用于变电站、输配电线路巡检等复杂背景下绝缘子污秽状态检测场合等优点。
申请人：同济大学
地址：200092 上海市杨浦区四平路1239号
国籍：CN
代理机构：上海科盛知识产权代理有限公司
代理人：叶敏华
更多信息请下载全文后查看。
第37卷第1期2018年2月兰州交通大学学报Journal of Lanzhou Jiaotong University Vol. 37 No. 1 Feb. 2018文章编号：1001-4373(2018)01-0065-08 DOI:10. 3969/j. issn. 1001-4373. 2018. 01. 011基于视觉的接触网绝缘子污秽检测技术初探姚晓通，张友鹏，高宇，潘影丽，刘力(兰州交通大学电子与信息工程学院，甘肃兰州730070)摘要：接触网绝缘子表面容易积累污秽并诱发污闪，这对于电气化铁路的安全运营是一个极大的隐患.针对此问题，将机器视觉技术应用于接触网绝缘子污秽检测，提出了基于SU R F特征样本库对绝缘子进行识别，采用双目摄 像头计算出绝缘子的位置信息，根据H S V的色彩范围对绝缘子污秽进行分类.实验室测试表明，通过这些方法能够有效的判断绝缘子的污秽状况.关键词：接触网绝缘子；SU R F;双目视觉；HSV中图分类号：U225.43;TP391.41 文献标志码：八Research on Vision-based Technology ofContam ination Detection in Overhead L in e InsulatorsYAOXiao-tong，ZHANGYou-peng，G A O Y u，PANYing-ii，LIULi(School of Electronic and Information Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)Abstract：The surface of the overhead line insulators easily accumulates pollution and induces pollution flashover,which is a great hidden danger for the safe operation of electrified railways.In order to solve the problem,the machine vision technology was applied to detect contamination of overhead line insulators.This study proposed to identify insulators based on a SU R F feature sample database,to calculate insulators"location information with binocular cameras,and to classify insulator contamination based on the color range of H boratory tests show that these methods can effectively determme the conditions of insulator contammation.Keyw ords:overhead llne insulators;S U R F;binocular vision;HSV接触网绝缘子是保证电气化铁路安全运行的重 要部件，绝缘污闪导致的局部或者大面积停电仍然时有发生，污闪引起的停电事故会造成巨大经济损失.而污闪的防治很多情况下是在天窗时间通过人工进行绝缘子的清洗和维护，这种方法存在一定的危险性并且效率低.近年来，机器视觉技术凭借着其非接触式、速度 快、准确性高、智能化程度高等众多优势，以机器视觉技术为基础的智能检测技术得到飞速的发展.因 此本文将机器视觉运用到接触网绝缘子污秽检测技 术中，实现接触网绝缘子的识别定位与污秽识别分类，全面掌握绝缘子污秽状态.1基于立体视觉系统的接触网绝缘子识别定位由于接触网是高压电磁环境，容易对摄像头和 传输设备产生干扰，本文使用可以有效消除椒盐噪收稿日期：2017-06-26 学报网址：h ttp://x b. lzjtu. edu. cn基金项目：国家自然科学基金（51567014);甘肃省科技计划项目（17CX2JA022)作者筒介：姚晓通（1972 —），男，甘肃会宁人，副教授，博士研究生，主要研究方向为现代电子测量、机器视觉与运动控制、大数据与人工智 會能 E-mail: yxt@mail. lzjtu. cn.兰州交通大学学报第37卷声以及脉冲噪声的中值滤波法对图像进行预处f ,r' f(a)原始图像 （b)灰度图像理[1_3]，其效果如图1所示.(c)加入盐粒噪声的图像(d)中值滤波的图像图1噪声处理效果图 Fig. 1 Noise treatment effect本文提出了基于加速鲁棒特征（sp eed u p ro-bust features，S U R F)特征样本库的识别方案对接触网绝缘子进行识别.S U R F特征[4]具有良好的鲁棒性，尺度和光照 的影响较小，而且速度较快，具有一定的实时性. S U R F特征的提取过程如下：1)计算积分图像S U R F特征的快速提取得益于积分图像[]的使 用.通过计算原图像的积分图像，可以使用大尺寸滤 波器，使盒式卷积滤波速度更快.如式（1)所示.对于水平方向上的滤波，将图2左图黑色部分赋值为一2,图2右图赋值为一1，其余区域不进行赋值；对于竖直方向的滤波，将图2左右两图的白色部分同时赋值为1，其余区域同样不进行赋值.这样一来，海森矩阵的二阶导数行列式就可以近似为公式(3).det(Ha p p狅狓)=D-^Dyy —(wDly)2，(3)其中：盒式滤波器与图像卷积运算结果为犇狓、犇狔、Dy;Hessian矩阵的行列式为det(Hp p n K)，(〇的权重 系数一般取〇. 9.犐犡)=22犐犻犼)•⑴i-0 犼一0其中：（狓，y)表示积分图像中的任意像素点犐犻j)表示原始图像犐2(X)表示积分图像•2)构建海森矩阵在S U R F算法中，为了确定特征点的位置，需要 使用海森矩阵行列式的值进行判断•主要运用其行列式在该位置的一个双变量函数值（极大值、极小 值、驻点）的性质作为确定是否为特征点的依据，初 步特征点的确定需要海森矩阵在该点取得极值•假设式（1)积分图像对应函数为/(狓，狔），海森矩阵H 是由/的偏导数组成，如式（2)所示.32/ 32/-dx23x3y(2）3)建立尺度空间对于图像不同尺度下的表示，S U R F算法是这 样处理的.构建尺度空间时，S U R F算法使用不同规 模的盒滤波器在图像上进行卷积操作，节省了降采 样过程的时间，并在这一过程中应用了积分图像近似替代高斯核.盒式滤波的权值如图2所示.在此过程中，盒式滤波是需要赋高斯权重系数.图2盒滤波权值图Fig. 2 Box filter weight4)定位特征点对于初步特征位置的选取，对每个像素点用海 森矩阵进行处理，然后与其邻域内的其余26个像素 进行比较，如果其值是其中的最大值或最小值，则作 为初步的特征进行保留.该过程使用不同尺度空间 下所对应的滤波核进行.举3X3的滤波核的例子，如 图 3 (a）所示 ．在该尺度空间中，比较图中“X”的点与自身层 中其余8个点和在其之上及之下的两个尺度层9个 点进行比较，如果大于这26个点的值，则将“X”记 为该区域的特征点.之后规定一个阈值将小于此值的点去掉，从而获得最强的特征点.5)特征点主方向确定为了确保特征在图像旋转时不发生变化，每个第1期姚晓通等：基于视觉的接触网绝缘子污秽检测技术初探67特征的矢量方向需要被选定下来.将特征点作为圆 心，半径为6s 〇为特征点所在的尺度值）的圆记为 A .统计A 中60°扇形区域中所有的像素在水平和竖 直方向上的哈尔小波响应（边长为心），根据相对于 圆心的距离分配给不同的高斯权重.越靠近圆心权 重越大，反之则权重越小，然后相加形成新的矢量. 用扇形统计A 中的所有矢量，选择最长的作为该特 征的矢量方向.该过程的示意图如图3(b )所示.6)特征点描述子生成从特征点的附近取一个边长为20s ，方向为步 骤5)中所确定的方向的方形，将其划分成16个区 域.统计各区域中平行和垂直于方形方向像素的哈 尔小波特征的和以及绝对值的和.特征描述子生成 的过程如图3(c )所示.接触网绝缘子的S U R F 特征提取效果，如图3 (d )所示.⑷特征点检测 特征点主方向确定示意图特征点描述子生成示意图 触网绝缘子特征提取效果图图3SURF 特征效果图Fig. 3 SURF feature renderings运用图3(d )的绝缘子样本图像进行绝缘子匹 基于以上条件，提出了基于S U R F 特征样本库配，匹配效果如图4所示.的接触网绝缘子识别过程如图5所示.识别流程如下：1) 运用采集到的不同种类的接触网绝缘子本，生成特征样本库；2)采集接触网环境图像，将图像与样本库中绝缘子进行匹配，识别图像中的绝缘子.在绝缘子识别的基础上，使用双目立体视觉系统 还原绝缘子及其周围环境的信息，不仅能够准确得出绝缘子的空间信息，而且相较传统单目摄像头在智能应用上更具有优势.双目测距的原理如图6所示，图4绝缘子匹配效果图Fig. 4 Insulator matching effect图5基于特征样本库的绝缘子识别流程图Fig. 5 A flow chart of insulator recognition based on feature sample database双目测距是根据目标像素在图6水平方向上的 差别进行计算的，即Z = /T /A 其中：视差d^ —，，其中为空间点P 在左右图像上成像点的横 坐标;Z 为目标像素与像之间的欧式距离;/为焦距，:T 为两摄像头投影中心线的距离.其计算如式（）所示.如式（5)〜（6)，目标像素在以摄像头为原点的 世界坐标系中存在如下关系：10 0 —0 10 —C yQ =〇〇 〇/• ()00—1 G —犮犜狓~犜7~68兰州交通大学学报第37卷,-犜犳犱一（犮狓一犮狓)(6)以左摄像头为坐标原点，目标的坐标为（U，Z )，则有式（6)所示变换关系.为了计算目标的深度Z ，还需要从标定过程 中获得焦距/、摄像头中心距犜狓，然后通过立体匹 配计算视差犱.而X 和Y 的获取，则还需要通过标定 获得图像坐标系与立体坐标系之间的偏移犮、犮、犮、犮.这些参数统称为摄像头的内外参数.测距的流程如下：1)单目标定与立体标定为了进行双目测距，首先需要对双目摄像头进 行标定，得到内外参数.摄像机标定分为单目标定和立体标定[6—7]，如图7所示•2)左右图像进行校正和行校准有了摄像机参数，根据这些参数消除两个摄像 头采集到的图像畸变，然后将两幅图像上相同的点 严格地对应起来，这样立体匹配的时候只需要按行 进行搜索就可以了.最终校完的效果如图8所示.3)双目匹配匹配的实现方式有很多，比较常见的算法有BM 、 SGBM 、G C 等.但是都有一个共同的问题，匹配效果好 的算法速度上较慢，而速度快的方法效果比较差.所以本文采取了折中的方式，后文实验验证中选择使用SGBM 算法，相比速度更快的BM 算法，它的匹配效果 要更好，计算速度又不至于无法满足要求[]•31雜匕一^I—l l l l l l i l i :(a )左摄像头标定(&)右摄像头标定图7摄像头标定Fig . 7 Camera calibration($)立体标定X 一狓燄狔狔一犮狔犢犱/犣1一-X 一 c 一 X工燅LT狓燅图6 视差关系图Fig . 6 Parallax chart由式（）可知，目标视差为犱，,图8校正和行校准效果图Fig . 8 犆犪1犫^1〇狀犪狀犱m e 犮犪1犫^1〇狀eefe c ^i tv r v vi第1期姚晓通等：基于视觉的接触网绝缘子污秽检测技术初探4) 视差计算在相同的点对应起来后，运用三角测量，计算对 应点间的视差.5) 三维重建以计算后的视差结果为基础，对照物体在图像 中的投影，来恢复物体在空间中的距离和三维数据.按照以上步骤，首先从双目摄像头读人需要定位的 绝缘子，得到两个绝缘子样本的左右视图，如图9所示.图9绝缘子左右视图Fig.9 Left and right view of an insulator 对图9左右视图进行校正、立体匹配和计算视差，然后生成三维点云图，如图10所示.其环境与绝缘子的位置信息已经包含在三维点云图中.图10三维点云图Fig.10 Tliree dim ensional犮1〇狌犱<犺犪狋绝缘子的识别工作已经将绝缘子区域在图像中 标记出来，之后只需要读出绝缘子区域的三维信息即 可，选取区域中最前端的位置作为绝缘子到摄像头的 距离，求出距离效果如图11所示，单位为cm.2接触网绝缘子污秽分类识别将绝缘子从背景分割出来后才能较为方便地进 行污秽的识别分类，对于绝缘子的分割首先将图像转换到H S V色彩空间后，运用最大类间方差法，将 绝缘子分割出来，以便统计绝缘子的表面特征.H SV模型成锥形，H代表颜色，S代表纯度，V代 表明度，如图12所示，H SV转换效果如图13所示.图11绝缘子距离信息图 Fig.11 Insulator distance information图12 HSV色彩空间Fig.12 HSV colorspace70兰州交通大学学报第37卷图13 HSV转换效果Fig. 13 HSV conversion effectR G B与H S V的转换关系如式（7)〜（9)所示.60(犌一犅）犎犞一min(犚，G,犅)，i f犞=犚；120 +60 (犅一犚）240斗犞一 min(犚，G,犅）60(犚一 G)犞一 min(犚，G,犅)i f犞=犌；,if V =B.(7 )犞—〇，(,犚犌，犅），犞^ 0；S—烅犞(8)I0, otherwise.犞―max(犚，G,犅）.(9)运用R G B转换到H S V色彩空间后的绝缘子盘片图像S分量进行图像分割.先读取需要分割的绝缘子图片，进行H S V色彩空间转换，取出S分量作为灰度图像.之后用最大类间方差法找到合适的阈值，将灰度图像转换为二值图像.最后运用图像的形态学运算去除绝缘子图像区域中小的空洞.对图中的绝缘子进行识别，结果如图14 (a)所示，将识别结果进行分割后，最后的分割效果如图14(b)所示.在M atlab环境下，运用8分量标记连接区域，可以看到分割好的绝缘子图像被分为两个区域B(1，1)出(2，1)，如图15(&)所示.区域丑（1，1)，丑(2,1)的数值对应于对象轮廓像素的坐标，如图15 (b)所示.(")接触网绝缘子识别图 （$)绝缘子分割效果图图14绝缘子识别、分割效果图Fig. 14 Insulator identification and segmentation effect(a)绝缘子像素信息图S i Wd/ariables • B_|B{1.1} xB{1.1}B{2,1) X I I x|B{2,1}121211il11的」2l2297_i3l339734l449845l5599_5]6l66100_________^7l7710178l8810289l99103910l10101041011l1111105ll|4------($)B(1，1)，B(2，1)像素信息图图15绝缘子像素信息图Fig. 15Insulator pixel information第1期姚晓通等：基于视觉的接触网绝缘子污秽检测技术初探对于表面污秽的识别分类，本文采用了基于颜征进行统计，H S V的色彩范围如表1所列.色特征的方式进行.需要对样本图像区域的颜色特表1犎犛犞色彩范围表Tab. 1 HSV color range table黑灰白红H_0000156 Hr a a x18018018010180 S腿00043S r a a x2554330255Vr a i n04622146Vr a a x46220255255橙黄绿青蓝紫11 26 35 78 100 125 25 34 77 99 124 155255255255255255255 464646464646 255255255255255255根据H S V色彩范围表（下同），其中：沙子黄色 的判别如式（10)所示.>20&&(H(i,，，1) <65))牔牔(V(t，犼 >50)&■牔（S(i,j) >30). (10)实验采用70k N级盘形悬式瓷绝缘子，污秽选 择的是沙子和铁诱，对绝缘子区域进行颜色特征提取，沙子的结果如图16所示，右图中白色的部分为 沙子.对像素的统计结果为：Sand_Y ellow=106 5.检测结果为黄色沙子.图16沙子识别效果Fig. 16 Sand recognition eefect铁锈的样本，如图17所示，对像素的统计结果 为:Rust_Red=160 9,检测结果为红色铁锈.图17铁锈识别效果Fig. 17 Rutt identification effect使用的判别如下：((犎犻，）>0)&&(犎（，）<15)) || (犎犻，j) > 245)牔牔（H(i,，) < 255)) .(11) 3 实验验证本文建立了一套完整的绝缘子污秽识别检测平 台，硬件采用双目摄像头、六自由度机械臂等设备. 先使用M atlab对理论进行验证，然后用软件加以实 现.软件使用 VisualStudio 2013 和 OpenCV 2. 4. 9[911]进行编写.实验室测试表明，在双目摄像头的支持下，诙设计对绝缘子的识别定位准确，并且很好 地完成了绝缘子污秽的识别工作.实验环境的搭建与连接如图18所示.图18实验环境图Fig. 18 E x perimental environment软件界面及实验结果如图19所示.通过界面参数设置选择P C摄像头，如图19所 示，位于界面上方的左视图和右视图显示双目摄像头 采集绝缘子图像，然后计算视差，并把视差图显示到 界面上，便于查看视差效果.接着导入绝缘子样本与 采集到的图像进行绝缘子识别，从结果看，能够比较72兰州交通大学学报第37卷准确地识别出绝缘子.最后对已识别出的绝缘子进行 污物检测及等级划分.检测结果中，白色部分为沙子. 通过多次实验发现，如果摄像机距离目标较远，会对绝缘子表面污秽特征的提取产生影响.因此在固定距 离进行实验，实验结果彩色视差的计算大致是250 ms 左右，绝缘子的定位76 cm左右，比较精确.图19实验结果图 Fig. 19 E x perimental result4结论从以上研究和实验可以得知，运用机器视觉技 术能够从接触网中准确识别出绝缘子，得出绝缘子 的位置信息，并识别出绝缘子污秽种类，从而全面掌 握绝缘子污秽程度.以此为基础，未来可向绝缘子自 动清洗、自动更换等方面进行应用研究.参考文献：[1]刘会灯，朱飞.M ATLAB编程基础与典型应用[M].北京:人民邮电出版社，2008.[]赵小川.M A T L A B图像处理[M].北京：北京航空航天 大学出版社，2014.[]王民，文义玲.常用图像去噪算法的比较与研究[].西安建筑科技大学学报（自然科学版）,2010,42(6) :895-898. [4] BAY H，E S S A，TU Y TE L A A R ST，etal. Speeded-Uprobust features[J], Computer Vision & Image Understanding, 2008,110(3)； 404-417.[5] VIOLA P,JONES M. Rapid object detection using a boostedcascade of simple features [C]// Proceedings of the 2001IEEE Computer Society Conference on Computer Vision andPattern Recognition. Kauti；IEEE Press,2001,1；511-518. [6] Z H A N G Z.A flexiblenew techniqueforcam eracati-bration[J]. IEEE Transactions on Pattern Analysis andMachine Intelligence，2000，22(11): 1330-1334. [7] H E IK K IL A J，SILVEN O.A four-step camera calibration procedure with implicit image correction [ C]//IEEE International Conference on Computer Vision andPattern Recognition . San Juan：IEEE Press, 1997 ：1106-1112[]张欢，安利，张强，等.SG B M算法与BM算法分析研究[J].测绘与空间地理信息，2016(10):214-216.[]布拉德斯基，克勒.学习OpenCV:中文版[M].北京：清华大学出版社，2009.[10] K A E H L E R A，BRADSKIG. LearningO penC V3:computer vision t n C++with the OpenCV library[M] NanjinglOReilly M edia,2016.[1]王浩，许志闻，谢坤，等.基于O penCV的双目测距系统[J].吉林大学学报，2014(2)188-194.(责任编辑：顾桂梅）。
