【摘要】：絕緣子是輸電線路的必備器件,維護(hù)其安全穩(wěn)定的運(yùn)行至關(guān)重要。采用圖像處理技術(shù)分析絕緣子并實(shí)現(xiàn)缺陷的自動(dòng)檢測,可提供準(zhǔn)確的決策支持,對輸電線路自動(dòng)巡檢具有現(xiàn)實(shí)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(shí)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(jìn)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(diǎn)鄰域窗口內(nèi)非脈沖噪聲點(diǎn)個(gè)數(shù),實(shí)現(xiàn)對鄰域窗口大小的自適應(yīng)增長；求得脈沖噪聲點(diǎn)的同齡組,并根據(jù)同齡組個(gè)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(jìn)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(jì)方法,將估計(jì)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(jìn)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(jì)算每個(gè)神經(jīng)元的中心點(diǎn)均方差組成一個(gè)新的連接強(qiáng)度系數(shù)；同時(shí),將均方誤差作為最優(yōu)分割圖像選擇依據(jù),實(shí)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(yàn)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(shí)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(shí)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)方法將二值化絕緣子圖像劃分為多個(gè)待檢測區(qū)域塊；將每個(gè)區(qū)域塊與絕緣子串模板進(jìn)行ASIFT匹配,并根據(jù)匹配點(diǎn)的個(gè)數(shù)識(shí)別出絕緣子串區(qū)域。在多張現(xiàn)場絕緣子圖像上驗(yàn)證得出,所提方法能夠準(zhǔn)確識(shí)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(jìn)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(jì)信息,確定單個(gè)盤片的高度和寬度,進(jìn)而提取單盤片信息；最后通過對每個(gè)提取的絕緣子單盤片進(jìn)行分類,實(shí)現(xiàn)掉串缺陷檢測。航拍絕緣子圖像測試表明,所提方法具有更高的檢測精度。
【圖文】：

帶圖像和高頻子帶圖像，，低頻子帶圖像通過塔式濾波器組作進(jìn)一步的分解；之逡逑后采用非下采樣方向?yàn)V波器組分解高頻子帶圖像，得到２＂個(gè)方向子帶圖像，如逡逑此進(jìn)行下去，即可實(shí)現(xiàn)對圖像的多方向、多尺度分解。分解過程如圖２－２所示。逡逑Ｉ低通方向子帶逡逑￣］邋｜Ｘ邋１邐７逡逑—帶通方向子帶逡逑原圖邐邐ｋ逡逑Ｉ邋Ｉ邋７逡逑—邐帶通方向子帶逡逑邐邋１－＾邋Ｉ邋＼逡逑圖２－２邋ＮＳＣＴ分解結(jié)構(gòu)圖逡逑Ｆｉｇ．２－２邋ＮＳＣＴ邋ｂｒｅａｋｄｏｗｎ邋ｓｔｒｕｃｔｕｒｅ逡逑ＮＳＣＴ變換具有多尺度、各向異性等特點(diǎn)，能在任意尺度上實(shí)現(xiàn)任意方向逡逑的分解，產(chǎn)生低頻系數(shù)和各帶通方向子帶，且各尺度各方向上的子帶系數(shù)均與逡逑－２３－逡逑

為了驗(yàn)證經(jīng)ＮＳＣＴ分解后得到的低頻信號(hào)對噪聲不敏感，將Ｌｅｎａ圖像進(jìn)行逡逑ＮＳＣＴ分解，分解層數(shù)設(shè)定為３層，所添加噪聲為［５邋１０邋１５邋２０邋２５邋３０］，分解前后逡逑的圖像對比如圖２－３所示，其中第一行為加噪圖像，第二行為經(jīng)過ＮＳＣＴ分解后逡逑的低頻信號(hào)圖像。逡逑WWWWWW逡逑畫W佭W圓佭逡逑圖２－３邋ＮＳＣＴ分解前后圖像對比圖逡逑Ｆｉｇ．２－３邋Ｃｏｎｔｒａｓｔ邋ｉｍａｇｅｓ邋ｂｅｆｂｒｅ－ａｎｄ－ａｆｔｅｒ邋ＮＳＣＴ逡逑由圖２－３可Ｗ看出，第一行視覺變化較為明顯，從左到右，噪聲點(diǎn)逐步增加，逡逑相比第一行，第二行六幅圖像沒有明顯的噪聲點(diǎn)存在，且圖像間并無明顯視覺逡逑變化。為了進(jìn)一步驗(yàn)證ＮＳＣＴ分解對噪聲的不敏感性，計(jì)算圖２－３中第２－６列圖像逡逑與其對應(yīng)的第一列圖像的ＳＳＩＭ，查看圖像的相似程度，假定第２－６列圖像的編逡逑號(hào)為１－５，計(jì)算結(jié)果如圖２－４所示。逡逑０－９｜邐１邐１邐１邐１逡逑馬）邐＜？－邐（＞邐邋（＞逡逑０．７邐逡逑＾邋0＾�。螅捱姡慑濉帷樱疵鎣B邐Ｉ逡逑＾邐－ｅ－ＮＳＣＴ低頻圖像逡逑（０邋０．Ｓ邐邐邋．．．邐■逡逑０．４邐—邐邐逡逑０．３邐＾逡逑２邐３邐４邐５逡逑圖像編號(hào)逡逑圖２－４含噪圖像和ＮＳＣＴ低頻圖像的ＳＳＩＭ變化情況逡逑Ｆｉｇ．２－４邋ＳＳ１Ｍ邋ｏｆ邋ｎｏｉｓｙ邋ｉｍａｇｅｓ邋ａｎｄ邋ＮＳＣＴ邋ｌｏｗ－ｆｒｅｑｕｅｎｃｙ邋ｉｍａｇｅｓ逡逑由圖２－４可ｙｘ看出，經(jīng)過ＮＳＣＴ分解的低頻圖像各列與第一列圖像的ＳＳＭ逡逑值均顯著高于加噪圖像
【學(xué)位授予單位】：華北電力大學(xué)(北京)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM755;TP391.41

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前4條

1 王靜強(qiáng);基于二維和三維視覺信息的鋼軌表面缺陷檢測[D];西南科技大學(xué);2018年

2 荀子揚(yáng);基于無人機(jī)視覺的絕緣子缺陷識(shí)別檢測研究[D];東北農(nóng)業(yè)大學(xué);2018年

3 劉建宏;高速列車接觸網(wǎng)懸掛系統(tǒng)缺陷圖像識(shí)別技術(shù)研究[D];西南交通大學(xué);2018年

4 楊輝金;基于圖像處理的接觸網(wǎng)絕緣子裂紋和定位支座檢測[D];西南交通大學(xué);2017年

本文編號(hào)：2523192