【摘要】：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。標準圖像測試表明,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,去除混合噪聲中的高斯噪聲。標準測試圖像、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。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)分割圖像選擇依據(jù),實現(xiàn)圖像的更佳分割。在標準測試圖像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一步的分解；之逡逑后采用非下采樣方向濾波器組分解高頻子帶圖像，得到２＂個方向子帶圖像，如逡逑此進行下去，即可實現(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，能在任意尺度上實現(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

為了驗證經(jīng)ＮＳＣＴ分解后得到的低頻信號對噪聲不敏感，將Ｌｅｎａ圖像進行逡逑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存在，且圖像間并無明顯視覺逡逑變化。為了進一步驗證ＮＳＣＴ分解對噪聲的不敏感性，計算圖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列圖像的編逡逑號為１－５，計算結(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)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TM755;TP391.41

【引證文獻】

相關(guān)碩士學(xué)位論文 前4條

1 王靜強;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;基于無人機視覺的絕緣子缺陷識別檢測研究[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：2523192