[发明专利]一种基于双目摄像头的绝缘子串污损检测方法及系统

说明书

本发明涉及一种基于双目摄像头的绝缘子串污损检测方法及系统。该方法包括：标定红外摄像头以及高清摄像头；校正绝缘子红外图像以及绝缘子彩色图像，确定校正后的绝缘子红外图像以及校正后的绝缘子彩色图像；并确定校正后的绝缘子红外图像以及校正后的绝缘子彩色图像的对应像素点的匹配关系；分别对校正后的绝缘子红外图像以及校正后的绝缘子彩色图像进行预处理，并利用YOLOv4‑tiny网络提取预处理后的绝缘子红外图像内的绝缘子串区域图像；根据对应像素点的匹配关系，确定预处理后的绝缘子彩色图像上的绝缘子串分割图像；根据绝缘子串分割图像确定绝缘子串污秽等级。本发明克服了单摄像头存在的问题以及提高了绝缘子故障检测的检测准确性。

技术领域

本发明涉及绝缘子串污损检测领域，特别是涉及一种基于双目摄像头的绝缘子串污损检测方法及系统。

背景技术

绝缘子是非常重要的电力系统设备，其工作状态的良好程度直接影响着电力系统运行的稳定性。通常，绝缘子设备长期暴露在户外环境，且一直在强电场、强机械负荷等极端条件下工作，存在鸟粪、泥沙、树叶等异物覆盖或自身内部缺陷导致的污损问题。这些问题如不能及时发现并解决，会影响电力系统稳定运行，严重时可能引起电力系统短路、断路等故障，从而造成重大的经济损失。为此，国家电网公司一直严格执行对电力系统的定期巡检任务，加强对上述隐患的排查工作。

当前，常见的绝缘子检测手段包括基于人工检测、基于紫外线光检测、基于红外线光检测、基于计算机视觉检测等五类方法。基于人工检测是最原始、最简单的检测方法，电网巡检人员可以通过望远镜或专用超声波仪器从地面直接观察绝缘子表面状态，或者通过手动操作小球测量绝缘子两端的放电距离。基于人工检测的方法对绝缘子存在明显的掉落、大面积污物覆盖等隐患能够较好的排查，但由于人的主观因素，观察不全面等问题，对一些细微污损或背对巡检人员的绝缘子面的污损情况存在漏检的风险。基于紫外线光检测是根据绝缘子在局部放电中会产生紫外辐射，从而监测到不同电压等级绝缘子放电情况，以此来判断绝缘子是否存在放电故障。基于紫外线光检测具有全天候、准确度高的优点，但设备成本高昂，且只有在绝缘子存在局部放电时才能检测。基于红外线光检测方法是根据绝缘子表面温度的变化程度来判断绝缘子是否存在污损故障。性能良好的绝缘子的绝缘性能良好，不存在漏电问题，但如果绝缘子污损，其表面可能存在漏电问题，会导致绝缘子表面异常发热，通过红外线成像能够捕获红外辐射能量，实现对绝缘子故障的检测。基于红外线光检测方法属于无接触检测，可靠性较高，但此种方法容易受到大气的影响，导致对绝缘子故障的检测不准确。基于计算机视觉的方法主要通过可见光成像(与紫外线光检测与红外线光检测不同)，采集绝缘子的可视化图像，进而采用浅层机器学习、深度学习等方法实现对绝缘子表面的污损检测。基于计算机视觉的方法具有成本低、操作简便、可靠性高等特点，是当前绝缘子污损检测的主要研究方法。常用的基于视觉的绝缘子检测有两类：浅层机器学习检测法与深度学习检测法。基于浅层机器学习的检测方法首先需要对绝缘子污损图像提取可视化低层次特征，现有的特征包括边缘特征、颜色特征、纹理特征、形状特征、尺度不变特征、小波特征等；其次利用机器学习(SVM、Boosting等)对特征进行训练获得分类器；最后对采集的待测图像利用得到的分类器进行检测。该方法对采集图像的质量要求较高，也受限于人工设定特征选取的好坏，对于实际应用场景下的绝缘子检测精度并不高。基于深度学习的方法不需要事先计算绝缘子底层特征，其特征提取与特征检测都是深度学习框架自动完成的，有效的克服了人工选定特征存在的问题。常用的深度学习框架有YOLO、SSD、CNN、Darknet等。该方法检测精度高，对环境的适应性较好，但由于深度学习框架复杂，对嵌入式硬件平台要求高，且绝缘子污损情况差异化大，很难构建全面的训练样本，影响深度学习算法在绝缘子污损检测最终效果。

发明内容

本发明的目的是提供一种基于双目摄像头的绝缘子串污损检测方法及系统，以解决基于红外单摄像头的检测方法对绝缘子串表面污损程度无法度量；基于可见光摄像头的检测方法由于采集背景复杂，对绝缘子准确定位有一定困难以及绝缘子故障检测的检测准确性低的问题。

为实现上述目的，本发明提供了如下方案：