[发明专利]一种330kV电缆瓷瓶套管的破损快速检测方法

说明书

本发明属于电网输变电设备状态监测领域，具体涉及一种330kV电缆瓷瓶套管的破损快速检测方法，包括采集基准设备图像；根据设备轮廓生成多边形标记点位置数组；将基准设备图像与坐标数组储存为基准数据文件；采集目标设备图像并通过自动识别匹配方法，确定设备在目标设备图像中的位置；将目标设备图像的亮度数据分成一个个图像区域，计算该区域内像素点的亮度之和，然后与基准设备图像对应区域的亮度数据之和进行对比，根据对比结果确定图像变化明显的坐标位置，以该位置为基础，在目标设备图像上标记出设备存在缺陷的位置。本发明能够大大提高套管破损检测的正确率和效率。

技术领域

本发明属于电网输变电设备状态监测领域，具体涉及一种330kV电缆瓷瓶套管的破损快速检测方法。

背景技术

随着自动化技术的快速发展，在工业生产中很多需要人工操作的环节逐渐转由机器完成，工业生产自动化也将越来越多的工人们从枯燥乏味的工作中解放出来，让他们去发挥更大的价值。

电力设备表面缺陷检测是电网安全生产中的重要环节，是机器人自动巡检的关键步骤，借助表面缺陷检测技术可以有效的提高机器人智能巡检质量和效率，常见的处理算法如下：

(1)传统算法

传统的表面缺陷检测算法结构通过图像预处理得到便于检测的图像，随后借助统计机器学习方法来提取图像特征，进而实现缺陷检测的目标。

图像预处理通常包括直方图均衡化、滤波去噪、灰度二值化、再次滤波几部分，以得到前后景分离的简单化图像信息；随后利用数学形态学、傅里叶变换、Gabor变换等算法以及机器学习模型完成缺陷的标记与检测。

(2)深度学习

深度学习算法采用深度卷积神经网络(DCNNs)结合SSD，Yolo等网络方法构建了一个从粗到细的级联检测网络，包括设备的定位、缺陷检测与分类。

上述的传统算法在某些特定的应用中已经取得了较好的效果，但仍然存在许多不足。例如：图像预处理步骤繁多且具有强烈的针对性，鲁棒性差；多种算法计算量惊人且无法精确的检测缺陷的大小和形状。

而深度学习是直接通过学习数据更新参数，避免了人工设计复杂的算法流程，并且有着极高的鲁棒性和精度。但是深度学习的本质其实也就是机器学习，最根据的原理就是统计学。需要提供足够多的数据，经过定义模型、收集分析数据，注入训练改进模型，输出结果，并循环执行上述过程，不断提高精度。简而言之，深度学习的缺点就是需要提供足够多的，各种各样的330kV套管模板，用于算法进行训练建模，在实际操作上存在困难。

发明内容

为了弥补现有技术的不足，本发明提供一种330kV电缆瓷瓶套管的破损快速检测方法技术方案。

所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于包括

步骤一：对需要监视的电力设备330kV套管设置机器人巡检预置位置，并拍摄基准设备图像；

步骤二：在基准设备图像上沿套管本体轮廓位置，采用多边形轮廓的方式，生成多边形标记点位置数组；

步骤三：记录该多边形每一个定点位置坐标，形成坐标数组，并将基准设备图像与坐标数组储存为基准数据文件；

步骤四：机器人系统在自动巡检工作过程中，将采集到的套管图像通过自动识别匹配方法，确定设备在实时采集的高清图中的位置，处理如下：

a.以基准设备图像为基准图像S，以当前机器人系统采集的即时高清图为目标设备图像；

b.以基准设备图像上的设备多边形轮廓为基准，按多边形的周长为计算依据，在多边形周边上，将多边形的顶点作为特征点，特征点数量为k，k个设备数据特征点分别为：S1、S2......Sk；