[发明专利]一种基于机器学习的绝缘子缺陷自动检测方法

摘要

本发明公开了高压输变电领域设备运行状态检修领域，尤其涉及一种基于机器学习的绝缘子缺陷自动检测方法，其技术方案是，通过无人机航拍获取高压输电设备中绝缘图像，通过基于颜色信息的实现绝缘子区域的正确定位方法，采用基于纹理特征分类方法实现绝缘子缺陷的准确检测。本发明能准确识别处无人机航拍图像中高压输电中绝缘子缺陷自动检测，为绝缘子的维修提供必要的技术支持。

主权项

一种基于机器学习的绝缘子缺陷自动检测方法，该方法设计了基于颜色信息的绝缘子定位方法和基于纹理特征的绝缘子缺陷检测的方法，具体包括以下步骤：1：图像采集。利用无人机对自然环境下的高压输电铁塔中的绝缘子进行拍摄，获取绝缘子的彩色RGB图像。2：颜色归一化。将绝缘子的彩色RGB图像按照下面公式转换成归一化的红/绿图像ΩRG：ΩRG=max(RR+G+B,GR+G+B)]]>其中，ΩRG图像中每一点的像素值为该点在原始图像中R分量占总分量的比例值和R分量占总分量的比例值中的最大值。其中总分量为该点在原始图像中R分量、G分量和B分量之和。3：区域生长。对ΩRG图像进行区域生长操作生成ΩTH，进而使得绝缘子主体成分连接为一体。4：MSER检测。对ΩTH图像进行最大稳定极值区域(MSER)检测，获取绝缘子所在原始图像中的候选矩形区域R。5：利用分类器检测候选区域是否为绝缘子区域。对绝缘子所在的候选矩形区域R计算HOG特征，并将HOG特征输入到SVM分类器中进行分类，进而判断候选矩形区域R是否为绝缘子。6：原始图像旋转。当候选矩形区域R判断为绝缘子后，计算候选矩形区域R的主轴与水平方向的夹角θ，将原始图像旋转θ，保证绝缘子所在区域水平。旋转后的矩形区域定义为R1。7：纹理特征提取。将R1转化为灰度图像，并划分为N个小矩形块，小矩形块为用于特征提取的ROI区域，统计每个小矩形块中的图像纹理特征包括能量、相关度、同一度、对比度和灰度平均值，构成绝缘子缺陷检测的五维特征。8：利用多层神经网络MLP对R1区域进行缺陷识别。将R1区域中的每一个小矩形块中的上述5维纹理特征输入到多层神经网络分类器中进行分类，进而判断小矩形区域是否存在开裂，污损和缺失等三种缺陷，当R1中的N个小矩形框都分类为正常时，该绝缘子为正常绝缘子，否则为存在缺陷绝缘子。其中多层神经网络MLP包括1个输入层，2个隐含层和一个输出层。输入层为5个神经元，第一个隐含层为10个神经元，第二个隐含层为5个隐含层，输出层为4个神经元，激活函数采用RELU线性修正单元激活函数。