一种在线取能可移动智慧防振锤的缺陷识别方法

技术领域

本发明涉及图像识别技术领域，具体涉及一种在线取能可移动智慧防振锤的缺陷识别方法。

背景技术

在电路传输的建设中，高压架空线路的杆位较高，传输导线之间的间隔较大，导线的平稳性很容易受到风力作用的影响，从而造成高压电路的安全隐患。为了消除这种安全隐患，在高压架空线路上，悬挂防振锤，减少导线振动，增强导线稳定性。

由于防振锤一直裸露在外会受到雨水等自然环境的影响，进而导致防振锤表面产生腐蚀缺陷，影响防振锤的正常使用。因此，对高压导线上的防振锤进行缺陷识别就显得尤为重要。现有利用机器视觉对防振锤进行缺陷识别的方法中，常采用超像素分割的方法，但是该方法中可能会存在欠分割或者过分割的问题，即超像素分割的结果存在分割误差，导致超像素分割结果不准确，进而会影响获得的防振锤缺陷位置的精度。

发明内容

为了解决超像素分割的结果存在分割误差导致防振锤的缺陷识别的结果较不准确的技术问题，本发明的目的在于提供一种在线取能可移动智慧防振锤的缺陷识别方法，所采用的技术方案具体如下：

通过识别图形获取防振锤表面含有缺陷的图像，记为防振锤缺陷图像；对防振锤缺陷图像进行超像素分割得到至少两个超像素块，根据超像素块内像素点与其邻域像素点之间的像素差异得到像素点的不规则指数；

根据像素点的不规则指数对超像素块内的像素点进行分类得到至少两个类别，在每个超像素块内根据每个类别内像素点的数量和像素点的不规则指数计算第一系数；根据第一系数小于或等于系数阈值的超像素块内像素点的不规则指数和指数阈值确定缺陷区域；获取第一系数大于系数阈值的超像素块记为标志像素块，利用设定尺寸的窗口对标志像素块内的边缘像素点进行遍历，根据窗口内属于标志像素块内的像素点数量计算第二系数，根据第一系数和第二系数得到标志像素块的差异度；

将差异度大于判断阈值的标志像素块记为待分析像素块，获取待分析像素块的聚类中心像素点，根据待分析像素块内像素点与聚类中心像素点之间的不规则指数的差异得到像素点的拟合度，根据拟合度对像素点进行标注得到第一掩膜图像，根据第一掩膜图像和缺陷区域获得防振锤表面的缺陷位置。

优选地，所述第一系数的获取方法具体为：

同一类别内所有像素点的不规则指数相同，类别对应的不规则指数即为该类别内像素点的不规则指数；对于任意一个超像素块，获取每个类别对应的不规则指数和每个类别内包含的像素点数量，计算每个类别对应的不规则指数和每个类别内包含的像素点数量的乘积，记为类别的特征指数，根据超像素块内各类别的特征指数之间的差值得到第一系数。

优选地，所述第一系数的计算公式具体为：

其中，

优选地，所述第二系数的获取方法具体为：

对防振锤缺陷图像进行网格化，获取网格的尺寸大小；选择任意一个标志像素块记为目标超像素块，获取目标超像素块的边缘像素点，利用与网格的尺寸大小相同的窗口对目标超像素块内的边缘像素点进行遍历，计算窗口内属于目标超像素块内的像素点的总数量与窗口内包含的像素点的总数量的比值，将设定数值与所述比值的差值记为特征比值，所述特征比值的方差为第二系数。

优选地，所述根据第一系数和第二系数得到标志像素块的差异度具体为：

计算第一系数和第二系数的和值，对所述和值进行正相关映射得到标志像素块的差异度。

优选地，所述根据超像素块内像素点与其邻域像素点之间的像素差异得到像素点的不规则指数具体为：

所述防振锤缺陷图像为RGB图像，将防振锤缺陷图像从RGB颜色空间转换到CIELAB颜色空间中，获取转换后得到的图像中各像素点分别在L、A和B三个通道下的通道值，对于每个超像素块内任意一个像素点，计算像素点与其邻域像素点在L通道下的通道值之间的差值的平方，计算像素点与其邻域像素点在A通道下的通道值之间的差值的平方，计算像素点与其邻域像素点在B通道下的通道值之间的差值的平方，以像素点在L、A和B三个通道下对应的差值的平方的和值作为像素点的不规则指数。

优选地，所述拟合度的获取方法具体为：

获取待分析像素块相邻的超像素块记为相邻像素块，并获取相邻像素块的聚类中心像素点，计算待分析像素块内像素点与对应的聚类中心像素点的不规则指数之间的差值的平方，记为第一特征值；计算待分析像素块内像素点与相邻像素块对应的聚类中心像素点的不规则指数之间的差值的平方，记为第二特征值；以第二特征值和第一特征值之间差值的最小值作为像素点的拟合度。

优选地，所述根据拟合度对像素点进行标注得到第一掩膜图像具体为：

将拟合度大于拟合阈值的像素点标注为第一数值，将拟合度小于或等于拟合阈值的像素点标注为第二数值，得到第一掩膜图像。

优选地，所述根据第一掩膜图像和缺陷获得防振锤表面的缺陷位置具体为：

将缺陷区域内的像素点标注为第一数值，将不属于缺陷区域的像素点标注为第二数值，得到第二掩膜图像；将第一掩膜图像和第二掩膜图像进行相加，将相加得到的图像与防振锤缺陷图像相乘，得到缺陷分割图像，对缺陷分割图像进行边缘检测，检测到的闭合边缘构成的区域为防振锤表面的缺陷部分区域，得到防振锤表面的缺陷位置。

优选地，所述根据第一系数小于或等于系数阈值的超像素块内像素点的不规则指数和指数阈值确定缺陷区域具体为：

获取第一系数小于或等于系数阈值的超像素块记为优选像素块，计算优选像素块内所有像素点的不规则指数的均值，将优选像素块对应的均值大于指数阈值的优选像素块记为缺陷区域。

本发明实施例至少具有如下有益效果：

本发明通过识别图形获取防振锤表面含有缺陷的图像记为防振锤缺陷图像，先对获取到的图像信息进出初步处理，筛选出存在缺陷的图像进行后续缺陷部分的识别，对防振锤缺陷图像进行超像素分割，根据超像素块内像素点与其邻域像素点之间的像素差异得到不规则指数，考虑了像素点与其邻域像素点之间的像素分布差异，能够反映超像素块内像素点周围的像素分布的不规则程度；根据不规则程度对超像素块内的像素点进行分类，根据超像素块内每个类别内的像素点数量和像素点的不规则指数计算第一系数，第一系数能够表征超像素块内像素点之间的像素分布特征的差异情况；对于第一系数较小的超像素块内像素点之间的像素分布特征的差异较小，对应的超像素块分割结果较为准确，进而根据第一系数小于或等于系数阈值的超像素块内像素点的不规则指数和指数阈值确定缺陷区域，对第一系数小于或等于系数阈值的超像素块进行筛选即可得到分割结果较为准确的缺陷区域；对于第一系数大于系数阈值的超像素块的分割结果较不准确，需进行进一步的分析，根据窗口内属于标志像素块的像素点数量计算第二系数，第二系数能够表征标志像素块对应的超像素块的形状分布特征与网格分布的差异情况，进而结合第一系数和第二系数得到标志像素块的差异度，根据差异度能够确定属于存在分割误差的缺陷部分对应的区域，即待分析像素块，进而对这部分存在分割误差的像素块进行精细分割，根据待分析像素块内像素点与聚类中心像素点之间的不规则指数的差异得到像素点的拟合度，考虑待分析像素块内像素点与聚类中心像素点之间的差异情况，进而能够确定经过精细分割的缺陷部分，结合准确的缺陷区域，最终能够获得较为准确的缺陷识别结果。本发明考虑了超像素分割出现过分割误差的情况，使得对防振锤表面缺陷位置的识别精度较高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明的一种在线取能可移动智慧防振锤的缺陷识别方法的方法流程图。

实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种在线取能可移动智慧防振锤的缺陷识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种在线取能可移动智慧防振锤的缺陷识别方法的具体方案。

实施例

请参阅图1，其示出了本发明一个实施例提供的一种在线取能可移动智慧防振锤的缺陷识别方法的方法流程图，该方法包括以下步骤：

步骤一，通过识别图形获取防振锤表面含有缺陷的图像，记为防振锤缺陷图像；对防振锤缺陷图像进行超像素分割得到至少两个超像素块，根据超像素块内像素点与其邻域像素点之间的像素差异得到像素点的不规则指数。

首先，考虑到高压架空线路上安全防振锤的安全高度较高，人工安装相机识别获取防振锤的图像的方式难度较大，因此在本发明实施例中，利用无人机获取高压导线上的防振锤的表面图像，同时，通过无人机获取的防振锤的表面图像为RGB图像。

由于利用无人机获取防振锤的表面图像时会受到环境等因素的影响，进而导致获得的图像中存在噪声的干扰，因此需要对图像进行去噪处理，对图像进行去噪处理的方法是多种多样的，在本发明实施例中，采用中值滤波去噪技术对图像进行去噪处理得到防振锤表面图像。同时，中值滤波去噪技术为公知技术，在此不再过多介绍。

需要说明的是，在对防振锤表面存在的腐蚀缺陷进行精确的划分识别前，需要对防振锤表面进行粗略的分析，筛选出表面具有腐蚀缺陷的防振锤。所述防振锤缺陷图像的获取方法具体为获取防振锤表面图像组成数据集，利用神经网络对数据集进行缺陷识别得到含有缺陷的防振锤表面图像，记为防振锤缺陷图像。

具体地，在本实施例中采用神经网络对数据集中的防振锤表面图像进行缺陷识别，神经网络采用ResNet50模型，实施者可根据实际情况进行选择，例如，也可选择DNN语义分割网络对防振锤表面图像中的腐蚀缺陷进行分割识别。

其中，神经网络相关的内容包括：神经网络使用的数据集为通过识别图形获取防振锤表面图像获得数据集；训练集对应的标签标注过程为：标注为1的像素点表示防振锤表面图像中含有腐蚀缺陷的像素点，标注为0的像素点表示防振锤表面图像中不含有腐蚀缺陷的像素点；神经网络的损失函数为交叉熵损失函数。

进而根据神经网络分类模型的输出判断每张防振锤表面图像是否含有腐蚀缺陷，对含有腐蚀缺陷的防振锤表面图像需做进一步的详细地分析，故将含有腐蚀缺陷的防振锤表面图像记为防振锤缺陷图像。

需要说明的是，防振锤表面的腐蚀缺陷多是由于大气腐蚀或者是雨雪等自然环境因素造成的，防振锤表面的腐蚀缺陷部分不仅会改变防振锤表面的原本的颜色，而且还会破坏整个表面区域的平整度。防振锤缺陷图像中一般存在两种类型的像素点，即一类是属于腐蚀缺陷区域的像素点；另一类是属于非腐蚀缺陷区域的像素点。

然后，利用超像素分割算法将防振锤缺陷图像分割成多个超像素块，超像素分割是指利用像素之间特征的相似性将像素分组，在本实施例中，超像素分割算法中的k值取值为200，实施者可根据具体实施场景进行设置。

由于超像素分割算法较为容易出现将不同区域的像素点分割在同一个超像素块内的情况，或者较为容易出现将不同种类的像素点的欠分割和过分割等错误分割的情况。为了获得准确的缺陷信息，需要对进行超像素分割处理后的防振锤缺陷图像进行分析。缺陷区域对应的超像素块边缘与正常区域对应的超像素块的边缘存在较大差异，正常区域对应的超像素块的边缘部分可能为防振锤表面区域的边缘部分，而腐蚀缺陷会破坏防振锤表面区域的边缘特征，尤其是会破坏边缘像素点的方向一致性，同时会破坏防振锤原本的较为规则的轮廓部分，则缺陷区域对应的超像素块的边缘呈现出较不规则的边缘线。同时，防振锤表面的腐蚀部分会破坏防振锤原有的颜色特征。

考虑到防振锤表面的腐蚀缺陷部分颜色特征偏暗的特点，为了获取更加明显的像素点信息，将防振锤缺陷图像从RGB颜色空间转换到CIELAB颜色空间中。其中颜色空间的转换为公知技术，具体过程不再详细赘述。

获取转换后得到的图像中各像素点分别在L、A和B三个通道下的通道值，对于每个超像素块内任意一个像素点，获取该像素点与其邻域内的邻域像素点之间的像素值的差异，该差异能够反映像素点与其邻域像素点之间的颜色特征的差异。其中，在本实施例获取像素点的八邻域内的各像素点记为邻域像素点。

具体地，对于每个超像素块内任意一个像素点，计算像素点与其邻域像素点在L通道下的通道值之间的差值的平方，计算像素点与其邻域像素点在A通道下的通道值之间的差值的平方，计算像素点与其邻域像素点在B通道下的通道值之间的差值的平方，以像素点在L、A和B三个通道下对应的差值的平方的和值作为像素点的不规则指数。

所述像素点的不规则指数用公式表示为：

其中，

、/>

不规则指数表征超像素块内的像素点周围的颜色分布的不规则程度，反映了像素点与其邻域像素点之间的颜色分布差异，不规则指数的取值越大，表征像素点周围的颜色分布的不规则程度越大，说明像素点与其邻域像素点之间的颜色分布差异越大，不规则指数的取值越小，表征像素点周围的颜色分布的不规则程度越小，说明像素点与其邻域像素点之间的颜色分布差异越小。

步骤二，根据像素点的不规则指数对超像素块内的像素点进行分类得到至少两个类别，在每个超像素块内根据每个类别内像素点的数量和像素点的不规则指数计算第一系数；根据第一系数小于或等于系数阈值的超像素块内像素点的不规则指数和指数阈值确定缺陷区域；获取第一系数大于系数阈值的超像素块记为标志像素块，利用设定尺寸的窗口对每个标志像素块内的像素点进行遍历，根据窗口内属于标志像素块内的像素点数量计算第二系数，根据第一系数和第二系数得到标志像素块的差异度。

首先，按照步骤一的方案计算获得每个超像素块内所有像素点的不规则指数，将像素点的不规则指数作为类别指标，在转换到CIELAB颜色空间后的防振锤缺陷图像中，对超像素块内的像素点进行分类，得到至少两个类别，每个类别内所有像素点的不规则指数相等，即一个类别对应一个不规则指数的取值。其中，在本实施例采用k-means聚类算法对像素点进行分类处理，实施者也可根据实际情况进行选择。

需要说明的是，虽然超像素块内的像素点是具有相似特性的像素点，但是仍有可能出现欠分割或者过分割的情况。则需对存在分割误差的超像素块进行进一步的分析。

然后，统计每个超像素块内所有像素点的类别以及每个类别内包含的像素点的数量。对于超像素块内的像素点的分布情况包括以下四种，情况一是超像素块位于图像中的正常区域的内部，则超像素块内像素点之间的特征较为相似，像素点与其周围像素点之间的颜色分布差异较小，对应的不规则指数也就越小，同时，超像素块内属于正常区域的像素点的数量占比较大。情况二是超像素块位于图像中的缺陷区域的内部，则超像素块内像素点之间的特征也较为相似，像素点与其周围像素点之间的颜色分布差异较小，对应的不规则指数也就越小，同时，超像素块内属于缺陷区域的像素点的数量占比较大。

情况三是超像素块内包含正常区域和缺陷区域的像素点，情况四是超像素块内包含不同腐蚀程度的缺陷区域内的像素点，则在情况三和情况四中超像素块内像素点之间的特征较不相似，像素点与其周围像素点之间的颜色分布差异较大，对应的不规则指数也就越大，超像素块内属于颜色分布差异较大的像素点的数量占比较小。

基于此，同一类别内所有像素点的不规则指数相同，类别对应的不规则指数即为该类别内像素点的不规则指数；对于任意一个超像素块，获取每个类别对应的不规则指数和每个类别内包含的像素点数量，计算每个类别对应的不规则指数和每个类别内包含的像素点数量的乘积，记为类别的特征指数，根据超像素块内各类别的特征指数之间的差值得到第一系数。

其中，由于每个类别内像素点的不规则指数相同，故一个类别对应一个不规则指数，类别对应的不规则指数和该类别内包含的像素点数量的乘积，表征该类别内所有像素点的不规则指数的加和，即类别的特征指数能够反映对应类别内像素点整体的不规则指数的取值情况。通过获取超像素块内各类别的特征指数之间的差值，反映超像素块内不同类别像素点的不规则指数之间的差异情况。

所述第一系数的计算公式具体为：

其中，

的取值越大，表示超像素块内属于类别m的像素点的数量越多，对应的不规则指数的取值越大，说明超像素块内类别m包含的像素点与其周围像素点的颜色分布差异较大，/>

表示类别m和类别n对应的特征指数之间的差值，该差值越大，说明超像素块内类别m包含的像素点的不规则指数与类别n包含的像素点的不规则指数之间的差异越大，则超像素块内像素点之间的特征相似性越小，对应的第一系数的取值越大，则超像素块越可能存在欠分割或者过分割的情况。

第一系数表征了超像素块内像素点之间的颜色分布特征的差异情况，第一系数的取值越大，说明超像素块内像素点之间的颜色分布特征的差异越大，则说明超像素块越可能存在欠分割或者过分割的情况。第一系数的取值越小，说明超像素块内像素点之间的颜色分布特征的差异越小，则说明超像素块越不可能存在欠分割或者过分割的情况。

设置系数阈值，不同的防振锤表面对应的颜色特征可能存在一定的差异，故系数阈值的取值根据防振锤表面颜色特征的不同而不同，实施者可根据实际情况进行设置。可根据第一系数小于或等于系数阈值的超像素块内像素点的不规则指数和指数阈值确定缺陷区域，具体地，获取第一系数小于或等于系数阈值的超像素块记为优选像素块，则优选像素块内像素点之间的颜色分布特征的差异较小，故优选像素块分割结果较为准确，不需要进一步的分析，进而对优选像素块进行筛选，可以获得分割较为准确的缺陷部分。计算优选像素块内所有像素点的不规则指数的均值，将优选像素块对应的均值大于指数阈值的优选像素块记为缺陷区域。其中，指数阈值的取值根据防振锤表面腐蚀缺陷的程度不同而不同，实施者可根据实际情况进行设置。

进一步的，将第一系数大于系数阈值的超像素块记为标志像素块，则标志像素块内像素点之间的颜色分布特征的差异较大，则说明标志像素块越可能存在欠分割或者过分割的情况，故需对标志像素块进行进一步的分析。

超像素块是把各像素点与种子点具有一定相似程度的像素点聚合在一起得到的像素块，对图像进行网格化后，如果是对正常区域内像素点进行超像素分割得到的超像素块，无论超像素块的面积大小存在什么样的差异，超像素块的边缘与网格的边缘的拟合程度均是较高的。如果是对缺陷区域内像素点进行超像素分割后得到的超像素块，则无论缺陷程度的高低存在什么样的差异，超像素块的边缘与相邻的网格边缘的拟合度均是较低的。

基于此，对转换到CIELAB颜色空间后的防振锤缺陷图像进行网格化，获取网格的尺寸大小，选择任意一个标志像素块记为目标超像素块，获取目标超像素块的边缘像素点，利用与网格的尺寸大小相同的窗口对目标超像素块内的边缘像素点进行遍历，计算窗口内属于目标超像素块内的像素点的总数量与窗口内包含的像素点的总数量之间的比值，将设定数值与所述比值的差值记为特征比值，所述特征比值的方差为第二系数。

同时，利用设定尺寸的窗口对标志像素块的边缘像素点进行遍历时，一个边缘像素点对应一个窗口，故一个边缘像素点对应一个特征比值。其中，在本实施例窗口的设定尺寸与网格的尺寸大小相同，对边缘像素点进行遍历的具体方式为，分别以各边缘像素点为窗口的中心点，从标志像素块的左上角的边缘像素点开始，按照从左至右从上至下的顺序对各边缘像素点进行遍历，实施者也可根据实际情况进行设置。

利用窗口内包含的像素点的总数量表征窗口的面积，利用窗口内属于标志像素块内的像素点的总数量表征窗口内属于标志像素块的面积，进而可以获得窗口内属于标志像素块的面积与窗口的总面积之间的比值，计算设定数值与所述比值的差值得到特征比值，在本实施例中，设定数值的取值为1，则边缘像素点对应的特征比值能够反映标志像素块边缘像素点与网格的拟合程度。

所述第二系数的计算公式具体为：

其中，

表示窗口内属于标志像素块部分的面积与窗口面积的比值，该比值反映了在边缘像素点处标志像素块的边缘与网格边缘的拟合程度，该比值越大，则特征比值的取值越小，说明在第

表示标志像素块的所有边缘像素点对应的特征比值的方差，该方差的取值越大，则第二系数的取值越大，说明标志像素块的边缘像素点对应的特征比值的波动性越大，则在边缘像素点处标志像素块的边缘与网格边缘的拟合程度的波动性越大，标志像素块的边缘越不规则，则该标志像素块内存在缺陷部分的可能性就越大。

最后，第一系数表征了标志像素块对应的超像素块内像素点之间的颜色分布特征的差异情况，第二系数表征了标志像素块对应的超像素块的形状分布特征与网格分布的差异情况，进而综合考虑超像素块内像素点之间的颜色分布差异以及超像素块边缘与网格边缘的拟合程度，根据第一系数和第二系数获得超像素块的差异度，即计算第一系数和第二系数的和值，对所述和值进行正相关映射得到标志像素块的差异度，用公式表示为：

其中，

一般情况下，超像素块内非种子点的像素点之间的差异较小，若标志像素块对应的超像素块出现欠分割或者过分割的情况，则标志像素块内像素点之间的分布差异较大，则对应的第一系数

标志像素块的差异度能够反映标志像素块内像素点之间的颜色分布特征的差异情况，以及标志像素块边缘与网格边缘之间的差异情况，标志像素块的差异度越大，说明标志像素块内像素点之间的颜色分布特征的差异越大，标志像素块边缘与网格边缘之间的差异也越大。

步骤三，将差异度大于判断阈值的标志像素块记为待分析像素块，获取待分析像素块的聚类中心像素点，根据待分析像素块内像素点与聚类中心像素点之间的不规则指数的差异得到像素点的拟合度，根据拟合度对像素点进行标注得到第一掩膜图像，根据第一掩膜图像和缺陷区域获得防振锤表面的缺陷位置。

首先，设置判断阈值，在本实施例中判断阈值的取值为所有超像素块的差异度的均值，实施者可根据实际情况进行设置，标志像素块的差异度取值越大，越可能是属于存在分割误差的缺陷部分对应的区域，故需对差异度大于判断阈值的标志像素块进行分析，将差异度大于判断阈值的超像素块记为待分析像素块。进而需要对待分析像素块进行精细化处理，这是由于缺陷部分对应的区域的大小不同，在超像素分割的时候容易产生欠分割现象，将一些孤立的像素点划分成超像素块的边缘点。

每个超像素块分别对应一个聚类中心像素点，超像素分割算法是将与聚类中心像素点图像特征较为相似的像素点聚集到一个超像素块内，因此像素点应该与所在超像素块聚类中心像素点之间的相似性较大，与其余聚类中心像素点之间的相似性较小。其中，需要说明的是，在对图像进行超像素分割的过程中，聚类中心在不断发生变化，为了方便对超像素块内像素点与聚类中心之间的差异进行分析，在本实施例中，选择防振锤缺陷图像在进行超像素分割迭代过程中最后一个聚类中心对应的像素点记为聚类中心像素点。

在步骤二中的情况三和情况四的缺陷区域边缘像素点与聚类中心像素点之间的相似性应当满足，像素点与其所在超像素块的聚类中心像素点的相似性较大，与其他超像素块的聚类中心像素点的相似性较小。基于此，构建像素点的拟合度，能够表征超像素块的边缘像素点与聚类中心像素点的相似程度。

具体地，获取待分析像素块相邻的超像素块记为相邻像素块，并获取相邻像素块的聚类中心像素点，计算待分析像素块内像素点与对应的聚类中心像素点的不规则指数之间的差值的平方，记为第一特征值；计算待分析像素块内像素点与相邻像素块对应的聚类中心像素点的不规则指数之间的差值的平方，记为第二特征值；以第二特征值和第一特征值之间差值的最小值作为像素点的拟合度，用公式表示为：

其中，

表示像素点x与其所在的待分析像素块对应的聚类中心像素点的不规则指数之间的差异，该差异越小，说明像素点x越可能属于待分析像素块w，/>

的取值越大，/>

进一步的，对每个待分析像素块的边缘像素点进行拟合度的计算，设置拟合阈值，拟合阈值的取值根据防振锤表面缺陷程度的不同而不同，实施者可根据实际情况进行设置。当像素点的拟合度大于拟合阈值时，则认为该像素点与其所在的超像素块对应聚类中心像素点是同一类像素点，将拟合度大于拟合阈值的像素点标注为第一数值，将拟合度小于或等于拟合阈值的像素点标注为第二数值，得到第一掩膜图像。则第一掩膜图像中标注为第一数值的部分是通过精细化分割处理的缺陷部分。

将缺陷区域内的像素点标注为第一数值，将不属于缺陷区域的像素点标注为第二数值，得到第二掩膜图像；则第二掩膜图像中标注为第一数值的部分是不需要进行精细化分割处理的缺陷部分。

第一掩膜图像和第二掩膜图像均为二值图像，在本实施例中，第一数值的取值为1，第二数值的取值为0，目的是为了根据拟合度获得二值化的图像，实施者可根据实际情况进行设置第一数值和第二数值的取值。

将第一掩膜图像和第二掩膜图像进行相加，相加得到的图像即为防振锤表面包含的所有缺陷部分，将相加得到的图像与防振锤缺陷图像相乘，得到缺陷分割图像，对缺陷分割图像进行边缘检测，检测到的闭合边缘构成的区域为缺陷部分区域，得到防振锤表面的缺陷位置。

在缺陷分割图像中包含准确的缺陷区域的边缘，进而可以获得存在腐蚀缺陷的区域得到防振锤的缺陷部分对应的位置。即对缺陷分割图像进行边缘检测，检测到的闭合边缘构成的区域为防振锤表面的缺陷部分区域，得到防振锤表面的缺陷位置。

根据防振锤表面的缺陷位置进行防振锤的检测和具体维修，例如获取缺陷部分区域的面积，设置面积阈值，若缺陷部分区域面积大于面积阈值，则防振锤无法进行维修，对于无法维修的防振锤进行替换并根据高压导线的地理位置和防振锤的具体材料进行防腐材料的喷涂。

若缺陷部分区域面积小于或等于面积阈值，则防振锤可以进行维修，根据缺陷部分区域的位置，人工进行维修，并在维修后对防振锤进行防腐材料的喷涂。

其中，面积阈值的取值根据防振锤表面的面积不同而不同，实施者可根据实际情况进行设置。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。