基于图像处理的覆冰冰形识别方法

技术领域

本发明涉及输电线路在线覆冰监测技术领域，特别是一种基于图像处理的覆冰冰形识别方法。

背景技术

传统的检测方法为依靠观冰站和人工巡查来观测输电线路、绝缘子以及风机叶片等电力装备的覆冰情况，此方法过于耗费人力物力，并且有不能及时发现覆冰情况、观冰效率十分低下、运行费用相对较高等缺点。由于输配电网络的飞速发展，单纯依靠人工观测覆冰情况的方法已经无法满足电网安全运行的需求。因此，国内外都对如何高效观测覆冰情况做出了大量的研究。

国内外用于监测导线和绝缘子覆冰的方法大致有：称重法、导线倾角弧垂法、图像监测法、覆冰速率计法、模拟导线法以及准分布式光纤法等。

(1)称重法

使用力传感器代替绝缘子串金具的球头挂环，通过角度传感器测量悬垂绝缘子的倾斜角和风偏角，利用拉力传感器监测悬挂点的拉力值从而测量出线路以及绝缘子的荷载，再结合风向、风速分析几何计算得到线路和绝缘子的等效覆冰厚度。这种方法的技术较为成熟，原理也比较简单，但它的稳定性和精确程度相对较低，测量结果较为不可靠；

(2)导线倾角弧垂法

此方法利用在悬垂线夹附近的导线上安装角度传感器，来测量导线在覆冰前后的倾角和弧垂的差异，以此测量出导线上的覆冰情况。国内外一些公司和研究机构都基于此种方法研制出了相关的在线覆冰监测系统；

(3)图像监测法

通过安装在传输线路杆塔上的图像采集设备或者利用无人机对线路及绝缘子的覆冰情况进行拍摄，再利用人工分析出现场的覆冰情况。或者通过计算机等数字设备对拍摄的图像进行自动处理并识别出线路和绝缘子的覆冰情况以及相应的冰形。其主要步骤是首先对图像进行灰度预处理、再对图像以及导线边缘进行检测，然后分析计算得出覆冰冰形和覆冰厚度等。本次课题便将采用此种方法并对有关分析不足之处进行优化改进。图像监测法具有对覆冰情况观测直观、具体、及时等优点。但是，由于天气、光照的原因，摄像设备拍摄的照片可能较为模糊，对覆冰的分析有一定影响。此外，拍摄设备的像素以及环境都对拍摄的图片有一定干扰，并且图像传输过程大多采用有损压缩方法，这会导致覆冰图像具有对比度低、灰度复杂、噪声种类繁多等特点，将会直接影响到采集的图像能否正确被识别。

(4)泄漏电流法

我们知道，绝缘子的泄漏电流可以反应出绝缘子运行过程中的运行电压、覆冰程度以及污秽程度等等。因此，我们可以通过对绝缘子的泄漏电流的波动形态进行实时监控，从而反映出其所处环境的不间断监测。由刘云鹏等人对超高压线路上绝缘子的冰闪泄漏电流分析可知，当绝缘子的泄漏电流超过400mA时，绝缘子将会有55.94％到80.14％的概率发生覆冰闪络。但由于泄漏电流跟绝缘子表面覆冰状态的对应关系不高，需要提取更高次的数据分量来保证分析的可靠性，而高次分量容易受到外界环境的干扰，故此方法的可靠性其实较低，往往实际应用中还需要依靠人工来加以辅助判断。

目前，在无实测覆冰资料区域作重冰线路设计，迄今为止只能采用沿线覆冰调查来确定设计冰厚并划分冰区。通过沿线覆冰调查获得的导线覆冰资料，其中绝大多数都是有实测或目测到电力线、通讯线、树枝等物体上的覆冰直径，其监测可靠性较低、成本较高。

发明内容

本发明的目的是提出一种基于图像处理的覆冰冰形识别方法，以解决现有技术中的至少一个缺陷。

本发明的目的是通过以下技术方案来实现的：本发明提供的一种基于图像处理的覆冰冰形识别方法，包括以下步骤：

获取输电线路当前的线路覆冰图像，并对所述线路覆冰图像进行预处理，得到第一线路覆冰图像；

获取所述第一线路覆冰图像的边缘图像；

基于所述边缘图像获取覆冰线路的实时形态特征；

将所述实时形态特征与形态特征库中的各种形态特征进行对比，从所述形态特征库中确定出目标形态特征；其中，所述形态特征库中的每一种形态特征对应一种线路覆冰冰形；

根据所述目标形态特征确定出所述线路的覆冰冰形。

可选的，所述目标形态特征为与所述实时形态特征相似度最高的形态特征。

可选的，所述覆冰冰形包括：雾凇、雨凇、混合凇。

可选的，所述对所述线路覆冰图像进行预处理，包括：

对所述线路覆冰图像进行灰度化，得到灰度化后的线路覆冰图像；

对灰度化后的线路覆冰图像进行噪声处理及图像增强，得到所述第一线路覆冰图像。

可选的，所述获取所述第一线路覆冰图像的边缘图像，包括：

对所述第一线路覆冰图像进行边缘检测，得到第一线路覆冰图像的边缘点；

对所述边缘点进行锐化处理，得到第一线路覆冰图像的边缘图像。

可选的，采用Sobel算子、Prewitt算子或Roberts算子对所述第一线路覆冰图像进行边缘检测。

可选的，所述形态特征至少包括覆冰表面粗糙度。

可选的，所述基于所述边缘图像获取覆冰线路的实时形态特征，包括：

基于所述边缘图像获取覆冰线路上覆冰的覆冰位置；

获取覆冰位置处的覆冰面积与曲面表面积，其中，覆冰面积为积冰在导线表面的投影面积，表面积为积冰的曲面表面积；

根据所述覆冰面积与所述表面积获取覆冰位置处覆冰的表面粗糙度。

可选的，覆冰面积

曲面表面积

表面粗糙度

D为计算区域，S为多边形D的曲面投影面积，x＝x(u,v),y＝y(u,v),z＝z(u,v)为曲面的参数形式。

可选的，采用聚类分析方法K-means对粗糙度进行分级，确定粗糙度的级别。

由于采用了上述技术方案，本发明具有如下的优点：

本发明依托于图像处理技术，基于形态学原理对线路覆冰冰形进行有效判别，提高覆冰厚度计算精度，处理数据更为准确快速，实现自动化覆冰监测，有利于后续选择合适的除冰方法，具有更高的工程应用价值。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明一实施例一种基于图像处理的覆冰冰形识别方法的流程图；

图2为本发明一实施例得到边缘图像的流程图；

图3为本发明一实施例短导线雾凇覆冰形状边缘提取图；

图4为本发明一实施例短导线雾凇覆冰65h典型形状图；

图5为本发明一实施例三分裂导线混合凇覆冰形状边缘提取图；

图6为本发明一实施例三分裂导线混合凇覆冰后期典型形状图；

图7为本发明一实施例三分裂导线雾凇覆冰形状边缘提取图；

图8为本发明一实施例三分裂导线雾凇覆冰64h典型形状图；

图9为本发明一实施例面积与表面积计算示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，本申请实施例提供一种基于图像处理的覆冰冰形识别方法，包括以下步骤：

S1获取输电线路当前的线路覆冰图像，并对所述线路覆冰图像进行预处理，得到第一线路覆冰图像；

S2获取所述第一线路覆冰图像的边缘图像；

S3基于所述边缘图像获取覆冰线路的实时形态特征；

S4将所述实时形态特征与形态特征库中的各种形态特征进行对比，从所述形态特征库中确定出目标形态特征；其中，所述形态特征库中的每一种形态特征对应一种线路覆冰冰形；

S5根据所述目标形态特征确定出所述线路的覆冰冰形。

本发明依托于图像处理技术，基于形态学原理对线路覆冰冰形进行有效判别，提高覆冰厚度计算精度，处理数据更为准确快速，实现自动化覆冰监测，有利于后续选择合适的除冰方法，具有更高的工程应用价值。

在一实施例中，所述目标形态特征为与所述实时形态特征相似度最高的形态特征。由于形态特征库中的每一种形态特征对应一种线路覆冰冰形；因此，目标形态特征相应的也对应一种覆冰冰形，则目标形态特征对应的覆冰冰形为实时形态特征对应的覆冰冰形。

在一实施例中，所述覆冰冰形包括：雾凇、雨凇、混合凇。

在一实施例中，所述对所述线路覆冰图像进行预处理，包括：

对所述线路覆冰图像进行灰度化，得到灰度化后的线路覆冰图像；

对灰度化后的线路覆冰图像进行噪声处理及图像增强，得到所述第一线路覆冰图像。

其中，对覆冰图像进行噪声处理指的是对覆冰图像进行降噪处理。

在一实施例中，所述获取所述第一线路覆冰图像的边缘图像，包括：

对所述第一线路覆冰图像进行边缘检测，得到第一线路覆冰图像的边缘点；具体地，采用Sobel算子对所述第一线路覆冰图像进行边缘检测；

对所述边缘点进行锐化处理，得到第一线路覆冰图像的边缘图像。

边缘是指在图像上像素灰度变化最显著的地方，边缘检测算子则利用图像边缘灰度的突变来检测边缘。Sobel算子包含两组3X3的滤波器，分别对水平和垂直方向上的边缘敏感。让两个方向模板分别沿着X轴、Y轴与图像做卷积，方向是从上到下和从左到右。将模板的中心和图像上的某个像素重合，并将该像素周围的点与模板上的系数相乘。图像上每个像素点的横向及纵向梯度值通过绝对值求和近似的方法代替开平方计算该点梯度值G的大小。最后选取合适的阈值，将像素点的灰度值与阈值进行比较，若大于阈值，则改点为图像的边缘点。由于Sobel算子对于像素的位置影响做了加权，可以降低边缘模糊程度，与Prewitt算子，Roberts相比效果更好。

在一实施例中，所述形态特征至少包括覆冰表面粗糙度。

在一实施例中，所述基于所述边缘图像获取覆冰线路的实时形态特征，包括：

基于所述边缘图像获取覆冰线路上覆冰的覆冰位置；

获取覆冰位置处的覆冰面积与表面积；

根据所述覆冰面积与所述表面积获取覆冰位置处覆冰的表面粗糙度。

具体地，表面粗糙度的计算方法为：

覆冰面积

曲面表面积

表面粗糙度

如图9所示，多边形D为计算区域(覆冰区域)，D{(x1,y1),(x2,y2),…,(xn,yn),(x1,y1)}(顶点按逆时针方向排列)，S为多边形D的曲面投影面积，x＝x(u,v),y＝y(u,v),z＝z(u,v)为曲面的参数形式，E、F、G为求偏导的算子。

在一实施例中，采用聚类分析方法K-means对粗糙度进行分级，确定粗糙度的级别。

采用聚类分析方法K-means对粗糙度进行分级，在本实施例中确定了聚类个数为3个，在所获得的的样本区间范围内随机产生3个值作为初始质心，并对每个数据点进行分类，选择相似度最高的质心所在的簇作为该样本的类别，计算每个簇中所有点的平均值，更新聚类中心，进行迭代计算，得到三种粗糙度类别，包括雾凇、雨凇及混合凇。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。