一种基于间隔棒识别的导线舞动的监测方法

摘要

本发明公开了一种基于间隔棒识别的导线舞动的监测方法，以输电线路视频流中截取的数字图像为研究对象，通过图像灰度化、平滑去噪等方法对图像进行预处理。对预处理之后的图像进行阈值分割，边缘检测，轮廓跟踪与补偿，提取导线间隔棒的轮廓，根据舞动前后间隔棒模板轮廓匹配差异形状，来计算舞动扭转角。当舞动扭转角度出现异常时，能够及时将预警信息发送给安全检查人员，使其对线路运行状况予以关注同时采取相应处理措施。本发明一种基于间隔棒识别的导线舞动的监测方法不需要建立精确的数学模型，能快速、自动实现导线舞动扭转角的检测与预警。

说明书

技术领域

本发明属于机器视觉、输电线路在线监测技术领域，具体涉及一种基于 间隔棒识别的导线舞动的监测方法。

背景技术

输电线在受到自身和外在环境的影响时常会发生舞动现象，特别是恶劣 天气等条件，会导致输电导线产生异常舞动。导线长时间的大幅度摆动极易 引起相间闪络，导致金具和绝缘子损坏、线路跳闸、导线断股或断线，甚至 拉倒杆塔导致输电电网损坏等重大事故。因此，实现对导线舞动情况的实时 监测、准确快速识别导线的异常舞动是预防和及时控制导线舞动事故的关 键。

现有主要的导线舞动识别技术有，基于位移与加速度传感器输电线舞动 监测技术和基于光流原理输电线舞动监测技术。第一种监测技术需要在输电 线路中安装传感器，因此存在传感器在输电线路中安装数量、方式以及选择 合适拟合算法的难题。监测系统传感器安装越多，其监测和曲线拟合精度越 高，但这又会带来软件的计算量大幅增加及成本增加的问题，更重要的是传 感器的安装会对输电导线舞动的数学模型造成较大影响，严重的甚至会造成 模型失真。基于光流原理输电线舞动监测技术，其精度较高但是算法较为复 杂，造成计算量大，现有计算设备难度以满足实时性要求。

发明内容

本发明的目的是提供一种基于间隔棒识别的导线舞动的监测方法，解决 现有技术中存在的不能准确实时监测导线舞动的问题。

本发明所采用的技术方案是，一种基于间隔棒识别的导线舞动的监测方 法，具体按照以下步骤实施：

步骤1、通过安装在输电铁塔上的云台摄像机采集输电线路视频图像信 号，然后通过3G传输通道以视频流的方式实时在线传送回监控中心；

步骤2、在监控中心，实时的截取步骤1中从视频流中传输过来的数字 图像，得到目标图像；

步骤3、对步骤2中得到的目标图像进行预处理获得高质图像；

步骤4、对步骤3中获得的高质图像采用最大熵阈值分割进行ROI提取， 得到目标间隔棒图像所在区域；

步骤5、提取步骤4中得到的目标间隔棒图像所在区域内的目标间隔棒 图像的边界轮廓，并进行轮廓跟踪与补偿；

步骤6、将舞动前间隔棒模板图与当前间隔棒模板图进行匹配，得出差 值图形，计算舞动前后间隔棒的扭转方向角θ，如果扭转方向角θ大于安全 阈值，则报警，同时转到步骤3；如果扭转方向角θ不大于安全阈值，则转 到步骤3。

本发明的特点还在于，

步骤5中提取目标间隔棒图像的边界轮廓采用小波边缘检测方法。

步骤5中对目标间隔棒图像的边界轮廓进行轮廓跟踪与补偿具体为：

步骤5.1、搜索提取到的目标间隔棒图像的边界轮廓中的所有边缘点， 将搜索得到的第一点P作为跟踪的起点，并记下P点的空间位置；

步骤5.2、对目标间隔棒图像的边界轮廓以顺时针为跟踪路线方向，对P 点的8领域进行搜索，

情况一、如果在8领域找到没有标记的边缘点，则找出的所有没有标记 的边缘点作为待选点；找出所有待选点中角度与P点角度最接近的点作为新 的P点，继续执行步骤5.2直至边缘跟踪补偿结束；

情况二、如果在8领域找不到没有标记的边缘点，则判断与边缘走向垂 直的方向是否有局部峰值，如果有，设为新的P点，继续执行步骤5.2直至 边缘跟踪补偿结束。

步骤6中计算舞动前后间隔棒的扭转方向角θ，具体为：

间隔棒舞动前后，有其中一条边m是重合的，与m边相邻的其中一条 边n的长度为a，边m与边n的交点为A(r₁,c₁)，B(r₂,c₂)是边n的另一个端点， 间隔棒舞动后，以A(r₁,c₁)为不动点边n倾斜为边n＇,边n＇的另一端点为 C(r₃,c₃)，点B(r₂,c₂)与点C(r₃,c₃)之间的距离为b，边n与边n＇的夹角即为舞 动前后间隔棒的扭转方向角θ，

则，

$a=\sqrt{{(r_2-r_1)}^2+{(c_2-c_1)}^2}---\left(1\right)$

$b=\sqrt{{(r_3-r_2)}^2+{(c_3-c_2)}^2}---\left(2\right)$

$\sin \alpha =\frac{\frac{1}{2}b}{a}$即$\alpha =\arcsin \frac{b}{2a}---\left(3\right)$

$\theta =2\alpha =2\arcsin \frac{b}{2a}=2\arcsin \frac{\sqrt{{(r_3-r_2)}^2+{(c_3-c_2)}^2}}{2\sqrt{{(r_2-r_1)}^2+{(c_2-c_1)}^2}}---\left(4\right).$

本发明的有益效果是：

①本发明一种基于间隔棒识别的导线舞动的监测方法，不需要建立复杂 的数学模型，只需通过图像处理以及简单的计算就能精确的得到输电线舞动 扭转角大小判定输电线的舞动情况，过程简便且结果精确；

②本发明一种基于间隔棒识别的导线舞动的监测方法，所用到的设备较 少，结构简单，成本低廉，可充分利用电网现有的视频监控系统，通过图像 处理技术以及无线传输技术，实现监控中心对远程实时数据处理并对电力网 络的舞动状况进行全局的监控；

③本发明一种基于间隔棒识别的导线舞动的监测方法，可以实现在远程 的监控中心通过程序来集中处理图像以及进行相关的计算，以获得整个电网 内舞动扭转角的全局数据，因此有利于实现自动化的安全监控与预警。

附图说明

图1是本发明基于间隔棒识别的导线舞动的监测方法的流程图；

图2是本发明基于间隔棒识别的导线舞动的监测方法中间隔棒图像；

图3是本发明基于间隔棒识别的导线舞动的监测方法中灰度平面图；

图4是本发明基于间隔棒识别的导线舞动的监测方法中间隔棒舞动前、 后轮廓图及匹配图；

图5是本发明基于间隔棒识别的导线舞动的监测方法中间隔棒舞动前后 构造的三角形。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明以四分裂导线为例。

本发明一种基于间隔棒识别的导线舞动的监测方法，具体按照以下步骤 实施，流程图如图1所示：

步骤1、通过安装在输电铁塔上的云台摄像机采集输电线路视频图像信 号，然后通过3G传输通道以视频流的方式实时在线传送回监控中心，现场 图像如图2所示；

步骤2、在监控中心，实时的截取步骤1中从视频流中传输过来的数字 图像，得到目标图像；

步骤3、对步骤2中得到的目标图像进行预处理获得高质图像；

对目标图像进行预处理包括：首先对获取的四分裂导线图像进行灰度化 处理，排除复杂环境下不同颜色对后续处理过程的影响，可减少后续计算量； 然后平滑去噪增强图像：由于图像在拍摄提取及传输过程中会带入噪声，基 于图像特征，采用中值滤波法，选取窗口大小为8的模板以z字形在图像中 平移滤波去噪，增强图像质量。

步骤4、对步骤3中获得的高质图像采用最大熵阈值分割进行ROI提取， 具体为：

1)高质图像中含有M×N个像素，其中n_ij为图像中点灰度为i及其区域 灰度均值为j的像素点数，p_ij为点灰度与区域灰度均值对(i,j)发生的概率， 则

$p_{\mathrm{ij}}=\frac{n_{\mathrm{ij}}}{M\times N}\{i,j=\mathrm{0,2},...,L-1\}---\left(1\right)$

2)灰度平面图如附图3所示，其中A区和B区分别代表目标和背景(或 相反)，远离对角线的C区和D区代表边缘和噪声，所以应在A区和B区中 通过二维最大熵法确定最佳阈值，使其真正代表目标和边缘的信息量最大；

3)设A区域和B区域各自具有不同的概率分布，阈值设在(s,t)处， 定义离散二维熵为：

$H=-\underset{i=0}{\overset{L-1}{\Sigma }}\underset{j=0}{\overset{L-1}{\Sigma }}{p}_{\mathrm{ij}}\ln p_{\mathrm{ij}}---\left(2\right)$

A区和B区的二维熵分别为：

$H\left(A\right)=-\underset{i=0}{\overset{s}{\Sigma }}\underset{j=0}{\overset{t}{\Sigma }}\left(\frac{p_{\mathrm{ij}}}{p_A}\right)\ln =\left(\frac{p_{\mathrm{ij}}}{p_A}\right)\ln P_A+\frac{H_A}{P_A}---\left(3\right)$

$H\left(B\right)=-\underset{i=s+1}{\overset{L-1}{\Sigma }}\underset{j=t+1}{\overset{L-1}{\Sigma }}\left(\frac{p_{\mathrm{ij}}}{p_B}\right)\ln \left(\frac{p_{\mathrm{ij}}}{p_B}\right)=\ln P_B+\frac{H_B}{P_B}---\left(4\right)$

定义熵的判别函数为：

$\psi (s,t)=H\left(A\right)+H\left(B\right)=\mathrm{in}\left[P_A(1-P_A)\right]+\frac{H_A}{P_A}+\frac{H_L-H_A}{1-P_A}---\left(5\right)$

选取的最佳熵值向量满足ψ(s^*,t^*)＝max{ψ(s,t)}

得到目标间隔棒图像所在区域即ROI区域；

步骤5、对步骤4中分割出来的ROI区域采用小波边缘检测方法将频率 较高的边缘轮廓提取出来，得到图像的关键信息，为后面操作提供更加准确 的信息；

由于边缘的某些模值小于阈值，导致其在边缘提取中丢失，这就需要采 用边缘轮廓跟踪和补偿算法进行跟踪，可将这些丢失的弱边缘跟踪检测出 来，弥合边缘间隙，提高舞动前后四分裂导线间隔棒扭转角计算准确度，轮 廓跟踪与补偿具体为：

步骤5.1、搜索提取到的目标间隔棒图像的边界轮廓中的所有边缘点， 将搜索得到的第一点P作为跟踪的起点，并记下P点的空间位置；

步骤5.2、对目标间隔棒图像的边界轮廓以顺时针为跟踪路线方向，对P 点的8领域进行搜索，

情况一、如果在8领域找到没有标记的边缘点，则找出的所有没有标记 的边缘点作为待选点；找出所有待选点中角度与P点角度最接近的点作为新 的P点，继续执行步骤5.2直至边缘跟踪补偿结束；

情况二、如果在8领域找不到没有标记的边缘点，则判断与边缘走向垂 直的方向是否有局部峰值，如果有，设为新的P点，继续执行步骤5.2直至 边缘跟踪补偿结束；

步骤6、将舞动前间隔棒模板图与当前间隔棒模板图进行匹配，得出差 值图形，计算舞动前后间隔棒的扭转方向角θ，如果扭转方向角θ大于安全 阈值(阈值为5°)，则报警，同时转到步骤3继续对异常舞动情况进行监测 预警；如果扭转方向角θ不大于安全阈值，则转到步骤3。

计算舞动前后间隔棒的扭转方向角θ，具体为：

间隔棒舞动前，间隔棒轮廓如图4(a)所示，间隔棒舞动后，间隔棒轮 廓如图4(b)所示，如图4(c)所示为间隔棒舞动前后间隔棒模板的匹配 图，由图4(c)可以看出：

间隔棒舞动前后，有其中一条边m是重合的，与m边相邻的其中一条 边n的长度为a，边m与边n的交点为A(r₁,c₁)，B(r₂,c₂)是边n的另一个端点， 间隔棒舞动后，以A(r₁,c₁)为不动点边n倾斜为边n＇,边n＇的另一端点为 C(r₃,c₃)，点B(r₂,c₂)与点C(r₃,c₃)之间的距离为b，边n与边n＇的夹角即为舞 动前后间隔棒的扭转方向角θ，点A(r₁,c₁)、点B(r₂,c₂)、点C(r₃,c₃)构造的三角 形为等腰三角形，如图5所示，

则，

$a=\sqrt{{(r_2-r_1)}^2+{(c_2-c_1)}^2}---\left(1\right)$

$b=\sqrt{{(r_3-r_2)}^2+{(c_3-c_2)}^2}---\left(2\right)$

$\sin \alpha =\frac{\frac{1}{2}b}{a}$即$\alpha =\arcsin \frac{b}{2a}---\left(3\right)$

$\theta =2\alpha =2\arcsin \frac{b}{2a}=2\arcsin \frac{\sqrt{{(r_3-r_2)}^2+{(c_3-c_2)}^2}}{2\sqrt{{(r_2-r_1)}^2+{(c_2-c_1)}^2}}---\left(4\right).$