绝缘子覆冰类型辨识方法、装置、存储介质及设备与流程

1.本发明涉及输配电技术领域，尤其涉及一种绝缘子覆冰类型辨识方法、装置、存储介质及设备。


背景技术：

2.极端冰雪天气会引起运行于大气环境下的输电线路绝缘子产生覆冰现象。这种覆冰现象会降低绝缘子的机械性能与电气性能，严重时更会引发线路闪络跳闸、绝缘子掉串、导线断裂乃至杆塔倒塌，威胁电网的安全稳定，造成经济损失乃至人员伤亡。
3.然而，不同的覆冰类型给不同材质的绝缘子带来的风险存在差异，对应的除冰方法也不同，传统的图像处理方法无法同时辨识绝缘子的材质及绝缘子上的覆冰类型。


技术实现要素：

4.本发明的目的是提供一种绝缘子覆冰类型辨识方法、装置、存储介质及设备，以解决现有技术中无法同时辨识绝缘子的材质及绝缘子上的覆冰类型。本发明基于自然场景下架空线路的覆冰监测图像，获取绝缘子覆冰图像的知识库，能够辨识绝缘子的材质及绝缘子上的覆冰类型，从而更接近于冰雪天气下输电线路覆冰绝缘子的实际运行维护需要，为输电线路的智能抗冰提供技术支撑。
5.本发明实施例提供了一种绝缘子覆冰类型辨识方法，包括：
6.获取覆冰监测装置采集到的覆冰图像；
7.对所述覆冰图像进行预处理，获得多张目标图像，对多张所述目标图像进行切分采样处理，获得若干个样本图像块；
8.根据预设的绝缘子材质类型和预设的绝缘子覆冰类型，对若干个所述样本图像块进行分组，得到多个图像模板组；
9.根据所述图像模板组中每个样本图像块的颜色特征构建颜色知识库，根据所述图像模板组中每个样本图像块的纹理特征构建纹理知识库，并根据所述图像模板组中每个样本图像块的梯度特征构建梯度知识库；
10.获取待辨识覆冰图像，并从所述待辨识覆冰图像中提取出包含绝缘子覆冰区域的待辨识绝缘子覆冰图像块，并从所述待辨识绝缘子覆冰图像块中提取所述待辨识绝缘子覆冰图像块的待辨识颜色特征、待辨识纹理特征和待辨识梯度特征；
11.将所述待辨识颜色特征、所述待辨识纹理特征、所述待辨识梯度特征分别在所述颜色知识库、所述纹理知识库、所述梯度知识库中进行特征匹配，得到颜色关联度、纹理关联度、梯度关联度；
12.根据所述颜色关联度、所述纹理关联度和所述梯度关联度，计算得到所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度；
13.基于所述平均关联度对所述待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型进行判断。
14.进一步地，所述根据所述图像模板组中每个样本图像块的颜色特征构建颜色知识库，包括：
15.获取所述图像模板组中每个样本图像块的r、g、b三个颜色通道的强度和频数；
16.根据所述强度和频数，生成所述r、g、b三个颜色通道的多个颜色分量直方图；
17.按r、g、b顺序串联多个所述颜色分量直方图，得到所述图像模板组中每个样本图像块的全局颜色直方图；其中，所述全局颜色直方图为所述颜色特征；
18.通过对所述全局颜色直方图进行归一化处理，构建颜色知识库。
19.进一步地，所述根据所述图像模板组中每个样本图像块的纹理特征构建纹理知识库，包括：
20.将所述图像模板组中每个样本图像块转为8位灰度图像块；
21.通过遍历所述灰度图像块，对所述灰度图像块进行局部二值模式计算，以获取多个lbp值和生成lbp纹理图；
22.通过遍历所述lbp纹理图的像素点，对所述lbp纹理图进行改进的局部二值模式计算，生成第一纹理图；
23.将所述第一纹理图均分为n2个纹理图像块，顺时针遍历读取所述纹理图像块中模式编号的频数，生成多个纹理直方图；其中，n≥1，n为整数；
24.级联多个所述纹理直方图，得到所述图像模板组中每个样本图像块的全局纹理直方图；其中，所述全局纹理直方图为所述纹理特征；
25.通过对所述全局纹理直方图进行归一化处理，构建纹理知识库。
26.进一步地，所述通过遍历所述lbp纹理图的像素点，对所述lbp纹理图进行改进的局部二值模式计算，生成第一纹理图，包括：
27.将所述灰度图像块对应的模式编号转为多个8位二进制数，分别统计每个所述二进制数中相邻位从0到1或从1到0的跳变数，得到每个所述二进制数的总跳变数，将总跳变数小于等于预设阈值的所述二进制数依次计入均衡模式表；
28.开始遍历所述lbp纹理图的像素点，当所述lbp值为所述均衡模式表内的二进制数，且所述lbp值不是0或255的二进制数时，读取所述lbp值对应的所述均衡模式表内的二进制数的模式编号，并将所述模式编号替代所述lbp值写入所述lbp纹理图的像素点；其余的所述lbp值置0，生成第一纹理图。
29.进一步地，所述根据所述图像模板组中每个样本图像块的梯度特征构建梯度知识库，包括：
30.对所述图像模板组中每个样本图像块进行伽马变换，得到伽马图像块；
31.采用sobel算子计算所述伽马图像块在x、y方向上的梯度，并计算所述伽马图像块中每个像素点的合梯度；
32.根据所述合梯度，将所述伽马图像块转换为梯度图，用滑窗遍历所述梯度图，生成多个梯度直方图；
33.顺时针依次级联多个所述梯度直方图，得到所述图像模板组中每个样本图像块的全局梯度直方图；其中，所述全局梯度直方图为所述梯度特征；
34.通过对所述全局梯度直方图进行归一化处理，构建梯度知识库。
35.相应地，本发明实施例还提供了一种绝缘子覆冰类型辨识装置，包括：
36.获取覆冰图像模块，用于获取覆冰监测装置采集到的覆冰图像；
37.获取样本图像块模块，用于对所述覆冰图像进行预处理，获得多张目标图像，对多张所述目标图像进行切分采样处理，获得若干个样本图像块；
38.获取图像模板组模块，用于根据预设的绝缘子材质类型和预设的绝缘子覆冰类型，对若干个所述样本图像块进行分组，得到多个图像模板组；
39.构建知识库模块，用于根据所述图像模板组中每个样本图像块的颜色特征构建颜色知识库，根据所述图像模板组中每个样本图像块的纹理特征构建纹理知识库，并根据所述图像模板组中每个样本图像块的梯度特征构建梯度知识库；
40.提取待辨识特征模块，用于获取待辨识覆冰图像，并从所述待辨识覆冰图像中提取出包含绝缘子覆冰区域的待辨识绝缘子覆冰图像块，并从所述待辨识绝缘子覆冰图像块中提取所述待辨识绝缘子覆冰图像块的待辨识颜色特征、待辨识纹理特征和待辨识梯度特征；
41.特征匹配模块，用于将所述待辨识颜色特征、所述待辨识纹理特征、所述待辨识梯度特征分别在所述颜色知识库、所述纹理知识库、所述梯度知识库中进行特征匹配，得到颜色关联度、纹理关联度、梯度关联度；
42.计算平均关联度模块，用于根据所述颜色关联度、所述纹理关联度和所述梯度关联度，计算得到所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度；
43.判断模块，用于基于所述平均关联度对所述待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型进行判断。
44.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的绝缘子覆冰类型辨识方法。
45.本发明实施例还提供了一种绝缘子覆冰类型辨识设备，包括处理器、存储器及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行在执行所述计算机程序时实现如上述任一项所述的绝缘子覆冰类型辨识方法。
46.与现有技术相比，本发明实施例所提供的一种绝缘子覆冰类型辨识方法、装置、存储介质及设备，通过获取覆冰图像的图像模板组，接着根据所述图像模板组中每个样本图像块的颜色特征、纹理特征和梯度特征分别构建颜色知识库、纹理知识库和梯度知识库，再接着从待辨识覆冰图像中获取待辨识绝缘子覆冰图像块，并提取待辨识绝缘子覆冰图像块的待辨识颜色特征、待辨识纹理特征和待辨识梯度特征，然后将所述待辨识颜色特征、所述待辨识纹理特征、所述待辨识梯度特征分别在所述颜色知识库、所述纹理知识库、所述梯度知识库中进行特征匹配，得到颜色关联度、纹理关联度、梯度关联度，还计算所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度，最后基于所述平均关联度，对所述待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型进行判断。由此可见，本发明实施例通过构建覆冰数据中图像模板组的颜色知识库、纹理知识库和梯度知识库，将待辨识绝缘子覆冰图像块的待辨识颜色特征、待辨识纹理特征和待辨识梯度特征分别在所述颜色知识库、所述纹理知识库、所述梯度知识库中进行特征匹配，得到所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度，根据所述平均关联度，对所述待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型进行判断，能够辨识绝缘子的材质及绝
缘子上的覆冰类型，为输电线路的智能抗冰提供技术支撑，有利于提高绝缘子覆冰处置效率。
附图说明
47.图1是本发明实施例提供的一种绝缘子覆冰类型辨识方法流程示意图；
48.图2是本发明实施例提供的一种绝缘子覆冰类型辨识装置结构示意图；
49.图3是本发明实施例提供的一种绝缘子覆冰类型辨识设备结构示意图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.参见图1，是本发明实施例提供的一种绝缘子覆冰类型辨识方法流程示意图，所述方法，包括步骤s11
‑
s18：
52.步骤s11、获取覆冰监测装置采集到的覆冰图像；
53.步骤s12、对所述覆冰图像进行预处理，获得多张目标图像，对多张所述目标图像进行切分采样处理，获得若干个样本图像块；
54.在一具体实施例中，从所述覆冰图像中，剔除镜头存在严重污秽、凝冻、起雾的图像，筛选出多张成像清晰、绝缘子目标明显的目标图像；将该完整的目标图像切分为尺寸相等的图像块，从中挑选出包含绝缘子覆冰区域的图像块，并按比例采样得到若干个样本图像块。
55.步骤s13、根据预设的绝缘子材质类型和预设的绝缘子覆冰类型，对若干个所述样本图像块进行分组，得到多个图像模板组；
56.在一具体实施例中，所述预设的绝缘子材质类型包括：复合、瓷和玻璃；所述预设的绝缘子覆冰类型包括：雨凇、雾凇、混合凇、湿雪和无覆冰；则对若干个所述样本图像块进行分组，得到复合
‑
雨凇、复合
‑
雾凇、复合
‑
混合凇、复合
‑
湿雪、复合
‑
无覆冰、瓷
‑
雨凇、瓷
‑
雾凇、瓷
‑
混合凇、瓷
‑
湿雪、瓷
‑
无覆冰、玻璃
‑
雨凇、玻璃
‑
雾凇、玻璃
‑
混合凇、玻璃
‑
湿雪和玻璃
‑
无覆冰，共15个图像模板组。在本发明实施例中，根据绝缘子材质类型和绝缘子覆冰类型进行分组，获得不同绝缘子类型、不同覆冰类型下的图像模板组，能够解决复杂环境条件下架空线路绝缘子覆冰辨识问题。
57.步骤s14、根据所述图像模板组中每个样本图像块的颜色特征构建颜色知识库，根据所述图像模板组中每个样本图像块的纹理特征构建纹理知识库，并根据所述图像模板组中每个样本图像块的梯度特征构建梯度知识库；
58.步骤s15、获取待辨识覆冰图像，并从所述待辨识覆冰图像中提取出包含绝缘子覆冰区域的待辨识绝缘子覆冰图像块，并从所述待辨识绝缘子覆冰图像块中提取所述待辨识绝缘子覆冰图像块的待辨识颜色特征、待辨识纹理特征和待辨识梯度特征；
59.在一具体实施例中，从覆冰监测装置中获取当前监测到的待辨识覆冰图像，并将所述待辨识覆冰图像切分为尺寸相等的图像块，从中挑选出包含绝缘子覆冰区域的待辨识
绝缘子覆冰图像块。
60.步骤s16、将所述待辨识颜色特征、所述待辨识纹理特征、所述待辨识梯度特征分别在所述颜色知识库、所述纹理知识库、所述梯度知识库中进行特征匹配，得到颜色关联度、纹理关联度、梯度关联度；
61.步骤s17、根据所述颜色关联度、所述纹理关联度和所述梯度关联度，计算得到所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度；
62.步骤s18、基于所述平均关联度对所述待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型进行判断。
63.作为上述方案的改进，所述根据所述图像模板组中每个样本图像块的颜色特征构建颜色知识库，包括：
64.获取所述图像模板组中每个样本图像块的r、g、b三个颜色通道的强度和频数；
65.根据所述强度和频数，生成所述r、g、b三个颜色通道的多个颜色分量直方图；
66.按r、g、b顺序串联多个所述颜色分量直方图，得到所述图像模板组中每个样本图像块的全局颜色直方图；其中，所述全局颜色直方图为所述颜色特征；
67.通过对所述全局颜色直方图进行归一化处理，构建颜色知识库。
68.可以理解的，r、g、b三个颜色通道指r(红色)、g(蓝色)、b(绿色)三个颜色通道。
69.作为上述方案的改进，所述根据所述图像模板组中每个样本图像块的纹理特征构建纹理知识库，包括：
70.将所述图像模板组中每个样本图像块转为8位灰度图像块；
71.需要说明的，将所述图像模板组中每个样本图像块转为8位灰度图像块，则灰度图像块中各像素值y＝0.299r+0.587g+0.114b。
72.通过遍历所述灰度图像块，对所述灰度图像块进行局部二值模式计算，以获取多个lbp值和生成lbp纹理图；
73.具体地，以3
×
3邻域像素块的中心点像素值为参照，当非中心点的像素值大于中心点的像素值时，计为1，当非中心点的像素值小于等于中心点的像素值时，计为0；从该邻域像素块的左上角至该邻域像素块的右下角顺时针读出8位二进制数；以该8位二进制数为以3
×
3邻域像素块的lbp(local binary patterns，局部二值模式)值，将所述lbp值转为十进制数，替代该邻域像素块的中心点像素值写入中心点；当以3
×
3邻域像素块遍历完所述灰度图像块后，生成长、宽均比所述灰度图像块少2个像素的lbp纹理图。
74.通过遍历所述lbp纹理图的像素点，对所述lbp纹理图进行改进的局部二值模式计算，生成第一纹理图；
75.将所述第一纹理图均分为n2个纹理图像块，顺时针遍历读取所述纹理图像块中模式编号的频数，生成多个纹理直方图；其中，n≥1，n为整数；
76.级联多个所述纹理直方图，得到所述图像模板组中每个样本图像块的全局纹理直方图；其中，所述全局纹理直方图为所述纹理特征；
77.通过对所述全局纹理直方图进行归一化处理，构建纹理知识库。
78.作为上述方案的改进，所述通过遍历所述lbp纹理图的像素点，对所述lbp纹理图进行改进的局部二值模式计算，生成第一纹理图，包括：
79.将所述灰度图像块对应的模式编号转为多个8位二进制数，分别统计每个所述二
进制数中相邻位从0到1或从1到0的跳变数，得到每个所述二进制数的总跳变数，将总跳变数小于等于预设阈值的所述二进制数依次计入均衡模式表；
80.具体地，将所述灰度图像块对应的256个模式编号即0～255，转为8位二进制数，分别统计每个所述二进制数中相邻位从0到1或从1到0的跳变数，得到每个所述二进制数的总跳变数，将总跳变数≤2的所述二进制数依次计入均衡模式表，共58个；将总跳变数＞2的所述二进制数依次计入混合模式表。
81.开始遍历所述lbp纹理图的像素点，当所述lbp值为所述均衡模式表内的二进制数，且所述lbp值不是0或255的二进制数时，读取所述lbp值对应的所述均衡模式表内的二进制数的模式编号，并将所述模式编号替代所述lbp值写入所述lbp纹理图的像素点；其余的所述lbp值置0，生成第一纹理图。
82.需要说明的是，通过遍历所述lbp纹理图的像素点，对所述lbp纹理图进行改进的局部二值模式(improved uniform local binary patterns，iulbp)计算，生成第一纹理图；iulbp共有56种模式。
83.进一步地，所述根据所述图像模板组中每个样本图像块的梯度特征构建梯度知识库，包括：
84.对所述图像模板组中每个样本图像块进行伽马变换，得到伽马图像块；
85.采用sobel算子计算所述伽马图像块在x、y方向上的梯度，并计算所述伽马图像块中每个像素点的合梯度；
86.具体的，采用sobel算子计算所述伽马图像块在x、y方向上的梯度g
x
、g
y
，计算方法为：
[0087][0088]
其中，g
x
为伽马图像块的垂直边缘特征，g
y
为伽马图像块的水平边缘特征；根据g
x
、g
y
，计算每个像素点表征轮廓信息的合梯度(g，θ)，计算方法为：
[0089][0090]
其中，g为梯度幅值，θ为方向角，θ∈[0，180
°
]。
[0091]
根据所述合梯度，将所述伽马图像块转换为梯度图，用滑窗遍历所述梯度图，生成多个梯度直方图；
[0092]
具体地，根据每个像素点的合梯度(g，θ)，将伽马图像块转换为1张包含每个像素点梯度幅值和方向角的梯度图。将伽马图像块的梯度图分成若干个大小为a像素
×
a像素的图像单元，以大小为2a像素
×
2a像素的滑窗顺时针遍历伽马图像块的梯度图，步幅取a像素，降维提取各图像单元内像素的梯度频数，每步依据滑窗内的像素点梯度幅值和方向角，累加生成包含9个[0,180
°
]的维度，即0，20
°
，40
°
，60
°
，80
°
，100
°
，120
°
，140
°
，160
°
。即判断当前像素点方向角θ所属角度值区间[u,v]，(u,v＝0，20
°
，40
°
，60
°
，80
°
，100
°
，120
°
，140
°
，160
°
)，则维度u处累加值为维度v处累加值为可以理解的是，
本发明实施例通过遍历滑窗内各像素点，累加梯度直方图各维度的值。每次滑动形成1个包含9个维度的梯度直方图。
[0093]
顺时针依次级联多个所述梯度直方图，得到所述图像模板组中每个样本图像块的全局梯度直方图；其中，所述全局梯度直方图为所述梯度特征；
[0094]
具体地，顺时针依次级联每步滑动生成的各包含9个维度梯度直方图，得到所述图像模板组中每个样本图像块的全局梯度直方图；需要说明的是，对宽度为w，高度为h的伽马图像，全局梯度直方图维度为：(w/a
‑
1)
×
(h/a
‑
1)
×
(2
×
2)
×
9。
[0095]
通过对所述全局梯度直方图进行归一化处理，构建梯度知识库。
[0096]
在本发明实施例中，通过对所述图像模板组中每个图像块进行伽马变换，得到伽马图像块，能够减少光照对图像的影响。
[0097]
在一具体实施中，采用上述实施例相同的方法，从所述待辨识绝缘子覆冰图像块中提取所述待辨识绝缘子覆冰图像块的待辨识颜色全局直方图作为其待辨识颜色特征、待辨识纹理全局直方图作为其待辨识纹理特征和待辨识梯度全局直方图作为其待辨识梯度特征；
[0098]
将待辨识颜色全局直方图与所述颜色知识库中每个图像模板组的全局颜色直方图做关联匹配计算，得到待辨识绝缘子覆冰图像块与每个图像模板组的颜色关联度{a1,a2,
……
,a
i
}；其中，i为所述图像模板组的个数，i≥1，i为整数；
[0099]
颜色直方图关联匹配计算方法为：
[0100][0101]
其中，h1为全局颜色直方图，h2为待辨识颜色全局直方图。和分别表示h1和h2的几何平均；i表示两个直方图中的匹配元素横坐标，σ
i
表示遍历直方图中的所有匹配元素横坐标。cor(h1，h2)表示待辨识颜色全局直方图与全局颜色直方图的颜色关联度。
[0102]
将待辨识纹理全局直方图与所述纹理知识库中每个图像模板组的全局纹理直方图做关联匹配计算，得到待辨识绝缘子覆冰图像块与每个图像模板组的纹理关联度{b1,b2,
……
,b
i
}；其中，i为所述图像模板组的个数，i≥1，i为整数；
[0103]
纹理直方图关联匹配计算方法为：
[0104][0105]
其中，h3为全局纹理直方图，h4为待辨识纹理全局直方图。和分别表示h3和h4的几何平均；i表示两个直方图中的匹配元素横坐标，σ
i
表示遍历直方图中的所有匹配元素横坐标。cor(h3，h4)表示待辨识纹理全局直方图与全局纹理直方图的纹理关联度。
[0106]
将待辨识梯度全局直方图与所述梯度知识库中每个图像模板组的全局梯度直方图做关联匹配计算，得到待辨识绝缘子覆冰图像块与每个图像模板组的梯度关联度{c1,c2,
……
,c
i
}；其中，i为所述图像模板组的个数，i≥1，i为整数；
[0107]
梯度直方图关联匹配计算方法为：
[0108][0109]
其中，h5为全局梯度直方图，h6为待辨识梯度全局直方图。和分别表示h5和h4的几何平均；i表示两个直方图中的匹配元素横坐标，σ
i
表示遍历直方图中的所有匹配元素横坐标。cor(h5，h6)表示待辨识梯度全局直方图与全局梯度直方图的梯度关联度。
[0110]
根据所述颜色关联度、所述纹理关联度和所述梯度关联度，计算得到所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度(a
i
+b
i
+ci)/3，其中，i为所述图像模板组的个数，i≥1，i为整数；
[0111]
从所述平均关联度中，获取最大的平均关联度，则最大平均关联度所在的图像模板组的绝缘子材质类型和绝缘子覆冰类型即为待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型。
[0112]
参见图2，是本发明实施例提供的一种绝缘子覆冰类型辨识装置结构示意图，所述装置，包括：
[0113]
获取覆冰图像模块21，用于获取覆冰监测装置采集到的覆冰图像；
[0114]
获取样本图像块模块22，用于对所述覆冰图像进行预处理，获得多张目标图像，对多张所述目标图像进行切分采样处理，获得若干个样本图像块；
[0115]
获取图像模板组模块23，用于根据预设的绝缘子材质类型和预设的绝缘子覆冰类型，对若干个所述样本图像块进行分组，得到多个图像模板组；
[0116]
构建知识库模块24，用于根据所述图像模板组中每个样本图像块的颜色特征构建颜色知识库，根据所述图像模板组中每个样本图像块的纹理特征构建纹理知识库，并根据所述图像模板组中每个样本图像块的梯度特征构建梯度知识库；
[0117]
提取待辨识特征模块25，用于获取待辨识覆冰图像，并从所述待辨识覆冰图像中提取出包含绝缘子覆冰区域的待辨识绝缘子覆冰图像块，并从所述待辨识绝缘子覆冰图像块中提取所述待辨识绝缘子覆冰图像块的待辨识颜色特征、待辨识纹理特征和待辨识梯度特征；
[0118]
特征匹配模块26，用于将所述待辨识颜色特征、所述待辨识纹理特征、所述待辨识梯度特征分别在所述颜色知识库、所述纹理知识库、所述梯度知识库中进行特征匹配，得到颜色关联度、纹理关联度、梯度关联度；
[0119]
计算平均关联度模块27，用于根据所述颜色关联度、所述纹理关联度和所述梯度关联度，计算得到所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度；
[0120]
判断模块28，用于基于所述平均关联度对所述待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型进行判断。
[0121]
优选地，所述构建知识库模块包括：
[0122]
构建颜色知识库单元，用于获取所述图像模板组中每个样本图像块的r、g、b三个颜色通道的强度和频数；根据所述强度和频数，生成所述r、g、b三个颜色通道的多个颜色分量直方图；按r、g、b顺序串联多个所述颜色分量直方图，得到所述图像模板组中每个样本图
像块的全局颜色直方图；其中，所述全局颜色直方图为所述颜色特征；通过对所述全局颜色直方图进行归一化处理，构建颜色知识库。
[0123]
构建纹理知识库单元，用于将所述图像模板组中每个样本图像块转为8位灰度图像块；通过遍历所述灰度图像块，对所述灰度图像块进行局部二值模式计算，以获取多个lbp值和生成lbp纹理图；通过遍历所述lbp纹理图的像素点，对所述lbp纹理图进行改进的局部二值模式计算，生成第一纹理图；将所述第一纹理图均分为n2个纹理图像块，顺时针遍历读取所述纹理图像块中模式编号的频数，生成多个纹理直方图；其中，n≥1，n为整数；级联多个所述纹理直方图，得到所述图像模板组中每个样本图像块的全局纹理直方图；其中，所述全局纹理直方图为所述纹理特征；通过对所述全局纹理直方图进行归一化处理，构建纹理知识库。
[0124]
构建梯度知识库单元，用于对所述图像模板组中每个样本图像块进行伽马变换，得到伽马图像块；采用sobel算子计算所述伽马图像块在x、y方向上的梯度，并计算所述伽马图像块中每个像素点的合梯度；根据所述合梯度，将所述伽马图像块转换为梯度图，用滑窗遍历所述梯度图，生成多个梯度直方图；顺时针依次级联多个所述梯度直方图，得到所述图像模板组中每个样本图像块的全局梯度直方图；其中，所述全局梯度直方图为所述梯度特征；
[0125]
通过对所述全局梯度直方图进行归一化处理，构建梯度知识库。
[0126]
优选地，所述构建纹理知识库单元还用于：
[0127]
将所述灰度图像块对应的模式编号转为多个8位二进制数，分别统计每个所述二进制数中相邻位从0到1或从1到0的跳变数，得到每个所述二进制数的总跳变数，将总跳变数小于等于预设阈值的所述二进制数依次计入均衡模式表；
[0128]
开始遍历所述lbp纹理图的像素点，当所述lbp值为所述均衡模式表内的二进制数，且所述lbp值不是0或255的二进制数时，读取所述lbp值对应的所述均衡模式表内的二进制数的模式编号，并将所述模式编号替代所述lbp值写入所述lbp纹理图的像素点；其余的所述lbp值置0，生成第一纹理图。
[0129]
需要说明的是，本发明实施例所提供的一种绝缘子覆冰类型辨识装置，能够实现上述任一实施例所述的绝缘子覆冰类型辨识方法的所有流程，装置中的各个单元、子单元的作用以及实现的技术效果分别与上述实施例所述的绝缘子覆冰类型辨识方法的作用以及实现的技术效果对应相同，这里不再赘述。
[0130]
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的绝缘子覆冰类型辨识方法。
[0131]
参见图3，是本发明提供的一种绝缘子覆冰类型辨识设备的结构示意图；
[0132]
所述绝缘子覆冰类型辨识设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的绝缘子覆冰类型辨识方法。
[0133]
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、
······
)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的
一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述绝缘子覆冰类型辨识设备中的执行过程。
[0134]
所述处理器10可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述绝缘子覆冰类型辨识设备的控制中心，利用各种接口和线路连接所述绝缘子覆冰类型辨识设备的各个部分。
[0135]
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡和闪存卡(flash card)等，或所述存储器20也可以是其他易失性固态存储器件。
[0136]
需要说明的是，上述绝缘子覆冰类型辨识设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构示意图仅仅是上述绝缘子覆冰类型辨识设备的示例，并不构成对绝缘子覆冰类型辨识设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
[0137]
本发明实施例提供了一种绝缘子覆冰类型辨识方法、装置、存储介质及设备，通过获取覆冰图像的图像模板组，接着根据所述图像模板组中每个样本图像块的颜色特征、纹理特征和梯度特征分别构建颜色知识库、纹理知识库和梯度知识库，再接着从待辨识覆冰图像中获取待辨识绝缘子覆冰图像块，并提取待辨识绝缘子覆冰图像块的待辨识颜色特征、待辨识纹理特征和待辨识梯度特征，然后将所述待辨识颜色特征、所述待辨识纹理特征、所述待辨识梯度特征分别在所述颜色知识库、所述纹理知识库、所述梯度知识库中进行特征匹配，得到颜色关联度、纹理关联度、梯度关联度，还计算所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度，最后基于所述平均关联度，对所述待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型进行判断。由此可见，本发明实施例通过构建覆冰数据中图像模板组的颜色知识库、纹理知识库和梯度知识库，将待辨识绝缘子覆冰图像块的待辨识颜色特征、待辨识纹理特征和待辨识梯度特征分别在所述颜色知识库、所述纹理知识库、所述梯度知识库中进行特征匹配，得到所述待辨识绝缘子覆冰图像块与每个所述图像模板组的平均关联度，根据所述平均关联度，对所述待辨识绝缘子覆冰图像块的绝缘子材质类型和绝缘子覆冰类型进行判断，能够辨识绝缘子的材质及绝缘子上的覆冰类型，从而更接近于冰雪天气下输电线路覆冰绝缘子的实际运行维护需要，为输电线路的智能抗冰提供技术支撑，有利于提高绝缘子覆冰处置效率。
[0138]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。