基于机器视觉的电力工具检测方法与流程

本发明涉及电力工具检测领域。更具体地，本发明涉及基于机器视觉的电力工具检测方法。

背景技术：

1、架空输电线路导线、地线的连接一般采用的是压接型电力金具-耐张线夹和直线接续管，它们既要承受导线、地线的全部张力，又是导电体，安装后不再拆卸。在材料、工艺、生产、施工、验收等过程中，导线、地线在压接管中未牢固精密贴合或未贯穿到位或钢芯压接不符合要求，都将为线路安全运行埋下重大隐患。

2、将已经应用于人体、安检、航空航天、精密制造等领域的x射线检测技术引入到输电线路专业领域，实现无需将耐张线夹进行破坏性解剖的情况下，实时数字成像、直观透视的检测，填补国内外输电线路耐张线夹和接续管压接质量数字成像透视检测技术的空白。x射线检测法能够比较直观的显示铝管中导线的压接状态，因而易于做出直观的判定，底片可作为检测的原始记录供多方研究并做长期保存。

3、现有公开号为cn118172242a的中国专利申请文件公开了一种无人机水面影像拼接方法、介质及系统，通过对预处理后的所述水面影像图像组中的每个图像进行拼接，得到拼接图像并输出。但是，利用无人机或无人机搭载x射线探伤机进行拍摄过程中会受风力或者操作者的影响，会出现拍摄的图像存在花片、缺失等情况，导致检测结果不准确。

技术实现思路

1、为解决检测结果不准确的问题，本发明提出基于机器视觉的电力工具检测方法。

2、本发明公开基于机器视觉的电力工具检测方法，包括：连续获取多帧输电线的表面灰度图，对表面灰度图进行混合高斯统计获得像素值分布曲线，一张表面灰度图对应一条像素值分布曲线，根据像素值分布曲线计算清晰指数，保留清晰程度大于预设清晰阈值的表面灰度图；将任一保留的表面灰度图作为目标图，将与目标图相邻历史帧的表面灰度图作为参考图，计算目标图与参考图的重叠系数，遍历获得目标图在不同位置与参考图的重叠系数，响应于重叠系数最大，获得目标图与参考图的相对位置，遍历获得任意两帧相邻表面灰度图的相对位置；根据相对位置将表面灰度图拼接获得输电线图，将输电线图输入预设神经网络中，输出缺陷概率值，完成检测。

3、不仅提高了图像质量和拼接精度，还通过结合历史帧信息和清晰度评估，最大限度地减少了图像缺失和误差，从而增强了输电线路巡检过程的可靠性与准确性，提高了缺陷检测的精度和效率。

4、优选的，所述清晰指数满足关系式：对于同一像素值分布曲线，计算任一极大值点在三倍标准差区间内的分布概率，构建分布概率序列；将像素值分布曲线中任一极大值点对应三倍标准差区间内像素点数量作为正常数量，分别获取第一最大值和第二最大值，第一最大值为像素值分布曲线的正常数量的最大值，第二最大值为连续多帧表面灰度图的正常数量的最大值；

5、，表示清晰指数，表示第一最大值，表示第二最大值，表示分布概率序列的标准差，表示双曲正切函数。

6、通过计算不同帧图像中极大值点的分布概率和正常像素数量，进一步确定每一帧图像的清晰度指数。这种方法能够将图像的像素值分布特征与图像的模糊程度直接关联，利用标准差来衡量图像中正常像素分布的波动程度，并通过双曲正切函数调整得出清晰指数。

7、优选的，所述清晰指数还满足关系式：

8、，表示清晰指数，表示像素值分布曲线中第个极大值点对应的灰度值，表示像素值分布曲线中第个极大值点对应的灰度值，表示极大值点的总数，表示双曲正切函数。

9、极大值点代表了图像中不同灰度层次的关键特征，而它们之间的灰度差异反映了图像清晰度的波动。

10、优选的，所述重叠系数包括：将目标图和参考图重叠部分的像素点作为重叠像素点；重叠系数满足关系式：

11、，表示重叠系数，表示重叠像素点数量，表示目标图中像素点总数，表示重叠像素点在参考图中的灰度值，表示重叠像素点在目标图中的灰度值。

12、识别出目标图与参考图中重叠的像素区域，并通过比较这些重叠像素点的灰度值差异来量化两图之间的匹配程度，这种匹配度的评估能深入分析两图之间在成像质量、视角一致性、空间对齐等方面的差异，从而实现更加精确的图像对齐。

13、优选的，所述神经网络为卷积神经网络，卷积神经网络对输电线图进行特征提取获得图像特征，对图像特征进行分类获得缺陷概率值。

14、优选的，所述预设神经网络的训练过程包括：将历史中的输电线图作为输入信息，并将输电线图的缺陷概率值真实值作为标签，得到一组训练数据，将训练数据输入预设神经网络，得到输出结果；通过输出结果和标签计算预设神经网络的损失值，损失函数使用交叉熵损失函数，根据损失值反向传播误差信号，更新预设神经网络的网络参数，使损失值变小；迭代地更新预设神经网络的网络参数，当预设神经网络达到设定的最大训练次数或损失值小于设定损失值时，停止更新，得到训练好的预设神经网络。

15、优选的，还包括：将目标图和参考图重叠部分的像素点作为重叠像素点；计算重叠像素点与目标图中像素点总数的比值，遍历获得预设采样时段内每张表面灰度图的比值，计算所有比值的均值，将1与均值的差值作为更新比例，并将更新比例的倒数作为最大允许重拍时间；响应于最大允许重拍时间内的表面灰度图的重叠系数均小于重叠阈值，无人机以相同速度返回最大允许重拍时间起始位置进行重拍。

16、通过分析每张表面灰度图的重叠系数与目标图像像素点总数的比值，能够实时监控图像采集过程中可能出现的偏差，如图像重叠不足或图像模糊。根据这些比值的均值，可以计算出更新比例，并据此推导出最大允许重拍时间，确保在该时间段内无人机能够重新采集足够覆盖目标区域的图像。

17、优选的，所述无人机以相同速度返回最大允许重拍时间起始位置进行重拍还包括：当最大允许重拍时间内出现某一帧对应表面灰度图的重叠系数小于重叠阈值，无人机以相同速度返回重叠系数小于重叠阈值的位置进行重拍。

18、本发明的有益效果：

19、本发明通过连续获取输电线表面灰度图，并结合像素值分布和清晰指数来筛选出质量较高的图像，再通过历史帧之间的重叠系数优化目标图的定位，最终通过卷积神经网络对拼接后的输电线图进行缺陷检测。不仅保证了图像的清晰度和质量，避免了因模糊或不清晰图像导致的误判，而且通过动态的重拍策略，确保了图像的完整性和检测的可靠性。通过自适应的更新机制，无人机可以在重拍时间内自动返回合适位置，进行精确的图像采集，最大程度减少了人为干预，提高了检测效率，并能实时更新训练模型，适应不同电力工具和输电线的检测需求。

技术特征：

1.基于机器视觉的电力工具检测方法，其特征在于，包括：

2.根据权利要求1所述的基于机器视觉的电力工具检测方法，其特征在于，所述清晰指数满足关系式：

3.根据权利要求1所述的基于机器视觉的电力工具检测方法，其特征在于，所述清晰指数还满足关系式：

4.根据权利要求1所述的基于机器视觉的电力工具检测方法，其特征在于，所述重叠系数包括：

5.根据权利要求1所述的基于机器视觉的电力工具检测方法，其特征在于，所述神经网络为卷积神经网络，卷积神经网络对输电线图进行特征提取获得图像特征，对图像特征进行分类获得缺陷概率值。

6.根据权利要求1所述的基于机器视觉的电力工具检测方法，其特征在于，所述预设神经网络的训练过程包括：

7.根据权利要求1所述的基于机器视觉的电力工具检测方法，其特征在于，还包括：

8.根据权利要求7所述的基于机器视觉的电力工具检测方法，其特征在于，所述无人机以相同速度返回最大允许重拍时间起始位置进行重拍还包括：

技术总结
本发明涉及电力工具检测领域，更具体地，本发明涉及基于机器视觉的电力工具检测方法。所述方法包括：连续获取多帧输电线的表面灰度图，对表面灰度图进行混合高斯统计获得像素值分布曲线，根据像素值分布曲线计算清晰指数，保留清晰程度大于预设清晰阈值的表面灰度图；计算目标图与参考图的重叠系数，遍历获得目标图在不同位置与参考图的重叠系数，响应于重叠系数最大，获得目标图与参考图的相对位置，遍历获得任意两帧相邻表面灰度图的相对位置；根据相对位置将表面灰度图拼接获得输电线图，将输电线图输入预设神经网络中，输出缺陷概率值，完成检测。通过本发明的技术方案，能够提高电力工具检测结果的精度和效率。

技术研发人员：周雁楠,蒋标,蒋熙,肖永聚,燕佰蛟
受保护的技术使用者：西安秦能电力检测有限公司
技术研发日：
技术公布日：2025/2/17