基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法

针对相近色干扰、不同光照条件下玻璃绝缘子颜色特征不明显而无法准确识别的问题,提出一种基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法。首先,提出一种联合分量灰度化算法,通过补偿玻璃绝缘子目标区域的颜色特征实现目标增强;然后,在均匀分块的基础上,采用动态分块阈值进行玻璃绝缘子图像粗分割,并结合玻璃绝缘子的颜色和空间信息等多尺度高维特征,提出一种双尺度分类卷积神经网络算法实现玻璃绝缘子图像细分割;最后,将细分割得到的所有子图像进行合并,实现复杂背景下玻璃绝缘子目标的准确识别。实验结果表明,所提算法能对图像中存在相近色干扰、光照变化影响的玻璃绝缘子目标进行精准识别,且其在Dice参数、杰卡德系数2项识别指标上均达到90%以上,平均识别准确率高达92%。

基于融合色差和神经网络的防震锤故障识别

防震锤是输电线路中抑制导线周期性振动及舞动的关键金具,提出了一种基于融合色差和径向基神经网络的防震锤缺损故障识别算法。该算法以无人机航拍输电线路防震锤图像为研究对象。首先,利用可保留原图颜色信息的单通道直方图均衡化增强图像;其次,提出一种基于图像颜色耦合性的融合色差算法,结合形态学处理,对增强结果进行图像分割,获取输电线路前景部分,并通过Hough变换对其中的输电导线进行标记,以确定可能存在防震锤的矩形区域;然后,以基于倒T型模板的归一化互相关系数(NCC)和Zernike矩分别被作为防震锤粗识别和精识别的依据,进行防震锤的定位;最后,以8维Zernike矩特征作为径向基函数(RBF)神经网络的输入,实现输电线路防震锤缺损故障识别。实验结果表明,该方法对防震锤缺损故障的灵敏度较高、鲁棒性良好,识别准确率可达91.67%,为输电线路运维人员提供可靠的参考信息。