《基于机器视觉的高压输电线路覆冰厚度检测》论文笔记
《基于机器视觉的高压输电线路覆冰厚度检测》论文笔记
链接:基于机器视觉的高压输电线路覆冰厚度检测|IEEE会议出版|IEEE Xplore
为了检测高压输电线路的覆冰厚度,提出一种基于机器视觉的新方法。首先,对硬件设备进行校准,以找到从观察点到物体的距离与图像上每个像素的几何尺寸之间的关系。然后,它提取图像的边缘,并计算像素数。最后,通过仿真实验验证了该方法的有效性,实现了覆冰厚度的自动检测,提高了工作效率,减轻了工人的劳动强度。
高压输电线路覆冰是对电力系统安全的重大威胁,轻微的结冰会导致导体疾驰,严重的结冰会使铁塔倾斜,并且由于负载过大,输电线路也会断裂,从而造成巨大的经济损失和严重的社会影响[1]–[2][3][4][5].因此,有必要对高压输电线路进行冰厚检测,以便在冰厚达到规定厚度时发送预警信息。
随着科学技术的不断进步,输电线路覆冰检测的方法从直接在线测试到模拟线检测[6],从测试段检测到在线称重遥测[7],[8],从总体趋势来看,方法趋向于在线化、自动化和信息化。测量方法也从接触式转变为非接触式测量。非接触式检测可分为主动检测和被动检测两大类。超声波和激光是主动检测的典型方法,相关技术也比较成熟。其原理是观察点发出超声波或激光,然后目标点反射超声波或激光,因此可以计算出观察点与检测点之间的距离,但这种方法需要高精度的角度[9]–[10][11]。被动检测主要是通过摄像头,采用单目、双目或多镜头方法对目标进行检测。然而,这种方法过于依赖于相机或相机的校准,校准误差会随着检测距离[12]–[13][14]而放大。因此,为了达到精度要求,保证检测设备的便携性,本文将主动和被动检测方法相结合,结合机器视觉识别技术,充分利用激光单色性好、方向性好、亮度高、相干性好等特点,开发了便携式户外传输线覆冰检测系统, 人们可以通过手动或自动方法检测0.1m-50m范围内的覆冰厚度。
本文使用两个绿色激光器和一个红色激光器,每个激光器的电压为3.3V,用于确定图像上每个像素的实际几何形状。将相机与望远镜相结合,在不同距离观察目标,以便可以清楚地显示出来。激光和相机同时连接到计算机。显示界面,获取结果并保存数据。
线的覆冰厚度的检测,无论单目、双目还是多视觉系统,一般都采用针孔成像方法进行标定。但是,相机在采集图像时的姿势是快速严格的,并且应该与校准保持一致,此外,相机的电平放置和目标角度会影响检测精度(检测误差需要小于2mm),这些都是对操作人员的高要求。由于检测到的线很容易与背景分离,因此可以使用机器学习校准的方法,并且只能通过相机与传输线之间的距离来检测冰层厚度。而本文的目的是检查冰的厚度,而不是冰点与相机之间的距离,因此使用其他方法确定距离,本文可以为该相机建立基于机器学习的距离检测模型,并用它来检测厚度。
由于室外测试开始时可以清楚地看到高压线的细节,但激光光斑太难对准导线,所以望远镜和激光模块固定在一起解决了问题。在本文中,为了避免误差,它使用3D组件部件来固定激光与望远镜之间的关系,3D打印组件如图5所示。由于设备的结构,激光柱的安装可能会导致两束激光束之间的角度很小,目标越远,两个激光器之间的距离就越大。因此,为了保证测量的准确性,设备在测量前应进行校准,让Y呈现光点之间的几何距离,而X呈现从观察点到目标的距离,目的是找到Y和X的关系。
最小二乘法是一种数学优化技术。它通过最小化误差平方和来搜索数据的最佳函数。最小二乘法可以用来获取未知数据,所获得的数据与真实数据之间的误差之和最小,也可用于曲线拟合,其他优化问题也可以用最小二乘法表示,通过最小化能量或最大化熵。为了更好地显示Y和X之间的关系,消除不必要的干扰点,减少误差,它增加了一定的校正量。在本文中,我们使用最小二乘法来拟合曲线。
曲线拟合法是找到一条曲线,使数据点离曲线的顶部或底部不远,它不仅可以反映数据的整体分布,还可以避免较大的局部波动,并最大限度地减少近似函数与已知函数之间的误差。
由于天气和测量场的限制,它不能直接在传输线上测量覆冰厚度,因此实验使用人造冰柱进行模拟。
根据校准得到的Y和X之间的几何关系,当它知道红色激光测距模块测量的距离时,它可以计算出图像中两个绿点之间的几何距离。然后除以绿点之间的像素数,就可以获得每个像素的几何尺寸。那么如果我们找到覆冰目标的像素数,就可以计算出覆衣目标的几何尺寸。根据不同的物体距离X,我们可以得到两个绿色激光器Y的不同几何尺寸。
当每个像素的几何尺寸已知时,只要覆冰的像素数,我们就可以找出冰的实际厚度。因此,有必要提取对象的轮廓。
冰厚值是通过软件系统减去导线直径计算的最长冰长度得到的,其中传输线的直径可以通过理论值或手动测量得到,然后输入到软件系统中。使用游标卡尺测量结冰厚度的真实值,然后减去软件系统的测量值,我们可以得到冰层厚度检测精度,这需要小于2mm。
在这一部分中,每个像素的几何尺寸和冰层厚度的检测相结合,以检测冰柱的厚度。我们首先需要校准,如果机械结构可以保持固定,就不应该再次校准。
以上13组测试基本符合要求,但也有一些错误,造成错误的主要原因是:
在确定两个绿色激光光斑时,在确定光斑中心时可能存在小误差。这种误差将直接影响两个绿色激光之间的像素数,从而影响图像上每个像素的几何尺寸。如图13所示,两个绿色激光器击中目标,使用紫色圆圈框住激光位置,并用一条紫色线连接两个中心点。
目标区域的选择不合理,使轮廓太大或太小。当您知道每个像素的几何尺寸时,您需要手动选择图像区域中的目标,然后拟合边缘轮廓,最后我们可以得到用于计算糖霜厚度的黄线。
参数选择不合理,这也可能导致错误。参数主要是对象轮廓拟合曲线的亮度和顺序。如图14所示。当我们构图的某个区域时,亮度值范围为100至255的边缘将与蓝线一起显示,曲线可以是直线,二次曲线,三次曲线或更高阶的曲线,但如果阶数高于三次,则拟合曲线的差异不大, 所以实际的拟合曲线一般是直线或二次曲线。
倾斜的目标区域也可能导致误差。
手动测量也会产生误差。手动测量主要用游标卡尺测量,这可能会导致操作误差,特别是天气温度高,冰层融化,冰柱表面不规则,直径不是完全固定的值,我们测量多组数据以减少误差。
本文讨论了高压输电线路上冰层厚度的测量方法,通过标定得到目标距离与像素尺寸的关系,然后提取出物体轮廓。最后,我们做了一些实验来模拟自然环境并检查结冰厚度。实验结果表明,该方法对检测冰层厚度有效,冰层厚度可自动检测,大大提高了效率,减轻了工人的劳动强度。
《基于机器视觉的高压输电线路覆冰厚度检测》论文笔记相关推荐
- 论文笔记之Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 论文链接:http://dwz.cn/6qPeIb 本文的主要思想是为了剖析出一个跟踪算法中到 ...
- 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
本人为目标追踪初入小白,在博客下第一次记录一下自己的论文笔记,如有差错,恳请批评指正!! 论文相关信息:<Understanding and Diagnosing Visual Tracking ...
- 论文笔记Understanding and Diagnosing Visual Tracking Systems
最近在看目标跟踪方面的论文,看到王乃岩博士发的一篇分析跟踪系统的文章,将目标跟踪系统拆分为多个独立的部分进行分析,比较各个部分的效果.本文主要对该论文的重点的一个大致翻译,刚入门,水平有限,如有理解错 ...
- 目标跟踪笔记Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 原文链接:https://blog.csdn.net/u010515206/article/d ...
- 追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems)
追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems) PROJECT http://winsty.net/tracker_di ...
- ICCV 2015 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
目录 写在前面 文章大意 一些benchmark 实验 实验设置 基本模型 数据集 实验1 Featrue Extractor 实验2 Observation Model 实验3 Motion Mod ...
- Understanding and Diagnosing Visual Tracking Systems
文章把一个跟踪器分为几个模块,分别为motion model, feature extractor, observation model, model updater, and ensemble po ...
- CVPR 2017 SANet:《SANet: Structure-Aware Network for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做SANet.作者在论文中提到,CNN模型主要适用于类间判别,对于相似物体的判别能力不强.作者提出使用RNN对目标物体的self-structure进行建模,用于提 ...
- ICCV 2017 UCT:《UCT: Learning Unified Convolutional Networks forReal-time Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做UCT.就像论文题目一样,作者提出了一个基于卷积神经网络的end2end的tracking模型.模型的整体结构如下图所示(图中实线代表online trackin ...
- CVPR 2018 STRCF:《Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文提出的模型叫做STRCF. 在DCF中存在边界效应,SRDCF在DCF的基础上中通过加入spatial惩罚项解决了边界效应,但是SRDCF在tracking的过程中要使用 ...
最新文章
- gensim中word2vec使用
- 条件语句,while循环语句:完整的温度转换程序
- Gradle 依赖项管理
- CentOS安装Nagios网络监视工具
- Java JNI初探
- ai二维码插件_送你60款AI脚本插件包,已整合成插件面板的形式,方便在AI中调用...
- 大数据只做三件事,对用户的理解、对信息的理解、对关系的理解
- 使用github找资源
- mac 下载appium
- 从wireshark 抓包中的导出 H.264 变成可用暴风直接播放的H264 裸码流文件
- MaxDEA如何计算DEA-Malmquist指数
- ArcGIS 地统计的几种空间插值的应用范围和区别
- Keil MDK利用 fromelf 实现axf 转 bin 的方法
- 凉爽的天气,蓝蓝的天
- sd卡驱动分析之core
- linux用迅雷下载软件,wine 迅雷下载安装(wine 迅雷极速版)
- 解决win8 64位版本下无法使用debug
- 阿里巴巴python开发面试题_2019阿里巴巴面试题集锦(有答案哦),收藏!
- iDRAC 7 Enterp license
- Rust + GO 大战 C/CPP + JAVA