[电缆]基于智能图像的变电站设备裂纹识别研究

　　为了提高变电站设备隔离器的故障诊断能力，提出了一种基于智能图像信息与融合的融合识别变电站设备隔离器裂缝的方法。出了边缘轮廓分割检测方法。维激光扫描技术用于收集变电站设备的绝缘图像。
　　理绝缘体的裂纹图像的图像融合信息。不变区域中，对变电站设备隔离器的裂纹角点的分布信息进行直方图均衡处理，以实现对绝缘子故障裂纹的识别。电站设备。真结果表明，变电站设备隔离器破损裂纹识别的准确度较高，输出图像的峰值信噪比较高，说明更好的裂纹图像识别性能。着图像处理技术的发展，有可能使用智能图像处理方法来识别和检测变电站设备中的裂缝。变电站设备的故障诊断，在线监视和维护领域研究了变电站设备隔离器。值被广泛使用[1]。

　　统的裂纹检测方法主要包括子空间聚类方法，自适应像素分割检测方法和角点检测方法。取的功能输入到分类器中。

　　
　　算时间太重要，抗干扰性能也不令人满意。对上述问题，提供了一种基于图像信息的智能融合来识别变电站设备隔离器中的裂缝的方法。

　　验比较结果表明，该方法提高了变电站设备绝缘子开裂性能的优越性。了智能识别变电站绝缘子的故障裂纹，图像采集是第一步[3]。文档使用区域轮廓的三维扫描方法和三维激光扫描来对布置在变电站设备监控区域中的后设备隔离器进行裂痕裂纹分析[2]。]，选择角度[α]和[90°]作为激光扫描的相角，并根据布尔模型[V = C1，C2，...，Ck]，用于图像扫描的传感器节点组[v]检查[Ci？ V]，[1≤i≤k]，[k≤V]，不同变电站设备隔离器的断裂裂纹[x]和[y]间距[距离（x，y）≤d ]。算两个裂纹节点的分布距离[με-∞， ∞，σ≥0]。于图像像素[j∈1，k]，[i≠j]的任何采样序列，都存在[Ci？ Cj =？ ]。
　　中[ax]是初始像素采样信息。据上述变电站设备隔离器故障裂纹的图像采集结果，进行图像识别和裂纹特征提取处理。纹识别算法通过三维激光扫描技术得到增强，用于变电站设备绝缘的图像采集和熔融预处理。法为了测试该方法在实现裂纹识别，仿真实验和实验硬件环境中的应用性能：主处理器是Intel [？] Pentium [？] Dual，主频率是1.8 GHz，软件为Matlab 7。
　　缘轮廓检测的阈值为[a] = 0.48，变电站设备绝缘的破坏面的分割系数为0.23，电缆邻域大小其他模拟，提取的分割线为22×24，裂纹的边缘误差为[a] = 0.23。

　　参数设置为[θ] = 0.5，[λ1] = 2，[λ2] = 2，[μ] = 0.021×232×200，并使用破裂裂纹的获取率v = 1在实验中，识别时间[Δt] = 0.24。据上述模拟环境和参数设置，进行了变电站绝缘设备故障裂纹模拟仿真实验，并将原始图像的采集结果呈现给了变电站。1.以图1所示的图像作为搜索对象，电缆执行裂纹识别模拟，并使用三维区域轮廓扫描方法执行边缘轮廓分割检测和处理。电站设备绝缘层裂纹裂纹的信息改善，绝缘子裂纹裂纹检测的图像输出如图2所示。2表明，使用本文的方法来识别绝缘子的裂缝，可以准确地检测出裂缝分布的边缘轮廓，定位裂缝区域并产生裂缝。出图像的峰值信号噪声。了定量分析裂纹识别性能，使用本文方法和传统方法在图3中给出了裂纹识别精度的结果。3中的分析表明，使用此方法的识别准确性很高。出了一种基于图像信息的智能融合和边缘轮廓分割检测的变电站设备隔离器裂纹识别方法。仿射不变区域中，对变电站设备绝缘层的裂纹的尖端角的分布信息以及提取的识别进行直方图均衡处理。
　　行变电站设备绝缘的特征像素点的确定和裂纹的分类。究结果表明，该方法能够更准确地识别变电站设备隔离器中的裂纹，并且裂纹图像识别性能更好。
　　本文转载自
　　电缆 https://www.haoluoyi.com