[發(fā)明專利]一種斷路器靜觸頭齒合狀態(tài)圖像檢測(cè)內(nèi)輪廓的提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110694422.3
• 申請(qǐng)日: 2021-06-22
• 公開（公告）號(hào): CN113436212A
• 公開（公告）日: 2021-09-24
• 發(fā)明（設(shè)計(jì)）人: 李寶鋒;羅傳勝;周義雄;劉濤;廖釗;何位經(jīng);方番;李炎;黃錦麗;宋喜平;蘇淑敏;張光資;肖行運(yùn);覃智賢;國(guó)家棟;王飛;李鴻鵬;李瑞麟;李鵬帥
• 申請(qǐng)（專利權(quán)）人: 廣西電網(wǎng)有限責(zé)任公司南寧供電局
• 主分類號(hào): G06T7/13
• 分類號(hào): G06T7/13;G06T7/60;G06T7/62
• 代理公司: 北京金智普華知識(shí)產(chǎn)權(quán)代理有限公司 11401
• 代理人: 藍(lán)曉玉

本發(fā)明公開了一種斷路器靜觸頭齒合狀態(tài)圖像檢測(cè)內(nèi)輪廓的提取方法，本發(fā)明首先對(duì)原始圖像進(jìn)行預(yù)處理,基于自適應(yīng)閾值的圖像分割方法對(duì)預(yù)處理后的圖像進(jìn)行二值化,通過面積過濾,圓度過濾,圓心位置坐標(biāo)等過濾非目標(biāo)輪廓,利用細(xì)化算法計(jì)算掩膜輪廓；然后利用基于ZERNIKE矩的邊緣檢測(cè)方法得到橢圓環(huán)輪廓,結(jié)合掩膜輪廓分別獲取到橢圓環(huán)內(nèi)外輪廓坐標(biāo)值；最后通過SNAKE主動(dòng)輪廓模型獲取到高精度橢圓環(huán)輪廓,基于細(xì)化算法實(shí)現(xiàn)最終的單像素橢圓輪廓的求解，有效提高了嚙合狀態(tài)檢測(cè)精度，在斷路器故障診斷中具有重要意義。

技術(shù)領(lǐng)域

本發(fā)明涉及斷路器故障診斷領(lǐng)域，尤其涉及一種斷路器靜觸頭齒合狀態(tài)圖像檢測(cè)內(nèi)輪廓的提取方法。

背景技術(shù)

斷路器是高壓開關(guān)柜中較為重要的保護(hù)裝置，而觸頭嚙合狀態(tài)檢測(cè)是斷路器故障診斷的重要環(huán)節(jié)，由于現(xiàn)有的測(cè)量方法無法在開關(guān)柜環(huán)境下實(shí)現(xiàn)較高精度的位姿估計(jì)，而視覺測(cè)量有著較好的適應(yīng)性和精度，在工業(yè)測(cè)量中的應(yīng)用越來越廣泛，本發(fā)明首次將視覺測(cè)量用于嚙合狀態(tài)檢測(cè)。

發(fā)明內(nèi)容

本發(fā)明的目的就在于為了解決上述問題而提供一種斷路器靜觸頭齒合狀態(tài)圖像檢測(cè)內(nèi)輪廓的提取方法。

本發(fā)明通過以下技術(shù)方案來實(shí)現(xiàn)上述目的：

本發(fā)明包括以下步驟：

S1：首先利用自適應(yīng)二值化方法從原始圖像中粗提取目標(biāo)輪廓,找到目標(biāo)輪廓的初步位置,從而獲得分別包含橢圓環(huán)內(nèi)外輪廓的圖像掩膜；

S2：然后通過基于ZERNIKE矩的邊緣檢測(cè)對(duì)原始圖像進(jìn)行亞像素邊緣檢測(cè),結(jié)合掩膜區(qū)域得到內(nèi)外輪廓的像素坐標(biāo)；

S3：將ZERNIKE矩檢測(cè)結(jié)果作為初始解，基于SNAKE模型通過輪廓擬合得到更加精確的內(nèi)外輪廓坐標(biāo)；

S4：對(duì)橢圓環(huán)進(jìn)行細(xì)化處理得到單像素目標(biāo)橢圓輪廓。

所述步驟S1實(shí)現(xiàn)目標(biāo)輪廓的粗提取，包括圖像預(yù)處理、輪廓粗提取、非目標(biāo)輪廓過濾和掩膜輪廓計(jì)算，所述非目標(biāo)輪廓過濾包括面積過濾,圓度過濾,圓心位置過濾，面積過濾通過實(shí)驗(yàn)得到的目標(biāo)輪廓面積閾值對(duì)非目標(biāo)輪廓進(jìn)行過濾；圓度過濾基于輪廓圓度評(píng)價(jià)算法過濾非圓輪廓；圓心位置過濾通過輪廓擬合后的圓心位置閾值實(shí)現(xiàn)過濾；所述掩膜輪廓計(jì)算為提取出兩個(gè)目標(biāo)輪廓在原始圖像中的大致區(qū)域,作為橢圓環(huán)輪廓分離的基礎(chǔ)。

所述輪廓粗提取方法包括基于邊緣、基于區(qū)域、基于閾值方法，基于邊緣的方法利用圖像梯度等實(shí)現(xiàn)邊緣檢測(cè)；基于區(qū)域的方法利用隨機(jī)種子實(shí)現(xiàn)鄰域相似像素的集合實(shí)現(xiàn)輪廓提取；基于閾值的方法通過比較中心點(diǎn)及其鄰域灰度值進(jìn)行二值化。

所述非目標(biāo)輪廓過濾包括面積過濾,圓度過濾,圓心位置過濾，面積過濾通過實(shí)驗(yàn)得到的目標(biāo)輪廓面積閾值對(duì)非目標(biāo)輪廓進(jìn)行過濾；圓度過濾基于輪廓圓度評(píng)價(jià)算法過濾非圓輪廓；圓心位置過濾通過輪廓擬合后的圓心位置閾值實(shí)現(xiàn)過濾；所述掩膜輪廓計(jì)算為提取出兩個(gè)目標(biāo)輪廓在原始圖像中的大致區(qū)域,作為橢圓環(huán)輪廓分離的基礎(chǔ)。

所述基于邊緣的方法利用不同的邊緣計(jì)算算子實(shí)現(xiàn)不同的檢測(cè)效果，包括一階微分算子PREWITT算子、SOBEL算子、ROBERTS算子等；通過檢測(cè)二階導(dǎo)數(shù)零點(diǎn)判斷邊緣點(diǎn)的LOG算子等；利用高斯函數(shù)梯度判斷邊緣點(diǎn)的CANNY算子等。

所述基于區(qū)域的算法通過給定種子像素、搜索種子周圍鄰域、計(jì)算目標(biāo)點(diǎn)像素和種子相似度，如果相似就添加到種子區(qū)域。

所述基于閾值的方法包括簡(jiǎn)單閾值,自適應(yīng)閾值，簡(jiǎn)單閾值對(duì)于整幅圖像利用同一個(gè)變換實(shí)現(xiàn)二值化,較難提取圖像局部信息，自適應(yīng)閾值針對(duì)每個(gè)局部圖像設(shè)置針對(duì)性的閾值實(shí)現(xiàn)二值化，可以較為精確地提取目標(biāo)輪廓。

本發(fā)明的有益效果在于：