(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211144257.5 (22)申请日 2022.09.20 (71)申请人 广东交通职业 技术学院 地址 510000 广东省广州市天河区天源路 789号 (72)发明人 曾光　黄玉萍　殷玲　史陆星　 黄健盛　潘柏荣　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 黎扬鹏 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01) G06V 10/75(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于机器视觉的接触网病害检测方法、 系 统、 装置及 介质 (57)摘要 本发明公开了一种基于机器视觉的接触网 病害检测方法、 系统、 装置及介质， 方法包括： 获 取待检测接触网的第一图像信息， 对第一图像信 息进行图像增强得到第二图像信息； 通过SURF算 法对第二图像信息进行绝缘子的粗识别， 得到第 三图像信息； 通过基于双目视觉的三维匹配算法 对第三图像信息进行绝缘子的精 准识别， 得到待 检测接触网的绝缘子图像信息； 通过小波变换提 取绝缘子图像信息的第一图像特征， 并将第一图 像特征输入到预先训练好的病害识别模型， 得到 待检测接触网的病害检测结果。 本发 明提高了复 杂隧道环 境下接触网病害检测的准确度， 可广泛 应用于计算机视觉技术领域。 权利要求书3页 说明书10页 附图2页 CN 115482506 A 2022.12.16 CN 115482506 A 1.一种基于 机器视觉的接触网病害检测方法， 其特 征在于， 包括以下步骤： 获取待检测接触网的第 一图像信 息， 对所述第 一图像信 息进行图像增强得到第 二图像 信息； 通过SURF算法对所述第二图像信息进行绝 缘子的粗识别， 得到第三图像信息； 通过基于双目视觉的三维匹配算法对所述第 三图像信 息进行绝缘子的精准识别， 得到 所述待检测接触网的绝 缘子图像信息； 通过小波变换提取所述绝缘子图像信 息的第一图像特征， 并将所述第 一图像特征输入 到预先训练好的病害识别模型， 得到所述待检测接触网的病害检测结果。 2.根据权利要求1所述的一种基于机器视觉的接触网病 害检测方法， 其特征在于， 所述 获取待检测接触网的第一图像信息， 对所述第一图像信息进 行图像增强得到第二图像信息 这一步骤， 其具体包括： 通过光场相机拍摄获取待检测接触网的第一图像信息； 对所述第一图像信息进行深度估计， 得到所述第一图像信息的场景深度； 根据所述场景深度确定初始透射率， 进而根据所述初始透射率和预设的大气散射模型 对所述第一图像信息进行去模糊处 理， 得到图像增强后的第二图像信息 。 3.根据权利要求1所述的一种基于机器视觉的接触网病 害检测方法， 其特征在于， 所述 通过SURF算法对所述第二图像信息进行绝缘子的粗识别， 得到第三图像信息这一步骤， 其 具体包括： 通过SURF算法提取 所述第二图像信息的第一特 征点； 根据所述第一特 征点的邻域信息确定所述第一特 征点的SURF描述符； 获取预设的绝缘子特征模板库， 根据所述SURF描述符在所述绝缘子特征模板库中匹配 得到匹配特 征点； 计算所述第 一特征点与匹配特征点的第 一相似度， 当所述第 一相似度 大于等于预设的 第一阈值， 根据所述第一特 征点和预设的邻域尺寸确定所述第三图像信息 。 4.根据权利要求1所述的一种基于机器视觉的接触网病 害检测方法， 其特征在于， 所述 通过基于双目视觉的三 维匹配算法对所述第三图像信息进 行绝缘子的精准识别， 得到所述 待检测接触网的绝 缘子图像信息这 一步骤， 其具体包括： 获取同一时刻不同拍摄角度的两个所述第一图像信息对应的第三图像信息； 对获取的两个第三图像信息分别进行边 缘提取， 得到第一 边缘图和第二 边缘图； 对所述第一 边缘图和所述第二 边缘图进行三维匹配， 得到若干个匹配点对； 根据所述匹配点对重建所述待检测接触网的绝 缘子的三维空间信息； 根据所述 三维空间信息确定所述待检测接触网的绝 缘子图像信息 。 5.根据权利要求4所述的一种基于机器视觉的接触网病 害检测方法， 其特征在于， 所述 对获取的两个第三图像信息分别进行边缘提取， 得到第一边缘图和第二边缘图这一步骤， 其具体包括： 分别对获取的两个第 三图像信 息进行二值化处理和滤波处理， 得到第四图像信 息和第 五图像信息； 对所述第四图像信 息和所述第五图像信 息分别进行边缘检测得到多个连续轮廓， 进而 对所述连续轮廓进行随机霍夫变换， 筛选出符合预设的第二阈值条件的连续轮廓作为绝缘权　利　要　求　书 1/3 页 2 CN 115482506 A 2子边缘轮廓； 根据第四图像信 息和对应的绝缘子边缘轮廓得到第 一边缘图， 并根据 所述第五图像信 息和对应的绝 缘子边缘轮廓得到第二 边缘图。 6.根据权利要求1所述的一种基于机器视觉的接触网病 害检测方法， 其特征在于， 所述 通过小波变换提取 所述绝缘子图像信息的第一图像特 征这一步骤， 其具体包括： 通过小波变换对所述绝缘子 图像信息进行分解处理， 得到水平高频分量、 垂直高频分 量以及对角高频分量； 对所述水平高频分量、 所述垂直高频分量以及所述对角高频分量进行维纳滤波处理， 得到去噪后的水平高频分量、 去噪后的垂直高频分量以及去噪后的对角高频分量； 根据去噪后的水平高频分量、 去噪后的垂直高频分量以及去噪后的对角高频分量确定 所述绝缘子图像信息的第一图像特 征。 7.根据权利要求1至6中任一项所述的一种基于机器视觉的接触网病 害检测方法， 其特 征在于， 所述接触网病害检测方法还 包括预先训练病害识别模型的步骤， 其具体包括： 获取多个预设的绝缘子样本图像， 通过小波变换提取所述绝缘子样本图像的第 二图像 特征； 确定各所述绝缘子样本图像的病 害类型， 并根据 所述病害类型确定所述绝缘子样本图 像的病害类型 标签； 将所述第二图像特 征输入到预 先构建的卷积神经网络， 得到病害类型识别结果； 根据所述病害类型识别结果和所述病害类型 标签确定所述卷积神经网络的损失值； 根据所述损失值 通过反向传播 算法更新所述卷积神经网络的参数； 当所述损 失值达到预设的第三阈值或迭代次数达到预设的第 四阈值， 停止训练， 得到 训练好的病害识别模型。 8.一种基于 机器视觉的接触网病害检测系统， 其特 征在于， 包括： 图像获取模块， 用于获取待检测接触网的第一图像信息， 对所述第一图像信息进行图 像增强得到第二图像信息； 第一图像识别模块， 用于通过SURF算法对所述第二图像信息进行绝缘子的粗识别， 得 到第三图像信息； 第二图像识别模块， 用于通过基于双目视觉的三维匹配算法对所述第 三图像信 息进行 绝缘子的精准识别， 得到所述待检测接触网的绝 缘子图像信息； 模型识别模块， 用于通过小波变换提取所述绝缘子 图像信息的第一图像特征， 并将所 述第一图像特征输入到预先训练好的病害识别模型， 得到所述待检测接触网的病害检测结 果。 9.一种基于 机器视觉的接触网病害检测装置， 其特 征在于， 包括： 至少一个处 理器； 至少一个存 储器， 用于存 储至少一个程序； 当所述至少一个程序被所述至少一个处理器执行， 使得所述至少一个处理器实现如权 利要求1至7中任一项所述的一种基于 机器视觉的接触网病害检测方法。 10.一种计算机可读存储介质， 其中存储有处理器可执行的程序， 其特征在于， 所述处 理器可执行 的程序在由处理器执行时用于执行如权利要求1至7中任一项所述的一种基于权　利　要　求　书 2/3 页 3 CN 115482506 A 3