摘要: 复合绝缘子因其优良耐污闪性能广泛用于各电压等级的输电线路防污闪应用中，提高了电网的抗污闪能力。但是，复合绝缘子的憎水性并非恒定不变，随着复合绝缘子的硅橡胶伞群逐步老化，导致其憎水性能的下降，增加了污闪事故发生的概率，严重威胁着我国... 展开 复合绝缘子因其优良耐污闪性能广泛用于各电压等级的输电线路防污闪应用中，提高了电网的抗污闪能力。但是，复合绝缘子的憎水性并非恒定不变，随着复合绝缘子的硅橡胶伞群逐步老化，导致其憎水性能的下降，增加了污闪事故发生的概率，严重威胁着我国电力系统的安全稳定运行。 本文在分析复合绝缘子憎水性等级检测相关研究的基础上，对基于智能图像处理技术的复合绝缘子憎水性等级判定中所涉及到图像去噪、图像增强、图像分割、智能分级判定相关问题展开研究。 首先，为了提高样本图像的对比度，本文将对样本喷水图像进行图像去噪和增强。在样本处理成相同规格的前提下，对图片进行小波去噪和非均值局部滤波，该方法有效地将细节信息和噪声信息分离开，解决了水珠或水膜图像光照不均匀的问题。通过采用自适应直方图均衡化的方法，改善了图像的局部对比度并获得更多的图像细节，还达到了揭示阴影区细节特征的目的。 其次，将改进粒子群优化算法与二维Ostu阈值法相结合，提升了阈值寻优的计算速度，进而提高图像分割的效率。利用改进的Canny边缘检测算法将获得的最佳阈值准确地区分目标像素和背景像素，完整提取水珠边缘。引入了数学形态学的方法，完整标注图像的边缘，解决了图像边缘存在的断线问题。 最后，使用样本数据集对构建的憎水性等级识别模型进行训练，然后用测试数据集进行验证，用改进VGG-16的深度卷积神经网络完成复合绝缘子憎水性等级判定。测试数据表明，憎水性等级识别率达到了93%以上。利用该深度学习方法可以从样本数据集中自动提取特征，经过与传统卷积神经网络的训练结果对比，针对小样本数据集也能获得很高的识别率，极大的提高了复合绝缘子憎水性等级判定的效率。 收起