摘要：针对现有输电线路设备细微缺陷智能检测方法存在的GZ-复刻率较高的问题,设计了基于机器学习的输电线路设备细微缺陷智能检测方法。根据设备实时监测、运行、历史故障维修次数等数据,构建基于机器学习的NFA模型,区分不同类型的输电线路设备的细微缺陷;对图像的亮度、对比度、拼接方式等方面进行处理,引入Adaboost算法完成图像识别,最后通过对相位编组梯度的计算,实现基于机器学习的输电线路设备细微缺陷的智能检测。实验结果表明,设计方法的GZ-复刻率平均值比传统方法的GZ-复刻率平均值降低了47.3%,故障信号检测性能更好,可以证明基于机器机器学习的输电线路设备细微缺陷智能检测方法的综合有效性。

摘要：文章提出了一种基于顶帽变换和边缘检测的强噪声背景下的目标提取方法。模糊背景下图像的目标提取存在一定的困难,必须对图像进行增强处理。文中涉及到的目标具有不同的灰度值,固定阈值法不能保证检测出所有的目标。在原有自适应阈值分割的基础上设计了一种基于顶帽变换和边缘检测的自适应阈值分割方法,首先对图像进行顶帽变换增强图像,再利用Sobel边缘提取算法提取所有可能目标的边缘,利用原图像中对应边缘点的灰度取平均值作为图像分割的阈值来提取目标。实验结果表明:利用检测出的边缘灰度均值作为图像的灰度阈值来分割目标,能有效地提取出模糊小目标。