随着高压电力系统的快速发展,电力设备故障检测技术成为重要的研究方向。由于传统人工检测存在效率和安全性问题,使用无人机进行输电线路巡检已成为发展趋势。针对无人机巡线拍摄的电力设备图像,通过计算机视觉和图像处理技术实现故障的智能识别检测具有重要的研究意义。本文针对电力设备常见的金具锈蚀和绝缘子破损故障进行视觉检测系统设计,主要研究内容如下:(1)研究了RGB颜色空间理论,并基于锈蚀和绝缘子区域特有的颜色特征,通过采样统计确定了故障区域的RGB分量聚类中心,并通过相似性度量方法实现了故障图像与非故障图像的有效区分。(2)研究了无人机彩色图像的灰度化和预处理算法。基于故障区域的颜色特征,提出了改进超绿色算法,在实现图像灰度化的同时使故障区域的色彩特征得到有效突出。采用直方图均衡化、中值滤波、图像锐化算法对灰度图像进行预处理操作,提高图像质量。(3)研究了包括直方图阈值分割、迭代法阈值分割和最大类间方差法的三种图像分割算法。基于对两种故障区域的颜色分量约束条件,提出了RGB分量约束分割方法,并结合实验测试确定了针对两种故障类型的图像分割算法。对分割后二值图像采用形态学处理实现误分割点消除和孔洞填充。(4)针对两种故障类型,分别设计了故障判断算法。对于金具锈蚀故障,通过将分割后的故障区域进行红色标识并统计其面积比例,实现锈蚀故障判断。对于绝缘子故障,结合绝缘子规则的空间排列规律,提出了双边轮廓差分匹配算法对绝缘子状态进行判断。本文通过MATLAB和VS2010平台实现了电力设备故障检测的完整算法并进行实验测试,测试样本数据库共包含231张测试图像,其中金具锈蚀故障图像105张,绝缘子故障图像87张,无故障图像39张。在金具锈蚀故障检测中取得了92.1%的平均检测率,绝缘子破损故障平均检测率达到91.2%,验证了本文算法的有效性。