CN106874836A - 一种基于红外热像图的电缆接头运行状态识别方法 - Google Patents

Abstract

本发明涉及一种机器学习领域中的状态识别方法，特别是涉及一种基于红外热像图的电缆接头运行状态识别方法，本发明的ELM识别方法能够随机产生隐层结点参数，然后利用得到的权值来决定输出，大大简化了传统BP神经网络复杂的迭代过程，且识别准确率高，很好的满足了电缆检测领域对准确率和速度的双重要求。

Description

一种基于红外热像图的电缆接头运行状态识别方法

技术领域

本发明涉及一种机器学习领域中的状态识别方法，特别是涉及一种基于红外热像图的电缆接头运行状态识别方法。

背景技术

电缆接头是电网安全运行中的薄弱环节之一，从电缆接头过热到火灾事故的发生，整个过程发展速度缓慢、时间较长，如2016年6月18日，西安变电站***事故，以及2016年10月13日，日本东京大规模停电事故等，都是由于电缆温度过高，起火导致。电网的安全运行，不仅与人们的日常生活息息相关，也严重影响着一个国家的社会经济活动，因此电缆故障的早期预防和维护是十分重要的。然而目前，大多数电缆的诊断是靠巡逻工人定期巡查，出具巡查报告然后再经过专家评估，评估检测只能由有经验的人员负责，否则，结果经常被错误诊断，这种方法是相当费时而且费用昂贵。实际操作中，由于电缆巡检需要大量的人力检查，大部分电力公司通常将这些人力检查工作指派给外部承包商，外部承包商提交检查报告后，电力公司再一个接一个地评估其有效性，之间有经验的人员需采用大量时间完成复杂的评价工作，最后决定是否维修。

为了克服这些限制，保证电力生产安全高效运行，对电缆状态检修提出了更高的要求，其中红外成像技术在电缆运行状态检测中有着明显的优越性。红外成像是以热状态分布为依据对电缆运行状态良好与否进行诊断，它具有不停运、不接触、远距离、快速、直观地进行成像。由于电缆的热像图是运行状态下热状态及其温度分布的真实描写，而电缆在运行状态下的热分布正常与否是判断状态良好与否的一个重要特征，因而采用红外成像技术可以通过对电缆热像图的分析来诊断运行状态及其隐患缺陷。将图像处理技术、模式识别技术与红外热成像技术相结合，并在电缆巡检中应用，对于提高电气设备的可靠性和运行经济效益、降低维修成本具有非常重要的意义。

近年来，红外图像识别研究领域发展很快。结合模式识别的思路，利用一些能代表感兴趣部分图像的特征数据来训练模型，这些被训练好的模型可以对要处理的图像归入事先设置好的类别当中。目前，基于机器学习的图像分类方法应用最为广泛，总体上来说，它是利用己经得到的一些图像来提取出最能代表它们的特征数据，这些数据根据一定的模式训练出一些常用数学模型的关键参数，于是这些数学模型就能根据经过处理的未知图像信息做出判断，归类到预先设置的类别当中。这种模式识别的图像分类方法有两个关键因素，一个关键因素是合适图像特征的构建，好坏的衡量指标有两个：一是这个特征小且能准确的描述这个图像所包含的信息，尤其是感兴趣的信息，并且必须是只有关注的目标有，其他背景信息没有；二是这个特征有很好的区分性，特征数据在空间上有一定的聚类分布，这样有利于区分。其中图像处理的关键是将其转换成灰度图像进行处理，这样灰度方面的很多算法可以得到运用。另一个关键的因素就是学习器模型的选取，现在比较广泛的方法有BP神经网络算法和支持向量机算法，一些文献用BP进行生物识别图像分类，但BP神经网络参数多，训练速度慢，而且要求大量数据。

Extreme Learning Machine (ELM) 方法能够随机产生隐层结点参数，然后利用得到的权值来决定输出，大大简化了传统BP神经网络复杂的迭代过程，克服了红外图像因数据量大导致传统人工神经网络、支持向量机的运行速度慢的局限，很好的满足了电缆检测领域对准确率和速度的双重要求。

发明内容

为了克服现有识别方法的不足，减少需要设置的学习器参数，并提高识别准确率，本发明提供了一种基于红外热像图的电缆接头运行状态识别方法，包括训练阶段和识别阶段。在训练阶段，首先提取不同运行状态下电缆接头红外热像图的像素矩阵，并带入ELM学习器进行训练；在识别阶段，用已经训练好的ELM学习器对待测试的电缆接头红外热像图进行识别，并得到识别结果。

本发明的基于红外热像图的电缆接头运行状态识别方法，包括以下步骤：

步骤一：输入不同运行状态下电缆接头的红外热像图；

步骤二：对不同运行状态下电缆接头的红外热像图进行位平面分解；

步骤三：建立初始特征矩阵，提取红外热像图各位平面的特征参数（Hu矩和Zernike矩），将提取到的特征参数带入到特征矩阵中；

步骤四：对不同运行状态下电缆接头的红外热像图特征参数进行ELM学习器训练；

步骤五：将采集的电缆接头红外热像图输入已训练好的状态识别模型，并获得相应的电缆接头运行状态结果，即运行状态正常或不正常。

作为优选的方案：

为了减少红外热像图离散所带来的误差，在上述步骤三中，对提取的Zernike矩进行归一化处理。

上述步骤二中，对红外热像图进行位平面分解时，首先将红外热像图灰度化，将输入的不同运行状态下电缆接头的红外热像图转变成为像素为320*240的灰度图，然后再进行位平面分解。

本发明的电缆接头运行状态识别方法能够随机产生隐层结点参数，然后利用得到的权值来决定输出，大大简化了传统BP神经网络复杂的迭代过程，且识别准确率高，很好的满足了电缆检测领域对准确率和速度的双重要求。

附图说明

图1为本发明的流程图。

图2为本发明实施例其中一张红外热像图分解后的8个位平面图。

图中，1原始图像，2第1个位平面，3第2个位平面，4第3个位平面，5第4个位平面，6第5个位平面,7第6个位平面，8第7个位平面，9第8个位平面。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例的基于红外热像图的电缆接头运行状态识别方法，包括以下步骤：

步骤一：输入不同运行状态下电缆接头的红外热像图。

步骤二：对不同运行状态下电缆接头的红外热像图进行位平面分解。以下以输入的不同运行状态下电缆接头的红外热像图其中一张为例说明过程：

首先，通过灰度化，将红外热像图转变成为像素为320*240的灰度图，将此灰度图记为，对灰度图进行位平面分解，可以得到个位平面，以其中一张红外热像图为例，本实施例设置为8，如附图2给出了该图的8个位平面图。每个像素在每一个位平面对应0或1两个值。第个位平面()中第行第个像素对应位，如公式（1）所示

（1）

单个灰度图像素值可由各位平面像素表示，如公式（2）所示

（2）

步骤三：提取红外热像图各位平面的特征参数，分为以下几步：

1、建立初始特征矩阵A

（3）

式中，为训练样本数，本发明设置为100；为初始特征维数，本发明设置为16，即8个位平面，每个位平面提取两个特征参数，两个特征参数分别为Hu矩和Zernike矩。各元素的初始值为0。

2、计算Hu中心矩

对于二维离散图像，即各位平面图，计算Hu矩如公式(4)所示：

(4)

图像的零阶矩体现图像目标像素的总和，物体的质量或面积只有一个，根据公式(4)，图像的零阶矩为式(5)：

(5)

图像的一阶矩能够计算目标的质心，包括，，目标质心如式(6)所示：

(6)

中心矩通过目标质心作为原点分析，具有位置无关性，位平面图的中心矩为：

(7)

归一化的中心矩为：

(8)

其中，。公式（8）即为所求位平面图的归一化Hu中心矩。

（3）计算Zernike矩

各位平面图的p阶q重的Zernike 矩为：

(9)

其中，是的共轭。

(10)

其中，为轴与的夹角，r表示点到坐标原点的矢量长度，为径向多项式，的表达式如下：

(11)

为了减少红外热像离散所带来的误差，对 Zernike 矩进行归一化处理，归一化后的Zernike矩如式(12)所示：

(12)

式（12）即为所求位平面图的归一化Zernike矩。

（4）将上述方法计算的特征参数带入到特征矩阵中，本实施例将计算而得的100组特征参数带入到特征矩阵A中，

其中前8列为100组红外热像图的8个位平面的Hu中心矩参数，后8列为100组红外热像图的8个位平面的Zernike矩参数。

步骤四：对不同运行状态下电缆接头的红外热像图的特征参数进行ELM学习器训练。

极限学习机ELM (Extreme Learning Machine)，ELM是一种新型的快速学习算法，对于单隐层神经网络，ELM 可以随机初始化输入权重和偏置并得到相应的输出权重。ELM由输入层，隐层，输出层构成。红外热像的特征参数代入ELM输入层后，进行隐层计算，再输出识别的运行状态结果。

假设训练的红外热像图的特征参数个数为，本实施例设置训练的红外热像图的样本个数为100，即为100，每个红外热像图的特征参数用参数矩阵表示，表示第 个红外热像图的特征向量，即参数矩阵 的第 行，。

具有个隐层神经元的单隐层前向神经网络的输出函数表达式为：

(13)

其中，为激活函数，为输入权重， 为输出权重，是第 个隐层单元的偏置， 表示 和 的内积， ，本发明设置隐层神经元个数为5。在ELM算法中，一旦输入权重和隐层的偏置被随机确定，隐层的输出矩阵就被唯一确定。

步骤五：将采集的电缆接头红外热像图输入已训练好的状态识别模型，并获得相应的电缆接头运行状态结果，即运行状态正常或不正常。至此，所有步骤结束，完成识别。

采用上述方法进行的一次实验中，实验将现场采集的50组红外热像图进行测试，实验最终结果平均识别准确率达到85%以上，实现了对电缆接头运行状态的有效识别和监控。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员应当理解：其依然可以对上述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.一种基于红外热像图的电缆接头运行状态识别方法，其特征在于：包括如下步骤：

步骤一：输入不同运行状态下电缆接头的红外热像图；

步骤二：对输入的不同运行状态下电缆接头的红外热像图进行位平面分解；

步骤三：建立初始特征矩阵，提取红外热像图各位平面的特征参数（Hu矩和Zernike矩），将提取到的特征参数带入到特征矩阵中；

步骤四：对不同运行状态下电缆接头的红外热像图特征参数进行ELM学习器训练；

步骤五：将采集的电缆接头红外热像图输入已训练好的状态识别模型，并获得相应的电缆接头运行状态结果，即运行状态正常或不正常。

2.根据权利要求1所述的基于红外热像图的电缆接头运行状态识别方法，其特征在于：所述步骤三中，对提取的Zernike矩进行归一化处理。

3.根据权利要求1所述的基于红外热像图的电缆接头运行状态识别方法，其特征在于：所述步骤二中，将输入的不同运行状态下电缆接头的红外热像图转变成为像素为320*240的灰度图，然后再进行位平面分解。