CN110889435A - 基于红外图像的绝缘子评估分类方法及其装置 - Google Patents
基于红外图像的绝缘子评估分类方法及其装置 Download PDFInfo
- Publication number
- CN110889435A CN110889435A CN201911066309.XA CN201911066309A CN110889435A CN 110889435 A CN110889435 A CN 110889435A CN 201911066309 A CN201911066309 A CN 201911066309A CN 110889435 A CN110889435 A CN 110889435A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- classification
- library
- infrared
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于红外图像的绝缘子评估分类方法及其装置,包括:获取绝缘子红外图谱样本库;将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本;将所述正样本和所述负样本中的图像进行灰度化处理;对灰度化处理后的图像利用主成分分析法进行处理;采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别。本发明的技术方案能够适应复杂的现场环境,实现自动对红外图像中的绝缘子识别和诊断功能,有效减少了误检的情况,提高效率及准确度。
Description
技术领域
本发明涉及电测试领域,特别是一种基于红外图像的绝缘子评估分类方法及其装置。
背景技术
绝缘子是输电线路的重要构成,随着运行年限的增加,一些暴露在户外中的运行线路中的绝缘子的电气性能或机械性能会出现不同程度的下降问题,具体表现为:绝缘性能下降、机械强度下降,其中瓷件会出现裂纹甚至断裂,致使绝缘子阻值下降,成为劣化绝缘子,增大了绝缘子串发生闪络的可能性,甚至会造成绝缘子掉串,导致导线脱落等严重事故的发生,对电网安全造成威胁。
绝缘子应用于输电线路及变电站内,并且绝大部分绝缘子的运行环境暴露在户外。火花叉法为传统的检测方法,需要在线路停运的情况下人工蹬杆进行检测,这种检测方法要耗费大量的人力物力时间。由于检测手段落后,易受到电磁干扰,即使每年进行一次巡检,仍存在不能完全排除的隐患,造成漏检或误检。尤其是近几年,由于环境污染加重,在雾霾的情况下,绝缘子表面覆盖的污秽颗粒对绝缘子的发热特性造成很大影响,也对劣化绝缘子的在线检测带来很大干扰。
发明内容
为解决上述问题,本发明的目的在于提供一种基于红外图像的绝缘子评估分类方法及其装置,不但节省了传统方法中需要人工检修的步骤,减少人力物力的损耗,而且提高了工作效率和检测准确度。
本发明解决其问题所采用的技术方案是:
本发明的第一方面,提供了一种基于红外图像的绝缘子评估分类方法,包括以下步骤:
获取绝缘子红外图谱样本库;
将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本;
将所述正样本和所述负样本中的图像进行灰度化处理;
对灰度化处理后的图像利用主成分分析法进行处理;
采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别。
上述的技术方案至少具有如下有益效果:本发明的基于红外图像的绝缘子评估分类方法,通过获取绝缘子红外图谱样本库,对样本库进行切割,得到正样本图像和负样本图像,对正、负样本图像经过灰度化、主成分分析法处理后,再采用贝叶斯算法对图像和绝缘子状态的特征进行训练,获取特征参量和绝缘子状态之间的关系及模型预测参数,相比现有技术的技术方案,本发明的技术方案能够适应复杂的现场环境,实现自动对红外图像中的绝缘子识别和诊断功能,节省了传统方法中需要人工检修的步骤,减少人力物力的损耗的同时,有效减少了误检的情况,提高了检测效率及准确度,并且增大了检测周期,以便及时检测出劣化绝缘子所存在的安全隐患,使全自动电路巡检成为可能。
进一步地,所述获取绝缘子红外图谱样本库,还包括:通过红外实验获取所述绝缘子红外图谱样本库,所述绝缘子包括正常绝缘子和劣化绝缘子。
进一步地,所述将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本,包括:随机从所述正常绝缘子库和所述劣化绝缘子库中抽取相同数量的正样本和负样本。通过对绝缘子红外图谱样本库的图像进行切割,得到正样本和负样本,以便进一步利用贝叶斯算法对绝缘子进行分类识别。
进一步地,所述对灰度化处理后的图像利用主成分分析法进行处理,还包括:
将所述灰度化处理后的图像转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。经过主成分分析法处理后的图像,原始数据指标变量将会形成相互独立的主成分,各主成分按方差大小依次排列顺序,在分析时,可以舍弃一部分主成分,取方差较大的几个主成分来代表原变量,可减少计算工作量。
进一步地,所述采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别,还包括:
将所述主成分分析法处理后的图像分为训练集和测试集,构建贝叶斯网络;
利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,
当分类正确率达到预设值时,则认为成功评估分类出绝缘子,并结束检测;当分类正确率未达到所述预设值时则再次利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,直到分类正确率达到所述预设值,则认为成功评估分类出绝缘子,并结束检测。根据分类正确率与预设值比对,可反映样本库中正常绝缘子和劣化绝缘子的分类情况,提高检测准确度。
进一步地,所述利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,包括以下步骤:
获取所述训练集;
对每个类别计算概率P(yi);
对每个特征属性计算所有划分的条件概率;
对所述每个类别计算P(x|yi)P(yi);
以最大项作为所属类别P(x|yi)P(yi);
其中,i为正整数,yi表示已知i个分类的待分类项集合,P(yi)表示yi类别的先验概率,x表示特征属性,P(x|yi)表示在yi类别中x出现的条件概率。
本发明的第二方面,提供了一种基于红外图像的绝缘子评估分类装置,包括以下单元:
样本库获取单元,用于获取绝缘子红外图谱样本库;
图像切割单元,用于将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本;
图像灰度处理单元,用于将所述正样本和所述负样本中的图像进行灰度化处理;
图像处理单元,用于对灰度化处理后的图像利用主成分分析法进行处理;
绝缘子分类单元,用于采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别。
进一步地,所述样本库获取单元还用于通过红外实验获取所述绝缘子红外图谱样本库,所述绝缘子包括正常绝缘子和劣化绝缘子;
所述图像切割单元还用于随机从所述正常绝缘子库和所述劣化绝缘子库中抽取相同数量的正样本和负样本;
所述图像处理单元还用于将所述灰度化处理后的图像转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分;
所述绝缘子分类单元包括网络构建单元和绝缘子分类获取单元;
所述网络构建单元,用于将所述主成分分析法处理后的图像分为训练集和测试集,构建贝叶斯网络;
所述绝缘子分类获取单元,用于利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,当分类正确率达到预设值时,则认为成功评估分类出绝缘子,并结束检测;当分类正确率未达到所述预设值时则再次利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,直到分类正确率达到所述预设值,则认为成功评估分类出绝缘子,并结束检测;还用于获取所述训练集;对每个类别计算概率P(yi);对每个特征属性计算所有划分的条件概率;对所述每个类别计算P(x|yi)P(yi);以最大项作为所属类别P(x|yi)P(yi);其中,i为正整数,yi表示已知i个分类的待分类项集合,P(yi)表示yi类别的先验概率,x表示特征属性,P(x|yi)表示在yi类别中x出现的条件概率。
由于本发明的基于红外图像的绝缘子评估分类装置与上述第一方面的基于红外图像的绝缘子评估分类方法基于相同的发明构思,因此,基于红外图像的绝缘子评估分类装置具有上述任一一种基于红外图像的绝缘子评估分类方法所带来的有益效果。
本发明的第三方面,提供了一种基于红外图像的绝缘子评估分类设备,包括:
至少一个控制处理器和用于与至少一个控制处理器所通信连接的存储器;存储器存储有可被至少一个控制处理器执行的指令,指令被至少一个控制处理器执行,以使至少一个控制处理器能够执行如上述第一方面的基于红外图像的绝缘子评估分类方法。
本发明的第四方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上述第一方面的基于红外图像的绝缘子评估分类方法。
本发明的第五方面,还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使计算机执行如上述第一方面的基于红外图像的绝缘子评估分类方法。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一个实施例所提供的基于红外图像的绝缘子评估分类方法的流程图;
图2是本发明另一个实施例所提供的基于红外图像的绝缘子评估分类方法关于样本库构建的示意图像;
图3是本发明另一个实施例所提供的基于红外图像的绝缘子评估分类方法关于完成绝缘子图像分类识别的流程图;
图4是本发明另一个实施例所提供的基于红外图像的绝缘子评估分类方法关于贝叶斯算法的流程图;
图5是本发明另一个实施例所提供的基于红外图像的绝缘子评估分类方法关于先验概率为0.6时,训练总次数为300次的训练损失率与训练次数的关系示意图及先验概率为0.5时,训练总次数300次的训练损失率与训练次数的关系示意图;
图6是本发明另一个实施例所提供的基于红外图像的绝缘子评估分类方法关于贝叶斯算法和BP神经网络算法随训练样本数目变化的情况示意图;
图7是本发明另一个实施例所提供的基于红外图像的绝缘子评估分类装置的装置示意图;
图8是本发明另一个实施例所提供的基于红外图像的绝缘子评估分类设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
参照图1-图2,本发明实施例的一种基于红外图像的绝缘子评估分类方法,包括以下步骤:
步骤S1,获取绝缘子红外图谱样本库;
步骤S2,将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本;
步骤S3,将所述正样本和所述负样本中的图像进行灰度化处理;
步骤S4,对灰度化处理后的图像利用主成分分析法进行处理;
步骤S5,采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别。
其中,在本实施例中的步骤S1中,将自动检测气象环境是否适合获取绝缘子红外图谱样本库,当气象环境良好时,通过红外成像仪拍摄绝缘子,构建绝缘子红外图谱样本库。红外热成像是一种非接触式的检测方法,红外成像器件通过红外探测器和光学成像物镜工作,以接受反射到红外探测器光元件的目标红外辐射能量分布图案,然后将来自探测器的红外辐射转换成电信号,并对电信号进行放大并转换完成,从而获取到绝缘子红外图谱样本库。
其中,在本实施例中的步骤S2中,将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本,由于绝缘子串存在劣化绝缘子时,在正常承受电压下,会发生内部击穿,形成零值绝缘子,零值绝缘子的放电及发热特性与正常绝缘子有很大不同,并且当绝缘子串中存在零值绝缘子时,整串绝缘子的放电与发热亦会发生变化,故在获取的绝缘子红外图谱样本库的图像中,可初步判断出正常绝缘子和劣化绝缘子,可采用Matlab、Photoshop、Image Cutter等软件对绝缘子红外图谱样本库的图像进行切割,切割的图像大小相同,构建正常绝缘子库和劣化绝缘子库。
其中,在本实施例中的步骤S3中,将所述正样本和所述负样本中的图像进行灰度化处理,是由于拍摄后的绝缘子图像为彩色图像,需要通过进一步灰度化处理得到灰度图像,可采用分量法、最大值法、平均值法或加权平均法中任一一种方法获得,具体的灰度化处理方法,对于本领域技术人员来说属于公知常识,在此不再赘述。
其中,在采用主成分分析法的实施例中,所述主成分分析法对图像数据进行降维处理,处理后的数据将被输入到步骤S5中的贝叶斯算法中。主成分分析法是设法将原来众多的具有一定相关性的指标X1,X2,…,Xp(例如P个指标),重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标,假设F1表示原变量的第一个线性组合所形成的主成分指标,即F1=a11X1+a21X2+…+ap1Xp,每一个主成分所提取的信息量可用其方差来度量,其方差Var(F1)越大,表示F1包含的信息越多。在所有的线性组合中选取的F1应该是X1,X2,…,Xp的所有线性组合中方差最大的,即F1为第一主成分;F2方差次大,并且和F1不相关,称为第二主成分。依次类推,P个变量就有P个主成分。设X的协方差矩阵为Σ,则Σ必为半正定对称矩阵,求特征值λi(按从大到小排序)及其特征向量,可以证明,λi所对应的正交化特征向量,即为第P个主成分Fm所对应的系数向量Xp,而Fm的方差贡献率定义为λi/Σλj,通常要求提取的主成分的数量k满足Σλk/Σλj>0.85。经过主成分分析法处理后的图像,原始数据指标变量将会形成相互独立的主成分,各主成分按方差大小依次排列顺序,在分析时,可以舍弃一部分主成分,取方差较大的几个主成分来代表原变量,可减少计算工作量。
其中,在采用贝叶斯算法的实施例中,所述贝叶斯算法优选朴素贝叶斯分类法,利用朴素贝叶斯分类器,根据先验概率预测样本属于某一类别的概率,具体算法分为分类器训练阶段和判别分类阶段,分类器训练阶段用于生成分类器,判别分类阶段用于根据生成的分类器判断样本所属。例如,假设x={a1,a2,…,an}为一个待分类项,而每个a为x的一个特征属性,类别集合表示为C={y1,y2,…ym},要对x进行判别分类,则需分别计算条件概率P(y1|x),P(y2|x),…,P(ym|x),则x的预测类别计算表达式为P(yk|x)=max{P(y1|x),P(y2|x),…,P(ym|x)},其中,x∈yk,yk即为贝叶斯分类器判别的待分类项x的类别。上述条件概率的计算步骤包括构造已知类别的训练样本集合以及统计训练集中各特征属性在每个类别中的条件概率估计,即P(a1|y1),P(a2|y1),…,P(an|y1);P(a1|y2),P(a2|y2),…,P(an|y2);…;P(a1|ym),P(a2|ym),…,P(an|ym)。所述各个特征属性是条件独立的情况下,条件概率的计算表达式为P(yi|x)=P(x|yi)P(yi)/P(x)。因为分母对于所有类别为常数,只要将分子最大化即可。故有:通过利用贝叶斯算法,不需要用户直接手动去提取图像特征,只需要将图像进行主成分分析法降维处理之后输入到贝叶斯网络算法中,通过先验概率等参数调节,得到所需结果,提高效率及准确率。
进一步,在本发明的另一个实施例中,所述获取绝缘子红外图谱样本库,还包括:通过红外实验获取所述绝缘子红外图谱样本库,所述绝缘子包括正常绝缘子和劣化绝缘子。在本实施例中,户外绝缘子存在正常绝缘子和劣化绝缘子,通过红外实验检测阶段可获得一定数量的红外绝缘子串图像。
进一步,在本发明的另一个实施例中,所述将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本,包括:随机从所述正常绝缘子库和所述劣化绝缘子库中抽取相同数量的正样本和负样本。由于在实际中,所获取到的正常绝缘子和劣化绝缘子的样本数量是不同的,为了更利于进一步处理,在对绝缘子红外图谱样本库的图像进行切割后,将随即抽取数量相同的N块劣化绝缘子片库和N块正常绝缘子片库作为要处理的图像,以便对绝缘子进行评估分类。
进一步,在本发明的另一个实施例中,所述对灰度化处理后的图像利用主成分分析法进行处理,还包括:
将所述灰度化处理后的图像转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。
参照图3-图4,进一步,在本发明的另一个实施例中,所述采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别,还包括:
步骤S51,将主成分分析法处理后的图像分为训练集和测试集,构建贝叶斯网络;为使模型尽快收敛,避免过拟合,从N块劣化绝缘子片库中随机抽取最终样本库作为负样本,并随机抽取正常绝缘子片库中作为正样本,最终正负样本保持一致。例如,在M幅正样本和负样本图像中,随机选择X幅图像作为训练集,Y幅图像作为测试集,其中,X与Y的数量总和为M。所述训练集用于训练贝叶斯算法结构,所述测试集验证模型的准确性;
步骤S52,利用训练集对贝叶斯网络进行完善,利用贝叶斯网络对测试集进行分类;
步骤S53,当分类正确率达到预设值时,则认为成功评估分类出绝缘子,并结束检测;当分类正确率未达到所述预设值时则再次利用训练集对贝叶斯网络进行完善,利用贝叶斯网络对测试集进行分类,直到分类正确率达到所述预设值,则认为成功评估分类出绝缘子;
步骤S54,结束检测。
参照图4-图5,进一步,在本发明的另一个实施例中,所述利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,包括以下步骤:
步骤S521,确定特征属性;
步骤S522,获取训练集;
步骤S523,对每个类别计算概率P(yi);
步骤S524,对每个特征属性计算所有划分的条件概率;
步骤S525,对每个类别计算P(x|yi)P(yi);
步骤S526,以最大项作为所属类别P(x|yi)P(yi);
其中,i为正整数,yi表示已知i个分类的待分类项集合,P(yi)表示yi类别的先验概率,x表示特征属性,P(x|yi)表示在yi类别中x出现的条件概率。
为达到有效的红外绝缘子图像分类识别,需要将贝叶斯模型与实际的绝缘子图像问题相结合。在对所获取的红外绝缘子图像样本库的图像进行识别时,首先要对图像进行特征提取,确定基本的特征量x。通过在图像中随机选择X幅图像作为训练集,对训练集中每个类别yi计算先验概率P(yi),对所提取的特征量中的每个特征属性计算所有划分的条件概率P(x|yi),在本实施例中,优选朴素贝叶斯分类法,每个特征属性为条件独立,根据贝叶斯定理,其中,P(yi|x)表示类别yi的后验概率,由于特征属性x的先验概率P(x)是常数,故只需对每个类别计算P(x|yi)P(yi),以最大项作为所属类别P(x|yi)P(yi)。本发明的技术方案通过获取图像及所提取特征量之间的关系对贝叶斯网络进行优化完善,从而得到合理的后验概率,进而完成识别过程,提高了效率和准确性。参照图5,在本实施例中,贝叶斯模型分类准确率可以达到94.2%。
参照图6,进一步,在本发明的另一个实施例中,对比贝叶斯算法和BP神经网络算法随训练样本数目变化的情况,根据变化情况可以得出两类算法的准确率均随着训练数据集的增加而提升。其中,贝叶斯算法在训练初期的准确率较低,是因为在训练过程中的特征样本库数量不足(训练样本数为0-120个),故准确率呈现较低水平。随着样本库数量的增大,准确率也逐渐提高。当训练样本数量增大至450时,准确率维持在较高水平(准确率在92%以上)。而BP神经网络算法的准确率虽具有较高的起点,但准确率增速缓慢并伴随较大的浮动,难以稳定在较高水平。故在本实施例中,优选贝叶斯算法,其具有更好的模型稳定性。
参照图7,本发明实施例还提供了一种基于红外图像的绝缘子评估分类装置,在该基于红外图像的绝缘子评估分类装置1000中,包括但不限于以下单元:样本库获取单元1100、图像切割单元1200、图像灰度处理单元1300、图像处理单元1400、绝缘子分类单元1500。
其中,样本库获取单元1100用于获取绝缘子红外图谱样本库;还用于通过红外实验获取绝缘子红外图谱样本库,所述绝缘子包括正常绝缘子和劣化绝缘子;
图像切割单元1200,用于将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本;还用于随机从所述正常绝缘子库和所述劣化绝缘子库中抽取相同数量的正样本和负样本;
图像灰度处理单元1300用于将所述正样本和所述负样本中的图像进行灰度化处理;
图像处理单元1400用于对灰度化处理后的图像利用主成分分析法进行处理;还用于将所述灰度化处理后的图像转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分;
绝缘子分类单元1500用于采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别。
进一步,本发明的另一个实施例中,所述绝缘子分类单元包括网络构建单元1510和绝缘子分类获取单元1520;
其中,所述网络构建单元1510,用于将所述主成分分析法处理后的图像分为训练集和测试集,构建贝叶斯网络;
所述绝缘子分类获取单元1520,用于利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,当分类正确率达到预设值时,则认为成功评估分类出绝缘子,并结束检测;当分类正确率未达到所述预设值时则再次利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,直到分类正确率达到所述预设值,则认为成功评估分类出绝缘子,并结束检测;还用于获取所述训练集;对每个类别计算概率P(yi);对每个特征属性计算所有划分的条件概率;对所述每个类别计算P(x|yi)P(yi);以最大项作为所属类别P(x|yi)P(yi);其中,i为正整数,yi表示已知i个分类的待分类项集合,P(yi)表示yi类别的先验概率,x表示特征属性,P(x|yi)表示在yi类别中x出现的条件概率。
需要说明的是,由于本实施例中的一种基于红外图像的绝缘子评估分类装置与上述任一实施例中的基于红外图像的绝缘子评估分类方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
参照图8,本发明实施例还提供了一种基于红外图像的绝缘子评估分类设备,该基于红外图像的绝缘子评估分类设备6000可以是任意类型的智能终端,如手机、平板电脑、个人计算机等。
进一步地,该基于红外图像的绝缘子评估分类设备6000包括:一个或多个控制处理器6001和存储器6002,图8中以一个控制处理器6001为例。
控制处理器6001和存储器6002可以通过总线或其他方式连接,图8以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的基于红外图像的绝缘子评估分类设备对应的程序指令/模块,例如,图7中所示的样本库获取单元1100、图像切割单元1200。控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块,从而执行基于红外图像的绝缘子评估分类装置1000的各种功能应用以及数据处理,即实现上述方法实施例的基于红外图像的绝缘子评估分类方法。
存储器6002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据基于红外图像的绝缘子评估分类装置1000的使用所创建的数据等。此外,存储器6002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器6002可选包括相对于控制处理器6001远程设置的存储器,这些远程存储器可以通过网络连接至该基于红外图像的绝缘子评估分类设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器6002中,当被所述一个或者多个控制处理器6001执行时,执行上述任意方法实施例中的基于红外图像的绝缘子评估分类方法。例如,执行以上描述的图1中的方法步骤S1至S5,图3中的方法步骤S51至S54,图4中的方法步骤S521至S526,实现图7中的单元1100-1500的功能。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被图8中的一个控制处理器6001执行,可使得上述一个或多个控制处理器6001执行上述方法实施例中的基于红外图像的绝缘子评估分类方法,例如,执行以上描述的图1中的方法步骤S1至S5,图3中的方法步骤S51至S54,图4中的方法步骤S521至S526,实现图7中的单元1100-1500的功能。
本发明实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行,例如,被图8中的一个控制处理器6001执行,使得计算机执行如上述基于红外图像的绝缘子评估分类方法。例如,执行以上描述的图1中的方法步骤S1至S5,图3中的方法步骤S51至S54,图4中的方法步骤S521至S526,实现图7中的单元1100-1500的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于红外图像的绝缘子评估分类方法,其特征在于,包括以下步骤:
获取绝缘子红外图谱样本库;
将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本;
将所述正样本和所述负样本中的图像进行灰度化处理;
对灰度化处理后的图像利用主成分分析法进行处理;
采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别。
2.根据权利要求1所述的基于红外图像的绝缘子评估分类方法,其特征在于,所述获取绝缘子红外图谱样本库,还包括:通过红外实验获取所述绝缘子红外图谱样本库,所述绝缘子包括正常绝缘子和劣化绝缘子。
3.根据权利要求1所述的基于红外图像的绝缘子评估分类方法,其特征在于,所述将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本,包括:随机从所述正常绝缘子库和所述劣化绝缘子库中抽取相同数量的正样本和负样本。
4.根据权利要求1所述的基于红外图像的绝缘子评估分类方法,其特征在于,所述对灰度化处理后的图像利用主成分分析法进行处理,还包括:
将所述灰度化处理后的图像转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。
5.根据权利要求1所述的基于红外图像的绝缘子评估分类方法,其特征在于,所述采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别,还包括:
将所述主成分分析法处理后的图像分为训练集和测试集,构建贝叶斯网络;
利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,
当分类正确率达到预设值时,则认为成功评估分类出绝缘子,并结束检测;当分类正确率未达到所述预设值时则再次利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,直到分类正确率达到所述预设值,则认为成功评估分类出绝缘子,并结束检测。
6.根据权利要求5所述的基于红外图像的绝缘子评估分类方法,其特征在于,所述利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,包括以下步骤:
获取所述训练集;
对每个类别计算概率P(yi);
对每个特征属性计算所有划分的条件概率;
对所述每个类别计算P(x|yi)P(yi);
以最大项作为所属类别P(x|yi)P(yi);
其中,i为正整数,yi表示已知i个分类的待分类项集合,P(yi)表示yi类别的先验概率,x表示特征属性,P(x|yi)表示在yi类别中x出现的条件概率。
7.一种基于红外图像的绝缘子评估分类装置,其特征在于,包括以下单元:
样本库获取单元,用于获取绝缘子红外图谱样本库;
图像切割单元,用于将获取的所述绝缘子红外图谱样本库的图像进行切割,得到正常绝缘子库作为正样本,劣化绝缘子库作为负样本;
图像灰度处理单元,用于将所述正样本和所述负样本中的图像进行灰度化处理;
图像处理单元,用于对灰度化处理后的图像利用主成分分析法进行处理;
绝缘子分类单元,用于采用贝叶斯算法对主成分分析法处理后的图像及绝缘子状态的特征进行训练,获取特征参量与所述绝缘子状态之间的对应关系及模型预测参数,实现绝缘子的分类和识别。
8.根据权利要求7所述的基于红外图像的绝缘子评估分类装置,其特征在于:
所述样本库获取单元还用于通过红外实验获取所述绝缘子红外图谱样本库,所述绝缘子包括正常绝缘子和劣化绝缘子;
所述图像切割单元还用于随机从所述正常绝缘子库和所述劣化绝缘子库中抽取相同数量的正样本和负样本;
所述图像处理单元还用于将所述灰度化处理后的图像转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分;
所述绝缘子分类单元包括网络构建单元和绝缘子分类获取单元;
所述网络构建单元,用于将所述主成分分析法处理后的图像分为训练集和测试集,构建贝叶斯网络;
所述绝缘子分类获取单元,用于利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,当分类正确率达到预设值时,则认为成功评估分类出绝缘子,并结束检测;当分类正确率未达到所述预设值时则再次利用所述训练集对所述贝叶斯网络进行完善,利用所述贝叶斯网络对所述测试集进行分类,直到分类正确率达到所述预设值,则认为成功评估分类出绝缘子,并结束检测;还用于获取所述训练集;对每个类别计算概率P(yi);对每个特征属性计算所有划分的条件概率;对所述每个类别计算P(x|yi)P(yi);以最大项作为所属类别P(x|yi)P(yi);其中,i为正整数,yi表示已知i个分类的待分类项集合,P(yi)表示yi类别的先验概率,x表示特征属性,P(x|yi)表示在yi类别中x出现的条件概率。
9.一种基于红外图像的绝缘子评估分类设备,其特征在于,包括:
至少一个控制处理器和用于与所述至少一个控制处理器所通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1-6任一项所述的基于红外图像的绝缘子评估分类方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的基于红外图像的绝缘子评估分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066309.XA CN110889435A (zh) | 2019-11-04 | 2019-11-04 | 基于红外图像的绝缘子评估分类方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066309.XA CN110889435A (zh) | 2019-11-04 | 2019-11-04 | 基于红外图像的绝缘子评估分类方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889435A true CN110889435A (zh) | 2020-03-17 |
Family
ID=69746810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911066309.XA Pending CN110889435A (zh) | 2019-11-04 | 2019-11-04 | 基于红外图像的绝缘子评估分类方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889435A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162011A (zh) * | 2020-09-16 | 2021-01-01 | 南方电网科学研究院有限责任公司 | 一种复合绝缘子缺陷检测方法、设备及存储介质 |
CN113780401A (zh) * | 2021-09-06 | 2021-12-10 | 国网山东省电力公司电力科学研究院 | 基于主成分分析法的复合绝缘子故障检测方法及*** |
CN115389882A (zh) * | 2022-08-26 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 电晕放电状态评估方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808575A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 基于贝叶斯分类的数据集获取方法及装置 |
CN107871107A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 人脸认证方法和装置 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
-
2019
- 2019-11-04 CN CN201911066309.XA patent/CN110889435A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808575A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 基于贝叶斯分类的数据集获取方法及装置 |
CN107871107A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 人脸认证方法和装置 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
Non-Patent Citations (4)
Title |
---|
冯小荣;惠康华;柳振东;: "基于卷积特征和贝叶斯分类器的人脸识别" * |
刘云鹏;纪欣欣;裴少通;王胜辉;: "基于稀疏表示的绝缘子紫外图谱闪络状态分类评估方法" * |
蔡永泉;王玉栋;: "以特征值关联项改进贝叶斯分类器正确率" * |
钱玲飞,刘玉树,李侃: "朴素贝叶斯分类器在地形评估中的应用方法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162011A (zh) * | 2020-09-16 | 2021-01-01 | 南方电网科学研究院有限责任公司 | 一种复合绝缘子缺陷检测方法、设备及存储介质 |
CN112162011B (zh) * | 2020-09-16 | 2023-05-02 | 南方电网科学研究院有限责任公司 | 一种复合绝缘子缺陷检测方法、设备及存储介质 |
CN113780401A (zh) * | 2021-09-06 | 2021-12-10 | 国网山东省电力公司电力科学研究院 | 基于主成分分析法的复合绝缘子故障检测方法及*** |
CN115389882A (zh) * | 2022-08-26 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 电晕放电状态评估方法、装置、计算机设备和存储介质 |
CN115389882B (zh) * | 2022-08-26 | 2024-05-28 | 中国南方电网有限责任公司超高压输电公司广州局 | 电晕放电状态评估方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及*** | |
CN110889435A (zh) | 基于红外图像的绝缘子评估分类方法及其装置 | |
CN104331698B (zh) | 一种遥感图像城区提取方法 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN109726649B (zh) | 遥感影像云检测方法、***及电子设备 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN113569819B (zh) | 刀闸开合状态的识别方法、***、存储介质及计算机设备 | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及*** | |
Nateghi et al. | Automatic detection of mitosis cell in breast cancer histopathology images using genetic algorithm | |
CN113344475A (zh) | 基于序列模态分解的变压器套管缺陷识别方法及*** | |
Zhang et al. | Defect detection of anti-vibration hammer based on improved faster R-CNN | |
CN117789038A (zh) | 一种基于机器学习的数据处理与识别模型的训练方法 | |
CN116580285B (zh) | 铁路绝缘子夜间目标识别检测方法 | |
CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及*** | |
CN111027569A (zh) | 一种基于红外图像的劣化绝缘子识别诊断方法及其装置 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析*** | |
CN113469084B (zh) | 基于对比生成对抗网络的高光谱图像分类方法 | |
Xia et al. | A multi-target detection based framework for defect analysis of electrical equipment | |
Fangrong et al. | [Retracted] Insulator and Burst Fault Detection Using an Improved Yolov3 Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |