CN116519710A - 一种用于复合绝缘子表面污秽状态的检测方法及*** - Google Patents
一种用于复合绝缘子表面污秽状态的检测方法及*** Download PDFInfo
- Publication number
- CN116519710A CN116519710A CN202310478950.4A CN202310478950A CN116519710A CN 116519710 A CN116519710 A CN 116519710A CN 202310478950 A CN202310478950 A CN 202310478950A CN 116519710 A CN116519710 A CN 116519710A
- Authority
- CN
- China
- Prior art keywords
- data
- insulator
- hyperspectral
- database
- pollution
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000002131 composite material Substances 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 230000003595 spectral effect Effects 0.000 claims abstract description 42
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 150000003839 salts Chemical class 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000003344 environmental pollutant Substances 0.000 claims description 2
- 231100000719 pollutant Toxicity 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000011109 contamination Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001579 optical reflectometry Methods 0.000 description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000299 nuclear matrix Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种用于复合绝缘子表面污秽状态的检测方法及***,包括:采集污秽绝缘子的高光谱图像,获取绝缘子区域的像素点的高光谱数据和感兴趣区域的平均光谱数据;根据高光谱数据和平均光谱数据,构建高光谱数据库,通过黑白校正、标准正态变换以及去除趋势校正,对高光谱数据库的光谱数据进行预处理,并采用选择性分段主成分分析法对全波段进行分组降维处理;通过构建多分类半监督拟牛顿支持向量机模型,将降维处理后的光谱数据,作为模型的输入数据,对光谱数据对应的污秽绝缘子的污秽状态进行识别;本发明提出的多分类半监督拟牛顿支持向量机模型可以利用少量标记样本和大量的未标记样本进行训练,以达到降低标记成本,提高模型泛化能力的目的。
Description
技术领域
本发明涉及输变电设备运行状态检修领域,具体而言,涉及一种用于复合绝缘子表面污秽状态的检测方法及***。
背景技术
绝缘子是电力***中使用量最多的电气绝缘设备,其中硅橡胶复合绝缘子具有质量轻、机械性能优越的优点并在防污闪、耐电晕以及憎水性等方面表现良好,被广泛应用于我国的高压绝缘保障体系。对复合绝缘子的污秽状态进行实时、准确的监测能够有效预防污闪事故的发生,保障电力***的稳定运行。高光谱成像技术作为一种新型的光学检测技术能够以绝缘子表面光反射率的形式来表现绝缘子表面污秽状态,污秽状态不同则光反射率不同,可以通过建立数学模型学习光反射率与污秽状态的对应关系来识别绝缘子表面污秽状态。
在实际工程中,已知污秽状态的绝缘子数量极少,难以采用全监督模式建立数学模型对复合绝缘子表面污秽状态进行准确的识别,其次,现场运行的绝缘子串不同区域的积污情况不同,表面积污的不均匀性能够显著改变绝缘子的污闪电压,在识别污秽状态的同时表现污秽的分布情况也极为重要,因此,急需一种用于复合绝缘子表面污秽状态的检测方法及***,在缺少标记样本的情况下,实现对绝缘子污秽等级以及灰盐比进行准确检测。
发明内容
为了解决上述问题,本发明的目的是提供一种用于复合绝缘子表面污秽状态的检测方法及***,在缺少标记样本的情况下,利用大量未标记样本对复合绝缘子表面污秽状态进行准确的像素级检测,并形成直观的可视化图像进一步表现绝缘子表面污秽分布情况。
为了实现上述技术目的,本申请提供了一种用于复合绝缘子表面污秽状态的检测方法,包括:
采集污秽绝缘子的高光谱图像,通过分割处理,获取绝缘子区域的像素点的高光谱数据和感兴趣区域的平均光谱数据,其中,感兴趣区域表示绝缘子污秽分布均匀的区域;
将高光谱数据作为未标记数据,构建第一数据库;
将平均光谱数据作为标记数据,通过等值盐密法得到感兴趣区域的污秽状态,以平均光谱数据为基础,构建第二数据库;
构建包含第一数据库和第二数据库的高光谱数据库,通过黑白校正、标准正态变换以及去除趋势校正,对高光谱数据库的光谱数据进行预处理后,采用选择性分段主成分分析法对全波段进行分组降维处理;
构建多分类半监督拟牛顿支持向量机模型,将降维处理后的所述光谱数据作为该模型的输入数据,进行两轮识别,分别识别灰密和盐密,并最终将两种分类结果组合。
优选地,在获取绝缘子区域的过程中,对高光谱图像进行分割处理的过程包括:
从高光谱图像中提取RGB三色图;
对RGB三色图进行高斯平滑;
将RGB三色图转换至HSV颜色空间,并根据复合绝缘子自身颜色特点设置阈值得到绝缘子串区域的掩膜;
利用形态学操作对掩膜进行腐蚀和膨胀处理,用于使掩膜形状与绝缘子区域形状贴合;
利用S204所得掩膜将绝缘子区域从原高光谱图像中分割出来,高光谱图像中除绝缘子区域的其他背景区域的光谱数据设置为0。
优选地,在对高光谱数据库进行黑白校正的过程中,黑白校正的步骤包括:
采集同一光照条件下目标绝缘子的原始高光谱图像I0,关闭透镜盖后采集的反射率为0的全黑定标图像ID以及打开镜头盖扫描校准白板的标准白色参考图像Iw,按照以下公式得到校正后的图像I:
优选地,在进行标准正态变换的过程中,对通过黑白校正后的数据的每一条光谱曲线进行SNV变换,其中,SNV变换表示为:
其中,m表示波点数,i表示第i条光谱曲线。
优选地,在进行去除趋势校正的过程中,利用最小二乘法进行二项式拟合,得到趋势曲线:
从光谱曲线中减去趋势曲线,得到处理后的光谱数据:
其中b0、b1、b2为二项式系数,x为波长,Data为SNV处理后的光谱曲线,为趋势曲线,Data*为去除趋势校正后的光谱曲线。
优选地,在进行分组降维处理的过程中,基于绝缘子表面污秽等级发生变化时,每个等级对应光谱曲线各波段变化情况,根据变化趋势可将全波段分为三个区域;
通过计算各波段相关性,将三个区域分为四个子群T1/T2/T3/T4:400~429nm波段、452.25~592.7nm波段,604.51~723.53nm波段,747.54~917.42nm波段,其中,四个子群之间存在较低的波段相关性,子群内部存在较高的波段相关性;
分别对每个子群进行主成分变换,将特征值降序排列,根据成分贡献度分别选取特征数据后,完成降维处理。
优选地,在构建多分类半监督拟牛顿支持向量机模型的过程中,在半监督支持向量机的基础上,采用L-BFGS拟牛顿法框架,增强模型的收敛性,减少运算时间与存储空间;
在拟牛顿半监督支持向量机二分类方法的基础上,采用one-against-one以及投票策略将其扩展至多分类问题,建立了多分类半监督拟牛顿支持向量机求解框架;
多分类模型由M个二分类模型组成,因此对测试样本被将被重复分类M次。此时引入投票准准则,以i类和j类之间的二分类模型为例,若对xt预测为i类则i类得票加1,否则j类得票加1。最终得票最多的类别为xt的最终预测值。若出现平票情况,则在平票的几类中随机选取。
优选地,在对污秽状态进行识别的过程中,将经预处理和降维处理后的第一数据库,按照5:1的比例随机分为训练集A和验证集;
将预处理后降维处理后的第二数据库中,随机抽取部分光谱数据作为训练集B;
设置训练集B与训练集A的数据量之比为10:1,A和B共同为训练集;
选择目标绝缘子每一像素点光谱数据,作为待测光谱数据,形成测试集;
将训练集的所有数据通过多分类半监督拟牛顿支持向量机模型,对模型进行训练和优化,使用验证集对模型参数进行调整;
将作为所述测试集的所述待测光谱数据,输入训练好的模型生成分类结果,识别所述目标绝缘子的污秽状态;
通过对目标绝缘子每一像素点污秽状态进行分类,用不同的颜色表示不同污秽状态,最后用彩色图像的形式将绝缘子每个像素点的污秽状态分类结果表示出来,形成绝缘子的污秽状态分布图。
本发明公开了一种用于复合绝缘子表面污秽状态的检测***,包括:
数据采集模块,用于采集污秽绝缘子的高光谱图像;
数据处理模块,用于根据高光谱图像,通过分割处理,获取绝缘子区域的像素点的高光谱数据和感兴趣区域的平均光谱数据,其中,感兴趣区域表示绝缘子污秽分布均匀的区域;
数据库构建模块,用于将高光谱数据作为未标记数据,构建第一数据库;并将平均光谱数据作为标记数据,通过等值盐密法得到感兴趣区域的污秽状态,以平均光谱数据为基础,构建第二数据库,构建包含第一数据库和第二数据库的高光谱数据库;
预处理模块,用于通过黑白校正、标准正态变换以及去除趋势校正,对高光谱数据库的光谱数据进行预处理后,采用选择性分段主成分分析法对全波段进行分组降维处理;
识别模块,用于通过构建多分类半监督拟牛顿支持向量机,将进行降维处理后的所述光谱数据,作为所述多分类半监督拟牛顿支持向量机的输入数据,对所述光谱数据对应的污秽绝缘子的污秽状态进行识别。
本发明公开了以下技术效果:
本发明提出的多分类半监督拟牛顿支持向量机模型可以利用少量标记样本和大量的未标记样本进行训练,以达到降低标记成本,提高模型泛化能力的目的;
本发明利用多分类半监督拟牛顿支持向量机模型对目标绝缘子每一像素点污秽状态进行分类,用不同的颜色表示不同污秽状态,最后用彩色图像的形式将绝缘子每个像素点的污秽状态分类结果表示出来,能够直观地反映绝缘子表面的污秽状态及污秽分布情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图;
图2为不同污染状态下复合绝缘子的光谱曲线图,其中,(a)表示相同污秽等级不同灰盐比光谱曲线,(b)表示相同灰盐比不同污秽等级光谱曲线;
图3为预处理前后光谱曲线对照图,其中,(a)表示预处理前光谱曲线,(b)表示预处理后光谱曲线;
图4为光谱数据波段相关性示意图;
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1-4所示,实施例1:采用手持智能型SPECIM IQ高光谱相机,其光谱覆盖紫外、可见光近红外、短波红外、中波红外和热红外等波段,波段范围为400~1000nm,具有204个光谱通道,光谱分辨率为2.9nm,空间分辨率为512×512像素。
如图1所示,本发明提出了一种基于高光谱成像技术和多分类半监督拟牛顿支持向量机模型的像素级复合绝缘子表面污秽状态检测方法,采用的技术方案如下:
S1、搭建高光谱实验平台,使用高光谱相机采集污秽绝缘子高光谱图像;
S2、利用计算机视觉技术对高光谱图像进行分割取得绝缘子区域,并提取该区域所有像素点高光谱数据和感兴趣区域平均光谱数据,采用等值盐密法检测感兴趣区域污秽状态以及绝缘子串整体污秽等级和灰盐比;
步骤S2中的利用计算机视觉技术对高光谱图像进行分割得到绝缘子区域包括以下具体内容:
S201、从高光谱图像中提取RGB三色图;
S202、对RGB三色图进行高斯平滑,以减少图像噪声,降低细节层次;
S203、将RGB三色图转换至HSV颜色空间,并根据复合绝缘子自身颜色特点设置阈值得到绝缘子串区域掩膜;
S204、利用形态学操作对S203所得掩膜进行腐蚀和膨胀处理,使掩膜形状与绝缘子区域形状更加贴合;
S205、利用S204所得掩膜将绝缘子区域从原高光谱图像中分割出来,高光谱图像中除绝缘子区域的其他背景区域的光谱数据设置为0。
步骤S2中,本发明将绝缘子区域从高光谱图像的背景中分割出来,为后续提取绝缘子区域光谱曲线奠定基础。
在步骤S2中,利用计算机视觉技术对高光谱图像进行分割取得绝缘子区域,采集到的高光谱图像的光谱维度为204维,其中包含RGB三原色波段,从高光谱图像中得到三原色图像,采用高斯平滑处理图片以减少图像噪声,降低细节层次,将平滑后的RGB三色图转换至HSV颜色空间,并根据复合绝缘子自身颜色特点设置阈值得到绝缘子串区域掩膜,利用形态学操作对绝缘子串区域掩膜进行腐蚀和膨胀处理,使掩膜形状与绝缘子区域形状更加贴合,利用掩膜将绝缘子区域从原高光谱图像中分割出来,高光谱图像中除绝缘子区域的其他背景区域的光谱数据设置为0;
在步骤S2中,提取高光谱图像中绝缘子区域所有像素点高光谱数据和感兴趣区域平均光谱数据。采用ENVI5.3软件提取绝缘子上污秽分布均匀的区域作为感兴趣区域并得到该区域的平均光谱曲线,而绝缘子所有像素点光谱数据则编写代码由程序遍历提取。
在步骤S2中,采用等值盐密法得到感兴趣区域和绝缘子串的污秽等级以及灰盐比。其中等值盐密法按照GB/T4585—2004标准进行;
S3、分别建立污秽绝缘子标记样本光谱数据库和未标记样本光谱数据库,其中感兴趣区域平均光谱曲线为标记数据,像元光谱曲线为未标记数据,附图2展示了相同灰盐比不同污秽等级以及相同污秽等级不同灰盐比下的污秽绝缘子光谱曲线;
步骤S3建立高光谱数据库包括以下具体内容:
首先,提取绝缘子区域所有像素点光谱曲线,建立未标记样本高光谱数据库,其次,选择绝缘子污秽分布均匀的区域作为感兴趣区域,提取该区域内所有像素点光谱曲线并计算平均光谱曲线,通过S2中的等值盐密法得到感兴趣区域污秽状态,以平均光谱曲线为基础建立标记样本高光谱数据库。
步骤S3为后续建立半监督检测模型学习光谱数据与污秽等级的对应关系提供了数据基础。
S4、采用黑白校正、标准正态变换(SNV)以及去除趋势校正对光谱数据进行预处理对光谱数据进行预处理;
步骤S4中黑白校正的步骤包括:
采集同一光照条件下目标绝缘子的原始高光谱图像I0,关闭透镜盖后采集的反射率为0的全黑定标图像ID以及打开镜头盖扫描校准白板的标准白色参考图像Iw,按照以下公式得到校正后的图像I:
步骤S4关于黑白校正的设计,有效消除高光谱图像采集环境和高光谱相机内部暗流对光谱曲线的影响。
步骤S4中标准正态变换的具体步骤包括:
对黑白校正后每一条光谱曲线进行SNV变换:
其中,m表示波点数,i表示第i条光谱曲线,Dataik表示第i条光谱曲线第k个波长处光谱反射率。
本发明提到的标准正态变换,用于消除固体颗粒大小、表面散射以及光程变化对光谱数据的影响。
步骤S4中去除趋势校正的具体步骤包括:
利用最小二乘法进行二项式拟合,得到趋势曲线:
从光谱曲线中减去该趋势曲线,得到处理后的光谱数据:
其中b0、b1、b2为二项式系数,x为波长,Data为SNV处理后的光谱曲线,为趋势曲线,Data*为去除趋势校正后的光谱曲线,附图3展示了预处理后的光谱曲线,由图3可知,预处理后的光谱曲线吸收谷、反射峰以及极值点更加明显,有利于后续的分类。
本发明通过将去除趋势校正与标准正态变换搭配使用,达到消除漫反射光谱基线漂移的目的。
S5、分析光谱数据特征,计算波段相关性,采用选择性分段主成分分析法对全波段进行分组降维处理;
步骤S5中光谱数据降维处理的具体步骤为:
分析图2中绝缘子表面污秽等级发生变化时,每个等级对应光谱曲线各波段变化情况,根据变化趋势可将全波段分为三个区域:400~625nm其他可见光区域,625~740nm红光区域,740~1000nm近红外区域。
计算各波段相关性,计算结果如附图4所示,上述三个区域可分为四个子群T1/T2/T3/T4:0~12波段、20-68波段(即400~429nm和452.25~592.7nm波段,对应其他可见光区域),72~112波段(即604.51~723.53nm波段,对应红光区域),120~176波段(即747.54~917.42nm波段,对应近红外区域),四个子群之间存在较低的波段相关性而子群内部存在较高的波段相关性。
分别对每个子群进行主成分变换,将特征值降序排列,根据成分贡献度分别选取特征数据。在T1选择PC1、PC2,在T2选择PC1,在T3选择PC1~PC3,在T4选择PC1~PC10,共16个特征。
光谱数据降维处理的目的是降低高光谱数据维度,避免光谱数据冗余以及光谱数据的Hughes现象引起的分类模型准确度的下降,同时,相对于主成分分析,采用选择性分段主成分分析能够减少66%的计算量。
S6、构建基于多分类半监督拟牛顿支持向量机的像素级复合绝缘子表面污秽状态检测模型,对绝缘子各像素点污秽等级以及灰盐比进行检测,并对检测结果进行可视化处理,形成直观的绝缘子表面污秽状态分布图。
步骤S6中构建像素级复合绝缘子表面污秽状态半监督检测模型的具体步骤包括:
在半监督支持向量机模型的基础上,采用L-BFGS拟牛顿法框架增强模型的收敛性,并减少了运算时间与存储空间。同时,传统S3VM仅适用于二分类问题,本文基于拟牛顿半监督支持向量机二分类方法,采用one-against-one以及投票策略将其扩展至多分类问题,建立了多分类半监督拟牛顿支持向量机求解框架,并用于复合绝缘子表面污秽情况的鉴别。
多分类模型由M个二分类模型组成,因此对测试样本被将被重复分类M次。此时引入投票准则,以i类和j类之间的二分类模型为例,若对xt预测为i类则i类得票加1,否则j类得票加1。最终得票最多的类别为xt的最终预测值。若出现平票情况,则在平票的几类中随机选取。
模型通过最小化目标函数,来求取最优超平面,具体情况如下:
式中,上标表示第i类与第j类间二分类模型的相关参数,lij表示标记样本中第i类与j类的并集的样本个数,fij表示第i类与第j类二分模型的超平面函数,为再生希尔伯特空间中,第i类与第j类二分模型函数的范数。/>表示标记数据,/>为标记数据的标签,表示未标记数据。M为二分模型的个数,n为总类别数。t1为第i类与j类的并集样本索引,t2为无标记样本的索引。γ1和γ2为模型参数,u为无标记样本的数量。VL1与VL2分别为有标记样本与无标记样本的误差函数,为便于求解此处选择连续可微的指数函数替代Hinge Loss函数:
(5)的最优解通常表示为第i类与第j类已标记样本与所有无标记样本核函数的线性组合:
其中c为惩罚系数,κ为核函数,令因此,问题转变为寻找最优的参数向量/>nij=lij+u,此时,公式(5)转换为:
其梯度为:
其中a满足:
K为核矩阵,
将经预处理和降维处理后的标记样本数据库按照5:1的比例随机分为训练集A和验证集,在预处理后降维处理后的未标记样本数据库中随机抽取部分光谱数据作为训练集B,训练集B数据量与训练集A数据量之比为10:1,A和B共同为训练集,待测光谱数据为测试集,待测光谱数据为目标绝缘子每一像素点光谱数据。将训练集数据代入模型,训练结束后,将待预测数据输入模型中,即可得最终分类结果。用不同的颜色表示不同污秽状态,最后用彩色图像的形式将绝缘子每个像素点的污秽状态分类结果表示出来,形成绝缘子的污秽状态分布图。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于复合绝缘子表面污秽状态的检测方法,其特征在于,包括:
采集污秽绝缘子的高光谱图像,通过分割处理,获取绝缘子区域的像素点的高光谱数据和感兴趣区域的平均光谱数据,其中,所述感兴趣区域表示绝缘子污秽分布均匀的区域;
将所述高光谱数据作为未标记数据,构建第一数据库;
将所述平均光谱数据作为标记数据,通过等值盐密法得到所述感兴趣区域的污秽状态,以所述平均光谱数据为基础,构建第二数据库;
构建包含所述第一数据库和所述第二数据库的高光谱数据库,通过黑白校正、标准正态变换以及去除趋势校正,对所述高光谱数据库的光谱数据进行预处理后,采用选择性分段主成分分析法对全波段进行分组降维处理;
构建多分类半监督拟牛顿支持向量机模型,将降维处理后的所述光谱数据作为该模型的输入数据,进行两轮识别,分别识别灰密和盐密,并最终将两种分类结果组合。
2.根据权利要求1所述一种用于复合绝缘子表面污秽状态的检测方法,其特征在于:
在获取绝缘子区域的过程中,对所述高光谱图像进行分割处理的过程包括:
S201、从所述高光谱图像中提取RGB三色图;
S202、对RGB三色图进行高斯平滑;
S203、将RGB三色图转换至HSV颜色空间,并根据复合绝缘子自身颜色特点设置阈值得到绝缘子串区域的掩膜
S204、利用形态学操作对所述掩膜进行腐蚀和膨胀处理,用于使掩膜形状与绝缘子区域形状贴合;
S205、利用S204所得掩膜将绝缘子区域从原高光谱图像中分割出来,高光谱图像中除绝缘子区域的其他背景区域的光谱数据设置为0。
3.根据权利要求2所述一种用于复合绝缘子表面污秽状态的检测方法,其特征在于:
在对高光谱数据库进行黑白校正的过程中,所述黑白校正的步骤包括:
采集同一光照条件下目标绝缘子的原始高光谱图像I0,关闭透镜盖后采集的反射率为0的全黑定标图像ID以及打开镜头盖扫描校准白板的标准白色参考图像Iw,按照以下公式得到校正后的图像I:
4.根据权利要求3所述一种用于复合绝缘子表面污秽状态的检测方法,其特征在于:
在进行标准正态变换的过程中,对通过黑白校正后的数据的每一条光谱曲线进行SNV变换,其中,所述SNV变换表示为:
其中,m表示波点数,i表示第i条光谱曲线。
5.根据权利要求4所述一种用于复合绝缘子表面污秽状态的检测方法,其特征在于:
在进行去除趋势校正的过程中,利用最小二乘法进行二项式拟合,得到趋势曲线:
从光谱曲线中减去所述趋势曲线,得到处理后的光谱数据:
其中b0、b1、b2为二项式系数,x为波长,Data为SNV处理后的光谱曲线,为趋势曲线,Data*为去除趋势校正后的光谱曲线。
6.根据权利要求5所述一种用于复合绝缘子表面污秽状态的检测方法,其特征在于:
在进行分组降维处理的过程中,基于绝缘子表面污秽等级发生变化时,每个等级对应光谱曲线各波段变化情况,根据变化趋势可将所述全波段分为三个区域;
通过计算各波段相关性,将三个区域分为四个子群T1/T2/T3/T4:400~429nm波段、452.25~592.7nm波段,604.51~723.53nm波段,747.54~917.42nm波段,其中,四个子群之间存在较低的波段相关性,子群内部存在较高的波段相关性;
分别对每个子群进行主成分变换,将特征值降序排列,根据成分贡献度分别选取特征数据后,完成降维处理。
7.根据权利要求6所述一种用于复合绝缘子表面污秽状态的检测方法,其特征在于:
在构建多分类半监督拟牛顿支持向量机模型的过程中,在半监督支持向量机的基础上,采用L-BFGS拟牛顿法框架,增强模型的收敛性,减少运算时间与存储空间;
在拟牛顿半监督支持向量机二分类方法的基础上,采用one-against-one以及投票策略将其扩展至多分类问题,建立了多分类半监督拟牛顿支持向量机求解框架。
8.根据权利要求7所述一种用于复合绝缘子表面污秽状态的检测方法,其特征在于:
多分类模型由M个二分类模型组成,因此对测试样本被将被重复分类M次。此时引入投票准,以i类和j类之间的二分类模型为例,若对xt预测为i类则i类得票加1,否则j类得票加1。最终得票最多的类别为xt的最终预测值。若出现平票情况,则在平票的几类中随机选取。
9.根据权利要求8所述一种用于复合绝缘子表面污秽状态的检测方法,其特征在于:
在对污秽状态进行识别的过程中,将经预处理和降维处理后的所述第一数据库,按照5:1的比例随机分为训练集A和验证集;
在预处理和降维处理后的所述第二数据库中,随机抽取部分光谱数据作为训练集B;
设置训练集B与训练集A的数据量之比为10:1,A和B共同为训练集;
选择目标绝缘子每一像素点光谱数据,作为待测光谱数据,形成测试集;
将训练集的所有数据通过多分类半监督拟牛顿支持向量机模型,对模型进行训练和优化,使用验证集数据对模型参数进行调整;
将作为所述测试集的所述待测光谱数据,输入训练好的模型生成分类结果,识别所述目标绝缘子的污秽状态;
通过对目标绝缘子每一像素点污秽状态进行分类,用不同的颜色表示不同污秽状态,最后用彩色图像的形式将绝缘子每个像素点的污秽状态分类结果表示出来,形成绝缘子的污秽状态分布图。
10.一种用于复合绝缘子表面污秽状态的检测***,其特征在于,包括:
数据采集模块,用于采集污秽绝缘子的高光谱图像;
数据处理模块,用于根据所述高光谱图像,通过分割处理,获取绝缘子区域的像素点的高光谱数据和感兴趣区域的平均光谱数据,其中,所述感兴趣区域表示绝缘子污秽分布均匀的区域;
数据库构建模块,用于将所述高光谱数据作为未标记数据,构建第一数据库;并将所述平均光谱数据作为标记数据,通过等值盐密法得到所述感兴趣区域的污秽状态,以所述平均光谱数据为基础,构建第二数据库,构建包含所述第一数据库和所述第二数据库的高光谱数据库;
预处理模块,用于通过黑白校正、标准正态变换以及去除趋势校正,对所述高光谱数据库的光谱数据进行预处理后,采用选择性分段主成分分析法对全波段进行分组降维处理;
识别模块,用于通过构建多分类半监督拟牛顿支持向量机,将进行降维处理后的所述光谱数据,作为所述多分类半监督拟牛顿支持向量机的输入数据,对所述光谱数据对应的污秽绝缘子的污秽状态进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478950.4A CN116519710A (zh) | 2023-04-28 | 2023-04-28 | 一种用于复合绝缘子表面污秽状态的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478950.4A CN116519710A (zh) | 2023-04-28 | 2023-04-28 | 一种用于复合绝缘子表面污秽状态的检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116519710A true CN116519710A (zh) | 2023-08-01 |
Family
ID=87395481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310478950.4A Pending CN116519710A (zh) | 2023-04-28 | 2023-04-28 | 一种用于复合绝缘子表面污秽状态的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116519710A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058541A (zh) * | 2023-08-03 | 2023-11-14 | 国网吉林省电力有限公司通化供电公司 | 绝缘子高光谱数据采集***及其方法 |
-
2023
- 2023-04-28 CN CN202310478950.4A patent/CN116519710A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058541A (zh) * | 2023-08-03 | 2023-11-14 | 国网吉林省电力有限公司通化供电公司 | 绝缘子高光谱数据采集***及其方法 |
CN117058541B (zh) * | 2023-08-03 | 2024-02-13 | 国网吉林省电力有限公司通化供电公司 | 绝缘子高光谱数据采集***及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN104331698B (zh) | 一种遥感图像城区提取方法 | |
Jahanshahi et al. | Parametric performance evaluation of wavelet-based corrosion detection algorithms for condition assessment of civil infrastructure systems | |
CN108108772A (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
CN113344475B (zh) | 基于序列模态分解的变压器套管缺陷识别方法及*** | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
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 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及*** | |
CN113326846B (zh) | 一种基于机器视觉的桥梁表观病害快速检测方法 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN111105389A (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
CN111223087A (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及*** | |
Huynh et al. | Multi-class support vector machines for paint condition assessment on the Sydney Harbour Bridge using hyperspectral imaging | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN104951800A (zh) | 一种面向资源开采型地区的遥感影像融合方法 | |
Kong et al. | Pixel-level assessment model of contamination conditions of composite insulators based on hyperspectral imaging technology and a semi-supervised ladder network | |
CN114119551A (zh) | 一种人脸图像质量的量化分析方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN101630369B (zh) | 一种基于小波分形特征的行人检测方法 | |
CN111428752B (zh) | 一种基于红外图像的能见度检测方法 | |
CN117173147A (zh) | 钢带加工用表面处理设备及其方法 | |
CN113689399B (zh) | 一种用于电网识别遥感图像处理方法及*** |
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 |