本申請(qǐng)涉及電氣設(shè)備檢測(cè)領(lǐng)域，尤其涉及一種GIS內(nèi)部典型缺陷圖像自動(dòng)識(shí)別方法。

背景技術(shù)：

GIS(Gas Insulted Switchgear，氣體絕緣全封閉組合電器)由于具有體積較小(相比敞開(kāi)式電氣設(shè)備)、占地面積少、受外界環(huán)境影響較小等優(yōu)點(diǎn)，因此得到廣泛應(yīng)用。雖然GIS設(shè)備具有的優(yōu)越性十分顯著，但GIS設(shè)備一旦發(fā)生故障就會(huì)影響電網(wǎng)正常運(yùn)行，特別是內(nèi)部放電故障或者內(nèi)部缺陷故障，涉及的停電范圍有時(shí)就不單是發(fā)生故障的間隔、很有可能是相鄰間隔，甚至整個(gè)變電站。及時(shí)確定GIS設(shè)備的故障原因并對(duì)其進(jìn)行維修才能保證電網(wǎng)的安全穩(wěn)定運(yùn)行。

現(xiàn)有技術(shù)中，在對(duì)GIS設(shè)備內(nèi)部故障進(jìn)行檢測(cè)時(shí)，首先使用X光線對(duì)GIS設(shè)備進(jìn)行照射，獲得GIS設(shè)備各個(gè)部分的X光線檢測(cè)圖片，然后對(duì)X光線檢測(cè)圖片進(jìn)行預(yù)處理，為確定缺陷類型做準(zhǔn)備，隨后維護(hù)人員對(duì)預(yù)處理后的X光線檢測(cè)圖片進(jìn)行逐張觀察，通過(guò)判斷X光線檢測(cè)圖片中不同區(qū)域的灰度等數(shù)值確定GIS設(shè)備的內(nèi)部故障原因。

從上述對(duì)GIS設(shè)備內(nèi)部故障進(jìn)行檢測(cè)的方法中可以看出，通過(guò)維護(hù)人員對(duì)X光線檢測(cè)圖片進(jìn)行逐張觀察來(lái)判斷GIS設(shè)備缺陷類型，嚴(yán)重影響了GIS設(shè)備故障檢測(cè)的效率，當(dāng)發(fā)生大規(guī)模GIS故障時(shí)難以及時(shí)確定GIS設(shè)備缺陷類型，從而影響電網(wǎng)的及時(shí)修復(fù)，同時(shí)，通過(guò)人工觀察X光線檢測(cè)圖片難以避免的會(huì)產(chǎn)生錯(cuò)誤判斷，影響了GIS設(shè)備故障檢測(cè)的精確性。

技術(shù)實(shí)現(xiàn)要素：

為克服相關(guān)技術(shù)中存在的問(wèn)題，本申請(qǐng)?zhí)峁┝艘环NGIS內(nèi)部典型缺陷圖像自動(dòng)識(shí)別方法。

一種GIS內(nèi)部典型缺陷圖像自動(dòng)識(shí)別方法，其特征在于，包括：

獲取缺陷圖像；

對(duì)所述缺陷圖像進(jìn)行預(yù)處理，獲得目標(biāo)圖像；

對(duì)所述目標(biāo)圖像進(jìn)行特征提取，獲得特征數(shù)據(jù)；

從所述特征數(shù)據(jù)中提取特征向量；

采用多類分類器，將所述特征向量作為輸入，對(duì)所述特征向量進(jìn)行識(shí)別。

可選地，所述對(duì)所述缺陷圖像進(jìn)行預(yù)處理，獲得目標(biāo)圖像包括：

對(duì)所述缺陷圖像進(jìn)行圖像灰度化處理，獲得灰度圖像；

對(duì)所述灰度圖像進(jìn)行平滑處理，獲得平滑灰度圖像；

對(duì)所述平滑灰度圖像進(jìn)行銳化處理，獲得銳化灰度圖像；

對(duì)所述銳化灰度圖像進(jìn)行直方圖均衡化處理，獲得均衡化灰度圖像；

對(duì)所述均衡化灰度圖像進(jìn)行圖像分割，提取出目標(biāo)圖像。

可選地，所述對(duì)所述均衡化灰度圖像進(jìn)行圖像分割包括：

利用閾值分割方法將所述均衡化灰度圖像分割為目標(biāo)圖像和背景圖像。

可選地，所述對(duì)所述目標(biāo)圖像進(jìn)行特征提取包括：

從所述目標(biāo)圖像中提取灰度特征、紋理特征和HOG方向梯度直方圖特征，其中，所述灰度特征包括均值、方差、歪度、峭度和熵；所述紋理特征包括0°、45°、90°和135°四個(gè)方向上的灰度共生矩；所述HOG特征是通過(guò)計(jì)算所述目標(biāo)圖像的方向梯度直方圖得到。

可選地，所述從所述特征數(shù)據(jù)中提取特征向量包括：

從所述特征數(shù)據(jù)中選取一組特征子集構(gòu)成新的特征空間；

通過(guò)主成分分析法從所述特征空間中找到一組方差最大的正交向量，作為特征向量。

可選地，所述采用多類分類器，將所述特征向量作為輸入，對(duì)所述特征向量進(jìn)行識(shí)別包括：

將所述特征向量作為識(shí)別樣本；

設(shè)置所述多類分類器的篩選分類為第一預(yù)設(shè)缺陷類型；

將符合所述篩選分類的所述識(shí)別樣本標(biāo)記為1，不符合所述多類分類器篩選分類的所述識(shí)別樣本標(biāo)記為-1；

將標(biāo)記為1的識(shí)別樣本進(jìn)行顯示；

判斷是否存在標(biāo)記為-1的樣本；

如果存在標(biāo)記為-1的樣本，則重新設(shè)置所述多類分類器的篩選分類為第二預(yù)設(shè)缺陷類型，將所述標(biāo)記為-1的樣本作為所述多類分類器的輸入，重新進(jìn)行篩選。

可選地，構(gòu)造所述多類分類器的方法包括：

構(gòu)造K個(gè)SVM支持向量機(jī)模型，利用所述K個(gè)SVM模型組成多類分類器，其中，K為GIS設(shè)備所有內(nèi)部缺陷類型的數(shù)量；

用已知缺陷類型的歷史缺陷圖像對(duì)所述多類分類器進(jìn)行訓(xùn)練；

確定所述多類分類器的核函數(shù)和懲罰因子；

對(duì)構(gòu)造完的多類分類器進(jìn)行測(cè)試。

可選地，所述對(duì)構(gòu)造完的多類分類器進(jìn)行測(cè)試包括：

選取預(yù)設(shè)數(shù)量的待檢測(cè)缺陷圖像輸入所述多類分類器進(jìn)行識(shí)別，獲得識(shí)別類型；

對(duì)所述預(yù)設(shè)數(shù)量的待檢測(cè)缺陷圖像進(jìn)行人工識(shí)別，確定缺陷類型；

將人工識(shí)別的所述缺陷類型與所述識(shí)別類型進(jìn)行對(duì)比，確定多類分類器的識(shí)別精度；

判斷所述識(shí)別精度是否滿足工作要求；

如果所述識(shí)別精度不滿足工作要求，則繼續(xù)對(duì)所述多類分類器進(jìn)行訓(xùn)練。

本申請(qǐng)實(shí)施例提供的GIS內(nèi)部典型缺陷圖像自動(dòng)識(shí)別方法，包括獲取缺陷圖像；對(duì)所述缺陷圖像進(jìn)行預(yù)處理，獲得目標(biāo)圖像；對(duì)所述目標(biāo)圖像進(jìn)行特征提取，獲得特征數(shù)據(jù)；從所述特征數(shù)據(jù)中提取特征向量；采用多類分類器，將所述特征向量作為輸入，對(duì)所述特征向量進(jìn)行識(shí)別。本申請(qǐng)實(shí)施例通過(guò)訓(xùn)練多類分類器對(duì)缺陷類型進(jìn)行特征分類，然后篩選出滿足缺陷類型特征的缺陷圖像，從而確定缺陷圖像類型，能夠?qū)崿F(xiàn)GIS設(shè)備檢測(cè)的效率和精確性，實(shí)現(xiàn)在線監(jiān)測(cè)。

附圖說(shuō)明

為了更清楚地說(shuō)明本申請(qǐng)的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，對(duì)于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本申請(qǐng)實(shí)施例提供的一種GIS內(nèi)部典型缺陷圖像自動(dòng)識(shí)別方法的流程示意圖；

圖2為本申請(qǐng)實(shí)施例提供的一種圖像預(yù)處理的流程示意圖；

圖3為本申請(qǐng)實(shí)施例提供的一種多類分類器的識(shí)別方法流程示意圖；

圖4為本申請(qǐng)實(shí)施例提供的一種多類分類器的構(gòu)造方法流程圖；

圖5為本申請(qǐng)實(shí)施例提供的一種多類分類器構(gòu)造方法的測(cè)試流程圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本申請(qǐng)中的技術(shù)方案，下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本申請(qǐng)保護(hù)的范圍。

參見(jiàn)圖1，本申請(qǐng)?zhí)峁┑囊环NGIS內(nèi)部典型缺陷圖像自動(dòng)識(shí)別方法的流程示意圖，如圖1所示，本申請(qǐng)實(shí)施例提供的GIS內(nèi)部典型缺陷圖像自動(dòng)識(shí)別方法，包括如下步驟：

S1：獲取缺陷圖像。

缺陷圖像為X射線檢測(cè)設(shè)備拍攝到的檢測(cè)圖像。缺陷圖像盡可能的包括待檢測(cè)GIS設(shè)備全方位的檢測(cè)信息，從而保證可以準(zhǔn)確的判斷GIS的故障類型。

S2:對(duì)所述缺陷圖像進(jìn)行預(yù)處理，獲得目標(biāo)圖像。

不可避免的，在用X射線檢測(cè)裝置對(duì)GIS設(shè)備進(jìn)行檢測(cè)時(shí)會(huì)將周?chē)木拔锱臄z進(jìn)去，造成在一幅檢測(cè)圖像中會(huì)存在大量的干擾因素，從而影響檢測(cè)質(zhì)量，也增加了檢測(cè)的負(fù)擔(dān)。

圖像的預(yù)處理具體方法參見(jiàn)圖2，為本申請(qǐng)實(shí)施例提供的圖像預(yù)處理的流程示意圖，如圖2所示，圖像預(yù)處理的過(guò)程包括如下步驟：

S201：對(duì)所述缺陷圖像進(jìn)行圖像灰度化處理，獲得灰度圖像。

在對(duì)缺陷圖像進(jìn)行圖像灰度化處理時(shí)，可以利用OpenCV(Open Source Computer Vision Library，開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù))軟件中的cvCvtColor函數(shù)來(lái)實(shí)現(xiàn)RGB(Red，Green，Blue，紅、綠、藍(lán))顏色向灰度圖像的轉(zhuǎn)化。由于在進(jìn)行檢測(cè)時(shí)顏色并不會(huì)對(duì)缺陷類型造成影響，因此不需要在RGB三個(gè)分量上進(jìn)行計(jì)算，將圖像轉(zhuǎn)換成灰度圖像可以減少后續(xù)計(jì)算的步驟，提高檢測(cè)效率。

S202：對(duì)所述灰度圖像進(jìn)行平滑處理，獲得平滑灰度圖像。

利用OpenCV軟件中的cvSmooth函數(shù)，選擇3*3的模板對(duì)圖像進(jìn)行中值濾波來(lái)實(shí)現(xiàn)圖像的平滑處理。缺陷圖像會(huì)經(jīng)過(guò)采集、處理、存儲(chǔ)和傳輸?shù)纫幌盗羞^(guò)程，在這個(gè)過(guò)程中電氣系統(tǒng)和外界引入的噪聲會(huì)摻雜在缺陷圖像中，可能會(huì)影響圖像的質(zhì)量，對(duì)后續(xù)的檢測(cè)造成影響，通過(guò)中值濾波去除圖像中的噪聲即對(duì)圖像的平滑處理，可以保證圖像以較高的質(zhì)量進(jìn)行后續(xù)檢測(cè)，從而提高檢測(cè)準(zhǔn)確性。

S203：對(duì)所述平滑灰度圖像進(jìn)行銳化處理，獲得銳化灰度圖像。

圖像平滑處理后通常會(huì)使圖像中的邊界、輪廓變得模糊，為了減少這類不利效果的影響，這就需要利用圖像銳化技術(shù)，使圖像的邊緣變的清晰。圖像銳化處理的目的是為了使圖像的邊緣、輪廓線以及圖像的細(xì)節(jié)變的清晰，經(jīng)過(guò)平滑的圖像變得模糊的根本原因是因?yàn)閳D像受到了平均或積分運(yùn)算，因此可以對(duì)其進(jìn)行逆運(yùn)算(如微分運(yùn)算)就可以使圖像變的清晰。

這里選用了一種高頻濾波增強(qiáng)方法：

設(shè)▽²f為拉普拉斯算子，則：

對(duì)于離散數(shù)字圖像f(x,y)，其一階偏導(dǎo)數(shù)為：

則其二階偏導(dǎo)數(shù)為：

所以，拉普拉斯算子▽²f為：

對(duì)于擴(kuò)散現(xiàn)象引起的圖像模糊，可以用下式來(lái)進(jìn)行銳化

g(x,y)＝f(x,y)-kτ▽²f(x,y)，

這里kτ是與擴(kuò)散效應(yīng)有關(guān)的系數(shù)。該系數(shù)取值要合理，如果kτ過(guò)大，圖像輪廓邊緣會(huì)產(chǎn)生過(guò)沖；反之如果kτ過(guò)小，銳化效果就不明顯?？紤]到kτ是與擴(kuò)散效應(yīng)有關(guān)的系數(shù)，在本實(shí)現(xiàn)算法中令，kτ選取在2-8之間。

▽²近似釆用如下模板：

H＝{{1,4,1},{4,-20,4},{1,4,1}}，

最終得到：

式中f，G分別為處理前后的圖像函數(shù)。

S204：對(duì)所述銳化灰度圖像進(jìn)行直方圖均衡化處理，獲得均衡化灰度圖像。

為了提高銳化圖像的對(duì)比度，可以通過(guò)直方圖均衡化的方法使圖像灰度分布均勻，從而增大反差。在這里，直方圖均衡化采用CLAHE(Contrast-Limited Adaptive Histogram Equalization，對(duì)比度受限的自適應(yīng)直方圖均衡化)算法，其表達(dá)式為：h_ij(r)＝αh_w(r)+(1-α)h_B(r)，其中，h_w(r)是OpenCV軟件窗口的歸一化直方圖，h_B(r)是OpenCV軟件窗口外的歸一化直方圖，其中，0≤α≤1。設(shè)S_w和S_B分別代表OpenCV軟件窗口外部區(qū)域W和OpenCV軟件窗口內(nèi)部區(qū)域B的面積，如果α＝S_w/(S_w+S_B)，則h_W(r)＝h(r)，表示局部直方圖與全局直方圖相等；如果α>S_w/(S_w+S_B)，則局部直方圖單獨(dú)均衡化，從而強(qiáng)調(diào)局部信息。因此可以通過(guò)改變?chǔ)链笮?lái)調(diào)節(jié)局部直方圖，以模擬周?chē)h(huán)境對(duì)相關(guān)區(qū)域的影響。

S205：對(duì)所述均衡化灰度圖像進(jìn)行圖像分割，提取出目標(biāo)圖像。

為了實(shí)現(xiàn)檢測(cè)的快速進(jìn)行，并且避免缺陷圖像中GIS設(shè)備外部背景的影響，需要對(duì)圖像進(jìn)行分割，提取出目標(biāo)圖像，在此處，選用利用閾值分割方法將均衡化灰度圖像分割為目標(biāo)圖像和背景圖像，其中，閾值分割算法的數(shù)學(xué)描述如下：

設(shè)GIS內(nèi)部缺陷圖像的灰度等級(jí)為[0，L-1]，其中第i級(jí)像素為N_i，i∈[0，L-1]，則圖像的總像素點(diǎn)個(gè)數(shù)為：第i級(jí)像素出現(xiàn)的概率為：P_i＝N_i/N。以閾值T將所有的像素分為目標(biāo)C₀和背景C₁，其中，C₀類的像素灰度級(jí)為[0，T]，C₁類的像素灰度級(jí)為[T+1，L-1]，可以得到圖像的平均像素為：進(jìn)而得到C₀和C₁的均值：式中，

在確定閾值T時(shí)可以根據(jù)u_T＝ω₀u₀+ω₁u₁，計(jì)算最大類間方差：σ²(T)＝ω₀ω₁(u₀-u₁)²，令閾值T在[0，L-1]內(nèi)依次取值，σ²(T)最大時(shí)的T值即為閾值分割法的最佳閾值。

S3：對(duì)所述目標(biāo)圖像進(jìn)行特征提取，獲得特征數(shù)據(jù)。

從目標(biāo)圖像中提取灰度特征、紋理特征和HOG方向梯度直方圖特征作為后續(xù)檢測(cè)的輸入，其中，灰度特征包括：均值、方差、歪度、峭度和熵；紋理特征為0°、45°、90°和135°四個(gè)方向上的灰度共生矩；HOG特征是通過(guò)計(jì)算目標(biāo)圖像的方向梯度直方圖得到。

S4：從所述特征數(shù)據(jù)中提取特征向量。

特征選擇實(shí)質(zhì)上也是一個(gè)數(shù)據(jù)降維的過(guò)程，在考慮特征間相關(guān)性和冗余信息的基礎(chǔ)之上選擇特征空間中一組特征子集構(gòu)成新的特征空間，從而將原始特征空間投影到新的低維特征空間，實(shí)現(xiàn)數(shù)據(jù)降維。通過(guò)特征選擇，可以增強(qiáng)特征向量的解釋能力，縮短分類器的訓(xùn)練時(shí)間，同時(shí)防止分類器訓(xùn)練時(shí)的過(guò)度擬合。

主成分分析法是統(tǒng)計(jì)學(xué)中常用的一種數(shù)據(jù)分析方法，在圖像處理中又被稱作Karhunen-Loève變換(K-L變換)，其基本原理是通過(guò)正交投影變換將高維向量空間投影到低維的向量空間，從而實(shí)現(xiàn)數(shù)據(jù)降維。從信號(hào)處理的角度來(lái)看，信號(hào)與噪聲的區(qū)別在于，信號(hào)的方差相對(duì)于噪聲方差來(lái)說(shuō)往往比較大。因此主成分分析法通過(guò)線性組合的方式找到一組保證方差最大化的正交向量，盡可能的去除各個(gè)特征之間的相關(guān)性，將原向量空間到新向量空間的投影系數(shù)作為新的特征向量。

S5：采用多類分類器，將所述特征向量作為輸入，對(duì)所述特征向量進(jìn)行識(shí)別。

分類器的具體識(shí)別方法參見(jiàn)圖3，為本申請(qǐng)實(shí)施例提供的一種多類分類器的識(shí)別方法流程示意圖，如圖3所述，本申請(qǐng)實(shí)施例提供的多類分類器的識(shí)別方法包括如下步驟：

S501：將所述特征向量作為識(shí)別樣本。

S502：設(shè)置所述多類分類器的篩選分類為第一預(yù)設(shè)缺陷類型。

S503：將符合所述篩選分類的所述識(shí)別樣本標(biāo)記為1，不符合所述多類分類器篩選分類的所述識(shí)別樣本標(biāo)記為-1。

S504：將標(biāo)記為1的識(shí)別樣本進(jìn)行顯示。

S505：判斷是否存在標(biāo)記為-1的樣本。

S506：如果存在標(biāo)記為-1的樣本，則重新設(shè)置所述多類分類器的篩選分類為第二預(yù)設(shè)缺陷類型，將所述標(biāo)記為-1的樣本作為所述多類分類器的輸入，重新進(jìn)行篩選。

假設(shè)識(shí)別樣本中共有A、B、C、D四種缺陷類型，則可以將A分為一類，B、C、D分為一類，將A確定為第一預(yù)設(shè)缺陷類型，將識(shí)別樣本全部輸入多類分類器之后將滿足A類型即第一預(yù)設(shè)缺陷類型的樣本標(biāo)記為1，將不滿足A類型即第一預(yù)設(shè)缺陷類型的樣本標(biāo)記為-1，標(biāo)記為1的樣本即為篩選出的A缺陷類型，將標(biāo)記為1的樣本進(jìn)行顯示，顯示內(nèi)容需表明顯示樣本符合A類型。判斷是否存在標(biāo)記為-1的識(shí)別樣本，例如，在初始的識(shí)別樣本中只有A類型，則就不存在B、C、D類型，因此也就不存在標(biāo)記為-1的識(shí)別樣本，當(dāng)不存在標(biāo)記為-1的識(shí)別樣本時(shí)就無(wú)需再進(jìn)行篩選。

當(dāng)存在標(biāo)記為-1的識(shí)別樣本時(shí)，在標(biāo)記為-1的十倍樣本中同時(shí)包含了B、C、D三種缺陷類型，則需要將標(biāo)記為-1的樣本作為新的識(shí)別樣本重新分為兩類，例如將B作為一類，C、D作為另一類，確定B為第二預(yù)設(shè)缺陷類型，將滿足B類型即第二預(yù)設(shè)缺陷類型的樣本標(biāo)記為1，將不滿足B類型即第二預(yù)設(shè)缺陷類型的樣本標(biāo)記為-1，標(biāo)記為1的樣本即為篩選出的B缺陷類型，將標(biāo)記為1的樣本進(jìn)行顯示,顯示內(nèi)容需表明顯示樣本符合B類型。相似的，繼續(xù)對(duì)C、D類型記性篩選，直至全部類型均篩選完畢，即不存在標(biāo)記為-1的樣本。需要說(shuō)明的是，第一預(yù)設(shè)缺陷類型和第二預(yù)設(shè)缺陷類型的選取順序不影響本申請(qǐng)。

參見(jiàn)圖4，為本申請(qǐng)實(shí)施例提供的一種多類分類器的構(gòu)造方法流程圖，如圖4所示，本申請(qǐng)實(shí)施例提供的多類分類器的構(gòu)造方法包括如下步驟：

S701：構(gòu)造K個(gè)SVM支持向量機(jī)模型，利用所述K個(gè)SVM模型組成多類分類器，其中，K為GIS設(shè)備所有內(nèi)部缺陷類型的數(shù)量。

SVM((Support Vector Machine，支持向量機(jī))模型為一種二分類的分類模型，而我們需要篩選的缺陷類型一般多于兩個(gè)，因此需要用多個(gè)SVM模型組成多類分類器來(lái)實(shí)現(xiàn)多類分類的功能，SVM模型的數(shù)量與要篩選的缺陷類型的數(shù)量相同，例如，如果GIS設(shè)備一共有4種缺陷類型，則只需要構(gòu)造4個(gè)SVM模型即可。

S702：用已知缺陷類型的歷史缺陷圖像對(duì)所述多類分類器進(jìn)行訓(xùn)練。

在訓(xùn)練第i個(gè)模型時(shí)，將第i個(gè)類型作為一類，其他所有類型單獨(dú)作為一類。從而能夠得到l份數(shù)據(jù)(x₁，y₁)，...，(x_l，y_l)，其中x_i∈Rⁿ，i＝1,...,l且y_i∈{1,...,l}表示x_i的類型。第i個(gè)SVM模型通過(guò)以下方法求得：

其中訓(xùn)練x_i通過(guò)核函數(shù)Φ和懲罰因子C映射到高維空間。

最小化是為了使得最大化，他描述了數(shù)據(jù)集與分類超平面的幾何間隔。如果數(shù)據(jù)集線性不可分，那么懲罰項(xiàng)可以盡可能的抑制噪聲的影響。

經(jīng)過(guò)以上計(jì)算能夠得到k個(gè)決策函數(shù)：

對(duì)于未知樣本x，將x帶入各個(gè)決策函數(shù)中，在哪個(gè)決策函數(shù)中獲得最大值，就判定x屬于哪一個(gè)類型：

x＝arg max_i＝1,…,k((ωⁱ)^Tφ(x)+bⁱ)，即為上述的確定識(shí)別樣本為哪個(gè)類型。

S703：確定所述多類分類器的核函數(shù)和懲罰因子。

對(duì)多類分類器構(gòu)造完成后，需要選擇分類器參數(shù)，即定核函數(shù)以及懲罰因子。這里選用高斯徑向核和作為構(gòu)造分類器的核函數(shù)。高斯徑向核的形式如下：

K(x_i,y_j)＝exp(-γ||x_i-y_j||^T),γ＞0，當(dāng)γ確定時(shí)，高斯核唯一確定。

通過(guò)交叉驗(yàn)證的v-fold方法來(lái)確定核函數(shù)和懲罰因子。首先將樣本集分割成同等大小的v個(gè)子集，讓在一定范圍內(nèi)取值構(gòu)造分類器，然后將每一個(gè)子集作為測(cè)試用例對(duì)用剩下的v-1個(gè)子集訓(xùn)練得到的分類器進(jìn)行測(cè)試。因此分類器獲得的分類準(zhǔn)確率是對(duì)所有樣本進(jìn)行分類的準(zhǔn)確率。然后取使得分類準(zhǔn)確率最高的(C，γ)，即是最優(yōu)參數(shù)。但不排除存在多組(C，γ)使得分類準(zhǔn)確率最高的情況。這時(shí)取其中C最小的參數(shù)組合。如果對(duì)應(yīng)最小C有多個(gè)γ滿足要求，那么選取搜索到的第一組參數(shù)。這是因?yàn)镃表征分類器的置信范圍，過(guò)大的C會(huì)導(dǎo)致過(guò)學(xué)習(xí)狀態(tài)，也就是對(duì)訓(xùn)練集分類準(zhǔn)確率很高而對(duì)測(cè)試集分類準(zhǔn)確率缺很低。所以，同樣滿足分類準(zhǔn)確率最高條件的參數(shù)組合，應(yīng)選擇C盡量小的那一組。

S704：對(duì)構(gòu)造完的多類分類器進(jìn)行測(cè)試。

多類分類器的具體測(cè)試方法參見(jiàn)圖5，為本申請(qǐng)實(shí)施例提供的一種多類分類器構(gòu)造方法的測(cè)試流程圖，如圖5所示，本申請(qǐng)實(shí)施例提供的多類分類器的測(cè)試方法包括如下步驟：

S7041：選取預(yù)設(shè)數(shù)量的待檢測(cè)缺陷圖像輸入所述多類分類器進(jìn)行識(shí)別，獲得識(shí)別類型。

S7042：對(duì)所述預(yù)設(shè)數(shù)量的待檢測(cè)缺陷圖像進(jìn)行人工識(shí)別，確定缺陷類型。

S7043：將人工識(shí)別的所述缺陷類型與所述識(shí)別類型進(jìn)行對(duì)比，確定多類分類器的識(shí)別精度。

S7044：判斷所述識(shí)別精度是否滿足工作要求。

S7045：如果所述識(shí)別精度不滿足工作要求，則繼續(xù)對(duì)所述多類分類器進(jìn)行訓(xùn)練。

例如，將GIS缺陷類型劃分為3類，分別為設(shè)備正常、工具異物缺陷和GIS金屬異物缺陷，每個(gè)類型選取50組，在已知缺陷類型的情況下對(duì)完成訓(xùn)練的進(jìn)行測(cè)試。首先對(duì)輸入的圖像進(jìn)行預(yù)處理、分割、特征值提取，最后進(jìn)行識(shí)別，得到識(shí)別結(jié)果。根絕識(shí)別結(jié)果確定多類分類器的識(shí)別精確度，如果精確度可以滿足工作需要?jiǎng)t多類分類器構(gòu)造完成，如果精確度不能滿足工作要求則對(duì)多類分類器繼續(xù)進(jìn)行訓(xùn)練，進(jìn)一步確定合適的核函數(shù)和懲罰因子，其中，具體的精確度需要達(dá)到多少有用戶自行確定。

本申請(qǐng)實(shí)施例通過(guò)訓(xùn)練多類分類器對(duì)缺陷類型進(jìn)行特征分類，然后篩選出滿足缺陷類型特征的缺陷圖像，從而確定缺陷圖像類型，能夠?qū)崿F(xiàn)GIS設(shè)備檢測(cè)的效率和精確性，實(shí)現(xiàn)在線監(jiān)測(cè)。

需要說(shuō)明的是，在本文中，諸如“第一”和“第二”等之類的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開(kāi)來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上所述僅是本申請(qǐng)的具體實(shí)施方式，使本領(lǐng)域技術(shù)人員能夠理解或?qū)崿F(xiàn)本申請(qǐng)。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本申請(qǐng)的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本申請(qǐng)將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。

以上所述的本申請(qǐng)實(shí)施方式并不構(gòu)成對(duì)本申請(qǐng)保護(hù)范圍的限定。