本發(fā)明涉及電網(wǎng)故障識(shí)別診斷技術(shù)領(lǐng)域，尤其是一種基于卷積遞歸網(wǎng)絡(luò)的絕緣子紅外診斷方法。

背景技術(shù)：

絕緣子被廣泛應(yīng)用于輸電線路中，是輸電網(wǎng)絡(luò)的重要組成部分。因此絕緣子的狀態(tài)監(jiān)測(cè)將是一個(gè)繁重的工作，相較于傳統(tǒng)的人工巡檢方式，利用紅外成像儀進(jìn)行故障巡檢更為高效，因此對(duì)紅外圖像的故障提取，是目前智能巡檢的重要發(fā)展方向?，F(xiàn)有的工作模式下，紅外圖像的故障識(shí)別主要以人工識(shí)別為主，對(duì)人員的專業(yè)素質(zhì)要求高，存在著人為因素影響大、工作效率低等缺陷。隨著智能變電站和變電站巡檢機(jī)器人的進(jìn)一步發(fā)展和普及，海量的紅外故障圖像涌入等待分析，對(duì)以人工診斷為主的傳統(tǒng)處理方式提出了新的挑戰(zhàn)。采用計(jì)算機(jī)的輔助分析手段對(duì)采集到的紅外圖像進(jìn)行自動(dòng)提取、識(shí)別、分析，可以減輕勞動(dòng)強(qiáng)度、減少對(duì)技術(shù)人員的依賴，更有利于實(shí)現(xiàn)圖像的數(shù)據(jù)化，便于進(jìn)行橫向和縱向的統(tǒng)計(jì)分析。此外，電力大數(shù)據(jù)下非結(jié)構(gòu)化數(shù)據(jù)信息的涌入對(duì)圖像識(shí)別的精度和速度提出了更高的要求，目前常用的幾種故障診斷方法，聚類分析、bp神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，在訓(xùn)練速度、收斂速度、以及模型的穩(wěn)定性等方面均有一定的缺陷，且方法較為單一，難以適應(yīng)復(fù)雜的電力系統(tǒng)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是提供一種基于卷積遞歸網(wǎng)絡(luò)的絕緣子紅外診斷方法，能夠解決現(xiàn)有技術(shù)的不足，具有較高的精度和收斂速度，且可適應(yīng)性較強(qiáng)。

為解決上述技術(shù)問(wèn)題，本發(fā)明所采取的技術(shù)方案如下。

一種基于卷積遞歸網(wǎng)絡(luò)的絕緣子紅外診斷方法，包括以下步驟：

a、對(duì)絕緣子的紅外圖像進(jìn)行分割；

b、對(duì)分割出的區(qū)域進(jìn)行驗(yàn)證，以確定絕緣子故障區(qū)域；

c、對(duì)故障區(qū)域進(jìn)行識(shí)別，對(duì)絕緣子是否發(fā)生劣化以及劣化部位做出診斷信息。

作為優(yōu)選，步驟a中，通過(guò)turbopixiel超像素分割方法，合并相似區(qū)域；利用hsv顏色空間進(jìn)行區(qū)域提取，選取平均亮度、凹凸度、中心距離三個(gè)特征量來(lái)描述區(qū)域?qū)傩浴?/p>

作為優(yōu)選，hsv顏色空間進(jìn)行區(qū)域提取時(shí)，其分割閾值的確定步驟如下，

將每個(gè)區(qū)域ri內(nèi)的顏色分量以其區(qū)域內(nèi)的均值[ri,gi,bi]替代，為了突出待分割的區(qū)域，修改標(biāo)準(zhǔn)的h值傳統(tǒng)計(jì)算公式并進(jìn)行歸一化，得到的h值計(jì)算公式為，

式中，r、b、g分別代表紅、綠、藍(lán)；

分割閾值為：

h＞0.65；s＞0.5或s＜0.12；v＞200；

所述故障區(qū)域，是結(jié)合三個(gè)特征量描述的函數(shù)f,式為：

式中，

為平均亮度，以歸一化的區(qū)域內(nèi)灰度的平均值表示，

為凹凸度，通過(guò)該區(qū)域面積和該區(qū)域的最小凸邊形的面積得到，

為中心距離，區(qū)域邊緣到圖像中心位置的最小值。

作為優(yōu)選，步驟b中，采用大律法對(duì)灰度圖進(jìn)行二值分割，查找包含故障區(qū)域的聯(lián)通區(qū)，從最小外接矩形邊緣出發(fā)設(shè)置停止條件，以確定絕緣子故障區(qū)域。

作為優(yōu)選，步驟c中，將特征提取后的樣本圖像依次經(jīng)過(guò)濾波器，卷積神經(jīng)網(wǎng)絡(luò)層，多層遞歸神經(jīng)網(wǎng)絡(luò)，最終全連接輸出到一個(gè)softmax分類器中，對(duì)絕緣子的劣化與否及劣化部位做出診斷信息。

作為優(yōu)選，輸入樣本首先經(jīng)過(guò)一級(jí)卷積網(wǎng)絡(luò)，將得到的特征輸入到第二級(jí)的多層遞歸神經(jīng)網(wǎng)絡(luò)中，遞歸神經(jīng)網(wǎng)絡(luò)的層數(shù)由設(shè)置的參數(shù)決定，最終全連接輸出到一個(gè)softmax分類器中；

濾波器中，輸入樣本的尺寸轉(zhuǎn)換為m×n，濾波器的尺寸設(shè)為r×r，濾波器的個(gè)數(shù)為k1，其預(yù)處理通過(guò)k均值聚類來(lái)無(wú)監(jiān)督實(shí)現(xiàn)，隨機(jī)選取樣本中n個(gè)r×r的特征值，作為濾波器的卷積核使用；k均值需要調(diào)整的參數(shù)僅有聚類個(gè)數(shù)k1；

卷積神經(jīng)網(wǎng)絡(luò)層中，在考慮卷積的邊緣效應(yīng)下，經(jīng)過(guò)卷積層之后得到特征圖的尺寸為個(gè)數(shù)為k1；

假設(shè)輸入的特征圖尺寸為m1×n1，即為采樣范圍為r1×r1，步長(zhǎng)為s1，則采樣后的特征圖尺寸為在經(jīng)過(guò)第一級(jí)的卷積網(wǎng)絡(luò)后的特征尺度為k1×m2×n2；

多層遞歸神經(jīng)網(wǎng)絡(luò)層，即第二級(jí)網(wǎng)絡(luò)，每一層中的所有特征向量一起連接組成下一層的特征，共享同一組權(quán)重，通過(guò)接受域的選擇逐步降低特征維度；設(shè)濾波器的接受域?yàn)閘×l，每層的遞歸神經(jīng)網(wǎng)絡(luò)數(shù)量為k2，w是二維的權(quán)重矩陣，大小為k2×k1×(k1×l×l)；在接受域無(wú)重疊的情況下，一層遞歸神經(jīng)網(wǎng)絡(luò)之后每張?zhí)卣鲌D的維度降為之后每層都將維度降低l×l倍，直到變?yōu)?×1，最終每張樣本圖像輸出的單層特征維度為n0＝k2×k1。

作為優(yōu)選，在具體實(shí)現(xiàn)中，通常將待輸入的圖像歸一化為m＝n，因此，簡(jiǎn)化特征圖尺寸為m2×n2。

采用上述技術(shù)方案所帶來(lái)的有益效果在于：本發(fā)明具有較高的精度，可適應(yīng)性較強(qiáng)，且自動(dòng)化程度高?；诰矸e遞歸網(wǎng)絡(luò)進(jìn)行的紅外檢測(cè)方法可以綜合各種劣化瓷質(zhì)絕緣子檢測(cè)方法的優(yōu)點(diǎn)，與其他無(wú)監(jiān)督訓(xùn)練方法相比，具有更強(qiáng)的自適應(yīng)性和更快的處理速度，適用于電力大數(shù)據(jù)下的海量紅外圖像的批量處理，達(dá)到提高檢測(cè)準(zhǔn)確性和檢測(cè)效率的目的。此外，卷積遞歸網(wǎng)絡(luò)需要調(diào)整的參數(shù)僅有聚類個(gè)數(shù)k1，因此在待處理維度不高的情況下具有更好的效果和算法效率。此方法通過(guò)超像素分割，將圖像分割為多個(gè)內(nèi)部性質(zhì)近似的超像素區(qū)域，提高特征信息的提取速度和準(zhǔn)確率；通過(guò)卷積遞歸網(wǎng)絡(luò)診斷瓷質(zhì)絕緣子是否劣化，避免了人工識(shí)別，減少了參數(shù)調(diào)整量，具有較強(qiáng)的實(shí)用性，有效減少了劣化絕緣子存在的安全隱患。

附圖說(shuō)明

圖1是本發(fā)明的流程圖。

圖2是卷積遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。

具體實(shí)施方式

參照?qǐng)D1-2，本發(fā)明一個(gè)具體實(shí)施方式包括以下步驟：

a、對(duì)絕緣子的紅外圖像進(jìn)行分割；

b、對(duì)分割出的區(qū)域進(jìn)行驗(yàn)證，以確定絕緣子故障區(qū)域；

c、對(duì)故障區(qū)域進(jìn)行識(shí)別，對(duì)絕緣子是否發(fā)生劣化以及劣化部位做出診斷信息。

步驟a中，通過(guò)turbopixiel超像素分割方法，合并相似區(qū)域；利用hsv顏色空間進(jìn)行區(qū)域提取，選取平均亮度、凹凸度、中心距離三個(gè)特征量來(lái)描述區(qū)域?qū)傩浴?/p>

hsv顏色空間進(jìn)行區(qū)域提取時(shí)，其分割閾值的確定步驟如下，

將每個(gè)區(qū)域ri內(nèi)的顏色分量以其區(qū)域內(nèi)的均值[ri,gi,bi]替代，為了突出待分割的區(qū)域，修改標(biāo)準(zhǔn)的h值傳統(tǒng)計(jì)算公式并進(jìn)行歸一化，得到的h值計(jì)算公式為，

式中，r、b、g分別代表紅、綠、藍(lán)；

分割閾值為：

h＞0.65；s＞0.5或s＜0.12；v＞200；

所述故障區(qū)域，是結(jié)合三個(gè)特征量描述的函數(shù)f,式為：

式中，

為平均亮度，以歸一化的區(qū)域內(nèi)灰度的平均值表示，

為凹凸度，通過(guò)該區(qū)域面積和該區(qū)域的最小凸邊形的面積得到，

為中心距離，區(qū)域邊緣到圖像中心位置的最小值。

步驟b中，采用大律法對(duì)灰度圖進(jìn)行二值分割，查找包含故障區(qū)域的聯(lián)通區(qū)，從最小外接矩形邊緣出發(fā)設(shè)置停止條件，以確定絕緣子故障區(qū)域。

步驟c中，將特征提取后的樣本圖像依次經(jīng)過(guò)濾波器，卷積神經(jīng)網(wǎng)絡(luò)層，多層遞歸神經(jīng)網(wǎng)絡(luò)，最終全連接輸出到一個(gè)softmax分類器中，對(duì)絕緣子的劣化與否及劣化部位做出診斷信息。

輸入樣本首先經(jīng)過(guò)一級(jí)卷積網(wǎng)絡(luò)，將得到的特征輸入到第二級(jí)的多層遞歸神經(jīng)網(wǎng)絡(luò)中，遞歸神經(jīng)網(wǎng)絡(luò)的層數(shù)由設(shè)置的參數(shù)決定，最終全連接輸出到一個(gè)softmax分類器中；

濾波器中，輸入樣本的尺寸轉(zhuǎn)換為m×n，濾波器的尺寸設(shè)為r×r，濾波器的個(gè)數(shù)為k1，其預(yù)處理通過(guò)k均值聚類來(lái)無(wú)監(jiān)督實(shí)現(xiàn)，隨機(jī)選取樣本中n個(gè)r×r的特征值，作為濾波器的卷積核使用；k均值需要調(diào)整的參數(shù)僅有聚類個(gè)數(shù)k1；

卷積神經(jīng)網(wǎng)絡(luò)層中，在考慮卷積的邊緣效應(yīng)下，經(jīng)過(guò)卷積層之后得到特征圖的尺寸為個(gè)數(shù)為k1；

假設(shè)輸入的特征圖尺寸為m1×n1，即為采樣范圍為r1×r1，步長(zhǎng)為s1，則采樣后的特征圖尺寸為在經(jīng)過(guò)第一級(jí)的卷積網(wǎng)絡(luò)后的特征尺度為k1×m2×n2；

多層遞歸神經(jīng)網(wǎng)絡(luò)層，即第二級(jí)網(wǎng)絡(luò)，每一層中的所有特征向量一起連接組成下一層的特征，共享同一組權(quán)重，通過(guò)接受域的選擇逐步降低特征維度；設(shè)濾波器的接受域?yàn)閘×l，每層的遞歸神經(jīng)網(wǎng)絡(luò)數(shù)量為k2，w是二維的權(quán)重矩陣，大小為k2×k1×(k1×l×l)；在接受域無(wú)重疊的情況下，一層遞歸神經(jīng)網(wǎng)絡(luò)之后每張?zhí)卣鲌D的維度降為之后每層都將維度降低l×l倍，直到變?yōu)?×1，最終每張樣本圖像輸出的單層特征維度為n0＝k2×k1。

在具體實(shí)現(xiàn)中，通常將待輸入的圖像歸一化為m＝n，因此，簡(jiǎn)化特征圖尺寸為m2×n2。

本發(fā)明是基于卷積和遞歸神經(jīng)網(wǎng)絡(luò)下的一個(gè)新的模型，樣本經(jīng)過(guò)一級(jí)卷積網(wǎng)絡(luò)，將得到的特征圖輸入第二級(jí)的多層神經(jīng)網(wǎng)絡(luò)中，其中遞歸神經(jīng)網(wǎng)絡(luò)的層數(shù)由設(shè)置的參數(shù)決定，最終全連接輸出到一個(gè)softmax分類器中。卷積遞歸網(wǎng)絡(luò)法在絕緣子的紅外識(shí)別診斷方面，具有較高的精度和收斂速度，且可適應(yīng)性較強(qiáng)，和其他無(wú)監(jiān)督訓(xùn)練方法相比具有較優(yōu)的性能。因此，該方法在瓷質(zhì)絕緣子的故障診斷和識(shí)別等方面具有重要意義。

在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”、“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。

以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書中描述的只是說(shuō)明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等效物界定。