本發(fā)明屬于輸電線路圖像處理技術(shù)領(lǐng)域，具體涉及一種基于色彩特征的瓷質(zhì)絕緣子灰密程度檢測(cè)方法。

背景技術(shù)：

絕緣子是高壓輸電線路中起著支撐與絕緣作用的重要部件，其工作狀態(tài)直接關(guān)系到整個(gè)電力系統(tǒng)的安全穩(wěn)定運(yùn)行。由于受到空氣中塵埃等污染物的長(zhǎng)期作用，絕緣子表面會(huì)形成污穢層?？諝鉂穸容^大時(shí)污穢層吸收水分導(dǎo)致絕緣子外絕緣強(qiáng)度顯著下降，極易發(fā)生污閃事故，造成大面積停電。如何準(zhǔn)確、簡(jiǎn)便、可靠地實(shí)現(xiàn)絕緣子污穢檢測(cè)是電力部門關(guān)心的重要問題，也是當(dāng)前學(xué)術(shù)界的研究熱點(diǎn)。

目前，絕緣子污穢檢測(cè)方法主要有等值附鹽密度法、泄漏電流法和紅外測(cè)溫法等。等值附鹽密度法由于污穢采樣需要停電，且操作流程復(fù)雜，難以實(shí)現(xiàn)污穢等級(jí)的高效、在線檢測(cè)。由于在低環(huán)境濕度條件下泄漏電流與發(fā)熱現(xiàn)象均不明顯，故泄漏電流法和紅外測(cè)溫法這兩種方法需要在較高濕度條件下使用。利用可見光圖像檢測(cè)絕緣子污穢具有無需停電、非接觸測(cè)量、不受溫度和濕度等環(huán)境因素影響的優(yōu)點(diǎn)，絕緣子表面灰密程度的差異在圖像上表現(xiàn)為盤面區(qū)域色彩的不同，所以根據(jù)絕緣子盤面區(qū)域圖像色彩的差異可以用來判斷絕緣子灰密程度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于色彩特征的瓷質(zhì)絕緣子灰密程度檢測(cè)方法，解決了現(xiàn)有灰密程度檢測(cè)方法無法非接觸、在線高效檢測(cè)的問題。

本發(fā)明所采用的技術(shù)方案是，一種基于色彩特征的瓷質(zhì)絕緣子灰密程度檢測(cè)方法，將彩色圖像通道轉(zhuǎn)換得到h分量后用二維最小誤差法結(jié)合形態(tài)學(xué)濾波分割提取出絕緣子盤面區(qū)域，然后提取盤面區(qū)域六個(gè)通道的均值、最大值、最小值、極差、方差、灰度各向異性、灰度熵7個(gè)特征量并用fisher準(zhǔn)則函數(shù)篩選出分類能力強(qiáng)的特征作為灰密程度判別特征，最后將訓(xùn)練集的判別特征作為輸入，灰密程度作為輸出對(duì)思維進(jìn)化算法mea優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用測(cè)試集數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)并判斷準(zhǔn)確率，可以實(shí)現(xiàn)絕緣子灰密程度的非接觸、在線高效檢測(cè)。

本發(fā)明的特點(diǎn)還在于：

一種基于色彩特征的瓷質(zhì)絕緣子灰密程度檢測(cè)方法，具體按照以下步驟實(shí)施：

步驟1：將采集到的絕緣子彩色圖像通道分解并轉(zhuǎn)換，用二維最小誤差法對(duì)h分量進(jìn)行分割提取出絕緣子區(qū)域，然后采用形態(tài)學(xué)濾波消除干擾小區(qū)域及絕緣子之間的孔洞；

步驟2：分別提取絕緣子盤面區(qū)域六個(gè)通道的均值、最大值、最小值、極差、方差、灰度各向異性、灰度熵7個(gè)特征作為原始特征量，然后采用fisher準(zhǔn)則函數(shù)篩選出分類能力較強(qiáng)的特征作為灰密程度判別特征；

步驟3：將步驟2中得到的n個(gè)訓(xùn)練樣本的判別特征作為思維進(jìn)化算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的輸入，灰密程度作為輸出，訓(xùn)練得到可見光灰密程度判別神經(jīng)網(wǎng)絡(luò)；

步驟4：對(duì)步驟3中得到的mea優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真測(cè)試，將步驟2中得到的m個(gè)測(cè)試樣本的判別特征作為輸入，得到輸出的判別灰密程度。

步驟1中二維最小誤差法公式如下：

其中，p0(s,t)，p1(s,t)表示先驗(yàn)概率，δ00(s,t)，δ01(s,t)，δ10(s,t)，δ11(s,t)表示正態(tài)分布方差，ρ0(s,t)，ρ1(s,t)表示相關(guān)系數(shù)；

當(dāng)取最小值時(shí)獲得最佳閾值：

步驟1中分割后圖像有一些干擾小區(qū)域，且絕緣子片之間有一定的孔洞，對(duì)分割后的區(qū)域進(jìn)行連通域標(biāo)記，通過對(duì)二值圖像中白色像素進(jìn)行標(biāo)記，讓每個(gè)單獨(dú)的連通區(qū)域形成一個(gè)被標(biāo)識(shí)的塊，進(jìn)一步獲取這些塊的輪廓、外接矩形、質(zhì)心、面積等幾何參數(shù)，通過面積參數(shù)去除干擾小區(qū)域，篩選出絕緣子所在區(qū)域，然后利用形態(tài)學(xué)濾波對(duì)圖像進(jìn)行處理，得到干凈的絕緣子盤面區(qū)域。

步驟2具體為：

將絕緣子盤面區(qū)域分解為r、g、b、h、s、i六個(gè)通道，分別提取六個(gè)通道的均值、最大值、最小值、極差、方差、灰度各向異性、灰度熵7個(gè)特征作為原始特征量，故總共可以得到42個(gè)特征量，然后采用fisher準(zhǔn)則函數(shù)進(jìn)行篩選，fisher準(zhǔn)則函數(shù)篩選原理是分類能力強(qiáng)的特征類內(nèi)方差應(yīng)盡量小，類間方差應(yīng)盡量大，函數(shù)值越大表示該特征的可分性越好；

定義數(shù)據(jù)集ω中一共有n個(gè)樣本分別屬于n個(gè)類l1,l2,...ln，每類包含ni個(gè)樣本，和分別為樣本的第j維特征的類間方差和類內(nèi)方差，表達(dá)式如下：

上式中，表示第i類樣本第j維特征的均值，m^j表示全部樣本第j維特征的均值，a^j表示樣本a的第j維特征；

單個(gè)特征的fisher準(zhǔn)則函數(shù)為：

某維特征的fisher準(zhǔn)則函數(shù)值f越大，表示該維特征的可分性越好；

篩選f值最大的三個(gè)特征量s均值、s最大值和s方差作為灰密程度判別特征來對(duì)灰密程度進(jìn)行分類。

步驟3具體為：

步驟3.1：獲取n個(gè)訓(xùn)練樣本的輸入和輸出數(shù)據(jù)，并對(duì)輸入數(shù)據(jù)進(jìn)行歸一化；

步驟3.2：根據(jù)bp神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)3-7-5，將解空間映射到編碼空間，編碼長(zhǎng)度s＝s1×s2+s2×s3+s2+s3，其中s1為輸入層節(jié)點(diǎn)數(shù)，s2為隱含層節(jié)點(diǎn)數(shù)，s3為輸出層節(jié)點(diǎn)數(shù)，編碼長(zhǎng)度即權(quán)值和閾值的總個(gè)數(shù)；

步驟3.3：設(shè)置迭代次數(shù)為20，種群大小為200，優(yōu)勝子種群大小和臨時(shí)子種群大小均為5，定義一個(gè)得分函數(shù)val＝1/mse(t-tout)，其中t為期望輸出，tout為每次迭代后輸出層的輸出值，se為均方誤差；根據(jù)得分篩選出得分最高的5個(gè)優(yōu)勝個(gè)體和5個(gè)臨時(shí)個(gè)體并以此為中心產(chǎn)生5個(gè)優(yōu)勝子種群和5個(gè)臨時(shí)子種群；

步驟3.4：在各個(gè)子群體內(nèi)部執(zhí)行趨同操作直至該子群體成熟，計(jì)算該子群體內(nèi)最優(yōu)個(gè)體的得分，將各個(gè)子群體內(nèi)最優(yōu)個(gè)體的得分在全局公告板上張貼，子群體之間執(zhí)行異化操作，從而得到全局最優(yōu)個(gè)體及其得分；

步驟3.5：若不滿足迭代結(jié)束條件，返回步驟3.4繼續(xù)執(zhí)行，不斷迭代，直到迭代結(jié)束后輸出最優(yōu)個(gè)體并進(jìn)行解碼，產(chǎn)生bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，然后利用步驟3.1中產(chǎn)生的輸入和輸出數(shù)據(jù)對(duì)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到灰密程度判別神經(jīng)網(wǎng)絡(luò)。

本發(fā)明的有益效果是：本發(fā)明基于色彩特征的瓷質(zhì)絕緣子灰密程度檢測(cè)方法，將采集到的絕緣子圖像轉(zhuǎn)換為h分量圖像后，考慮到最小誤差法受目標(biāo)大小影響小、精度高和速度快的優(yōu)點(diǎn)，二維直方圖可以充分利用圖像信息，受噪聲干擾小的優(yōu)點(diǎn)，采用二維最小誤差法對(duì)圖像進(jìn)行分割提取絕緣子區(qū)域，并結(jié)合形態(tài)學(xué)濾波去除干擾小區(qū)域和絕緣子之間的孔洞，得到清晰完整的絕緣子盤面區(qū)域，有利于后續(xù)的顏色特征提取。分別計(jì)算每級(jí)圖像中六個(gè)通道的均值、最大值、最小值、極差、方差、灰度各向異性、灰度熵7個(gè)特征作為原始特征量，采用fisher準(zhǔn)則選擇分類能力較強(qiáng)的特征作為灰密程度判別特征。思維進(jìn)化算法(mea)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)可以記憶不止一代的進(jìn)化信息，指導(dǎo)趨同與異化向著有利的方向進(jìn)行，利用其全局搜索性優(yōu)化bp神經(jīng)網(wǎng)絡(luò)中的初始權(quán)值和閾值，比單一的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有很大提高。

附圖說明

圖1是本發(fā)明灰密程度檢測(cè)方法的流程圖；

圖2是本發(fā)明灰密程度檢測(cè)方法中不同灰密程度絕緣子圖像三維特征分布圖；

圖3是本發(fā)明灰密程度檢測(cè)方法中mea優(yōu)化bp神經(jīng)網(wǎng)絡(luò)流程圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說明。

本發(fā)明一種基于色彩特征的瓷質(zhì)絕緣子灰密程度檢測(cè)方法，將彩色圖像通道轉(zhuǎn)換得到h分量后用二維最小誤差法結(jié)合形態(tài)學(xué)濾波分割提取出絕緣子盤面區(qū)域，然后提取盤面區(qū)域六個(gè)通道的均值、最大值、最小值、極差、方差、灰度各向異性、灰度熵7個(gè)特征量并用fisher準(zhǔn)則函數(shù)篩選出分類能力強(qiáng)的特征作為灰密程度判別特征，最后將訓(xùn)練集的判別特征作為輸入，灰密程度作為輸出對(duì)思維進(jìn)化算法mea優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用測(cè)試集數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)并判斷準(zhǔn)確率，可以實(shí)現(xiàn)絕緣子污穢等級(jí)的非接觸、在線高效檢測(cè)。

本發(fā)明一種基于色彩特征的瓷質(zhì)絕緣子灰密程度檢測(cè)方法，如圖1所示，具體按照以下步驟實(shí)施：

步驟1：將采集到的絕緣子彩色圖像通道分解并轉(zhuǎn)換，用二維最小誤差法對(duì)h分量進(jìn)行分割提取出絕緣子區(qū)域，然后采用形態(tài)學(xué)濾波消除干擾小區(qū)域及絕緣子之間的孔洞；

將采集到的絕緣子圖像轉(zhuǎn)換為h分量圖像后，考慮到絕緣子圖像拍攝環(huán)境的因素，由于最小誤差法受目標(biāo)大小影響小、精度高、速度快以及二維直方圖可以充分利用圖像信息、受噪聲干擾小，故采用二維最小誤差法對(duì)采集到的絕緣子圖像進(jìn)行分割來提取絕緣子區(qū)域。二維最小誤差法公式如下：

其中，p0(s,t)，p1(s,t)表示先驗(yàn)概率，δ00(s,t)，δ01(s,t)，δ10(s,t)，δ11(s,t)表示正態(tài)分布方差，ρ0(s,t)，ρ1(s,t)表示相關(guān)系數(shù)；

當(dāng)取最小值時(shí)獲得最佳閾值：

分割后圖像有一些干擾小區(qū)域，且絕緣子片之間有一定的孔洞，故對(duì)分割后的區(qū)域進(jìn)行連通域標(biāo)記，通過對(duì)二值圖像中白色像素(目標(biāo))進(jìn)行標(biāo)記，讓每個(gè)單獨(dú)的連通區(qū)域形成一個(gè)被標(biāo)識(shí)的塊，就可以進(jìn)一步獲取這些塊的輪廓、外接矩形、質(zhì)心、面積等幾何參數(shù)，本發(fā)明通過面積參數(shù)去除干擾小區(qū)域，篩選出絕緣子所在區(qū)域，然后利用形態(tài)學(xué)濾波對(duì)圖像進(jìn)行處理，得到干凈的絕緣子盤面區(qū)域。

步驟2：分別提取絕緣子盤面區(qū)域六個(gè)通道的均值、最大值、最小值、極差、方差、灰度各向異性、灰度熵7個(gè)特征作為原始特征量，然后采用fisher準(zhǔn)則函數(shù)篩選出分類能力較強(qiáng)的特征作為灰密程度判別特征；

將絕緣子盤面區(qū)域分解為r、g、b、h、s、i六個(gè)通道，分別提取六個(gè)通道的均值、最大值、最小值、極差、方差、灰度各向異性、灰度熵7個(gè)特征作為原始特征量，故總共可以得到42個(gè)特征量，然后采用fisher準(zhǔn)則函數(shù)進(jìn)行篩選，其基本原理是分類能力強(qiáng)的特征類內(nèi)方差應(yīng)盡量小，類間方差應(yīng)盡量大，函數(shù)值越大表示該特征的可分性越好。定義數(shù)據(jù)集ω中一共有n個(gè)樣本分別屬于n個(gè)類l1,l2,...ln，每類包含ni個(gè)樣本，和分別為樣本的第j維特征的類間方差和類內(nèi)方差，表達(dá)式如下：

上式中，表示第i類樣本第j維特征的均值，m^j表示全部樣本第j維特征的均值，a^j表示樣本a的第j維特征。單個(gè)特征的fisher準(zhǔn)則函數(shù)為：

某維特征的fisher準(zhǔn)則函數(shù)值f越大，表示該維特征的可分性越好。本發(fā)明篩選出f值最大的三個(gè)特征量s均值、s最大值和s方差作為灰密程度判別特征來對(duì)灰密程度進(jìn)行分類。不同灰密程度絕緣子圖像三維特征分布圖如圖2所示，可以看出五個(gè)灰密程度之間沒有交集，達(dá)到了較好的分離效果。

步驟3：將步驟2中得到的200個(gè)訓(xùn)練樣本的判別特征作為思維進(jìn)化算法(mea)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的輸入，灰密程度作為輸出，訓(xùn)練得到可見光灰密程度判別神經(jīng)網(wǎng)絡(luò)，流程圖如圖3所示，具體按照以下步驟實(shí)施：

步驟3.1：獲取200個(gè)訓(xùn)練樣本的輸入和輸出數(shù)據(jù)，為了較少變量差異較大對(duì)模型性能的影響，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化；

步驟3.2：根據(jù)bp神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)3-7-5，將解空間映射到編碼空間，編碼長(zhǎng)度(權(quán)值和閾值的總個(gè)數(shù))s＝s1×s2+s2×s3+s2+s3，其中s1為輸入層節(jié)點(diǎn)數(shù)，s2為隱含層節(jié)點(diǎn)數(shù)，s3為輸出層節(jié)點(diǎn)數(shù)；

步驟3.3：設(shè)置迭代次數(shù)為20，種群大小為200，優(yōu)勝子種群大小和臨時(shí)子種群大小均為5，定義一個(gè)得分函數(shù)val＝1/mse(t-tout)，其中t為期望輸出，tout為每次迭代后輸出層的輸出值，se為均方誤差。根據(jù)得分篩選出得分最高的5個(gè)優(yōu)勝個(gè)體和5個(gè)臨時(shí)個(gè)體并以此為中心產(chǎn)生5個(gè)優(yōu)勝子種群和5個(gè)臨時(shí)子種群；

步驟3.4：在各個(gè)子群體內(nèi)部執(zhí)行趨同操作直至該子群體成熟，計(jì)算該子群體內(nèi)最優(yōu)個(gè)體的得分，將各個(gè)子群體內(nèi)最優(yōu)個(gè)體的得分在全局公告板上張貼，子群體之間執(zhí)行異化操作，從而得到全局最優(yōu)個(gè)體及其得分；

步驟3.5：若不滿足迭代結(jié)束條件，返回步驟3.4繼續(xù)執(zhí)行，不斷迭代，直到迭代結(jié)束后輸出最優(yōu)個(gè)體并進(jìn)行解碼，產(chǎn)生bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，然后利用步驟3.1中產(chǎn)生的輸入和輸出數(shù)據(jù)對(duì)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到灰密程度判別神經(jīng)網(wǎng)絡(luò)。

步驟3中采用思維進(jìn)化算法(mea)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)作為灰密程度判別神經(jīng)網(wǎng)絡(luò)，mea算法把群體分為優(yōu)勝子群體和臨時(shí)子群體，定義了趨同和異化操作進(jìn)行結(jié)構(gòu)優(yōu)化，在局部空間內(nèi)搜索局部最優(yōu)解，然后再利用異化算子在整個(gè)解內(nèi)搜索全局最優(yōu)解，利用其全局搜索性優(yōu)化bp神經(jīng)網(wǎng)絡(luò)中的初始權(quán)值和閾值，比單一的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有很大提高，具有一定的可行性。

步驟4：對(duì)步驟3中得到的mea優(yōu)化bp神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真測(cè)試，將步驟2中得到的100個(gè)測(cè)試樣本的判別特征作為輸入，得到輸出的判別灰密程度。