本發(fā)明屬于電氣領域，具體涉及一種基于meanshift自適應電氣設備故障檢測方法。

背景技術(shù)：

電力設備的運行狀態(tài)監(jiān)測是預防設備發(fā)生故障的一種有效手段。在現(xiàn)有的一些方法中，紅外診斷技術(shù)作為目前一種新型的故障診斷技術(shù)，已經(jīng)在電力巡檢中發(fā)揮了重要的作用。其主要利用物體發(fā)射出來的紅外輻射特性，判斷設備內(nèi)部結(jié)構(gòu)是否出現(xiàn)故障，從而為開展其他工作提供方便。在紅外故障診斷中，電氣故障區(qū)域大都通常會呈現(xiàn)出高溫、高熱特性。根據(jù)紅外輻射能量的強弱與溫度大小成比例關(guān)系可知，溫度越高，其紅外輻射強度越大，即在紅外成像中故障或異常區(qū)域體現(xiàn)為高亮度。因此，采用紅外診斷技術(shù)，相比于其他方法，具有多方面的應用優(yōu)勢。然而，目前在紅外診斷過程中，故障的發(fā)現(xiàn)、錄入還是主要依賴于運維人員，這使得設備紅外檢測需要投入大量的時間，存在效率低、易漏檢以及管理成本相對高等缺點。因此，研究能夠較為高效的提取紅外圖像中故障區(qū)域的自動紅外故障診斷方法非常必要。

為了實現(xiàn)自動紅外故障診斷，結(jié)合圖像處理的方式受到了研究者的廣泛關(guān)注。在早期，故障判斷通常采用經(jīng)典的溫度判定法^[1]，這本質(zhì)上與圖像處理中的閾值法類似^[2-3]，即高于某一閾值時被認為設備存在故障，而低于某一閾值則被認為正常。因不同地區(qū)溫度差異影響，在實際環(huán)境中，獲取故障區(qū)域的完整性得不到很好的保障，特別是受人為設定溫度閾值的因素影響較大。為此，井金劍^[3]采用最大類間方差(otsu)閾值法，選擇最優(yōu)閾值將故障區(qū)域從背景中分割出來。但是，由于該方法得到的閾值受故障區(qū)域和背景區(qū)域方差影響，通常故障區(qū)域方差相對較大，而高亮的故障區(qū)域則相對較小。梁利利^[4]在此基礎上結(jié)合形態(tài)學和krisch算子對紅外圖像中故障區(qū)域進行提取，以彌補受閾值的影響，然而krisch算子是一種邊緣檢測算子，這種算子在圖像噪聲弱的情況下，效果較好，但是紅外圖像本身含有復雜的噪聲，顯然會因噪聲而降低完整故障區(qū)域提取能力。王如意^[5]則采用分水嶺分割算法和模糊聚類方法一起對紅外圖像進行分割。由于分水嶺方法是根據(jù)區(qū)域的邊界來分離圖像中相鄰但不相似的區(qū)域，其不足之處在于，當故障區(qū)域的灰度分布不均勻時，容易將故障區(qū)域分割成多個區(qū)域。為了提升故障區(qū)域提取效果，徐雪濤^[6]提出改進pcnn(pulse-coupledneuralnetwork)模型的圖像分割方法提取紅外圖像中故障區(qū)域，但仍因pcnn內(nèi)部參數(shù)設置以及紅外故障圖像的差異，使得模型的推廣受到了限制。以上模型在對紅外故障圖像進行處理時，受到參數(shù)及閾值設置等方面的影像，使得分割后的圖像不能完全提取出電力故障區(qū)域，從而疏漏對故障系統(tǒng)的檢測和維護，由此引發(fā)電氣系統(tǒng)事故，造成電氣設備損壞和人員傷亡。

相關(guān)參考文獻如下：

[1]成曙,趙軍紅,劉政波,陳祥初.電氣設備運行狀態(tài)監(jiān)測及智能診斷系統(tǒng)[j].電力自動化設備,2000,20(3):45-47.

[2]孫怡,吳邦樹,劉儀卜,杜永成等.基于紅外圖像處理的電氣設備故障診斷方法[j].機電工程技術(shù),2016,45(6):58-61.

[3]井金劍,翟春艷,李書臣,蘇成利.基于紅外圖像識別的電氣設備故障診斷[j].電子設計工程,2014,22(12):171-173.

[4]梁利利.變電站紅外圖像的識別與故障診斷[d].西安科技大學,2010.

[5]王如意.變電站電力設備紅外圖像分割技術(shù)研究[d].西安科技大學,2011.

[6]徐雪濤.基于紅外成像技術(shù)的電氣設備故障診斷[d].華北電力大學,2014.

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于meanshift自適應電氣設備故障檢測方法，以自動高效的提取紅外圖像中故障區(qū)域，預防設備事故的發(fā)生。

本發(fā)明所采用的技術(shù)方案是，一種基于meanshift自適應電氣設備故障檢測方法，包括如下步驟：

步驟1，獲得故障電氣設備的紅外圖像，其中電力故障區(qū)域即為紅外圖像中亮度較高的區(qū)域；

步驟2，引入基于鄰域灰度的權(quán)重因子對均值漂移算法進行擴展，獲得擴展后的均值漂移模型，具體實現(xiàn)方式如下，

假設一幅圖像可以表示成二維網(wǎng)格上的p維向量，每個網(wǎng)格點表示一個像素，網(wǎng)格點的坐標表示圖像中的空間信息，那么圖像的空間信息和色彩信息可以表示為向量x＝(x^s，x^r)，其中，x^s表示網(wǎng)格點的坐標，x^r表示該網(wǎng)格點上p維向量特征，

為了能夠較好的定義概率密度估計，通常規(guī)定像素點x的x^r特征與像素點xi相近，則定義概率密度高；其次，離x的位置越近的像素點xi，概率密度高，因此采用圖像空間和色彩特征的核函數(shù)的組合來定義一個新的核函數(shù)

其中，hs為圖像空間帶寬，hr是灰度帶寬，c是一個歸一化常數(shù)，k(·)為核函數(shù)k(·)的剖面函數(shù)；

已知d維空間中n個樣本點xi，i＝1，2，…，n，考慮樣本點權(quán)值，f(x)的概率密度函數(shù)可重寫為，

式中，x表示當前聚類中心點，sh表示一個固定帶寬為h的高維球區(qū)域；ω(xi)≥0是賦給每一個樣本的權(quán)重，通常是由樣本點到中心點距離的大小決定，距離越大權(quán)重越小，表達式為，

其中，cr為歸一化參數(shù)，ni為像素xi的鄰域，y指鄰域ni內(nèi)的點；由公式(3)可知，如果當鄰域特征x^r與對應中心點xi相近，則權(quán)重ω(xi)越大；而當鄰域特征x^r與中心點xi相比差異較大，則ω(xi)較小，從而使得中心點xi朝方差變化較小的方向漂移；

由公式(2)和(3)可知，概率密度函數(shù)的梯度估計為，

其中，即對核函數(shù)求導的負方向；mh(x)相比于均值漂移向量，那么該均值漂移向量會將當前聚類中心朝著權(quán)重密度極大以及概率密度極大方向漂移；

步驟3，利用自高向低的聚類閾值分割機制，使擴展后的均值漂移模型能快速地將故障區(qū)域進行聚類，實現(xiàn)故障區(qū)域的有效提取，具體實現(xiàn)方式如下，

步驟3.1，采用均值濾波對原始紅外圖像進行平滑處理，去除噪聲；

步驟3.2，設初始閾值t為紅外圖像中最高灰度值，以閾值t對步驟3.1中處理之后的紅外圖像進行劃分，得到的分割區(qū)域作為初始聚類區(qū)域，并標記為故障區(qū)域；

步驟3.3，遍歷已經(jīng)聚類的區(qū)域之外且滿足圖像空間帶寬hs內(nèi)未聚類的像素點xi，基于步驟2獲得的擴展后的均值漂移模型，針對每一個像素點進行聚類；

步驟3.4，將聚類區(qū)域的灰度均值賦給閾值t，并對圖像進行劃分，獲取圖像空間中其他可能出現(xiàn)的高亮區(qū)域，同時保留已經(jīng)標記的像素點；

步驟3.5，如果整個聚類區(qū)域不再發(fā)生變化，停止迭代，輸出故障區(qū)域結(jié)果，否則轉(zhuǎn)向步驟3.3，繼續(xù)循環(huán)。

進一步的，利用紅外成像儀獲得電氣故障設備的紅外圖像。

本發(fā)明利用的meanshift算法，原始實現(xiàn)方式為：

meanshift算法，通常被稱為均值漂移算法，在聚類、圖像平滑、分割、跟蹤等方面有著廣泛應用。本質(zhì)上，它可歸結(jié)為一種迭代搜索算法，即先根據(jù)數(shù)據(jù)集計算出當前點的偏移均值，然后以此為新的起始點，繼續(xù)移動，直至滿足收斂條件。因此，作為一種聚類技術(shù)，在聚類迭代過程中，每個類中的樣本點都將收斂至其概率密度極大值處，基于此，可將多類進行自適應劃分。

具體而言，這里假設有一組采樣點集{xi∈r^d}i＝1，…，n，其中任意點x處的概率密度估計如下式所示：

式中sh是一個固定帶寬為h的高維球區(qū)域：

sh(x)＝{y|||y-x||²≤h²}

d表示維數(shù)，k(·)為徑向?qū)ΨQ核函數(shù)：

k(x)＝ck,dk(||x||²)

ck，d為一個歸一化常量，以確保核函數(shù)k(x)的積分為1；k(x)為核函數(shù)k(x)的剖面函數(shù)。

由式(1)可知，樣本點xi對當前中心點x的貢獻與核函數(shù)密切相關(guān)，在meanshift中，以下兩類核函數(shù)經(jīng)常用到；

(a)單位均勻核函數(shù)：

(b)單位高斯核函數(shù)：

由于單位均勻核使得各個樣本點到中心點的貢獻值一樣，因此一般采用高斯核作為meanshift核函數(shù)。

為了迭代搜尋極大密度值點，令

則密度函數(shù)的梯度估計為：

式中g(shù)(x)＝-k'(x)，mh(x)為偏移向量，也稱為一個漂移向量，

可以發(fā)現(xiàn)，均值漂移向量總是指向密度增長最快的方向。

因此，當給定初始點，meanshift就會根據(jù)下面兩個步驟逐次迭代，

step1：meanshift向量計算，改變當前中心值；

x^t+1＝x^t+mh(x)

step2：平移窗口，重新計算概率密度；

最終收斂到概率密度極大值處，或||x^t+1-x^t||＜ε。

從以上計算原理可以看出，只要是落入sh的樣本點，無論其離當前中心點x遠近，對最終的mh(x)計算的貢獻值與核函數(shù)定義有關(guān)。一般而言，離x越近的采樣點對估計x周圍的統(tǒng)計特性越有效。另外，考慮到每個樣本點都可賦一定權(quán)值或比重，從而增強均移來優(yōu)化求解雙目標優(yōu)化，即樣本權(quán)值和概率密度最優(yōu)。

本發(fā)明的有益效果是：本發(fā)明提供了一種賦予樣本權(quán)重的擴展meanshift方法，摒棄了傳統(tǒng)otsu閾值方法，采用一種自迭代聚類的策略，將區(qū)域根據(jù)其灰度特性聚集起來，最終得到故障區(qū)域完整提取。為了提升擴展meanshift聚類速度以及聚類區(qū)域，提出了一種根據(jù)溫度差異而自高向低的閾值分割機制，繼而可進一步通過例如區(qū)域溫度與背景差等對電力設備故障狀態(tài)進行評價，以及判斷故障類型等，同時也為運維人員在線巡檢、數(shù)據(jù)錄入、分析等操作提供方便。

附圖說明

圖1是本發(fā)明實施例流程圖；

圖2是本發(fā)明實施例電力設備故障紅外檢測圖像；

圖3是利用otsu方法處理結(jié)果；

圖4是利用分水嶺方法處理結(jié)果

圖5是改進的pcnn模型處理結(jié)果；

圖6是本發(fā)明實施例的故障識別結(jié)果。

具體實施方式

為了便于本領域普通技術(shù)人員理解和實施本發(fā)明，下面結(jié)合附圖及實施例對本發(fā)明作進一步的詳細描述，應當理解，此處所描述的實施示例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

本實施例對真實的電力設備進行紅外圖像識別處理，采用具有樣本權(quán)重的擴展meanshift方法，對電力設備故障進行檢測。

本發(fā)明提供的一種基于meanshift自適應電氣設備故障檢測方法，具體如圖1所示，包括以下步驟：

步驟1，應用紅外成像儀采集故障電氣設備，生成紅外圖像，其中電力故障區(qū)域即為圖像中亮度較高的區(qū)域，五種電氣設備不同區(qū)域的紅外圖像如圖2所示；

步驟2，引入基于鄰域灰度的權(quán)重因子對均值漂移算法進行擴展，獲得擴展后的均值漂移模型，具體實現(xiàn)方式如下所述：

對于一個概率密度函數(shù)f(x)，已知d維空間中n個點xi，i＝1，2，…，n，考慮樣本點權(quán)值，f(x)的概率密度函數(shù)可重寫為：

ω(xi)≥0是賦給每一個樣本的權(quán)重，通常是由樣本點到中心點距離的大小決定，距離越大權(quán)重越小。因此，概率密度函數(shù)的梯度估計為，

式(11)所示的均值漂移向量會將當前聚類中心朝著權(quán)重密度極大以及概率密度極大方向漂移。

一幅圖像可以表示成二維網(wǎng)格上的p維向量，每個網(wǎng)格點表示一個像素，網(wǎng)格點的坐標表示圖像中的空間信息，那么整個圖像的空間信息和色彩信息可以表示為向量x＝(x^s，x^r)，維度為p+2，其中x^s表示網(wǎng)格點的坐標，x^r表示該網(wǎng)格點上p維向量特征。當p＝1時，該圖像為灰度圖像，p＝3時為彩色圖像。

由于像素點均勻分布在圖像上，因此不需要考慮樣本點的稠密性。為了能夠較好的定義概率密度估計，通常規(guī)定像素點x的x^r特征與像素點xi相近，則定義概率密度高；其次，離x的位置越近的像素點xi，概率密度高，因此采用圖像空間和色彩特征的核函數(shù)的組合來定義一個新的核函數(shù)

其中hs為圖像空間帶寬，hr是灰度帶寬，c是一個歸一化常數(shù)。

另外，針對像素點權(quán)重ω(xi)的設置，本發(fā)明根據(jù)像素點xi的鄰域方差進行設置，

式中cr為歸一化參數(shù)，ni為像素xi的鄰域，y指鄰域ni內(nèi)的點，為了方便取像素xi的3*3或5*5鄰域。顯然，如果當鄰域特征x^r與對應中心點xi相近，則權(quán)重ω(xi)越大；而當鄰域特征x^r與中心點xi相比差異較大，則ω(xi)較小，從而使得中心點xi朝方差變化較小的方向漂移。

步驟3，利用自高向低的聚類閾值分割機制，使擴展的均值漂移算法能快速地將故障區(qū)域進行聚類，實現(xiàn)故障區(qū)域的有效提取，具體實現(xiàn)方式如下：

步驟3.1，采用均值濾波對原始紅外圖像進行平滑處理，去除噪聲；

步驟3.2，設初始閾值t為紅外圖像中最高灰度值，以閾值t對步驟3.1中處理之后的紅外圖像進行劃分，得到的分割區(qū)域作為初始聚類區(qū)域，并標記為故障區(qū)域；

步驟3.3，遍歷已經(jīng)聚類的區(qū)域之外且滿足圖像空間帶寬hs內(nèi)未聚類的像素點xi，，基于步驟2獲得的擴展后的均值漂移模型，針對每一個像素點進行聚類；

步驟3.4，將聚類區(qū)域的灰度均值賦給閾值t，并對圖像進行劃分，獲取圖像空間中其他可能出現(xiàn)的高亮區(qū)域，同時保留已經(jīng)標記的像素點；

步驟3.5，如果整個聚類區(qū)域不再發(fā)生變化，停止迭代，輸出故障區(qū)域結(jié)果，否則轉(zhuǎn)向步驟3.3，繼續(xù)循環(huán)。

本發(fā)明方法是建立在電力設備紅外故障特性基礎上；其次，區(qū)域亮度均值作為閾值能夠有效地確定聚類區(qū)域，使得最終獲得較為完整的區(qū)域，從而為后續(xù)電力故障自動辨識奠定基礎。

為了便于比較與分析，本發(fā)明在intel(r)core(tm)i5cpu4gb內(nèi)存pc機matlab(2010b)上編程實現(xiàn)。圖2給出了真實的電力設備發(fā)生故障的紅外圖像。在這些測試圖像中，很顯然，電力故障區(qū)域即為圖像中亮度較高的區(qū)域。實驗中，本發(fā)明的初始化核參數(shù)hs＝3，hr＝5，以及最高灰度聚類中心作為初始閾值，為了進一步說明該方法比現(xiàn)有的一些方法分割的有效性，在相同平臺下應用otsu、分水嶺方法、pcnn以及本發(fā)明方法進行對比實驗，得到的結(jié)果分別如圖3-6所示。

從圖3-6所示的區(qū)域提取結(jié)果表明，本發(fā)明提出的方法對故障區(qū)域提取以及區(qū)域完整性都得到了很好的保障。otsu方法因閾值的選擇取決于類間方差最大準則，然而，圖像中因故障區(qū)域面積小，灰度分布均勻，使得閾值向低灰度值偏移，最終獲取的結(jié)果顯然會將非故障區(qū)域歸類為故障區(qū)域。分水嶺方法是一種將圖像看出一幅“地圖”，通過尋找“分水嶺界限”實現(xiàn)圖像分割，如圖4所示的分割界限，這種方式對具有較大的變化的邊界具有較好的效果，例如圖4中第1、3幅圖的結(jié)果，而當存在其他具有明顯邊界時，容易產(chǎn)生多個分割區(qū)域。pcnn模型分割在一定程度上依賴于其參數(shù)設置，從圖5中可以看出，該方法對高亮度區(qū)域體現(xiàn)效果較好，但是對于目標區(qū)域小且灰度較低的故障區(qū)域，最終分割效果會受其參數(shù)設置以及停止迭代規(guī)則影響。本發(fā)明方法是建立在電力設備紅外故障特性基礎上；其次，區(qū)域亮度均值作為閾值能夠有效地確定聚類區(qū)域，使得最終獲得較為完整的區(qū)域，從而為后續(xù)電力故障自動辨識奠定基礎。最終，與真實的故障區(qū)域?qū)Ρ龋鋮^(qū)域檢測性能指標如表1所示，本發(fā)明方法具有最小的檢測錯誤，因此具有較好的應用前景。

表1誤分類錯誤指標評價

應當理解的是，本說明書未詳細闡述的部分均屬于現(xiàn)有技術(shù)。

應當理解的是，上述針對較佳實施例的描述較為詳細，并不能因此而認為是對本發(fā)明專利保護范圍的限制，本領域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內(nèi)，本發(fā)明的請求保護范圍應以所附權(quán)利要求為準。