本發(fā)明屬于電氣領(lǐng)域，具體涉及一種基于局部特征的pcnn電力故障區(qū)域檢測方法。

背景技術(shù)：

紅外熱成像因具有非接觸、遠(yuǎn)距離、被動檢測等諸多優(yōu)點，目前已經(jīng)成為電力部門實施電氣設(shè)備故障狀態(tài)檢測的重要手段。然而，紅外故障檢測主要依賴運維人員定期巡視，這對于工作人員而言，設(shè)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。為此，自動紅外檢測受到了廣大工作人員的高度重視，例如徐雪濤^[1]提出改進(jìn)pcnn(pulse-coupledneuralnetwork)模型的圖像分割方法提取紅外圖像中故障區(qū)域，但由于pcnn內(nèi)部參數(shù)設(shè)置靈活，且因不同紅外電氣設(shè)備故障圖像的差異，使得在實際應(yīng)用中需要人為進(jìn)行調(diào)整。以上模型在對紅外故障圖像進(jìn)行處理時，受到參數(shù)及閾值設(shè)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(hù)，由此引發(fā)電氣系統(tǒng)事故，造成電氣設(shè)備損壞和人員傷亡。

因此，研究高效的電力設(shè)備故障自動紅外檢測方法非常必要。

相關(guān)參考文獻(xiàn)如下：

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

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于局部特征的pcnn電力故障區(qū)域檢測方法，以自動高效的提取電力故障設(shè)備紅外圖像中故障區(qū)域，預(yù)防電力事故的發(fā)生。

本發(fā)明所采用的技術(shù)方案是：一種基于局部特征的pcnn電力故障區(qū)域檢測方法，包括以下步驟，

步驟1，獲得故障電氣設(shè)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，將原始紅外圖像輸入到基于局部特征的pcnn模型中，實現(xiàn)故障區(qū)域的提取，具體實現(xiàn)方式如下，

步驟2.1，將原始紅外圖像作為輸入賦給基于局部特征的pcnn模型，并根據(jù)圖像最高亮度區(qū)域獲得初始化神經(jīng)元脈沖發(fā)放區(qū)域y(0),其中y(0)＝{ij|fij(n)＝＝th}，th為圖像最高灰度值，按式(一)設(shè)置權(quán)重mij,kl和wij,kl，

其中，σh為高斯尺度，設(shè)置為1或更大，c為歸一化系數(shù)；

步驟2.2，基于局部特征的pcnn模型按式(二)～(八)進(jìn)行迭代計算，

uij(n)＝fij(n)·[1+βlij(n)](四)

x＝{ij|lij(n)＞0}∪{ij|yij(n)＝0}(七)

其中，fij(n)為反饋輸入，lij(n)為連接輸入，iij表示神經(jīng)元ij所對應(yīng)的圖像灰度值，n為迭代索引，下標(biāo)ij、kl分別代表紅外灰度圖像像素位置所對應(yīng)的神經(jīng)元，其值為對應(yīng)灰度值iij，vf和vl分別為放大系數(shù)，αf和αl為衰減系數(shù)，uij為神經(jīng)元ij的內(nèi)部活動項，β為連接系數(shù)，eg為全局閾值，ωc為先前點火區(qū)域，當(dāng)uij(n)＞eg(n-1)時，神經(jīng)元發(fā)生點火并形成脈沖yij(n)，即點火區(qū)域，神經(jīng)元集合sc是在集合x內(nèi)與點火區(qū)域yij(n)相似的神經(jīng)元，由模糊聚類模型進(jìn)行歸類得到；

步驟2.3，設(shè)置停止規(guī)則，針對點火區(qū)域yij(n)的邊界，結(jié)合圖像梯度算子，

其中，gx，gy代表在像素點上水平和垂直梯度方向的梯度值，分別由水平方向和垂直方向兩個相鄰點像素灰度值之差決定，當(dāng)圖像梯度g大于某一閾值時，停止迭代；

步驟2.4，將點火區(qū)域yij(n)作為輸出，實現(xiàn)故障區(qū)域的檢測。

進(jìn)一步，所述步驟2.2中由模糊聚類模型進(jìn)行歸類得到神經(jīng)元集合sc的實現(xiàn)方式如下，

根據(jù)模糊聚類模型，建立目標(biāo)函數(shù)為，

其中，φ(·)代表非線性映射函數(shù)，p為模糊因子，表示第k個點到第i個聚類中心的隸屬度，c為聚類的類別數(shù)，n是待聚類的數(shù)據(jù)個數(shù)，vi為第i個聚類中心，xk對應(yīng)描述待聚類的數(shù)據(jù)特征，nk表示該像素xr的8鄰域，鄰域像素的影響由α/nr控制，而nr為鄰域nk像素的個數(shù)，α為人工設(shè)定參數(shù)；

為了求解隸屬度uik，將式(九)中的約束條件通過拉格朗日乘子λ轉(zhuǎn)換為無約束的優(yōu)化目標(biāo)函數(shù)，可得，

然后，對上式求得到，

式中

dik＝||φ(xk)-φ(vi)||²＝2-2k(xk,vi)；k(xk,vi)為高斯核函數(shù)，定義為，

k(xk,vi)＝cs·exp(-||xk-vi||²/σ²)(十二)

其中，cs為歸一化常數(shù)，σ為尺度；

最后，根據(jù)最終求解得到的隸屬度uik，將集合x中與點火區(qū)域yij(n)相似的神經(jīng)元和非相似神經(jīng)元分離。

進(jìn)一步的，所述步驟2.3中，當(dāng)圖像梯度g大于20時，停止迭代。

進(jìn)一步的，利用紅外成像儀獲得電氣故障設(shè)備的紅外圖像。

本發(fā)明利用的技術(shù)原理為pcnn：

pcnn模型是一種模仿貓等哺乳動物視覺同步發(fā)放脈沖的神經(jīng)網(wǎng)絡(luò)，相比于其他神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像處理，pcnn不需要復(fù)雜訓(xùn)練，且每一個神經(jīng)元依次對應(yīng)圖像i中的一個像素(i,j)，構(gòu)成一個單層的圖像處理系統(tǒng)，繼而依靠神經(jīng)元內(nèi)在機制例如耦合、閾值以及反饋等方式完成感興趣區(qū)域的提取。

神經(jīng)元的輸入主要由反饋輸入f和連接輸入l兩部分組成，接受來自外部的圖像灰度信息以及鄰域神經(jīng)元的脈沖信息。特別地，每一部分輸入都包含一個類似指數(shù)衰減的漏電積分器，以確保神經(jīng)元的當(dāng)前狀態(tài)和先前狀態(tài)之間具有關(guān)聯(lián)性，其表達(dá)如式(1)～(2)所示，

其中，iij表示神經(jīng)元ij所對應(yīng)的圖像灰度值，n為迭代索引，下標(biāo)ij、kl等代表灰度圖像像素位置所對應(yīng)的神經(jīng)元，其值為對應(yīng)灰度值iij，vf和vl分別為放大系數(shù)，αf和αl為衰減系數(shù)，m和w為權(quán)重矩陣，用于連接8鄰域神經(jīng)元nij，通常將其設(shè)置為相鄰神經(jīng)元的歐氏距離的倒數(shù)，

主要負(fù)責(zé)將鄰域神經(jīng)元發(fā)放的脈沖信息傳遞給中心神經(jīng)元。

然后，輸入f和l在非線性耦合方式作用下，使得神經(jīng)元內(nèi)在特性發(fā)生變化。通常，該神經(jīng)元內(nèi)部的特性描述為，

uij(n)＝fij(n)·[1+βlij(n)](4)

其中連接系數(shù)β控制鄰域神經(jīng)元的內(nèi)部活動強度。當(dāng)神經(jīng)元內(nèi)部活動uij大于其自身的動態(tài)閾值eij時，神經(jīng)元會發(fā)生點火并形成脈沖，輸出為1，即

式中神經(jīng)元閾值e也具有類似指數(shù)衰減的漏電積分器特性，其描述為

eij(n)＝exp(-αe)eij(n-1)+veyij(n-1)(6)

由式(6)可知，在神經(jīng)元發(fā)生點火之后，其動態(tài)閾值會瞬間增加常數(shù)ve，然后在衰減因子αe的影響下，閾值呈指數(shù)衰減直至該神經(jīng)元再次發(fā)生點火。因此每一個神經(jīng)元都會有一定的點火頻率。由于神經(jīng)元的鄰域連接，點火的神經(jīng)元會觸發(fā)鄰域相似的神經(jīng)元會產(chǎn)生同步振蕩現(xiàn)象，即一個神經(jīng)元點火，會捕獲其周圍與其相似的神經(jīng)元并發(fā)生同步點火，從而構(gòu)成pcnn提取圖像相似區(qū)域的內(nèi)在機制，適合提取電氣故障區(qū)域所表現(xiàn)出來的亮度區(qū)域。

本發(fā)明的有益效果是：本發(fā)明提出了一種有效的紅外圖像故障區(qū)域提取方法，該方法依據(jù)pcnn模型自身所具有的同步點火特性，將模型參數(shù)進(jìn)行了優(yōu)化配置，特別地，動態(tài)閾值以及連接系數(shù)的優(yōu)化設(shè)置是依據(jù)故障區(qū)域所表現(xiàn)高亮、相似特性，同時再結(jié)合故障區(qū)域與非故障區(qū)域之間存在的一些特性，提出并采用了鄰域變化的局部特征，進(jìn)而為pcnn模型的迭代設(shè)置停止規(guī)則。該方法能夠自動高效的識別電氣設(shè)備故障區(qū)域。

附圖說明

圖1是本發(fā)明實施例流程圖；

圖2為本發(fā)明實施例電力設(shè)備故障的紅外檢測圖像；

圖3為改進(jìn)的pcnn模型處理結(jié)果；

圖4為本發(fā)明實施例在不添加局部特征約束下的處理結(jié)果；

圖5是本發(fā)明實施例的故障區(qū)域提取結(jié)果。

具體實施方式

為了便于本領(lǐng)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(jìn)一步的詳細(xì)描述，應(yīng)當(dāng)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。

本發(fā)明的基于局部特征的pcnn電力故障區(qū)域檢測方法依據(jù)pcnn模型自身所具有的同步點火特性，將模型參數(shù)進(jìn)行了優(yōu)化配置，特別地，動態(tài)閾值以及連接系數(shù)的優(yōu)化設(shè)置是依據(jù)故障區(qū)域所表現(xiàn)高亮、相似特性，同時再結(jié)合故障區(qū)域與非故障區(qū)域之間存在的一些特性，提出并采用了鄰域變化的局部特征，進(jìn)而為pcnn模型的迭代設(shè)置停止規(guī)則。該方法能夠自動高效的識別電氣設(shè)備故障區(qū)域。

本實施例對真實的電力設(shè)備紅外圖像故障區(qū)域提取處理，采用基于局部特征的pcnn方法，對電力設(shè)備故障區(qū)域進(jìn)行檢測，具體流程如圖1所示，包括以下步驟：

(1)初始化，將原圖像作為輸入賦給神經(jīng)元網(wǎng)絡(luò)，并根據(jù)圖像最高亮度區(qū)域獲得初始化神經(jīng)元脈沖發(fā)放區(qū)域y(0),其中y(0)＝{ij|fij(n)＝＝th}，th為圖像最高灰度值，按式(一)設(shè)置權(quán)重m和w，

其中，σh為高斯尺度，設(shè)置為1或更大，c為歸一化系數(shù)；

(2)迭代，按式(二)～(八)進(jìn)行迭代計算，

uij(n)＝fij(n)·[1+βlij(n)](四)

x＝{ij|lij(n)＞0}∪{ij|yij(n)＝0}(七)

其中，eg為全局閾值，ωc為先前點火區(qū)域。神經(jīng)元集合sc是在集合x內(nèi)與點火區(qū)域yij(n)相似的神經(jīng)元，其由模糊聚類模型進(jìn)行歸類得到。本發(fā)明在模糊聚類模型的基礎(chǔ)上，添加空間信息，避免噪聲以及邊緣模糊等引起的干擾，并將特征空間通過非線性映射函數(shù)φ(·)投影，建立目標(biāo)函數(shù)為，

其中，p為模糊因子，表示第k個點到第i個聚類中心的隸屬度，c為聚類的類別數(shù)，n是待聚類的數(shù)據(jù)個數(shù)，vi為第i個聚類中心，xk對應(yīng)描述待聚類的數(shù)據(jù)特征，本例為像素灰度值，nk表示該像素xr的8鄰域，鄰域像素的影響由α/nr控制，而nr為鄰域nk像素的個數(shù)，α為人工設(shè)定參數(shù)，本實施例設(shè)置為1。為了求解隸屬度uik，將式(九)中的約束條件通過拉格朗日乘子λ轉(zhuǎn)換為無約束的優(yōu)化目標(biāo)函數(shù)，可得，

然后，對上式求得到，

式中dik＝||φ(xk)-φ(vi)||²＝2-2k(xk,vi)。通常，k(xk,vi)為高斯核函數(shù)，定義為，

k(xk,vi)＝cs·exp(-||xk-vi||²/σ²)(十二)

其中，cs為歸一化常數(shù)，σ為尺度。

由此，根據(jù)最終求解得到的隸屬度uik，便可將集合x中與點火區(qū)域yij(n)相似的神經(jīng)元和非相似神經(jīng)元分離，本例記點火區(qū)域yij(n)相似的神經(jīng)元集合為sc。

(3)停止規(guī)則：

每一次pcnn迭代，得到脈沖點火區(qū)域y，本發(fā)明針對其點火區(qū)域邊界，結(jié)合圖像梯度算子，

其中，gx，gy代表在像素點上水平和垂直梯度方向的梯度值，分別由水平方向和垂直方向兩個相鄰點像素灰度值之差決定。顯然，當(dāng)g越大，越可能是故障區(qū)域的邊界，本實施例中設(shè)定圖像梯度g為20。

當(dāng)?shù)\行滿足該停止規(guī)則則停止迭代。

(4)輸出：將點火區(qū)域yij(n)作為輸出，實現(xiàn)故障區(qū)域的檢測。

本發(fā)明模型中需要初始化式(一)核尺度系數(shù)σh＝1.0，聚類算法中α＝0.1；σ＝150以及設(shè)置初始的點火神經(jīng)元具有最高的反饋輸入。

為了驗證本發(fā)明方法的有效性，在真實紅外圖像上測試模型的故障區(qū)域提取性能。此外，選用改進(jìn)的pcnn模型^[1]、不添加局部特征的pcnn模型分割方法與本發(fā)明的添加局部特征的pcnn方法進(jìn)行了對比。所有算法均在intel(r)core^tm2duoi5cpu4gb內(nèi)存pc機matlab7。10(2010b)上編程實現(xiàn)。圖3列出了一些具有代表性紅外檢測圖像。實驗中，改進(jìn)的pcnn模型的內(nèi)在參數(shù)按其文獻(xiàn)[1]設(shè)置為：vl＝0.01；α＝0.1；β＝0.1；t0＝255；最大迭代次數(shù)為25次。本發(fā)明模型中需要初始化核尺度系數(shù)σh＝1.0，聚類算法中α＝0.1；σ＝150以及設(shè)置初始的點火神經(jīng)元具有最高的反饋輸入。

從圖3中可以看出，改進(jìn)的pcnn模型，由于采用了總體類絕對差法決定pcnn迭代規(guī)則，并將閾值進(jìn)行了適當(dāng)簡化，從而針對一些高亮區(qū)域，能夠得到較好的提取，然而對應(yīng)一些次高亮度的故障區(qū)域，則容易將其忽略，產(chǎn)生欠分割，例如圖3中第3幅圖的分割結(jié)果，其原因一方面受制于其固定的一些參數(shù)設(shè)置，其次由于停止迭代規(guī)則在參數(shù)的約束下，也會引起模型不能完整的提取故障區(qū)域，例如圖3中第2、4幅圖像的分割結(jié)果。而本發(fā)明方法，一方面將pcnn模型參數(shù)進(jìn)行了優(yōu)化設(shè)置，首先將閾值與區(qū)域特性關(guān)聯(lián)，其次通過聚類方法替代連接系數(shù)以確保pcnn同步點火，使得模型具備了自適應(yīng)迭代特性，然后再采用局部鄰域特性，以控制pcnn同步點火范圍。其次，本發(fā)明方法結(jié)合了圖像中電氣設(shè)備故障的灰度分布特性，提出了局部特性來提升本文模型的適用性。相比于不添加局部特征約束，圖4給出了相應(yīng)的提取結(jié)果。從圖中可看出，部分圖像故障區(qū)域并沒有完整地從圖像中劃分出來，出現(xiàn)了欠分割現(xiàn)象，而結(jié)合局部特征約束，最終得到較為理想的故障區(qū)域提取結(jié)果。

應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。

應(yīng)當(dāng)理解的是，上述針對較佳實施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對本發(fā)明專利保護(hù)范圍的限制，本領(lǐng)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(hù)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(hù)范圍之內(nèi)，本發(fā)明的請求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。