技術鄰域

本發(fā)明屬于高壓輸變電領域設備運行狀態(tài)檢修領域，其涉及一種基于機器學習的絕緣子缺陷自動檢測方法。

背景技術：

目前，中國電網規(guī)模已經超過美國，居世界第一，絕緣子是高壓輸變電領域設備的關鍵部件之一,其性能優(yōu)劣直接影響到整條輸電線路的運行安全.近年來,我國電力系統(tǒng)向著超高壓、特高壓、大容量方向發(fā)展,為絕緣子行業(yè)的發(fā)展帶來了巨大的機遇。絕緣子在高壓傳輸線路中被越來越廣泛的使用。在電網設備上的絕緣子由于長期暴露在自然環(huán)境下,時間長后容易出現開裂，污損和缺失等缺陷,這些缺陷會嚴重影響絕緣子的正常工作。目前國內外高壓輸變電線路鐵塔上的絕緣子的缺陷檢測主要通過采集圖像后，采用傳統(tǒng)的人工肉眼檢測的方法,人工檢測會影響缺陷識別的效率，同時檢測率也會因人而異。

技術實現要素：

1.發(fā)明要解決的技術問題

針對現有無人機巡檢高壓輸變電中絕緣子的缺陷檢測中無法進行自動識別的問題，本發(fā)明提供了基于機器學習的絕緣子缺陷自動檢測方法。采用本發(fā)明的技術方案，可以滿足絕大多數的高壓輸變電中絕緣子缺陷自動檢測，為絕緣子的維修提供必要的技術支持。

2.技術方案

為達到上述目的，本發(fā)明提供的技術方案為：

一種基于機器學習的絕緣子缺陷自動檢測方法，該方法設計了基于顏色信息的絕緣子定位方法和基于紋理特征的絕緣子缺陷檢測的方法，具體包括以下步驟：

步驟1：圖像采集。利用無人機對自然環(huán)境下的高壓輸電鐵塔中的絕緣子進行拍攝，獲取絕緣子的彩色rgb圖像。

步驟2：顏色歸一化。將絕緣子的彩色rgb圖像按照下面公式轉換成歸一化的紅/綠圖像ωrg：

其中，ωrg圖像中每一點的像素值為該點在原始圖像中r分量占總分量的比例值和r分量占總分量的比例值中的最大值。其中總分量為該點在原始圖像中r分量、g分量和b分量之和。

步驟3：區(qū)域生長。對ωrg圖像進行區(qū)域生長操作生成ωth，進而使得絕緣子主體成分連接為一體。

步驟4：mser檢測。對ωth圖像進行最大穩(wěn)定極值區(qū)域(mser)檢測，獲取絕緣子所在原始圖像中的候選矩形區(qū)域r。

步驟5：利用分類器檢測候選區(qū)域是否為絕緣子區(qū)域。對絕緣子所在的候選矩形區(qū)域r計算hog特征，并將hog特征輸入到svm分類器中進行分類，進而判斷候選矩形區(qū)域r是否為絕緣子。

步驟6：原始圖像旋轉。當候選矩形區(qū)域r判斷為絕緣子后，計算候選矩形區(qū)域r的主軸與水平方向的夾角θ，將原始圖像旋轉θ，保證絕緣子所在區(qū)域水平。旋轉后的矩形區(qū)域定義為r1。

步驟7：紋理特征提取。將r1轉化為灰度圖像，并劃分為n個小矩形塊，小矩形塊為用于特征提取的roi區(qū)域，統(tǒng)計每個小矩形塊中的圖像紋理特征包括能量、相關度、同一度、對比度和灰度平均值，構成絕緣子缺陷檢測的五維特征。

步驟8：利用多層神經網絡mlp對r1區(qū)域進行缺陷識別。將r1區(qū)域中的每一個小矩形塊中的上述5維紋理特征輸入到多層神經網絡分類器中進行分類，進而判斷小矩形區(qū)域是否存在開裂，污損和缺失等三種缺陷，當r1中的n個小矩形框都分類為正常時，該絕緣子為正常絕緣子，否則為存在缺陷絕緣子。其中多層神經網絡mlp包括1個輸入層，2個隱含層和一個輸出層。輸入層為5個神經元，第一個隱含層為10個神經元，第二個隱含層為5個隱含層，輸出層為4個神經元，激活函數采用relu線性修正單元激活函數。

附圖說明

圖1是本方法的檢測策略。

圖2是本方法的絕緣子彩色rgb圖像。

圖3是本方法的絕緣子候選矩形區(qū)域r。

圖4是本方法的旋轉后的候選矩形區(qū)域r1。

圖5是本方法的單個r1區(qū)域中劃分的roi。

圖6是本方法的roi區(qū)域中的絕緣子缺陷。

具體實施方式

為進一步了解本發(fā)明的內容，結合實施例對本發(fā)明做詳細描述。

實施例1

本實施例以高壓輸電鐵塔上絕緣子缺陷自動識別為例進行說明，其流程如圖1所示，具體實施檢測步驟：

步驟1：圖像采集。利用無人機對自然環(huán)境下的高壓輸電鐵塔中的絕緣子進行拍攝，獲取絕緣子的彩色rgb圖像，如圖2所示。

步驟2：顏色歸一化。將絕緣子的彩色rgb圖像按照下面公式轉換成歸一化的紅/綠圖像ωrg：

其中，ωrg圖像中每一點的像素值為該點在原始圖像中r分量占總分量的比例值和r分量占總分量的比例值中的最大值。其中總分量為該點在原始圖像中r分量、g分量和b分量之和。

步驟3：區(qū)域生長。對ωrg圖像進行區(qū)域生長操作生成ωth，進而使得絕緣子主體成分連接為一體。

步驟4：mser檢測。對ωth圖像進行最大穩(wěn)定極值區(qū)域(mser)檢測，獲取絕緣子所在原始圖像中的候選矩形區(qū)域r，r區(qū)域在原始圖像中用矩形標示出來，如圖3所示。

步驟5：利用分類器檢測候選區(qū)域是否為絕緣子區(qū)域。對絕緣子所在的候選矩形區(qū)域r計算hog特征，并將hog特征輸入到svm分類器中進行分類，進而判斷候選矩形區(qū)域r是否為絕緣子。

步驟6：原始圖像旋轉。當候選矩形區(qū)域r判斷為絕緣子后，計算候選矩形區(qū)域r的主軸與水平方向的夾角θ為17度，將原始圖像旋轉17度，保證絕緣子所在區(qū)域水平。旋轉后的矩形區(qū)域定義為r1，r1區(qū)域在原始圖像中用矩形標示出來，如圖4所示。

步驟7：紋理特征提取。將r1轉化為灰度圖像，并劃分為36個小矩形塊，小矩形塊為用于特征提取的roi區(qū)域，單個r1區(qū)域中劃分的roi用白色矩形標示，如圖4所示。統(tǒng)計每個小矩形塊中的圖像紋理特征包括能量、相關度、同一度、對比度和灰度平均值，構成絕緣子缺陷檢測的五維特征。

步驟8：利用多層神經網絡mlp對r1區(qū)域進行缺陷識別。將r1區(qū)域中的每一個小矩形塊中的上述5維紋理特征輸入到多層神經網絡分類器中進行分類，進而判斷小矩形區(qū)域是否存在開裂，污損和缺失等三種缺陷，當r1中的n個小矩形框都分類為正常時，該絕緣子為正常絕緣子，否則為存在缺陷絕緣子，roi區(qū)域中的絕緣子缺陷用橢圓形在圖像中進行標示，如圖5所示。其中多層神經網絡mlp包括1個輸入層，2個隱含層和一個輸出層。輸入層為5個神經元，第一個隱含層為10個神經元，第二個隱含層為5個隱含層，輸出層為4個神經元，激活函數采用relu線性修正單元激活函數。

以上示意性的對本發(fā)明及其實施方式進行了描述，該描述沒有局限性，附圖中所示的也只是本發(fā)明的實施方式之一，實際的結構并不局限于此。所以，如果本領域的普通技術人員受其啟示，在不脫離本發(fā)明創(chuàng)造宗旨的情況下，不經創(chuàng)造性的設計出與該技術方案相似的結構及實施例，均應屬于本發(fā)明的保護范圍。