本發(fā)明涉及一種雷擊主動(dòng)特征識(shí)別方法，尤其涉及一種輸電線路圖像的雷擊主動(dòng)特征識(shí)別方法。

背景技術(shù)：

1、輸電線路在線監(jiān)測設(shè)備已經(jīng)被廣泛安裝在各個(gè)地區(qū)、各個(gè)電壓等級(jí)的線路或桿塔上，用以采集實(shí)時(shí)數(shù)據(jù)，包括電流、電壓、氣象、圖像等數(shù)據(jù)，其中，圖像類的在線監(jiān)測設(shè)備由于輸出結(jié)果更直觀，能夠清晰反映現(xiàn)場實(shí)際情況，例如對于大型機(jī)械設(shè)備造成的線路破壞，或者桿塔附近的異?；顒?dòng)等，都能夠較好的呈現(xiàn)，從而第一時(shí)間通知線路運(yùn)檢人員處理，保障電網(wǎng)的供電可靠性；輸電線路故障中，由雷擊引發(fā)的跳閘故障占絕大多數(shù)，因此，捕捉到雷擊閃絡(luò)并擊中線路瞬間的圖片或視頻，能夠很大程度上加速故障診斷和線路檢修，從而提一種輸電線路圖像的雷擊主動(dòng)特征識(shí)別方法線路運(yùn)行穩(wěn)定性。

2、參照圖3，現(xiàn)有技術(shù)中有一種解決方案是利用機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)算法來實(shí)現(xiàn)。這種方法的具體方案為：

3、1、整理樣本：收集海量的歷史圖片，結(jié)合實(shí)際的雷擊跳閘發(fā)生情況，人工給每張圖片賦予一個(gè)標(biāo)記(例如“有雷擊”“無雷擊”二者之一)；

4、2、提取特征：將每個(gè)歷史圖片樣本的所有像素值轉(zhuǎn)換成一維向量x＝[x1,x2,…,xn],作為神經(jīng)網(wǎng)絡(luò)模型的輸入；

5、3、搭建模型：建立一個(gè)多層神經(jīng)網(wǎng)絡(luò)，包含輸入層，隱藏層，輸出層，其中：輸入層和圖像像素?cái)?shù)有關(guān)；隱藏層由多個(gè)層組成，每層包含多個(gè)神經(jīng)元，每個(gè)神經(jīng)元包含一個(gè)線性函數(shù)(即y＝wx+b,x是輸入、y是輸出、w是權(quán)重矩陣、b是偏置矩陣)和一個(gè)激活函數(shù)(例如g(x)＝max(0,x),用于將輸出控制在特定范圍內(nèi)防止參數(shù)膨脹失控)；輸出層包含2兩個(gè)節(jié)點(diǎn)，a和b，表示算法輸出的標(biāo)記,若a>b則表示“有雷擊”，否則表示“無雷擊”；

6、4、訓(xùn)練模型：通過將大量訓(xùn)練樣本喂入搭建的模型中，利用反向傳播算法不斷優(yōu)化模型中參數(shù)，使得模型輸出打標(biāo)類別盡可能的接近人工分類類別，并將訓(xùn)練好后的模型保存；

7、5、模型分類：將新樣本提取特征后輸入訓(xùn)練好后的模型中，可得該樣本在該算法中的打標(biāo)結(jié)果。

8、但是，上述雷擊主動(dòng)特征識(shí)別方法中神經(jīng)網(wǎng)絡(luò)算法的原理決定了網(wǎng)絡(luò)里的參數(shù)不具備推理能力，相反，其本質(zhì)上是數(shù)據(jù)驅(qū)動(dòng)的，必須通過海量的數(shù)據(jù)讓參數(shù)不斷迭代到最合適的值，神經(jīng)網(wǎng)絡(luò)模型中往往涉及到幾十甚至上百層隱藏層，而每層又包含成千上萬的神經(jīng)元；因而每張圖片的計(jì)算量十分巨大，一般終端設(shè)備的處理器難以支撐，所以大部分是先上傳到云端服務(wù)器再計(jì)算；這一方面增加了通信成本，另一方面增加了系統(tǒng)復(fù)雜度和云端服務(wù)器的負(fù)擔(dān)。

9、深度學(xué)習(xí)本質(zhì)上是個(gè)黑箱，算法由數(shù)據(jù)驅(qū)動(dòng)而非機(jī)理驅(qū)動(dòng)，因此缺乏可解釋性，輸入到輸出的關(guān)聯(lián)度不夠直觀；若識(shí)別錯(cuò)誤，難以針對性的改進(jìn)，除非對數(shù)據(jù)樣本進(jìn)行重大的升級(jí)，再重新訓(xùn)練，因此具有待改進(jìn)的空間。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明克服了現(xiàn)有技術(shù)的不足，提供一種輸電線路圖像的雷擊主動(dòng)特征識(shí)別方法。

2、為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案為：一種輸電線路圖像的雷擊主動(dòng)特征識(shí)別方法，包括以下步驟：

3、步驟一：利用矩陣乘法和加法將圖片由rgb轉(zhuǎn)換成yuv矩陣，取亮度矩陣用于提取邊緣信息，然后用candy算法提取亮度矩陣的邊緣特征信息；以3*3的高斯核在亮度矩陣y上遍歷做卷積操作；以3*3為窗口計(jì)算亮度矩陣每個(gè)像素的橫軸梯度和縱軸梯度；

4、遍歷亮度矩陣中每一個(gè)像素；在橫軸梯度矩陣中，若當(dāng)前像素橫軸梯度值大于其水平方向相鄰點(diǎn)的梯度值或其亮度值超過0.8倍亮度最大值，則保留該像素橫軸梯度值，否則置為0；在縱軸梯度矩陣中，若當(dāng)前像素縱軸梯度值大于其垂直方向相鄰點(diǎn)的梯度值或其亮度值超過0.8倍亮度最大值，則保留該像素縱軸梯度值，否則置為0；將橫軸梯度矩陣和縱軸梯度矩陣結(jié)合，即在亮度矩陣y中僅保存橫軸梯度矩陣或縱軸梯度矩陣中有值的像素，進(jìn)而完成非極大值抑制；

5、遍歷亮度矩陣y中每個(gè)像素，若該像素橫梯度值或縱梯度值大于高閾值，則為強(qiáng)邊緣點(diǎn)，保留其像素值；若橫梯度值或縱梯度值大于低閾值且小于高閾值，則為弱邊緣點(diǎn)，若其周圍有強(qiáng)邊緣點(diǎn)，則保留其像素值，否則置為0；其他像素值均置為0，進(jìn)而完成雙閾值檢測；

6、步驟二：設(shè)定11*11的窗口在圖像矩陣上滑動(dòng)，水平步長為1，垂直步長為11，計(jì)算每個(gè)窗口內(nèi)均值u，記錄均值最大值d所對應(yīng)的位置，計(jì)算橫坐標(biāo)標(biāo)準(zhǔn)差s；當(dāng)雷電流通道形成時(shí)伴隨有光反應(yīng)，根據(jù)各個(gè)像素亮度值跟蹤其閃絡(luò)軌跡；

7、步驟三：因雷電閃絡(luò)軌跡具有亮度高且垂直向下的特征，故可根據(jù)上述滑動(dòng)窗口提取的軌跡中亮度均值u以及其橫坐標(biāo)標(biāo)準(zhǔn)差s判斷其是否為雷電閃絡(luò)；以上述中窗口均值最大值d為基準(zhǔn)，向周圍查找亮度值超過其0.5倍最大均值的像素，并記錄亮度值滿足條件的像素位置，其即為雷電閃絡(luò)軌跡；

8、若u>0.5d，且s<p，則輸出為“有雷擊”，否則輸出“無雷擊”；

9、p為設(shè)定閾值1.5。

10、本發(fā)明一個(gè)較佳實(shí)施例中，所述rgb分別代表紅色、綠色和藍(lán)色，所述yuv分別代表亮度、色調(diào)和飽和度。

11、本發(fā)明一個(gè)較佳實(shí)施例中，所述yuv矩陣計(jì)算公式為：

12、

13、本發(fā)明一個(gè)較佳實(shí)施例中，所述高斯核矩陣表達(dá)式為：

14、

15、本發(fā)明一個(gè)較佳實(shí)施例中，所述橫軸梯度表達(dá)式為：gx＝sum(-x(i-1,j-1)+x(i+1,j-1)-2x(i-1,j)+2x(i+1,j)-x(i-1,j+1)+x(i+1,j+1))；其中，x(i,j)為當(dāng)前像素亮度矩陣值，i,j代表該像素的橫縱坐標(biāo)位置。

16、本發(fā)明一個(gè)較佳實(shí)施例中，所述縱軸梯度表達(dá)式為：gy＝sum(x(i-1,j-1)+2x(i,j-1)+x(i+1,j-1)-x(i-1,j+1)-2x(i,j+1)-x(i+1,j+1))；其中，x(i,j)為當(dāng)前像素亮度矩陣值，i,j代表該像素的橫縱坐標(biāo)位置。

17、本發(fā)明一個(gè)較佳實(shí)施例中，所述均值u代表雷電閃絡(luò)軌跡中像素集合的平均亮度值，其計(jì)算公式為：

18、其中，n表示滑動(dòng)窗口中所有像素的數(shù)量；i(xi,yi)表示每個(gè)像素的亮度值。

19、本發(fā)明一個(gè)較佳實(shí)施例中，所述橫坐標(biāo)標(biāo)準(zhǔn)差s表示雷電閃絡(luò)軌跡在水平方向上像素分布的離散程度，其計(jì)算基于閃絡(luò)軌跡中亮度值超過某個(gè)閾值的像素的橫坐標(biāo)，計(jì)算公式為：

20、其中，xi表示這些像素的橫坐標(biāo)x1，x2，...，xn；表示橫坐標(biāo)的均值，的計(jì)算公式為：

21、

22、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述方法的步驟。

23、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述方法的步驟。

24、本發(fā)明解決了背景技術(shù)中存在的缺陷，本發(fā)明具備以下有益效果：

25、本發(fā)明基于雷電的圖像特征，在像素層面對圖片進(jìn)行計(jì)算操作，輸出是否具有特征的標(biāo)識(shí)，從而分辨圖像中是否包含雷擊；不需要任何數(shù)據(jù)預(yù)標(biāo)注和模型訓(xùn)練工作，總體開發(fā)成本更低；計(jì)算量小，能否部署在終端設(shè)備，減少系統(tǒng)復(fù)雜度和通信成本；可解釋性強(qiáng)，輸入輸出的關(guān)聯(lián)更直觀，能夠更好的指導(dǎo)運(yùn)維工作。