CN106846316A - 一种gis内部典型缺陷图像自动识别方法 - Google Patents

Abstract

本申请实施例公开了一种GIS内部典型缺陷图像自动识别方法，包括获取缺陷图像；对所述缺陷图像进行预处理，获得目标图像；对所述目标图像进行特征提取，获得特征数据；从所述特征数据中提取特征向量；采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。本申请实施例通过训练多类分类器对缺陷类型进行特征分类，然后筛选出满足缺陷类型特征的缺陷图像，从而确定缺陷图像类型，能够提高GIS设备检测的效率和精确性，实现在线监测。

Description

一种GIS内部典型缺陷图像自动识别方法

技术领域

本申请涉及电气设备检测领域，尤其涉及一种GIS内部典型缺陷图像自动识别方法。

背景技术

GIS(Gas Insulted Switchgear，气体绝缘全封闭组合电器)由于具有体积较小(相比敞开式电气设备)、占地面积少、受外界环境影响较小等优点，因此得到广泛应用。虽然GIS设备具有的优越性十分显著，但GIS设备一旦发生故障就会影响电网正常运行，特别是内部放电故障或者内部缺陷故障，涉及的停电范围有时就不单是发生故障的间隔、很有可能是相邻间隔，甚至整个变电站。及时确定GIS设备的故障原因并对其进行维修才能保证电网的安全稳定运行。

现有技术中，在对GIS设备内部故障进行检测时，首先使用X光线对GIS设备进行照射，获得GIS设备各个部分的X光线检测图片，然后对X光线检测图片进行预处理，为确定缺陷类型做准备，随后维护人员对预处理后的X光线检测图片进行逐张观察，通过判断X光线检测图片中不同区域的灰度等数值确定GIS设备的内部故障原因。

从上述对GIS设备内部故障进行检测的方法中可以看出，通过维护人员对X光线检测图片进行逐张观察来判断GIS设备缺陷类型，严重影响了GIS设备故障检测的效率，当发生大规模GIS故障时难以及时确定GIS设备缺陷类型，从而影响电网的及时修复，同时，通过人工观察X光线检测图片难以避免的会产生错误判断，影响了GIS设备故障检测的精确性。

发明内容

为克服相关技术中存在的问题，本申请提供了一种GIS内部典型缺陷图像自动识别方法。

一种GIS内部典型缺陷图像自动识别方法，其特征在于，包括：

获取缺陷图像；

对所述缺陷图像进行预处理，获得目标图像；

对所述目标图像进行特征提取，获得特征数据；

从所述特征数据中提取特征向量；

采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。

可选地，所述对所述缺陷图像进行预处理，获得目标图像包括：

对所述缺陷图像进行图像灰度化处理，获得灰度图像；

对所述灰度图像进行平滑处理，获得平滑灰度图像；

对所述平滑灰度图像进行锐化处理，获得锐化灰度图像；

对所述锐化灰度图像进行直方图均衡化处理，获得均衡化灰度图像；

对所述均衡化灰度图像进行图像分割，提取出目标图像。

可选地，所述对所述均衡化灰度图像进行图像分割包括：

利用阈值分割方法将所述均衡化灰度图像分割为目标图像和背景图像。

可选地，所述对所述目标图像进行特征提取包括：

从所述目标图像中提取灰度特征、纹理特征和HOG方向梯度直方图特征，其中，所述灰度特征包括均值、方差、歪度、峭度和熵；所述纹理特征包括0°、45°、90°和135°四个方向上的灰度共生矩；所述HOG特征是通过计算所述目标图像的方向梯度直方图得到。

可选地，所述从所述特征数据中提取特征向量包括：

从所述特征数据中选取一组特征子集构成新的特征空间；

通过主成分分析法从所述特征空间中找到一组方差最大的正交向量，作为特征向量。

可选地，所述采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别包括：

将所述特征向量作为识别样本；

设置所述多类分类器的筛选分类为第一预设缺陷类型；

将符合所述筛选分类的所述识别样本标记为1，不符合所述多类分类器筛选分类的所述识别样本标记为-1；

将标记为1的识别样本进行显示；

判断是否存在标记为-1的样本；

如果存在标记为-1的样本，则重新设置所述多类分类器的筛选分类为第二预设缺陷类型，将所述标记为-1的样本作为所述多类分类器的输入，重新进行筛选。

可选地，构造所述多类分类器的方法包括：

构造K个SVM支持向量机模型，利用所述K个SVM模型组成多类分类器，其中，K为GIS设备所有内部缺陷类型的数量；

用已知缺陷类型的历史缺陷图像对所述多类分类器进行训练；

确定所述多类分类器的核函数和惩罚因子；

对构造完的多类分类器进行测试。

可选地，所述对构造完的多类分类器进行测试包括：

选取预设数量的待检测缺陷图像输入所述多类分类器进行识别，获得识别类型；

对所述预设数量的待检测缺陷图像进行人工识别，确定缺陷类型；

将人工识别的所述缺陷类型与所述识别类型进行对比，确定多类分类器的识别精度；

判断所述识别精度是否满足工作要求；

如果所述识别精度不满足工作要求，则继续对所述多类分类器进行训练。

本申请实施例提供的GIS内部典型缺陷图像自动识别方法，包括获取缺陷图像；对所述缺陷图像进行预处理，获得目标图像；对所述目标图像进行特征提取，获得特征数据；从所述特征数据中提取特征向量；采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。本申请实施例通过训练多类分类器对缺陷类型进行特征分类，然后筛选出满足缺陷类型特征的缺陷图像，从而确定缺陷图像类型，能够实现GIS设备检测的效率和精确性，实现在线监测。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种GIS内部典型缺陷图像自动识别方法的流程示意图；

图2为本申请实施例提供的一种图像预处理的流程示意图；

图3为本申请实施例提供的一种多类分类器的识别方法流程示意图；

图4为本申请实施例提供的一种多类分类器的构造方法流程图；

图5为本申请实施例提供的一种多类分类器构造方法的测试流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

参见图1，本申请提供的一种GIS内部典型缺陷图像自动识别方法的流程示意图，如图1所示，本申请实施例提供的GIS内部典型缺陷图像自动识别方法，包括如下步骤：

S1：获取缺陷图像。

缺陷图像为X射线检测设备拍摄到的检测图像。缺陷图像尽可能的包括待检测GIS设备全方位的检测信息，从而保证可以准确的判断GIS的故障类型。

S2:对所述缺陷图像进行预处理，获得目标图像。

不可避免的，在用X射线检测装置对GIS设备进行检测时会将周围的景物拍摄进去，造成在一幅检测图像中会存在大量的干扰因素，从而影响检测质量，也增加了检测的负担。

图像的预处理具体方法参见图2，为本申请实施例提供的图像预处理的流程示意图，如图2所示，图像预处理的过程包括如下步骤：

S201：对所述缺陷图像进行图像灰度化处理，获得灰度图像。

在对缺陷图像进行图像灰度化处理时，可以利用OpenCV(Open Source ComputerVision Library，开源计算机视觉库)软件中的cvCvtColor函数来实现RGB(Red，Green，Blue，红、绿、蓝)颜色向灰度图像的转化。由于在进行检测时颜色并不会对缺陷类型造成影响，因此不需要在RGB三个分量上进行计算，将图像转换成灰度图像可以减少后续计算的步骤，提高检测效率。

S202：对所述灰度图像进行平滑处理，获得平滑灰度图像。

利用OpenCV软件中的cvSmooth函数，选择3*3的模板对图像进行中值滤波来实现图像的平滑处理。缺陷图像会经过采集、处理、存储和传输等一系列过程，在这个过程中电气系统和外界引入的噪声会掺杂在缺陷图像中，可能会影响图像的质量，对后续的检测造成影响，通过中值滤波去除图像中的噪声即对图像的平滑处理，可以保证图像以较高的质量进行后续检测，从而提高检测准确性。

S203：对所述平滑灰度图像进行锐化处理，获得锐化灰度图像。

图像平滑处理后通常会使图像中的边界、轮廓变得模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像的边缘变的清晰。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变的清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算(如微分运算)就可以使图像变的清晰。

这里选用了一种高频滤波增强方法：

设▽²f为拉普拉斯算子，则：

对于离散数字图像f(x,y)，其一阶偏导数为：

则其二阶偏导数为：

所以，拉普拉斯算子▽²f为：

对于扩散现象引起的图像模糊，可以用下式来进行锐化

g(x,y)＝f(x,y)-kτ▽²f(x,y)，

这里kτ是与扩散效应有关的系数。该系数取值要合理，如果kτ过大，图像轮廓边缘会产生过冲；反之如果kτ过小，锐化效果就不明显。考虑到kτ是与扩散效应有关的系数，在本实现算法中令，kτ选取在2-8之间。

▽²近似釆用如下模板：

H＝{{1,4,1},{4,-20,4},{1,4,1}}，

最终得到：

式中f，G分别为处理前后的图像函数。

S204：对所述锐化灰度图像进行直方图均衡化处理，获得均衡化灰度图像。

为了提高锐化图像的对比度，可以通过直方图均衡化的方法使图像灰度分布均匀，从而增大反差。在这里，直方图均衡化采用CLAHE(Contrast-Limited AdaptiveHistogram Equalization，对比度受限的自适应直方图均衡化)算法，其表达式为：h_ij(r)＝αh_w(r)+(1-α)h_B(r)，其中，h_w(r)是OpenCV软件窗口的归一化直方图，h_B(r)是OpenCV软件窗口外的归一化直方图，其中，0≤α≤1。设S_w和S_B分别代表OpenCV软件窗口外部区域W和OpenCV软件窗口内部区域B的面积，如果α＝S_w/(S_w+S_B)，则h_W(r)＝h(r)，表示局部直方图与全局直方图相等；如果α>S_w/(S_w+S_B)，则局部直方图单独均衡化，从而强调局部信息。因此可以通过改变α大小来调节局部直方图，以模拟周围环境对相关区域的影响。

S205：对所述均衡化灰度图像进行图像分割，提取出目标图像。

为了实现检测的快速进行，并且避免缺陷图像中GIS设备外部背景的影响，需要对图像进行分割，提取出目标图像，在此处，选用利用阈值分割方法将均衡化灰度图像分割为目标图像和背景图像，其中，阈值分割算法的数学描述如下：

设GIS内部缺陷图像的灰度等级为[0，L-1]，其中第i级像素为N_i，i∈[0，L-1]，则图像的总像素点个数为：第i级像素出现的概率为：P_i＝N_i/N。以阈值T将所有的像素分为目标C₀和背景C₁，其中，C₀类的像素灰度级为[0，T]，C₁类的像素灰度级为[T+1，L-1]，可以得到图像的平均像素为：进而得到C₀和C₁的均值：式中，

在确定阈值T时可以根据u_T＝ω₀u₀+ω₁u₁，计算最大类间方差：σ²(T)＝ω₀ω₁(u₀-u₁)²，令阈值T在[0，L-1]内依次取值，σ²(T)最大时的T值即为阈值分割法的最佳阈值。

S3：对所述目标图像进行特征提取，获得特征数据。

从目标图像中提取灰度特征、纹理特征和HOG方向梯度直方图特征作为后续检测的输入，其中，灰度特征包括：均值、方差、歪度、峭度和熵；纹理特征为0°、45°、90°和135°四个方向上的灰度共生矩；HOG特征是通过计算目标图像的方向梯度直方图得到。

S4：从所述特征数据中提取特征向量。

特征选择实质上也是一个数据降维的过程，在考虑特征间相关性和冗余信息的基础之上选择特征空间中一组特征子集构成新的特征空间，从而将原始特征空间投影到新的低维特征空间，实现数据降维。通过特征选择，可以增强特征向量的解释能力，缩短分类器的训练时间，同时防止分类器训练时的过度拟合。

主成分分析法是统计学中常用的一种数据分析方法，在图像处理中又被称作Karhunen-Loève变换(K-L变换)，其基本原理是通过正交投影变换将高维向量空间投影到低维的向量空间，从而实现数据降维。从信号处理的角度来看，信号与噪声的区别在于，信号的方差相对于噪声方差来说往往比较大。因此主成分分析法通过线性组合的方式找到一组保证方差最大化的正交向量，尽可能的去除各个特征之间的相关性，将原向量空间到新向量空间的投影系数作为新的特征向量。

S5：采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。

分类器的具体识别方法参见图3，为本申请实施例提供的一种多类分类器的识别方法流程示意图，如图3所述，本申请实施例提供的多类分类器的识别方法包括如下步骤：

S501：将所述特征向量作为识别样本。

S502：设置所述多类分类器的筛选分类为第一预设缺陷类型。

S503：将符合所述筛选分类的所述识别样本标记为1，不符合所述多类分类器筛选分类的所述识别样本标记为-1。

S504：将标记为1的识别样本进行显示。

S505：判断是否存在标记为-1的样本。

S506：如果存在标记为-1的样本，则重新设置所述多类分类器的筛选分类为第二预设缺陷类型，将所述标记为-1的样本作为所述多类分类器的输入，重新进行筛选。

假设识别样本中共有A、B、C、D四种缺陷类型，则可以将A分为一类，B、C、D分为一类，将A确定为第一预设缺陷类型，将识别样本全部输入多类分类器之后将满足A类型即第一预设缺陷类型的样本标记为1，将不满足A类型即第一预设缺陷类型的样本标记为-1，标记为1的样本即为筛选出的A缺陷类型，将标记为1的样本进行显示，显示内容需表明显示样本符合A类型。判断是否存在标记为-1的识别样本，例如，在初始的识别样本中只有A类型，则就不存在B、C、D类型，因此也就不存在标记为-1的识别样本，当不存在标记为-1的识别样本时就无需再进行筛选。

当存在标记为-1的识别样本时，在标记为-1的十倍样本中同时包含了B、C、D三种缺陷类型，则需要将标记为-1的样本作为新的识别样本重新分为两类，例如将B作为一类，C、D作为另一类，确定B为第二预设缺陷类型，将满足B类型即第二预设缺陷类型的样本标记为1，将不满足B类型即第二预设缺陷类型的样本标记为-1，标记为1的样本即为筛选出的B缺陷类型，将标记为1的样本进行显示,显示内容需表明显示样本符合B类型。相似的，继续对C、D类型记性筛选，直至全部类型均筛选完毕，即不存在标记为-1的样本。需要说明的是，第一预设缺陷类型和第二预设缺陷类型的选取顺序不影响本申请。

参见图4，为本申请实施例提供的一种多类分类器的构造方法流程图，如图4所示，本申请实施例提供的多类分类器的构造方法包括如下步骤：

S701：构造K个SVM支持向量机模型，利用所述K个SVM模型组成多类分类器，其中，K为GIS设备所有内部缺陷类型的数量。

SVM((Support Vector Machine，支持向量机)模型为一种二分类的分类模型，而我们需要筛选的缺陷类型一般多于两个，因此需要用多个SVM模型组成多类分类器来实现多类分类的功能，SVM模型的数量与要筛选的缺陷类型的数量相同，例如，如果GIS设备一共有4种缺陷类型，则只需要构造4个SVM模型即可。

S702：用已知缺陷类型的历史缺陷图像对所述多类分类器进行训练。

在训练第i个模型时，将第i个类型作为一类，其他所有类型单独作为一类。从而能够得到l份数据(x₁，y₁)，...，(x_l，y_l)，其中x_i∈Rⁿ，i＝1,...,l且y_i∈{1,...,l}表示x_i的类型。第i个SVM模型通过以下方法求得：

其中训练x_i通过核函数Φ和惩罚因子C映射到高维空间。

最小化是为了使得最大化，他描述了数据集与分类超平面的几何间隔。如果数据集线性不可分，那么惩罚项可以尽可能的抑制噪声的影响。

经过以上计算能够得到k个决策函数：

对于未知样本x，将x带入各个决策函数中，在哪个决策函数中获得最大值，就判定x属于哪一个类型：

x＝arg max_i＝1,…,k((ωⁱ)^Tφ(x)+bⁱ)，即为上述的确定识别样本为哪个类型。

S703：确定所述多类分类器的核函数和惩罚因子。

对多类分类器构造完成后，需要选择分类器参数，即定核函数以及惩罚因子。这里选用高斯径向核和作为构造分类器的核函数。高斯径向核的形式如下：

K(x_i,y_j)＝exp(-γ||x_i-y_j||^T),γ＞0，当γ确定时，高斯核唯一确定。

通过交叉验证的v-fold方法来确定核函数和惩罚因子。首先将样本集分割成同等大小的v个子集，让在一定范围内取值构造分类器，然后将每一个子集作为测试用例对用剩下的v-1个子集训练得到的分类器进行测试。因此分类器获得的分类准确率是对所有样本进行分类的准确率。然后取使得分类准确率最高的(C，γ)，即是最优参数。但不排除存在多组(C，γ)使得分类准确率最高的情况。这时取其中C最小的参数组合。如果对应最小C有多个γ满足要求，那么选取搜索到的第一组参数。这是因为C表征分类器的置信范围，过大的C会导致过学习状态，也就是对训练集分类准确率很高而对测试集分类准确率缺很低。所以，同样满足分类准确率最高条件的参数组合，应选择C尽量小的那一组。

S704：对构造完的多类分类器进行测试。

多类分类器的具体测试方法参见图5，为本申请实施例提供的一种多类分类器构造方法的测试流程图，如图5所示，本申请实施例提供的多类分类器的测试方法包括如下步骤：

S7041：选取预设数量的待检测缺陷图像输入所述多类分类器进行识别，获得识别类型。

S7042：对所述预设数量的待检测缺陷图像进行人工识别，确定缺陷类型。

S7043：将人工识别的所述缺陷类型与所述识别类型进行对比，确定多类分类器的识别精度。

S7044：判断所述识别精度是否满足工作要求。

S7045：如果所述识别精度不满足工作要求，则继续对所述多类分类器进行训练。

例如，将GIS缺陷类型划分为3类，分别为设备正常、工具异物缺陷和GIS金属异物缺陷，每个类型选取50组，在已知缺陷类型的情况下对完成训练的进行测试。首先对输入的图像进行预处理、分割、特征值提取，最后进行识别，得到识别结果。根绝识别结果确定多类分类器的识别精确度，如果精确度可以满足工作需要则多类分类器构造完成，如果精确度不能满足工作要求则对多类分类器继续进行训练，进一步确定合适的核函数和惩罚因子，其中，具体的精确度需要达到多少有用户自行确定。

本申请实施例通过训练多类分类器对缺陷类型进行特征分类，然后筛选出满足缺陷类型特征的缺陷图像，从而确定缺陷图像类型，能够实现GIS设备检测的效率和精确性，实现在线监测。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (8)

1.一种GIS内部典型缺陷图像自动识别方法，其特征在于，包括：

获取缺陷图像；

对所述缺陷图像进行预处理，获得目标图像；

对所述目标图像进行特征提取，获得特征数据；

从所述特征数据中提取特征向量；

采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。

2.如权利要求1所述的方法，其特征在于，所述对所述缺陷图像进行预处理，获得目标图像包括：

对所述缺陷图像进行图像灰度化处理，获得灰度图像；

对所述灰度图像进行平滑处理，获得平滑灰度图像；

对所述平滑灰度图像进行锐化处理，获得锐化灰度图像；

对所述锐化灰度图像进行直方图均衡化处理，获得均衡化灰度图像；

对所述均衡化灰度图像进行图像分割，提取出目标图像。

3.如权利要求2所述的方法，其特征在于，所述对所述均衡化灰度图像进行图像分割包括：

利用阈值分割方法将所述均衡化灰度图像分割为目标图像和背景图像。

4.如权利要求1所述的方法，其特征在于，所述对所述目标图像进行特征提取包括：

从所述目标图像中提取灰度特征、纹理特征和HOG方向梯度直方图特征，其中，所述灰度特征包括均值、方差、歪度、峭度和熵；所述纹理特征包括0°、45°、90°和135°四个方向上的灰度共生矩；所述HOG特征是通过计算所述目标图像的方向梯度直方图得到。

5.如权利要求1所述的方法，其特征在于，所述从所述特征数据中提取特征向量包括：

从所述特征数据中选取一组特征子集构成新的特征空间；

通过主成分分析法从所述特征空间中找到一组方差最大的正交向量，作为特征向量。

6.如权利要求1所述的方法，其特征在于，所述采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别包括：

将所述特征向量作为识别样本；

设置所述多类分类器的筛选分类为第一预设缺陷类型；

将符合所述筛选分类的所述识别样本标记为1，不符合所述多类分类器筛选分类的所述识别样本标记为-1；

将标记为1的识别样本进行显示；

判断是否存在标记为-1的样本；

如果存在标记为-1的样本，则重新设置所述多类分类器的筛选分类为第二预设缺陷类型，将所述标记为-1的样本作为所述多类分类器的输入，重新进行筛选。

7.如权利要求1所述的方法，其特征在于，构造所述多类分类器的方法包括：

构造K个SVM支持向量机模型，利用所述K个SVM模型组成多类分类器，其中，K为GIS设备所有内部缺陷类型的数量；

用已知缺陷类型的历史缺陷图像对所述多类分类器进行训练；

确定所述多类分类器的核函数和惩罚因子；

对构造完的多类分类器进行测试。

8.如权利要求7所述的方法，其特征在于，所述对构造完的多类分类器进行测试包括：

选取预设数量的待检测缺陷图像输入所述多类分类器进行识别，获得识别类型；

对所述预设数量的待检测缺陷图像进行人工识别，确定缺陷类型；

将人工识别的所述缺陷类型与所述识别类型进行对比，确定多类分类器的识别精度；

判断所述识别精度是否满足工作要求；

如果所述识别精度不满足工作要求，则继续对所述多类分类器进行训练。