CN106934418A - 一种基于卷积递归网络的绝缘子红外诊断方法 - Google Patents

Abstract

本发明公开一种基于卷积递归网络的绝缘子红外诊断方法，包括以下步骤：A、对绝缘子的红外图像进行分割；B、对分割出的区域进行验证，以确定绝缘子故障区域；C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。本发明能够改进现有技术的不足，具有较高的精度和收敛速度，且可适应性较强。

Description

一种基于卷积递归网络的绝缘子红外诊断方法

技术领域

本发明涉及电网故障识别诊断技术领域，尤其是一种基于卷积递归网络的绝缘子红外诊断方法。

背景技术

绝缘子被广泛应用于输电线路中，是输电网络的重要组成部分。因此绝缘子的状态监测将是一个繁重的工作，相较于传统的人工巡检方式，利用红外成像仪进行故障巡检更为高效，因此对红外图像的故障提取，是目前智能巡检的重要发展方向。现有的工作模式下，红外图像的故障识别主要以人工识别为主，对人员的专业素质要求高，存在着人为因素影响大、工作效率低等缺陷。随着智能变电站和变电站巡检机器人的进一步发展和普及，海量的红外故障图像涌入等待分析，对以人工诊断为主的传统处理方式提出了新的挑战。采用计算机的辅助分析手段对采集到的红外图像进行自动提取、识别、分析，可以减轻劳动强度、减少对技术人员的依赖，更有利于实现图像的数据化，便于进行横向和纵向的统计分析。此外，电力大数据下非结构化数据信息的涌入对图像识别的精度和速度提出了更高的要求，目前常用的几种故障诊断方法，聚类分析、BP神经网络、支持向量机等，在训练速度、收敛速度、以及模型的稳定性等方面均有一定的缺陷，且方法较为单一，难以适应复杂的电力系统。

发明内容

本发明要解决的技术问题是提供一种基于卷积递归网络的绝缘子红外诊断方法，能够解决现有技术的不足，具有较高的精度和收敛速度，且可适应性较强。

为解决上述技术问题，本发明所采取的技术方案如下。

一种基于卷积递归网络的绝缘子红外诊断方法，包括以下步骤：

A、对绝缘子的红外图像进行分割；

B、对分割出的区域进行验证，以确定绝缘子故障区域；

C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。

作为优选，步骤A中，通过Turbopixiel超像素分割方法，合并相似区域；利用HSV颜色空间进行区域提取，选取平均亮度、凹凸度、中心距离三个特征量来描述区域属性。

作为优选，HSV颜色空间进行区域提取时，其分割阈值的确定步骤如下，

将每个区域R_i内的颜色分量以其区域内的均值[r_i,g_i,b_i]替代，为了突出待分割的区域，修改标准的H值传统计算公式并进行归一化，得到的H值计算公式为，

式中，R、B、G分别代表红、绿、蓝；

分割阈值为：

H＞0.65；S＞0.5或S＜0.12；V＞200；

所述故障区域，是结合三个特征量描述的函数F,式为：

式中，

为平均亮度，以归一化的区域内灰度的平均值表示，

为凹凸度，通过该区域面积和该区域的最小凸边形的面积得到，

为中心距离，区域边缘到图像中心位置的最小值。

作为优选，步骤B中，采用大律法对灰度图进行二值分割，查找包含故障区域的联通区，从最小外接矩形边缘出发设置停止条件，以确定绝缘子故障区域。

作为优选，步骤C中，将特征提取后的样本图像依次经过滤波器，卷积神经网络层，多层递归神经网络，最终全连接输出到一个softmax分类器中，对绝缘子的劣化与否及劣化部位做出诊断信息。

作为优选，输入样本首先经过一级卷积网络，将得到的特征输入到第二级的多层递归神经网络中，递归神经网络的层数由设置的参数决定，最终全连接输出到一个softmax分类器中；

滤波器中，输入样本的尺寸转换为m×n，滤波器的尺寸设为r×r，滤波器的个数为K₁，其预处理通过K均值聚类来无监督实现，随机选取样本中N个r×r的特征值，作为滤波器的卷积核使用；K均值需要调整的参数仅有聚类个数K₁；

卷积神经网络层中，在考虑卷积的边缘效应下，经过卷积层之后得到特征图的尺寸为个数为K₁；

假设输入的特征图尺寸为m₁×n₁，即为采样范围为r₁×r₁，步长为s₁，则采样后的特征图尺寸为在经过第一级的卷积网络后的特征尺度为K₁×m₂×n₂；

多层递归神经网络层，即第二级网络，每一层中的所有特征向量一起连接组成下一层的特征，共享同一组权重，通过接受域的选择逐步降低特征维度；设滤波器的接受域为l×l，每层的递归神经网络数量为K₂，W是二维的权重矩阵，大小为K₂×K₁×(K₁×l×l)；在接受域无重叠的情况下，一层递归神经网络之后每张特征图的维度降为之后每层都将维度降低l×l倍，直到变为1×1，最终每张样本图像输出的单层特征维度为n₀＝K₂×K₁。

作为优选，在具体实现中，通常将待输入的图像归一化为m＝n，因此，简化特征图尺寸为m₂×n₂。

采用上述技术方案所带来的有益效果在于：本发明具有较高的精度，可适应性较强，且自动化程度高。基于卷积递归网络进行的红外检测方法可以综合各种劣化瓷质绝缘子检测方法的优点，与其他无监督训练方法相比，具有更强的自适应性和更快的处理速度，适用于电力大数据下的海量红外图像的批量处理，达到提高检测准确性和检测效率的目的。此外，卷积递归网络需要调整的参数仅有聚类个数K₁，因此在待处理维度不高的情况下具有更好的效果和算法效率。此方法通过超像素分割，将图像分割为多个内部性质近似的超像素区域，提高特征信息的提取速度和准确率；通过卷积递归网络诊断瓷质绝缘子是否劣化，避免了人工识别，减少了参数调整量，具有较强的实用性，有效减少了劣化绝缘子存在的安全隐患。

附图说明

图1是本发明的流程图。

图2是卷积递归神经网络的结构图。

具体实施方式

参照图1-2，本发明一个具体实施方式包括以下步骤：

A、对绝缘子的红外图像进行分割；

B、对分割出的区域进行验证，以确定绝缘子故障区域；

C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。

步骤A中，通过Turbopixiel超像素分割方法，合并相似区域；利用HSV颜色空间进行区域提取，选取平均亮度、凹凸度、中心距离三个特征量来描述区域属性。

HSV颜色空间进行区域提取时，其分割阈值的确定步骤如下，

将每个区域R_i内的颜色分量以其区域内的均值[r_i,g_i,b_i]替代，为了突出待分割的区域，修改标准的H值传统计算公式并进行归一化，得到的H值计算公式为，

式中，R、B、G分别代表红、绿、蓝；

分割阈值为：

H＞0.65；S＞0.5或S＜0.12；V＞200；

所述故障区域，是结合三个特征量描述的函数F,式为：

式中，

为平均亮度，以归一化的区域内灰度的平均值表示，

为凹凸度，通过该区域面积和该区域的最小凸边形的面积得到，

为中心距离，区域边缘到图像中心位置的最小值。

步骤B中，采用大律法对灰度图进行二值分割，查找包含故障区域的联通区，从最小外接矩形边缘出发设置停止条件，以确定绝缘子故障区域。

步骤C中，将特征提取后的样本图像依次经过滤波器，卷积神经网络层，多层递归神经网络，最终全连接输出到一个softmax分类器中，对绝缘子的劣化与否及劣化部位做出诊断信息。

输入样本首先经过一级卷积网络，将得到的特征输入到第二级的多层递归神经网络中，递归神经网络的层数由设置的参数决定，最终全连接输出到一个softmax分类器中；

滤波器中，输入样本的尺寸转换为m×n，滤波器的尺寸设为r×r，滤波器的个数为K₁，其预处理通过K均值聚类来无监督实现，随机选取样本中N个r×r的特征值，作为滤波器的卷积核使用；K均值需要调整的参数仅有聚类个数K₁；

卷积神经网络层中，在考虑卷积的边缘效应下，经过卷积层之后得到特征图的尺寸为个数为K₁；

假设输入的特征图尺寸为m₁×n₁，即为采样范围为r₁×r₁，步长为s₁，则采样后的特征图尺寸为在经过第一级的卷积网络后的特征尺度为K₁×m₂×n₂；

多层递归神经网络层，即第二级网络，每一层中的所有特征向量一起连接组成下一层的特征，共享同一组权重，通过接受域的选择逐步降低特征维度；设滤波器的接受域为l×l，每层的递归神经网络数量为K₂，W是二维的权重矩阵，大小为K₂×K₁×(K₁×l×l)；在接受域无重叠的情况下，一层递归神经网络之后每张特征图的维度降为之后每层都将维度降低l×l倍，直到变为1×1，最终每张样本图像输出的单层特征维度为n₀＝K₂×K₁。

在具体实现中，通常将待输入的图像归一化为m＝n，因此，简化特征图尺寸为m₂×n₂。

本发明是基于卷积和递归神经网络下的一个新的模型，样本经过一级卷积网络，将得到的特征图输入第二级的多层神经网络中，其中递归神经网络的层数由设置的参数决定，最终全连接输出到一个softmax分类器中。卷积递归网络法在绝缘子的红外识别诊断方面，具有较高的精度和收敛速度，且可适应性较强，和其他无监督训练方法相比具有较优的性能。因此，该方法在瓷质绝缘子的故障诊断和识别等方面具有重要意义。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于卷积递归网络的绝缘子红外诊断方法，其特征在于包括以下步骤：

A、对绝缘子的红外图像进行分割；

B、对分割出的区域进行验证，以确定绝缘子故障区域；

C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。

2.根据权利要求1所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：步骤A中，通过Turbopixiel超像素分割方法，合并相似区域；利用HSV颜色空间进行区域提取，选取平均亮度、凹凸度、中心距离三个特征量来描述区域属性。

3.根据权利要求2所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于，其特征在于：HSV颜色空间进行区域提取时，其分割阈值的确定步骤如下，

将每个区域R_i内的颜色分量以其区域内的均值替代，为了突出待分割的区域，修改标准的H值传统计算公式并进行归一化，得到的H值计算公式为，

$H=\left\{\begin{array}{ccc}1& if& R>180,G>180,B>180\\ \frac{1}{6}(4+\frac{G-B}{max-\min })& elseif& R=max\\ \frac{1}{6}(2+\frac{B-G}{max-\min })& elseif& G=max\\ \frac{1}{6}\frac{R-G}{max-\min }& elseif& B=\max \end{array}\right.$

式中，R、B、G分别代表红、绿、蓝；

分割阈值为：

H＞0.65；S＞0.5或S＜0.12；V＞200；

所述故障区域，是结合三个特征量描述的函数F,式为：

$F=\frac{\stackrel{\‾}{I_{R_i}}{S}_{R_i}}{d_{R_i}}$

式中，

为平均亮度，以归一化的区域内灰度的平均值表示，

为凹凸度，通过该区域面积和该区域的最小凸边形的面积得到，

为中心距离，区域边缘到图像中心位置的最小值。

4.根据权利要求1所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：步骤B中，采用大律法对灰度图进行二值分割，查找包含故障区域的联通区，从最小外接矩形边缘出发设置停止条件，以确定绝缘子故障区域。

5.根据权利要求1所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：步骤C中，将特征提取后的样本图像依次经过滤波器，卷积神经网络层，多层递归神经网络，最终全连接输出到一个softmax分类器中，对绝缘子的劣化与否及劣化部位做出诊断信息。

6.根据权利要求5所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：输入样本首先经过一级卷积网络，将得到的特征输入到第二级的多层递归神经网络中，递归神经网络的层数由设置的参数决定，最终全连接输出到一个softmax分类器中；

滤波器中，输入样本的尺寸转换为m×n，滤波器的尺寸设为r×r，滤波器的个数为K₁，其预处理通过K均值聚类来无监督实现，随机选取样本中N个r×r的特征值，作为滤波器的卷积核使用；K均值需要调整的参数仅有聚类个数K₁；

卷积神经网络层中，在考虑卷积的边缘效应下，经过卷积层之后得到特征图的尺寸为个数为K₁；

假设输入的特征图尺寸为m₁×n₁，即为采样范围为r₁×r₁，步长为s₁，则采样后的特征图尺寸为在经过第一级的卷积网络后的特征尺度为K₁×m₂×n₂；

多层递归神经网络层，即第二级网络，每一层中的所有特征向量一起连接组成下一层的特征，共享同一组权重，通过接受域的选择逐步降低特征维度；设滤波器的接受域为l×l，每层的递归神经网络数量为K₂，W是二维的权重矩阵，大小为K₂×K₁×(K₁×l×l)；在接受域无重叠的情况下，一层递归神经网络之后每张特征图的维度降为之后每层都将维度降低l×l倍，直到变为1×1，最终每张样本图像输出的单层特征维度为n₀＝K₂×K₁。

7.根据权利要求6所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：在具体实现中，通常将待输入的图像归一化为m＝n，因此，简化特征图尺寸为m₂×n₂。