CN108470141B

CN108470141B - 一种基于统计特征与机器学习的配电线路中绝缘子识别方法

Info

Publication number: CN108470141B
Application number: CN201810079837.8A
Authority: CN
Inventors: 杨阳; 侯春萍; 李晨; 章衡光; 侯明浩; 张巍; 肖易易
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2018-01-27
Filing date: 2018-01-27
Publication date: 2021-08-10
Anticipated expiration: 2038-01-27
Also published as: CN108470141A

Abstract

本发明涉及一种基于统计特征与机器学习的配电线路中绝缘子识别方法，包括：将巡视配电线路时得到的航拍图片，按照合适的比例分成两组，分别作为训练集图片和测试集图片；YCbCr变换；分别在Y通道、Cb通道、Cr通道上提取统计特征，选用的统计特征是图像的一阶矩到六阶矩，以及标准差；归一化处理，将原始数据规整到[0,1]内；制作符合支持向量机SVM的标签文件,作为SVM分类器的训练样本；训练SVM分类器，进行特征优选，从7个统计特征中挑选出最具有识别优势的数据集合；输入测试集图片，利用训练好的分类器，输出分类结果。

Description

一种基于统计特征与机器学习的配电线路中绝缘子识别方法

技术领域

本发明属于电力技术和计算机视觉领域，涉及一种基于图像处理技术和机器学习技术的无人机巡检航拍图像中绝缘子识别的方法。

背景技术

配电网络是指电力系统内中二次降压变压器低压侧直接或降压后向用户供电的网络，配电线路是指从降压变电站把电力送到配电变压器或将配电变电站的电力送到用电单位的线路。绝缘子是架空配电线路中重要的组成部分，用来支持和固定母线与带电导体、并使带电导体间或导体与大地之间有足够的距离和绝缘，同时也承受导线的垂直荷重和水平荷重。按照使用的绝缘材料的不同，绝缘子可分为瓷绝缘子、玻璃绝缘子和复合绝缘子(也称合成绝缘子)，在本专利中，研究对象是陶瓷绝缘子。

由于配电线路终年暴露在复杂的自然环境中，绝缘子要遭受工厂的排烟、海风带来的盐雾、空气中漂浮的尘埃和大风刮起的灰尘等逐渐积累带来的污秽层；遭受自然天气，如风吹、日晒、雨淋带来的的损害；遭受雷击等自然灾害带来的过电压影响；遭受内部应力和外部应力长期作用下带来的疲劳损伤。绝缘子又是故障多发元件，其污秽、裂纹、破损等表面缺陷，以及电力绝缘子的掉串、绝缘阻抗低会造成停电等电力故障，严重的会造成电网大面积停电。在电力网络故障的统计和调查中，由于绝缘子污损造成的停电故障占到八成，并且在各个地区均发生过大面积由于污损而闪断的情况。

因此，在定期或不定期的电力巡视中，对绝缘子的识别可有助于我们分析和确认绝缘子的情况，为后续对绝缘子进行检修、维护等事务提供重要信息，这是保障配电线路安全运行的必然手段。目前普遍应用的巡检方式是人工巡检，但是绝大部分配电线路处于崇山峻岭，交通死区，通讯盲区，甚至无人区，导致巡视难度大、周期长，而且巡视结果受巡视人员技能以及天气、地形等客观因素影响较大。为了应对巡检工作的巨大需求和配电线路的扩张趋势，无人机巡视这种人工和智能巡视相结合的新型巡视模式，由于其低成本、高效率、维护简单等特点，逐步开始进入实用化的阶段。利用无人机搭载高清相机和图传设备对杆塔和线路的某些细节进行巡视，比如绝缘子污秽、裂痕、塔材锈蚀等，可将电力巡检视频实时传输至地面站，获取大量详实的线路通道航拍视频和照片，这些图像数据存储了配电线路基本特征和运行状态信息，若能应用计算机视觉、图像处理等技术对巡检图像自动进行处理，实现绝缘子的识别和定位，进而可以进行状态监测和故障诊断，既能避免使用人工方式的弊病，大幅提升工作效率和检测精确度，又能极大地改善电路巡检的自动化水平，降低线路维护人员的巡检工作量。

目前，配电线路绝缘子的检测方法种类繁多，包括基于红外图像的、基于激光的、基于声学的、基于可见光图像的等等，这些方法对于大规模、频繁性的巡检工作来说，并不能被广泛的使用。国内外基于可见光图像的绝缘子识别方法大多依据其轮廓信息、颜色信息或纹理信息。基于轮廓特征的可见光图像绝缘子识别方法准确度受航拍的姿态角影响较大；基于颜色特征的可见光绝缘子识别方法中的绝缘子图像分割算法以绝缘子颜色已知作为分割前提；基于纹理特征的可见光绝缘子识别方法易受复杂背景下纹理相似的伪目标干扰。然而电力系统中绝缘子图像采集多由人工或航拍来完成，以需求的特定角度及焦距在特定的光照环境下进行拍摄。由于背景变化多且较为复杂，以上方法均不具有普遍性，不能很好地被运用到实际系统中。

[1]陈庆,闫斌,叶润,周小佳.航拍绝缘子卷积神经网络检测及自爆识别研究[J].电子测量与仪器学报,2017,31(06):942-953.

[2]伍洋.基于机器学习的航拍图像绝缘子识别方法研究[D].华北电力大学,2016.

[3]阳武.基于航拍图像的绝缘子识别与状态检测方法研究[D].华北电力大学(北京),2016.

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的是：在配电线路巡视系统的基础上，提供一种能够快速和准确识别配电线路中绝缘子的方法。本发明选用图像统计特征和机器学习中的支持向量机SVM算法对图像分类，将没有绝缘子的图片和有绝缘子的图片分开，减少巡检时工作人员的工作量，便于分析和确认绝缘子的情况。技术方案如下：

1.一种基于统计特征与机器学习的配电线路中绝缘子识别方法，包括下列步骤：

1)将巡视配电线路时得到的航拍图片，按照合适的比例分成两组，分别作为训练集图片和测试集图片；

2)将步骤1得到的训练集图片做YCbCr变换，即从RGB颜色空间变换到YCbCr颜色空间；

3)将步骤2中得到的图片分别在Y通道、Cb通道、Cr通道上提取统计特征，选用的统计特征是图像的一阶矩到六阶矩，以及标准差；

4)将步骤3中得到的统计特征值进行归一化处理，将原始数据规整到[0,1]内；

5)将步骤4中得到的7个统计特征值生成一个特征向量，制作符合支持向量机SVM的标签文件,作为SVM分类器的训练样本，在训练样本和测试样本中，规定含有绝缘子的图片为负样本，类别标签为1；规定没有绝缘子的图片为正样本，类别标签为-1；

6)将步骤5中得到的训练样本输入SVM分类器，选择合适的核函数，确定核函数参数及乘法参数，SVM所涉及的惩罚因子c，gamma参数g，执行训练算法并求得最优拉格朗日乘子和偏差值，训练后得到分类器模型；同时，进行特征优选，从7个统计特征中挑选出最具有识别优势的数据集合，在SVM的训练过程中，让c和g在一定的范围内取值，使用K折验证法寻找合适的c和g，能够使得测试集分类结果最鲁棒，对未见示例的泛化能力最强；

7)输入测试集图片，利用训练好的分类器，输出分类结果。

该方法根据有无绝缘子对于图像统计特征的影响，利用图像统计特征和机器学习算法，通过训练绝缘子图像分类模型，能够及时有效地分辨出图像中是否有绝缘子，为工作人员检修和维护绝缘子提供信息，以减少因绝缘子受损引起的电力故障。

附图说明

图1专利流程图

图2正负样本图

图3YCbCr图像分解(a)原图 (b)Y通道 (c)Cb通道 (d)Cr通道

图4标签文件

图5参数寻优结果图

具体实施方案

为使本发明的技术方案更加清楚，下面结合附图对本发明具体实施方案做进一步的描述。具体实施方案流程图如图1所示。

1获得训练集图片，训练分类器模型。

1)将巡视配电线路时得到的航拍图片，按照合适的比例分成两组，分别作为训练集图片和测试集图片，其中，训练集包含56张图片，测试集包含14张图片，正、负样本各占半数。原图如图2所示。

2)将步骤1得到的训练集图片做YCbCr变换，即从RGB颜色空间变换到YCbCr颜色空间。YCbCr颜色空间由3个成份组成，Y表示颜色的亮度成份，Cb表示颜色的蓝色偏移浓度成份，Cr表示颜色的红色偏移浓度成份。从RGB颜色空间变换到YCbCr颜色空间的变换公式如下：

完成颜色空间转换后的图像如图3所示。

3)将步骤2中得到的图片分别在Y通道、Cb通道、Cr通道上提取统计特征，本专利中选用的统计特征是图像的矩特征，其利用力学中矩的概念，将区域内部的像素作为质点，而将像素的坐标作为力臂，并以各阶矩的形式来表示区域形状特征，具体选用的是图像的一阶矩到六阶矩，以及标准差。计算公式如下：

一阶矩(均值)：

二阶矩(方差)：

三阶矩(偏度)：

四阶矩(峰度)：

五阶矩：

六阶矩：

标准差：

其中，H和W分别表示图像的高和宽，f(i,j)表示图像中某一点的像素值。将这些特征值组成一个n×21维的数据集，其中n表示样本个数。

4)将步骤3中得到的统计特征值进行归一化处理，便于后续计算，方法如下：

该方法的作用是将原始数据规整到[0,1]内，即y_i∈[0,1]，y＝1,2…,n。

5)将步骤4中得到的7个统计特征值生成一个特征向量，制作符合支持向量机SVM格式的标签文件，作为SVM分类器的训练样本。在训练样本和测试样本中，规定含有绝缘子的图片为负样本，类别标签为1；规定没有绝缘子的图片为正样本，类别标签为-1。标签文件如图4所示。

6)将步骤5中得到的训练样本输入SVM分类器，选择合适的核函数，确定核函数参数及乘法参数，SVM所涉及的误差惩罚参数c，gamma参数g，执行训练算法并求得最优拉格朗日乘子和偏差值，训练后得到分类器模型。同时，进行特征优选，从7个统计特征中挑选出最具有识别优势的数据集合。在SVM的训练过程中，让c和g在一定的范围内取值，使用K折交叉验证法寻找合适的c和g，能够使得测试集分类结果最鲁棒，对未见示例的泛化能力最强。在本专利中，令c的取值范围是[2^-5,2⁵]，步长为0.2；g的取值范围是[2^-5,2⁵]，步长为0.2。参数寻优结果如图5所示。在图5中，将7个统计特征按顺序组合，0表示未使用该统计特征，1表示使用该统计特征，组合后的二进制序列转换为十进制数，x轴表示该十进制数，y轴表示在对应统计特征组合下的分类效果，经过参数寻优，当c和g的取值分别为c＝2，g＝0.5，核函数选择RBF核函数(t取2)时，SVM分类器可以取得最好的效果。

2输入测试集图片，利用训练好的分类器，输出分类结果。

1)将待测试的图片做YCbCr变换，即从RGB颜色空间变换到YCbCr颜色空间。

2)将步骤1中得到的图片分别在YCbCr颜色空间的Y通道、Cb通道、Cr通道上提取统计特征，即图像的一阶矩到六阶矩，以及标准差，组成特征向量，并且制作SVM分类器的标签文件。

3)将步骤2得到的特征向量送入在第一步中已经训练好的SVM分类器，根据SVM分类器的输出结果预测图片中是否含有绝缘子，若分类结果为-1，则表明图像中含有绝缘子，巡检的工作人员则应注意分析和确认绝缘子的情况，若绝缘子存在污损等故障，还要注意对其进行维护，防止电力故障的发生；若分类结果为1，则表明图像中没有绝缘子。

Claims

2)将步骤1)得到的训练集图片做YCbCr变换，即从RGB颜色空间变换到YCbCr颜色空间，从RGB颜色空间变换到YCbCr颜色空间的变换公式如下：

3)将步骤2)中得到的图片分别在Y通道、Cb通道、Cr通道上提取统计特征，所选的统计特征是图像的矩特征，利用力学中矩的概念，将区域内部的像素作为质点，将像素的坐标作为力臂，以各阶矩的形式来表示区域形状特征，选用的统计特征是图像的一阶矩到六阶矩，以及标准差，各阶矩及标准差的计算公式如下：

一阶矩：

二阶矩：

三阶矩：

四阶矩：

五阶矩：

六阶矩：

标准差：

其中，H和W分别表示图像的高和宽，f(i,j)表示图像中某一点的像素值，将这些特征值组成一个n×21维的数据集，其中n表示样本个数；

4)将步骤3)中得到的统计特征值进行归一化处理，将原始数据规整到[0,1]内；

5)将步骤4)中得到的7个统计特征值生成一个特征向量，制作符合支持向量机SVM的标签文件，作为SVM分类器的训练样本，在训练样本和测试样本中，规定含有绝缘子的图片为负样本，类别标签为1；规定没有绝缘子的图片为正样本，类别标签为-1；

6)将步骤5)中得到的训练样本输入SVM分类器，选择RBF核函数，确定核函数参数及乘法参数，SVM所涉及的惩罚因子c，gamma参数g，执行训练算法并求得最优拉格朗日乘子和偏差值，训练后得到分类器模型；同时，进行特征优选，从7个统计特征中挑选出最具有识别优势的数据集合，在SVM的训练过程中，让c和g在一定的范围内取值，使用K折验证法寻找合适的c和g，能够使得测试集分类结果最鲁棒，对未见示例的泛化能力最强；

7)输入测试集图片，利用训练好的分类器，输出分类结果。