CN109283439A - 一种基于三基色色度信息和机器学习的放电状态识别方法 - Google Patents

Abstract

本发明公开了一种基于三基色色度信息和机器学习的放电状态识别方法，包括：提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到预测电压用于诊断放电等离子状态，优化包括：采集已知电压下的样本放电图像，提取三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；利用支持向量机对训练集进行学习，利用验证集进行验证，得到验证电压，计算验证电压与已知电压的方差；重新划分数据集，直至得到多个方差，用于计算平均方差；在样本放电图像中选取不同的固定区域，进而得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。本发明方法简便且成本低。

Description

一种基于三基色色度信息和机器学习的放电状态识别方法

技术领域

本发明属于高电压绝缘技术和放电等离子体技术领域，更具体地，涉及一种基于三基色色度信息和机器学习的放电状态识别方法。

背景技术

能够检测和分析放电状态的物理量，主要集中在电信号、光强信号、光谱信号、电磁波、超声波、气体成分等方面。放电光学信号检测技术有紫外、红外和可见光。紫外成像技术得到的有用放电信息只是黑白图像，且分辨率低，设备造价也比较昂贵；红外热成像技术虽然也可以工作在日光环境，但除了电弧以外，对非热一类的放电无法检测，并且也存在分辨率低，设备造价昂贵等问题；传统的可见光成像技术目前采用的指标单一，如灰度、区域色度分布，未见利用全部色度信息。利用可见光数字图像色度信息，特别是普通数码相机照片的色度信息结合机器学习技术识别放电未见报道。

现有技术中利用色度信息研究放电状态，但采用的是提取RGB信息再换算成亮度的方法，尚未直接使用色度信息。现有技术中用图像色度方法对电弧的诊断，但电弧属于热等离子体，非低温等离子体；现有技术中用图像方法对射流等离子体诊断但采用的是但采用的是与色调、饱和度直接相关的色敏检测；现有技术中用数字图像方法对介质阻挡放电的自组织模式诊断，是形态学数字处理，非色度信息。

现有技术还包括：光谱诊断、电磁波诊断、利用紫外图像诊断以及利益电流脉冲诊断。

现有技术中虽然有采用RGB色度信息，但只是区域均值、方差等有限的色度信息(3*4或5等十来个特征)，并没有采用机器学习技术，当然也无法处理三基色灰度频率分布信息这种大数据量的色度信息(3*256个特征)。现有技术中有的采用的指标是区域所有像素点三基色色度之和，然后采用B-G或B-R作为特征量；有的采用的指标是空间分布的色度B/G指标；有的采用的是空间分布的色度RGB信息，计算其偏离区域平均值程度的指标和空间分布变化规律，都不涉及到三基色灰度频率分布。

综上，现有技术未将可见光图像色度信息用于低温等离子体的诊断领域，也未使用机器学习技术，现有技术存在检测复杂且成本高的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于三基色色度信息和机器学习的放电状态识别方法，由此解决现有技术存在检测复杂且成本高的技术问题。

为实现上述目的，本发明提供了一种基于三基色色度信息和机器学习的放电状态识别方法，包括：

提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，所述优化后的机器学习模型的优化包括：

(1)采集已知电压下的样本放电图像，提取样本放电图像的三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；

(2)利用支持向量机对训练集进行学习，得到初始机器学习模型，利用初始机器学习模型对验证集进行验证，得到验证电压，计算验证电压与验证集的已知电压的方差；

(3)重新随机将数据集划分为训练集和验证集，然后重复步骤(2)，直至得到多个方差，用于计算平均方差；

(4)在样本放电图像中选取不同的固定区域，提取固定区域的三基色色度信息组成第一数据集，将第一数据集随机划分为第一训练集和第一验证集，然后重复步骤(2)-(3)，得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。

进一步地，固定区域的选择原则为：

m≥样本放电图像中有效像素组成区域的宽度，0＜n＜样本放电图像中放电间隙长度，其中，m为固定区域的宽，n为固定区域的长。

进一步地，固定区域的三基色色度信息的提取包括：

提取固定区域全部像素点的三基色灰度值后，计算得到固定区域的三基色在三基色灰度值中的一个灰度级的像素点个数，像素点个数与固定区域总像素点个数的比值为三基色在三基色灰度值中的一个灰度级的频率，进而得到三基色灰度值中所有灰度级的频率分布，构成固定区域的三基色灰度直方图，作为固定区域的三基色色度信息。

进一步地，步骤(4)还包括：

将固定区域的平均方差最小值对应的固定区域作为最优固定区域，利用不同的相机参数对应的相机采集样本放电图像，提取样本放电图像中的最优固定区域的三基色色度信息，重复步骤(1)-(3)，得到所有相机参数对应的平均方差，将所有相机参数对应的平均方差的最小值对应的机器学习模型作为优化后的机器学习模型。

进一步地，相机参数包括曝光时间、ISO感光度和光圈值。

进一步地，放电状态识别方法还包括：

将相机参数对应的平均方差的最小值对应的相机参数作为最优相机参数，在最优相机参数下采集待检测的放电图像。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明通过在样本放电图像中选取不同的固定区域，优化机器学习模型，然后提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，本发明方法基于放电图像色度信息，相较于电磁波和脉冲电流等诊断手段，具有无电磁接触、抗干扰能力强且检测方法简单的优势。

(2)本发明所需要设备仅为普通可见光数码相机，相较于昂贵的紫外、红外相机，具有成本低廉的优势。本发明为放电状态识别提供了一种新的简便且低成本的解决方案。

附图说明

图1是本发明实施例提供的一种基于三基色色度信息和机器学习的放电状态识别方法的流程图；

图2是本发明实施例提供的固定区域的三基色灰度频率分布图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种基于三基色色度信息和机器学习的放电状态识别方法，包括：

提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，所述优化后的机器学习模型的优化包括：

(1)采集已知电压下的样本放电图像，提取样本放电图像的三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；

(2)利用支持向量机对训练集进行学习，得到初始机器学习模型，利用初始机器学习模型对验证集进行验证，得到验证电压，计算验证电压与验证集的已知电压的方差；

(3)重新随机将数据集划分为训练集和验证集，然后重复步骤(2)，直至得到多个方差，用于计算平均方差；

(4)在样本放电图像中选取不同的固定区域，提取固定区域的三基色色度信息组成第一数据集，将第一数据集随机划分为第一训练集和第一验证集，然后重复步骤(2)-(3)，得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。

进一步地，固定区域的选择原则为：

m≥样本放电图像中有效像素组成区域的宽度，0＜n＜样本放电图像中放电间隙长度，其中，m为固定区域的宽，n为固定区域的长。

进一步地，固定区域的三基色色度信息的提取包括：

提取固定区域全部像素点的三基色灰度值后，计算得到固定区域的三基色在三基色灰度值中的一个灰度级的像素点个数，像素点个数与固定区域总像素点个数的比值为三基色在三基色灰度值中的一个灰度级的频率，进而得到三基色灰度值中所有灰度级的频率分布，构成固定区域的三基色灰度直方图，作为固定区域的三基色色度信息。

进一步地，步骤(4)还包括：

将固定区域的平均方差最小值对应的固定区域作为最优固定区域，利用不同的相机参数对应的相机采集样本放电图像，提取样本放电图像中的最优固定区域的三基色色度信息，重复步骤(1)-(3)，得到所有相机参数对应的平均方差，将所有相机参数对应的平均方差的最小值对应的机器学习模型作为优化后的机器学习模型。

进一步地，相机参数包括曝光时间、ISO感光度和光圈值。

进一步地，放电状态识别方法还包括：

将相机参数对应的平均方差的最小值对应的相机参数作为最优相机参数，在最优相机参数下采集待检测的放电图像。

实施例1

优化后的机器学习模型的优化包括：

(1)相机参数是ISO2000，曝光时间分别为2、4、6秒。采集10个电压等级下的样本放电图像，每个电压下同样环境条件重复拍摄照片b张(本例每个曝光时间下拍摄10张，三个曝光时间共30张)，每张照片标签为电压数值，得到10*30＝300张。将300张照片随机打乱，再分成k组，编号为i＝1，2，…k，其中k-1组，例如i＝1，2，…k-1，作为支持相量机机器学习技术的训练集，剩余的一组，例如i＝k，作为验证集(本例为20组，每组15张)；

(2)在样本放电图像中选取不同的固定区域(本例为150*950像素点)，所有照片选定的固定区域一样，本例坐标位置都是(3700，3850；2900，3850)。

按色度学理论，所有颜色都可以用红R、绿G、蓝B三种颜色来合成，这三种颜色称为三基色(正交矢量)。因此可以从彩色照片(由大量像素点组成，每个像素点含有三个基色的灰度值，R、G、B)中提取某一像素点的RGB灰度或某区域所有像素点的RGB灰度分布，反映颜色状态。其中每种基色的灰度级都在(0，255)范围内。

提取固定区域全部像素点m*n的三基色灰度值后，可以经过计算得到该区域某基色(例如R)具有的某种灰度级的(例如灰度级20)像素个数，它们与区域总像素点个数m*n的比值即该基色该灰度的频率f(R＝20)，进而得到该基色所有灰度的频率分布f(R)，同样可以得到f(G)和f(B)，它们也称为灰度直方图GLH，下面用RGB-GLH代表，如图2。三基色灰度频率分布RGB-GLH中灰度级越高，反应该基色的亮度越大；频率越大，反映该灰度级出现的像素点越多，因此实际对应了某种辐射能量分布。

(3)以k-1组，i＝1，2，…k-1，学习库照片的三基色灰度频率分布RGB-GLH数据为信息，进行支持向量机学习的训练。以k-1组训练的模型对效验组(第k组)照片的电压进行验证，并计算和标签电压的方差。

重新安排训练集和验证集，例如i＝2，3，…k，作为训练集，i＝1，作为效验集，训练，效验，计算得到该组的识别电压和标签电压的方差。

将每一组的方差进行平均，得到该模型的平均方差。

下面是20组，每组15张照片，得到的每组效验的方差，及平均方差。

(4)将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。

实施例2

与实施例1的区别在于固定区域像素点m*n为150*650像素点，固定区域坐标位置是(3700，3850；2900，3550)。相对前例，固定区域缩短。

计算得到的方差为：

显然实施例2的平均方差好于实施例1。说明图像“固定区域”的选择可以优化模型。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，包括：

提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，所述优化后的机器学习模型的优化包括：

(1)采集已知电压下的样本放电图像，提取样本放电图像的三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；

(2)利用支持向量机对训练集进行学习，得到初始机器学习模型，利用初始机器学习模型对验证集进行验证，得到验证电压，计算验证电压与验证集的已知电压的方差；

(3)重新随机将数据集划分为训练集和验证集，然后重复步骤(2)，直至得到多个方差，用于计算平均方差；

(4)在样本放电图像中选取不同的固定区域，提取固定区域的三基色色度信息组成第一数据集，将第一数据集随机划分为第一训练集和第一验证集，然后重复步骤(2)-(3)，得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。

2.如权利要求1所述的一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，所述固定区域的选择原则为：

m≥样本放电图像中有效像素组成区域的宽度，0＜n＜样本放电图像中放电间隙长度，其中，m为固定区域的宽，n为固定区域的长。

3.如权利要求1或2所述的一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，所述固定区域的三基色色度信息的提取包括：

提取固定区域全部像素点的三基色灰度值后，计算得到固定区域的三基色在三基色灰度值中的一个灰度级的像素点个数，像素点个数与固定区域总像素点个数的比值为三基色在三基色灰度值中的一个灰度级的频率，进而得到三基色灰度值中所有灰度级的频率分布，构成固定区域的三基色灰度直方图，作为固定区域的三基色色度信息。

4.如权利要求1或2所述的一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，所述步骤(4)还包括：

将固定区域的平均方差最小值对应的固定区域作为最优固定区域，利用不同的相机参数对应的相机采集样本放电图像，提取样本放电图像中的最优固定区域的三基色色度信息，重复步骤(1)-(3)，得到所有相机参数对应的平均方差，将所有相机参数对应的平均方差的最小值对应的机器学习模型作为优化后的机器学习模型。

5.如权利要求4所述的一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，所述相机参数包括曝光时间、ISO感光度和光圈值。

6.如权利要求4所述的一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，所述放电状态识别方法还包括：

将相机参数对应的平均方差的最小值对应的相机参数作为最优相机参数，在最优相机参数下采集待检测的放电图像。