CN110245555B - 一种基于图像识别的电力系统端子箱凝露判定方法和系统 - Google Patents

Abstract

本发明公开了基于图像识别的电力系统端子箱凝露判定方法和系统，采集预设数量的端子箱内部的凝露图像，并对凝露图像进行图像预处理；对预处理后的凝露图像进行图像分割实现水珠轮廓的识别；通过特征提取获取包含水珠分布和形态的凝露图像的特征信息；构造训练样本信息库；利用训练样本信息库对机器学习算法进行训练；采集被检测端子箱内部的凝露图像，利用训练好的机器学习算法判定该被检测端子箱内部凝露等级。本发明的判定方法和系统能够对端子箱内部凝露情况进行有效判别，提前发现设备隐患，为检修决策提供重要依据，大幅度提升电力系统安全运行水平。

Description

一种基于图像识别的电力系统端子箱凝露判定方法和系统

技术领域

本发明涉及电力生产领域，特别涉及一种基于图像识别的电力系统端子箱凝露判定方法和系统。

背景技术

变电站端子箱是室外电气设备与室内测控、保护、通信等设备连接的中间环节，一般就地安装在户外的设备旁。在昼夜温差大且空气潮湿的地方，变电站户外端子箱的箱体内顶部、内壁都有可能会凝结水珠，形成凝露。凝露轻的会使端子锈蚀，降低其使用寿命，凝露严重会导致端子排二次回路短路或接地，容易造成保护装置误动或拒动，严重威胁着电网安全稳定运行。

为了解决这一问题，一般会在端子箱上安装温湿度传感器和加热器驱潮装置，同时设置呼吸孔帮助空气流通。大部分的厂家采用小型化的加热器安放在端子箱的角落里，导致箱内受热不均匀。在某些情况下反而会促进凝露现象的发生。例如在阴雨天气时，环境的湿度达到饱和，当端子箱内部的湿度传感器检测到相对湿度过高时，会开启加热器进行驱潮，降低箱体内相对湿度。由于内外湿度存在差值，外部水蒸气会通过呼吸孔进入箱体内部，使得箱内水蒸气比例升高。如果此时外界环境温度较低，距离加热器较远的部分箱壁温度降低，此时湿热的空气在温度较低的位置凝结水珠，导致箱内凝露积水。对电力系统运行中的端子箱内部凝露进行有效判别，在特殊气候条件下及时排出端子箱内凝露积水，对于提高电力系统安全运行具有重要意义。

发明内容

本发明的目的是解决特殊气候条件下端子箱内部凝露积水报警问题，提出一种基于图像识别的电力系统端子箱凝露判定方法和系统。

一种基于图像识别的电力系统端子箱凝露判定方法，包括以下步骤：获取预设数量的端子箱内部的凝露图像；

对所述凝露图像进行图像分割，通过特征提取获取包含水珠分布和形态的凝露图像的特征信息；

根据水珠分布和形态的凝露图像的特征信息，基于训练的机器学习算法判定该被检测端子箱内部凝露等级。

进一步地，图像分割前，还包括对凝露图像进行图像预处理的步骤。

进一步地，机器学习算法训练步骤为：

将凝露图像特征信息和权威专家给出的判定结果分别作为机器学习算法的输入和输出共同构成训练样本信息库；

利用训练样本信息库对机器学习算法进行训练。

进一步地，采用基于熵的自动阈值区域分割方法对凝露图像进行图像分割，获取凝露图像中的水珠轮廓。

进一步地，用函数F(x,y)描述凝露二维数字图像，(x,y)为二维数字图像的平面坐标，0≤x＜X；0≤y＜Y，其中的X、Y分别为二维数字图像的长和宽；坐标(x,y)处像素的灰度信息记为G(x,y)，其取值范围为Gv＝{0,1,2,…,Q}，Q是最亮像素点的灰度。

进一步地，凝露图像的特征信息包括凝露覆盖率A_a、凝露位置参数A_b和凝露聚集程度A_c。

进一步地，凝露覆盖率A_a计算式如下：

设正整数N为识别出的水珠轮廓数量，S_i为水珠i的面积，其中0≤i≤N。

进一步地，凝露位置参数A_b计算式如下：

(x₀，y₀)为图像中重要元件所在位置坐标，(x_i，y_i)为水珠i包围矩形的中心坐标，其中设正整数N为识别出的水珠轮廓数量，0≤i≤N。

进一步地，凝露聚集程度A_c计算式如下：

设正整数N为识别出的水珠轮廓数量，S_i为水珠i的面积，其中0≤i≤N，面积均值

进一步地，将凝露等级分为正常、注意、严重、异常4个等级，等级集合记为L＝{L₁，L₂，L₃，L₄}，训练样本信息库记为D，D中第m个样本是提取的凝露图像特征信息和权威专家给的凝露等级构成的四维向量

向量中的元素分别为第m个样本的凝露覆盖率

凝露位置参数

凝露聚集程度

和凝露等级L^m。

一种基于图像识别的电力系统端子箱凝露判定系统，包括：

图像获取模块：获取预设数量的端子箱内部的凝露图像；

特征提取模块：对所述凝露图像进行图像分割，通过特征提取获取包含水珠分布和形态的凝露图像的特征信息；

凝露等级判定模块：根据水珠分布和形态的凝露图像的特征信息，基于训练的机器学习算法判定该被检测端子箱内部凝露等级。

本发明的达到的有益效果：

本发明提出一种基于图像识别的电力系统端子箱凝露判定方法和系统，能够对端子箱内部凝露情况进行有效判别，可以提前发现设备隐患，为检修决策提供重要依据，大幅度提升电力系统安全运行水平。

附图说明

图1凝露等级判定过程；

图2SVM决策树节点示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

为实现端子箱凝露判定，本发明采用图像识别方法进行端子箱内部图像中凝露积水的特征分析，将凝露情况分为4个等级，提出凝露覆盖率、凝露位置参数、凝露聚集程度作为凝露等级判据，并采用机器学习算法从训练样本中构造凝露积水等级判定模型，整个判定过程如图1所示，步骤如下：

步骤1、图像预处理：收集整理检修过程中采集的大量端子箱凝露图像，通过图像分析系统进行图像预处理；

步骤2、图像分割：对预处理后的凝露图像进行图像分割来实现水珠轮廓的识别；

步骤3、图像特征提取：通过特征提取来获取水珠分布和形态特征信息作为凝露等级判定的依据；

步骤4、训练样本信息库构造：典型凝露图像特征信息和权威专家给出的凝露等级判定结果分别作为机器学习算法的输入和输出共同构成训练样本信息库；

步骤5、机器学习算法训练：利用训练样本信息库对机器学习算法进行训练；

步骤6、凝露等级识别：采集被检测端子箱内部的凝露图像，利用训练好的机器学习算法判定该被检测端子箱内部凝露等级。

各步骤详细说明如下：

1、图像预处理

为提高水珠轮廓识别效果，采用高斯滤波、基于梯度的自适应滤波和图像增强等图像处理方法抑制噪声干扰和锐化边界，从而减弱复杂背景对水珠识别的影响。

2、图像分割

凝露图像中的水珠轮廓信息采用基于熵的自动阈值区域分割方法来获取。用函数F(x,y)描述凝露二维数字图像，(x,y)(0≤x＜X；0≤y＜Y)二维数字图像的平面坐标，其中的X、Y分别为二维数字图像的长和宽，F(x,y)是坐标(x,y)处像素的颜色信息，(x,y)处像素的灰度信息记为G(x,y)，G(x,y)的取值范围为Gv＝{0,1,2,…,Q}(Q是最亮像素点的灰度)。通过优化算法确定最佳阈值g₁,使得阈值区域分割后的二维图像尽可能保留原图像F(x,y)中的信息。对于光照不均匀等复杂现场环境，采用多阈值区域分割的方法来提高喷水图像中水珠轮廓信息提取的准确性。

3、图像特征提取

设正整数N为识别出的水珠轮廓数量，S_i分别为水珠i(0≤i≤N)的面积和包围矩形的中心坐标，图像中接线端子等重要元件所在位置用(x₀，y₀)表示，用凝露覆盖率、凝露位置参数、凝露聚集程度3个参数描述凝露图像的特征信息。

a.凝露覆盖率A_a

b.凝露位置参数A_b

c.凝露聚集程度A_c

其中，面积均值

4.训练样本信息库构造

根据电力设备运行规程，将凝露等级分为正常、注意、严重、异常4个等级，记为L＝{L₁，L₂，L₃，L₄}，凝露图像样本集即训练样本信息库记为D，D中第m个样本是提取的凝露图像特征信息和权威专家给出的凝露等级构成的四维向量

向量中的元素分别为第m个样本的凝露覆盖率、凝露位置参数、凝露聚集程度和凝露等级。样本中的凝露等级是由专家根据电力运行规程进行判定的。

5、机器学习算法训练

本实施例中的机器学习算法以SVM(支持向量机，Support Vector Machine)决策树算法为例进行算法训练：

51、根据电力生产实际和专家意见，凝露覆盖率A_a,凝露位置参数A_b,凝露聚集程度A_c三个判定指标的重要度顺序如下：A_a>A_c>A_b。

52、如图2所示，根据重要度构造SVM决策树节点，其中

是第j层第k个节点的判定阈值，L_k是不同凝露等级。

53、根据训练样本信息库训练SVM决策树算法，计算得到第j层第k个节点的判定阈值

完成算法训练，通过SVM决策树算法根据所提取的现场采集凝露图像特征信息判定被检测端子箱内部凝露等级即可，即有了训练好的算法，采集被检测端子箱内部的凝露图像后，再采用步骤1图像预处理、步骤2图像分割和步骤3图像特征提取这些图像处理方法处理后的凝露图像作为算法的输入，算法的输出即为被检测端子箱内部凝露等级。

训练过程：首先根据步骤51中三个判定指标的重要度顺序进行分层，重要度最高的指标作为根节点，重要度较高的指标作为分支节点，重要度最低的指标作为叶节点。然后将各层中对应指标的数据集中的元素作为候选阈值进行凝露等级分类，选取分类准确率最高的候选阈值作为该节点的阈值。

本实施例中以只有两个凝露等级的情况为例进行根节点分类过程说明，结合下表所示，假设对应指标数据集为{1,2,3,4,5,6}对应的凝露等级是{L1,L1,L1,L2,L2,L2}，将6个数字作为候选阈值分别进行分类准确率计算，候选阈值为3时具有最高的分类准确率，因此最后选择3作为根节点的阈值。

实施例2

一种基于图像识别的电力系统端子箱凝露判定系统，包括：

图像获取模块：获取预设数量的端子箱内部的凝露图像；

特征提取模块：对所述凝露图像进行图像分割，通过特征提取获取包含水珠分布和形态的凝露图像的特征信息；

凝露等级判定模块：根据水珠分布和形态的凝露图像的特征信息，基于训练的机器学习算法判定该被检测端子箱内部凝露等级。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (9)

1.一种基于图像识别的电力系统端子箱凝露判定方法，其特征是，包括以下步骤：

获取预设数量的端子箱内部的凝露图像；

对所述凝露图像进行图像分割，通过特征提取获取包含水珠分布和形态的凝露图像的特征信息；

根据水珠分布和形态的凝露图像的特征信息，基于训练的机器学习算法判定该被检测端子箱内部凝露等级；

凝露图像的特征信息包括凝露覆盖率A_a、凝露位置参数A_b和凝露聚集程度A_c；

凝露位置参数A_b计算式如下：

(x₀,y₀)为图像中重要元件接线端子所在位置坐标，(x_i,y_i)为水珠i包围矩形的中心坐标，其中设正整数N为识别出的水珠轮廓数量，0≤i≤N。

2.根据权利要求1所述的基于图像识别的电力系统端子箱凝露判定方法，其特征是，图像分割前，还包括对凝露图像进行图像预处理的步骤。

3.根据权利要求1所述的基于图像识别的电力系统端子箱凝露判定方法，其特征是，机器学习算法训练步骤为：

将凝露图像特征信息和权威专家给出的判定结果分别作为机器学习算法的输入和输出共同构成训练样本信息库；

利用训练样本信息库对机器学习算法进行训练。

4.根据权利要求1所述的基于图像识别的电力系统端子箱凝露判定方法，其特征是，采用基于熵的自动阈值区域分割方法对凝露图像进行图像分割，获取凝露图像中的水珠轮廓。

5.根据权利要求4所述的基于图像识别的电力系统端子箱凝露判定方法，其特征是，用函数F(x,y)描述凝露二维数字图像，(x,y)为二维数字图像的平面坐标，0≤x＜X；0≤y＜Y，其中的X、Y分别为二维数字图像的长和宽；坐标(x,y)处像素的灰度信息记为G(x,y)，其取值范围为Gv＝{0,1,2,…,Q}，Q是最亮像素点的灰度。

6.根据权利要求1所述的基于图像识别的电力系统端子箱凝露判定方法，其特征是，凝露覆盖率A_a计算式如下：

设正整数N为识别出的水珠轮廓数量，S_i为水珠i的面积，其中0≤i≤N，X、Y分别为凝露二维数字图像的长和宽。

7.根据权利要求1所述的基于图像识别的电力系统端子箱凝露判定方法，其特征是，凝露聚集程度A_c计算式如下：

设正整数N为识别出的水珠轮廓数量，S_i为水珠i的面积，其中0≤i≤N，面积均值

8.根据权利要求1所述的基于图像识别的电力系统端子箱凝露判定方法，其特征是，将凝露等级分为正常、注意、严重、异常4个等级，等级集合记为L＝{L₁，L₂，L₃，L₄}，训练样本信息库记为D，D中第m个样本是提取的凝露图像特征信息和权威专家给的凝露等级构成的四维向量

向量中的元素分别为第m个样本的凝露覆盖率

凝露位置参数

凝露聚集程度

和凝露等级L^m。

9.一种基于图像识别的电力系统端子箱凝露判定系统，其特征是，包括：

图像获取模块：获取预设数量的端子箱内部的凝露图像；

特征提取模块：对所述凝露图像进行图像分割，通过特征提取获取包含水珠分布和形态的凝露图像的特征信息；

凝露等级判定模块：根据水珠分布和形态的凝露图像的特征信息，基于训练的机器学习算法判定该被检测端子箱内部凝露等级；

凝露图像的特征信息包括凝露覆盖率A_a、凝露位置参数A_b和凝露聚集程度A_c。

Images