CN111220882A - 一种gis光学局放图谱的特征量提取方法 - Google Patents
一种gis光学局放图谱的特征量提取方法 Download PDFInfo
- Publication number
- CN111220882A CN111220882A CN201911410229.1A CN201911410229A CN111220882A CN 111220882 A CN111220882 A CN 111220882A CN 201911410229 A CN201911410229 A CN 201911410229A CN 111220882 A CN111220882 A CN 111220882A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- gradient
- moment
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000003287 optical effect Effects 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000009413 insulation Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 147
- 230000006870 function Effects 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 44
- 238000012706 support-vector machine Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 229910052751 metal Inorganic materials 0.000 claims description 13
- 239000002184 metal Substances 0.000 claims description 13
- 239000000725 suspension Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 9
- 239000002923 metal particle Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 239000004020 conductor Substances 0.000 claims description 6
- 239000003822 epoxy resin Substances 0.000 claims description 6
- 229920000647 polyepoxide Polymers 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000006116 polymerization reaction Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000007769 metal material Substances 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000016776 visual perception Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 235000019587 texture Nutrition 0.000 description 22
- 235000019592 roughness Nutrition 0.000 description 12
- 239000011859 microparticle Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1254—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于GIS绝缘缺陷光学检测技术领域,尤其涉及一种GIS光学局放图谱的特征量提取方法,该方法可以帮助有效体现不同绝缘缺陷的谱图区别。本发明包括以下步骤:设计三种GIS典型绝缘缺陷,采集光学局部放电信号;将局部放电信号进行归一化做成灰度图,并对其进行二维Gabor变换;从颜色、纹理、形状三个角度提取经过Gabor变换后的局放分解图的图像特征参数,构造特征空间;构建SVM分类器,将训练、测试样本输入,测试识别结果,验证该方法的准确性。本发明通过对大量试验数据测试,验证了本发明的特征提取方法对于GIS绝缘缺陷的光学检测效果,实现了GIS绝缘缺陷的智能识别,提高GIS局部放电光学检测系统的智能化水平。
Description
技术领域
本发明属于GIS绝缘缺陷光学检测技术领域,尤其涉及一种GIS光学局放图谱的特征量提取方法,该方法可以帮助有效体现不同绝缘缺陷的谱图区别。
背景技术
封闭式组合电器(Gas Insulated Switchgear,GIS)是一种以SF6气体作为绝缘介质的气体绝缘金属封闭开关设备。与传统的敞开式变电站相比,GIS具有占地面积小、运行可靠性高、安全性强、维修周期长等显著优点。因此自20世纪60年代实用化以来,GIS在国内外电力系统中得到广泛应用。
由于GIS在电网中应用的广泛性及其重要程度,它的运行情况与整个电网能否正常安全工作息息相关。对GIS局部放电进行在线监测则可以在掌握其绝缘情况的同时可以避免停运带来的负面影响,并且在不停运的状态下检测更能够表征GIS当前的绝缘状态,对于保证整个电力系统的安全稳定运行具有重要意义。
发明内容
针对上述现有技术中存在的不足之处,本发明提供了一种GIS光学局放图谱的特征量提取方法,具体是一种GIS绝缘缺陷诊断过程中提取光学局放图谱特征量的方法,该方法基于光学检测,目的是为了实现GIS绝缘缺陷的智能识别,提高GIS局部放电光学检测系统的智能化水平的发明目的。
本发明解决其技术问题所采用的技术方案是:
一种GIS光学局放图谱的特征量提取方法,包括以下步骤:
步骤1.设计三种GIS典型绝缘缺陷,采集光学局部放电信号;
步骤2.将局部放电信号进行归一化做成灰度图,并对其进行二维Gabor变换;
步骤3.从颜色、纹理、形状三个角度提取经过Gabor变换后的局放分解图的图像特征参数,构造特征空间;
步骤4.构建支持向量机(Support Vector Machine,SVM)分类器,将训练、测试样本输入,测试识别结果,验证该方法的准确性。
所述步骤1中,设计三种GIS典型绝缘缺陷,采集光学局部放电信号的方法包括:
首先,三种GIS典型绝缘缺陷的制作过程为:
(1)制作GIS高压导体金属针尖模型时,用铝制金属材料制成高压导体尖端,两电极间相距在15mm到25mm之间,模拟GIS中的电晕放电;
(2)制作悬浮电极模型时,用环氧树脂制成一圆柱,在其中放置一片金属,圆柱的上下表面分别施加以高压与接地,则环氧树脂中的金属可近似看作一悬浮电极,模拟GIS中的悬浮放电;
(3)制作自由金属微粒模型时,在上下电极之间放置一颗金属小球以模拟自由金属微粒放电;
依次将三个绝缘缺陷模型放置在GIS试验腔中,接好系统试验回路,给装置施加电压开始试验;缓慢提高试验电压,观察局部放电检测仪和示波器;当有局部放电发生时,停止升压,记录此时装置上所加电压U和视在放电量Q,并对放电信号进行采样。
所述步骤2中将局部放电信号进行归一化做成灰度图,并对其进行二维Gabor变换的具体方法包括:
二维Gabor滤波器的复数表达公式定义如下:
其中,
x′=xcosθ+ysinθ#(2)
y′=-xsinθ+ycosθ#(3)
上式中:g表示Gabor滤波器的表达式;(x,y)是图像任意一个像素点的空间位置;λ代表正弦函数的波长,即空间频率的倒数;θ代表Gabor滤波器方向角与y轴的夹角;ψ代表相位偏移;σ则是高斯包络沿x轴与y轴的标准方差;γ是空间的宽高比;π代表圆周率;exp代表以自然常数e为底的指数函数;(x′,y′)是图像像素点(x,y)在以Gabor滤波器方向为横坐标轴的变换后坐标;i代表虚数单位;cos表示余弦函数,sin表示正弦函数;
其中,Wt为Gabor的时域窗;λ代表正弦函数的波长,即空间频率的倒数;π代表圆周率;ω0为滤波器的中心频率,改变它的大小即可对滤波器的频域尺度进行控制;
当参数λ确定后,即空间频率确定后,则时域窗宽与频域的中心频率成反比关系,即与波长成正比;
选定三种尺度和三种方向共计九种变换,得到GIS上述三种绝缘缺陷模型局放图像的分解图;
对三种缺陷模型下分解图熵值分布的分析,发现λ=4时分图的能量占比更多,对于原始图像的特点展现更为全面,因此选择λ=4,且选取θ=0°、45°、90°三种方向变换下的Gabor变换分图用以提取图像特征参数。
所述步骤3中从颜色、纹理、形状三个角度提取经过Gabor变换后的局放分解图的图像特征参数,构造特征空间的方法包括:
第1.采用颜色直方图、颜色矩和颜色聚合向量三种方法提取颜色特征;
第2.采用统计法中的Tamura纹理特征与灰度-梯度共生矩阵两种方法提取图像的纹理特征;
第3.采用Hu不变矩以及相对矩、Zernike矩两种方法以表征局部放电图像的形状特征。
所述采用颜色直方图、颜色矩和颜色聚合向量三种方法提取颜色特征,具体包括:
(1)颜色直方图;
对图像中各个颜色出现的次数进行统计,并以直方图表现出来,并且当检查与其他图像的相似度时可以用直方图的交来进行分析:
其中,h表示颜色直方图函数;k代表颜色类型;nk代表统计出的具有量化颜色为k的像素总数;N为图像中像素的总个数;L为量化颜色的个数;
(2)颜色矩;
将矩的形式应用在图像的颜色分布上来表现其颜色分布,相较于高阶矩,图像的低阶矩中能体现的颜色分布信息更加丰富;颜色的三个低阶矩分别定义如下:
式中,μ表示一阶颜色矩,σ表示二阶颜色矩,s表示三阶颜色矩;下标i代表第i个颜色分量;下标j代表图像中的第j个像素;pij表示第i个颜色通道分量中灰度为j的像素出现的概率;N为像素总个数;μi表示第i个颜色分量的一阶颜色矩;
(3)颜色聚合向量;
将直方图中每一个颜色区间的像素按照空间属性继续分类:一个颜色区间内的像素如果连续占据了一定区域,且该区域面积大于预先设定的阈值,则将这些像素称为聚合像素,否则即称为非聚合像素;每个颜色区间内的聚合像素一起构成聚合向量,非聚合像素则构成非聚合向量;具体提取步骤为(a)量化,(b)划分连通区域,(c)判断聚合性,(d)获取颜色聚合向量;
f(I)=<(α1,β1),(α2,β2),…,(αN,βN)>#(9)
式中,f表示颜色聚合向量函数,I代表提取颜色聚合向量的图像;αi代表重新量化后的第i个颜色分量中聚合像素的总数,βi代表重新量化后的第i个颜色分量中非聚合像素的总数,则(αi,βi)为第i个颜色分量的聚合对;N为像素总个数。
所述采用统计法中的Tamura纹理特征与灰度-梯度共生矩阵两种方法提取图像的纹理特征,其中Tamura纹理特征,与人类对纹理的视觉感知有所关联,有六个分量:
a)粗糙度(Coarseness):
式中,Fcrs表示粗糙度;m和n分别代表水平和垂直方向上的像素总个数;(i,j)对应水平方向上第i个像素和垂直方向上的第j个像素;Sbest(i,j)则为对于像素(i,j)而言活动窗口的最佳尺寸,该尺寸使得在水平和垂直方向上互不重叠的窗口之间的平均强度差达到最大值;
b)对比度(Contrast):
式中,α4是辅助计算的四阶比值参数;μ4为图像的四次矩;σ表示二阶颜色矩;Fcon代表对比度;
c)方向性(Directionality):
其中,Fdir表示方向度;HD是所有像素梯度向量的直方图;p是直方图的峰值,np则为直方图中所有的峰值;对于选定的峰值p,wp表示该峰值包含的所有柄,φp表示波峰中心位置;
d)线性度(Linelikeness):
其中,Flin表示线性度;PDd(i,j)表示在距离内的n×n大小的局部方向共生矩阵,代表在图像中沿着边缘方向相距d的相邻两像素出现的频率,其中一个方向编码i,另一个的方向编码是j;cos表示余弦函数;π表示圆周率;
e)规则性(Regularity):
Freg=1-r(σcrs+σcon+σdir+σlin)#(15)
式中,Freg表示规则度;r是归一化因子;σcrs代表粗糙度Fcrs的标准差,πcon代表对比度Fcon的标准差,σdir代表方向度Fdir的标准差,σlin代表线性度Flin的标准差;
f)粗略度(Roughness):
Frgn=Fcrs+Fcon#(16)
式中,Frgn表示粗略度;Fcrs表示粗糙度,Fcon表示对比度。
所述采用统计法中的Tamura纹理特征与灰度-梯度共生矩阵两种方法提取图像的纹理特征,其中灰度-梯度共生矩阵,包括:
给定一个偏移量(Δx,Δy),则图像中相距为(Δx,Δy)的两个像素共同出现的联合频率分布就是灰度共生矩阵;假定图像灰度级为N,则其共生矩阵的尺寸即为N×N,记为MΔx,Δy(h,k);其中元素值Mhk就代表着相距(Δx,Δy)的像素对其灰度值分别为h和k出现的次数;将共生矩阵中所有元素值进行归一化处理将Mhk转换成像素对出现的概率Phk,[Phk]N×N即为灰度共生矩阵;
在灰度共生矩阵[Phk]N×N的基础上,加入关于灰度变化的梯度信息,构成灰度-梯度共生矩阵;
设图像为f(x,y),x=1,2,…,M;y=1,2,…,N,灰度级为L,提取其梯度信息,得到梯度图像g(x,y),对其灰度级做离散化处理,可得新灰度级为Lg,新的灰度为:
其中,G(x,y),x=1,2,…,M;y=1,2,…,N即为新的梯度图像;g(x,y)为原图的梯度图像;gmax=maxx,yg(x,y),代表梯度图像的最大值;gmin=minx,yg(x,y),代表梯度图像的最小值;Lg为新灰度级;
利用所得的共生矩阵Pij,从中提取出对于反映图像纹理有帮助的统计量;常用有如下15个:
①自相关(Autocorrelation):
其中,G1表示灰度-梯度共生矩阵的自相关值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;
②对比(Contrast):
其中,G2表示灰度-梯度共生矩阵的对比值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;n是行编码i和列编码j的差值;Ng为灰度-梯度共生矩阵的大小;
③相关(Correlation):
式中,G3表示灰度-梯度共生矩阵的相关值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为灰度-梯度共生矩阵的行向量px和行向量py的均值;σx,σy则为灰度-梯度共生矩阵的行向量px和行向量py的标准方差;
④集群突出(Cluster Prominence):
式中,G4表示灰度-梯度共生矩阵的集群突出值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为灰度-梯度共生矩阵的行向量px和行向量py的均值;
⑤簇遮蔽(Cluster Shade):
式中,G5表示灰度-梯度共生矩阵的簇遮蔽值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为px,py的均值;
⑥差异性(Dissimilarity):
式中,G6表示灰度-梯度共生矩阵的差异值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;
⑦能量(Energy):
式中,G7表示灰度-梯度共生矩阵的能量值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;
⑧熵(Entropy):
式中,G8表示灰度-梯度共生矩阵的熵值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;log表示以10为底的对数函数;
⑨均匀性(Homogeneity):
式中,G9表示灰度-梯度共生矩阵的均匀性;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;
⑩最大概率(Maximum probability):
式中,G10表示灰度-梯度共生矩阵的最大概率;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;max表示取最大值;
式中,G11表示灰度-梯度共生矩阵的平方和;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μ为灰度-梯度共生矩阵的均值;
式中,G12表示灰度-梯度共生矩阵的总和平均值;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小;
式中,G13表示灰度-梯度共生矩阵的总和方差;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小;G14为灰度-梯度共生矩阵的总和熵;
式中,G14表示灰度-梯度共生矩阵的总和熵;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小;log表示以10为底的对数函数;
G15=variance of px-y#(32)
式中,G15表示灰度-梯度共生矩阵的差异方差;px-y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之差。
所述采用Hu不变矩以及相对矩、Zernike矩两种方法以表征局部放电图像的形状特征,其中:Hu不变矩以及相对矩;具体包括:
假设f(x,y)代表了二值图像的形状区域,点(x,y)若在该区域内部,则设该点的对应值为“1”;若在区域外部,则其值设为“0”;
定义图像的p+q阶矩为:
mpq=∫∫xpyqf(x,y)dxdy (p,q=0,1,2…)#(33)
式中,mpq表示图像的二维(p+q)阶矩;f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点;
当图像平移时,为使mpq不发生变化,则定义p+q阶中心矩为:
μpq=∫∫(x-x0)p(y-y0)qf(x,y)dxdy (p,q=0,1,2…)#(34)
式中,μpq表示图像的二维(p+q)阶中心矩;f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点;(x0,y0)为图像的质心,其表达式如下:
式中,f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点;m10表示图像的x轴一阶矩;m01表示图像y轴一阶矩;m00表示图像的零阶矩;
如此,μpq具有了平移不变性,为了使其能够在图像旋转时同样不发生变化,即拥有旋转不变性,将二阶和三阶中心矩组合起来得到7个不变矩特征:
η1=μ20+μ02#(37)
式中,η1代表第一个不变矩;μ20表示图像x轴的二阶中心矩,μ02表示图像y轴的二阶中心矩;
式中,η2代表第二个不变矩;μ20表示图像x轴的二阶中心矩,μ02表示图像y轴的二阶中心矩;μ11表示图像的二维二阶中心矩,x轴和y轴各一阶;
η3=(μ30-3μ12)2+(3μ21-μ03)2#(39)
式中,η3代表第三个不变矩;μ30表示图像x轴的三阶中心矩,μ03表示图像y轴的三阶中心矩;μ12表示图像的二维三阶中心矩,x轴一阶,y轴二阶;μ21表示图像的二维三阶中心矩,x轴二阶,y轴一阶;
η4=(μ30+μ12)2+(μ21+μ03)2#(40)
式中,η4代表第四个不变矩;μ30,μ03,μ12和μ21涵义同公式(39);
η5=(μ30-3μ12)(μ30+μ12)[(μ30+μ12)2-3(μ21-μ03)2]
+(3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]#(41)
式中,η5代表第五个不变矩;μ30,μ03,μ12和μ21涵义同公式(39);
η6=(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2]+4μ11(μ30+μ12)(μ21+μ03)#(42)
式中,η6代表第六个不变矩;μ20和μ02涵义同公式(37);μ30,μ03,μ12和μ21涵义同公式(39);
η7=(3μ21-μ03)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2]
-(μ30-3μ12)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]#(43)
式中,η7代表第七个不变矩;μ30,μ03,μ12和μ21涵义同公式(39);
当图像尺度变换时,为使μpq保持不变,对其进行归一化处理:
式中,ηpq表示归一化的图像的二维(p+q)阶中心矩;μpq表示图像的二维(p+q)阶中心矩;μ00表示零阶矩,r为零阶矩的指数,计算公式为:
式中,p为x轴方向的阶数,q为y轴方向的阶数;
将ηpq代替μpq进行7个不变矩的计算,得到7个新的不变矩;满足对形状特征所提的平移、旋转、缩放下保持恒定的要求。
所述采用Hu不变矩以及相对矩、Zernike矩两种方法以表征局部放电图像的形状特征,包括:Zernike矩和伪Zernike矩特征;
所述Zernike矩是将波形或信号在单位圆内展开,以获取完备正交集;
假设f(x,y)为二值图像,复数Zernike矩是通过Zernike多项式计算得到:
Vnm(x,y)=Vnm(ρcosθ,ρsinθ)=Rnm(ρ)exp(imθ)#(46)
式中,Vnm(x,y)为复数Zernike矩;n代表Vnm(x,y)的阶数,m代表其重复度(n-|m|为偶数,|m|≤n);ρ为(x,y)到质心的半径;θ为ρ与x轴的夹角;cos为余弦函数,sin为正弦函数;Rnm(ρ)为实值径向多项式,在单位圆内正交;exp代表以自然常数e为底的指数函数;i代表虚数单位;
式中,Rnm(x,y)为Zernike多项式;n代表Vnm(x,y)的阶数,m代表其重复度,s为计算所用的编码;
(n,m)阶复数Zernike矩为:
式中,Anm(x,y)表示复数Zernike矩;n代表Vnm(x,y)的阶数,m代表其重复度;π为圆周率;f(x,y)代表二值图像;*表示多项式的复数共轭;
所述伪Zenike矩是在Zernike矩基础上的改进形式,二者之间的差异在于采用了不同的多项式公式;伪Zernike矩的公式为:
式中,Rnm(ρ)为伪Zernike多项式;n代表Vnm(x,y)的阶数,m代表其重复度,s为计算所用的编码;!表示阶乘运算。
所述步骤4.构建SVM分类器,将训练、测试样本输入,测试识别结果,验证该方法的准确性,是特征空间构造完成后,构建SVM分类器;使用四种常用核函数分别建立四个单核SVM分类器,并用构造的多核函数建立多核SVM分类器;将训练样本先放入分类器中进行学习,再将完成训练的分类器对测试样本分类识别;对得到的五种分类器对局放图像特征量的识别结果对比,除了Sigmoid核SVM外,其余SVM分类器都做到基本准确识别,其中多核SVM分类器的准确率达97.6%。
本发明具有以下优点及有益技术效果:
本发明根据经由二维Gabor变换后的GIS光学局放图谱,提出了基于图像特征参数的特征量提取方法。首先,获取GIS的光学局放图谱,其次对图谱进行多尺度多方向的二维Gabor变换并从中选择对局部细节刻画最完整的方向与尺度参数,之后对选定的Gabor分解图从颜色、纹理、形状三个角度提取其图像特征参数,构造特征空间。最后采用不同核函数构造支持向量机(Support Vector Machine,SVM)分类器,使用训练样本对分类器进行学习训练。通过对大量试验数据测试,验证了本发明的特征提取方法对于GIS绝缘缺陷的光学检测效果。本发明实现了GIS绝缘缺陷的智能识别,提高GIS局部放电光学检测系统的智能化水平。
附图说明
为了更清楚地说明本发明实施例的技术方案,下文中将对本发明实施例的附图进行简单介绍。其中,附图仅仅用于展示本发明的一些实施例,而非将本发明的全部实施例限制于此。
图1a是本发明电晕放电典型信号图;
图1b是本发明悬浮放电典型信号图;
图1c是本发明自由金属微粒放电典型信号图;
图2是本发明金属针尖缺陷模型的Gabor变换多尺度多方向局放分解图;
图3是本发明悬浮电极缺陷模型的Gabor变换多尺度多方向局放分解图;
图4是本发明金属微粒缺陷模型的Gabor变换多尺度多方向局放分解图。
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用以解释本发明,并不用于限定本发明。
实施例1
本发明是一种GIS光学局放图谱的特征量提取方法,包括下述步骤:
步骤1.设计三种GIS典型绝缘缺陷,采集光学局部放电信号;
步骤2.将局部放电信号进行归一化做成灰度图,并对其进行二维Gabor变换;
步骤3.从颜色、纹理、形状三个角度提取经过Gabor变换后的局放分解图的图像特征参数,构造特征空间;
步骤4.构建SVM分类器,将训练、测试样本输入,测试识别结果,验证该方法的准确性。
所述步骤1中,设计三种GIS典型绝缘缺陷,采集光学局部放电信号的具体方法包括:
首先,三种GIS典型绝缘缺陷的制作过程为:
(1)制作GIS高压导体金属针尖模型时,用铝制金属材料制成高压导体尖端,两电极间相距在15mm到25mm之间,模拟GIS中的电晕放电。具体实施时可以选最佳值20mm。
(2)制作悬浮电极模型时,用环氧树脂制成一圆柱,在其中放置一片金属,圆柱的上下表面分别施加以高压与接地,则环氧树脂中的金属可近似看作一悬浮电极,模拟GIS中的悬浮放电。
(3)制作自由金属微粒模型时,在上下电极之间放置一颗金属小球以模拟自由金属微粒放电。
依次将三个绝缘缺陷模型放置在GIS试验腔中,接好系统试验回路,给装置施加电压开始试验。缓慢提高试验电压,注意观察局部放电检测仪和示波器。当有局部放电发生时,停止升压,记录此时装置上所加电压U和视在放电量Q,并且对放电信号进行采样。三种放电缺陷的典型局放信号图如图所示,其中,图1a是电晕放电典型信号图,图1b是悬浮放电典型信号图,图1c是自由金属微粒放电典型信号图。
所述步骤2中将局部放电信号进行归一化做成灰度图,并对其进行二维Gabor变换的具体方法包括:
二维Gabor滤波器的复数表达公式定义如下:
其中,
x′=xcosθ+ysinθ#(2)
y′=-xsinθ+ycosθ#(3)
上式中:g表示Gabor滤波器的表达式;(x,y)是图像任意一个像素点的空间位置;λ代表正弦函数的波长,即空间频率的倒数;θ代表Gabor滤波器方向角与y轴的夹角;ψ代表相位偏移;σ则是高斯包络沿x轴与y轴的标准方差;γ是空间的宽高比。π代表圆周率;exp代表以自然常数e为底的指数函数;(x′,y′)是图像像素点(x,y)在以Gabor滤波器方向为横坐标轴的变换后坐标;i代表虚数单位。cos表示余弦函数,sin表示正弦函数。
其中,Wt为Gabor的时域窗;λ代表正弦函数的波长,即空间频率的倒数;π代表圆周率;ω0为滤波器的中心频率,改变它的大小即可对滤波器的频域尺度进行控制。
由此可见,当参数λ确定后,即空间频率确定后,则时域窗宽与频域的中心频率成反比关系,即与波长成正比。
选定三种尺度和三种方向共计九种变换,得到GIS上述三种绝缘缺陷模型局放图像的分解图如图2至图4所示。
对三种缺陷模型下分解图熵值分布的分析,可以发现λ=4时分图的能量占比更多,对于原始图像的特点展现更为全面,因此选择λ=4,且选取θ=0°、45°、90°三种方向变换下的Gabor变换分图用以提取图像特征参数。
所述步骤3中从颜色、纹理、形状三个角度提取经过Gabor变换后的局放分解图的图像特征参数,构造特征空间的具体方法包括:
采用颜色直方图、颜色矩和颜色聚合向量三种方法提取颜色特征,具体包括:
(1)颜色直方图。
对图像中各个颜色出现的次数进行统计,并以直方图表现出来,并且当检查与其他图像的相似度时可以用直方图的交来进行分析:
其中,h表示颜色直方图函数;k代表颜色类型;nk代表统计出的具有量化颜色为k的像素总数;N为图像中像素的总个数;L为量化颜色的个数。
(2)颜色矩。
将矩的形式应用在图像的颜色分布上来表现其颜色分布。相较于高阶矩,图像的低阶矩中能体现的颜色分布信息更加丰富。因此本文中仅采用一、二、三阶颜色矩所反映的颜色分布已经十分足够。颜色的三个低阶矩分别定义如下:
式中,μ表示一阶颜色矩,σ表示二阶颜色矩,s表示三阶颜色矩;下标i代表第i个颜色分量;下标j代表图像中的第j个像素;pij表示第i个颜色通道分量中灰度为j的像素出现的概率;N为像素总个数;μi表示第i个颜色分量的一阶颜色矩。
(3)颜色聚合向量。
将直方图中每一个颜色区间的像素按照空间属性继续分类:一个颜色区间内的像素如果连续占据了一定区域,且该区域面积大于预先设定的阈值,则将这些像素称为聚合像素,否则即称为非聚合像素。每个颜色区间内的聚合像素一起构成聚合向量,非聚合像素则构成非聚合向量。具体提取步骤为(a)量化,(b)划分连通区域,(c)判断聚合性,(d)获取颜色聚合向量;
f(I)=<(α1,β1),(α2,β2),…,(αN,βN)>#(9)
式中,f表示颜色聚合向量函数,I代表提取颜色聚合向量的图像;αi代表重新量化后的第i个颜色分量中聚合像素的总数,βi代表重新量化后的第i个颜色分量中非聚合像素的总数,则(αi,βi)为第i个颜色分量的聚合对;N为像素总个数。
提取出的图像颜色特征如表1-表3所示。
表1提取局放图像颜色直方图特征
缺陷类型 | max | std |
针尖 | 0.8720 | 0.0545 |
悬浮 | 0.1856 | 0.0199 |
微粒 | 0.9676 | 0.0605 |
表2提取局放图像颜色矩特征
表3提取局放图像颜色聚合向量
缺陷类型 | mean | std |
针尖 | 39.0625 | 428.6813 |
悬浮 | 39.0625 | 441.9417 |
微粒 | 39.0625 | 441.9417 |
本发明选用统计法中的Tamura纹理特征与灰度-梯度共生矩阵两种方法提取图像的纹理特征,具体包括:
(1)Tamura纹理特征。
与人类对纹理的视觉感知有所关联,有六个分量:
g)粗糙度(Coarseness):
式中,Fcrs表示粗糙度;m和n分别代表水平和垂直方向上的像素总个数;(i,j)对应水平方向上第i个像素和垂直方向上的第j个像素;Sbest(i,j)则为对于像素(i,j)而言活动窗口的最佳尺寸,该尺寸使得在水平和垂直方向上互不重叠的窗口之间的平均强度差达到最大值。
h)对比度(Contrast):
式中,α4是辅助计算的四阶比值参数;μ4为图像的四次矩;σ表示二阶颜色矩;Fcon代表对比度。
i)方向性(Directionality):
其中,Fdir表示方向度;HD是所有像素梯度向量的直方图;p是直方图的峰值,np则为直方图中所有的峰值。对于选定的峰值p,wp表示该峰值包含的所有柄,φp表示波峰中心位置。
j)线性度(Linelikeness):
其中,Flin表示线性度;PDd(i,j)表示在距离内的n×n大小的局部方向共生矩阵,代表在图像中沿着边缘方向相距d的相邻两像素出现的频率,其中一个方向编码i,另一个的方向编码是j;cos表示余弦函数;π表示圆周率。
k)规则性(Regularity):
Freg=1-r(σcrs+σcon+σdir+σlin)#(15)
式中,Freg表示规则度;r是归一化因子;σcrs代表粗糙度Fcrs的标准差,σcon代表对比度Fcon的标准差,σdir代表方向度Fdir的标准差,σlin代表线性度Flin的标准差。
l)粗略度(Roughness):
Frgn=Fcrs+Fcon#(16)
式中,Frgn表示粗略度;Fcrs表示粗糙度,Fcon表示对比度。
(2)灰度-梯度共生矩阵。
给定一个偏移量(Δx,Δy),则图像中相距为(Δx,Δy)的两个像素共同出现的联合频率分布就是灰度共生矩阵。假定图像灰度级为N,则其共生矩阵的尺寸即为N×N,可记为MΔx,Δy(h,k)。其中元素值Mhk就代表着相距(Δx,Δy)的像素对其灰度值分别为h和k出现的次数。将共生矩阵中所有元素值进行归一化处理就可将Mhk转换成像素对出现的概率Phk,[Phk]N×N即为灰度共生矩阵。
在灰度共生矩阵[Phk]N×N的基础上,再加入关于灰度变化的梯度信息,就可构成灰度-梯度共生矩阵。
设图像为f(x,y),x=1,2,…,M;y=1,2,…,N,灰度级为L,提取其梯度信息,得到梯度图像g(x,y),对其灰度级做离散化处理,可得新灰度级为Lg,新的灰度为
其中,G(x,y),x=1,2,…,M;y=1,2,…,N即为新的梯度图像;g(x,y)为原图的梯度图像;gmax=maxx,yg(x,y),代表梯度图像的最大值;gmin=minx,yg(x,y),代表梯度图像的最小值;Lg为新灰度级。
利用所得的共生矩阵Pij,从中提取出对于反映图像纹理有帮助的统计量。常用有如下15个:
①自相关(Autocorrelation):
其中,G1表示灰度-梯度共生矩阵的自相关值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素。
②对比(Contrast):
其中,G2表示灰度-梯度共生矩阵的对比值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;n是行编码i和列编码j的差值;Ng为灰度-梯度共生矩阵的大小。
③相关(Correlation):
式中,G3表示灰度-梯度共生矩阵的相关值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为灰度-梯度共生矩阵的行向量px和行向量py的均值;σx,σy则为灰度-梯度共生矩阵的行向量px和行向量py的标准方差。
④集群突出(Cluster Prominence):
式中,G4表示灰度-梯度共生矩阵的集群突出值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为灰度-梯度共生矩阵的行向量px和行向量py的均值。
⑤簇遮蔽(Cluster Shade):
式中,G5表示灰度-梯度共生矩阵的簇遮蔽值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为px,py的均值。
⑥差异性(Dissimilarity):
式中,G6表示灰度-梯度共生矩阵的差异值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素。
⑦能量(Energy):
式中,G7表示灰度-梯度共生矩阵的能量值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素。
⑧熵(Entropy):
式中,G8表示灰度-梯度共生矩阵的熵值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;log表示以10为底的对数函数。
⑨均匀性(Homogeneity):
式中,G9表示灰度-梯度共生矩阵的均匀性;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素。
⑩最大概率(Maximum probability):
式中,G10表示灰度-梯度共生矩阵的最大概率;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;max表示取最大值。
式中,G11表示灰度-梯度共生矩阵的平方和;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μ为灰度-梯度共生矩阵的均值。
式中,G12表示灰度-梯度共生矩阵的总和平均值;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小。
式中,G13表示灰度-梯度共生矩阵的总和方差;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小;G14为灰度-梯度共生矩阵的总和熵。
式中,G14表示灰度-梯度共生矩阵的总和熵;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小;log表示以10为底的对数函数。
G15=variance of px-y#(32)
式中,G15表示灰度-梯度共生矩阵的差异方差;px-y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之差。
提取出的图像纹理特征如表4-表5所示。
表4提取局放图像的Tamura纹理特征
缺陷类型 | 粗糙度 | 对比度 | 方向性 | 线相似性 | 规则性 | 粗略度 |
针尖 | 6.1646 | 14.0098 | 17.7971 | 0.2759 | 0.9178 | 20.1744 |
悬浮 | 7.2914 | 4.6982 | 16.6523 | 0.4589 | 0.9817 | 11.9896 |
微粒 | 8.1480 | 3.1785 | 51.6850 | 0.3526 | 0.9916 | 11.3265 |
表5提取局放图像的灰度-梯度共生矩阵的纹理特征
本发明采用Hu不变矩以及相对矩、Zernike矩两种方法以表征局部放电图像的形状特征,具体包括:
(1)Hu不变矩以及相对矩。
假设f(x,y)代表了二值图像的形状区域,点(x,y)若在该区域内部,则设该点的对应值为“1”;若在区域外部,则其值设为“0”。
定义图像的p+q阶矩为:
mpq=∫∫xpyqf(x,y)dxdy (p,q=0,1,2…)#(33)
式中,mpq表示图像的二维(p+q)阶矩;f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点。
当图像平移时,为使mpq不发生变化,则定义p+q阶中心矩为:
μpq=∫∫(x-x0)p(y-y0)qf(x,y)dxdy (p,q=0,1,2…)#(34)
式中,μpq表示图像的二维(p+q)阶中心矩;f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点;(x0,y0)为图像的质心,其表达式如下:
式中,f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点;m10表示图像的x轴一阶矩;m01表示图像y轴一阶矩;m00表示图像的零阶矩。
如此,μpq具有了平移不变性。为了使其能够在图像旋转时同样不发生变化,即拥有旋转不变性,将二阶和三阶中心矩组合起来得到7个不变矩特征:
η1=μ20+μ02#(37)
式中,η1代表第一个不变矩;μ20表示图像x轴的二阶中心矩,μ02表示图像y轴的二阶中心矩。
式中,η2代表第二个不变矩;μ20表示图像x轴的二阶中心矩,μ02表示图像y轴的二阶中心矩;μ11表示图像的二维二阶中心矩,x轴和y轴各一阶。
η3=(μ30-3μ12)2+(3μ21-μ03)2#(39)
式中,η3代表第三个不变矩;μ30表示图像x轴的三阶中心矩,μ03表示图像y轴的三阶中心矩;μ12表示图像的二维三阶中心矩,x轴一阶,y轴二阶;μ21表示图像的二维三阶中心矩,x轴二阶,y轴一阶。
η4=(μ30+μ12)2+(μ21+μ03)2#(40)
式中,η4代表第四个不变矩;μ30,μ03,μ12和μ21涵义同公式(39)。
η5=(μ30-3μ12)(μ30+μ12)[(μ30+μ12)2-3(μ21-μ03)2]
+(3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]#(41)
式中,η5代表第五个不变矩;μ30,μ03,μ12和μ21涵义同公式(39)。
η6=(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2]+4μ11(μ30+μ12)(μ21+μ03)#(42)
式中,η6代表第六个不变矩;μ20和μ02涵义同公式(37);μ30,μ03,μ12和μ21涵义同公式(39)。
η7=(3μ21-μ03)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2]
-(μ30-3μ12)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]#(43)
式中,η7代表第七个不变矩;μ30,μ03,μ12和μ21涵义同公式(39)。
同样,当图像尺度变换时,为使μpq保持不变,对其进行归一化处理:
式中,ηpq表示归一化的图像的二维(p+q)阶中心矩;μpq表示图像的二维(p+q)阶中心矩;μ00表示零阶矩,r为零阶矩的指数,计算公式为:
式中,p为x轴方向的阶数,q为y轴方向的阶数。
将ηpq代替μpq进行7个不变矩的计算,得到7个新的不变矩。它们满足我们对形状特征所提的平移、旋转、缩放下保持恒定的要求。
(2)Zernike矩和伪Zernike矩特征。
Zernike矩是将波形或信号在单位圆内展开,以获取完备正交集。
假设f(x,y)为二值图像,复数Zernike矩是通过Zernike多项式计算得到:
Vnm(x,y)=Vnm(ρcosθ,ρsinθ)=Rnm(ρ)exp(imθ)#(46)
式中,Vnm(x,y)为复数Zernike矩;n代表Vnm(x,y)的阶数,m代表其重复度(n-|m|为偶数,|m|≤n);ρ为(x,y)到质心的半径;θ为ρ与x轴的夹角;cos为余弦函数,sin为正弦函数;Rnm(ρ)为实值径向多项式,在单位圆内正交;exp代表以自然常数e为底的指数函数;i代表虚数单位。
式中,Rnm(x,y)为Zernike多项式;n代表Vnm(x,y)的阶数,m代表其重复度,s为计算所用的编码。
(n,m)阶复数Zernike矩为:
式中,Anm(x,y)表示复数Zernike矩;n代表Vnm(x,y)的阶数,m代表其重复度;π为圆周率;f(x,y)代表二值图像;*表示多项式的复数共轭。
伪Zenike矩是在Zernike矩基础上的一种改进形式,二者之间的差异仅在于采用了不同的多项式公式。伪Zernike矩的公式为:
式中,Rnm(ρ)为伪Zernike多项式;n代表Vnm(x,y)的阶数,m代表其重复度,s为计算所用的编码;!表示阶乘运算。
提取得到的图像形状特征量如表6-表7所示。
表6局放图像的Hu不变矩形状特征
缺陷类型 | H1 | H2 | H3 | H4 | H5 | H6 | H7 |
针尖 | 0.0052 | 1.58E-05 | 3.55E-10 | 4.86E-10 | 6.35E-20 | 1.22E-12 | 1.92E-19 |
悬浮 | 0.0256 | 0.000198 | 9.18E-08 | 8.29E-08 | 4.81E-16 | 8.38E-10 | -7.2E-15 |
微粒 | 0.1308 | 0.003999 | 6.79E-06 | 4.78E-06 | 9.03E-12 | 2.43E-07 | 2.57E-11 |
表7局放图像的Zernike矩形状特征
缺陷类型 | Z1 | Z2 | Z3 | Z4 | Z5 | Z6 |
针尖 | 0.0623 | 31.2542 | 0.0635 | -67.281 | 0.0228 | -147.706 |
悬浮 | 0.0144 | 12.5318 | 0.0109 | 4.0004 | 0.0196 | 172.6464 |
微粒 | 0.0009 | -57.4154 | 0.0082 | 9.1713 | 0.0165 | -169.1530 |
特征空间构造完成后,构建SVM分类器。
使用四种常用核函数分别建立四个单核SVM分类器,并用构造的多核函数建立多核SVM分类器。将训练样本先放入分类器中进行学习,再将完成训练的分类器对测试样本分类识别。
表8不同SVM分类器的识别效果比较
最后得到五种分类器对局放图像特征量的识别结果对比表,如表8所示。通过表8可以发现,除了Sigmoid核SVM外,其余SVM分类器都可做到基本准确识别,其中多核SVM分类器的准确率最高,高达97.6%。本发明设计的光学局放图谱的特征量提取方法可以帮助稳定识别实验室模拟的不同种类GIS绝缘缺陷,对于GIS光学检测系统有很强的应用价值。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围,包括权利要求,被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种GIS光学局放图谱的特征量提取方法,其特征是:包括以下步骤:
步骤1.设计三种GIS典型绝缘缺陷,采集光学局部放电信号;
步骤2.将局部放电信号进行归一化做成灰度图,并对其进行二维Gabor变换;
步骤3.从颜色、纹理、形状三个角度提取经过Gabor变换后的局放分解图的图像特征参数,构造特征空间;
步骤4.构建支持向量机(Support Vector Machine,SVM)分类器,将训练、测试样本输入,测试识别结果,验证该方法的准确性。
2.根据权利要求1所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述步骤1中,设计三种GIS典型绝缘缺陷,采集光学局部放电信号的方法包括:
首先,三种GIS典型绝缘缺陷的制作过程为:
(1)制作GIS高压导体金属针尖模型时,用铝制金属材料制成高压导体尖端,两电极间相距在15mm到25mm之间,模拟GIS中的电晕放电;
(2)制作悬浮电极模型时,用环氧树脂制成一圆柱,在其中放置一片金属,圆柱的上下表面分别施加以高压与接地,则环氧树脂中的金属可近似看作一悬浮电极,模拟GIS中的悬浮放电;
(3)制作自由金属微粒模型时,在上下电极之间放置一颗金属小球以模拟自由金属微粒放电;
依次将三个绝缘缺陷模型放置在GIS试验腔中,接好系统试验回路,给装置施加电压开始试验;缓慢提高试验电压,观察局部放电检测仪和示波器;当有局部放电发生时,停止升压,记录此时装置上所加电压U和视在放电量Q,并对放电信号进行采样。
3.根据权利要求1所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述步骤2中将局部放电信号进行归一化做成灰度图,并对其进行二维Gabor变换的具体方法包括:
二维Gabor滤波器的复数表达公式定义如下:
其中,
x′=xcosθ+ysinθ#(2)
y′=-xsinθ+ycosθ#(3)
上式中:g表示Gabor滤波器的表达式;(x,y)是图像任意一个像素点的空间位置;λ代表正弦函数的波长,即空间频率的倒数;θ代表Gabor滤波器方向角与y轴的夹角;ψ代表相位偏移;σ则是高斯包络沿x轴与y轴的标准方差;γ是空间的宽高比;π代表圆周率;exp代表以自然常数e为底的指数函数;(x′,y′)是图像像素点(x,y)在以Gabor滤波器方向为横坐标轴的变换后坐标;i代表虚数单位;cos表示余弦函数,sin表示正弦函数;
其中,Wt为Gabor的时域窗;λ代表正弦函数的波长,即空间频率的倒数;π代表圆周率;ω0为滤波器的中心频率,改变它的大小即可对滤波器的频域尺度进行控制;
当参数λ确定后,即空间频率确定后,则时域窗宽与频域的中心频率成反比关系,即与波长成正比;
选定三种尺度和三种方向共计九种变换,得到GIS上述三种绝缘缺陷模型局放图像的分解图;
对三种缺陷模型下分解图熵值分布的分析,发现λ=4时分图的能量占比更多,对于原始图像的特点展现更为全面,因此选择λ=4,且选取θ=0°、45°、90°三种方向变换下的Gabor变换分图用以提取图像特征参数。
4.根据权利要求1所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述步骤3中从颜色、纹理、形状三个角度提取经过Gabor变换后的局放分解图的图像特征参数,构造特征空间的方法包括:
第1.采用颜色直方图、颜色矩和颜色聚合向量三种方法提取颜色特征;
第2.采用统计法中的Tamura纹理特征与灰度-梯度共生矩阵两种方法提取图像的纹理特征;
第3.采用Hu不变矩以及相对矩、Zernike矩两种方法以表征局部放电图像的形状特征。
5.根据权利要求4所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述采用颜色直方图、颜色矩和颜色聚合向量三种方法提取颜色特征,具体包括:
(1)颜色直方图;
对图像中各个颜色出现的次数进行统计,并以直方图表现出来,并且当检查与其他图像的相似度时可以用直方图的交来进行分析:
其中,h表示颜色直方图函数;k代表颜色类型;nk代表统计出的具有量化颜色为k的像素总数;N为图像中像素的总个数;L为量化颜色的个数;
(2)颜色矩;
将矩的形式应用在图像的颜色分布上来表现其颜色分布,相较于高阶矩,图像的低阶矩中能体现的颜色分布信息更加丰富;颜色的三个低阶矩分别定义如下:
式中,μ表示一阶颜色矩,σ表示二阶颜色矩,s表示三阶颜色矩;下标i代表第i个颜色分量;下标j代表图像中的第j个像素;pij表示第i个颜色通道分量中灰度为j的像素出现的概率;N为像素总个数;μi表示第i个颜色分量的一阶颜色矩;
(3)颜色聚合向量;
将直方图中每一个颜色区间的像素按照空间属性继续分类:一个颜色区间内的像素如果连续占据了一定区域,且该区域面积大于预先设定的阈值,则将这些像素称为聚合像素,否则即称为非聚合像素;每个颜色区间内的聚合像素一起构成聚合向量,非聚合像素则构成非聚合向量;具体提取步骤为(a)量化,(b)划分连通区域,(c)判断聚合性,(d)获取颜色聚合向量;
f(I)=<(α1,β1),(α2,β2),…,(αN,βN)>#(9)
式中,f表示颜色聚合向量函数,I代表提取颜色聚合向量的图像;αi代表重新量化后的第i个颜色分量中聚合像素的总数,βi代表重新量化后的第i个颜色分量中非聚合像素的总数,则(αi,βi)为第i个颜色分量的聚合对;N为像素总个数。
6.根据权利要求4所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述采用统计法中的Tamura纹理特征与灰度-梯度共生矩阵两种方法提取图像的纹理特征,其中Tamura纹理特征,与人类对纹理的视觉感知有所关联,有六个分量:
a)粗糙度(Coarseness):
式中,Fcrs表示粗糙度;m和n分别代表水平和垂直方向上的像素总个数;(i,j)对应水平方向上第i个像素和垂直方向上的第j个像素;Sbest(i,j)则为对于像素(i,j)而言活动窗口的最佳尺寸,该尺寸使得在水平和垂直方向上互不重叠的窗口之间的平均强度差达到最大值;
b)对比度(Contrast):
式中,α4是辅助计算的四阶比值参数;μ4为图像的四次矩;σ表示二阶颜色矩;Fcon代表对比度;
c)方向性(Directionality):
其中,Fdir表示方向度;HD是所有像素梯度向量的直方图;p是直方图的峰值,np则为直方图中所有的峰值;对于选定的峰值p,wp表示该峰值包含的所有柄,φp表示波峰中心位置;
d)线性度(Linelikeness):
其中,Flin表示线性度;PDd(i,j)表示在距离内的n×n大小的局部方向共生矩阵,代表在图像中沿着边缘方向相距d的相邻两像素出现的频率,其中一个方向编码i,另一个的方向编码是j;cos表示余弦函数;π表示圆周率;
e)规则性(Regularity):
Freg=1-r(σcrs+σcon+σdir+σlin)#(15)
式中,Freg表示规则度;r是归一化因子;σcrs代表粗糙度Fcrs的标准差,σcon代表对比度Fcon的标准差,σdir代表方向度Fdir的标准差,σlin代表线性度Flin的标准差;
f)粗略度(Roughness):
Frgn=Fcrs+Fcon#(16)
式中,Frgn表示粗略度;Fcrs表示粗糙度,Fcon表示对比度。
7.根据权利要求4所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述采用统计法中的Tamura纹理特征与灰度-梯度共生矩阵两种方法提取图像的纹理特征,其中灰度-梯度共生矩阵,包括:
给定一个偏移量(Δx,Δy),则图像中相距为(Δx,Δy)的两个像素共同出现的联合频率分布就是灰度共生矩阵;假定图像灰度级为N,则其共生矩阵的尺寸即为N×N,记为MΔx,Δy(h,k);其中元素值Mhk就代表着相距(Δx,Δy)的像素对其灰度值分别为h和k出现的次数;将共生矩阵中所有元素值进行归一化处理将Mhk转换成像素对出现的概率Phk,[Phk]N×N即为灰度共生矩阵;
在灰度共生矩阵[Phk]N×N的基础上,加入关于灰度变化的梯度信息,构成灰度-梯度共生矩阵;
设图像为f(x,y),x=1,2,…,M;y=1,2,…,N,灰度级为L,提取其梯度信息,得到梯度图像g(x,y),对其灰度级做离散化处理,可得新灰度级为Lg,新的灰度为:
其中,G(x,y),x=1,2,…,M;y=1,2,…,N即为新的梯度图像;g(x,y)为原图的梯度图像;gmax=maxx,yg(x,y),代表梯度图像的最大值;gmin=minx,yg(x,y),代表梯度图像的最小值;Lg为新灰度级;
利用所得的共生矩阵Pij,从中提取出对于反映图像纹理有帮助的统计量;常用有如下15个:
①自相关(Autocorrelation):
其中,G1表示灰度-梯度共生矩阵的自相关值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;
②对比(Contrast):
其中,G2表示灰度-梯度共生矩阵的对比值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;n是行编码i和列编码j的差值;Ng为灰度-梯度共生矩阵的大小;
③相关(Correlation):
式中,G3表示灰度-梯度共生矩阵的相关值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为灰度-梯度共生矩阵的行向量px和行向量py的均值;σx,σy则为灰度-梯度共生矩阵的行向量px和行向量py的标准方差;
④集群突出(Cluster Prominence):
式中,G4表示灰度-梯度共生矩阵的集群突出值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为灰度-梯度共生矩阵的行向量px和行向量py的均值;
⑤簇遮蔽(Cluster Shade):
式中,G5表示灰度-梯度共生矩阵的簇遮蔽值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μx,μy为px,py的均值;
⑥差异性(Dissimilarity):
式中,G6表示灰度-梯度共生矩阵的差异值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;
⑦能量(Energy):
式中,G7表示灰度-梯度共生矩阵的能量值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;
⑧熵(Entropy):
式中,G8表示灰度-梯度共生矩阵的熵值;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;log表示以10为底的对数函数;
⑨均匀性(Homogeneity):
式中,G9表示灰度-梯度共生矩阵的均匀性;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;
⑩最大概率(Maximum probability):
式中,G10表示灰度-梯度共生矩阵的最大概率;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;max表示取最大值;
式中,G11表示灰度-梯度共生矩阵的平方和;Pij为归一化的灰度-梯度共生矩阵第i行第j列的元素;μ为灰度-梯度共生矩阵的均值;
式中,G12表示灰度-梯度共生矩阵的总和平均值;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小;
式中,G13表示灰度-梯度共生矩阵的总和方差;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小;G14为灰度-梯度共生矩阵的总和熵;
式中,G14表示灰度-梯度共生矩阵的总和熵;px+y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之和;i表示像素编码;Ng为灰度-梯度共生矩阵的大小;log表示以10为底的对数函数;
G15=variance of px-y#(32)
式中,G15表示灰度-梯度共生矩阵的差异方差;px-y表示灰度-梯度共生矩阵中灰度值为x的概率与梯度值为y的概率之差。
8.根据权利要求4所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述采用Hu不变矩以及相对矩、Zernike矩两种方法以表征局部放电图像的形状特征,其中:Hu不变矩以及相对矩;具体包括:
假设f(x,y)代表了二值图像的形状区域,点(x,y)若在该区域内部,则设该点的对应值为“1”;若在区域外部,则其值设为“0”;
定义图像的p+q阶矩为:
mpq=∫∫xpyqf(x,y)dxdy (p,q=0,1,2…)#(33)
式中,mpq表示图像的二维(p+q)阶矩;f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点;
当图像平移时,为使mpq不发生变化,则定义p+q阶中心矩为:
μpq=∫∫(x-x0)p(y-y0)qf(x,y)dxdy (p,q=0,1,2…)#(34)
式中,μpq表示图像的二维(p+q)阶中心矩;f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点;(x0,y0)为图像的质心,其表达式如下:
式中,f(x,y)为图像的灰度分布函数;(x,y)表示图像的坐标点;m10表示图像的x轴一阶矩;m01表示图像y轴一阶矩;m00表示图像的零阶矩;
如此,μpq具有了平移不变性,为了使其能够在图像旋转时同样不发生变化,即拥有旋转不变性,将二阶和三阶中心矩组合起来得到7个不变矩特征:
η1=μ20+μ02#(37)
式中,η1代表第一个不变矩;μ20表示图像x轴的二阶中心矩,μ02表示图像y轴的二阶中心矩;
式中,η2代表第二个不变矩;μ20表示图像x轴的二阶中心矩,μ02表示图像y轴的二阶中心矩;μ11表示图像的二维二阶中心矩,x轴和y轴各一阶;
η3=(μ30-3μ12)2+(3μ21-μ03)2#(39)
式中,η3代表第三个不变矩;μ30表示图像x轴的三阶中心矩,μ03表示图像y轴的三阶中心矩;μ12表示图像的二维三阶中心矩,x轴一阶,y轴二阶;μ21表示图像的二维三阶中心矩,x轴二阶,y轴一阶;
η4=(μ30+μ12)2+(μ21+μ03)2#(40)
式中,η4代表第四个不变矩;μ30,μ03,μ12和μ21涵义同公式(39);
η5=(μ30-3μ12)(μ30+μ12)[(μ30+μ12)2-3(μ21-μ03)2]+(3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]#(41)
式中,η5代表第五个不变矩;μ30,μ03,μ12和μ21涵义同公式(39);
η6=(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2]+4μ11(μ30+μ12)(μ21+μ03)#(42)
式中,η6代表第六个不变矩;μ20和μ02涵义同公式(37);μ30,μ03,μ12和μ21涵义同公式(39);
η7=(3μ21-μ03)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2]-(μ30-3μ12)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]#(43)
式中,η7代表第七个不变矩;μ30,μ03,μ12和μ21涵义同公式(39);
当图像尺度变换时,为使μpq保持不变,对其进行归一化处理:
式中,ηpq表示归一化的图像的二维(p+q)阶中心矩;μpq表示图像的二维(p+q)阶中心矩;μ00表示零阶矩,r为零阶矩的指数,计算公式为:
式中,p为x轴方向的阶数,q为y轴方向的阶数;
将ηpq代替μpq进行7个不变矩的计算,得到7个新的不变矩;满足对形状特征所提的平移、旋转、缩放下保持恒定的要求。
9.根据权利要求4所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述采用Hu不变矩以及相对矩、Zernike矩两种方法以表征局部放电图像的形状特征,包括:Zernike矩和伪Zernike矩特征;
所述Zernike矩是将波形或信号在单位圆内展开,以获取完备正交集;
假设f(x,y)为二值图像,复数Zernike矩是通过Zernike多项式计算得到:
Vnm(x,y)=Vnm(ρcosθ,ρsinθ)=Rnm(ρ)exp(imθ)#(46)
式中,Vnm(x,y)为复数Zernike矩;n代表Vnm(x,y)的阶数,m代表其重复度(n-|m|为偶数,|m|≤n);ρ为(x,y)到质心的半径;θ为ρ与x轴的夹角;cos为余弦函数,sin为正弦函数;Rnm(ρ)为实值径向多项式,在单位圆内正交;exp代表以自然常数e为底的指数函数;i代表虚数单位;
式中,Rnm(x,y)为Zernike多项式;n代表Vnm(x,y)的阶数,m代表其重复度,s为计算所用的编码;
(n,m)阶复数Zernike矩为:
式中,Anm(x,y)表示复数Zernike矩;n代表Vnm(x,y)的阶数,m代表其重复度;π为圆周率;f(x,y)代表二值图像;*表示多项式的复数共轭;
所述伪Zenike矩是在Zernike矩基础上的改进形式,二者之间的差异在于采用了不同的多项式公式;伪Zernike矩的公式为:
式中,Rnm(ρ)为伪Zernike多项式;n代表Vnm(x,y)的阶数,m代表其重复度,s为计算所用的编码;!表示阶乘运算。
10.根据权利要求1所述的一种GIS光学局放图谱的特征量提取方法,其特征是:所述步骤4.构建SVM分类器,将训练、测试样本输入,测试识别结果,验证该方法的准确性,是特征空间构造完成后,构建SVM分类器;使用四种常用核函数分别建立四个单核SVM分类器,并用构造的多核函数建立多核SVM分类器;将训练样本先放入分类器中进行学习,再将完成训练的分类器对测试样本分类识别;对得到的五种分类器对局放图像特征量的识别结果对比,除了Sigmoid核SVM外,其余SVM分类器都做到基本准确识别,其中多核SVM分类器的准确率达97.6%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410229.1A CN111220882A (zh) | 2019-12-31 | 2019-12-31 | 一种gis光学局放图谱的特征量提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410229.1A CN111220882A (zh) | 2019-12-31 | 2019-12-31 | 一种gis光学局放图谱的特征量提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111220882A true CN111220882A (zh) | 2020-06-02 |
Family
ID=70810494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410229.1A Pending CN111220882A (zh) | 2019-12-31 | 2019-12-31 | 一种gis光学局放图谱的特征量提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111220882A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578244A (zh) * | 2020-12-08 | 2021-03-30 | 广西电网有限责任公司电力科学研究院 | 一种利用紫外光评估gis设备内部缺陷放电的方法 |
CN113780308A (zh) * | 2021-08-27 | 2021-12-10 | 吉林省电力科学研究院有限公司 | 基于核主元分析与神经网络的gis局部放电模式识别方法及系统 |
CN114241303A (zh) * | 2021-12-06 | 2022-03-25 | 中国水利水电科学研究院 | 一种基于计算机视觉技术的流域下垫面特征提取方法 |
CN115641336A (zh) * | 2022-12-23 | 2023-01-24 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的空调用钣金件缺陷识别方法 |
CN116958138A (zh) * | 2023-09-19 | 2023-10-27 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
CN117630611A (zh) * | 2024-01-22 | 2024-03-01 | 南京卓煊电力科技有限公司 | 全带宽高频局放prpd谱图捕获生成方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108036746A (zh) * | 2017-12-26 | 2018-05-15 | 太原理工大学 | 一种基于频谱法的Gabor变换实现碳纤维复合材料表面纹理分析方法 |
CN108319924A (zh) * | 2018-02-07 | 2018-07-24 | 武汉理工大学 | 一种基于融合特征和elm算法的交通标志识别方法 |
CN109102508A (zh) * | 2018-08-31 | 2018-12-28 | 上海交通大学 | 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 |
CN109871746A (zh) * | 2018-12-30 | 2019-06-11 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于gis绝缘缺陷诊断的模式识别方法 |
-
2019
- 2019-12-31 CN CN201911410229.1A patent/CN111220882A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108036746A (zh) * | 2017-12-26 | 2018-05-15 | 太原理工大学 | 一种基于频谱法的Gabor变换实现碳纤维复合材料表面纹理分析方法 |
CN108319924A (zh) * | 2018-02-07 | 2018-07-24 | 武汉理工大学 | 一种基于融合特征和elm算法的交通标志识别方法 |
CN109102508A (zh) * | 2018-08-31 | 2018-12-28 | 上海交通大学 | 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 |
CN109871746A (zh) * | 2018-12-30 | 2019-06-11 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于gis绝缘缺陷诊断的模式识别方法 |
Non-Patent Citations (1)
Title |
---|
高强等: "基于二维Gabor变换和多核SVM在GIS光学局放检测中的应用", 《全国第三届"智能电网"会议论文集》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578244A (zh) * | 2020-12-08 | 2021-03-30 | 广西电网有限责任公司电力科学研究院 | 一种利用紫外光评估gis设备内部缺陷放电的方法 |
CN113780308A (zh) * | 2021-08-27 | 2021-12-10 | 吉林省电力科学研究院有限公司 | 基于核主元分析与神经网络的gis局部放电模式识别方法及系统 |
CN114241303A (zh) * | 2021-12-06 | 2022-03-25 | 中国水利水电科学研究院 | 一种基于计算机视觉技术的流域下垫面特征提取方法 |
CN115641336A (zh) * | 2022-12-23 | 2023-01-24 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的空调用钣金件缺陷识别方法 |
CN116958138A (zh) * | 2023-09-19 | 2023-10-27 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
CN116958138B (zh) * | 2023-09-19 | 2023-12-19 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
CN117630611A (zh) * | 2024-01-22 | 2024-03-01 | 南京卓煊电力科技有限公司 | 全带宽高频局放prpd谱图捕获生成方法及系统 |
CN117630611B (zh) * | 2024-01-22 | 2024-04-12 | 南京卓煊电力科技有限公司 | 全带宽高频局放prpd谱图捕获生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111220882A (zh) | 一种gis光学局放图谱的特征量提取方法 | |
Song et al. | GIS partial discharge pattern recognition via deep convolutional neural network under complex data source | |
Laga et al. | A Riemannian elastic metric for shape-based plant leaf classification | |
CN109085468A (zh) | 一种电缆局部放电绝缘缺陷的识别方法 | |
CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
CN105095836B (zh) | 一种基于Gabor特征的皮肤纹理检测方法及装置 | |
CN110796022B (zh) | 一种基于多流形耦合映射的低分辨人脸识别方法 | |
Wen et al. | Virus image classification using multi-scale completed local binary pattern features extracted from filtered images by multi-scale principal component analysis | |
CN113447771A (zh) | 一种基于sift-lda特征的局部放电模式识别方法 | |
CN103390170A (zh) | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 | |
CN114237046A (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN110874576B (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
Sun et al. | Partial discharge pattern recognition of transformers based on the gray-level co-occurrence matrix of optimal parameters | |
Xu et al. | Multi‐pyramid image spatial structure based on coarse‐to‐fine pyramid and scale space | |
CN111707915B (zh) | 基于牵引电机局部放电的在线绝缘评估方法及装置 | |
CN113283371A (zh) | 一种基于brisk特征的局部放电特征提取及分类方法 | |
Akbar et al. | Tumor localization in tissue microarrays using rotation invariant superpixel pyramids | |
Delibasis et al. | Designing texture filters with genetic algorithms: An application to medical images | |
Li et al. | The retrieval of shoeprint images based on the integral histogram of the gabor transform domain | |
CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
Ali et al. | Automatic cancerous tissue classification using discrete wavelet transformation and support vector machine | |
CN111199209A (zh) | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 | |
Zhang et al. | LPPCO: A novel multimodal medical image registration using new feature descriptor based on the local phase and phase congruency of different orientations | |
Li et al. | Exploring the Bag-of-Words method for 3D shape retrieval | |
CN109711420A (zh) | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200602 |
|
RJ01 | Rejection of invention patent application after publication |