CN111428748A - 一种基于hog特征和svm的红外图像绝缘子识别检测方法 - Google Patents
一种基于hog特征和svm的红外图像绝缘子识别检测方法 Download PDFInfo
- Publication number
- CN111428748A CN111428748A CN202010105915.4A CN202010105915A CN111428748A CN 111428748 A CN111428748 A CN 111428748A CN 202010105915 A CN202010105915 A CN 202010105915A CN 111428748 A CN111428748 A CN 111428748A
- Authority
- CN
- China
- Prior art keywords
- svm
- insulator
- hog
- particle
- infrared image
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于HOG特征和SVM的红外图像绝缘子识别检测方法,包括以下步骤:进行红外图像预处理;通过方向梯度直方图(HOG)获取正负样本的轮廓信息;采用PCA主成分分析方法对轮廓数据进行降维;采用粒子群算法(PSO)优化SVM的惩罚系数C值和径向基核函数(RBF)的gamma值;采用SVM训练模型,生成并保存目标识别模型和初次识别结果;将剩余的负样本集带入目标识别模型,进行难例挖掘,将假阳性负样本加入负样本集中,迭代训练,增强模型分类性能。本发明能够有效降低人力成本、提升训练速度、降低误检率和漏报率,提高绝缘子检测率。
Description
技术领域
本发明属于输电设备运行状态检修领域,尤其涉及到一种基于HOG特征和 SVM的绝缘子检测方法。
背景技术
绝缘子是在发电和配电过程中,来支持和固定电气设备的载流导体,并使 载流导体的相与相之间和对地绝缘。由于绝缘子常在高温,潮湿,多尘埃污垢 等环境下运行,并承受着导线的重量,拉力和过电压,所以在电网工作中监测 绝缘子的状态是一项非常重要的工作。由于目前电网智能化的要求的提出,相 较于传统的人工巡检和停电巡检,新的数字化检测方式无疑是更为高效,安全 的监测方式,而数字化检测首先需要解决的即是要在不同的情况下识别出绝缘 子为之后的故障判断,维修等工作做好准备。
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。基于激光的图像识别方法其器 材经济成本高昂且需要稳定的工作环境,基于声学的检测识别方法极易受到复 杂环境的影响导致反射回来的信息准确率极低。鉴于此,国内外普遍使用基于 可见光图像的绝缘子识别方法,主要分为依据其轮廓信息、颜色信息或纹理信 息完成识别工作。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, 且由于背景变化多且较为复杂,这些方法对于大规模、频繁性的巡检工作来说, 会消耗大量时间成本和经济成本,且易受环境的影响,准确率和及时性都较低, 并不能广泛应用于实际情况当中。
发明内容
针对现有技术的缺陷,本发明的提供了一种投入少、维护成本低、准确性 和实时性高的基于图像处理技术的绝缘子识别方法,为及时排查输电线路路中 绝缘子的温度异常提供方法。
为实现本发明的上述目的,本发明采用的技术方案是:
一种基于HOG特征和SVM的红外图像绝缘子识别检测方法,其特征在于 包括以步骤:
1)从初始的红外图像中截取绝缘子区域作为初始训练集。
2)进行红外图像预处理,为符合HOG特征提取的要求,对初始训练集进 行角度矫正和尺度归一化,将完成处理后的红外绝缘子图像集作为正式训练集。
3)对正式训练集提取HOG特征描述符,按维度组合成HOG特征矩阵。
4)针对所述HOG特征矩阵,对数据进行去均值和方差归一化,计算PCA 协方差矩阵C,对特征矩阵进行降维,得到特征向量;
cov(X,Y)表示X维度和Y维度的协方差,Xi表示第i个样本的X维度特征 值,Yi表示第i个样本的Y维度特征值,表示所有样本X维度特征的平均值, 表示所有样本Y维度特征的平均值,n表示样本总数,即协方差矩阵的维度; 以2维数据(X,Y)作为例子,C表示构建的协方差矩阵,cov(X,X)表示X维度 和X维度的协方差,cov(X,Y)表示X维度和Y维度的协方差,cov(Y,X)表示 Y维度和X维度的协方差,cov(Y,Y)表示Y维度和Y维度的协方差;X和Y 分别代表两个维度的特征值。
5)将步骤4)得到的特征向量带入SVM分类器训练,生成并保存绝缘子识 别模型和初次识别结果,采用粒子群算法PSO优化SVM分类器的惩罚系数c 值和径向基核函数RBF的gamma值,径向基核函数如下:
K(xi,xj)=exp(-gamma·||xi-xj||2)
xi,xj表示二维平面上的两个不同样本点,||-||表示样本点之间距离。
6)将训练集中未用到的负样本带入初步训练好的SVM分类器进行难例挖 掘,将被当前模型误判为正样本的负样本定义为困难样本,将其加入负样本集 中,迭代训练模型,得到最终的SVM检测模型。
7)提取待测样本的HOG特征向量并利用步骤4)的PCA协方差矩阵进行 降维,得到待测样本的特征向量。
8)将步骤7)中的特征向量输入步骤6)训练得到的SVM检测模型进行绝 缘子的检测。若待测红外图像判断为负样本,认为待测目标图像中没有绝缘子, 移动摄像头重新获取新的图像,并重复步骤7起始的两个步骤;若待测红外图 像判断为正样本,则认为图像中有绝缘子目标,固定摄像头进行温度监测。
进一步,所述步骤2)的具体处理过程包括,根据Sobel分别提取初始训练 集中红外图像水平和竖直方向的梯度,得到提取绝缘子轮廓后的图片,通过最 小外接矩形原理确认旋转角度和旋转中心,通过旋转角度归类处理实现角度矫 正,根据判别分析原理进行图片的尺寸归一化,得到正式训练集。
进一步,所述步骤3)还包括采用gamma校正法对输入图像进行对比度调 整:
I(x,y)new=I(x,y)gamma
i(x,y)表示坐标点(x,y)处的灰度值,I(x,y)表示进行归一化处理后的灰度值,gamma为预补偿因子,是[0,1]之间的实数。
通过HOG获取像素点梯度,并对窗口内的像素用梯度方向在直方图中进行 加权投影,获得训练集正负样本的轮廓特征。
进一步,步骤4)中所述计算PCA协方差矩阵C,对特征矩阵进行降维, 得到特征向量具体包括,确定降维后的期望维度m,求出数据归一化矩阵的协 方差矩阵;以维度作为变量空间,求出协方差矩阵的特征值及特征值对应的特 征向量;根据特征值大小从大到小,将得到的特征向量从左至右按行排列成矩 阵,取前m行组成新的矩阵,与协方差矩阵相乘,降维后的数据保存为特征向 量。
进一步,步骤5)采用粒子群算法PSO获取SVM的惩罚系数C和径向基核 函数的g值得全局最优解;将步骤4得到的降维后的特征向量,通过RBF径向 核函数提升可分性,随后投入SVM分类器进行训练,生成并保存绝缘子识别模 型和初次识别结果。
步骤5)具体包括以下实施步骤:
5.1确定PSO算法在终止条件无法满足情况下的最大迭代次数N_max、粒 子速度限值V_max与最大搜索范围X_max三个参数;
5.2随机生成鸟群并根据SVM模型对PSO算法进行参数的初始化,其中每 个粒子包含两个分量,分别为SVM固有参数惩罚系数C和径向基核函数核参数 gamma,并初始化每一个粒子的速度和位置向量;
5.3将粒子作为支持向量机的固有参数惩罚系数C和径向基核函数参数 gamma带入SVM进行训练,并将返回的交叉验证意义下的分类准确率作为粒子 适应度值;
5.4根据粒子适应度值的情况不断更新个体极值及群体极值:一旦出现了更 优的适应度值则更新相应的个体或者群体适应度,同时检查各个粒子的不同维 度是否在允许的限度之内,更新公式如下:
Vi=ω·Vi+c1·rand()·(Pi-Xi)+c2·rand()·(Pg-Xi)
Xi=Xi+Vi
其中Vi是粒子的速度,Xi是粒子的位置,ω是惯性权重,c1和c2是学习因子, rand()是0-1的随机值,Pi是第i个粒子搜索到的最优位置,Pg是整个粒子群搜 索到的最优位置;
5.5判断是否满足退出迭代条件:如果超过最大迭代次数或接连两次的适应 度的变化没有超过±0.002,则退出迭代过程,并且此时的鸟群极值即为所要求 的SVM模型最优参数。
进一步,步骤6)所述难例挖掘,具体包括:按照与正样本3∶1的比例从负 样本集中随机抽取图片作为测试负样本,并利用当前SVM模型预测,将预测偏 差较大的负样本加入训练负样本集,构造出新训练负样本集,使用新训练负样 本集对模型进行重新训练,重复以上步骤迭代训练至SVM模型达到稳定状态, 即分类器性能不再提升,将其作为最终的SVM分类器。其中,SVM模型预测 结果的返回参数是[0,1]的实数,预测结果的分类标准是将0.5以下归为0即负 样本,0.5及以上归为1即正样本,因此预测数值靠近1的负样本就是预测偏差 较大的负样本,本发明中定义为0.7以上。
与现有技术相比,本发明的有益效果是:能够有效降低人力成本、提升训 练速度、降低误检率和漏报率,提高绝缘子检测率。
本发明的主要优点:1.使用红外图像,减少了背景因素的干扰,为进一步的 故障诊断提供了方便;2.为了优化SVM支持向量机的分类效果,使用PSO粒子 群算法找寻SVM支持向量机在RBF核参数的全局最优解,提高了识别正确率; 3.为了降低SVM分类模型的训练时间,使用了PCA主成分分析法,在保留HOG 轮廓信息的基础上降低了维度,从而减少模型训练时间;4.针对较难识别的负 样本使用了难例挖掘算法,提升假阳性负样本与正样本的相似度,降低误检率, 增强模型分类性能。
在本发明中,PCA主成分分析法是用于提取后的HOG特征,原来HOG特 征维度是106020,通过PCA主成分分析法把特征维度降到了100,同时保留了 完整的HOG特征信息,因此输入SVM分类器的特征维度很小,降低了分类器 模型的训练时间。PSO粒子群算法、难例挖掘算法同时用于SVM分类器,可以 大大提高识别准确率和识别精确度。
附图说明
图1是本发明的流程图;
图2是原始图片经过数据准备、图像预处理后的正式训练集示意图;
图3是Sobel算子在水平、垂直方向的梯度示意图;
图4是本发明HOG特征提取的效果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对 本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以 便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实 施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发 明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术 领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是 为了描述具体的实施例的目的,不是旨在于限制本发明。以上实施例的各技术 特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征 所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都 应当认为是本说明书记载的范围。
本发明提供的基于红外图像的绝缘子检测方法,具体按照以下步骤实施:
步骤1,数据准备;
步骤2,进行图像预处理;
步骤3,通过方向梯度直方图(HOG)获取训练集正负样本的轮廓特征;
步骤4,对提取后的HOG特征使用PCA主成分分析方法降维;
步骤5,使用PSO优化SVM参数,使用RBF核训练初始SVM支持向量机;
步骤6,结合难例挖掘迭代训练优化SVM模型;
步骤7,对待测红外图像提取特征向量并应用训练集的PCA斜方矩阵降维;
步骤8,带入训练好的模型进行预测。
本发明的特点还在于,
步骤1,如图1所示,包括如下步骤:
进行数据准备工作,准备基于红外图像包含绝缘子图像的正样本和不含绝 缘子的红外设备图像各两千张,人工标注其绝缘子区域。正样本为图像中的绝 缘子图片,负样本为母线、高压电缆、变压器、避雷器、天空等其他图片。
步骤2,如图1所示,包括如下步骤:
进行红外图像预处理,从输入的红外图像中截取绝缘子区域作为初始训练 集;利用Sobel算子提取计算x,y方向上的梯度,处理结果如图3所示,Sobel 边缘检测算子如下:
其给定邻域方向梯度矢量g的幅度为:
通过数学运算保留高水平梯度和低垂直梯度的图像区域;随后进行边缘滤 波,以滤除边缘强度小和边缘链短的边缘,得到提取绝缘子轮廓后的图片;边 缘强度小表示边缘的界限不明显,边缘链短表示边缘长度很短,此处边缘强度 小和边缘连短的边缘就是杂乱背景中的无效边缘。通过最小外接矩形原理,根 据绝缘子轮廓的最小外接矩形,获得绝缘子的中心和倾斜角度,进行倾斜校正; 根据判别分析原理按原始图片尺寸分类进行尺度归一化,处理流程与结果附图2 所示。
步骤3,如图1所示,包括如下步骤:
通过方向梯度直方图HOG获取训练集正负样本的轮廓特征,采用gamma 校正法对输入图像进行颜色空间归一化,通过方向梯度直方图(HOG)获取像素 点梯度幅值和方向,并对窗口内的像素用梯度方向在直方图中进行加权投影, 统计每个扫描滑动窗口内的细胞梯度构成方向特征直方图,得到最终的向量特 征,可视化结果如附图4所示。
步骤4,如图1所示,包括如下步骤:
对提取后的HOG特征使用PCA主成分分析方法降维,HOG特征矩阵的每一 维度进行零均值化、方差归一化作为预处理操作。确定降维后的期望维度m,求 出数据归一化矩阵的协方差矩阵;求出协方差矩阵的特征值及对应的特征向量; 将得到的特征向量按对应特征值大小从大到小按行排列成矩阵;取矩阵的前m 行组成PCA协方差矩阵,将其与初始特征矩阵相乘,得到降维后的特征向量。
步骤5,如图1所示,包括如下步骤:
确定PSO算法在终止条件无法满足情况下的最大迭代次数N_max、粒子速 度限值V_max与最大搜索范围X_max三个参数;
随机生成鸟群并根据SVM模型对PSO算法进行参数的初始化,其中每个粒 子包含两个分量,分别为SVM固有参数惩罚系数C和径向基核函数核参数 gamma,并初始化每一个粒子的速度和位置向量;
将粒子作为支持向量机的固有参数惩罚系数C和径向基核函数参数gamma 带入SVM进行训练,并将返回的交叉验证意义下的分类准确率作为粒子适应度 值;
根据粒子适应度值的情况不断更新个体极值及群体极值:一旦出现了更优 的适应度值则更新相应的个体或者群体适应度,同时检查各个粒子的不同维度 是否在允许的限度之内;,更新公式如下:
Vi=ω·Vi+c1·rand()·(Pi-Xi)+c2·rand()·(Pg-Xi)
Xi=Xi+Vi
其中Vi是粒子的速度,Xi是粒子的位置,ω是惯性权重,c1和c2是学习因子, rand()是0-1的随机值,Pi是第i个粒子搜索到的最优位置,Pg是整个粒子群搜 索到的最优位置;
判断是否满足退出迭代条件:如果超过最大迭代次数或接连两次的适应度 的变化没有超过±0.002,则退出迭代过程,并且此时的鸟群极值即为所要求的 SVM模型最优参数;
使用沿径向对称的标量函数,经过RBF核映射后,使得步骤4后的特征向 量的可分性得到了改善,随后将其用于SVM分类器选取支持向量界定最大边际 的超平面位置。
步骤6,如图1所示,包括如下步骤:
结合难例挖掘迭代训练优化SVM模型,按照与正样本3∶1的比例从负样本 集中随机抽取图片作为训练负样本集,并利用当前SVM模型预测,将预测偏差 较大的负样本作为新负样本集,使用新负样本集对模型进行重新训练,重复以 上步骤迭代训练至SVM模型达到稳定状态,即分类器性能不再提升,将其作为 最终的SVM分类器;
步骤7,如图1所示,包括如下步骤:
对待测红外图像提取特征向量并应用训练集的PCA斜方矩阵降维,采用 gamma校正法对输入图像进行颜色空间归一化,通过方向梯度直方图(HOG)获 取像素点梯度幅值和方向,并对窗口内的像素用梯度方向在直方图中进行加权 投影,统计每个扫描滑动窗口内的细胞梯度构成方向特征直方图,从而提取待 测红外图像的HOG特征,应用步骤4的PCA斜方矩阵对HOG特征进行降维, 得到测试图片特征向量。
步骤8,如图1所示,包括如下步骤:
带入训练好的模型进行预测,将步骤7处理后的测试图片特征向量,输入 步骤6训练后的模型进行分类。若待测红外图像判断为负样本,认为待测目标 图像中没有绝缘子,移动摄像头重新获取新的图像,并重复步骤8起始的两个 步骤;若待测红外图像判断为正样本,则认为图像中有绝缘子目标,固定摄像头 进行温度监测。
以上所述实施例仅表达了本发明所提出基于红外图像的HOG和SVM方法, 其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当 指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下, 还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专 利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于HOG特征和SVM的红外图像绝缘子识别检测方法,其特征在于包括以步骤:
1)从初始的红外图像中截取绝缘子区域作为初始训练集;
2)对初始训练集进行角度矫正和尺度归一化,将完成处理后的红外绝缘子图像集作为正式训练集;
3)对正式训练集提取HOG特征描述符,按维度组合成HOG特征矩阵;
4)针对所述HOG特征矩阵,对数据进行去均值和方差归一化,计算PCA协方差矩阵C,对特征矩阵进行降维,得到特征向量;
5)将步骤4)得到的特征向量带入SVM分类器训练,生成并保存绝缘子识别模型和初次识别结果,采用粒子群算法PSO优化SVM分类器的惩罚系数c值和径向基核函数RBF的gamma值,径向基核函数如下:
K(xi,xj)=exp(-gamma·‖xi-xj‖2)
xi,xj表示二维平面上的两个不同样本点,‖-‖表示样本点之间距离;
6)将训练集中未用到的负样本带入初步训练好的SVM分类器进行难例挖掘,迭代训练模型,得到最终的SVM检测模型;
7)提取待测样本的HOG特征向量并利用步骤4)的PCA协方差矩阵进行降维,得到待测样本的特征向量;
8)将步骤7)中的特征向量输入步骤6)训练得到的SVM检测模型进行绝缘子的检测。
2.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法,其特征在于:所述步骤2)的具体处理过程包括,根据Sobel分别提取初始训练集中红外图像水平和竖直方向的梯度,得到提取绝缘子轮廓后的图片,通过最小外接矩形原理确认旋转角度和旋转中心,通过旋转角度归类处理实现角度矫正,根据判别分析原理进行图片的尺寸归一化,得到正式训练集。
4.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法,其特征在于:步骤4)中所述计算PCA协方差矩阵C,对特征矩阵进行降维,得到特征向量具体包括,确定降维后的期望维度m,求出数据归一化矩阵的协方差矩阵;以维度作为变量空间,求出协方差矩阵的特征值及特征值对应的特征向量;根据特征值大小从大到小,将得到的特征向量从左至右按行排列成矩阵,取前m行组成新的矩阵,与协方差矩阵相乘,降维后的数据保存为特征向量。
5.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法,其特征在于:步骤5)所述粒子群算法PSO具体包括:
确定PSO算法在终止条件无法满足情况下的最大迭代次数N_max、粒子速度限值V_max与最大搜索范围X_max三个参数;
随机生成鸟群并根据SVM模型对PSO算法进行参数的初始化,其中每个粒子包含两个分量,分别为SVM固有参数惩罚系数c和径向基核函数参数gamma,并初始化每一个粒子的速度和位置向量;
将粒子作为支持向量机的固有参数惩罚系数c和径向基核函数参数gamma带入SVM进行训练,并将返回的交叉验证意义下的分类准确率作为粒子适应度值;
根据粒子适应度值的情况不断更新个体极值及群体极值:一旦出现了更优的适应度值则更新相应的个体或者群体适应度,同时检查各个粒子的不同维度是否在允许的限度之内,更新公式如下:
Vi=ω·Vi+c1·rand()·(Pi-Xi)+c2·rand()·(Pg-Xi)
Xi=Xi+Vi
其中Vi是粒子的速度,Xi是粒子的位置,ω是惯性权重,c1和c2是学习因子,rand()是0-1的随机值,Pi是第i个粒子搜索到的最优位置,Pg是整个粒子群搜索到的最优位置;
判断是否满足退出迭代条件:如果超过最大迭代次数或接连两次的适应度的变化没有超过±0.002,则退出迭代过程,并且此时的鸟群极值即为所要求的SVM模型最优参数。
6.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法,其特征在于:步骤6)所述难例挖掘,具体包括:按照与正样本3:1的比例从负样本集中随机抽取图片作为训练负样本集,并利用当前SVM模型预测,将预测偏差较大的负样本作为新负样本集,使用新负样本集对模型进行重新训练,重复以上步骤迭代训练至SVM模型达到稳定状态,即分类器性能不再提升,将其作为最终的SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105915.4A CN111428748B (zh) | 2020-02-20 | 2020-02-20 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105915.4A CN111428748B (zh) | 2020-02-20 | 2020-02-20 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428748A true CN111428748A (zh) | 2020-07-17 |
CN111428748B CN111428748B (zh) | 2023-06-27 |
Family
ID=71547613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010105915.4A Active CN111428748B (zh) | 2020-02-20 | 2020-02-20 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428748B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950566A (zh) * | 2020-08-04 | 2020-11-17 | 国网安徽省电力有限公司电力科学研究院 | 一种旋转不变的hog红外图像电力设备识别方法 |
CN112085277A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
CN112305509A (zh) * | 2020-11-02 | 2021-02-02 | 南京理工大学 | 一种基于hog_svm的雷达航迹分类与识别方法 |
CN112418317A (zh) * | 2020-11-24 | 2021-02-26 | 西南交通大学 | 一种基于pso-svm的精密加工结构件识别分类的方法 |
CN112488211A (zh) * | 2020-12-03 | 2021-03-12 | 浙江理工大学 | 一种织物图像瑕疵分类方法 |
CN112507914A (zh) * | 2020-12-15 | 2021-03-16 | 江苏国光信息产业股份有限公司 | 一种基于存折、票据字符ocr识别方法和识别系统 |
CN112685591A (zh) * | 2020-12-31 | 2021-04-20 | 荆门汇易佳信息科技有限公司 | 用户兴趣区域与反馈引导的图片精准检索方法 |
CN112836717A (zh) * | 2020-12-02 | 2021-05-25 | 国网重庆市电力公司电力科学研究院 | 一种电力设备金属腐蚀老化程度的辨识方法 |
CN112884040A (zh) * | 2021-02-19 | 2021-06-01 | 北京小米松果电子有限公司 | 训练样本数据的优化方法、系统、存储介质及电子设备 |
CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法,存储装置及服务器 |
CN113688947A (zh) * | 2021-10-11 | 2021-11-23 | 国网智能科技股份有限公司 | 一种配电设备红外图像故障识别方法及系统 |
CN114373079A (zh) * | 2022-01-10 | 2022-04-19 | 东南大学 | 一种快速准确的探地雷达目标检测方法 |
CN114742801A (zh) * | 2022-04-19 | 2022-07-12 | 广东省第二人民医院(广东省卫生应急医院) | 一种基于pso-svm算法的b超图像智能识别方法及装置 |
CN114821252A (zh) * | 2022-03-16 | 2022-07-29 | 电子科技大学 | 一种图像识别算法的自成长方法 |
CN117854051A (zh) * | 2024-01-11 | 2024-04-09 | 国网山东省电力公司电力科学研究院 | 基于深度学习的输电线杆塔绝缘子图像处理方法及系统 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632170A (zh) * | 2012-08-20 | 2014-03-12 | 深圳市汉华安道科技有限责任公司 | 基于特征组合的行人检测方法及装置 |
CN104268529A (zh) * | 2014-09-28 | 2015-01-07 | 深圳市汇顶科技股份有限公司 | 指纹图像质量的判断方法和装置 |
CN104298989A (zh) * | 2014-08-20 | 2015-01-21 | 深圳大学 | 基于斑马线红外图像特征的鉴伪方法及其系统 |
CN104598924A (zh) * | 2015-01-14 | 2015-05-06 | 南京邮电大学 | 一种目标匹配检测方法 |
CN105069466A (zh) * | 2015-07-24 | 2015-11-18 | 成都市高博汇科信息科技有限公司 | 基于数字图像处理的行人服饰颜色识别方法 |
CN105354589A (zh) * | 2015-10-08 | 2016-02-24 | 成都唐源电气有限责任公司 | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 |
CN105719285A (zh) * | 2016-01-19 | 2016-06-29 | 东南大学 | 一种基于方向倒角距离特征的行人检测方法 |
CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
US20160360970A1 (en) * | 2015-06-14 | 2016-12-15 | Facense Ltd. | Wearable device for taking thermal and visual measurements from fixed relative positions |
CN106503742A (zh) * | 2016-11-01 | 2017-03-15 | 广东电网有限责任公司电力科学研究院 | 一种可见光图像绝缘子识别方法 |
CN106778734A (zh) * | 2016-11-10 | 2017-05-31 | 华北电力大学(保定) | 一种基于稀疏表示的绝缘子掉串缺陷检测方法 |
CN106960178A (zh) * | 2017-02-23 | 2017-07-18 | 中国科学院自动化研究所 | 绝缘子识别模型的训练方法以及绝缘子的识别与定位方法 |
CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
CN107292246A (zh) * | 2017-06-05 | 2017-10-24 | 河海大学 | 基于hog‑pca和迁移学习的红外人体目标识别方法 |
CN107833221A (zh) * | 2017-11-29 | 2018-03-23 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水监测方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108427915A (zh) * | 2018-02-07 | 2018-08-21 | 浙江理工大学 | 一种基于改进多核学习框架的近红外人脸检测方法 |
CN108537154A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 基于hog特征和机器学习的输电线路鸟巢识别方法 |
CN108765412A (zh) * | 2018-06-08 | 2018-11-06 | 湖北工业大学 | 一种带钢表面缺陷分类方法 |
CN109614870A (zh) * | 2018-11-12 | 2019-04-12 | 华南理工大学 | 一种行人识别及定位方法 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
CN109993134A (zh) * | 2019-04-04 | 2019-07-09 | 中山大学 | 一种基于hog和svm分类器的道路交叉口车辆检测方法 |
CN110175650A (zh) * | 2019-05-28 | 2019-08-27 | 国网河南省电力公司信阳供电公司 | 一种电力设备自动识别方法和装置 |
US20200372345A1 (en) * | 2019-05-21 | 2020-11-26 | Alibaba Group Holding Limited | System and method for training neural networks |
-
2020
- 2020-02-20 CN CN202010105915.4A patent/CN111428748B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632170A (zh) * | 2012-08-20 | 2014-03-12 | 深圳市汉华安道科技有限责任公司 | 基于特征组合的行人检测方法及装置 |
CN104298989A (zh) * | 2014-08-20 | 2015-01-21 | 深圳大学 | 基于斑马线红外图像特征的鉴伪方法及其系统 |
CN104268529A (zh) * | 2014-09-28 | 2015-01-07 | 深圳市汇顶科技股份有限公司 | 指纹图像质量的判断方法和装置 |
CN104598924A (zh) * | 2015-01-14 | 2015-05-06 | 南京邮电大学 | 一种目标匹配检测方法 |
US20160360970A1 (en) * | 2015-06-14 | 2016-12-15 | Facense Ltd. | Wearable device for taking thermal and visual measurements from fixed relative positions |
CN105069466A (zh) * | 2015-07-24 | 2015-11-18 | 成都市高博汇科信息科技有限公司 | 基于数字图像处理的行人服饰颜色识别方法 |
CN105354589A (zh) * | 2015-10-08 | 2016-02-24 | 成都唐源电气有限责任公司 | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 |
CN105719285A (zh) * | 2016-01-19 | 2016-06-29 | 东南大学 | 一种基于方向倒角距离特征的行人检测方法 |
CN105740887A (zh) * | 2016-01-26 | 2016-07-06 | 杭州电子科技大学 | 一种基于pso-svm的脑电信号特征分类方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106503742A (zh) * | 2016-11-01 | 2017-03-15 | 广东电网有限责任公司电力科学研究院 | 一种可见光图像绝缘子识别方法 |
CN106778734A (zh) * | 2016-11-10 | 2017-05-31 | 华北电力大学(保定) | 一种基于稀疏表示的绝缘子掉串缺陷检测方法 |
CN106960178A (zh) * | 2017-02-23 | 2017-07-18 | 中国科学院自动化研究所 | 绝缘子识别模型的训练方法以及绝缘子的识别与定位方法 |
CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
CN107292246A (zh) * | 2017-06-05 | 2017-10-24 | 河海大学 | 基于hog‑pca和迁移学习的红外人体目标识别方法 |
CN107833221A (zh) * | 2017-11-29 | 2018-03-23 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水监测方法 |
CN108427915A (zh) * | 2018-02-07 | 2018-08-21 | 浙江理工大学 | 一种基于改进多核学习框架的近红外人脸检测方法 |
CN108537154A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 基于hog特征和机器学习的输电线路鸟巢识别方法 |
CN108765412A (zh) * | 2018-06-08 | 2018-11-06 | 湖北工业大学 | 一种带钢表面缺陷分类方法 |
CN109614870A (zh) * | 2018-11-12 | 2019-04-12 | 华南理工大学 | 一种行人识别及定位方法 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
CN109993134A (zh) * | 2019-04-04 | 2019-07-09 | 中山大学 | 一种基于hog和svm分类器的道路交叉口车辆检测方法 |
US20200372345A1 (en) * | 2019-05-21 | 2020-11-26 | Alibaba Group Holding Limited | System and method for training neural networks |
CN110175650A (zh) * | 2019-05-28 | 2019-08-27 | 国网河南省电力公司信阳供电公司 | 一种电力设备自动识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
DALAL N ET AL.: "Histograms of oriented gradients for human detection" * |
李岩: "基于HOG特征和SVM的绝缘子识别与定位" * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950566A (zh) * | 2020-08-04 | 2020-11-17 | 国网安徽省电力有限公司电力科学研究院 | 一种旋转不变的hog红外图像电力设备识别方法 |
CN112085277A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
CN112305509A (zh) * | 2020-11-02 | 2021-02-02 | 南京理工大学 | 一种基于hog_svm的雷达航迹分类与识别方法 |
CN112418317A (zh) * | 2020-11-24 | 2021-02-26 | 西南交通大学 | 一种基于pso-svm的精密加工结构件识别分类的方法 |
CN112836717A (zh) * | 2020-12-02 | 2021-05-25 | 国网重庆市电力公司电力科学研究院 | 一种电力设备金属腐蚀老化程度的辨识方法 |
CN112488211A (zh) * | 2020-12-03 | 2021-03-12 | 浙江理工大学 | 一种织物图像瑕疵分类方法 |
CN112507914A (zh) * | 2020-12-15 | 2021-03-16 | 江苏国光信息产业股份有限公司 | 一种基于存折、票据字符ocr识别方法和识别系统 |
CN112685591A (zh) * | 2020-12-31 | 2021-04-20 | 荆门汇易佳信息科技有限公司 | 用户兴趣区域与反馈引导的图片精准检索方法 |
CN112884040A (zh) * | 2021-02-19 | 2021-06-01 | 北京小米松果电子有限公司 | 训练样本数据的优化方法、系统、存储介质及电子设备 |
CN112884040B (zh) * | 2021-02-19 | 2024-04-30 | 北京小米松果电子有限公司 | 训练样本数据的优化方法、系统、存储介质及电子设备 |
CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法,存储装置及服务器 |
CN113688947A (zh) * | 2021-10-11 | 2021-11-23 | 国网智能科技股份有限公司 | 一种配电设备红外图像故障识别方法及系统 |
CN113688947B (zh) * | 2021-10-11 | 2024-03-15 | 国网智能科技股份有限公司 | 一种配电设备红外图像故障识别方法及系统 |
CN114373079A (zh) * | 2022-01-10 | 2022-04-19 | 东南大学 | 一种快速准确的探地雷达目标检测方法 |
CN114821252A (zh) * | 2022-03-16 | 2022-07-29 | 电子科技大学 | 一种图像识别算法的自成长方法 |
CN114742801A (zh) * | 2022-04-19 | 2022-07-12 | 广东省第二人民医院(广东省卫生应急医院) | 一种基于pso-svm算法的b超图像智能识别方法及装置 |
CN117854051A (zh) * | 2024-01-11 | 2024-04-09 | 国网山东省电力公司电力科学研究院 | 基于深度学习的输电线杆塔绝缘子图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111428748B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN109784333B (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN110133443B (zh) | 基于平行视觉的输电线路部件检测方法、系统、装置 | |
CN112560634B (zh) | 基于现场图像的电力线路绝缘子快速检测定位方法及系统 | |
CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN105740844A (zh) | 基于图像识别技术的绝缘子炸裂故障检测方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN114266947A (zh) | 一种基于激光点云和可见光图像融合的分类方法及装置 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
Zhang et al. | Defect detection of anti-vibration hammer based on improved faster R-CNN | |
Tao et al. | Electric insulator detection of UAV images based on depth learning | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN111931577A (zh) | 一种电网线路特定异物智能巡检方法 | |
CN107330436B (zh) | 一种基于尺度判据的全景图像sift优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |