CN111563556A - 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统，所述方法包括以下步骤：将变电站箱柜设备图像进行归一化处理和高斯低通滤波预处理，去除图像中的过曝和曝光不足及过度细节和噪声像素；对预处理的图像像素进行颜色通道的梯度计算，并通过计算权重得到特征向量；将特征向量分为训练集和测试集并添加标签，选用支持向量机算法对图像分类，得到预测结果。本发明的方法，可在不降低识别率的前提下充分提高变电站箱柜设备异常的识别速度，对提高电力巡检的效率、降低成本具有一定价值，也对保障电网安全运行具有一定的意义。

Description

一种基于颜色梯度权重的变电站箱柜设备异常识别方法及 系统

技术领域

本发明属于图像识别技术领域，特别涉及一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统。

背景技术

随着国家经济的快速发展，用电需求随之激增，电力系统规模不断扩大，电力设备的数量也日益庞大。电力设备的故障不仅会造成供电系统意外停电而导致电力企业经济效益减少，而且有可能造成用户的重大经济损失；因此，电力设备的可靠性及运行情况直接决定了整个电力系统的安全和稳定运行。

近年来，随着无人机、机器人等技术的逐渐成熟，结合此类移动平台的半人工巡检方式也逐渐推广开来，但是依旧止步于电力设备图像的采集工作，无法对图像进行智能化分析，仍会发生漏检；且耗费大量的人力物力，效率并未得到提高，存在检测时间长、实时性差等诸多问题。

随着电网朝着智能化方向发展，电力巡检也朝着自动化方向发展，渐渐将图像识别技术运用于变电站箱柜设备异常识别中。变电站箱柜设备异常的识别主要是将图像分为异常和正常两类，在众多分类算法中，现有技术已具有一定的分类效果，但是其或使用箱柜设备原始图像进行识别，纳入了大量冗余信息，使得计算时间长，实时性不佳；或对箱柜设备图像进行压缩，这虽然保证了速度却又降低了识别率；上述问题都在一定程度上阻碍了图像识别技术的发展和在相关领域的应用。

综上，亟需一种新的基于颜色梯度权重的变电站箱柜设备异常识别方法及系统。

发明内容

本发明的目的在于提供一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统，以解决上述存在的一个或多个技术问题。本发明的方法，可在不降低识别速度的前提下充分提高变电站箱柜设备异常的识别率，能够提高电力巡检的效率、降低成本。

为达到上述目的，本发明采用以下技术方案：

本发明的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，包括以下步骤：

步骤1，采集预设数量的分辨率相同的变电站箱柜设备的图像；其中，图像的分辨率为H×V，H为像素最大横坐标，V为像素的最大纵坐标；

步骤2，对于每张图像，逐像素求其每一像素的在RGB空间内的R通道、G通道、B通道的水平方向梯度值和垂直方向梯度值；基于获得的水平方向梯度值和垂直方向梯度值，将像素梯度转化到极坐标系，获得像素梯度在极坐标系下的梯度幅值以及像素梯度在极坐标系下的梯度幅角；

步骤3，对比每张图像的每个的像素在RGB空间内的R通道、G通道、B通道的极坐标下的梯度幅值，以R通道、G通道、B通道中幅值最大的颜色通道的梯度值作为梯度向量，幅角是最大梯度幅值通道对应的梯度幅角，去除幅角的符号；

步骤4，将每张图像均匀分割为N×N个像素点构成的基本单元；其中，N选取H和V的公约数，每张图像均被分为

个基本单元；

步骤5，将[0,π]区间均分为M份，每个区间范围的表达式为，

i∈[0,M-1],i∈整数，

式中，M为分割的份数；

步骤6，将每张图像的每个像素在步骤5划分的M个区间上进行权重计算；每张图像的中，对属于一个基本单元的N×N个像素，求像素在步骤5划分的M个区间上的权重之和；

步骤7，对于每张图像的每个基本单元，构建一个M×1维直方图向量以纳入M个区间的权重，每张图像均由C个M×1维直方图向量描述；其中，单元描述向量为α＝{v₁,v₂,···,v_M}，v_i为每个基本单元的第i个区间的权重；

步骤8，对于每张图像的每个基本单元，构建区域描述向量β＝{α₁,α₂,···,α₉}；其中，α_i,i∈[1,9]为八连通区域的像素的单元描述向量，对β进行[0,1]区间上的归一化；

步骤9，对于每张图像，构建特征向量γ＝{β₁,β₂,···,β_C}；其中，β_i,i∈[1,C]为图像的所有单元所属的八连通区域的区域描述向量；根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量γ_i加入标签，建立样本数据集

步骤10，根据步骤9获得的数据集，训练预先选定的支持向量机分类器，获得训练好的支持向量机分类器模型；

步骤11，将待识别的图像的特征向量γ^new输入步骤10训练好的支持向量机分类器模型，完成，变电站箱柜设备异常识别。

本发明的进一步改进在于，步骤1还包括：

将采集的图像，进行归一化处理，去除采集的图像中存在的过曝和曝光不足，使亮度均匀，获得归一化处理后的图像；其中，进行归一化处理时，输入及输出的表达式为，

s＝cr^τ，

式中，s为输出像素，r为输入像素，c为控制图像整体亮度的常数，τ为处理系数；

将归一化处理后的图像进行二维高斯低通滤波，模糊图像以去除图像中存在的过度细节和噪声像素，获得滤波处理后的图像；其中，进行二维高斯低通滤波时，卷积计算表达式为，

I_σ＝G_σ*I，

式中，I_σ、I分别为图像输出矩阵、输入矩阵；G_σ为高斯算子，表达式为，

式中，x、y为坐标，x²+y²＝r²，r为模糊半径，δ为标准差。

本发明的进一步改进在于，步骤2中，水平方向梯度值和垂直方向梯度值的计算表达式分别为，

式中，G_h(x,y)为像素水平方向梯度值，G_v(x,y)为像素垂直方向梯度值，f(x,y)和(x,y)为像素的位置坐标；

将像素梯度转化到极坐标系时的表达式为，

式中，M(x,y)为像素梯度在极坐标系下的梯度幅值，θ(x,y)为像素梯度在极坐标系下的梯度幅角，G_h(x,y)为像素水平方向梯度值，G_v(x,y)为像素垂直方向梯度值。

本发明的进一步改进在于，步骤3中，

去除幅角的符号的表达式为，

式中，θ(x,y)为有符号的像素梯度幅角，θ_u(x,y)为去除符号的像素梯度幅角。

本发明的进一步改进在于，步骤6中，将每张图像的每个像素在步骤5划分的M个区间上进行权重计算时，若像素p的θ_u(x,y)属于第i个区间，区间表达式为

则该像素点的权重计算表达式为：

式中，v_pi和v_p(i+1)为像素点在第i个和第i+1个区间的权重，M为分割的份数，M(x,y)为像素点的梯度幅值。

本发明的进一步改进在于，步骤7中，v_i的计算表达为，

式中，p为单元像素的序号，N为单元的大小，v_pi为第p个像素点在第i个区间的权重。

本发明的进一步改进在于，步骤9中，所述根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量γ_i加入标签具体为：

根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量γ_i加入标签x_i∈{-1,1}，其中，x_i＝-1表示第i张变电站箱柜设备图像的设备状态正常，x_i＝1则第i张变电站箱柜设备图像的设备状态异常。

本发明的进一步改进在于，步骤10具体包括：

步骤10.1，将数据集D分层随机采样划分为k个大小相同的互斥子集，表达式为D＝D₁∪D₂∪···∪D_k，

i≠j；

步骤10.2，将数据集的子集D₁作为测试集，其余子集{D₂,D₃,···,D_n}作为训练集；将训练集输入选定的支持向量机分类器，获得训练后的支持向量机分类器模型；将测试集输入训练后的支持向量机分类器模型，获得分类结果；评估训练后的支持向量机分类器模型的错误率、查准率、查全率和受试者工作特征曲线ROC；

步骤10.3，依次将数据集D其余的每个子集作为测试集，其余的子集作为训练集，重复k-1次进行步骤10.2，评估模型并进行参数整定；

步骤10.4，重新随机将数据集D分层随机采样划分为k个大小相同的互斥子集，重复进行步骤10.2和步骤10.3，评估模型并进行参数整定；

步骤10.5，重复步骤10.1至步骤10.4，完成交叉验证进行参数寻优，获得训练好的支持向量机分类器模型，用于变电站箱柜设备异常识别。

本发明的进一步改进在于，步骤11具体包括：

取一张分辨率为H×V的待异常识别变电站箱柜设备图像，经步骤1～9，获得待识别图像的特征向量γ^new；将特征向量γ^new输入训练好的支持向量机分类器模型，模型输出

表示变电站箱柜设备图像的设备状态正常，

变电站箱柜设备图像的设备状态正异常。

本发明的一种基于颜色梯度权重的变电站箱柜设备异常识别系统，包括：

数据集获取模块，采集预设数量的分辨率相同的变电站箱柜设备的图像；其中，图像的分辨率为H×V，H为像素最大横坐标，V为像素的最大纵坐标；对于每张图像，逐像素求其每一像素的在RGB空间内的R通道、G通道、B通道的水平方向梯度值和垂直方向梯度值；基于获得的水平方向梯度值和垂直方向梯度值，将像素梯度转化到极坐标系，获得像素梯度在极坐标系下的梯度幅值以及像素梯度在极坐标系下的梯度幅角；对比每张图像的每个的像素在RGB空间内的R通道、G通道、B通道的极坐标下的梯度幅值，以R通道、G通道、B通道中幅值最大的颜色通道的梯度值作为梯度向量，幅角是最大梯度幅值通道对应的梯度幅角，去除幅角的符号；将每张图像均匀分割为N×N个像素点构成的基本单元；其中，N选取H和V的公约数，每张图像均被分为

个基本单元；将[0,π]区间均分为M份，每个区间范围的表达式为，

i∈[0,M-1],i∈整数，式中，M为分割的份数；将每张图像的每个像素在划分的M个区间上进行权重计算；每张图像的中，对属于一个基本单元的N×N个像素，求像素在划分的M个区间上的权重之和；对于每张图像的每个基本单元，构建一个M×1维直方图向量以纳入M个区间的权重，每张图像均由C个M×1维直方图向量描述；其中，单元描述向量为α＝{v₁,v₂,···,v_M}，v_i为每个基本单元的第i个区间的权重；对于每张图像的每个基本单元，构建区域描述向量β＝{α₁,α₂,···,α₉}；其中，α_i,i∈[1,9]为八连通区域的像素的单元描述向量，对β进行[0,1]区间上的归一化；对于每张图像，构建特征向量γ＝{β₁,β₂,···,β_C}；其中，β_i,i∈[1,C]为图像的所有单元所属的八连通区域的区域描述向量；根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量γ_i加入标签，建立样本数据集

异常识别模块，用于根据获得的数据集，训练预先选定的支持向量机分类器，获得训练好的支持向量机分类器模型；将待识别的图像的特征向量γ^new输入训练好的支持向量机分类器模型，完成，变电站箱柜设备异常识别。

与现有技术相比，本发明具有以下有益效果：

本发明的方法，可在不降低识别速度的前提下充分提高变电站箱柜设备异常的识别率，从而提高电力巡检的效率、降低成本，进而对保障电网安全运行具有十分重要的意义。对比现有的变电站箱柜设备异常识别算法，本发明的方案针对变电柜图像的特征，对其原始图像进行了基于颜色梯度权重的前期处理，对图像的有效信息的特征向量进行针对性的选取，且对提取过程进行了分治，将不必关注的冗余信息带来了干扰由像素级减少至像素区域级，进而得以节约计算资源和计算时间，因此无需对箱柜设备图像进行压缩，排除了图像压缩本身对图片质量带来的影响。在不影响识别速度的前提下，不破坏图像本身，以保持识别率的最大化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种基于颜色梯度权重的变电站箱柜设备异常识别方法的流程示意图。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。

请参阅图1，本发明实施例的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，具体包括以下步骤：

步骤1：采集n张分辨率相同为H×V的变电站箱柜设备的图像，进行归一化处理，输入及输出如下：

s＝cr^τ，

其中，s为输出像素，r为输入像素，c为控制图像整体亮度的常数，τ为处理系数；即可去除原图像中存在的过曝和曝光不足，使亮度均匀；

步骤2：对n张变电站箱柜设备图像进行二维高斯低通滤波，卷积计算如下：

I_σ＝G_σ*I，

其中I_σ和I为图像输出及输入矩阵，G_σ为高斯算子如下：

其中，x和y为坐标，定义x²+y²＝r²，r为模糊半径，δ为标准差；即可模糊原图像以去除原图像中存在的过度细节和噪声像素；

步骤3：对n张图像中的每一张逐像素求其每一像素的在RGB空间内的R通道、G通道、B通道的梯度值，其公式如下：

其中G_h(x,y)为此像素水平方向梯度值，G_v(x,y)为此像素垂直方向梯度值，f(x,y)和(x,y)为该像素的位置坐标；

步骤4：将每张图像的每个的像素的RGB空间内的R通道、G通道、B通道的水平方向梯度值和垂直方向梯度值，将像素梯度转化到极坐标系，其公式如下：

其中M(x,y)为此像素梯度在极坐标系下的幅值，θ(x,y)为此像素梯度在极坐标系下的幅角，G_h(x,y)为此像素水平方向梯度值，G_v(x,y)为此像素垂直方向梯度值；

步骤5：对比每张图像的每个的像素在RGB空间内的R通道、G通道、B通道的极坐标下的梯度值M(x,y)，以R通道、G通道、B通道中幅值最大的颜色通道的梯度值作为梯度向量，幅角是最大幅值通道对应的梯度幅角，且去除幅角的符号，其公式如下：

其中θ(x,y)为有符号的像素梯度幅角，θ_u(x,y)为去除符号的像素梯度幅角；

步骤6：将每张图像均匀分割为N×N个像素点构成的基本单元，N选取像素最大横坐标H和最大纵坐标V的的公约数，则每张图像均可被分为

个区域，由步骤3至5，每个单元内部的每个像素点均有其对应的梯度；

步骤7：将[0,π]区间均分为M份，则每个区间的范围为：

i∈[0,M-1],i∈整数，

式中，M为分割的份数；

步骤8：将每张照片的每个像素在步骤7划分的M个区间上进行权重计算，其原则是若像素p的θ_u(x,y)属于第i个区间即

则该像素点的权重如下：

式中，v_pi和v_p(i+1)为该像素点在第i个和第i+1个区间的权重，M为分割的份数，M(x,y)为该像素点的梯度幅值；

步骤9：对每张图像的C个基本单元，对属于该单元的所有N×N个像素求其在步骤7划分的M个区间上的权重之和，每个单元的第i个区间的权重如下v_i：

式中p为该单元像素的序号，N为单元的大小，v_pi为第p个像素点在第i个区间的权重；

步骤10：对每张图像的每个基本单元的构建一个M×1维直方图向量以纳入M个区间的权重v_i，该单元描述向量为α＝{v₁,v₂,···,v_M}，则每张图像均可由C个M×1维直方图向量描述；

步骤11：对每张图像的每个基本单元，选取其八连通区域的9个基本单元的直方图向量，构建区域描述向量β＝{α₁,α₂,···,α_p}，其中α_i,i∈[1,9]为此八连通区域的像素的单元描述向量，并对β进行[0,1]区间上的归一化；

步骤12：因支持向量机的特征向量的性质需要，对每张图像构建特征向量γ＝{β₁,β₂,···,β_C}，其中β_i,i∈[1,C]为该图像的所有单元所属的八连通区域的区域描述向量；

步骤13：根据每张变电站箱柜设备图像的异常情况给其对应的特征向量γ_i加入标签x_i∈{-1,1}，其中x_i＝-1表示第i张变电站箱柜设备图像的设备状态正常，x_i＝1则第i张变电站箱柜设备图像的设备状态异常，由此建立样本数据集

步骤14：将数据集D分层随机采样划分为k个大小相同的互斥子集，即D＝D₁∪D₂∪···∪D_k，

步骤15：将数据集的子集D₁作为测试集，其余子集{D₂,D₃,···,D_n}作为训练集；

步骤16：将训练集输入选定的支持向量机分类器，且选定合适的核函数(线性、多项式、径向基RBF、S型生长曲线sigmoid)，并根据所选择的支持向量机分类器和核函数确定需要调整的参数：参数degree、参数coef0、参数gamma、惩罚因子cost等，利用训练集训练后可得到支持向量机分类器模型；将测试集输入训练好的支持向量机模型，获得分类结果，根据支持向量机的输出预测图像变电站箱柜设备图像的异常情况。评估支持向量机模型的错误率、查准率、查全率和受试者工作特征曲线ROC；

步骤17：依次将数据集D其余的每个子集作为测试集，其余的子集作为训练集，重复k-1次进行步骤16，评估模型并进行参数整定；

步骤18：重新随机将数据集D分层随机采样划分为k个大小相同的互斥子集，重复l-1次进行步骤15～17，评估模型并进行参数整定；

步骤19：重复步骤14～18(l次k折交叉验证)进行参数寻优，即可得到训练好的变电站箱柜设备异常识别模型；

步骤20：取一张分辨率与步骤1所取相同的变电站箱柜设备图像。经步骤1～12可得此张图像的特征向量γ^new。将此张图像的特征向量γ^new输入训练好的模型，模型输出

表示变电站箱柜设备图像的设备状态正常，

变电站箱柜设备图像的设备状态正异常。

本发明实施例的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，包括以下步骤：

步骤1：采集500张分辨率相同为400×300的变电站箱柜设备的图像，进行归一化处理，输入及输出如下：

s＝cr^τ，

其中s为输出像素，r为输入像素，c为控制图像整体亮度的常数，取c＝1，τ为处理系数，取

即可去除原图像中存在的过曝和曝光不足，使亮度均匀；

步骤2：对500张变电站箱柜设备图像进行二维高斯低通滤波，卷积计算如下：

I_σ＝G_σ*I，

其中I_σ和I为图像输出及输入矩阵，G_σ为高斯算子如下：

其中，x和y为坐标，定义x²+y²＝r²，r为模糊半径，取r＝5，δ为标准差，取δ＝3；即可模糊原图像以去除原图像中存在的过度细节和噪声像素；

步骤3：对500张图像中的每一张逐像素求其每一像素的在RGB空间内的R通道、G通道、B通道的梯度值，其公式如下：

其中G_h(x,y)为此像素水平方向梯度值，G_v(x,y)为此像素垂直方向梯度值，f(x,y)和(x,y)为该像素的位置坐标；

步骤4：将每张图像的每个的像素的RGB空间内的R通道、G通道、B通道的水平方向梯度值和垂直方向梯度值，将像素梯度转化到极坐标系，其公式如下：

其中M(x,y)为此像素梯度在极坐标系下的幅值，θ(x,y)为此像素梯度在极坐标系下的幅角，G_h(x,y)为此像素水平方向梯度值，G_v(x,y)为此像素垂直方向梯度值；

步骤5：对比每张图像的每个的像素在RGB空间内的R通道、G通道、B通道的极坐标下的梯度值M(x,y)，以R通道、G通道、B通道中幅值最大的颜色通道的梯度值作为梯度向量，幅角是最大幅值通道对应的梯度幅角，且去除幅角的符号，其公式如下：

其中θ(x,y)为有符号的像素梯度幅角，θ_u(x,y)为去除符号的像素梯度幅角；

步骤6：将每张图像均匀分割为10×10个像素点构成的基本单元，则每张图像均可被分为1200个区域，由步骤3至5，每个单元内部的每个像素点均有其对应的梯度；

步骤7：将[0,π]区间均分为9份，则每个区间的范围为：

i∈[0,8],i∈整数；

步骤8：将每张照片的每个像素在步骤7划分的9个区间上进行权重计算，其原则是若像素p的θ_u(x,y)属于第i个区间即

则该像素点的权重如下：

式中v_pi和v_p(i+1)为该像素点在第i个和第i+1个区间的权重，M(x,y)为该像素点的梯度幅值；

步骤9：对每张图像的1200个基本单元，对属于该单元的所有100个像素求其在步骤7划分的9个区间上的权重之和，每个单元的第i个区间的权重如下v_i：

式中p为该单元像素的序号，v_pi为第p个像素点在第i个区间的权重；

步骤10：对每张图像的每个基本单元的构建一个9×1维直方图向量以纳入9个区间的权重v_i，该单元描述向量为α＝{v₁,v₂,···,v₉}，则每张图像均可由1200个9×1维直方图向量描述；

步骤11：对每张图像的每个基本单元，选取其八连通区域的9个基本单元的直方图向量，构建区域描述向量β＝{α₁,α₂,···,α₉}，其中α_i,i∈[1,9]为此八连通区域的像素的单元描述向量，并对β进行[0,1]区间上的归一化；

步骤12：因支持向量机的特征向量的性质需要，对每张图像构建特征向量γ＝{β₁,β₂,···,β₁₂₀₀}，其中β_i,i∈[1,1200]为该图像的所有单元所属的八连通区域的区域描述向量；

步骤13：根据每张变电站箱柜设备图像的异常情况给其对应的特征向量γ_i加入标签x_i∈{-1,1}，其中x_i＝-1表示第i张变电站箱柜设备图像的设备状态正常，x_i＝1则第i张变电站箱柜设备图像的设备状态异常，由此建立样本数据集

步骤14：将数据集D分层随机采样划分为10个大小相同的互斥子集，即D＝D₁∪D₂∪···∪D₁₀，

步骤15：将数据集的子集D₁作为测试集，其余子集{D₂,D₃,···,D₁₀}作为训练集；

步骤16：训练集输入支持向量机分类器，选定线性核函数k(x,x_j)＝x·x_j，调整归一化到(0,1)区间的参数nu、参数p、惩罚因子cost，利用训练集训练后可得到支持向量机分类器模型；将测试集输入训练好的支持向量机模型，获得分类结果，根据支持向量机的输出预测图像变电站箱柜设备的异常情况。评估支持向量机模型的错误率、查准率、查全率和受试者工作特征曲线ROC；

步骤17：依次将数据集D其余的每个子集作为测试集，其余的子集作为训练集，重复9次进行步骤16，评估模型并进行参数整定；

步骤18：重新随机将数据集D分层随机采样划分为10个大小相同的互斥子集，重复9次进行步骤15～17，评估模型并进行参数整定；

步骤19：重复步骤14～18(10次10折交叉验证)进行参数寻优，表1为10次10折交叉验证中选择的参数的值。最终选定参数nu为0.6、参数p为0.1、惩罚因子cost为0.3，即可得到训练好的变电站箱柜设备异常识别模型；

表1.10次10折交叉验证中选择的参数值

步骤20：取一张分辨率为400×300的变电站箱柜设备图像。经步骤1～12可得此张图像的特征向量γ^new。将此张图像的特征向量γ^new输入训练好的模型，模型输出

表示变电站箱柜设备图像的设备状态正常，

变电站箱柜设备图像的设备状态正异常。

本发明实施例中，基于颜色梯度权重的变电站箱柜设备异常识别方法软件层采用C++&opencv计算机视觉库、硬件层采用NvidiaTegra TX1组成变电站箱柜设备异常识别系统。

综上所述，本发明公开一种基于变电站箱柜设备图像来诊断其异常状况的方法及系统，所述方法包括以下步骤：将变电站箱柜设备图像进行归一化处理和高斯低通滤波预处理，去除图像中的过曝和曝光不足及过度细节和噪声像素；对预处理的图像像素进行颜色通道的梯度计算，并通过计算权重得到特征向量；将特征向量分为训练集和测试集并添加标签，选用支持向量机算法对图像分类，得到预测结果。利用本发明方法，可在不降低识别率的前提下充分提高变电站箱柜设备异常的识别速度，对提高电力巡检的效率、降低成本具有一定价值，也对保障电网安全运行具有一定的意义。

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。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，包括以下步骤：

步骤1，采集预设数量的分辨率相同的变电站箱柜设备的图像；

步骤2，对于每张图像，逐像素求其在RGB空间内的R通道、G通道、B通道的水平方向梯度值和垂直方向梯度值；基于获得的水平方向梯度值和垂直方向梯度值，将像素梯度转化到极坐标系，获得像素梯度在极坐标系下的梯度幅值以及梯度幅角；

步骤3，对比每张图像的每个的像素在RGB空间内的R通道、G通道、B通道的极坐标下的梯度幅值，以R通道、G通道、B通道中幅值最大的颜色通道的梯度值作为梯度向量，幅角是最大梯度幅值通道对应的梯度幅角，去除幅角的符号；

步骤4，将每张图像均匀分割为C个基本单元；

步骤5，将[0，π]区间均分为M份；

步骤6，将每张图像的每个像素在步骤5划分的M个区间上进行权重计算；每张图像的中，对属于一个基本单元的像素，求像素在步骤5划分的M个区间上的权重之和；

步骤7，对于每张图像的每个基本单元，构建一个M×1维直方图向量以纳入M个区间的权重，每张图像均由C个M×1维直方图向量描述，获得单元描述向量；

步骤8，对于每张图像的每个基本单元，基于步骤7获得的单元描述向量构建获得区域描述向量，对区域描述向量进行[0，1]区间上的归一化；

步骤9，对于每张图像，基于步骤8归一化后的区域描述向量构建获得特征向量；根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量加入标签，建立获得样本数据集；

步骤10，根据步骤9获得的样本数据集，训练预先选定的支持向量机分类器，获得训练好的支持向量机分类器模型；

步骤11，将待识别的图像的特征向量γ^new输入步骤10训练好的支持向量机分类器模型，完成变电站箱柜设备异常识别。

2.根据权利要求1所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤1还包括：

将采集的图像，进行归一化处理，去除采集的图像中存在的过曝和曝光不足，使亮度均匀，获得归一化处理后的图像；其中，进行归一化处理时，输入及输出的表达式为，

s＝cr^τ，

式中，s为输出像素，r为输入像素，c为控制图像整体亮度的常数，τ为处理系数；

将归一化处理后的图像进行二维高斯低通滤波，模糊图像以去除图像中存在的过度细节和噪声像素，获得滤波处理后的图像；其中，进行二维高斯低通滤波时，卷积计算表达式为，

I_σ＝G_σ*I，

式中，I_σ、I分别为图像输出矩阵、输入矩阵；G_σ为高斯算子，表达式为，

式中，x、y为坐标，x²+y²＝r²，r为模糊半径，δ为标准差。

3.根据权利要求1所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤2中，水平方向梯度值和垂直方向梯度值的计算表达式分别为，

式中，G_h(x，y)为像素水平方向梯度值，G_v(x，y)为像素垂直方向梯度值，f(x，y)和(x，y)为像素的位置坐标；

将像素梯度转化到极坐标系时的表达式为，

式中，M(x，y)为像素梯度在极坐标系下的梯度幅值，θ(x，y)为像素梯度在极坐标系下的梯度幅角，G_h(x，y)为像素水平方向梯度值，G_v(x，y)为像素垂直方向梯度值；

步骤3中，去除幅角的符号的表达式为，

式中，θ_u(x，y)为去除符号的像素梯度幅角。

4.根据权利要求3所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤6中，将每张图像的每个像素在步骤5划分的M个区间上进行权重计算时，若像素p的θ_u(x，y)属于第i个区间，区间表达式为

则该像素点的权重计算表达式为：

式中，v_pi和v_p(i+1)为像素点在第i个和第i+1个区间的权重，M为分割的份数，M(x，y)为像素点的梯度幅值。

5.根据权利要求4所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤7中，单元描述向量为α＝{v₁，v₂，…，v_M}，v_i为每个基本单元的第i个区间的权重，v_i的计算表达为，

式中，p为单元像素的序号，N为单元的大小，v_pi为第p个像素点在第i个区间的权重；

步骤8中，区域描述向量β＝{α₁，α₂，…，α₉}；其中，α_i，i∈[1，9]为八连通区域的像素的单元描述向量。

6.根据权利要求1所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤4中，每张图像的分辨率为H×V，H为像素最大横坐标，V为像素的最大纵坐标；

N选取H和V的公约数，

7.根据权利要求5所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤9具体包括：

对于每张图像，构建特征向量γ＝{β₁，β₂，…，β_C}；其中，β_i，i∈[1，C]为图像的所有单元所属的八连通区域的区域描述向量；根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量γ_i加入标签，建立样本数据集

其中，给其对应的特征向量γ_i加入标签具体包括：

根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量γ_i加入标签x_i∈{-1，1}，其中，x_i＝-1表示第i张变电站箱柜设备图像的设备状态正常，x_i＝1则第i张变电站箱柜设备图像的设备状态异常。

8.根据权利要求1所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤10具体包括：

步骤10.1，将数据集D分层随机采样划分为k个大小相同的互斥子集，表达式为D＝D₁∪D₂∪…∪D_k，

步骤10.2，将数据集的子集D₁作为测试集，其余子集{D₂，D₃，…，D_n}作为训练集；将训练集输入选定的支持向量机分类器，获得训练后的支持向量机分类器模型；将测试集输入训练后的支持向量机分类器模型，获得分类结果；评估训练后的支持向量机分类器模型的错误率、查准率、查全率和受试者工作特征曲线ROC；

步骤10.3，依次将数据集D其余的每个子集作为测试集，其余的子集作为训练集，重复k-1次进行步骤10.2，评估模型并进行参数整定；

步骤10.4，重新随机将数据集D分层随机采样划分为k个大小相同的互斥子集，重复进行步骤10.2和步骤10.3，评估模型并进行参数整定；

步骤10.5，重复步骤10.1至步骤10.4，完成交叉验证进行参数寻优，获得训练好的支持向量机分类器模型，用于变电站箱柜设备异常识别。

9.根据权利要求7所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤11具体包括：

取一张分辨率为H×V的待异常识别变电站箱柜设备图像，经步骤1～9，获得待识别图像的特征向量γ^new；将特征向量γ^new输入训练好的支持向量机分类器模型，模型输出

表示变电站箱柜设备图像的设备状态正常，

变电站箱柜设备图像的设备状态正异常。

10.一种基于颜色梯度权重的变电站箱柜设备异常识别系统，其特征在于，包括：

数据集获取模块，采集预设数量的分辨率相同的变电站箱柜设备的图像；其中，图像的分辨率为H×V，H为像素最大横坐标，V为像素的最大纵坐标；对于每张图像，逐像素求其每一像素的在RGB空间内的R通道、G通道、B通道的水平方向梯度值和垂直方向梯度值；基于获得的水平方向梯度值和垂直方向梯度值，将像素梯度转化到极坐标系，获得像素梯度在极坐标系下的梯度幅值以及像素梯度在极坐标系下的梯度幅角；对比每张图像的每个的像素在RGB空间内的R通道、G通道、B通道的极坐标下的梯度幅值，以R通道、G通道、B通道中幅值最大的颜色通道的梯度值作为梯度向量，幅角是最大梯度幅值通道对应的梯度幅角，去除幅角的符号；将每张图像均匀分割为N×N个像素点构成的C个基本单元；将[0，π]区间均分为M份；将每张图像的每个像素在划分的M个区间上进行权重计算；每张图像的中，对属于一个基本单元的N×N个像素，求像素在划分的M个区间上的权重之和；对于每张图像的每个基本单元，构建一个M×1维直方图向量以纳入M个区间的权重，每张图像均由C个M×1维直方图向量描述；其中，单元描述向量为α＝{v₁，v₂，…，v_M}，v_i为每个基本单元的第i个区间的权重；对于每张图像的每个基本单元，构建区域描述向量β＝{α₁，α₂，…，α₉}；其中，α_i，i∈[1，9]为八连通区域的像素的单元描述向量，对β进行[0，1]区间上的归一化；对于每张图像，构建特征向量γ＝{β₁，β₂，…，β_C}；其中，β_i，i∈[1，C]为图像的所有单元所属的八连通区域的区域描述向量；根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量γ_i加入标签，建立样本数据集

异常识别模块，用于根据获得的数据集，训练预先选定的支持向量机分类器，获得训练好的支持向量机分类器模型；将待识别的图像的特征向量γ^new输入训练好的支持向量机分类器模型，完成，变电站箱柜设备异常识别。

Images