CN113283371A - 一种基于brisk特征的局部放电特征提取及分类方法 - Google Patents
一种基于brisk特征的局部放电特征提取及分类方法 Download PDFInfo
- Publication number
- CN113283371A CN113283371A CN202110641065.4A CN202110641065A CN113283371A CN 113283371 A CN113283371 A CN 113283371A CN 202110641065 A CN202110641065 A CN 202110641065A CN 113283371 A CN113283371 A CN 113283371A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge signal
- image
- signal image
- point
- 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 43
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 230000000007 visual effect Effects 0.000 claims abstract description 37
- 238000007637 random forest analysis Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002923 metal particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于BRISK特征的局部放电特征提取及分类方法,包括以下步骤:采集发送局部放电信号图像;对局部放电信号图像进行BRISK特征提取;获取局部放电信号图像视觉频率直方数据;对局部放电信号图像视觉频率直方数据进行归一化处理;将归一化处理后的局部放电信号图像特征数据分为训练集和测试集;训练获得局部放电信号图像随机森林分类器模型;使用局部放电信号图像随机森林分类器模型对局部放电信号图像进行故障诊断。有益效果是提高局部放电故障类型的分类效果、实现局部放电故障的自动诊断和准确识别,在不同图像质量、像素大小及图像存在视角变换的条件下进行局部放电图像特征有效提取及分类。
Description
【技术领域】
本发明涉及图像识别技术领域,具体涉及一种基于BRISK特征的局部放电特征提取及分类方法。
【背景技术】
绝缘体中只有局部区域发生的放电,而没有贯穿施加电压的导体之间,可以发生在导体附近,也可以发生在其他地方,这种现象称为局部放电。局部放电既是电气设备绝缘劣化的征兆,又是导致绝缘劣化的关键性因素。局部放电故障类型与局部放电严重程度密切相关,因此实现电力设备局部放电有效检测及故障诊断对风险评估具有重要意义。由于放电信息量大,直接对其分析具有较大的难度,且会存在大量的冗余信息,影响分类精度,因此需要提取有效的特征作为识别基础。目前提取的特征参数主要包括偏斜度、陡峭度、放电量因数、相位不对称度等。然而该类特征提取方法主要是针对结构化数据,而无法应用于现场检测过程中的图像。同时在局部放电检测过程中,由于检测装置及后台程序设置的差异,会导致输出的图像质量及像素大小出现一定的偏差,若采用一般的特征提取方法,识别准确率将会受到很大的影响,不利于现场局部放电故障类型的诊断。
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用,图像的传统识别流程分为四个步骤:图像采集→图像预处理→特征提取→图像识别。BRISK算法是2011年ICCV上《BRISK:Binary Robust Invariant Scalable Keypoints》文章中,提出来的一种特征提取算法,也是一种二进制的特征描述算子,它具有较好的旋转不变性、尺度不变性,较好的鲁棒性等;在图像配准应用中,速度比较:SIFT<SURF<BRISK<FREAK<ORB,在对有较大模糊的图像配准时,BRISK算法在其中表现最为出色。SIFT,即尺度不变特征变换(Scale-invariantfeature transform,SIFT),是用于图像处理领域的一种描述,这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。k-means均值聚类算法(k-meansclustering algorithm)是一种迭代求解的聚类分析算法,其步骤是随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。词袋模型(英语:Bag-of-words model)是个在自然语言处理和信息检索下被简化的表达模型,BoW(词袋)算法,BoW模型最初是为解决文档建模问题而提出的,它忽略文本的词序,语法,句法,仅仅将文本当作一个个词的集合,并且假设每个词彼此都是独立的,将BoW引入到计算机视觉中,就是将一幅图像看着文本对象,图像中的不同特征可以看着构成图像的不同词汇,得到视觉词汇集合后,统计图像中各个视觉词汇出现的频率,就得到了图像的BoW表示。图像的hu矩(几何不变矩)是一种具有平移、旋转和尺度不变性的图像特征。FAST特征的定义,FAST的提出者将FAST角点定义为:若某像素与其周围邻域内足够多的像素点相差较大,则该像素可能是角点。在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。Octave卷积的主题思想来自于图片的分频思想,认为图像可进行分频:图像低频部分保存图像的大体信息,信息数据量较少;图像高频部分保留图像的细节信息,信息数据量较大;由此认为卷积神经网络中的feature map也可以进行分频,可按channel分为高频部分和低频部分。数据归一化问题是数据挖掘中特征向量表达时的重要问题,当不同的特征成列在一起的时候,由于特征本身表达方式的原因而导致在绝对数值上的小数据被大数据“吃掉”的情况,这个时候需要做的就是对抽取出来的features vector进行归一化处理,以保证每个特征被分类器平等对待。
目前图像识别技术在局部放电特征提前方面报道不多。申请号:CN202011360046.6,申请人:国网江苏省电力有限公司检修分公司、河海大学,发明名称《基于GIL金属微粒局部放电时域波形图像的故障识别方法》包括以下步骤:采集历史图像;对历史图像进行预处理并分为训练集和测试集;构建局部放电时域波形图像识别模型并根据样本集进行训练,确定分类器模型;将测试集输入到分类器模型中,并基于TensorFlow深度学习,进行优化获得最终的分类器模型;采集实时图像判断故障类型;实现了对预处理得到的仅含局部放电脉冲电压的图像,选择支持向量机模型,使用径向基函数作为核函数,通过深度学习学习算法,训练得到DAG分类器,直接进行模式识别,无需人工提取特征,具有更高识别率,为GIL设备内部金属微粒放电故障监测提供了有利支持。
本发明利用人工智能算法,对局部放电特征提取及分类方法进行了改进。
【发明内容】
本发明的目的是,提出一种提高局部放电故障类型的分类效果、实现局部放电故障的自动诊断和准确识别,在不同图像质量、像素大小及图像存在视角变换的条件下进行局部放电图像特征有效提取及分类的方法。
为实现上述目的,本发明采取的技术方案是一种基于BRISK特征的局部放电特征提取及分类方法,包括以下步骤:
S1、局部放电信号图像采集处理单元采集局部放电信号图像,并对局部放电信号图像进行预处理;
S2、局部放电信号图像采集处理单元将预处理后的局部放电信号图像发送到图像特征提取单元;
S3、图像特征提取单元对局部放电信号图像进行BRISK特征提取;
S4、图像特征提取单元对局部放电信号图像BRISK特征采用词袋模型和k-means方法获取局部放电信号图像视觉频率直方数据;
S5、图像特征提取单元对局部放电信号图像视觉频率直方数据进行归一化处理;
S6、图像特征提取单元将归一化处理后的局部放电信号图像特征数据分为训练集和测试集,并发送给随机森林分类器单元;
S7、随机森林分类器单元使用训练集局部放电信号图像特征数据训练随机森林分类器,获得局部放电信号图像随机森林分类器模型;
S8、随机森林分类器单元使用测试集局部放电信号图像特征数据对局部放电信号图像随机森林分类器模型进行验证优化;
S9、局部放电信号图像采集处理单元采集局部放电信号图像,并经过步骤S1、S2、S3、S4、和S5处理后发送给随机森林分类器单元,随机森林分类器单元使用局部放电信号图像随机森林分类器模型对局部放电信号图像进行故障诊断。
优选地,上述的一种基于BRISK特征的局部放电特征提取及分类方法,所述步骤S1具体为:采集Z种故障类型的局部放电信号图像作为样本集合X={X1,X2,…,Xt,…,XZ},1<t≤Z,Xt表示第t类局部放电信号的样本集合;并且Nt表示第t类故障局部放电信号样本总数,表示第t类故障中的第j个样本,1≤jt≤Nt。
优选地,上述的一种基于BRISK特征的局部放电特征提取及分类方法,所述步骤S3具体为:提取所有局部放电信号图像样本集合X的BRISK特征,得到所有局部放电信号图像样本集合的BRISK特征集合B={B1,B2,…,Bi,…,BZ},Bi表示第t类信号的特征集合;并且表示第t类故障中的第j个样本的特征,每个样本的特征为1*H维向量,对Z类故障类型的特征集合添加对应的故障类型标签,记为Y={Y1,Y2,…,Yi,…,YZ}。
优选地,上述的一种基于BRISK特征的局部放电特征提取及分类方法,所述步骤S3包括以下子步骤:
S31、将局部放电信号图像样本集合X转化为灰度图G,去掉坐标的数值信息,控制每张图片的像素大小一致,均为r*r,其中(a,b)为图片中的任意一个像素点,1≤a≤r,1≤b≤r;
S32、对于每一张灰度图Gi,构造n个octave层C={C0 i,…,Cq i,…,Cn-1 i},0<q≤n-1,Cq i表示第i张灰度图的第(q-1)个octave层,C0 i表示原灰度图Gi,C1 i是C0 i的2倍下采样,C2 i是C1 i的2倍下采样,以此类推;同时构建n个intra-octave层D={D0 i,…,Dq i,…,Dn-1 i},0<q≤n-1,其中Dq i为第i张灰度图的第(q-1)个intra-octave层,D0 i是原灰度图Gi的1.5倍下采样,D1 i是D0 i的2倍下采样,D2 i是D1 i的2倍下采样,以此类推;Octave层和intra-octave层与原灰度图像的关系用f表示为:f(Cq)=2q,f(Dq)=2q×1.5;
S33、对于每张灰度图像Gi都能得到2n层图,分别对2n层图进行FAST9-16角点检测,得到其角点信息,对原灰度图像Gi进行一次FAST5-8角点检测,总共得到2n+1层有角点信息的图像;每层的FAST得分值记为F,计算方式如下:
其中:μ为阈值,Ip为中心点P的灰度值;以像素点P为圆心,若周围16个像素中至少有9个像素点的值高于或低于P点,即像素点P记为潜在的特征点;
S34、对于每张灰度图像Gi的2n+1张具有角点信息的图像进行非极大值抑制,计算每个潜在特征点在8个邻域点和上下两层18个邻域点的FAST的得分值,将最大值对应的点作为极值特征点,即得到极值特征点的平面位置以及尺度空间位置;
S35、对极值特征点所在层以及上下2层的FAST得分值进行二维二次函数插值,得到经优化的极大值位置,沿尺度坐标轴对尺度进行一维插值,算出最优尺度估计值;
S36、以特征点为中心的40*40像素块内构建多个同心圆,在每个同心圆上等距选取共p个点,采用不同标准差的高斯函数对每个采样点Pi进行平滑滤波,计算出局部梯度,局部梯度采用如下公式计算:
其中:1<a<p,1<b<p,I(pa,σa),I(pb,σb)为采样点对平滑处理后的灰度值;
估计特征点k的主方向g为:
其中L为所有采样点对中的长距离采样点对所构成的集合;
特征点旋转角度α:
α-arctan2(gy,gx)
为了实现旋转不变和尺度不变,首先对特征点周围的采样区域旋转至主方向,再旋转后的采样区域中进行采样,得到特征描述符,BRISK特征描述符是通过比较短距离点对之间的灰度值而来的:
对短距离子集中的512个点对分别比较其灰度值,根据每一点对灰度值的大小,记录这次对比结果为0或1,形成该特征点对应的二进制BRISK特征描述符,每个特征点使用64维向量表示,最终得到所有的BRISK特征。
优选地,上述的一种基于BRISK特征的局部放电特征提取及分类方法,所述步骤S4包括以下子步骤:
S41、通过计算BRISK特征间的距离,将获得的BRISK特征全部映射到视觉词典的词汇中,利用k-means算法构造单词表,以k为参数,将所有特征分为L簇,使簇内特征具有较高的相似度,而簇间相似度较低,将每个聚类中心看作是词典中的一个视觉单词,共得到L个视觉单词,所有视觉单词构成一个视觉词典;
S42、统计每个图片中每个视觉单词出现的频率,获得不同局部放电信号图像BRISK特征的视觉单词频率特征。
优选地,上述的一种基于BRISK特征的局部放电特征提取及分类方法,所述步骤S5具体为:提取样本集合中每个样本的N个统计特征并进行归一化处理,得到缺陷特征集合C={C1,C2,…,Ct,…,CZ},Ct表示局部放电信号所对应的第t类缺陷特征样本,并有:表示第t类缺陷特征样本中第j个样本;且第j个样本包含N个归一化后的统计特征,1≤i≤Z,1≤j≤M,M表示第t类缺陷特征样本的总数。
本发明有如下有益效果:1、用基于BRISK的特征提取方法,通过提取局部放电的图像特征获得局部放电信息,解决了现场局部放电检测中数据存储和读取及模式构造复杂繁琐的问题,同时该算法具有运算速度快的特点,有效的提高了局部放电故障诊断的效率;2、采用BRISK算法实现局部放电的特征提取,通过尺度构造和旋转角度的确定,解决了传统图像特征提取方法在图像质量和像素大小不一致及图像存在视角变换的条件下识别效果较差的问题,有效地提取出局部放电图像中的局部特征信息。3、采用BoW及k-means算法将SIFT特征点进行聚类,使所提取特征能够用于分类问题,提高了分类模型的识别效果。
【附图说明】
图1是一种基于BRISK特征的局部放电特征提取及分类方法步骤图。
图2是一种基于BRISK特征的局部放电特征提取及分类方法实施例流程图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
实施例1
本实施例实现一种基于BRISK特征的局部放电特征提取及分类方法。
附图1所述一种基于BRISK特征的局部放电特征提取及分类方法步骤图,框图中的局部放电信号图像采集处理单元、图像特征提取单元和随机森林分类器单元,可以基于本地的服务器实现,也可以是基于云计算的服务实现,或者兼而有之;具体实现可以是基于Python语言的项目。
如附图1所示,本实施例一种基于BRISK特征的局部放电特征提取及分类方法,包括以下步骤:
S1、局部放电信号图像采集处理单元采集局部放电信号图像,并对局部放电信号图像进行预处理;
S2、局部放电信号图像采集处理单元将预处理后的局部放电信号图像发送到图像特征提取单元;
S3、图像特征提取单元对局部放电信号图像进行BRISK特征提取;
S4、图像特征提取单元对局部放电信号图像BRISK特征采用词袋模型和k-means方法获取局部放电信号图像视觉频率直方数据;
S5、图像特征提取单元对局部放电信号图像视觉频率直方数据进行归一化处理;
S6、图像特征提取单元将归一化处理后的局部放电信号图像特征数据分为训练集和测试集,并发送给随机森林分类器单元;
S7、随机森林分类器单元使用训练集局部放电信号图像特征数据训练随机森林分类器,获得局部放电信号图像随机森林分类器模型;
S8、随机森林分类器单元使用测试集局部放电信号图像特征数据对局部放电信号图像随机森林分类器模型进行验证优化;
S9、局部放电信号图像采集处理单元采集局部放电信号图像,并经过步骤S1、S2、S3、S4、和S5处理后发送给随机森林分类器单元,随机森林分类器单元使用局部放电信号图像随机森林分类器模型对局部放电信号图像进行故障诊断。
实施例2
本实施例实现一种基于BRISK特征的局部放电特征提取及分类方法。
附图2是一种基于BRISK特征的局部放电特征提取及分类方法实施例流程图,如附图2所示,本实施例一种基于BRISK特征的局部放电特征提取及分类方法,包括以下步骤:
步骤1、采集Z种故障类型的局部放电信号图像作为样本集合X={X1,X2,…,Xt,…,XZ},1<t≤Z,Xt表示第t类信号的样本集合;并且Nt表示第t类故障局部放电信号样本总数,表示第t类故障中的第j个样本,1≤jt≤Nt。
步骤2、提取所有局部放电信号图像样本集合X的BRISK特征,得到所有样本集合的特征集合B={B1,B2,…,Bi,…,BZ},Bi表示第t类信号的特征集合;并且表示第t类故障中的第j个样本的特征,每个样本的特征为1*H维向量,对Z类故障类型的特征集合添加对应的故障类型标签,记为Y={Y1,Y2,…,Yi,…,YZ}。
步骤2.1、将局部放电信号图像X转化为灰度图G,去掉坐标的数值信息,控制每张图片的像素大小一致,均为r*r,其中(a,b)为图片中的任意一个像素点,1≤a≤r,1≤b≤r。
步骤2.2、对于每一张灰度图Gi,构造n个octave层C={C0 i,…,Cq i,…,Cn-1 i},0<q≤n-1,Cq i表示第i张灰度图的第(q-1)个octave层,C0 i表示原灰度图Gi,C1 i是C0 i的2倍下采样,C2 i是C1 i的2倍下采样,以此类推;同时构建n个intra-octave层D={D0 i,…,Dq i,…,Dn-1 i},0<q≤n-1,其中Dq i为第i张灰度图的第(q-1)个intra-octave层,D0 i是原灰度图Gi的1.5倍下采样,D1 i是D0 i的2倍下采样,D2 i是D1 i的2倍下采样,以此类推。
Octave层与intra-octave层与原灰度图像的关系用f表示为:f(Cq)=2q,f(Dq)=2q×1.5。各层之间的大小关系如下表所示。
步骤2.3、对于每张灰度图像Gi都能得到2n层图,分别对2n层图进行FAST9-16角点检测,得到其角点信息,对原灰度图像Gi进行一次FAST5-8角点检测,总共得到2n+1层有角点信息的图像。
每层的FAST得分值记为F,计算方式如下:
其中:μ为阈值,Ip为中心点P的灰度值。
以像素点P为圆心,若周围16个像素中至少有9个像素点的值高于或低于P点,即记为潜在的特征点。
步骤2.4、对于每张灰度图像Gi的2n+1张具有角点信息的图像进行非极大值抑制。计算每个潜在特征点在8个邻域点和上下两层18个邻域点的FAST的得分值,将最大值对应的点作为特征点,即得到特征点的平面位置以及尺度空间位置。
步骤2.5、对极值点所在层以及上下2层的FAST得分值进行二维二次函数插值,可得到经优化的极大值位置,沿尺度坐标轴对尺度进行一维插值,算出最优尺度估计值。
步骤2.6、以特征点为中心的40*40像素块内构建多个同心圆,在每个同心圆上等距选取共p个点,一般采样点个数60,为了避免图像灰度混叠对采样的影响,采用不同标准差的高斯函数(标准差σi,正比于每个同心圆上点与点之间的距离)对每个采样点Pi进行平滑滤波。计算出局部梯度。
局部梯度采用如下公式计算:
其中:1<a<p,1<b<p,I(pa,σa),I(pb,σb)为采样点对平滑处理后的灰度值。
估计特征点k的主方向g为:
其中L为所有采样点对中的长距离采样点对所构成的集合。
特征点旋转角度α:
α-arctan2(gy,gx)
为了实现旋转不变和尺度不变,首先对特征点周围的采样区域旋转至主方向,再旋转后的采样区域中进行采样,得到特征描述符,BRISK特征描述符是一种二进制的描述符,其描述符都是通过比较短距离点对之间的灰度值而来的。
对短距离子集中的512个点对分别比较其灰度值,根据每一点对灰度值的大小,记录这次对比结果为0或1,形成该特征点对应的二进制描述符。每个特征点使用64维向量表示。最终得到所有的特征。
步骤3、采用bag-of-words和k-means聚类方法获取不同局部放电类型的视觉频率直方数据。
步骤3.1、通过计算特征间的距离,将获得的特征全部映射到视觉词典的词汇中。利用k-means算法构造单词表。以k为参数,将所有特征分为L簇,使簇内特征具有较高的相似度,而簇间相似度较低。将每个聚类中心看作是词典中的一个视觉词汇,共得到L个视觉词汇,所有视觉词汇构成一个视觉词典;
步骤3.2、统计每个图片中每个视觉单词出现的频率,获得不同局部放电图像特征的视觉单词频率特征。
步骤4、提取所述样本集合中每个样本的N个统计特征并进行归一化处理,得到缺陷特征集合C={C1,C2,…,Ct,…,CZ},Ct表示GIS局部放电信号所对应的第t类缺陷特征样本,并有:表示第t类缺陷特征样本中第j个样本;且第j个样本包含N个归一化后的统计特征,1≤i≤Z,1≤j≤M,M表示第t类缺陷特征样本的总数。
步骤5、将样本集分成训练集和测试集,初始化随机森林参数,使用训练集得到最优的随机森林参数,构建GIS局部放电随机森林模型;利用所述GIS局部放电随机森林模型对测试集进行诊断,并根据全部决策树的投票结果确定最终的分类结果,从而输出GIS局部放电故障诊断的识别结果。
为验证本实施例方法的准确性,同时建立基于BRISK特征、基于Hu矩特征、基于颜色特征作为对比。
通过局部放电实验共采集600组GIS绝缘缺陷局部放电数据样本集,改变样本的图像尺度大小并进行适当的视角变换调整,将样本分为训练样本和测试样本,随机选择500组作为训练样本,剩余为测试样本,用以对经过训练后的分类器进行测试。将提取的不同特征放入随机森林分类器中进行学习,再将完成训练的分类器对测试样本进行分类识别,所得识别结果如下表所示:
表1不同特征提取方法的识别效果对比
比较表1中的数值可以明显地看到,BRISK特征提取方法在局部放电图像存在尺度变化及存在视角变换的情况下依然具有较高的识别准确率,在这3种特征提取方法中,BRISK算法整体识别正确率最高,为97.4%,远高于一般的图像特征提取方法。本实施例方法能够广泛应用于不同设备型号生成的局部放电图像数据,同时为运维人员在实际现场中提供检测和判断依据,有利于电网安全稳定运行。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Acess Memory,RAM)等。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (5)
1.一种基于BRISK特征的局部放电特征提取及分类方法,其特征在于包括以下步骤:
S1、局部放电信号图像采集处理单元采集局部放电信号图像,并对局部放电信号图像进行预处理;
S2、局部放电信号图像采集处理单元将预处理后的局部放电信号图像发送到图像特征提取单元;
S3、图像特征提取单元对局部放电信号图像进行BRISK特征提取,具体的:
S31、将局部放电信号图像样本集合X转化为灰度图G,去掉坐标的数值信息,控制每张图片的像素大小一致,均为r*r,其中(a,b)为图片中的任意一个像素点,1≤a≤r,1≤b≤r;
S32、对于每一张灰度图Gi,构造n个octave层C={C0 i,…,Cq i,…,Cn-1 i},0<q≤n-1,Cq i表示第i张灰度图的第(q-1)个octave层,C0 i表示原灰度图Gi,C1 i是C0 i的2倍下采样,C2 i是C1 i的2倍下采样,以此类推;同时构建n个intra-octave层D={D0 i,…,Dq i,…,Dn-1 i},0<q≤n-1,其中Dq i为第i张灰度图的第(q-1)个intra-octave层,D0 i是原灰度图Gi的1.5倍下采样,D1 i是D0 i的2倍下采样,D2 i是D1 i的2倍下采样,以此类推;Octave层和intra-octave层与原灰度图像的关系用f表示为:f(Cq)=2q,f(Dq)=2q×1.5;
S33、对于每张灰度图像Gi都能得到2n层图,分别对2n层图进行FAST9-16角点检测,得到其角点信息,对原灰度图像Gi进行一次FAST5-8角点检测,总共得到2n+1层有角点信息的图像;每层的FAST得分值记为F,计算方式如下:
其中:μ为阈值,Ip为中心点P的灰度值;以像素点P为圆心,若周围16个像素中至少有9个像素点的值高于或低于P点,即像素点P记为潜在的特征点;
S34、对于每张灰度图像Gi的2n+1张具有角点信息的图像进行非极大值抑制,计算每个潜在特征点在8个邻域点和上下两层18个邻域点的FAST的得分值,将最大值对应的点作为极值特征点,即得到极值特征点的平面位置以及尺度空间位置;
S35、对极值特征点所在层以及上下2层的FAST得分值进行二维二次函数插值,得到经优化的极大值位置,沿尺度坐标轴对尺度进行一维插值,算出最优尺度估计值;
S36、以特征点为中心的40*40像素块内构建多个同心圆,在每个同心圆上等距选取共p个点,采用不同标准差的高斯函数对每个采样点Pi进行平滑滤波,计算出局部梯度,局部梯度采用如下公式计算:
其中:1<a<p,1<b<p,I(pa,σa),I(pb,σb)为采样点对平滑处理后的灰度值;
估计特征点k的主方向g为:
其中L为所有采样点对中的长距离采样点对所构成的集合;
特征点旋转角度α:
α-arctan2(gy,gx)
为了实现旋转不变和尺度不变,首先对特征点周围的采样区域旋转至主方向,再旋转后的采样区域中进行采样,得到特征描述符,BRISK特征描述符是通过比较短距离点对之间的灰度值而来的:
对短距离子集中的512个点对分别比较其灰度值,根据每一点对灰度值的大小,记录这次对比结果为0或1,形成该特征点对应的二进制BRISK特征描述符,每个特征点使用64维向量表示,最终得到所有的BRISK特征;
S4、图像特征提取单元对局部放电信号图像BRISK特征采用词袋模型和k-means方法获取局部放电信号图像视觉频率直方数据;
S5、图像特征提取单元对局部放电信号图像视觉频率直方数据进行归一化处理;
S6、图像特征提取单元将归一化处理后的局部放电信号图像特征数据分为训练集和测试集,并发送给随机森林分类器单元;
S7、随机森林分类器单元使用训练集局部放电信号图像特征数据训练随机森林分类器,获得局部放电信号图像随机森林分类器模型;
S8、随机森林分类器单元使用测试集局部放电信号图像特征数据对局部放电信号图像随机森林分类器模型进行验证优化;
S9、局部放电信号图像采集处理单元采集局部放电信号图像,并经过步骤S1、S2、S3、S4、和S5处理后发送给随机森林分类器单元,随机森林分类器单元使用局部放电信号图像随机森林分类器模型对局部放电信号图像进行故障诊断。
4.根据权利要求3所述的一种基于BRISK特征的局部放电特征提取及分类方法,其特征在于所述步骤S4包括以下子步骤:
S41、通过计算BRISK特征间的距离,将获得的BRISK特征全部映射到视觉词典的词汇中,利用k-means算法构造单词表,以k为参数,将所有特征分为L簇,使簇内特征具有较高的相似度,而簇间相似度较低,将每个聚类中心看作是词典中的一个视觉单词,共得到L个视觉单词,所有视觉单词构成一个视觉词典;
S42、统计每个图片中每个视觉单词出现的频率,获得不同局部放电信号图像BRISK特征的视觉单词频率特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110641065.4A CN113283371A (zh) | 2021-06-09 | 2021-06-09 | 一种基于brisk特征的局部放电特征提取及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110641065.4A CN113283371A (zh) | 2021-06-09 | 2021-06-09 | 一种基于brisk特征的局部放电特征提取及分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283371A true CN113283371A (zh) | 2021-08-20 |
Family
ID=77283805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110641065.4A Pending CN113283371A (zh) | 2021-06-09 | 2021-06-09 | 一种基于brisk特征的局部放电特征提取及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283371A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237046A (zh) * | 2021-12-03 | 2022-03-25 | 国网山东省电力公司枣庄供电公司 | 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 |
CN116381429A (zh) * | 2023-03-29 | 2023-07-04 | 上海莫克电子技术有限公司 | 在线局部放电检测结果的矫正方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108992A (zh) * | 2019-05-24 | 2019-08-09 | 国网湖南省电力有限公司 | 基于改进随机森林算法的电缆局放故障识别方法、系统及介质 |
CN110807120A (zh) * | 2018-08-02 | 2020-02-18 | 国科易讯(北京)科技有限公司 | 一种基于特征点聚类的图像检索方法 |
CN111814834A (zh) * | 2020-06-12 | 2020-10-23 | 广东电网有限责任公司 | 一种高压电缆局部放电模式识别方法、计算机设备和存储介质 |
CN112364756A (zh) * | 2020-11-09 | 2021-02-12 | 国网安徽省电力有限公司电力科学研究院 | 一种基于天牛须和随机森林的gis故障分类方法 |
-
2021
- 2021-06-09 CN CN202110641065.4A patent/CN113283371A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807120A (zh) * | 2018-08-02 | 2020-02-18 | 国科易讯(北京)科技有限公司 | 一种基于特征点聚类的图像检索方法 |
CN110108992A (zh) * | 2019-05-24 | 2019-08-09 | 国网湖南省电力有限公司 | 基于改进随机森林算法的电缆局放故障识别方法、系统及介质 |
CN111814834A (zh) * | 2020-06-12 | 2020-10-23 | 广东电网有限责任公司 | 一种高压电缆局部放电模式识别方法、计算机设备和存储介质 |
CN112364756A (zh) * | 2020-11-09 | 2021-02-12 | 国网安徽省电力有限公司电力科学研究院 | 一种基于天牛须和随机森林的gis故障分类方法 |
Non-Patent Citations (5)
Title |
---|
K.FIRUZI ET AL: "A Novel Method for Differentiating and Clustering Multiple Partial Discharge Sources using S Transform and Bag of Words Feature", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 * |
STEFAN LEUTENEGGER ET AL: ""BRISK: Binary Robust Invariant Scalable Keypoints"", 《2011 INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
YAN-BO WANG ET AL: ""Study on Keypoint Extraction Method of Phase-Resolved Partial Discharge Pattern in Power Transformer"", 《2019 IEEE CONFERENCE ON ELECTRICAL INSULATION AND DIELECTRIC PHENOMENA》 * |
李泽等: "基于SURF的含噪局部放电模式识别", 《电工技术学报》 * |
杨景刚等: "基于深度学习的PRPD数据特征提取方法", 《电测与仪表》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237046A (zh) * | 2021-12-03 | 2022-03-25 | 国网山东省电力公司枣庄供电公司 | 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 |
CN114237046B (zh) * | 2021-12-03 | 2023-09-26 | 国网山东省电力公司枣庄供电公司 | 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 |
CN116381429A (zh) * | 2023-03-29 | 2023-07-04 | 上海莫克电子技术有限公司 | 在线局部放电检测结果的矫正方法及其系统 |
CN116381429B (zh) * | 2023-03-29 | 2024-03-29 | 上海莫克电子技术有限公司 | 在线局部放电检测结果的矫正方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829826B (zh) | 一种基于深度学习和语义分割的图像检索方法 | |
Zhao et al. | An insulator in transmission lines recognition and fault detection model based on improved faster RCNN | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
Tang et al. | Compressed-domain ship detection on spaceborne optical image using deep neural network and extreme learning machine | |
CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
CN107480620B (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
CN109711416B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
Aghdaie et al. | Detection of morphed face images using discriminative wavelet sub-bands | |
CN113283371A (zh) | 一种基于brisk特征的局部放电特征提取及分类方法 | |
CN113447771A (zh) | 一种基于sift-lda特征的局部放电模式识别方法 | |
CN111400528B (zh) | 一种图像压缩方法、装置、服务器及存储介质 | |
CN111882554B (zh) | 一种基于SK-YOLOv3的电力线故障智能检测方法 | |
Yang et al. | Dynamic fractal texture analysis for PolSAR land cover classification | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110738672A (zh) | 一种基于分层高阶条件随机场的图像分割方法 | |
CN109871825B (zh) | 一种基于改进的局部二维模式的人像识别方法 | |
Li et al. | Ship target detection and recognition method on sea surface based on multi-level hybrid network | |
CN114565798A (zh) | 基于铁谱图像分析的动力装置磨损故障诊断方法及系统 | |
CN113762151A (zh) | 一种故障数据处理方法、系统及故障预测方法 | |
CN110232376B (zh) | 一种利用投影回归的齿轮式数字仪表识别方法 | |
El Amraoui et al. | Machine learning algorithm for Avocado image segmentation based on quantum enhancement and Random forest | |
CN112329798B (zh) | 一种基于优化视觉词袋模型的图像场景分类方法 | |
CN115527207A (zh) | 基于深度神经网络的列车闸调器控制杆螺母故障检测方法 | |
CN112257792A (zh) | 一种基于svm的实时视频目标动态分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |