CN113447771A - 一种基于sift-lda特征的局部放电模式识别方法 - Google Patents

Abstract

本发明涉及一种基于SIFT‑LDA特征的局部放电模式识别方法，包括以下步骤：采集局部放电特高频信号图像；进行SIFT特征提取；获取局部放电特高频信号图像视觉频率直方数据；使用LDA算法对局部放电特高频信号图像特征数据进行降维处理；进行归一化处理；训练支持向量机，获得局部放电特高频信号图像支持向量机模型；使用局部放电特高频信号图像支持向量机模型对局部放电特高频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，在不同图像质量及像素大小的条件下进行局部放电特高频图像特征有效提取。

Description

一种基于SIFT-LDA特征的局部放电模式识别方法

【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SIFT-LDA特征的局部放电模式识别方法。

【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。实现GIS局部放电有效检测及故障诊断对及时发现绝缘问题，减小设备故障损失具有重要意义。当GIS内部产生局部放电时，产生的特高频电磁波能够沿着腔体传播。局部放电检测特高频(UHF)法检测主要用于检测局部放电产生的电磁波信号，并且广泛应用于GIS。电气设备局部放电模式识别是指对电气设备地放电故障类型进行识别。其中特征提取是模式识别中的关键步骤。目前提取的特征参数主要包括统计特征参数、分形参数、小波特征参数等。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。同时在现场的局部放电检测过程中，由于检测到的数据存在大量的干扰信号，与纯净的实验室数据具有较大差异，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。SIFT，即尺度不变特征变换(Scale-invariant feature 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。SIFT中尺度空间、高斯金字塔、差分金字塔(DOG金字塔)、图像金字塔；图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像，把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素(尺寸)逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像；高斯金字塔是在Sift算子中提出来的概念，首先高斯金字塔并不是一个金字塔，而是有很多组(Octave)金字塔构成，并且每组金字塔都包含若干层(Interval)；图像的尺度空间解决的问题是如何对图像在所有尺度下描述的问题；差分金字塔，DOG(Difference of Gaussian)金字塔是在高斯金字塔的基础上构建起来的，生成高斯金字塔的目的就是为了构建DOG金字塔。LDA算法，线性判别式分析，又称为Fisher线性判别式(Linear discriminant analysis)，LDA算法的思想是将数据投影到低维空间之后，使得同一类数据尽可能的紧凑，不同类的数据尽可能分散；因此，LDA算法是一种有监督的机器学习算法。K-means均值聚类算法(k-means clustering 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。网格搜索法是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法。支持向量机(Support Vector Machine，SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalizedlinear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。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，对局部放电模式识别方法进行了改进。

【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，在不同图像质量及像素大小的条件下进行局部放电特高频图像特征有效提取的方法。

为实现上述目的，本发明采取的技术方案是一种基于SIFT-LDA特征的局部放电模式识别方法，包括以下步骤：

S1、局部放电特高频信号图像采集处理单元采集局部放电特高频信号图像，并对局部放电特高频信号图像进行预处理；

S2、局部放电特高频信号图像采集处理单元将预处理后的局部放电特高频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特高频信号图像进行SIFT特征提取；

S4、图像特征提取单元对局部放电特高频信号图像SIFT特征采用词袋模型和K-means方法获取局部放电特高频信号图像视觉频率直方数据；

S5、图像特征提取单元使用LDA算法对局部放电特高频信号图像特征数据进行降维处理；

S6、图像特征提取单元对降维处理后的局部放电特高频信号图像特征数据进行归一化处理；

S7、图像特征提取单元将归一化处理后的局部放电特高频信号图像特征数据分为训练集和测试集，并发送给支持向量机单元；

S8、支持向量机单元使用训练集局部放电特高频信号图像特征数据训练支持向量机，获得局部放电特高频信号图像支持向量机模型；

S9、支持向量机单元使用测试集局部放电特高频信号图像特征数据对局部放电特高频信号图像支持向量机模型进行验证优化；

S10、局部放电特高频信号图像采集处理单元采集局部放电特高频信号图像，并经过步骤S1、S2、S3、S4、S5和S6处理后发送给支持向量机单元，支持向量机单元使用局部放电特高频信号图像支持向量机模型对局部放电特高频信号图像进行故障诊断。

优选地，上述的一种基于SIFT-LDA特征的局部放电模式识别方法，所述步骤S1具体为：利用特高频传感器分别采集A种故障类型的局部放电特高频信号图像作为样本集合B＝{B₁,B₂,…,B_i,…,B_A}，1<i≤A，B_i表示第i类信号的样本集合；并且

N_i表示第i类缺陷的局部放电信号图像样本总数，

表示第i类故障中的第j_i个样本，1≤j_i≤N_i。

优选地，上述的一种基于SIFT-LDA特征的局部放电模式识别方法，所述步骤S3具体为：将局部放电特高频信号图像样本集合B全部转化为灰度图F，并去掉坐标的数值信息，控制每张图片的像素大小一致，均为e*f，其中(a,b)为图片中的任意一个像素点，1≤a≤e，1≤b≤f；提取所有局部放电特高频信号图像样本集合F的SIFT特征，得到所有样本集合的特征集合C＝{C₁,C₂,…,C_i,…,C_A}，C_i表示第i类信号的特征集合，1<i≤A；并且

表示第i类故障中的第j_i个样本的特征，每个样本的特征为1*128维向量，对A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,…,Y_i,…,Y_A}。

优选地，上述的一种基于SIFT-LDA特征的局部放电模式识别方法，所述步骤S3包括以下子步骤：

S31、创建一个尺度空间金字塔用于模拟图像F的多尺度特征，高斯核是唯一可以产生多尺度空间的核，一个图像的尺度空间L(x,y,σ)定义为原始图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)卷积运算：

L(x,y,σ)＝G(x,y,σ)*I(x,y)

其中G(x,y,σ)是尺度可变高斯函数，(x,y)是空间坐标、是尺度坐标；

高斯差分尺度空间DoG用于在尺度空间检测到稳定的关键点，利用不同尺度的高斯差分核与图像卷积生成：

D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)；

S32、关键点检测，将检测点和它同尺度的8个相邻点和上下相邻尺度对应的9*2，共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；一个点如果在DoG尺度空间本层以及上下两层的26个邻域中是最大或最小值时，则该点是图像在该尺度下的一个特征点；

S33、消除错配点，为了提高关键点的稳定性，对尺度空间DoG函数进行曲线拟合；利用DoG函数尺度空间的Taylor展开式：

对上式求导，并令其为0，得到精确的位置：

去除低对比度的点，把上式代入其中，即在DoG空间的极值点D(X)取值，只取前两项可得：

若

保留该特征点，否则丢弃；

S34、去除边缘响应，主曲率通过一个2*2的Hessian矩阵H求出：

导数由采样点相邻差估计得到，D的主曲率和H的特征值成正比，令α为较大特征值，β为较小的特征值，则

Tr(H)＝D_xx+D_yy＝α+β

Det(H)＝D_xxD_yy-(D_xy)²＝αβ

令α＝rβ，则

的值在两个特征值相等的时候最小，随着r的增大而增大，为了检测主曲率是否在阈值r下，检测：

如果

则丢弃，取r＝10；

S35、关键点描述，步骤S34确定了每幅图中的特征点，为每个特征点计算一个方向，依照这个方向做进一步的计算，利用关键点邻域像素的特定方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性：

θ(x,y)＝αtan²((L(x+1,y)-L(x-1,y))/(L(x,y+1)-L(x,y-1)))

分别为(x,y)处梯度的模值和方向公式，其中L所用的尺度为每个关键点各自所在的尺度；图像的关键点检测完毕，每个关键点有3个信息：位置、所处尺度、方向，确定一个SIFT特征区域；通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量，首先将坐标轴旋转为关键点的方向，以确保旋转不变性，以关键点为中心取8*8的窗口，在每个4*4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，形成一个种子点，一个关键点由2*2共4个种子点组成，每个种子点由8个方向向量信息，计算关键点周围16*16窗口中每一个像素的梯度，而且使用高斯下降函数降低远离中心的权重；在每一个4*4的1/16象限中，通过加权梯度值加到直方图8个方向区间中的一个，计算出一个梯度方向直方图，对每个feature形成一个4*4*8＝128维的描述子，每一维都可以表示4*4个格子中的一个尺度方向，最终形成包含所有样本特征的

矩阵。

优选地，上述的一种基于SIFT-LDA特征的局部放电模式识别方法，所述步骤S4包括以下子步骤：

S41、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，所有特征分为L个簇，使簇内具有较高的相似度，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与否以及出现的次数，获得不同局部放电特高频图像特征的视觉单词频率特征。

优选地，上述的一种基于SIFT-LDA特征的局部放电模式识别方法，所述步骤S5包括以下子步骤：

S51、计算类内散度矩阵S_w，计算类间散度矩阵S_b，计算矩阵S_w ^-1S_b：

其中C_i为第i类样本的集合，N_i为第i类样本的个数，μ为所有样本均值向量；

S52、计算S_w ^-1S_b的最大的d个特征值和对应的d个特征向量(w₁,w₂,…,w_d)，得到

的投影矩阵W；

S53、对样本集C中的每一个样本特征

转化为新的样本z_i＝W^Tx_i，输出降维后的样本集Z＝{Z₁,Z₂,…,Z_i,…,Z_A}，降维后为d维特征。

优选地，上述的一种基于SIFT-LDA特征的局部放电模式识别方法，所述步骤S6具体为：对所述样本集合Z中每个样本的d个降维特征进行归一化处理，得到缺陷特征集合K＝{K₁,K₂,…,K_i,…,K_A}，K_i表示局部放电特高频信号所对应的第i类缺陷特征样本，并有：

表示第i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≤A，1≤j_i≤N_i，N_i表示第i类缺陷特征样本的总数。

优选地，上述的一种基于SIFT-LDA特征的局部放电模式识别方法，所述步骤S8具体为：初始化支持向量机参数c和g的范围，采用交叉验证的方法将局部放电缺陷分类错误的概率作为适应度值进行迭代计算，采用网格搜索算法寻找支持向量机的最优化参数，利用适应度值最小时所对应的参数c_best和g_best构建局部放电故障诊断的局部放电超高频图像支持向量机模型。

本发明有如下有益效果：1、采用基于SIFT的特征提取方法直接提取局部放电图像提取，有效地提取出局部放电特征信息，解决了现场检测过程中对结构化数据存储和读取复杂繁琐的问题，提高了局部放电检测和识别效率；2、采用SIFT算法通过提取局部放电图像的局部特征而非传统的全局特征提取方法，解决了现场检测过程中含噪局部放电信号的识别问题，解决了降噪步骤繁琐且耗费时间成本的问题，有效地提高了含噪局部放电信号的识别效率和准确率；3、采用LDA算法对提取的多维特征信息进行降维处理，解决了该模型中特征冗余、计算量大的问题，有效地提高了分类器的识别效率和分类效果。

【附图说明】

图1是一种基于SIFT-LDA特征的局部放电模式识别方法步骤图。

图2是一种基于SIFT-LDA特征的局部放电模式识别方法实施例流程图。

【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SIFT-LDA特征的局部放电模式识别方法。

附图1所述一种基于SIFT-LDA特征的局部放电模式识别方法步骤图，框图中的局部放电特高频信号图像采集处理单元、图像特征提取单元和支持向量机单元，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SIFT-LDA特征的局部放电模式识别方法，包括以下步骤：

S1、局部放电特高频信号图像采集处理单元采集局部放电特高频信号图像，并对局部放电特高频信号图像进行预处理；

S2、局部放电特高频信号图像采集处理单元将预处理后的局部放电特高频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特高频信号图像进行SIFT特征提取；

S4、图像特征提取单元对局部放电特高频信号图像SIFT特征采用词袋模型和K-means方法获取局部放电特高频信号图像视觉频率直方数据；

S5、图像特征提取单元使用LDA算法对局部放电特高频信号图像特征数据进行降维处理；

S6、图像特征提取单元对降维处理后的局部放电特高频信号图像特征数据进行归一化处理；

S7、图像特征提取单元将归一化处理后的局部放电特高频信号图像特征数据分为训练集和测试集，并发送给支持向量机单元；

S8、支持向量机单元使用训练集局部放电特高频信号图像特征数据训练支持向量机，获得局部放电特高频信号图像支持向量机模型；

S9、支持向量机单元使用测试集局部放电特高频信号图像特征数据对局部放电特高频信号图像支持向量机模型进行验证优化；

S10、局部放电特高频信号图像采集处理单元采集局部放电特高频信号图像，并经过步骤S1、S2、S3、S4、S5和S6处理后发送给支持向量机单元，支持向量机单元使用局部放电特高频信号图像支持向量机模型对局部放电特高频信号图像进行故障诊断。

实施例2

本实施例实现一种基于SIFT-LDA特征的局部放电模式识别方法。

附图2是一种基于SIFT-LDA特征的局部放电模式识别方法实施例流程图，如附图2所示，本实施例一种基于SIFT图像特征的局部放电模式识别方法，包括以下步骤：

步骤1、利用特高频传感器分别采集A种故障类型的局部放电特高频信号图像作为样本集合B＝{B₁,B₂,…,B_i,…,B_A}，1<i≤A，B_i表示第i类信号的样本集合；并且

N_i表示第i类缺陷的局部放电信号图像样本总数，

表示第i类故障中的第j_i个样本，1≤j_i≤N_i。

步骤2、将局部放电图像B全部转化为灰度图F，并去掉坐标的数值信息，控制每张图片的像素大小一致，均为e*f，其中(a,b)为图片中的任意一个像素点，1≤a≤e，1≤b≤f。

步骤3、提取所有局部放电特高频信号图像样本集合F的SIFT特征，得到所有样本集合的特征集合C＝{C₁,C₂,…,C_i,…,C_A}，C_i表示第i类信号的特征集合，1<i≤A；并且

表示第i类故障中的第j_i个样本的特征，每个样本的特征为1*128维向量，对A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,…,Y_i,…,Y_A}。

步骤3.1、创建一个尺度空间金字塔。尺度空间理论的目的模拟图像F的多尺度特征。高斯核是唯一可以产生多尺度空间的核，一个图像的尺度空间L(x,y,σ)定义为原始图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)卷积运算。

L(x,y,σ)＝G(x,y,σ)*I(x,y)

其中G(x,y,σ)是尺度可变高斯函数，(x,y)是空间坐标，是尺度坐标。σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率)，反之，对应精细尺度(高分辨率)。为了有效的在尺度空间检测到稳定的关键点，提出了高斯差分尺度空间(DoG)，利用不同尺度的高斯差分核与图像卷积生成。

D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)。

步骤3.2、关键点检测。为了寻找尺度空间的极值点，每一个采样点要和它所有相邻点比较，看其是否比它的图像域或尺度域的相邻点大或者小。将检测点和它同尺度的8个相邻点和上下相邻尺度对应的9*2，共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。一个点如果在DoG尺度空间本层以及上下两层的26个邻域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点。

步骤3.3、消除错配点。由于DoG值对噪声和边缘较敏感，因此在上面DoG尺度空间中检测到局部极值点还要经过进一步的检验才能精确定位为特征点。为了提高关键点的稳定性，需要对尺度空间DoG函数进行曲线拟合。利用DoG函数尺度空间的Taylor展开式。

对上式求导，并令其为0，得到精确的位置，得

在已经检测到的特征点中，要去掉低对比度的特征点和不稳定的边缘响应点。去除低对比度的点：把上式代入其中，即在DoG空间的极值点D(X)取值，只取前两项可得：

若

该特征点就保留下来，否则丢弃。

步骤3.4、去除边缘响应。一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率通过一个2*2的Hessian矩阵H求出：

导数由采样点相邻差估计得到。D的主曲率和H的特征值成正比，令α为较大特征值，β为较小的特征值，则

Tr(H)＝D_xx+D_yy＝α+β

Det(H)＝D_xxD_yy-(D_xy)²＝αβ

令α＝rβ，则

的值在两个特征值相等的时候最小，随着r的增大而增大，因此，为了检测主曲率是否在某阈值r下，只需检测

如果

则丢弃。取r＝10。

步骤3.5、关键点描述。在步骤3.4中确定了每幅图中的特征点，为每个特征点计算一个方向，依照这个方向做进一步的计算，利用关键点邻域像素的特定方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。

θ(x,y)＝αtan²((L(x+1,y)-L(x-1,y))/(L(x,y+1)-L(x,y-1)))

分别为(x,y)处梯度的模值和方向公式。其中L所用的尺度为每个关键点各自所在的尺度。至此，图像的关键点已经检测完毕，每个关键点有3个信息：位置、所处尺度、方向，由此可以确定一个SIFT特征区域。通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量，这个向量是该区域图像信息的一种抽象，具有唯一性。首先将坐标轴旋转为关键点的方向，以确保旋转不变性。以关键点为中心取8*8的窗口。

在每个4*4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，可形成一个种子点。假设一个关键点由2*2共4个种子点组成，每个种子点由8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。计算关键点周围16*16窗口中每一个像素的梯度，而且使用高斯下降函数降低远离中心的权重。

在每一个4*4的1/16象限中，通过加权梯度值加到直方图8个方向区间中的一个，计算出一个梯度方向直方图。这样就可以对每个feature形成一个4*4*8＝128维的描述子，每一维都可以表示4*4个格子中的一个尺度方向。最终形成包含所有样本特征的

矩阵。

步骤4、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4.1、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，所有特征分为L个簇，使簇内具有较高的相似度，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4.2、统计每个图片中每个视觉单词出现与否以及出现的次数，获得不同局部放电图像特征的视觉单词频率。

步骤5、采用LDA算法对提取的多维特征进行降维处理，降到d维。

步骤5.1、计算类内散度矩阵S_w，计算类间散度矩阵S_b，计算矩阵S_w ^-1S_b。

其中C_i为第i类样本的集合，N_i为第i类样本的个数，μ为所有样本均值向量。

步骤5.2、计算S_w ^-1S_b的最大的d个特征值和对应的d个特征向量(w₁,w₂,…,w_d)，得到

的投影矩阵W。

步骤5.3、对样本集C中的每一个样本特征

转化为新的样本z_i＝W^Tx_i，输出降维后的样本集Z＝{Z₁,Z₂,…,Z_i,…,Z_A}；

步骤6、对所述样本集合Z中每个样本的d个降维特征进行归一化处理，得到缺陷特征集合K＝{K₁,K₂,…,K_i,…,K_A}，K_i表示GIS局部放电特高频信号所对应的第i类缺陷特征样本，并有：

表示第i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≤A，1≤j_i≤N_i，N_i表示第i类缺陷特征样本的总数。

步骤7、将样本集K以一定的比例分为训练集和测试集。初始化支持向量机参数c和g的范围，采用交叉验证的方法将局部放电缺陷分类错误的概率作为适应度值进行迭代计算，采用网格搜索算法寻找支持向量机的最优化参数。利用适应度值最小时所对应的参数c_best和g_best构建局部放电故障诊断的支持向量机模型。利用所述局部放电故障诊断的支持向量机模型对局部放电图像的测试集样本进行诊断，输出最终的局部放电故障诊断结果。

为验证本方法的准确性，同时建立基于SIFT特征、基于Zernike不变矩特征、基于颜色特征作为对比。

通过局部放电实验共采集400组GIS绝缘缺陷局部放电数据样本集，并在样本集中叠加一定信噪比的干扰信号，构成含噪声的局部放电样本数据库，将样本分为训练样本和测试样本，随机选择300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支持向量机分类器中进行学习，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

比较表1中的数值可以明显地看到，SIFT特征提取方法在含噪声的局部放电图像中依然具有较高的识别准确率，在这3种特征提取方法中，SIFT算法整体识别正确率最高，为95.3％，远高于其他的图像特征提取方法。本实施例方法能够应用于现场采集到的含有噪声的局部放电数据，不需要经过复杂繁琐的降噪过程。本专利方法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 (7)

1.一种基于SIFT-LDA特征的局部放电模式识别方法，其特征在于包括以下步骤：

S1、局部放电特高频信号图像采集处理单元采集局部放电特高频信号图像，并对局部放电特高频信号图像进行预处理；

S2、局部放电特高频信号图像采集处理单元将预处理后的局部放电特高频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特高频信号图像进行SIFT特征提取,具体的：

S31、创建一个尺度空间金字塔用于模拟图像F的多尺度特征，高斯核是唯一可以产生多尺度空间的核，一个图像的尺度空间L(x,y,σ)定义为原始图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)卷积运算：

L(x,y,σ)＝G(x,y,σ)*I(x,y)

其中G(x,y,σ)是尺度可变高斯函数，(x,y)是空间坐标、是尺度坐标；

高斯差分尺度空间DoG用于在尺度空间检测到稳定的关键点，利用不同尺度的高斯差分核与图像卷积生成：

D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)；

S32、关键点检测，将检测点和它同尺度的8个相邻点和上下相邻尺度对应的9*2，共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；一个点如果在DoG尺度空间本层以及上下两层的26个邻域中是最大或最小值时，则该点是图像在该尺度下的一个特征点；

S33、消除错配点，为了提高关键点的稳定性，对尺度空间DoG函数进行曲线拟合；利用DoG函数尺度空间的Taylor展开式：

对上式求导，并令其为0，得到精确的位置：

去除低对比度的点，把上式代入其中，即在DoG空间的极值点D(X)取值，只取前两项可得：

若

保留该特征点，否则丢弃；

S34、去除边缘响应，主曲率通过一个2*2的Hessian矩阵H求出：

导数由采样点相邻差估计得到，D的主曲率和H的特征值成正比，令α为较大特征值，β为较小的特征值，则

Tr(H)＝D_xx+D_yy＝α+β

Det(H)＝D_xxD_yy-(D_xy)²＝αβ

令α＝rβ，则

的值在两个特征值相等的时候最小，随着r的增大而增大，为了检测主曲率是否在阈值r下，检测：

如果

则丢弃，取r＝10；

S35、关键点描述，步骤S34确定了每幅图中的特征点，为每个特征点计算一个方向，依照这个方向做进一步的计算，利用关键点邻域像素的特定方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性：

θ(x,y)＝αtan²((L(x+1,y)-L(x-1,y))/(L(x,y+1)-L(x,y-1)))

分别为(x,y)处梯度的模值和方向公式，其中L所用的尺度为每个关键点各自所在的尺度；图像的关键点检测完毕，每个关键点有3个信息：位置、所处尺度、方向，确定一个SIFT特征区域；通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量，首先将坐标轴旋转为关键点的方向，以确保旋转不变性，以关键点为中心取8*8的窗口，在每个4*4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，形成一个种子点，一个关键点由2*2共4个种子点组成，每个种子点由8个方向向量信息，计算关键点周围16*16窗口中每一个像素的梯度，而且使用高斯下降函数降低远离中心的权重；在每一个4*4的1/16象限中，通过加权梯度值加到直方图8个方向区间中的一个，计算出一个梯度方向直方图，对每个feature形成一个4*4*8＝128维的描述子，每一维都可以表示4*4个格子中的一个尺度方向，最终形成包含所有样本特征的

矩阵；

S4、图像特征提取单元对局部放电特高频信号图像SIFT特征采用词袋模型和K-means方法获取局部放电特高频信号图像视觉频率直方数据；

S5、图像特征提取单元使用LDA算法对局部放电特高频信号图像特征数据进行降维处理；

S6、图像特征提取单元对降维处理后的局部放电特高频信号图像特征数据进行归一化处理；

S7、图像特征提取单元将归一化处理后的局部放电特高频信号图像特征数据分为训练集和测试集，并发送给支持向量机单元；

S8、支持向量机单元使用训练集局部放电特高频信号图像特征数据训练支持向量机，获得局部放电特高频信号图像支持向量机模型；

S9、支持向量机单元使用测试集局部放电特高频信号图像特征数据对局部放电特高频信号图像支持向量机模型进行验证优化；

S10、局部放电特高频信号图像采集处理单元采集局部放电特高频信号图像，并经过步骤S1、S2、S3、S4、S5和S6处理后发送给支持向量机单元，支持向量机单元使用局部放电特高频信号图像支持向量机模型对局部放电特高频信号图像进行故障诊断。

2.根据权利要求1所述的一种基于SIFT-LDA特征的局部放电模式识别方法，其特征在于所述步骤S1具体为：利用特高频传感器分别采集A种故障类型的局部放电特高频信号图像作为样本集合B＝{B₁,B₂,…,B_i,…,B_A}，1<i≤A，B_i表示第i类信号的样本集合；并且

N_i表示第i类缺陷的局部放电信号图像样本总数，

表示第i类故障中的第j_i个样本，1≤j_i≤N_i。

3.根据权利要求2所述的一种基于SIFT-LDA特征的局部放电模式识别方法，其特征在于所述步骤S3具体为：将局部放电特高频信号图像样本集合B全部转化为灰度图F，并去掉坐标的数值信息，控制每张图片的像素大小一致，均为e*f，其中(a,b)为图片中的任意一个像素点，1≤a≤e，1≤b≤f；提取所有局部放电特高频信号图像样本集合F的SIFT特征，得到所有样本集合的特征集合C＝{C₁,C₂,…,C_i,…,C_A}，C_i表示第i类信号的特征集合，1<i≤A；并且

表示第i类故障中的第j_i个样本的特征，每个样本的特征为1*128维向量，对A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,…,Y_i,…,Y_A}。

4.根据权利要求3所述的一种基于SIFT-LDA特征的局部放电模式识别方法，其特征在于所述步骤S4包括以下子步骤：

S41、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，所有特征分为L个簇，使簇内具有较高的相似度，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与否以及出现的次数，获得不同局部放电特高频图像特征的视觉单词频率特征。

5.根据权利要求4所述的一种基于SIFT-LDA特征的局部放电模式识别方法，其特征在于所述步骤S5包括以下子步骤：

S51、计算类内散度矩阵S_w，计算类间散度矩阵S_b，计算矩阵S_w ^-1S_b：

其中C_i为第i类样本的集合，N_i为第i类样本的个数，μ为所有样本均值向量；

S52、计算S_w ^-1S_b的最大的d个特征值和对应的d个特征向量(w₁,w₂,…,w_d)，得到

的投影矩阵W；

S53、对样本集C中的每一个样本特征

转化为新的样本z_i＝W^Tx_i，输出降维后的样本集Z＝{Z₁,Z₂,…,Z_i,…,Z_A}，降维后为d维特征。

6.根据权利要求5所述的一种基于SIFT-LDA特征的局部放电模式识别方法，其特征在于所述步骤S6具体为：对所述样本集合Z中每个样本的d个降维特征进行归一化处理，得到缺陷特征集合K＝{K₁,K₂,…,K_i,…,K_A}，K_i表示局部放电特高频信号所对应的第i类缺陷特征样本，并有：

表示第i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≤A，1≤j_i≤N_i，N_i表示第i类缺陷特征样本的总数。

7.根据权利要求6所述的一种基于SIFT-LDA特征的局部放电模式识别方法，其特征在于所述步骤S8具体为：初始化支持向量机参数c和g的范围，采用交叉验证的方法将局部放电缺陷分类错误的概率作为适应度值进行迭代计算，采用网格搜索算法寻找支持向量机的最优化参数，利用适应度值最小时所对应的参数c_best和g_best构建局部放电故障诊断的局部放电超高频图像支持向量机模型。

Images