CN113538369B - 一种基于椭圆度量学习的压板状态检测算法 - Google Patents

Abstract

本发明提供一种基于椭圆度量学习的压板状态检测算法，包括以下步骤：步骤1：采集压板的图像数据，并对数据进行处理；步骤2：通过HSV颜色直方图和LBP直方图对压板的状态进变换，用滑窗法提取压板的MWM细节特征，并通过归一化标准化处理，得到组合特征向量；步骤3：使用二次判别分析，用高斯概率模型拟合压板不同状态与正常状态样本特征之间的差值分布，并计算得到椭圆型度量矩阵Ω(W)；步骤4：利用特征子空间椭圆型度量d_E(x,y)计算测试集和训练集之间的距离，取每个测试样本距离前5个样本的平均距离作为最后的判断依据；本发明避免了由于样本图像拍摄视角变化和压板弯曲、倾斜、缺损等而容易造成分类识别率下降。

Description

一种基于椭圆度量学习的压板状态检测算法

技术领域

本发明涉及压板状态检测技术领域，具体为一种基于椭圆度量学习的压板状态检测算法。

背景技术

保护压板也叫保护连片，或称跳闸压板，是保护装置联系外部接线的桥梁和纽带，关系到保护的功能和动作出口能否正常发挥作用。

按照压板接入保护装置二次回路位置的不同，可分为保护功能压板和出口压板两大类。保护功能压板实现了保护装置某些功能(如主保护、距离保护、零序保护等的投、退)。该压板一般为弱电压板，接直流24V。也有强电功能压板，如BP22B投充电保护、过流保护等，接直流220V或110V。但进入装置之前必经光电耦合或隔离继电器隔离，转化为弱电开入，其抗干扰能力更好。出口压板决定了保护动作的结果，根据保护动作出口作用的对象不同，可分为跳闸出口压板和启动压板。跳闸出口压板直接作用于本开关或联跳其他开关，一般为强电压板。启动压板作为其他保护开入之用，如失灵启动压板、闭锁备自投压板等，根据接入回路不同，有强电也有弱电。

现有的压板状态检测算法对于特征提取时，大多直接提取纹理、形状等特征，而没有考虑由于样本图像拍摄视角变化和压板弯曲、倾斜、缺损等而容易造成分类识别率下降的问题。

发明内容

本发明要解决的技术问题是克服现有的缺陷，提供一种基于椭圆度量学习的压板状态检测算法，以解决上述技术背景中直接提取纹理、形状等特征，而没有考虑由于样本图像拍摄视角变化和压板弯曲、倾斜、缺损等而容易造成分类识别率下降的缺点。

为实现上述目的，本发明提供如下技术方案：一种基于椭圆度量学习的压板状态检测算法，包括以下步骤：

步骤1：采集压板的图像数据，并对数据进行处理；

步骤2：通过HSV颜色直方图和LBP直方图对压板的状态进行变换，用滑窗法提取压板的MWM细节特征，并通过归一化标准化处理，得到组合特征向量；

步骤3：使用二次判别分析，用高斯概率模型拟合压板不同状态与正常状态样本特征之间的差值分布，并分别计算协方差矩阵∑₁、∑_E，通过求解公式(1)得到降维矩阵W，相应地由公式(2)得到椭圆型度量矩阵Ω(W)；公式(1)和公式(2)如下：

其中对初始特征x_i、x_j∈R^d，通过降维矩阵W∈R^d×r(r<d)将初始高维特征向量映射到低维子空间中，与/>分别是新的特征子空间中类内和类间协方差矩阵；

步骤4：利用特征子空间椭圆型度量d_E(x,y)计算测试集和训练集之间的距离，取每个测试样本距离前5个样本的平均距离作为最后的判断依据；

所述步骤3中，给定可逆对称矩阵Ω＝R^n×n，得出x、y的双向性形式为公式(4)如下：

ω(x,y)＝x^TΩy(x、y∈Rⁿ) (4)

式中x、y——样本特征向量

ω——x、y关于Ω的双线性函数

令Eⁿ＝{x∈Rⁿ:ω_xy＞0}，定义为d_E:Eⁿ×Eⁿ→R⁺，椭圆型度量技术按公式(5)如下：

式中d_E(x,y)——样本下，x，y的椭圆型度量

i——虚数单位

ω_xx——x，x关于Ω的双线性函数

ω_yy——y，y关于Ω的双线性函数

k——曲率半径。

优选的，所述步骤1中，通过摄像设备和照明设备对压板清晰的图像数据采集多组图像，图像数据大于100幅，并从多组图像内随机抽取100幅图像作为训练样本。

优选的，所述步骤2中，对于每一幅样本图像采用10像素×10像素的子窗口，步长为5个像素扫描整幅图像，在每个子窗口中，将HSV颜色空间量化为512个颜色小区间，每个颜色小区间的直方图代表着其在子窗口中出现的概率；同时，每个子窗口也提取它的LBP统计直方图特征，对每个子窗口中的某个像素，将相邻的8个像素的灰度值与其进行比较，并将得出的数据进行进制的转换作为该像素点的LBP值，通过LBP值计算出每个子窗口的直方图，最后通过归一化标准化处理，得到组合特征向量。

优选的，所述步骤2中，将样本图像进行缩放，并提取MWM特征将缩放后提取的特征组合在一起，构成一个新的特征向量X＝(X₁,X₂,···,X_n)^T描述压板状态，并通过对数据特征向量X作归一化处理，归一化后的特征向量记为其中/>通过公式(3)计算，公式(3)如下：

与现有技术相比，本发明提供了一种基于椭圆度量学习的压板状态检测算法，具备以下有益效果：

本发明中，通过摄像设备和照明设备便于对压板图像进行采集，并通过滑窗最大值的图像特征提取方法和引入对样本数据具有更好适应性的椭圆型度量，以便于对压板的状态进行检测，避免了由于样本图像拍摄视角变化和压板弯曲、倾斜、缺损等而容易造成分类识别率下降，通过HSV颜色直方图和LBP统计直方图，使用滑窗法来提取病害叶片的MWM局部细节特征，便于检测压板可能存在弯曲、倾斜、缺损等问题，通过椭圆型度量反应样本空间结构信息或语义信息的分式线性变换，可以使椭圆型度量具有更好的区分性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：

图1为本发明提出的基于椭圆度量学习的压板状态检测算法流程图结构示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例和附图，进一步阐述本发明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。

一种基于椭圆度量学习的压板状态检测算法，包括以下步骤：

步骤1：采集压板的图像数据，并对数据进行处理；通过摄像设备和照明设备对压板清晰的图像数据采集多组图像，图像数据大于100幅，并从多组图像内随机抽取100幅图像作为训练样本。

步骤2：通过HSV颜色直方图和LBP直方图对压板的状态进行变换，用滑窗法提取压板的MWM细节特征，并通过归一化标准化处理，得到组合特征向量；对于每一幅样本图像(尺寸为880像素×120像素)采用10像素×10像素的子窗口，步长为5个像素扫描整幅图像，在每个子窗口中，将HSV颜色空间量化为512个颜色小区间，每个颜色小区间的直方图代表着其在子窗口中出现的概率；同时，每个子窗口也提取它的LBP统计直方图特征，对每个子窗口中的某个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素灰度大于中心像素灰度，则该像素点的位置被标记为1，否则为0，这样，3×3邻域内的8个点经比较可产生8位二进制数，将8位二进制数转换为十进制作为该像素点的LBP值，然后计算每个子窗口的直方图，即每个数字出现的频率；再在同一水平高度的子窗口中，取HSV和LBP统计直方图最大的值组成一个新的子窗口，这样，最后得到的特征向量是同一水平高度上统计直方图特征最大化的特征向量；考虑到多尺度信息，将样本图像进行缩放，并提取MWM特征将缩放后提取的特征组合在一起，构成一个新的特征向量X＝(X₁,X₂,···,X_n)^T描述压板状态，并通过对数据特征向量X作归一化处理，归一化后的特征向量记为其中/>通过公式(3)计算，公式(3)如下：

步骤3：使用二次判别分析，用高斯概率模型拟合压板不同状态与正常状态样本特征之间的差值分布，并分别计算协方差矩阵∑₁、∑_E，通过求解公式(1)得到降维矩阵W，相应地由公式(2)得到椭圆型度量矩阵Ω(W)；公式(1)和公式(2)如下：

其中对初始特征x_i、x_j∈R^d，通过降维矩阵W∈R^d×r(r<d)将初始高维特征向量映射到低维子空间中，与/>分别是新的特征子空间中类内和类间协方差矩阵；给定可逆对称矩阵Ω＝R^n×n，得出x、y的双向性形式为公式(4)如下：

ω(x,y)＝x^TΩy(x、y∈Rⁿ) (4)

式中x、y——样本特征向量

ω——x、y关于Ω的双线性函数

令Eⁿ＝{x∈Rⁿ:ω_xy＞0}，定义为d_E:Eⁿ×Eⁿ→R⁺，椭圆型度量技术按公式(5)如下：

式中d_E(x,y)——样本下，x，y的椭圆型度量

i——虚数单位

ω_xx——x，x关于Ω的双线性函数

ω_yy——y，y关于Ω的双线性函数

k——曲率半径。

步骤4：利用特征子空间椭圆型度量d_E(x,y)计算测试集和训练集之间的距离，取每个测试样本距离前5个样本的平均距离作为最后的判断依据；最后在matlab上进行实验，便于验证基于椭圆度量学习的压板状态检测算法的有效性，并对提取的MWM特征和分类器分别进行对比实验。

本发明的工作原理及使用流程：首先对采集来的压板图像进行处理，对压板图像进行缩放的压板图像分别提取MWM特征，通过归一标准化处理，得到组合特征向量，再利用二次判别分析，用高斯概率模型来拟合压板不同状态以及相同严重度样本特征之间的差值分布，分别计算协方差矩阵∑₁、∑_E，通过求解公式(1)得到降维矩阵W相应地由公式(2)得到椭圆型度量矩阵Ω(W)，最后利用特征子空间椭圆型度量d_E(x,y)计算测试集和训练集之间的距离，取每个测试样本距离前5个样本的平均距离作为最后的判断依据，得出压板状态，避免了样本图像拍摄视角变化和压板弯曲、倾斜、缺损等而容易造成分类识别率下降的问题。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于椭圆度量学习的压板状态检测算法，其特征在于，包括以下步骤：

步骤1：采集压板的图像数据，并对数据进行处理；

步骤2：通过HSV颜色直方图和LBP直方图对压板的状态进行变换，用滑窗法提取压板的MWM细节特征，并通过归一化标准化处理，得到组合特征向量；

步骤3：使用二次判别分析，用高斯概率模型拟合压板不同状态与正常状态样本特征之间的差值分布，并分别计算协方差矩阵∑₁、∑_E，通过求解公式(1)得到降维矩阵W，相应地由公式(2)得到椭圆型度量矩阵Ω(W)；公式(1)和公式(2)如下：

其中对初始特征x_i、x_j∈R^d，通过降维矩阵W∈R^d×r(r<d)将初始高维特征向量映射到低维子空间中，与/>分别是新的特征子空间中类内和类间协方差矩阵；

步骤4：利用特征子空间椭圆型度量d_E(x,y)计算测试集和训练集之间的距离，取每个测试样本距离前5个样本的平均距离作为最后的判断依据；

所述步骤3中，给定可逆对称矩阵Ω＝R^n×n，得出x、y的双向性形式为公式(4)如下：

ω(x,y)＝x^TΩy (x、y∈Rⁿ) (4)

式中x、y——样本特征向量

ω——x、y关于Ω的双线性函数

令Eⁿ＝{x∈Rⁿ:ω_xy＞0}，定义为d_E:Eⁿ×Eⁿ→R⁺，椭圆型度量技术按公式(5)如下：

式中d_E(x,y)——样本下，x，y的椭圆型度量

i——虚数单位

ω_xx——x，x关于Ω的双线性函数

ω_yy——y，y关于Ω的双线性函数

k——曲率半径。

2.根据权利要求1所述的一种基于椭圆度量学习的压板状态检测算法，其特征在于，所述步骤1中，通过摄像设备和照明设备对压板清晰的图像数据采集多组图像，图像数据大于100幅，并从多组图像内随机抽取100幅图像作为训练样本。

3.根据权利要求1所述的一种基于椭圆度量学习的压板状态检测算法，其特征在于，所述步骤2中，对于每一幅样本图像采用10像素×10像素的子窗口，步长为5个像素扫描整幅图像，在每个子窗口中，将HSV颜色空间量化为512个颜色小区间，每个颜色小区间的直方图代表着其在子窗口中出现的概率；同时，每个子窗口也提取它的LBP统计直方图特征，对每个子窗口中的某个像素，将相邻的8个像素的灰度值与其进行比较，并将得出的数据进行进制的转换作为该像素点的LBP值，通过LBP值计算出每个子窗口的直方图，最后通过归一化标准化处理，得到组合特征向量。

4.根据权利要求1所述的一种基于椭圆度量学习的压板状态检测算法，其特征在于，所述步骤2中，将样本图像进行缩放，并提取MWM特征将缩放后提取的特征组合在一起，构成一个新的特征向量X＝(X₁,X₂,···,X_n)^T描述压板状态，并通过对数据特征向量X作归一化处理，归一化后的特征向量记为其中/>通过公式(3)计算，公式(3)如下：