CN114783011A - 一种gis内部缺陷超声波成像识别方法 - Google Patents

Abstract

本发明公开了一种GIS内部缺陷超声波成像识别方法，包括采集GIS内部缺陷放电、对典型GIS缺陷进行仿真研究、建立成像数据库、神经网络的指纹识别技术及成像处理，所述神经网络的指纹识别技术包括有网络神经及指纹识别，所述神经网络包括有信息处理、信息并行处理、分布式存储及高速运算，所述指纹识别包括有指纹图像识别、指纹特征提取、指纹图形预处理、指纹图像算法及指纹图像匹配算法；本发明与传统GIS内部缺陷超声波成像识别方法相比，采用复合超声波传感器的应用，提高了接收瞬态信号的精准度，通过超声波成像可尽早发现GIS缺陷并进行准确定位，从而使检修工作能有计划地进行，缩短检修时间和节省检修费用，提高运行可靠性。

Description

一种GIS内部缺陷超声波成像识别方法

技术领域

本发明涉及软件分析技术领域，更具体地说，本发明涉及一种GIS内部缺陷超声波成像识别方法。

背景技术

随着国民经济快速发展，电力事业也在高速持续发展中，GIS已经随着电力发展投入到电网广泛使用，随着新技术的运行，GIS必不可免出现了一些故障问题，而导致出现故障的原因是GIS内部缺陷造成绝缘性能降低，众所周知，GIS具有集中、存储、操作处理、分析、检索及显示地理参考信息的计算机系统，能在数据库的位置对于数据进行识别，GIS内部缺陷造成局部放电出现故障，GIS内部局放是不稳定的信号源，放电时间持续短、通常是纳秒级的持续时间，传统的GIS使用的采集卡精度不高，采样率较低，传统的GIS内部缺陷采用的是超声波配合传感器使用，发射传感器与接收传感器是两个独立个体，触发与接收瞬态信号的精准度不高，控制器对于瞬态信号进行成像处理效率较低等问题。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种GIS内部缺陷超声波成像识别方法，在基于源代码插桩方式克服了源代码提取困难的问题，便于后续函数图的输出与混合动态建模方法，在基于多节点自动建模的分析方法过程保证了建模分析数据的精准性，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种GIS内部缺陷超声波成像识别方法，包括采集GIS内部缺陷放电、对典型GIS缺陷进行仿真研究、建立成像数据库、神经网络的指纹识别技术及成像处理，所述神经网络的指纹识别技术包括有网络神经及指纹识别，所述神经网络包括有信息处理、信息并行处理、分布式存储及高速运算，所述指纹识别包括有指纹图像识别、指纹特征提取、指纹图形预处理、指纹图像算法及指纹图像匹配算法，所述成像处理包括有数据叠加处理及灰度处理；

具体包括下列步骤

S1、首先利用复合超声波传感器分别对悬浮电位、电晕放电用声接收传感器，对固体绝缘材料采用大能量声发射传感器及对于GIS内部基于屏蔽松动引起悬浮点位放电、自由颗粒的移动、导体毛刺的放电，采用声发射与接收传感器进行数据采集，目的是先进行GIS内部缺陷放电数据采集；

S2、分别把采集到三种类型的三组数据，包括有主要特征参数：时间差、幅值衰减、频率衰减的数据进行仿真研究，目的是利用所测数据进行建模运算；

S3、然后利用仿真数据及采用建模的数学模型进行网络信息存储，从而建立成像数据库，目的是把建模运算的数据进行仿真研究，确保优化检测解决放电问题；

S4、通过采取神经网络的指纹识别技术对复合超声波传感器发射与接收的瞬态信号进行成像处理，目的是利用高技术神经网络对指纹识别技术进行图像处理；

S5、对不同GIS内部缺陷的类型采取对应的成像处理，如对悬浮电位、电晕放电用声接收传感器与对固体绝缘材料采用大能量声发射传感器采取灰度成像处理，对于GIS内部基于屏蔽松动引起悬浮点位放电、自由颗粒的移动、导体毛刺的放电，采用声发射与接收传感器进行数据采集采用数据叠加成像处理，目的是成像处理所采取的措施方法应该与检测数据类型相匹配。

进一步的，所述神经网络的指纹识别技术中指纹识别是利用指纹具有的唯一性、不变性、实用性及安全性，高效进行个人身份识别，所述神经网络的指纹识别技术是涉及数字信号处理、指纹识别、图形成像处理、计算机网络技术，其中对于指纹识别中研究及利用计算机运算智能提取特征值的处理，所述指纹图形预处理对指纹增强、分割、二值化、细化及归一化均是采用计算机编程进行实现，所述指纹图像算法及所述指纹图像匹配算法基于神经网络的细化算法，目的是利用指纹特性对图形进行识别。

进一步的，所述神经网络是识别系统，在神经网络系统中，通过神经网络的分支对指纹图像的信息进行采集、分类的信息处理，首先对于指纹图像进行处理，对图像进行边缘监测、图像分割、图像压缩及图像恢复，然后利用神经网络对信息并行处理，则进行信号处理，对电波收集、数字信号转化、通讯信息进行分类处理，然后就是指纹识别，利用传感器的标识自动识别，最后经过网络进行高速运算，将指纹图像信息分布式存储，目的是神经网络可以达到分布式与并行式处理指纹图像信息。

进一步的，所述GIS内部缺陷放电是利用复合超声波传感器的检测，常见典型的GIS内部缺陷放电类型包括有金属悬浮电位放电、机械松动放电、尖端引起的电晕放电、绝缘沿面放电、绝缘子内部缺陷放电及颗粒运动引起的放电，对于典型的GIS内部缺陷放电，进行深度研究，目的是通过常见的典型GIS内部缺陷放电类型进行深度研究。

进一步的，所述复合超声波传感器是利用超声波探测技术结合传感器技术，合二为一运用到检测电力，研究放电内容并对其GIS内部缺陷放电利用所述神经网络的指纹识别技术对传感器发射、接收的瞬态信号进行成像处理，所述传感器是一种检测装置，能感受到被测GIS内部缺陷放电的信息，把接收到的信息按照数学函数变换成电信号输出，所述传感器能自动检测和自动控制，具有数字化、智能化、系统化及网络化特点，能实现把收集信息进行传输、处理、存储、显示及控制的功能，所述传感器测量GIS内部缺陷放电的特征信号，包括时间差、幅值衰减及频率衰减，目的是通过参数值的变量及不同取值对比信号测出数据转化图像处理。

进一步的，所述成像处理包括有灰度处理与数据叠加处理，因为像素度是由像素点的图像单元构成，在图像处理中，通过利用红、绿、蓝三元素表示色彩，灰度值范围为0-255，图像的二值化是灰度处理的一种方法，对于二值化中的阈值需要根据计算机运算，二值化就是让像素中的灰度值为0与灰度值取255，黑白二色进行处理，所述数据叠加处理是根据声波传播模拟算法，对声波传播的过程信号进行建模，形成声波信号，而采用叠加成像是声波成像的模型，根据声波在传播过程中能量逐渐衰减的原理，离声波发生器越近的位置，声波能量越强，成像效果越好，可以将声波传感器放置在不同位置，通过多次激发声波，多次接收声波的方式，得到波场的多次观测，再叠加多次观测的结果，得到最终的成像结果，目的是利用灰度处理与数据叠加处理的方式对成像处理进一步完善。

进一步的，所述神经网络的指纹识别技术，具体的识别步骤如下：

A1、首先神经网络通过提取指纹图形的信息，然后神经网络对指纹进行分类；

A2、然后神经网络对于指纹图像的识别、指纹特征提取、指纹图形的预处理、算法及匹配算法进行指纹识别；

A3、最后利用网络对指纹识别的信息进行输出结果，目的是网络神经系统对于瞬态信息的识别与成像技术的使用，突出GIS内部缺陷超声波成像识别方法的有益效果。

本发明的技术效果和优点：

本发明与传统GIS内部缺陷超声波成像识别方法相比，采用复合超声波传感器的应用，提高了接收瞬态信号的精准度，通过超声波成像可尽早发现GIS缺陷并进行准确定位，从而使检修工作能有计划地进行，缩短检修时间和节省检修费用，提高运行可靠性。

本发明与传统GIS内部缺陷超声波成像识别方法相比，实现了神经网络的指纹识别技术的应用，对瞬态信号进行成像处理，达到了高效性、唯一性及准确性的指纹识别，成像定位功能准确查找故障源，做到检修工作具有针对性和高效性。

附图说明

图1为本发明的GIS内部缺陷超声波成像识别方法框图；

图2为本发明的神经网络的指纹识别技术系统图；

图3为本发明的GIS内部缺陷放电类型图；

图4为本发明的传感器测的特征信号参数图；

图5为本发明的成像处理方法图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例，虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制，相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到，相似的标号和字母在下面的附图中表示类似项，因此一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论，

本申请实施例可以应用于计算机系统/服务器，其可与众多其它通用或专用计算系统环境或配置一起操作，适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于，个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令（诸如程序模块）的一般语境下描述，通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型，计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的，在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

实施例1

本发明提供了一种GIS内部缺陷超声波成像识别方法，包括采集GIS内部缺陷放电、对典型GIS缺陷进行仿真研究、建立成像数据库、神经网络的指纹识别技术及成像处理，所述神经网络的指纹识别技术包括有网络神经及指纹识别，所述神经网络包括有信息处理、信息并行处理、分布式存储及高速运算，所述指纹识别包括有指纹图像识别、指纹特征提取、指纹图形预处理、指纹图像算法及指纹图像匹配算法，所述成像处理包括有数据叠加处理及灰度处理；

具体包括下列步骤

101、首先利用复合超声波传感器分别对悬浮电位、电晕放电用声接收传感器，对固体绝缘材料采用大能量声发射传感器及对于GIS内部基于屏蔽松动引起悬浮点位放电、自由颗粒的移动、导体毛刺的放电，采用声发射与接收传感器进行数据采集；

本实施例中，需要具体说明的是所述悬浮电位、电晕放电是在高压、低压之间，当悬浮电位较大时就会产生局部放电，而电晕放电通常是在气体包围的高压导体周围出现的电晕放电，会导致绝缘体周围的介质烧坏、炭化，所述固体绝缘材料一般是金属尖端突出物在高压电力情况下，形成高场强区引发故障，所述自由颗粒的移动、导体毛刺的放电是由于电压引起的静电力，自由颗粒的移动形成表面电荷聚集，加大故障出现率，所以使用超声波检测能避及时检测出悬浮电位、固体绝缘材料、自由移动颗粒及导体毛刺的局部放电情况，避免局部放电带来的故障危害。

102、分别把采集到三种类型的三组数据，包括有主要特征参数：时间差、幅值衰减、频率衰减的数据进行仿真研究；

本实施例中，需要具体说明的是所述采集是利用采集卡通过超声波传感器对于悬浮电位、固体绝缘材料及GIS内部屏蔽松动的移动粒子进行发射、接收声波信号进行模拟信号转化成数字信号，然后采集卡把接收的信号导入计算机进行数字处理，传统的采集模块精准度不高，本实施例中采用高精度、高频率的采集模块，采集模块的采样率单通道要高达G级以上，本装置采用10G的采用模块，每个独立的通道采样率为2.5G，带宽100M，采集模块采集的数据经过计算机数字信号的转化，在参数上主要呈现有时间长、幅值衰减、频率衰减。

103、然后利用仿真数据及采用建模的数学模型进行网络信息存储，从而建立成像数据库；

本实施例中，需要具体说明的是所述时间差、幅值衰减及频率衰减利用计算机建立数学模型，分析检测数据进行优化数据，然后进行SIMULINK模型仿真，先设计信号源模块，然后根据传感器发射、接收信号的距离测出信号衰减，确保仿真结构的有效性，仿真数据及使用的数学模型信息通过仿真研究，将研究后的仿真数据与计算机建模的数学模型及运算方法，用过计算机网络进行信息存储，投入现实运行后，得出复合超声波传感器中声发射传感器和接收传感器的二合一比传统的超声波检测更有益，然后建立成像数据库用来作对比的目标数据库。

104、通过采取神经网络的指纹识别技术对复合超声波传感器发射与接收的瞬态信号进行成像处理；

本实施例中，需要具体说明的是所述瞬态信号顾名思义指一般将持续时间短，有明显开端和结束的信号，瞬态信号具有强时变、短时段的特点，所述神经网络的指纹识别技术用于准确高效的GIS内部缺陷检测，目前使用的神经网络的指纹识别技术是卷积神经网络CNN，因为在CNN中增加了并行性，所述神经网络包括用于训练或部署神经网络的Python和MATLAB，用于加速计算的CPU或GPU选项，对于信息处理的运算方式更便捷，而所述神经网络的计算一般通过公式

a_x,y=f（D-1∑d=0,w_(d,m,n)P_{（d,x+m,y+n）}+w_b）,

D表示输入深度；a(xy)是特征图的像素(x,y); w(d,m,n)是d层过滤器的重量(x，y);

p(d,x+m,y+n)表示d层输入的像素(x，y); w(b)是滤波器的偏置；f是一个激活函数。

105、对不同GIS内部缺陷的类型采取对应的成像处理，如对悬浮电位、电晕放电用声接收传感器与对固体绝缘材料采用大能量声发射传感器采取灰度成像处理，对于GIS内部基于屏蔽松动引起悬浮点位放电、自由颗粒的移动、导体毛刺的放电，采用声发射与接收传感器进行数据采集采用数据叠加成像处理；

本实施例中，需要具体说明的是所述成像处理是对于检测的数据进行信号转化成图像进行预处理，一般采用的所述灰度成像处理是利用图像直方图统计特征，反应数字图像概貌，如灰度成像是根据灰度范围、分布及明暗对比下出现的次数进行统计、归一化及计算像素值，所述灰度处理方法一般有根据matlab函数rgb2gray实现、分量法、最大值法、平均值法及加权平均法，采用计算机代码进行图形识别、分析及运算，如利用加权平均能获得较合理的灰度图像采用的代码如下

im=imread('下载.jpg');

figure('name','原图像');imshow(im);

%提取R、G、B三色份量

imR=im2double(im(:,:,1));

imG=im2double(im(:,:,2));

imB=im2double(im(:,:,3));

%加权平均值灰度图像

%Wr=0.587，Wg=0.299,Wb=0.114，加权平均后还要乘以255，将灰度值范围变回[0,255]并取整

imRGB2=round((0.587*imR+0.299*imG+0.114*imB)*255);

im(:,:,1)=imRGB2;

im(:,:,2)=imRGB2;

im(:,:,3)=imRGB2;

imshow(im);

title('加权平均值灰度图像')。

本实施例中，需要具体说明的是所述神经网络的指纹识别技术中指纹识别是利用指纹具有的唯一性、不变性、实用性及安全性，高效进行个人身份识别，所述神经网络的指纹识别技术是涉及数字信号处理、指纹识别、图形成像处理、计算机网络技术，其中对于指纹识别中研究及利用计算机运算智能提取特征值的处理，所述指纹图形预处理对指纹增强、分割、二值化、细化及归一化均是采用计算机编程进行实现，所述指纹图像算法及所述指纹图像匹配算法基于神经网络的细化算法；

所述细化算法包括有串行细化、并行细化及混合细化，需要代码重复执行细化算法的运算指令，代码采用如下

//神经网络中小矩阵初始化按行赋值

Mat kern = (Mat_<int>(3, 3) << 1, 8, 64, 2, 16, 128, 4, 32, 256); //神经网络

Mat mat_out = Mat::zeros(MatX, MatY, CV_16UC1);

Mat mat_expend = Mat::zeros(MatX + 2, MatY + 2, CV_16UC1);

Rect Roi(1, 1, MatY, MatX); //（列，行，列，行）

Mat mat_expend_Roi(mat_expend, Roi); //确定扩展矩阵的Roi区域

mat_in.copyTo(mat_expend_Roi); //将传入矩阵赋给Roi区域

Mat Mat_conv;

//卷积神经网络和每一个八邻域进行点乘再相加，其结果为表的索引，对应值为0能去掉，为1则不能去掉

filter2D(mat_expend, Mat_conv, mat_expend.depth(), kern); //神经网络Mat mat_index = Mat_conv(Rect(1, 1, MatY, MatX));

for (int i = 0; i < MatX; i++)。

本实施例中，需要具体说明的是所述神经网络是识别系统，在神经网络系统中，通过神经网络的分支对指纹图像的信息进行采集、分类的信息处理，首先对于指纹图像进行处理，对图像进行边缘监测、图像分割、图像压缩及图像恢复，然后利用神经网络对信息并行处理，则进行信号处理，对电波收集、数字信号转化、通讯信息进行分类处理，然后就是指纹识别，利用传感器的标识自动识别，最后经过网络进行高速运算，将指纹图像信息分布式存储；

所述神经网络由若干个处理单元相互连接而形成的计算机系统，模拟了人体大脑神经结构及功能对信息进行处理，所述神经网络处理信息一般采用非线性特征函数计算处理信息，所述高速运算是神经网络系统控制高速学习算法进行 CPU 和 TPU 计算的切割，并分别进行优化与编译，最终生成 CPU 可执行文件和 TPU 可执行文件。

本实施例中，需要具体说明的是所述GIS内部缺陷放电是利用复合超声波传感器的检测，常见典型的GIS内部缺陷放电类型包括有金属悬浮电位放电、机械松动放电、尖端引起的电晕放电、绝缘沿面放电、绝缘子内部缺陷放电及颗粒运动引起的放电，对于典型的GIS内部缺陷放电，进行深度研究；

所述金属悬浮电位放电常发生于变压器内处于高电位的未接地金属部件，所述机械松动放电是机械运动电源供给脉冲式电压可以破坏绝缘的距离时，绝缘破坏﹐两电极之间开始放电，所述尖端引起的电晕放电是尖端在强电场作用下，尖端等电位面密，电场强度大，使得尖端周围空气被电离产生气体放电，所述绝缘沿面放电是沿不同聚集态电介质分界面的放电，一般是在两种电介质交界面发生，所述绝缘子内部缺陷放电由于绝缘子腐蚀老化及环境用电负荷击穿周围气体形成故障放电，所述颗粒运动引起的放电由于绝缘金属的自由移动颗粒移动摩擦，颗粒对于电极产生微弱的放电。

本实施例中，需要具体说明的是所述复合超声波传感器是利用超声波探测技术结合传感器技术，合二为一运用到检测电力，研究放电内容并对其GIS内部缺陷放电利用所述神经网络的指纹识别技术对传感器发射、接收的瞬态信号进行成像处理，所述传感器是一种检测装置，能感受到被测GIS内部缺陷放电的信息，把接收到的信息按照数学函数变换成电信号输出，所述传感器能自动检测和自动控制，具有数字化、智能化、系统化及网络化特点，能实现把收集信息进行传输、处理、存储、显示及控制的功能，所述传感器测量GIS内部缺陷放电的特征信号，包括时间差、幅值衰减及频率衰减；

所述超声波接收信号的时间差是复合超声波传感器发射声波脉冲与接收声波脉冲之间的连续信号使用的时长及两者之间传输声波信号的速度进行信号时间差对比，所述幅值衰退是声波在空气中传输过程中衰退，一般利用正弦函数波动公式建立数学模型，计算机运算出声波幅值衰减系数，所述频率衰减结合超声波能量计算公式进行数据推导，一般超声波能量计算采用公式如下Q=(P*W*u*A²)/2,P为介质密度，W为声音频率，A为振幅，u为波速。

本实施例中，需要具体说明的是所述成像处理包括有灰度处理与数据叠加处理，因为像素度是由像素点的图像单元构成，在图像处理中，通过利用红、绿、蓝三元素表示色彩，灰度值范围为0-255，图像的二值化是灰度处理的一种方法，对于二值化中的阈值需要根据计算机运算，二值化就是让像素中的灰度值为0与灰度值取255，黑白二色进行处理，所述数据叠加处理是根据声波传播模拟算法，对声波传播的过程信号进行建模，形成声波信号，而采用叠加成像是声波成像的模型，根据声波在传播过程中能量逐渐衰减的原理，离声波发生器越近的位置，声波能量越强，成像效果越好，可以将声波传感器放置在不同位置，通过多次激发声波，多次接收声波的方式，得到波场的多次观测，再叠加多次观测的结果，得到最终的成像结果；

所述灰度处理成像具体可采用如下方法：（红R，绿G，蓝B）

灰度化后的R=（处理前的R + 处理前的G +处理前的B）/ 3

灰度化后的G=（处理前的R + 处理前的G +处理前的B）/ 3

灰度化后的B=（处理前的R + 处理前的G +处理前的B）/ 3

灰度化后的R=处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11

灰度化后的G=处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11

灰度化后的B=处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11。

本实施例中，需要具体说明的是所述神经网络的指纹识别技术，具体的识别步骤如下：

步骤1：首先神经网络通过提取指纹图形的信息，然后神经网络对指纹进行分类；

步骤2：然后神经网络对于指纹图像的识别、指纹特征提取、指纹图形的预处理、算法及匹配算法进行指纹识别；

步骤3：最后利用网络对指纹识别的信息进行输出结果。

本实施例中，需要具体说明的是GIS内部超声波成像识别方法采用的就是复合超声波传感器二合一的发射与接收信号源，检测GIS内部缺陷放电现象，利用神经网络的指纹识别技术的应用，对瞬态信号进行成像处理。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种GIS内部缺陷超声波成像识别方法，其特征在于：包括采集GIS内部缺陷放电、对典型GIS缺陷进行仿真研究、建立成像数据库、神经网络的指纹识别技术及成像处理，所述神经网络的指纹识别技术包括有网络神经及指纹识别，所述神经网络包括有信息处理、信息并行处理、分布式存储及高速运算，所述指纹识别包括有指纹图像识别、指纹特征提取、指纹图形预处理、指纹图像算法及指纹图像匹配算法，所述成像处理包括有数据叠加处理及灰度处理；

具体包括下列步骤

S1、首先利用复合超声波传感器分别对悬浮电位、电晕放电用声接收传感器，对固体绝缘材料采用大能量声发射传感器及对于GIS内部基于屏蔽松动引起悬浮点位放电、自由颗粒的移动、导体毛刺的放电，采用声发射与接收传感器进行数据采集；

S2、分别把采集到三种类型的三组数据，包括有主要特征参数：时间差、幅值衰减、频率衰减的数据进行仿真研究；

S3、然后利用仿真数据及采用建模的数学模型进行网络信息存储，从而建立成像数据库；

S4、通过采取神经网络的指纹识别技术对复合超声波传感器发射与接收的瞬态信号进行成像处理；

S5、对不同GIS内部缺陷的类型采取对应的成像处理，如对悬浮电位、电晕放电用声接收传感器与对固体绝缘材料采用大能量声发射传感器采取灰度成像处理，对于GIS内部基于屏蔽松动引起悬浮点位放电、自由颗粒的移动、导体毛刺的放电，采用声发射与接收传感器进行数据采集采用数据叠加成像处理。

2.根据权利要求1所述的一种GIS内部缺陷超声波成像识别方法，其特征在于：所述神经网络的指纹识别技术中指纹识别是利用指纹具有的唯一性、不变性、实用性及安全性，高效进行个人身份识别，所述神经网络的指纹识别技术是涉及数字信号处理、指纹识别、图形成像处理、计算机网络技术，其中对于指纹识别中研究及利用计算机运算智能提取特征值的处理，所述指纹图形预处理对指纹增强、分割、二值化、细化及归一化均是采用计算机编程进行实现，所述指纹图像算法及所述指纹图像匹配算法基于神经网络的细化算法。

3.根据权利要求2所述的一种GIS内部缺陷超声波成像识别方法，其特征在于：所述神经网络是识别系统，在神经网络系统中，通过神经网络的分支对指纹图像的信息进行采集、分类的信息处理，首先对于指纹图像进行处理，对图像进行边缘监测、图像分割、图像压缩及图像恢复，然后利用神经网络对信息并行处理，则进行信号处理，对电波收集、数字信号转化、通讯信息进行分类处理，然后就是指纹识别，利用传感器的标识自动识别，最后经过网络进行高速运算，将指纹图像信息分布式存储。

4.根据权利要求1所述的一种GIS内部缺陷超声波成像识别方法，其特征在于：所述GIS内部缺陷放电是利用复合超声波传感器的检测。

5.根据权利要求1所述的一种GIS内部缺陷超声波成像识别方法，其特征在于：所述复合超声波传感器是利用超声波探测技术结合传感器技术，合二为一运用到检测电力，研究放电内容并对其GIS内部缺陷放电利用所述神经网络的指纹识别技术对传感器发射、接收的瞬态信号进行成像处理，所述传感器是一种检测装置，能感受到被测GIS内部缺陷放电的信息，把接收到的信息按照数学函数变换成电信号输出，所述传感器能自动检测和自动控制，具有数字化、智能化、系统化及网络化特点，能实现把收集信息进行传输、处理、存储、显示及控制的功能，所述传感器测量GIS内部缺陷放电的特征信号，包括时间差、幅值衰减及频率衰减。

6.根据权利要求1所述的一种GIS内部缺陷超声波成像识别方法，其特征在于：所述成像处理包括有灰度处理与数据叠加处理，因为像素度是由像素点的图像单元构成，在图像处理中，通过利用红、绿、蓝三元素表示色彩，灰度值范围为0-255，图像的二值化是灰度处理的一种方法，对于二值化中的阈值需要根据计算机运算，二值化就是让像素中的灰度值为0与灰度值取255，黑白二色进行处理，所述数据叠加处理是根据声波传播模拟算法，对声波传播的过程信号进行建模，形成声波信号，而采用叠加成像是声波成像的模型，根据声波在传播过程中能量逐渐衰减的原理，离声波发生器越近的位置，声波能量越强，成像效果越好，可以将声波传感器放置在不同位置，通过多次激发声波，多次接收声波的方式，得到波场的多次观测，再叠加多次观测的结果，得到最终的成像结果。

7.根据权利要求5所述的一种GIS内部缺陷超声波成像识别方法，其特征在于：所述神经网络的指纹识别技术，具体的识别步骤如下：

A1、首先神经网络通过提取指纹图形的信息，然后神经网络对指纹进行分类；

A2、然后神经网络对于指纹图像的识别、指纹特征提取、指纹图形的预处理、算法及匹配算法进行指纹识别；

A3、最后利用网络对指纹识别的信息进行输出结果。

Images