CN115047010A - 一种基于多源光谱感知技术的绝缘子污秽程度检测方法 - Google Patents

一种基于多源光谱感知技术的绝缘子污秽程度检测方法 Download PDF

Info

Publication number
CN115047010A
CN115047010A CN202210446884.8A CN202210446884A CN115047010A CN 115047010 A CN115047010 A CN 115047010A CN 202210446884 A CN202210446884 A CN 202210446884A CN 115047010 A CN115047010 A CN 115047010A
Authority
CN
China
Prior art keywords
image
ultraviolet
hyperspectral
neural network
characteristic quantity
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.)
Granted
Application number
CN202210446884.8A
Other languages
English (en)
Other versions
CN115047010B (zh
Inventor
刘益岑
杨琳
朱军
白欢
薛志航
董汉彬
殷成凤
郭裕钧
张血琴
吴广宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202210446884.8A priority Critical patent/CN115047010B/zh
Publication of CN115047010A publication Critical patent/CN115047010A/zh
Application granted granted Critical
Publication of CN115047010B publication Critical patent/CN115047010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1245—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Ceramic Engineering (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于多源光谱感知技术的绝缘子污秽程度检测方法，本方法结合高光谱图像数据、红外图像数据以及紫外图像数据，利用不同波段范围下绝缘子受污秽影响的信息，从多角度反映绝缘子污秽状况，将不同光谱的优势集中，从污秽物质以及电气特征两大层面充分反应污秽状态，解决因现场绝缘子污秽成分复杂使得单一光谱数据信息有限的问题，同时本方法还能解决高光谱图像质量依赖于光照强度、绝缘子表面温度分布受温湿度影响、紫外成像技术波段范围窄的问题，避免由人工对绝缘子污秽程度直接测量带来的误差，更加高效准确的实现绝缘子污秽程度的整体评估，以便及时进行线路绝缘子的清扫工作，提高输电线路运行的可靠性与安全性。

Description

一种基于多源光谱感知技术的绝缘子污秽程度检测方法
技术领域
本发明涉及绝缘子污染检测领域，具体涉及一种基于多源光谱感知技术的绝缘子污秽程度检测方法。
背景技术
绝缘子等值盐密(盐密值)的有效测量对指导绝缘子清洁具有重要意义。目前相较于传统接触式检测方法，非接触检测法成为研究热点。高光谱成像波段范围广，利用物质对光反射强度差异性从而实现物质检测，因此高光谱技术可识别污秽成分以及含量。红外热成像技术利用绝缘子运行过程中污秽层受潮导致表面产生泄漏电流引起焦耳热，使得绝缘子表面温度分布发生变化，实现电气设备的检测。紫外成像技术是近几年逐渐发展起来的一种非接触式的带电检测技术，通过检测电力绝缘设备放电产生的特定波段的紫外光达到检测放电严重程度及绝缘性能的目的。而如何将高光谱技术、红外热成像技术和紫外成像技术进行结合对绝缘子等值盐密进行有效的测量，却始终没有一个行之有效的方法。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于多源光谱感知技术的绝缘子污秽程度检测方法结合高光谱图像、红外图像、紫外图像的特征量，解决了对现场绝缘子污秽程度表征困难的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于多源光谱感知技术的绝缘子污秽程度检测方法，其包括以下步骤：
S1、分别获取样本绝缘子的高光谱图像、红外图像和紫外视频，将同一个样本绝缘子的高光谱图像和红外图像按同样的方法均划分为N个区域，并分别获取样本绝缘子的上述N个区域的盐密值；
S2、分别对每个区域的高光谱图像和红外图像进行预处理，得到预处理后的区域图像；选取紫外视频中有效帧并进行预处理，得到预处理后的紫外图像；
S3、对预处理后的区域图像和紫外图像进行特征量提取，分别得到紫外特征量、各区域的高光谱特征量和各区域的红外特征量；
S4、将紫外特征量、高光谱特征量和红外特征量联合作为BP神经网络模型的输入，根据真实盐密值对BP神经网络模型进行训练，得到训练后的BP神经网络模型；
S5、将待测绝缘子的紫外特征量、高光谱特征量和红外特征量进行联合后输入训练后的BP神经网络模型，将训练后的BP神经网络模型的输出作为待测绝缘子的污秽程度检测结果。
本发明的有益效果为：本方法结合高光谱图像数据、红外图像数据以及紫外图像数据，利用不同波段范围下绝缘子受污秽影响的信息，从多角度反映绝缘子污秽状况，将不同光谱的优势集中，从污秽物质以及电气特征两大层面充分反应污秽状态，解决因现场绝缘子污秽成分复杂使得单一光谱数据信息有限的问题，同时本方法还能解决高光谱图像质量依赖于光照强度、绝缘子表面温度分布受温湿度影响、紫外成像技术波段范围窄的问题，避免由人工对绝缘子污秽程度直接测量带来的误差，更加高效准确的实现绝缘子污秽程度的整体评估，以便及时进行线路绝缘子的清扫工作，提高输电线路运行的可靠性与安全性。
进一步地，步骤S1中划分为N个区域的具体方法为：
分别以样本绝缘子的高光谱图像和红外图像的中心为圆心，划分N个大小相同的扇形区域。
进一步地，步骤S2中对每个区域的高光谱图像和红外图像进行预处理的具体方法为：
对每个区域的高光谱图像进行数字量化值校正、黑白校正、多元散射校正；
对每个区域的红外图像进行图像去噪、图像增强和图像分割。
进一步地，步骤S2中选取紫外视频中有效帧并进行预处理的具体方法为：
将高光谱图像和红外图像的拍摄时间作为基准时间，将紫外视频中基准时间处的图像帧作为基础帧，选取基础帧前后各100帧的图片作为有效帧，对所有有效帧进行图像去噪、图像增强和图像分割，得到预处理后的紫外图像。
采用上述优选方案的有益效果为：去除环境噪声以及背景噪声对数据的干扰；对图像进行去噪处理可以增强图像的局部特性，也能放大感兴趣区域，充分有效利用像素邻域信息，增强图像的视觉效果以及提高检测结果的准确率。
进一步地，步骤S3的具体方法包括以下子步骤：
S3-1、获取红外图像对应的预处理后的不同区域图像的盘面温度的平均值、最大值、最小值和方差；
S3-2、构建第一BP神经网络模型，将同一区域图像的盘面温度的平均值、最大值、最小值和方差分别作为特征量输入第一BP神经网络模型，获取第一BP神经网络模型盐密检测准确率大于等于60％的特征量，得到各区域的红外特征量；
S3-3、构建第二BP神经网络模型，将预处理后的紫外图像中光子数量总数、光子数量平均值、方差和光斑面积分别作为特征量输入构建第二BP神经网络模型，获取第二BP神经网络模型盐密检测准确率大于等于60％的特征量，得到紫外特征量；
S3-4、对于任一个区域，获取该区域的红外图像中每个像素点的温度值，进而得到该区域的平均温度值；
S3-5、选取该区域中温度值大于平均温度值的像素点作为有效像素点，得到盘面红外图像有效面积；
S3-6、获取每一帧预处理后的紫外图像的像素点个数，根据公式：
Figure BDA0003615901450000041
基于每一帧预处理后的紫外图像中的光子数进行有效像素点统计，将统计得到的有效像素点构成的区域作为盘面紫外图像有效面积；其中q表示像素点i在预处理后的紫外图像中出现光子的数量；
S3-7、将盘面红外图像有效面积和盘面紫外图像有效面积的相与部分作为高光谱数据量提取的有效面积，并提取高光谱数据量提取的有效面积中谱线数据作为区域的高光谱特征量，得到各区域的高光谱特征量。
采用上述优选方案的有益效果为：红外图像温度大的地方则电导率大，相应的等值盐密就大，污秽信息含量多，紫外图像中光子数出现概率大的地方也是污秽信息多，且红外和紫外能够相互补充彼此遗漏的部分，选取紫外和红外图像中有效范围所对应的光谱曲线，使得提取的谱线能够充分包含物质含量与成分信息，真正利用污秽的信息。
进一步地，步骤S4的具体方法包括以下子步骤：
S4-1、将红外特征量H特征＝[h1,h2,...,ha]T、紫外特征量Z特征＝[z1,z2,...,zb]T和高光谱特征量G特征＝[g1,g2,...,gc]T组合成组合矩阵Zu＝[h1,h2,...,ha,z1,z2,...,zb,g1,g2,...,gc]T；其中ha表示红外特征量中第a个元素；[·]T表示矩阵的转置；zb表示紫外特征量中第b个元素；gc表示高光谱特征量中第c个元素；
S4-2、将组合矩阵进行归一化，得到矩阵Zu标＝[h1',h2',...,ha',z1',z2',...,zb',g1',g2',...,gc']T；
S4-3、将矩阵Zu标映射至特征空间，得到映射后的矩阵：
φ(Zu标)＝[φ(h1'),φ(h2'),...,φ(ha'),φ(z1'),φ(z2'),...,φ(zb'),φ(g1'),φ(g2'),...,φ(gc')]T
其中φ(·)表示映射函数；
S4-4、根据公式：
Figure BDA0003615901450000051
获取协方差矩阵C；其中xi∈Zu标，d＝a+b+c；
S4-5、获取协方差矩阵C的特征值r1、r2、...、re和特征向量t1、t2、...、te，根据公式：
Figure BDA0003615901450000052
获取特征值rx的贡献率Gong；其中rx∈r1,r2,...,re；
S4-6、将特征值的贡献率大于0.9的特征值rx对应的特征元素tx组成新的特征向量矩阵Zxin；其中tx∈t1,t2,...,te；
S4-7、将特征向量矩阵Zxin与组合矩阵Zu相乘，得到联合特征量Z联合＝[f1,f2,...,fh]；其中fh表示第f个联合特征值；
S4-8、构建第三BP神经网络模型，将每个区域对应的联合特征量Z联合作为第三BP神经网络模型的输入，根据真实盐密值对BP神经网络模型进行训练，得到训练后的BP神经网络模型。
采用上述优选方案的有益效果为：由于上述红外、紫外和高光谱图像特征是通过不同层面分析获取得到的，因此需要采用合适的方法对不同方法获取的数据矩阵进行特征变换，使在不同层面获取的特征可以在同一个层面上表征污秽的特性，更加有效的将红外数据、紫外数据和高光谱数据进行结合，从多层面反映污秽信息的优势，确保映射关系模型准确。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于多源光谱感知技术的绝缘子污秽程度检测方法包括以下步骤：
S1、分别获取样本绝缘子的高光谱图像、红外图像和紫外视频，将同一个样本绝缘子的高光谱图像和红外图像按同样的方法均划分为N个区域，并分别获取样本绝缘子的上述N个区域的盐密值；
S2、分别对每个区域的高光谱图像和红外图像进行预处理，得到预处理后的区域图像；选取紫外视频中有效帧并进行预处理，得到预处理后的紫外图像；
S3、对预处理后的区域图像和紫外图像进行特征量提取，分别得到紫外特征量、各区域的高光谱特征量和各区域的红外特征量；
S4、将紫外特征量、高光谱特征量和红外特征量联合作为BP神经网络模型的输入，根据真实盐密值对BP神经网络模型进行训练，得到训练后的BP神经网络模型；
S5、将待测绝缘子的紫外特征量、高光谱特征量和红外特征量进行联合后输入训练后的BP神经网络模型，将训练后的BP神经网络模型的输出作为待测绝缘子的污秽程度检测结果。
步骤S1中划分为N个区域的具体方法为：分别以样本绝缘子的高光谱图像和红外图像的中心为圆心，划分N个大小相同的扇形区域。
步骤S2中对每个区域的高光谱图像和红外图像进行预处理的具体方法为：对每个区域的高光谱图像进行数字量化值校正、黑白校正、多元散射校正；对每个区域的红外图像进行图像去噪、图像增强和图像分割。
步骤S2中选取紫外视频中有效帧并进行预处理的具体方法为：将高光谱图像和红外图像的拍摄时间作为基准时间，将紫外视频中基准时间处的图像帧作为基础帧，选取基础帧前后各100帧的图片作为有效帧，对所有有效帧进行图像去噪、图像增强和图像分割，得到预处理后的紫外图像。
步骤S3的具体方法包括以下子步骤：
S3-1、获取红外图像对应的预处理后的不同区域图像的盘面温度的平均值、最大值、最小值和方差；
S3-2、构建第一BP神经网络模型，将同一区域图像的盘面温度的平均值、最大值、最小值和方差分别作为特征量输入第一BP神经网络模型，获取第一BP神经网络模型盐密检测准确率大于等于60％的特征量，得到各区域的红外特征量；第一BP神经网络模型可以为未经训练的BP神经网络模型；
S3-3、构建第二BP神经网络模型，将预处理后的紫外图像中光子数量总数、光子数量平均值、方差和光斑面积分别作为特征量输入构建第二BP神经网络模型，获取第二BP神经网络模型盐密检测准确率大于等于60％的特征量，得到紫外特征量；第二BP神经网络模型可以为未经训练的BP神经网络模型；
S3-4、对于任一个区域，获取该区域的红外图像中每个像素点的温度值，进而得到该区域的平均温度值；
S3-5、选取该区域中温度值大于平均温度值的像素点作为有效像素点，得到盘面红外图像有效面积；
S3-6、获取每一帧预处理后的紫外图像的像素点个数，根据公式：
Figure BDA0003615901450000081
基于每一帧预处理后的紫外图像中的光子数进行有效像素点统计，将统计得到的有效像素点构成的区域作为盘面紫外图像有效面积；其中q表示像素点i在预处理后的紫外图像中出现光子的数量；
S3-7、将盘面红外图像有效面积和盘面紫外图像有效面积的相与部分作为高光谱数据量提取的有效面积，并提取高光谱数据量提取的有效面积中谱线数据作为区域的高光谱特征量，得到各区域的高光谱特征量。
步骤S4的具体方法包括以下子步骤：
S4-1、将红外特征量H特征＝[h1,h2,...,ha]T、紫外特征量Z特征＝[z1,z2,...,zb]T和高光谱特征量G特征＝[g1,g2,...,gc]T组合成组合矩阵Zu＝[h1,h2,...,ha,z1,z2,...,zb,g1,g2,...,gc]T；其中ha表示红外特征量中第a个元素；[·]T表示矩阵的转置；zb表示紫外特征量中第b个元素；gc表示高光谱特征量中第c个元素；
S4-2、将组合矩阵进行归一化，得到矩阵Zu标＝[h1',h2',...,ha',z1',z2',...,zb',g1',g2',...,gc']T；
S4-3、将矩阵Zu标映射至特征空间，得到映射后的矩阵：
φ(Zu标)＝[φ(h1'),φ(h2'),...,φ(ha'),φ(z1'),φ(z2'),...,φ(zb'),φ(g1'),φ(g2'),...,φ(gc')]T
其中φ(·)表示映射函数；
S4-4、根据公式：
Figure BDA0003615901450000091
获取协方差矩阵C；其中xi∈Zu标，d＝a+b+c；
S4-5、获取协方差矩阵C的特征值r1、r2、...、re和特征向量t1、t2、...、te，根据公式：
Figure BDA0003615901450000092
获取特征值rx的贡献率Gong；其中rx∈r1,r2,...,re；
S4-6、将特征值的贡献率大于0.9的特征值rx对应的特征元素tx组成新的特征向量矩阵Zxin；其中tx∈t1,t2,...,te；
S4-7、将特征向量矩阵Zxin与组合矩阵Zu相乘，得到联合特征量Z联合＝[f1,f2,...,fh]；其中fh表示第f个联合特征值；
S4-8、构建第三BP神经网络模型，将每个区域对应的联合特征量Z联合作为第三BP神经网络模型的输入，根据真实盐密值对BP神经网络模型进行训练，得到训练后的BP神经网络模型。
在本发明的一个实施例中，步骤S1中对绝缘子相应区域进行等值盐密测量的具体方法为：在绝缘子表面对所选区域边界进行标记，利用洁净的棉花或者小毛刷粘取去离子水擦拭绝缘子表面选定区域，对污秽进行收集，反复擦拭表面区域并且每次将棉花或小毛刷浸于去离子水中30-60秒以保证污秽完全处于去离子水中，测量溶液电导率并计算等值盐密。
数字量化值校正具体为：
Figure BDA0003615901450000093
其中，XRb为数字量化值校正后的高光谱图像，X0b是校正前的原始高光谱图像的每个波段数字量化值，XLb是校正白板不同深度图像的每个波段数字量化值，XWb是校正白板的白校正图像每个波段数字量化值，b为波段数量；
黑白校正的处理公式为：
Figure BDA0003615901450000101
其中，R表示黑白校正后的高光谱图像数据，Sample表示原始高光谱图像数据，dark为全黑标定高光谱数据；White为全白标定高光谱图像。
多元散射校正的具体方法为：
A1：计算高光谱数据平均值，平均值计算公式为：
Figure BDA0003615901450000102
A2：对高光谱数据进行一元线性回归，一元线性回归的公式为：
Figure BDA0003615901450000103
A3：对高光谱数据进行多元散射校正，多元散射校正公式为：
Figure BDA0003615901450000104
其中，mf为高光谱原始数据与平均光谱数据进行线性回归后的相对偏移系数，bf为平移量，n表示图像数据中样本点个数，f代表样本数，f＝1,2,…,n；d代表第d个波段，d＝1,2,……,256；Af,d表示原始高光谱数据矩阵中第f个样本数据的第s个波段处的反射率值，
Figure BDA0003615901450000105
表示表示f个样本数据的平均值组成的矩阵，Af表示第f个样本原始高光谱数据，Af(MSC)表示经过MSC校正后的数据矩阵。
在具体实施过程中，可以采用步骤S1至步骤S4相同的方法获取待测绝缘子的紫外特征量、高光谱特征量和红外特征量并进行联合，进而得到各个区域的盐密值，通过求各个区域的盐密值的平均值即可作为该待测绝缘子的最终污秽程度。
综上所述，本发明将高光谱识别物质成分的优势、红外图像和紫外图像反应温度和湿度的优势相结合，从污秽物质成分以及电气量等方面综合利用污秽表征参数，解决单一图谱反应污秽信息有限的问题，实现对现场绝缘子污秽程度表征困难的问题。高光谱图像质量依赖于环境光照强度而不受温湿度影响，红外图像、紫外图像对污秽信息的反映不受环境光照强度的影响，将不同图谱相结合，可以在最大程度发挥相应技术的优势且弥补自身技术的不足。本发明结合不同图谱检测技术，可避免传统方法测量带来的人工误差，提高对绝缘子污秽程度评估的准确率，满足智能电网的发展需求。

Claims (6)

1.一种基于多源光谱感知技术的绝缘子污秽程度检测方法，其特征在于，包括以下步骤：
S1、分别获取样本绝缘子的高光谱图像、红外图像和紫外视频，将同一个样本绝缘子的高光谱图像和红外图像按同样的方法均划分为N个区域，并分别获取样本绝缘子的上述N个区域的盐密值；
S2、分别对每个区域的高光谱图像和红外图像进行预处理，得到预处理后的区域图像；选取紫外视频中有效帧并进行预处理，得到预处理后的紫外图像；
S3、对预处理后的区域图像和紫外图像进行特征量提取，分别得到紫外特征量、各区域的高光谱特征量和各区域的红外特征量；
S4、将紫外特征量、高光谱特征量和红外特征量联合作为BP神经网络模型的输入，根据真实盐密值对BP神经网络模型进行训练，得到训练后的BP神经网络模型；
S5、将待测绝缘子的紫外特征量、高光谱特征量和红外特征量进行联合后输入训练后的BP神经网络模型，将训练后的BP神经网络模型的输出作为待测绝缘子的污秽程度检测结果。
2.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法，其特征在于，步骤S1中划分为N个区域的具体方法为：
分别以样本绝缘子的高光谱图像和红外图像的中心为圆心，划分N个大小相同的扇形区域。
3.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法，其特征在于，步骤S2中对每个区域的高光谱图像和红外图像进行预处理的具体方法为：
对每个区域的高光谱图像进行数字量化值校正、黑白校正、多元散射校正；
对每个区域的红外图像进行图像去噪、图像增强和图像分割。
4.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法，其特征在于，步骤S2中选取紫外视频中有效帧并进行预处理的具体方法为：
将高光谱图像和红外图像的拍摄时间作为基准时间，将紫外视频中基准时间处的图像帧作为基础帧，选取基础帧前后各100帧的图片作为有效帧，对所有有效帧进行图像去噪、图像增强和图像分割，得到预处理后的紫外图像。
5.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法，其特征在于，步骤S3的具体方法包括以下子步骤：
S3-1、获取红外图像对应的预处理后的不同区域图像的盘面温度的平均值、最大值、最小值和方差；
S3-2、构建第一BP神经网络模型，将同一区域图像的盘面温度的平均值、最大值、最小值和方差分别作为特征量输入第一BP神经网络模型，获取第一BP神经网络模型盐密检测准确率大于等于60％的特征量，得到各区域的红外特征量；
S3-3、构建第二BP神经网络模型，将预处理后的紫外图像中光子数量总数、光子数量平均值、方差和光斑面积分别作为特征量输入构建第二BP神经网络模型，获取第二BP神经网络模型盐密检测准确率大于等于60％的特征量，得到紫外特征量；
S3-4、对于任一个区域，获取该区域的红外图像中每个像素点的温度值，进而得到该区域的平均温度值；
S3-5、选取该区域中温度值大于平均温度值的像素点作为有效像素点，得到盘面红外图像有效面积；
S3-6、获取每一帧预处理后的紫外图像的像素点个数，根据公式：
Figure FDA0003615901440000031
基于每一帧预处理后的紫外图像中的光子数进行有效像素点统计，将统计得到的有效像素点构成的区域作为盘面紫外图像有效面积；其中q表示像素点i在预处理后的紫外图像中出现光子的数量；
S3-7、将盘面红外图像有效面积和盘面紫外图像有效面积的相与部分作为高光谱数据量提取的有效面积，并提取高光谱数据量提取的有效面积中谱线数据作为区域的高光谱特征量，得到各区域的高光谱特征量。
6.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法，其特征在于，步骤S4的具体方法包括以下子步骤：
S4-1、将红外特征量H特征＝[h1,h2,...,ha]T、紫外特征量Z特征＝[z1,z2,...,zb]T和高光谱特征量G特征＝[g1,g2,...,gc]T组合成组合矩阵Zu＝[h1,h2,...,ha,z1,z2,...,zb,g1,g2,...,gc]T；其中ha表示红外特征量中第a个元素；[·]T表示矩阵的转置；zb表示紫外特征量中第b个元素；gc表示高光谱特征量中第c个元素；
S4-2、将组合矩阵进行归一化，得到矩阵Zu标＝[h1',h2',...,ha',z1',z2',...,zb',g1',g2',...,gc']T；
S4-3、将矩阵Zu标映射至特征空间，得到映射后的矩阵：
φ(Zu标)＝[φ(h1'),φ(h2'),...,φ(ha'),φ(z1'),φ(z2'),...,φ(zb'),φ(g1'),φ(g2'),...,φ(gc')]T
其中φ(·)表示映射函数；
S4-4、根据公式：
Figure FDA0003615901440000032
获取协方差矩阵C；其中xi∈Zu标，d＝a+b+c；
S4-5、获取协方差矩阵C的特征值r1、r2、...、re和特征向量t1、t2、...、te，根据公式：
Figure FDA0003615901440000041
获取特征值rx的贡献率Gong；其中rx∈r1,r2,...,re；
S4-6、将特征值的贡献率大于0.9的特征值rx对应的特征元素tx组成新的特征向量矩阵Zxin；其中tx∈t1,t2,...,te；
S4-7、将特征向量矩阵Zxin与组合矩阵Zu相乘，得到联合特征量Z联合＝[f1,f2,...,fh]；其中fh表示第f个联合特征值；
S4-8、构建第三BP神经网络模型，将每个区域对应的联合特征量Z联合作为第三BP神经网络模型的输入，根据真实盐密值对BP神经网络模型进行训练，得到训练后的BP神经网络模型。
CN202210446884.8A 2022-04-26 2022-04-26 一种基于多源光谱感知技术的绝缘子污秽程度检测方法 Active CN115047010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210446884.8A CN115047010B (zh) 2022-04-26 2022-04-26 一种基于多源光谱感知技术的绝缘子污秽程度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210446884.8A CN115047010B (zh) 2022-04-26 2022-04-26 一种基于多源光谱感知技术的绝缘子污秽程度检测方法

Publications (2)

Publication Number Publication Date
CN115047010A true CN115047010A (zh) 2022-09-13
CN115047010B CN115047010B (zh) 2024-08-23

Family

ID=83157955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210446884.8A Active CN115047010B (zh) 2022-04-26 2022-04-26 一种基于多源光谱感知技术的绝缘子污秽程度检测方法

Country Status (1)

Country Link
CN (1) CN115047010B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409011A (zh) * 2023-12-15 2024-01-16 南京中鑫智电科技有限公司 一种基于目标识别的高压套管表面污秽监测方法及系统
CN117611784A (zh) * 2023-11-30 2024-02-27 华北电力大学 面向多光谱高时效性放电检测的协同控制方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050286770A1 (en) * 2004-06-29 2005-12-29 Nec Corporation Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program
CN106124942A (zh) * 2016-06-27 2016-11-16 华北电力大学（保定） 一种基于红外和紫外成像法的零值绝缘子检测方法
CN106596579A (zh) * 2016-11-15 2017-04-26 同济大学 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法
CN106680285A (zh) * 2016-11-17 2017-05-17 同济大学 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法
CN107833211A (zh) * 2017-11-01 2018-03-23 国家电网公司 基于红外图像的零值绝缘子自动检测方法及装置
CN108072667A (zh) * 2017-09-28 2018-05-25 江苏省电力试验研究院有限公司 基于高光谱的绝缘子污秽等级检测方法及系统
CN112414950A (zh) * 2020-11-05 2021-02-26 西南交通大学 一种协同高光谱与红外技术的绝缘子等值盐密检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050286770A1 (en) * 2004-06-29 2005-12-29 Nec Corporation Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program
CN106124942A (zh) * 2016-06-27 2016-11-16 华北电力大学（保定） 一种基于红外和紫外成像法的零值绝缘子检测方法
CN106596579A (zh) * 2016-11-15 2017-04-26 同济大学 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法
CN106680285A (zh) * 2016-11-17 2017-05-17 同济大学 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法
CN108072667A (zh) * 2017-09-28 2018-05-25 江苏省电力试验研究院有限公司 基于高光谱的绝缘子污秽等级检测方法及系统
CN107833211A (zh) * 2017-11-01 2018-03-23 国家电网公司 基于红外图像的零值绝缘子自动检测方法及装置
CN112414950A (zh) * 2020-11-05 2021-02-26 西南交通大学 一种协同高光谱与红外技术的绝缘子等值盐密检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
金立军;姜浩然;杨帆;段伟;: "基于紫外成像技术的接触网绝缘子污秽状态检测", 高电压技术, no. 11, 30 November 2015 (2015-11-30), pages 328 - 337 *
金立军;田治仁;高凯;肖嵘;: "基于红外与可见光图像信息融合的绝缘子污秽等级识别", 中国电机工程学报, no. 13, 5 July 2016 (2016-07-05), pages 65 - 72 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611784A (zh) * 2023-11-30 2024-02-27 华北电力大学 面向多光谱高时效性放电检测的协同控制方法及装置
CN117409011A (zh) * 2023-12-15 2024-01-16 南京中鑫智电科技有限公司 一种基于目标识别的高压套管表面污秽监测方法及系统
CN117409011B (zh) * 2023-12-15 2024-03-01 南京中鑫智电科技有限公司 一种基于目标识别的高压套管表面污秽监测方法及系统

Also Published As

Publication number Publication date
CN115047010B (zh) 2024-08-23

Similar Documents

Publication Publication Date Title
CN112414950B (zh) 一种协同高光谱与红外技术的绝缘子等值盐密检测方法
CN115047010A (zh) 一种基于多源光谱感知技术的绝缘子污秽程度检测方法
CN113177979B (zh) 一种基于多光谱图像的水污染区域识别方法和系统
CN111598156B (zh) 基于多源异构数据融合的pm2.5预测方法
CN110376214B (zh) 基于高光谱技术的绝缘子污秽度非接触检测方法
CN110954793B (zh) 基于光谱成像的复合绝缘子伞裙老化检测方法及检测装置
CN114092343A (zh) 遥感影像去云方法
CN112541478A (zh) 一种基于双目摄像头的绝缘子串污损检测方法及系统
CN114965316A (zh) 一种基于高光谱多参数的水质监测方法、计算机程序产品
Wang et al. A PM2. 5 concentration estimation method based on multi-feature combination of image patches
CN113686811B (zh) 一种基于双传感器的光谱数据处理方法
CN117470867A (zh) 变电设备绝缘子污秽区分方法、装置及电子设备
CN114994069B (zh) 基于高光谱的绝缘子污秽成分和含量的检测方法及系统
CN117392065A (zh) 一种云边协同太阳能板覆灰状况自主评估方法
CN116519710A (zh) 一种用于复合绝缘子表面污秽状态的检测方法及系统
CN115876794A (zh) 基于取样布及分层思想的绝缘子污秽度识别方法
CN111368261A (zh) 一种基于大气校正对不透水面指数的定量定性描述方法
CN116429724A (zh) 基于红外高光谱分析的复合绝缘子材料污秽程度检测方法
CN113689399B (zh) 一种用于电网识别遥感图像处理方法及系统
CN118565634B (zh) 一种发电机碳刷架温度在线监测方法及系统
CN115015180B (zh) 一种基于光谱反射率重建技术的水果糖度无损检测方法
CN114577807B (zh) 基于高光谱特征量归一化编码表的绝缘子状态检测方法
CN115356352A (zh) 基于污秽溶液的绝缘子污秽度识别方法、系统和设备
Gudla Quantification of Solar Photovoltaic Encapsulant Browning Level Using Image Processing Tool
CN117372352A (zh) 一种基于多流卷积神经网络的水下图像质量评价方法

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
GR01 Patent grant
GR01 Patent grant