CN115393624A - 一种基于机器视觉的配电变压器参数检定方法 - Google Patents

一种基于机器视觉的配电变压器参数检定方法 Download PDF

Info

Publication number
CN115393624A
CN115393624A CN202210888833.0A CN202210888833A CN115393624A CN 115393624 A CN115393624 A CN 115393624A CN 202210888833 A CN202210888833 A CN 202210888833A CN 115393624 A CN115393624 A CN 115393624A
Authority
CN
China
Prior art keywords
image
distribution transformer
gray
correlation model
parameter
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
Application number
CN202210888833.0A
Other languages
English (en)
Inventor
李金富
莫仕鑫
王科
吉云海
范顺辉
李发春
李晓清
姚雪梅
徐松
马文交
何兴华
王斌
张宏
张延华
窦正鹏
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.)
Chuxiong Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Chuxiong Power Supply Bureau of Yunnan Power Grid 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 Chuxiong Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Chuxiong Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN202210888833.0A priority Critical patent/CN115393624A/zh
Publication of CN115393624A publication Critical patent/CN115393624A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电力管理技术领域，具体地说，涉及一种基于机器视觉的配电变压器参数检定方法。包括：获取配电变压器的外观图像，通过K‑means聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息；基于灰色关联模型，对前述提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果。本发明设计与以往技术中直接特征提取图像信息相比，可以更加高效且具有一定代表性；可以有效提高配电变压器参数检定的准确性，为配电变压器参数的机器检定提供了可能；利用检定得到的配电变压器参数，可以有效地解决现有技术中的问题，为配电变压器管控提供可靠手段，维护电力系统的安全运行，降低经济损失。

Description

一种基于机器视觉的配电变压器参数检定方法
技术领域
本发明涉及电力管理技术领域，具体地说，涉及一种基于机器视觉的配电变压器参数检定方法。
背景技术
变压器的额定容量是表征变压器传输电能能力大小的主要参数之一，其值的大小是变压器反映其传输功率能力的惯用量，供电部门根据变压器的安装位置、当地的用电负荷、总负荷功率、需用系数、正常过负荷能力、事故过负荷的承受能力和变压器经济运行的要求等综合因素考虑进行变压器容量的选择。
我国大工业用户即315kVA变压器容量以上的用户执行两部制电价。部分电力用户通过更改配电变压器铭牌容量，将大容量变压器改为小容量变压器而达到少交基本电费的目的。供电部门在不知情的情况下仍然按照变压器铭牌容量确定供电负荷，供电部门计量CT变比变大，保护整定值也增大，变压器长期超负荷运行，保护不动作很可能会损坏配变，严重时甚至可能导致变压器烧毁。这不但会影响电力系统的安全运行，还会给相关地区的群众带来经济损失，甚至对群众的生命安全构成威胁。随着电网数字化建设的推行电力系统正朝着“全面客观、精确可测、高度可控”的目标发展，为此亟需设计并应用一种高效准确的配电变压器参数检定方法。鉴于此，我们提出了一种基于机器视觉的配电变压器参数检定方法。
发明内容
本发明的目的在于提供一种基于机器视觉的配电变压器参数检定方法，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供了一种基于机器视觉的配电变压器参数检定方法，包括如下步骤：
S1、获取配电变压器的外观图像，通过K-means聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息；
S2、基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果；
其中：特征信息，是图像的特征信息，包括图像的颜色特征、几何特征、纹理特征；
灰色关联模型，是基于大量实际参数与铭牌参数相符配电变压器的历史图像以及实际参数与铭牌参数不符配电变压器的历史图像训练的；
配电变压器参数检定结果，包括配电变压器额定容量检定结果、配电变压器额定电压检定结果及配电变压器阻抗电压检定结果。
作为本技术方案的进一步改进，所述S1中，获取配电变压器的外观图像，通过K-means聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息的具体方法流程包括如下步骤：
S1.1、对待检定图像进行预处理，设定初始聚类中心；
S1.2、基于设定的聚类中心对待检定图像进行K-means聚类，得到待检定图像的聚类结果以及每个聚类簇的代表图像；
S1.3、对每个聚类簇的代表图像通过图像特征提取，得到图像的特征信息。
作为本技术方案的进一步改进，所述S1.1中，对待检定图像进行预处理的具体方法流程包括如下步骤：
S1.1.1、将图像转化为灰度图，应用基准图像的灰度值减去代表图像的灰度值，并将差值乘以增益系数，得到清晰的矫正灰度后相减的图像；
S1.1.2、设计程序，根据基准图像去抖，以减少待检定图像去除结果中的干扰点，定义图像绝对误差来评估实验图像与基准图像的重合程度；
S1.1.3、对代表图像进行二值化处理，进一步对代表图像进行降噪，减少图像中存在的干扰点，再进行渲染处理得到预处理后的图像。
作为本技术方案的进一步改进，所述S1.2中，对待检定图像进行K-means聚类的具体方法流程包括如下步骤：
S1.2.1、对预处理后的图像进行像素空间分类，在每个像素簇中随机选择一个像素作为中心点，计算像素点到中心点的距离，按照最小距离原则进行像素聚类，得到像素点子集合；
S1.2.2、对像素点子集合计算灰度均值，并以计算得到的灰度值作为各个像素子集合的标记，并采用局部聚类分类法进行，从而得到最终的聚类结果以及每个聚类簇的代表图像。
作为本技术方案的进一步改进，所述S1.3中，对每个聚类簇的代表图像进行图像特征提取的具体方法流程包括如下步骤：
S1.3.1、选择HSV颜色空间作为分析模型，确定色调和饱和度量化范围，得到量化颜色直方图，从而提取图像颜色特征；
S1.3.2、采用高斯滤波器平滑图像，通过一阶偏导的有限差分计算梯度的幅值和方向，采用非极大值对梯度幅值进行抑制，采用双阈值算法进行边缘检测，从而提取图像几何特征；
S1.3.3、计算代表图像的梯度大小和方向，将图像分为细胞单元，构建梯度方向直方图，从而提取图像的纹理特征。
作为本技术方案的进一步改进，所述S2中，基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果，在此步骤中基于的灰色关联模型需预先构建及训练，其中，构建灰色关联模型的具体方法流程包括如下步骤：
S2.a.1、基于配电变压器额定容量、额定电压、阻抗电压检定结果确定反映配电变压器特征的参靠序列；
S2.a.2、基于待检定图像的颜色特征、几何特征、纹理特征确定影响配电变压器参数的因素组成的比较序列；
S2.a.3、求各序列的初值像(进行无量纲化处理)；
S2.a.4、求参考序列与比较序列的初值像对应分量之差的绝对值序列，并计算绝对值序列的最小值与最大值；
S2.a.5、求关联系数和关联度，建立灰色关联模型。
作为本技术方案的进一步改进，所述S2中，预先构建及训练灰色关联模型的过程中，训练灰色关联模型的具体方法流程包括如下步骤：
S2.b.1、基于实际参数与铭牌参数相符合的配电变压器的历史图像构建正样本，基于实际参数与铭牌参数不符合的配电变压器的历史图像构建负样本；
S2.b.2、对正样本图像和负样本图像进行分类和特征提取，得到正样本和负样本的特征信息，分别将正样本和负样本的特征信息的一部分作为训练集、另一部分作为测试集；
S2.b.3、利用训练集对建立的灰色关联模型进行训练，得到多组灰色关联模型。
作为本技术方案的进一步改进，所述S2.b.3中，利用训练集对建立的灰色关联模型进行训练，得到多组灰色关联模型后，还需通过训练来选取最优的灰色关联模型，具体方法流程包括：
利用测试集对各组灰色关联模型进行测试，计算各组灰色关联模型的准确度，选取准确度高于设定阈值的模型作为最优灰色关联模型。
作为本技术方案的进一步改进，所述S2中，基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果后，还需要通过对配电变压器参数进行检定及积累后，对灰色关联模型进行更正改进，具体方法流程包括：
S2.c.1、判断所述灰色关联模型的检定结果是否正确；
S2.c.2、将检测不正确的特征信息进行更正，并标记为正确的样本类别标签，作为训练样本继续训练灰色关联模型，更新灰色关联模型。
本发明的目的之二在于，提供了一种检定方法的运行平台装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述的基于机器视觉的配电变压器参数检定方法的步骤。
本发明的目的之三在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于机器视觉的配电变压器参数检定方法的步骤。
与现有技术相比，本发明的有益效果：
1.该基于机器视觉的配电变压器参数检定方法中，通过K-means聚类算法先对图像进行分类，再进行代表图像特征提取，与以往技术中直接特征提取图像信息相比，可以更加高效且具有一定代表性；
2.该基于机器视觉的配电变压器参数检定方法中，通过灰色关联模型对配电变压器参数的检定，可以有效提高配电变压器参数检定的准确性，为配电变压器参数的机器检定提供了可能；
3.该基于机器视觉的配电变压器参数检定方法中，利用检定得到的配电变压器参数，可以有效地解决部分电力用户通过更改配电变压器铭牌容量，将大容量变压器改为小容量变压器的问题，为配电变压器管控提供可靠手段，维护电力系统的安全运行，降低经济损失。
附图说明
图1为本发明中的整体检定方法流程示意图；
图2为本发明中的局部检定方法示例性的图像分类和特征信息提取流程图；
图3为本发明中的局部检定方法示例性的灰色模型训练流程示意图；
图4为本发明中的局部检定方法示例性的配电变压器参数检定与灰色关联模型再训练流程示意图；
图5为本发明中示例性的基于机器视觉的配电变压器参数检定方法的实施例流程图；
图6为本发明中示例性的电子计算机平台装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-图6所示，本实施例提供了如下方案：
实施例1
如图1所示，本实施例提供了一种基于机器视觉的配电变压器参数检定方法，包括如下步骤：
S1、获取配电变压器的外观图像，通过K-means聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息；
S2、基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果；
其中：特征信息，是图像的特征信息，包括图像的颜色特征、几何特征、纹理特征；
灰色关联模型，是基于大量实际参数与铭牌参数相符配电变压器的历史图像以及实际参数与铭牌参数不符配电变压器的历史图像训练的；
配电变压器参数检定结果，包括配电变压器额定容量检定结果、配电变压器额定电压检定结果及配电变压器阻抗电压检定结果。
本实施例中，如图2所示，S1中，获取配电变压器的外观图像，通过K-means聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息的具体方法流程包括如下步骤：
S1.1、对待检定图像进行预处理，设定初始聚类中心；
S1.2、基于设定的聚类中心对待检定图像进行K-means聚类，得到待检定图像的聚类结果以及每个聚类簇的代表图像；
S1.3、对每个聚类簇的代表图像通过图像特征提取，得到图像的特征信息。
进一步地，S1.1中，对待检定图像进行预处理的具体方法流程包括如下步骤：
S1.1.1、将图像转化为灰度图，应用基准图像的灰度值减去代表图像的灰度值，并将差值乘以增益系数，得到清晰的矫正灰度后相减的图像；
S1.1.2、设计程序，根据基准图像去抖，以减少待检定图像去除结果中的干扰点，定义图像绝对误差来评估实验图像与基准图像的重合程度；
S1.1.3、对代表图像进行二值化处理，进一步对代表图像进行降噪，减少图像中存在的干扰点，再进行渲染处理得到预处理后的图像。
进一步地，S1.2中，对待检定图像进行K-means聚类的具体方法流程包括如下步骤：
S1.2.1、对预处理后的图像进行像素空间分类，在每个像素簇中随机选择一个像素作为中心点，计算像素点到中心点的距离，按照最小距离原则进行像素聚类，得到像素点子集合；
S1.2.2、对像素点子集合计算灰度均值，并以计算得到的灰度值作为各个像素子集合的标记，并采用局部聚类分类法进行，从而得到最终的聚类结果以及每个聚类簇的代表图像。
进一步地，S1.3中，对每个聚类簇的代表图像进行图像特征提取的具体方法流程包括如下步骤：
S1.3.1、选择HSV颜色空间作为分析模型，确定色调和饱和度量化范围，得到量化颜色直方图，从而提取图像颜色特征；
S1.3.2、采用高斯滤波器平滑图像，通过一阶偏导的有限差分计算梯度的幅值和方向，采用非极大值对梯度幅值进行抑制，采用双阈值算法进行边缘检测，从而提取图像几何特征；
S1.3.3、计算代表图像的梯度大小和方向，将图像分为细胞单元，构建梯度方向直方图，从而提取图像的纹理特征。
本实施例中，S2中，基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果，在此步骤中基于的灰色关联模型需预先构建及训练，其中，构建灰色关联模型的具体方法流程包括如下步骤：
S2.a.1、基于配电变压器额定容量、额定电压、阻抗电压检定结果确定反映配电变压器特征的参靠序列；
S2.a.2、基于待检定图像的颜色特征、几何特征、纹理特征确定影响配电变压器参数的因素组成的比较序列；
S2.a.3、求各序列的初值像(进行无量纲化处理)；
S2.a.4、求参考序列与比较序列的初值像对应分量之差的绝对值序列，并计算绝对值序列的最小值与最大值；
S2.a.5、求关联系数和关联度，建立灰色关联模型。
进一步地，如图3所示，S2中，预先构建及训练灰色关联模型的过程中，训练灰色关联模型的具体方法流程包括如下步骤：
S2.b.1、基于实际参数与铭牌参数相符合的配电变压器的历史图像构建正样本，基于实际参数与铭牌参数不符合的配电变压器的历史图像构建负样本；
S2.b.2、对正样本图像和负样本图像进行分类和特征提取，得到正样本和负样本的特征信息，分别将正样本和负样本的特征信息的一部分作为训练集、另一部分作为测试集；
S2.b.3、利用训练集对建立的灰色关联模型进行训练，得到多组灰色关联模型。
进一步地，S2.b.3中，利用训练集对建立的灰色关联模型进行训练，得到多组灰色关联模型后，还需通过训练来选取最优的灰色关联模型，具体方法流程包括：
利用测试集对各组灰色关联模型进行测试，计算各组灰色关联模型的准确度，选取准确度高于设定阈值的模型作为最优灰色关联模型。
具体地，灰色关联模型的建立过程可整理为：
基于配电变压器额定容量、额定电压、阻抗电压检定结果确定反映配电变压器特征的参靠序列X0，基于待检定图像的颜色特征、几何特征、纹理特征确定影响配电变压器参数的因素组成的比较序列Xm；
其中反映配电变压器特征的参靠序列为：X0＝{X0(1),X0(2),...,X0(n)}，影响配电变压器参数的因素组成的比较序列为：X1＝{X1(1),X1(2),...,X1(n)}，X2＝{X2(1),X2(2),...,X2(n)}，...，Xm＝{Xm(1),Xm(2),...,Xm(n)}；
求各序列的初值像(进行无量纲化处理)：令X′＝Xi/Xi(1)＝{X′i(1),X′i(2),...,X′i(n)}，其中i＝0,1,2,...,m，得到X′0,X′1,...,X′m；
求参考序列X0与比较序列Xm的初值像对应分量之差的绝对值序列，并计算绝对值序列的最小值与最大值；记Δi(k)＝|X′0(k)-X′i(k)|，Δi＝(Δi(1),Δi(2),...,Δi(n))，i＝1,2,...,m；k＝1,2,...,n；绝对值序列的最小值与最大值分别记为：Δmin＝miniminkΔi(k)，Δmax＝maximaxkΔi(k)；
求关联系数和关联度：关联系数ξ0i(k)＝(Δmin+pΔmax)/(Δi(k)+pΔmax)，其中p为分辨系数，一般取p＝0.5；关联度
Figure BDA0003766708320000091
进一步地，分别将正样本和负样本的特征信息的一部分作为训练集、另一部分作为测试集；
将训练集输入到灰色关联模型中进行训练，得到多组灰色关联模型；
用测试集验证各组灰色关联模型的准确性，设定准确性阈值，选取最优灰色管理模型。
其中，指的说明的是，随着配电变压器安装的数量不断增加，采集到的配电变压器图像数量也不断增加，通过灰色关联模型的检定实现自学习和改进，将判断错误的样本标记，并将其改为训练样本继续训练更新模型。
进一步地，如图4所示，S2中，基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果后，还需要通过对配电变压器参数进行检定及积累后，对灰色关联模型进行更正改进，具体方法流程包括：
S2.c.1、判断灰色关联模型的检定结果是否正确；
S2.c.2、将检测不正确的特征信息进行更正，并标记为正确的样本类别标签，作为训练样本继续训练灰色关联模型，更新灰色关联模型。
本方案的目的在于通过K-means聚类算法先对图像进行分类，再进行代表图像特征提取，可以更加高效其具有代表性地对图像特征信息进行提取，通过灰色关联模型对配电变压器参数的检定，可以有效提高配电变压器参数检定的准确性，为配电变压器参数的机器检定提供了可能，可以有效地解决部分电力用户通过更改配电变压器铭牌容量，将大容量变压器改为小容量变压器的问题，为配电变压器管控提供了可靠手段，维护了电力系统的安全运行，防止了经济损失。
进而，还可以将上述方案整理简化为：
1-1、首先需要收集配电变压器图像信息，根据摄像与拍照装置获取图像信息；
1-2、进行图像预处理与格式统一；其目的在于：一是剔除相似度较高的图像，减小图像的样本数；二是将图像的格式转换统一；
1-3、对待检定图像进行预处理，将图像转化为灰度图，设计程序，根据基准图像去抖，以减少待检定图像中的干扰点，对图像进行二值化处理，再进行渲染处理得到预处理后的图像；
1-4、对图像进行K-means聚类，得到待检定图像的聚类结果以及每个聚类簇的代表图像；
1-5、提取配电变压器的图像特征，得到颜色特征信息、几何特征信息、纹理特征信息。
上述1-1到1-5中的图像，既包括了待检定图像，也包括了样本图像；其中样本图像用来训练和测试灰色关联模型。
其中，与待检定图像不同的是，样本图像在1-2后需要先分为两类，再进行1-3，具体为：构建正样本，将配电变压器参数与铭牌参数符合的图像作为正样本，并将样本图像归一化；构建负样本，将配电变压器参数与铭牌参数符合的图像作为负样本，按正样本的大小归一化。
实施例2
如图5所示，本实施例还提供了一种基于机器视觉的配电变压器参数检定方法实施例的流程图，实现配电变压器的参数检定具体包括：
步骤1、配电变压器图像收集；
步骤2、图像预处理与格式统一化；
步骤3、图像K-means聚类；
步骤4、图像特征信息提取；
步骤5、建立、训练灰色关联模型；
步骤6、配电变压器参数检定；
步骤7、灰色关联模型改进。
通过步骤1-步骤7，实现配电变压器图像信息收集，图像预处理与格式统一化，通过K-means聚类对图像先进行分类，再对代表图像进行特征信息提取，得到配电变压器参数序列；将样本图像的特征信息参数序列输入到灰色关联模型中，满足准确率阈值要求后，得到训练完成的灰色关联模型，以此来检定配电变压器的参数；同时根据检定的结果，对灰色关联模型进行再训练，以提高检测的准确性和可靠性。
如图6所示，本实施例还提供了一种检定方法的运行平台装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于机器视觉的配电变压器参数检定方法。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于机器视觉的配电变压器参数检定方法的步骤。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于机器视觉的配电变压器参数检定方法的步骤。
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的过程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，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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 (9)

1.一种基于机器视觉的配电变压器参数检定方法，其特征在于：包括如下步骤：
S1、获取配电变压器的外观图像，通过K-means聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息；
S2、基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果；
其中：特征信息，是图像的特征信息，包括图像的颜色特征、几何特征、纹理特征；
灰色关联模型，是基于大量实际参数与铭牌参数相符配电变压器的历史图像以及实际参数与铭牌参数不符配电变压器的历史图像训练的；
配电变压器参数检定结果，包括配电变压器额定容量检定结果、配电变压器额定电压检定结果及配电变压器阻抗电压检定结果。
2.根据权利要求1所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述S1中，获取配电变压器的外观图像，通过K-means聚类算法先对图像进行分类，再进行图像特征提取，得到特征信息的具体方法流程包括如下步骤：
S1.1、对待检定图像进行预处理，设定初始聚类中心；
S1.2、基于设定的聚类中心对待检定图像进行K-means聚类，得到待检定图像的聚类结果以及每个聚类簇的代表图像；
S1.3、对每个聚类簇的代表图像通过图像特征提取，得到图像的特征信息。
3.根据权利要求2所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述S1.1中，对待检定图像进行预处理的具体方法流程包括如下步骤：
S1.1.1、将图像转化为灰度图，应用基准图像的灰度值减去代表图像的灰度值，并将差值乘以增益系数，得到清晰的矫正灰度后相减的图像；
S1.1.2、设计程序，根据基准图像去抖，以减少待检定图像去除结果中的干扰点，定义图像绝对误差来评估实验图像与基准图像的重合程度；
S1.1.3、对代表图像进行二值化处理，进一步对代表图像进行降噪，减少图像中存在的干扰点，再进行渲染处理得到预处理后的图像。
4.根据权利要求2所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述S1.2中，对待检定图像进行K-means聚类的具体方法流程包括如下步骤：
S1.2.1、对预处理后的图像进行像素空间分类，在每个像素簇中随机选择一个像素作为中心点，计算像素点到中心点的距离，按照最小距离原则进行像素聚类，得到像素点子集合；
S1.2.2、对像素点子集合计算灰度均值，并以计算得到的灰度值作为各个像素子集合的标记，并采用局部聚类分类法进行，从而得到最终的聚类结果以及每个聚类簇的代表图像。
5.根据权利要求2所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述S1.3中，对每个聚类簇的代表图像进行图像特征提取的具体方法流程包括如下步骤：
S1.3.1、选择HSV颜色空间作为分析模型，确定色调和饱和度量化范围，得到量化颜色直方图，从而提取图像颜色特征；
S1.3.2、采用高斯滤波器平滑图像，通过一阶偏导的有限差分计算梯度的幅值和方向，采用非极大值对梯度幅值进行抑制，采用双阈值算法进行边缘检测，从而提取图像几何特征；
S1.3.3、计算代表图像的梯度大小和方向，将图像分为细胞单元，构建梯度方向直方图，从而提取图像的纹理特征。
6.根据权利要求1所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述S2中，基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果，在此步骤中基于的灰色关联模型需预先构建及训练，其中，构建灰色关联模型的具体方法流程包括如下步骤：
S2.a.1、基于配电变压器额定容量、额定电压、阻抗电压检定结果确定反映配电变压器特征的参靠序列；
S2.a.2、基于待检定图像的颜色特征、几何特征、纹理特征确定影响配电变压器参数的因素组成的比较序列；
S2.a.3、求各序列的初值像；
S2.a.4、求参考序列与比较序列的初值像对应分量之差的绝对值序列，并计算绝对值序列的最小值与最大值；
S2.a.5、求关联系数和关联度，建立灰色关联模型。
7.根据权利要求6所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述S2中，预先构建及训练灰色关联模型的过程中，训练灰色关联模型的具体方法流程包括如下步骤：
S2.b.1、基于实际参数与铭牌参数相符合的配电变压器的历史图像构建正样本，基于实际参数与铭牌参数不符合的配电变压器的历史图像构建负样本；
S2.b.2、对正样本图像和负样本图像进行分类和特征提取，得到正样本和负样本的特征信息，分别将正样本和负样本的特征信息的一部分作为训练集、另一部分作为测试集；
S2.b.3、利用训练集对建立的灰色关联模型进行训练，得到多组灰色关联模型。
8.根据权利要求7所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述S2.b.3中，利用训练集对建立的灰色关联模型进行训练，得到多组灰色关联模型后，还需通过训练来选取最优的灰色关联模型，具体方法流程包括：
利用测试集对各组灰色关联模型进行测试，计算各组灰色关联模型的准确度，选取准确度高于设定阈值的模型作为最优灰色关联模型。
9.根据权利要求1所述的基于机器视觉的配电变压器参数检定方法，其特征在于：所述S2中，基于灰色关联模型，对利用K-means聚类算法先分类和再图像特征提取得到的特征信息进行灰色关联分析，得到配电变压器理论参数，得到配电变压器参数检定结果后，还需要通过对配电变压器参数进行检定及积累后，对灰色关联模型进行更正改进，具体方法流程包括：
S2.c.1、判断所述灰色关联模型的检定结果是否正确；
S2.c.2、将检测不正确的特征信息进行更正，并标记为正确的样本类别标签，作为训练样本继续训练灰色关联模型，更新灰色关联模型。
CN202210888833.0A 2022-07-27 2022-07-27 一种基于机器视觉的配电变压器参数检定方法 Pending CN115393624A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888833.0A CN115393624A (zh) 2022-07-27 2022-07-27 一种基于机器视觉的配电变压器参数检定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888833.0A CN115393624A (zh) 2022-07-27 2022-07-27 一种基于机器视觉的配电变压器参数检定方法

Publications (1)

Publication Number Publication Date
CN115393624A true CN115393624A (zh) 2022-11-25

Family

ID=84116358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888833.0A Pending CN115393624A (zh) 2022-07-27 2022-07-27 一种基于机器视觉的配电变压器参数检定方法

Country Status (1)

Country Link
CN (1) CN115393624A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574782A (zh) * 2024-01-16 2024-02-20 国网湖北省电力有限公司电力科学研究院 基于变压器参数判断绕组材质的方法、装置、系统及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574782A (zh) * 2024-01-16 2024-02-20 国网湖北省电力有限公司电力科学研究院 基于变压器参数判断绕组材质的方法、装置、系统及介质
CN117574782B (zh) * 2024-01-16 2024-04-02 国网湖北省电力有限公司电力科学研究院 基于变压器参数判断绕组材质的方法、装置、系统及介质

Similar Documents

Publication Publication Date Title
CN108537154B (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN109658584B (zh) 一种票据信息识别方法及装置
CN106203539B (zh) 识别集装箱箱号的方法和装置
CN110135514B (zh) 一种工件分类方法、装置、设备及介质
CN110245555B (zh) 一种基于图像识别的电力系统端子箱凝露判定方法和系统
CN105447859A (zh) 一种田间麦蚜虫计数方法
CN111091080A (zh) 人脸识别方法及系统
CN116091498B (zh) 用于铅酸蓄电池智能充电器的视觉缺陷检测方法
CN111814852B (zh) 图像检测方法、装置、电子设备和计算机可读存储介质
CN102982305A (zh) 信息处理设备和处理信息的方法、存储介质以及程序
CN109949324B (zh) 基于非经典感受野非线性亚单元响应的轮廓检测方法
CN110659563A (zh) 基于改进YOLOv3网络的电网调度图纸自动识别方法、系统及介质
CN116958503B (zh) 一种基于图像处理的污泥干化等级识别方法及系统
CN115393624A (zh) 一种基于机器视觉的配电变压器参数检定方法
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN111967535A (zh) 一种储粮管理场景温度传感器故障诊断方法及其诊断装置
CN108090492B (zh) 基于尺度线索抑制的轮廓检测方法
CN112784754A (zh) 一种车辆再识别方法、装置、设备及存储介质
CN115082922A (zh) 基于深度学习的水表数字图片处理方法及系统
Cao et al. Automatic latent value determination
CN117875949A (zh) 一种桥梁表观病害智能检测方法
CN117036314A (zh) 一种高密度柔性ic基板氧化区域检测方法
CN114581407B (zh) 一种光伏模块的自适应缺陷检测方法
CN110765898A (zh) 一种图像中物体及其关键点的确定方法和装置
CN114120097A (zh) 一种基于机器视觉的配网工程现场变压器检测方法和系统

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