CN117351365B - 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 - Google Patents
一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 Download PDFInfo
- Publication number
- CN117351365B CN117351365B CN202311639525.5A CN202311639525A CN117351365B CN 117351365 B CN117351365 B CN 117351365B CN 202311639525 A CN202311639525 A CN 202311639525A CN 117351365 B CN117351365 B CN 117351365B
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- bird droppings
- resolution
- original image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 164
- 210000003608 fece Anatomy 0.000 title claims abstract description 128
- 239000012212 insulator Substances 0.000 title claims abstract description 108
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 239000002515 guano Substances 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000009825 accumulation Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 75
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000006731 degradation reaction Methods 0.000 claims description 18
- 241001123248 Arma Species 0.000 claims description 15
- 238000003064 k means clustering Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 230000015556 catabolic process Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000005311 autocorrelation function Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 8
- 230000000996 additive effect Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000010998 test method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 6
- 238000000700 time series analysis Methods 0.000 claims description 6
- 238000001744 unit root test Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000002360 explosive Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000000977 Dickey–Fuller test Methods 0.000 claims 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000003066 decision tree Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000028804 PERCHING syndrome Diseases 0.000 description 1
- 241000269799 Perca fluviatilis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，包括如下步骤：获取绝缘子表面覆盖鸟粪的高分辨率原始图像；使用深度卷积神经网络模型对高分辨率原始图像进行深度感知与学习；引入分形维数概念，度量超分辨率图像，得到超分辨率图像的绝缘子鸟粪的覆盖状况；使用随机森林算法，对超分辨率图像进行自适应的理解和解释；使用时间序列分析法和聚类算法对绝缘子鸟粪覆盖的程度和状态进行实时监测和分析；根据分析结果，判断绝缘子当前是否存在鸟粪积累的趋势；本发明采用深度卷积神经网络模型，对绝缘子表面的鸟粪进行结构特征提取，包括形状、颜色等细节，通过自我学习和持续优化的方式，能够以高准确度检测出这些特性。
Description
技术领域
本发明涉及绝缘子维护检测技术领域，具体为一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法。
背景技术
绝缘子作为电力输电线路中的重要设备，其主要功能是支持和固定导线，并防止导线与支架等之间发生电气接触。然而，由于绝缘子位于室外，并且高处于电力输电线路上，远离地面，因此成为众多鸟类选择栖息的理想场所，鸟类在绝缘子上栖息的同时也会排泄粪便，导致绝缘子表面被鸟粪覆盖，而鸟粪本身具有导电性并含有水分，绝缘子被鸟粪覆盖可能会导致导线短路、线路故障甚至停电等问题，给电力系统带来安全隐患和停运的风险。因此，及时检测和清理绝缘子上的鸟粪覆盖对于保证电力输送的稳定和可靠至关重要。
目前，鸟粪的检测主要依赖于人工巡检，这种方法不仅耗费人力、时间和成本，而且存在人为判断的主观性和误差，而传统的视觉图像分析方法如边缘检测、模板匹配和阈值分割等，可提供一些处理思路，但它们常常受到图像采集质量的影响，识别精度和鲁棒性较低，同时在应对复杂鸟粪识别任务时，准确率亦有待提高。
近些年，深度学习技术显著改进了图像分析与处理的方法和效果，在具有导电性和含水性的鸟粪覆盖绝缘子表面识别任务中，深度学习算法，如卷积神经网络和深度置信网络等，都有广泛应用。这些方法可以解决光伏元件鸟粪覆盖问题和完成绝缘子鸟粪覆盖的变化趋势预测和故障预警。而且，采用快速区域卷积神经网络还可以进行绝缘子红外图像缺陷检测。然而，这些研究方法更多地集中在绝缘子红外缺陷的检测上，对于可见光缺陷的研究相对较少。
发明内容
针对现有技术的不足，本发明提供了一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其目的在于解决背景技术中所提到的问题。
为实现上述目的，本发明提供如下技术方案：一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，包括如下步骤：
步骤S1：获取实时的绝缘子表面覆盖鸟粪的高分辨率原始图像；
步骤S2：使用深度卷积神经网络模型（DCNN）对高分辨率原始图像进行深度感知与学习，得到超分辨率图像；
步骤S3：引入分形维数概念，度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，得到超分辨率图像的绝缘子鸟粪的覆盖状况；
步骤S4：使用随机森林算法，对超分辨率图像的绝缘子鸟粪的覆盖状况进行自适应的理解和解释，最终归纳出绝缘子鸟粪覆盖的程度和状态；
步骤S5：使用时间序列分析法和K-means聚类算法对绝缘子鸟粪覆盖的程度和状态进行实时监测和分析，得到绝缘子鸟粪覆盖的程度和状态的分析结果；
步骤S6：根据绝缘子鸟粪覆盖的程度和状态的分析结果，判断绝缘子当前是否存在鸟粪积累的趋势，如趋势存在，进行后续处理，如趋势不存在，继续进行监测。
进一步的，所述步骤S2中，在使用深度卷积神经网络模型（DCNN）对高分辨率原始图像进行深度感知与学习之前，需对高分辨率原始图像进行图像预处理，其具体步骤为：通过降质退化模型分析高分辨率原始图像劣化过程，并利用硬阈值和软阈值结合方法去除高分辨率原始图像的噪声，采用下式表示降质退化模型：
；
式中，表示希望得到的低分辨率原始图像;表示高分辨率摄像头拍摄的高分
辨率原始图像；表示降采样矩阵；表示加性噪声；、分别表示模糊作用矩阵和运动
变换矩阵；
将硬阈值与软阈值结合，去噪处理低分辨率原始图像的加性噪声；具体过程为：给
定一个阈值，处理低分辨率原始图像的加性噪声，处理后，通过反变换重构低分辨率原始
图像；硬阈值的函数表达式为：
；
式中，为Contourlet系数；为逻辑判断函数；为经过去噪处理后的Contourlet
系数；为给定的阈值，可视具体要求变化；表示经过硬阈值处理后，从低分辨率原始
图像的提取出的Contourlet系数；软阈值函数表达式为：
；
式中，表示经过软阈值处理后，从低分辨率原始图像的提取出的Contourlet
系数；
将硬阈值与软阈值结合，得到预处理后的低分辨率原始图像，其公式为：
；
式中，为将软阈值处理后的系数和硬阈值处理后的系数相加的结
果，即经过软硬阈值混合处理后的Contourlet系数。
进一步的，所述步骤S2的具体过程为：构建8层的深度卷积神经网络模型（DCNN），将预处理后的低分辨率原始图像和高分辨率原始图像输入至深度卷积神经网络模型（DCNN）内，得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图，将高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图以图像对的形式组合，计算对应的边缘图像对，将这4个特征图用同一个稀疏表示约束，联合图像，实现智能重建图像。
进一步的，8层的深度卷积神经网络模型（DCNN）包含三个卷积层和两个池化层，依次由输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层组成；向深度卷积神经网络模型（DCNN）中引入残差网络结构并且将密集块结构添加到残差网络结构的中间层。
进一步的，得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图的具体过程为：采用深度卷积神经网络模型（DCNN）训练获得的低分辨率原始图像，并且获得低分辨率原始图像的卷积核及特征图，在此引入激活函数，经过计算后得到低分辨率原始图像的绝缘子鸟粪特征图，其计算公式为：
；
式中，为激活函数；表示低分辨率原始图像的鸟粪特征图中像素点的
均值；表示深度卷积神经网络模型（DCNN）中卷积层的层数；、均表示像素点在低分辨
率原始图像的绝缘子鸟粪特征图中的位置；为的函数表达式；表示卷积核；、分别表示的权值和常数偏置；表示低分辨率原始图像的鸟粪特征图中的第j组像
素点；表示某个位置为（i,j）的像素点的权值；表示某一列的像素点对应的常数偏置；
将得到的高分辨率原始图像按上述方法进行操作，得到高分辨率原始图像的绝缘子鸟粪特
征图。
进一步的，联合图像，实现智能重建图像的具体过程为：将高分辨率原始图像的绝缘子鸟粪特征图和低分辨率原始图像的绝缘子鸟粪特征图组成图像对，对应的边缘图像也组成图像对，2组图像对（即4个特征图）间有着相同的稀疏表示，即受同一个稀疏表示所约束；将联合稀疏表示这一过程用多元线性回归问题描述，其公式为：
；
式中，为稀疏表示系数；为一个极小的常数；为深度卷积神经网络模型
（DCNN）的深度；为深度图像；表示深度卷积神经网络模型（DCNN）卷积层C1的向量操
作；
利用梯度算子结合联合稀疏表示从低分辨率原始图像中提取的边缘信息，组成边缘图像对，通过上述边缘图像对，智能重建变电站监测超分辨率图像。
进一步的，所述步骤S3的具体过程为：引入分形维数概念，用于度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，分形维数的计算方法为计盒计算法，计盒计算法主要包含以下步骤：
划分盒子网格：将超分辨率图像划分为一个个大小相等的盒子，根据超分辨率图像的大小和复杂性决定选择各种不同尺度的盒子大小，较小的盒子用以提供更多的精细细节，较大的盒子用于整体结构的分析；
计算盒子覆盖数：对于每个盒子，计算其中包含的分形结构的数量，使用特征提取技术来判断盒子是否与分形结构相交，并累加得到每个尺寸下盒子的覆盖数；
尺寸和盒子数量之间的关系：将盒子尺寸与对应的盒子数量进行记录，形成尺寸-盒子数量图，使用对数尺度来显示，将盒子尺寸取对数放在横轴上，盒子数量取对数放在纵轴上；
计算分形维数：通过对尺寸-盒子数量图进行线性回归或拟合，计算出分形维数；在对数尺度下，分形维数通过斜率来近似表示，斜率趋近于1表示平面几何，而斜率大于1表示对象有分形；计盒分形维数计算公式如下：
；
式中，是空间Rn中任意非空有界子集，为龟裂纹轮廓像素点集合；Rn为图像整体
像素点集合，表示最大直径为且能覆盖F的集合的最小数；
对于超分辨率图像的二维平面上的集合，对它的计盒维数的计算通过以下方式进
行：逐渐改变，分别计算出相应的的值，得到一组(lg(1/σ),lg)的数据值，对
这组数据进行拟合，其直线部分的斜率即为所求的计盒分形维数；
通过上述计算得到的分形维数越接近1，则代表超分辨率图像的绝缘子鸟粪污染程度越低，分形维数越接近2，则代表其超分辨率图像的鸟粪污染程度越高。
进一步的，所述步骤S5的具体过程为：
时间序列分析法：使用单位根检验确定绝缘子上鸟粪检测序列是否平稳，建立ARMA模型用于时间序列分析；单位根检验采用了Dickey-Fuller（DF）检验，其过程为：
；
式中，为白噪声，为时间序列；为滞后项系数；若|ρ|<1，则时间序列是平稳
的，而当|ρ|>1时，时间序列是爆炸性的，无实际意义；
根据时间序列yt的性质不同，Dickey-Fuller（DF）检验允许时间序列yt有包含常数项和线性时间趋势项的形式：
；
；
其中，为常数项；为时间趋势项系数；如时间序列yt在0均值上下波动，则应选
择不包含常数项和线性时间趋势项的检验方法，如时间序列yt具有非0均值，但没有时间趋
势，应选择包含常数项的检验方法，若时间序列yt随时间变化有上升或下降趋势，应选择包
含线性时间趋势项的检验方法；
ARMA模型含自回归模型和移动平均模型，若时间序列yt是平稳时间序列，且当前值为前期值及随机误差项的线性函数：
；
则称该时间序列yt是自回归移动平均序列，（p，q）阶自回归移动平均模型记为
ARMA（p，q），实参数ϕ1，ϕ2，...，ϕp称为自回归系数，θ1，θ2，...，θq称为移动平均系数；式中，
表示随机误差项或噪声，看作是一个均值为0、方差稳定、相互独立的随机变量序列；为自
回归部分的阶数，表示当前值 yt 与前 个值 yt-1, yt-2, ..., yt-p 之间的关系，自
回归系数 ϕ1, ϕ2, ..., ϕp 表示了各个滞后项的权重；为移动平均部分的阶数，表示当前
值 yt 与前 个随机误差项 ut-1, ut-2, ..., ut-q 之间的关系，移动平均系数 θ1,
θ2, ..., θq 表示了各个随机误差项的权重；
引入滞后算子，对线性函数进行简写：
；
ARMA（p，q）过程的平稳条件是滞后多项式的根均在单位圆外（倒数根在单
位圆内），可逆条件是的根均在单位圆外；
平稳解的均值为：
；
时间序列通过自相关函数和偏自相关函数的截尾性和拖尾性初步判定ARMA模型的阶数；
K-means聚类算法：
设有数据集D1、D2、D3，数据集中心为C1、C2、C3，则样本（i=1，2，…，n）与聚类中
心（j=1，2，3）的相似度为：
；
式中，n表示样本容量，通过运算将所有数据置于与数据集相似性最大的集合中；若下成立：
；
则数据中心Cj更新为：
；
式中，表示样本的个数；如下式符合条件，则聚类结束：
；
式中，ρ值无限趋近于零，Cjl表示第l个聚类中心向量值；为该聚类中第n个点的
向量值；欧氏距离的计算式为：
；
式中，i=1，2，…，n；j=1，2，3；和为第j个聚类下的不同的两个点。
进一步的，根据得到绝缘子鸟粪覆盖的程度和状态的分析结果判断当前是否存在鸟粪积累的趋势，如趋势存在，进行下一步的处理，如趋势不存在，继续进行监测。
进一步的，所述步骤S1中，高分辨率原始图像通过安装在绝缘子上的高分辨率摄像头或定期使用无人机进行拍摄得到。
进一步的，后续处理包括发出警报，同时推荐相应的处理措施，处理措施包括清洗绝缘子、重新定位鸟类走道。
与现有的技术相比，本发明具备以下有益效果：
（1）、本发明采用先进的深度卷积神经网络模型（DCNN），专门对绝缘子表面的鸟粪进行结构特征提取，包括形状、颜色等细节，通过自我学习和持续优化的方式，DCNN能够以高准确度检测出这些特性。
（2）、本发明在剖析阶段采用随机森林算法对提取出的鸟粪特征进行自适应理解和解释。随机森林算法具备优秀的分类性能和鲁棒性，即使在较小的数据量下，也能实现高速、高准确率的诊断，通过引入分形维数这一数学工具，模型能更为准确地量化鸟粪复杂性和形状，从而提高了模型分析和识别的精度及效益。
（3）、本发明在警报阶段利用时间序列分析法和K-means聚类算法，对大量实时收集的数据进行动态划分和监测；时间序列分析法可在时间维度上捕捉数据的变化趋势，K-means聚类则在数据中自动寻找并划分簇类，通过这两种方法的结合，可以实时发现鸟粪积聚的趋势，一旦检测到可能危及电力系统安全的积累，会立即发出警报并给出相应的处理措施，降低因鸟粪造成的风险。
（4）、本分明通过自动化诊断和智能处理方案，大大减轻了维修人员的工作负担，模型可在精度和效率方面同时提升，辅助团队进行有针对性的应对和预防措施，节省人力物力。
（5）、本分明可以迅速发现并处理鸟粪积聚问题，避免其对绝缘子绝缘能力的影响，从而降低电力系统故障和安全风险,通过实施本发明，电力系统稳定性和安全性得到了有效地保障。
附图说明
图1为本发明的方法流程图。
图2为本发明的深度卷积神经网络模型DCNN处理流程结构示意图。
图3为本发明的深度卷积神经网络模型DCNN结构示意图。
图4为本发明的随机森林算法分类流程流程图。
图5为本发明的实时监测和分析系统工作流程图。
具体实施方式
如图1所示，本发明提供技术方案：一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，包括如下步骤：
步骤S1：获取实时的绝缘子表面覆盖鸟粪的高分辨率原始图像，高分辨率原始图像通常通过安装在绝缘子上的高分辨率摄像头或者定期使用无人机进行拍摄得到；
步骤S2：使用深度卷积神经网络模型（DCNN）对高分辨率原始图像进行深度感知与学习；深度卷积神经网络模型（DCNN）可以提取出高分辨率原始图像的的鸟粪的颜色、形状、纹理等关键特征，同时还可以对自身进行优化，使得特征提取效果更好；
深度卷积神经网络模型（DCNN）的处理流程如图2所示；其具体过程为：
步骤S2.1：在使用深度卷积神经网络模型（DCNN）对高分辨率原始图像进行深度感知与学习之前，需对高分辨率原始图像进行图像预处理：通过降质退化模型分析高分辨率原始图像劣化过程，并利用硬阈值和软阈值结合方法去除高分辨率原始图像的噪声，采用下式表示降质退化模型：
（1）；
式中，表示希望得到的低分辨率原始图像;表示高分辨率摄像头拍摄的高分
辨率原始图像；表示降采样矩阵；表示加性噪声；、分别表示模糊作用矩阵和运动
变换矩阵；
降质退化模型是一种用于将高分辨率图像转换为低分辨率图像的模型，通常用于图像处理和计算机视觉任务中；这种模型的目的是模拟现实世界中图像退化的情况，以便更好地理解和处理图像的特征。
得到低分辨率的图像有以下几个原因：
1. 现实中的图像退化：在真实世界中，图像会因为多种因素（例如相机传感器限制、图像压缩、图像传输过程中的噪声等）而发生退化；通过将高分辨率图像模糊、降采样或添加噪声等操作，可以模拟这些退化的效果，从而更好地研究和理解图像处理中的问题。
2. 训练和评估：降质退化模型需要通过大量的图像样本进行训练，以学习图像的退化过程和特征；得到低分辨率的图像可以作为训练样本，有助于降质退化模型学习退化过程中的相关信息；同时，使用低分辨率的图像进行评估可以更准确地评估降质退化模型的性能。
3. 计算效率：高分辨率图像的处理往往需要更多的计算资源和时间，而低分辨率图像的处理则更加高效。在一些实际应用中，如实时图像处理和移动设备上的图像处理，低分辨率图像能够更好地满足计算资源的限制和实时性的需求。
将硬阈值与软阈值结合，去噪处理低分辨率原始图像的加性噪声；具体过程为：给
定一个阈值，处理噪声，在处理后，通过反变换重构图像；硬阈值的函数表达式为：
（2）；
式中，为Contourlet系数；为逻辑判断函数；为经过去噪处理后的Contourlet
系数；为给定的阈值，可视具体要求变化；表示经过硬阈值处理后，从低分辨率原始
图像的提取出的Contourlet系数；软阈值函数表达式为：
（3）；
式中，表示经过软阈值处理后，从低分辨率原始图像的提取出的Contourlet
系数；
软阈值函数中的表示经过软阈值处理后的Contourlet系数，该函数会对小
于阈值的系数进行衰减处理，以达到平滑去噪的效果；具体而言，软阈值函数会保留绝对值
大于阈值的系数，并对小于阈值的系数进行线性衰减；这种方式可以有效地减少噪声的影
响，并保持图像细节的平滑性；
而硬阈值函数中的表示经过硬阈值处理后的Contourlet系数，该函数会对
小于阈值的系数直接设为0，从而完全消除小于阈值的细节信息；硬阈值函数在去噪处理中
会强调系数的稀疏性，即只保留对应于信号结构的显著系数，去除非结构化的噪声。
因此，软阈值函数的效果更加平滑，能够保留更多细节信息，而硬阈值函数则更加强调系数的稀疏性，可以更彻底地去除噪声，这里为将两者结合。
将硬阈值与软阈值结合，得到预处理后的低分辨率原始图像，其公式为：
（4）；
式中，为将软阈值处理后的系数和硬阈值处理后的系数相加的结
果，即经过软硬阈值混合处理后的Contourlet系数；
这种混合处理的目的是综合软阈值和硬阈值的特点，兼顾平滑性和去噪效果；通过软硬阈值混合处理，可以在一定程度上保留较小的细节信息，同时有效去除噪声；
步骤S2.2：如图3所示，构建8层的深度卷积神经网络模型（DCNN），得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图，将高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图以图像对的形式组合，计算对应的边缘图像对，将这4个特征图用同一个稀疏表示约束，联合图像，实现智能重建图像；
8层的深度卷积神经网络模型（DCNN）包含三个卷积层和两个池化层，依次由输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层组成；下面是对该网络结构的描述：
1. 输入层：接收原始输入数据的层；
2. 卷积层C1：第一个卷积层，用于提取输入数据的特征；
3. 池化层S2：第一个池化层，用于降低卷积层输出的空间维度，减少模型参数；
4. 卷积层C3：第二个卷积层，继续提取特征；
5. 池化层S4：第二个池化层，再次降低空间维度；
6. 卷积层C5：第三个卷积层，继续提取特征；
7. 全连接层F6：将卷积层提取的特征进行整合；
8. 输出层：输出层，用于输出模型的预测结果；
深度卷积神经网络模型（DCNN）的卷积层主要作用是输出特征图，深度卷积神经网络模型（DCNN）在不断地学习过程中学习得到合适的权值，池化层的功能是下采样，在卷积层和池化层后面是全连接层，全连接层的最后一层为输出层；深度卷积神经网络模型（DCNN）可得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图；
采用深度卷积神经网络模型（DCNN）训练获得的低分辨率原始图像，并且获得低分辨率原始图像的卷积核及特征图，在此引入激活函数，经过计算后得到低分辨率原始图像的绝缘子鸟粪特征图，其计算公式为：
（5）；
式中，为激活函数；表示低分辨率原始图像的鸟粪特征图中像素点的
均值；表示深度卷积神经网络模型（DCNN）中卷积层的层数；、均表示像素点在低分辨
率原始图像的绝缘子鸟粪特征图中的位置；为的函数表达式；表示卷积核；、分别表示的权值和常数偏置；表示低分辨率原始图像的鸟粪特征图中的第j组像
素点；表示某个位置为（i,j）的像素点的权值；表示某一列的像素点对应的常数偏置；
通过低分辨率原始图像的绝缘子鸟粪特征图得到其中鸟粪的边缘、颜色、梯度等相关特征；
将得到的高分辨率原始图像按上述方法进行操作，得到高分辨率原始图像的绝缘子鸟粪特
征图；
向深度卷积神经网络模型（DCNN）中引入残差网络结构（Residual Network），使深度卷积神经网络模型（DCNN）不同层次之间的卷积层建立联系，通过这种联系对低分辨率原始图像的绝缘子鸟粪特征图的残差实现拟合，并且将密集块结构（Dense Block Structure）添加到残差网络结构的中间层，使得所有层次都具有连接性；
联合图像，实现智能重建图像的具体过程为：将高分辨率原始图像的绝缘子鸟粪特征图和低分辨率原始图像的绝缘子鸟粪特征图组成图像对，对应的边缘图像也组成图像对，2组图像对（即4个特征图）间有着相同的稀疏表示，即受同一个稀疏表示所约束；将联合稀疏表示这一过程用多元线性回归问题描述，其公式为：
（6）；
式中，为稀疏表示系数；为一个极小的常数；为深度卷积神经网络模型
（DCNN）的深度；为深度图像；表示深度卷积神经网络模型（DCNN）卷积层C1的向量操
作；
利用梯度算子结合联合稀疏表示从低分辨率原始图像中提取其边缘信息，组成边缘图像对，通过上述边缘图像对，智能重建变电站监测超分辨率图像，并提取超分辨率图像的绝缘子鸟粪的主要特征。
步骤S3：得到了超分辨率图像的绝缘子鸟粪主要特征后，需对这些特征进行进一步的处理和理解，引入分形维数概念，通过分形维数，可以准确度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，从而更好地理解超分辨率图像的绝缘子鸟粪的覆盖状况，其具体过程为：
引入分形维数概念，用于度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，其中，分形维数的计算方法为计盒计算法，计盒计算法主要包含以下步骤：
1、划分盒子网格：将超分辨率图像划分为一个个大小相等的盒子，可以选择各种不同尺度的盒子大小，通常是根据超分辨率图像的大小和复杂性来决定，较小的盒子可以提供更多的精细细节，而较大的盒子则适用于整体结构的分析；
2、计算盒子覆盖数：对于每个盒子，计算其中包含的分形结构的数量，可使用阈值方法或者其他特征提取技术来判断盒子是否与分形结构相交，并累加得到每个尺寸下盒子的覆盖数；
3、尺寸和盒子数量之间的关系：将盒子尺寸与对应的盒子数量进行记录，形成尺寸-盒子数量图，一般情况下，使用对数尺度来显示，将盒子尺寸取对数放在横轴上，盒子数量取对数放在纵轴上；
4、计算分形维数：通过对尺寸-盒子数量图进行线性回归或拟合，计算出分形维数；在对数尺度下，分形维数可以通过斜率来近似表示，斜率趋近于1表示平面几何，而斜率大于1表示对象有分形；计盒分形维数计算公式如下：
（7）；
式中，是空间Rn中任意非空有界子集，为龟裂纹轮廓像素点集合；Rn为图像整体
像素点集合，表示最大直径为且能覆盖F的集合的最小数；
计盒分形维数能够有效的表征超分辨率图像的绝缘子鸟粪密集程度，进一步表征
鸟粪污染的严重程度；对于超分辨率图像的二维平面上的集合，对它的计盒维数的计算可
以这样进行：逐渐改变，分别计算出相应的的值，得到一组(lg(1/σ),lg)的
数据值，对这组数据进行拟合，其直线部分的斜率即为所求的计盒分形维数；
通过上述计算得到的分形维数越接近1，则代表其鸟粪污染的程度越低，分形维数越接近2，则代表其鸟粪污染的程度越高。
步骤S4：自适应理解和解释；使用随机森林算法，对超分辨率图像的绝缘子鸟粪的覆盖状况进行自适应的理解和解释，最终归纳出绝缘子鸟粪覆盖的程度和状态。
随机森林算法是Breiman于2001年提出的将多棵CART决策树模型组合而成的无参数集成学习算法，无需先验知识，既可用于分类，也可用于回归；其基本原理是将样本和特征的利用随机化，生成多棵分类树组成随机森林，最后将多棵树分类器的投票作为最终分类结果；随机森林对缺失数据和非平衡的数据有较好的适应度，这对研究区内多高山峡谷、第四系土体分布不均的特点有所修正，同时，因为采用了集成算法，随机森林分类精度优于大多数单一算法，并且由于引入了随机性，使得随机森林不容易陷入过拟合，对噪声和异常值具有较好的抗变换性，许多研究表明：随机森林具有较快的学习能力，对高维数据的分类问题具有良好的可拓展性和并行性；随机森林的实现过程包括样本随机和特征选择随机两个方面内容，随机森林算法分类流程如图4所示，其主要步骤如下：
1、从原始训练集X中随机有放回的选取n个随机样本S1,S2…,Sn，生成独立分布的n个子训练样本集；
2、对n个子训练样本集，分别进行训练，构建n个CART决策树模型用于分类；
3、假设训练样本的特征集中有Z个特征，那么在每一次构建CART决策树模型时，均从Z个特征中随机抽取z个特征（z＜Z）构成一个新的分类特征集，且每次构建CART决策树模型时根据信息增益或基尼指数等作为判断标准（基尼指数越小，分类效果越好），选择最好的特征进行分裂，每棵CART决策树模型都会有一个输出结果；
4、对每棵CART决策树模型，假设共有m类，设样本属于第m类的概率为Pm，那么表示该概率分布的基尼指数为：
（8）；
式中，为基尼指数；为该棵决策树输出的结果种类数；为每种结果的
概率，即第m种结果的概率P；
5、将构建的多棵CART决策树模型组成随机森林，对于分类问题，根据多棵CART决策树模型的投票作为最终分类结果；对于回归问题，按照多棵CART决策树模型预测值的均值作为最终预测结果输出。
步骤S5：如图5所示，实时监测和分析；在获得了初步的鸟粪覆盖信息后，需要进行实时监测和分析，这个步骤主要由时间序列分析法和K-means聚类算法共同完成，时间序列分析法可以自动追踪鸟粪积累的时间变化情况，而K-means聚类算法则可以动态地将实时汇总的数据进行分类和分组，这有助于系统快速地理解和处理新的信息，其具体过程为：
时间序列分析法：使用单位根检验确定绝缘子上鸟粪检测序列是否平稳，为了克服短期偶发因素影响，建立了ARMA模型用于时间序列分析；
其中，鸟粪检测序列指的是通过某种方法或传感器检测得到的关于鸟粪积累程度的时间序列数据，这个序列记录了一段时间内鸟粪的变化情况，可能是通过定期测量所得的数据，或者是实时监测所得的连续数据。通过对鸟粪检测序列进行时间序列分析，可以揭示鸟粪积累的趋势、季节性变化以及其他相关的时间依赖性信息；在使用K-means聚类算法之前，通常会先对鸟粪检测序列进行单位根检验，以确定序列是否平稳；平稳的时间序列可以更好地适用于聚类算法，并且能够提供更准确和稳定的结果；
平稳时间序列是指其统计特性在不同时间点上保持不变的时间序列；具体来说，平稳时间序列满足以下条件：
1. 均值不随时间变化：序列的平均值在不同时间点上保持稳定，没有明显的趋势性变化。
2. 方差不随时间变化：序列的方差在不同时间点上保持稳定，没有明显的波动性变化。
3. 自协方差（或自相关系数）不随时间变化：序列的自协方差（或自相关系数）在不同时间点之间的差异很小，没有明显的相关性变化。
平稳时间序列的特点是其统计性质在较长时间范围内保持不变，这使得对序列进行预测和分析更加可靠和稳定。在时间序列分析中，许多经典的模型和方法都要求序列是平稳的，因此对于非平稳时间序列，通常需要进行差分处理或其他方法来实现平稳化；
平稳时间序列的主要特征如下：
若时间序列yt满足：
（1）、对任意时间t，其均值E(xt)=μ为与时间t无关的常数；
（2）、对任意时间t和s，其自相关系数只与时间间隔t-s相关，而与t和s的起始点无关，即方差Var(xt)=s2是与时间t无关的常数，协方差Cov(xt,xt+k)=gk是只与时期间隔k有关，与时间t无关的常数；
则该时间序列就是平稳时间序列，即平稳时间序列的各观测值围绕其均值上下波动，且该均值和方差与时间t无关；时间序列平稳性刻画的是时间序列的统计性质关于时间平移的不变性。
单位根检验采用了Dickey-Fuller（DF）检验，考虑了如下的AR(1)过程：
（9）；
式中，为白噪声，为时间序列；为滞后项系数；若|ρ|<1，则时间序列是平稳
的，而当|ρ|>1时，时间序列是爆炸性的，无实际意义，所以只需检验|ρ|是否严格小于1；
根据时间序列yt的性质不同，DF检验还允许时间序列yt有包含常数项和线性时间趋势项的形式：
（10）；
（11）；
式中，为常数项；为时间趋势项系数；如果时间序列yt在0均值上下波动，则应
选择不包含常数项和线性时间趋势项的检验方法，如果时间序列yt具有非0均值，但没有时
间趋势，可选择式（10），若时间序列yt随时间变化有上升或下降趋势，应选择式（11）；
ARMA模型含自回归（autoregressive，AR）模型和移动平均（movingaverage，MA）模型，是时间序列分析的典型模型；
若时间序列yt是平稳时间序列，且其当前值为前期值及随机误差项的线性函数：
（12）；
则称该时间序列yt是自回归移动平均序列，（p，q）阶自回归移动平均模型记为
ARMA（p，q），实参数ϕ1，ϕ2，...，ϕp称为自回归系数，θ1，θ2，...，θq称为移动平均系数；式中，
表示随机误差项或噪声，可以看作是一个均值为0、方差稳定、相互独立的随机变量序列；
为自回归部分的阶数，表示当前值 yt 与前 个值 yt-1, yt-2, ..., yt-p 之间的关
系，自回归系数 ϕ1, ϕ2, ..., ϕp 表示了各个滞后项的权重；为移动平均部分的阶数，表
示当前值 yt 与前 个随机误差项 ut-1, ut-2, ..., ut-q 之间的关系，移动平均系
数 θ1, θ2, ..., θq 表示了各个随机误差项的权重；
引入滞后算子，式（12）可简写为：
（13）；
ARMA（p，q）过程的平稳条件是滞后多项式的根均在单位圆外（倒数根在单
位圆内），可逆条件是的根均在单位圆外；
平稳解的均值为：
（14）；
时间序列可以通过自相关函数和偏自相关函数的截尾性和拖尾性初步判定ARMA模型的阶数；选用ARMA模型的前提条件是其自相关函数和偏自相关函数都不截尾，但这仅能限定p、q不为0，p、q的具体取值只能从低阶到高阶逐阶尝试。
由于不同的时间序列模型之间其相关函数具有不同的截尾性质，可据此选择合适的模型，若时间序列自相关函数呈现拖尾性质，偏自相关函数呈现截尾性质，则可选择自回归模型，若正好相反，则可选用移动平均模型；
K-means聚类算法是指将一个数据的相似性集中到一个数据上，是一种无监督的方法；K-means聚类算法将距离远近作为判别两组数据接近与否的标准，因为两组数据相距越近说明两组数据的数据值越接近，因此划分在同一个数据集中进行挖掘研究，在这里采用欧氏距离法（D）进行基础测量；采用K-means聚类算法的好处之一就是速度快，仅需计算测量中心与聚类中心之间的距离即可，其线性复杂度为O(n)，K-means聚类算法的具体过程如下：
设有数据集D1、D2、D3，其中心为C1、C2、C3，则样本（i=1，2，…，n）与聚类中心
（j=1，2，3）的相似度为：
（15）；
式中，n表示样本容量，通过运算将所有数据置于与其相似性最大的集合中；若式（16）成立：
（16）；
则数据中心Cj更新为：
（17）；
式中，表示样本的个数；如式（18）符合条件，则聚类结束：
（18）；
式中，ρ值无限趋近于零，Cjl表示第l个聚类中心向量值；为该聚类中第n个点的
向量值；欧氏距离的计算式为：
（19）；
式中，i=1，2，…，n；j=1，2，3；和为第j个聚类下的不同的两个点；对异常点而
言，K-means聚类算法的计算更为灵活，由于本文所用取矿数据出现若干奇异值，而这种数
据又会影响聚类分析法的效率，故在本文中采用最小单位二乘法来确定阈值，可更加有效
地降低奇异点对K-means聚类算法效率的影响；
步骤S6：根据步骤5的分析结果，判断当前是否存在鸟粪积累的趋势，如果趋势存在，就需要进行后续处理，如果趋势不存在，继续进行监测。
后续处理包括发出警报，同时推荐相应的处理措施，处理措施可包括清洗绝缘子、重新定位鸟类走道等。
不论是否检测到积聚趋势，都会持续进行监测，即便在处理措施被执行后，也会继续检测鸟粪覆盖程度，以确保绝缘子的正常工作。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于，包括如下步骤：
步骤S1：获取实时的绝缘子表面覆盖鸟粪的高分辨率原始图像；
步骤S2：使用深度卷积神经网络模型DCNN对高分辨率原始图像进行深度感知与学习，得到超分辨率图像；
步骤S3：引入分形维数概念，度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，得到超分辨率图像的绝缘子鸟粪的覆盖状况；
步骤S4：使用随机森林算法，对超分辨率图像的绝缘子鸟粪的覆盖状况进行自适应的理解和解释，最终归纳出绝缘子鸟粪覆盖的程度和状态；
步骤S5：使用时间序列分析法和K-means聚类算法对绝缘子鸟粪覆盖的程度和状态进行实时监测和分析，得到绝缘子鸟粪覆盖的程度和状态的分析结果；
步骤S6：根据绝缘子鸟粪覆盖的程度和状态的分析结果，判断绝缘子当前是否存在鸟粪积累的趋势，如趋势存在，进行后续处理，如趋势不存在，继续进行监测。
2.根据权利要求1所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S2中，在使用深度卷积神经网络模型DCNN对高分辨率原始图像进行深度感知与学习之前，需对高分辨率原始图像进行图像预处理，其具体步骤为：通过降质退化模型分析高分辨率原始图像劣化过程，并利用硬阈值和软阈值结合方法去除高分辨率原始图像的噪声，采用下式表示降质退化模型：
；
式中，表示希望得到的低分辨率原始图像;/>表示高分辨率摄像头拍摄的高分辨率原始图像；/>表示降采样矩阵；/>表示加性噪声；/>、/>分别表示模糊作用矩阵和运动变换矩阵；
将硬阈值与软阈值结合，去噪处理低分辨率原始图像的加性噪声；具体过程为：给定一个阈值，处理低分辨率原始图像的加性噪声，处理后，通过反变换重构低分辨率原始图像；硬阈值的函数表达式为：
；
式中，为Contourlet系数；/>为逻辑判断函数；/>为经过去噪处理后的Contourlet系数；/>为给定的阈值，可视具体要求变化；/>表示经过硬阈值处理后，从低分辨率原始图像的提取出的Contourlet系数；软阈值函数表达式为：
；
式中，表示经过软阈值处理后，从低分辨率原始图像的提取出的Contourlet系数；
将硬阈值与软阈值结合，得到预处理后的低分辨率原始图像，其公式为：
；
式中，为将软阈值处理后的系数/>和硬阈值处理后的系数/>相加的结果，即经过软硬阈值混合处理后的Contourlet系数。
3.根据权利要求2所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S2的具体过程为：构建8层的深度卷积神经网络模型DCNN，将预处理后的低分辨率原始图像和高分辨率原始图像输入至深度卷积神经网络模型DCNN内，得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图，将高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图以图像对的形式组合，计算对应的边缘图像对，将这4个特征图用同一个稀疏表示约束，联合图像，实现智能重建图像。
4.根据权利要求3所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：8层的深度卷积神经网络模型DCNN包含三个卷积层和两个池化层，依次由输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层组成；向深度卷积神经网络模型DCNN中引入残差网络结构并且将密集块结构添加到残差网络结构的中间层。
5.根据权利要求4所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图的具体过程为：采用深度卷积神经网络模型DCNN训练获得的低分辨率原始图像，并且获得低分辨率原始图像的卷积核及特征图，在此引入激活函数，经过计算后得到低分辨率原始图像的绝缘子鸟粪特征图，其计算公式为：
；
式中，为激活函数；/>表示低分辨率原始图像的鸟粪特征图中像素点的均值；/>表示深度卷积神经网络模型DCNN中卷积层的层数；/>、/>均表示像素点在低分辨率原始图像的绝缘子鸟粪特征图中的位置；/>为/>的函数表达式；/>表示卷积核；/>、/>分别表示/>的权值和常数偏置；/>表示某个位置为/>、/>的像素点的权值；/>表示某一列的像素点对应的常数偏置；/>表示低分辨率原始图像的鸟粪特征图中的第j组像素点；将得到的高分辨率原始图像按上述方法进行操作，得到高分辨率原始图像的绝缘子鸟粪特征图。
6.根据权利要求5所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：联合图像，实现智能重建图像的具体过程为：将高分辨率原始图像的绝缘子鸟粪特征图和低分辨率原始图像的绝缘子鸟粪特征图组成图像对，对应的边缘图像也组成图像对，2组图像对即4个特征图间有着相同的稀疏表示，即受同一个稀疏表示所约束；将联合稀疏表示这一过程用多元线性回归问题描述，其公式为：
；
式中，为稀疏表示系数；/>为一个极小的常数；/>为深度卷积神经网络模型DCNN的深度；/>为深度图像；/>表示深度卷积神经网络模型DCNN卷积层C1的向量操作；
利用梯度算子结合联合稀疏表示从低分辨率原始图像中提取的边缘信息，组成边缘图像对，通过上述边缘图像对，智能重建变电站监测超分辨率图像。
7.根据权利要求6所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S3的具体过程为：引入分形维数概念，用于度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，分形维数的计算方法为计盒计算法，计盒计算法主要包含以下步骤：
划分盒子网格：将超分辨率图像划分为一个个大小相等的盒子，根据超分辨率图像的大小和复杂性决定选择各种不同尺度的盒子大小，小的盒子用以提供更多的精细细节，大的盒子用于整体结构的分析；
计算盒子覆盖数：对于每个盒子，计算其中包含的分形结构的数量，使用特征提取技术来判断盒子是否与分形结构相交，并累加得到每个尺寸下盒子的覆盖数；
尺寸和盒子数量之间的关系：将盒子尺寸与对应的盒子数量进行记录，形成尺寸-盒子数量图，使用对数尺度来显示，将盒子尺寸取对数放在横轴上，盒子数量取对数放在纵轴上；
计算分形维数：通过对尺寸-盒子数量图进行线性回归或拟合，计算出分形维数；在对数尺度下，分形维数通过斜率来近似表示，斜率趋近于1表示平面几何，而斜率大于1表示对象有分形；计盒分形维数计算公式如下：
；
式中，是空间Rn中任意非空有界子集，为龟裂纹轮廓像素点集合；Rn为图像整体像素点集合，/>表示最大直径为/>且能覆盖F的集合的最小数；
对于超分辨率图像的二维平面上的集合，对它的计盒维数的计算通过以下方式进行：逐渐改变，分别计算出相应的/>的值，得到一组lg(1/σ),lg/>的数据值，对这组数据进行拟合，其直线部分的斜率即为所求的计盒分形维数；
通过上述计算得到的分形维数越接近1，则代表超分辨率图像的绝缘子鸟粪污染程度越低，分形维数越接近2，则代表其超分辨率图像的鸟粪污染程度越高。
8.根据权利要求7所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S5的具体过程为：
时间序列分析法：使用单位根检验确定绝缘子上鸟粪检测序列是否平稳，建立ARMA模型用于时间序列分析；单位根检验采用了Dickey-Fuller检验，其过程为：
；
式中，为白噪声，/>为时间序列；/>为滞后项系数；若|ρ|<1，则时间序列是平稳的，而当|ρ|>1时，时间序列是爆炸性的，无实际意义；
根据时间序列yt的性质不同，Dickey-Fuller检验允许时间序列yt有包含常数项和线性时间趋势项的形式：
；
；
其中，为常数项；/>为时间趋势项系数；如时间序列yt在0均值上下波动，则应选择不包含常数项和线性时间趋势项的检验方法，如时间序列yt具有非0均值，但没有时间趋势，应选择包含常数项的检验方法，若时间序列yt随时间变化有上升或下降趋势，应选择包含线性时间趋势项的检验方法；
ARMA模型含自回归模型和移动平均模型，若时间序列yt是平稳时间序列，且当前值为前期值及随机误差项的线性函数：
；
则称该时间序列yt是自回归移动平均序列，p，q阶自回归移动平均模型记为ARMAp，q，实参数ϕ1，ϕ2，...，ϕp称为自回归系数，θ1，θ2，...，θq称为移动平均系数；式中，表示随机误差项或噪声，看作是一个均值为0、方差稳定、相互独立的随机变量序列；/>为自回归部分的阶数，表示当前值 yt 与前 />个值 yt-1, yt-2, ..., yt-p 之间的关系，自回归系数ϕ1, ϕ2, ..., ϕp 表示了各个滞后项的权重；/>为移动平均部分的阶数，表示当前值yt 与前 /> 个随机误差项 ut-1, ut-2, ..., ut-q 之间的关系，移动平均系数 θ1, θ2,..., θq 表示了各个随机误差项的权重；
引入滞后算子，对线性函数进行简写：
；
ARMAp，q过程的平稳条件是滞后多项式的根均在单位圆即外倒数根在单位圆内，可逆条件是/>的根均在单位圆外；
平稳解的均值为：
；
时间序列通过自相关函数和偏自相关函数的截尾性和拖尾性初步判定ARMA模型的阶数；
K-means聚类算法：
设有数据集D1、D2、D3，数据集中心为C1、C2、C3，则样本，i=1，2，…，n与聚类中心/>，j=1，2，3的相似度为：
；
式中，n表示样本容量，通过运算将所有数据置于与数据集相似性最大的集合中；若下成立：
；
则数据中心Cj更新为：
；
式中，表示样本的个数；如下式符合条件，则聚类结束：
；
式中，ρ值无限趋近于零，Cjl表示第l个聚类中心向量值；为该聚类中第n个点的向量值；欧氏距离/>的计算式为：
；
式中，i=1，2，…，n；j=1，2，3；和/>为第j个聚类下的不同的两个点。
9.根据权利要求8所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：根据得到绝缘子鸟粪覆盖的程度和状态的分析结果判断当前是否存在鸟粪积累的趋势，如趋势存在，进行后续处理，如趋势不存在，继续进行监测。
10.根据权利要求1所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S1中，高分辨率原始图像通过安装在绝缘子上的高分辨率摄像头或定期使用无人机进行拍摄得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311639525.5A CN117351365B (zh) | 2023-12-04 | 2023-12-04 | 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311639525.5A CN117351365B (zh) | 2023-12-04 | 2023-12-04 | 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117351365A CN117351365A (zh) | 2024-01-05 |
| CN117351365B true CN117351365B (zh) | 2024-04-02 |
Family
ID=89366977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311639525.5A Active CN117351365B (zh) | 2023-12-04 | 2023-12-04 | 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117351365B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201298408Y (zh) * | 2008-11-29 | 2009-08-26 | 河南省电力公司焦作供电公司 | 一种防鸟粪的绝缘子 |
| CN107958465A (zh) * | 2017-10-23 | 2018-04-24 | 华南农业大学 | 一种基于深度卷积神经网络的单幅图像去雾方法 |
| EP3333998A1 (de) * | 2016-12-06 | 2018-06-13 | Bayernwerk AG | Verschmutzungsschutz für hochspannungsisolatoren |
| CN113950702A (zh) * | 2019-06-03 | 2022-01-18 | 辉达公司 | 在视频分析应用中使用相关滤波器的多对象跟踪 |
| CN114067368A (zh) * | 2022-01-17 | 2022-02-18 | 国网江西省电力有限公司电力科学研究院 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
| CN115909395A (zh) * | 2022-10-31 | 2023-04-04 | 武汉珞珈天铭电气科技有限公司 | 一种输电线路鸟害监测方法、装置、电子设备及存储介质 |
| CN116184060A (zh) * | 2022-11-17 | 2023-05-30 | 国网山西省电力公司超高压输电分公司 | 一种适用于瓷质绝缘子带电作业的异动监测方法和系统 |
| CN219143023U (zh) * | 2022-12-28 | 2023-06-06 | 国网甘肃省电力公司电力科学研究院 | 一种绝缘子鸟粪闪络试验装置 |
-
2023
- 2023-12-04 CN CN202311639525.5A patent/CN117351365B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201298408Y (zh) * | 2008-11-29 | 2009-08-26 | 河南省电力公司焦作供电公司 | 一种防鸟粪的绝缘子 |
| EP3333998A1 (de) * | 2016-12-06 | 2018-06-13 | Bayernwerk AG | Verschmutzungsschutz für hochspannungsisolatoren |
| CN107958465A (zh) * | 2017-10-23 | 2018-04-24 | 华南农业大学 | 一种基于深度卷积神经网络的单幅图像去雾方法 |
| CN113950702A (zh) * | 2019-06-03 | 2022-01-18 | 辉达公司 | 在视频分析应用中使用相关滤波器的多对象跟踪 |
| CN114067368A (zh) * | 2022-01-17 | 2022-02-18 | 国网江西省电力有限公司电力科学研究院 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
| CN115909395A (zh) * | 2022-10-31 | 2023-04-04 | 武汉珞珈天铭电气科技有限公司 | 一种输电线路鸟害监测方法、装置、电子设备及存储介质 |
| CN116184060A (zh) * | 2022-11-17 | 2023-05-30 | 国网山西省电力公司超高压输电分公司 | 一种适用于瓷质绝缘子带电作业的异动监测方法和系统 |
| CN219143023U (zh) * | 2022-12-28 | 2023-06-06 | 国网甘肃省电力公司电力科学研究院 | 一种绝缘子鸟粪闪络试验装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117351365A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112435221B (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
| CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
| CN114972213A (zh) | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 | |
| Haidari et al. | Deep learning-based model for fault classification in solar modules using infrared images | |
| CN114022671B (zh) | 一种基于残差神经网络的索道缆绳绳位智能识别方法 | |
| CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
| CN114359695A (zh) | 基于不确定性估计的绝缘子破损识别方法 | |
| CN111766641B (zh) | 一种基于深度神经网络的强对流天气识别方法 | |
| CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
| CN113936132A (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
| CN112257621A (zh) | 一种无人机巡检的设备图像识别方法 | |
| Xiao et al. | Research on defect detection method of powder metallurgy gear based on machine vision | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN117351365B (zh) | 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 | |
| CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
| Ma et al. | Anomaly Detection of Mountain Photovoltaic Power Plant Based on Spectral Clustering | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN117392551B (zh) | 一种基于鸟粪图像特征的电网鸟害识别方法及系统 | |
| CN118035873B (zh) | 一种并行卷积改进三元组网络的故障诊断方法 | |
| CN117437188B (zh) | 一种用于智慧电网的绝缘子缺陷检测系统 | |
| CN116842351B (zh) | 滨海湿地碳汇评估模型构建方法、评估方法和电子设备 |
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 |