基于多特征信息融合的绝缘子状态检测与诊断方法技术

本发明专利技术公开了一种基于多特征信息融合的绝缘子状态检测与诊断方法，通过引入具有人工智能意义的计算机视觉分析技术，使得现有的巡检系统将具备人眼的识别和人脑的分析能力，通过视觉分析，识别分析输电线路绝缘子破损等潜在威胁事件，并达到实时预警，降低事故发生率。

【技术实现步骤摘要】

本专利技术涉及一种绝缘子状态检测与诊断方法，特别是一种基于多特征信息融合的绝缘子状态检测与诊断方法。
技术介绍
输电线路在电力系统中起着非常重要的作用，直接关系到千家万户的用电问题，大规模断电将给国民经济带来不可估量的损失。因此，输电线路的安全性是电力部门高度关注的问题之一。绝缘子作为电网中用量庞大、种类繁多的零部件，在输电线路中占有重要地位，一方面，为传输电流的导线提供机械支持；另一方面防止电流对地形成通道接地，起绝缘作用。然而，绝缘子在输电线路中又是极易损坏的元件，由于长时间经受机械负荷作用，以及自然界中覆冰、温升和风吹等气象的影响，使得绝缘子破损，丧失绝缘、导致供电中断，严重甚至造成电网瘫痪，因此它直接关系到输电线路的安全稳定运行。因此，为了保证电网的安全可靠运行，必须对输电线路上的绝缘子状态进行监测、预警。传统的绝缘子检测技术主要是基于人工检测。如巡视，每年组织不定期的检查，每两年组织一次登塔巡视，每隔一年进行一次劣化绝缘子的检测，以期发现零值或低值绝缘子以及其他存在的问题，以便于及时更换。但是人工检测效率低、工作强度大、检测速度慢，并且由于对象是高压输电线路，所以在检测时，检测人员的人身安全也受到了不同程度的影响。传统的人工巡检方法不仅工作量大而且条件艰苦，特别是对多山区和跨越大江大河的输电线路的巡检，以及在冰灾、水灾、地震、滑坡、夜晚期间巡线检查，所花时间长、人力成本高、困难大、风险高。近几年，采用无人直升机低空遥感方式实现地表观察、地质勘探、线路巡检的技术逐渐成熟，特别是无人机巡检以其高效、准确和安全等特点逐渐成为高压输电线路巡检的重要发展方向，通过对航拍巡检采集到的大量航拍图像进行处理和分析可以发现输电线路故障和缺陷，并对特殊地质环境中电力设施灾害监测与预警。但是，航拍巡检过程中获取的图像或者视频资料，数量非常大，如果采用事后人工筛查、人工分析和判断的方式，直接处理巨大的视频和图片信息，无疑是非常艰苦的工作，并且很容易遗漏关键信息；如果采用人工在线监视、实时判断和发现输变电线路的异常，是更加艰苦的工作、更容易遗漏和误报关键信息。
技术实现思路
本专利技术的目的在于克服现有技术的不足之处，而提供一种具备人眼的识别和人脑的分析能力，通过视觉分析，识别分析输电线路绝缘子破损潜在威胁事件的基于多特征信息融合的绝缘子状态检测与诊断方法。一种基于多特征信息融合的绝缘子状态检测与诊断方法，采用如下步骤实现：(1)首先通过与输电检修工区进行配合，从输电线路上拍摄不同场景、不同材质的大量绝缘子图片，然后通过对绝缘子图片进行增强处理，选取质量较好、背景清晰、绝缘子较为突出的绝缘子图片作为绝缘子训练样本；(2)对绝缘子训练样本进行预处理：首先将所有绝缘子训练样本依次进行灰度化处理，并从灰度化处理后的绝缘子训练样本中选取像素为24*24的绝缘子训练样本作为正样本，同时将其余绝缘子训练样本作为负样本，然后在负样本中添加机器学习容易误判的场景；(3)提取绝缘子训练样本的特征：采用扩展的Haar-like特征方法对正样本和负样本进行特征提取；所提取的特征包括如下类型：边缘特征、线特征、中心环绕特征、对角线特征；(4)根据所提取的特征，采用AdaBoost算法训练得到分类器模型；(5)根据分类器模型，对绝缘子测试样本进行识别，由此识别出绝缘子；(6)根据识别结果，对绝缘子的状态进行分析及判断。所述的容易误判的场景包括以下两种：局部的杆塔、远景树木。所述的分类器模型包括以下三种：决策树分类器模型、选择树分类器模型、证据分类器模型。所述的分析判断的结果包括以下两种：掉串、破损。综上所述的，本专利技术相比现有技术如下优点：本专利技术通过引入具有人工智能意义的计算机视觉分析技术，使得现有的巡检系统将具备人眼的识别和人脑的分析能力，通过视觉分析，识别分析输电线路绝缘子破损等潜在威胁事件，并达到实时预警，降低事故发生率。附图说明图1为经过预处理的训练样本图。图2为Haar边缘特征示意图。图3为Haar线特征示意图。图4为Haar中心环绕特征示意图。图5为Haar对角线特征示意图。图6为AdaBoost算法原理框图。图7为本专利技术的整体流程图。具体实施方式下面结合实施例对本专利技术进行更详细的描述。实施例1一种基于多特征信息融合的绝缘子状态检测与诊断方法，采用如下步骤实现：(1)首先通过与输电检修工区进行配合，从输电线路上拍摄不同场景、不同材质的大量绝缘子图片，然后通过对绝缘子图片进行增强处理，选取质量较好、背景清晰、绝缘子较为突出的绝缘子图片作为绝缘子训练样本；(2)对绝缘子训练样本进行预处理：首先将所有绝缘子训练样本依次进行灰度化处理，并从灰度化处理后的绝缘子训练样本中选取像素为24*24的绝缘子训练样本作为正样本，同时将其余绝缘子训练样本作为负样本，然后在负样本中添加机器学习容易误判的场景(容易误判的场景包括以下两种：局部的杆塔、远景树木)；(3)提取绝缘子训练样本的特征：采用扩展的Haar-like特征方法对正样本和负样本进行特征提取；所提取的特征包括如下类型：边缘特征、线特征、中心环绕特征、对角线特征；(4)根据所提取的特征，采用AdaBoost算法训练得到分类器模型(分类器模型包括以下三种：决策树分类器模型、选择树分类器模型、证据分类器模型)；(5)根据分类器模型，对绝缘子测试样本进行识别，由此识别出绝缘子；(6)根据识别结果，对绝缘子的状态进行分析及判断(分析判断的结果包括以下两种：掉串、破损)。本实施例未述部分与现有技术相同。本文档来自技高网...

【技术保护点】
一种基于多特征信息融合的绝缘子状态检测与诊断方法，其特征在于：采用如下步骤实现，(1)首先通过与输电检修工区进行配合，从输电线路上拍摄不同场景、不同材质的大量绝缘子图片，然后通过对绝缘子图片进行增强处理，选取质量较好、背景清晰、绝缘子较为突出的绝缘子图片作为绝缘子训练样本；(2)对绝缘子训练样本进行预处理：首先将所有绝缘子训练样本依次进行灰度化处理，并从灰度化处理后的绝缘子训练样本中选取像素为24*24的绝缘子训练样本作为正样本，同时将其余绝缘子训练样本作为负样本，然后在负样本中添加机器学习容易误判的场景；(3)提取绝缘子训练样本的特征：采用扩展的Haar‑like特征方法对正样本和负样本进行特征提取；所提取的特征包括如下类型：边缘特征、线特征、中心环绕特征、对角线特征；(4)根据所提取的特征，采用AdaBoost算法训练得到分类器模型；(5)根据分类器模型，对绝缘子测试样本进行识别，由此识别出绝缘子；(6)根据识别结果，对绝缘子的状态进行分析及判断。

【技术特征摘要】
1.一种基于多特征信息融合的绝缘子状态检测与诊断方法，其特征在于：采用如下步骤实现，(1)首先通过与输电检修工区进行配合，从输电线路上拍摄不同场景、不同材质的大量绝缘子图片，然后通过对绝缘子图片进行增强处理，选取质量较好、背景清晰、绝缘子较为突出的绝缘子图片作为绝缘子训练样本；(2)对绝缘子训练样本进行预处理：首先将所有绝缘子训练样本依次进行灰度化处理，并从灰度化处理后的绝缘子训练样本中选取像素为24*24的绝缘子训练样本作为正样本，同时将其余绝缘子训练样本作为负样本，然后在负样本中添加机器学习容易误判的场景；(3)提取绝缘子训练样本的特征：采用扩展的Haar-like特征方法对正样本和负样本进行特征提取；所提取的特征包括如下类型：边缘特征...

【专利技术属性】
技术研发人员：王庆华，汤明文，黄宇淇，林朝辉，杨建斌，吴冰莹，王力群，
申请(专利权)人：国网福建省电力有限公司，国家电网公司，国网福建省电力有限公司福州供电公司，福州振源科技开发有限公司，
类型：发明
国别省市：福建;35