一种基于卷积递归网络的绝缘子红外诊断方法技术

本发明专利技术公开一种基于卷积递归网络的绝缘子红外诊断方法，包括以下步骤：A、对绝缘子的红外图像进行分割；B、对分割出的区域进行验证，以确定绝缘子故障区域；C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。本发明专利技术能够改进现有技术的不足，具有较高的精度和收敛速度，且可适应性较强。

【技术实现步骤摘要】
一种基于卷积递归网络的绝缘子红外诊断方法
本专利技术涉及电网故障识别诊断
，尤其是一种基于卷积递归网络的绝缘子红外诊断方法。
技术介绍
绝缘子被广泛应用于输电线路中，是输电网络的重要组成部分。因此绝缘子的状态监测将是一个繁重的工作，相较于传统的人工巡检方式，利用红外成像仪进行故障巡检更为高效，因此对红外图像的故障提取，是目前智能巡检的重要发展方向。现有的工作模式下，红外图像的故障识别主要以人工识别为主，对人员的专业素质要求高，存在着人为因素影响大、工作效率低等缺陷。随着智能变电站和变电站巡检机器人的进一步发展和普及，海量的红外故障图像涌入等待分析，对以人工诊断为主的传统处理方式提出了新的挑战。采用计算机的辅助分析手段对采集到的红外图像进行自动提取、识别、分析，可以减轻劳动强度、减少对技术人员的依赖，更有利于实现图像的数据化，便于进行横向和纵向的统计分析。此外，电力大数据下非结构化数据信息的涌入对图像识别的精度和速度提出了更高的要求，目前常用的几种故障诊断方法，聚类分析、BP神经网络、支持向量机等，在训练速度、收敛速度、以及模型的稳定性等方面均有一定的缺陷，且方法较为单一，难以适应复杂的电力系统。
技术实现思路
本专利技术要解决的技术问题是提供一种基于卷积递归网络的绝缘子红外诊断方法，能够解决现有技术的不足，具有较高的精度和收敛速度，且可适应性较强。为解决上述技术问题，本专利技术所采取的技术方案如下。一种基于卷积递归网络的绝缘子红外诊断方法，包括以下步骤：A、对绝缘子的红外图像进行分割；B、对分割出的区域进行验证，以确定绝缘子故障区域；C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。作为优选，步骤A中，通过Turbopixiel超像素分割方法，合并相似区域；利用HSV颜色空间进行区域提取，选取平均亮度、凹凸度、中心距离三个特征量来描述区域属性。作为优选，HSV颜色空间进行区域提取时，其分割阈值的确定步骤如下，将每个区域Ri内的颜色分量以其区域内的均值[ri,gi,bi]替代，为了突出待分割的区域，修改标准的H值传统计算公式并进行归一化，得到的H值计算公式为，式中，R、B、G分别代表红、绿、蓝；分割阈值为：H＞0.65；S＞0.5或S＜0.12；V＞200；所述故障区域，是结合三个特征量描述的函数F,式为：式中，为平均亮度，以归一化的区域内灰度的平均值表示，为凹凸度，通过该区域面积和该区域的最小凸边形的面积得到，为中心距离，区域边缘到图像中心位置的最小值。作为优选，步骤B中，采用大律法对灰度图进行二值分割，查找包含故障区域的联通区，从最小外接矩形边缘出发设置停止条件，以确定绝缘子故障区域。作为优选，步骤C中，将特征提取后的样本图像依次经过滤波器，卷积神经网络层，多层递归神经网络，最终全连接输出到一个softmax分类器中，对绝缘子的劣化与否及劣化部位做出诊断信息。作为优选，输入样本首先经过一级卷积网络，将得到的特征输入到第二级的多层递归神经网络中，递归神经网络的层数由设置的参数决定，最终全连接输出到一个softmax分类器中；滤波器中，输入样本的尺寸转换为m×n，滤波器的尺寸设为r×r，滤波器的个数为K1，其预处理通过K均值聚类来无监督实现，随机选取样本中N个r×r的特征值，作为滤波器的卷积核使用；K均值需要调整的参数仅有聚类个数K1；卷积神经网络层中，在考虑卷积的边缘效应下，经过卷积层之后得到特征图的尺寸为个数为K1；假设输入的特征图尺寸为m1×n1，即为采样范围为r1×r1，步长为s1，则采样后的特征图尺寸为在经过第一级的卷积网络后的特征尺度为K1×m2×n2；多层递归神经网络层，即第二级网络，每一层中的所有特征向量一起连接组成下一层的特征，共享同一组权重，通过接受域的选择逐步降低特征维度；设滤波器的接受域为l×l，每层的递归神经网络数量为K2，W是二维的权重矩阵，大小为K2×K1×(K1×l×l)；在接受域无重叠的情况下，一层递归神经网络之后每张特征图的维度降为之后每层都将维度降低l×l倍，直到变为1×1，最终每张样本图像输出的单层特征维度为n0＝K2×K1。作为优选，在具体实现中，通常将待输入的图像归一化为m＝n，因此，简化特征图尺寸为m2×n2。采用上述技术方案所带来的有益效果在于：本专利技术具有较高的精度，可适应性较强，且自动化程度高。基于卷积递归网络进行的红外检测方法可以综合各种劣化瓷质绝缘子检测方法的优点，与其他无监督训练方法相比，具有更强的自适应性和更快的处理速度，适用于电力大数据下的海量红外图像的批量处理，达到提高检测准确性和检测效率的目的。此外，卷积递归网络需要调整的参数仅有聚类个数K1，因此在待处理维度不高的情况下具有更好的效果和算法效率。此方法通过超像素分割，将图像分割为多个内部性质近似的超像素区域，提高特征信息的提取速度和准确率；通过卷积递归网络诊断瓷质绝缘子是否劣化，避免了人工识别，减少了参数调整量，具有较强的实用性，有效减少了劣化绝缘子存在的安全隐患。附图说明图1是本专利技术的流程图。图2是卷积递归神经网络的结构图。具体实施方式参照图1-2，本专利技术一个具体实施方式包括以下步骤：A、对绝缘子的红外图像进行分割；B、对分割出的区域进行验证，以确定绝缘子故障区域；C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。步骤A中，通过Turbopixiel超像素分割方法，合并相似区域；利用HSV颜色空间进行区域提取，选取平均亮度、凹凸度、中心距离三个特征量来描述区域属性。HSV颜色空间进行区域提取时，其分割阈值的确定步骤如下，将每个区域Ri内的颜色分量以其区域内的均值[ri,gi,bi]替代，为了突出待分割的区域，修改标准的H值传统计算公式并进行归一化，得到的H值计算公式为，式中，R、B、G分别代表红、绿、蓝；分割阈值为：H＞0.65；S＞0.5或S＜0.12；V＞200；所述故障区域，是结合三个特征量描述的函数F,式为：式中，为平均亮度，以归一化的区域内灰度的平均值表示，为凹凸度，通过该区域面积和该区域的最小凸边形的面积得到，为中心距离，区域边缘到图像中心位置的最小值。步骤B中，采用大律法对灰度图进行二值分割，查找包含故障区域的联通区，从最小外接矩形边缘出发设置停止条件，以确定绝缘子故障区域。步骤C中，将特征提取后的样本图像依次经过滤波器，卷积神经网络层，多层递归神经网络，最终全连接输出到一个softmax分类器中，对绝缘子的劣化与否及劣化部位做出诊断信息。输入样本首先经过一级卷积网络，将得到的特征输入到第二级的多层递归神经网络中，递归神经网络的层数由设置的参数决定，最终全连接输出到一个softmax分类器中；滤波器中，输入样本的尺寸转换为m×n，滤波器的尺寸设为r×r，滤波器的个数为K1，其预处理通过K均值聚类来无监督实现，随机选取样本中N个r×r的特征值，作为滤波器的卷积核使用；K均值需要调整的参数仅有聚类个数K1；卷积神经网络层中，在考虑卷积的边缘效应下，经过卷积层之后得到特征图的尺寸为个数为K1；假设输入的特征图尺寸为m1×n1，即为采样范围为r1×r1，步长为s1，则采样后的特征图尺寸为在经过第一级的卷积网络后的特征尺度为K1×m2×n2本文档来自技高网...

【技术保护点】
一种基于卷积递归网络的绝缘子红外诊断方法，其特征在于包括以下步骤：A、对绝缘子的红外图像进行分割；B、对分割出的区域进行验证，以确定绝缘子故障区域；C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。

【技术特征摘要】
1.一种基于卷积递归网络的绝缘子红外诊断方法，其特征在于包括以下步骤：A、对绝缘子的红外图像进行分割；B、对分割出的区域进行验证，以确定绝缘子故障区域；C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。2.根据权利要求1所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：步骤A中，通过Turbopixiel超像素分割方法，合并相似区域；利用HSV颜色空间进行区域提取，选取平均亮度、凹凸度、中心距离三个特征量来描述区域属性。3.根据权利要求2所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于，其特征在于：HSV颜色空间进行区域提取时，其分割阈值的确定步骤如下，将每个区域Ri内的颜色分量以其区域内的均值替代，为了突出待分割的区域，修改标准的H值传统计算公式并进行归一化，得到的H值计算公式为，式中，R、B、G分别代表红、绿、蓝；分割阈值为：H＞0.65；S＞0.5或S＜0.12；V＞200；所述故障区域，是结合三个特征量描述的函数F,式为：式中，为平均亮度，以归一化的区域内灰度的平均值表示，为凹凸度，通过该区域面积和该区域的最小凸边形的面积得到，为中心距离，区域边缘到图像中心位置的最小值。4.根据权利要求1所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：步骤B中，采用大律法对灰度图进行二值分割，查找包含故障区域的联通区，从最小外接矩形边缘出发设置停止条件...

【专利技术属性】
技术研发人员：付炜平，刘云鹏，刘朝辉，尹子会，王伟，肖魁欧，董俊虎，孟延辉，孟荣，纪欣欣，裴少通，
申请(专利权)人：国家电网公司，国网河北省电力公司检修分公司，华北电力大学保定，
类型：发明
国别省市：北京,11