一种基于局部特征的PCNN电力故障区域检测方法技术

本发明专利技术涉及一种基于局部特征的PCNN电力故障区域检测方法，该方法以脉冲耦合神经网络(PCNN)同步点火机理为依据，通过对其内部参数适当简化，同时在参数优化配置下结合故障区域和非故障区域邻域边界局部特征，设置PCNN模型迭代结束规则，从而使得模型能自适应迭代获取红外图像故障区域.实验结果表明，针对实际的红外检测图像，本发明专利技术方法能够自动高效的识别电气设备故障区域，具有较好的故障区域检测性能。

A PCNN fault region detection method based on local feature

The invention relates to a local feature detection method of PCNN power failure area based on the method of using pulse coupled neural network (PCNN) synchronous ignition mechanism as the basis, by simplifying the internal parameters, while the parameter optimization with the fault area and non fault area neighborhood edge local feature, set the PCNN model of the end of the iteration rule thus, the model can obtain infrared image adaptive iterative fault region. The experimental results show that the infrared detection image, the method of the invention can automatically and efficiently identify electrical equipment fault zone, fault zone has better detection performance.

【技术实现步骤摘要】
一种基于局部特征的PCNN电力故障区域检测方法
本专利技术属于电气领域，具体涉及一种基于局部特征的PCNN电力故障区域检测方法。
技术介绍
红外热成像因具有非接触、远距离、被动检测等诸多优点，目前已经成为电力部门实施电气设备故障状态检测的重要手段。然而，红外故障检测主要依赖运维人员定期巡视，这对于工作人员而言，设备红外检测需要投入大量的时间，存在效率低、易漏检以及管理成本相对高等缺点。为此，自动红外检测受到了广大工作人员的高度重视，例如徐雪涛[1]提出改进PCNN(Pulse-coupledneuralnetwork)模型的图像分割方法提取红外图像中故障区域，但由于PCNN内部参数设置灵活，且因不同红外电气设备故障图像的差异，使得在实际应用中需要人为进行调整。以上模型在对红外故障图像进行处理时，受到参数及阈值设置等方面的影像，使得分割后的图像不能完全提取出电力故障区域，从而疏漏对故障系统的检测和维护，由此引发电气系统事故，造成电气设备损坏和人员伤亡。因此，研究高效的电力设备故障自动红外检测方法非常必要。相关参考文献如下：[1]徐雪涛.基于红外成像技术的电气设备故障诊断[D].华北电力本文档来自技高网...

【技术保护点】
一种基于局部特征的PCNN电力故障区域检测方法，其特征在于，包括以下步骤：步骤1，获得故障电气设备的红外图像，其中电力故障区域即为红外图像中亮度较高的区域；步骤2，将原始红外图像输入到基于局部特征的PCNN模型中，实现故障区域的提取，具体实现方式如下，步骤2.1，将原始红外图像作为输入赋给基于局部特征的PCNN模型，并根据图像最高亮度区域获得初始化神经元脉冲发放区域Y(0),其中Y(0)＝{ij|Fij(n)＝＝Th}，Th为图像最高灰度值，按式(一)设置权重Mij,kl和Wij,kl，

【技术特征摘要】
1.一种基于局部特征的PCNN电力故障区域检测方法，其特征在于，包括以下步骤：步骤1，获得故障电气设备的红外图像，其中电力故障区域即为红外图像中亮度较高的区域；步骤2，将原始红外图像输入到基于局部特征的PCNN模型中，实现故障区域的提取，具体实现方式如下，步骤2.1，将原始红外图像作为输入赋给基于局部特征的PCNN模型，并根据图像最高亮度区域获得初始化神经元脉冲发放区域Y(0),其中Y(0)＝{ij|Fij(n)＝＝Th}，Th为图像最高灰度值，按式(一)设置权重Mij,kl和Wij,kl，其中，σh为高斯尺度，设置为1或更大，C为归一化系数；步骤2.2，基于局部特征的PCNN模型按式(二)～(八)进行迭代计算，Uij(n)＝Fij(n)·[1+βLij(n)](四)X＝{ij|Lij(n)＞0}∪{ij|Yij(n)＝0}(七)其中，Fij(n)为反馈输入，Lij(n)为连接输入，Iij表示神经元ij所对应的图像灰度值，n为迭代索引，下标ij、kl分别代表红外灰度图像像素位置所对应的神经元，其值为对应灰度值Iij，VF和VL分别为放大系数，αF和αL为衰减系数，Uij为神经元ij的内部活动项，β为连接系数，Eg为全局阈值，Ωc为先前点火区域，当Uij(n)＞Eg(n-1)时，神经元发生点火并形成脉冲Yij(n)，即点火区域，神经元集合Sc是在集合X内与点火区域Yij(n)相似的神经元，由模糊聚类模型进行归类得到；步骤2.3，设置停止规则，针对点火区域Yij(n)的边界，结合图像梯度算子，其中，Gx，Gy代表在像素点上...

【专利技术属性】
技术研发人员：谷凯凯，周东国，许晓路，蔡炜，周正钦，倪辉，徐进霞，程林，赵坤，黄华，傅晨钊，胡正勇，
申请(专利权)人：国网电力科学研究院武汉南瑞有限责任公司，国家电网公司，国网上海市电力公司，武汉大学，
类型：发明
国别省市：湖北,42