一种基于三基色色度信息和机器学习的放电状态识别方法技术

本发明专利技术公开了一种基于三基色色度信息和机器学习的放电状态识别方法，包括：提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到预测电压用于诊断放电等离子状态，优化包括：采集已知电压下的样本放电图像，提取三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；利用支持向量机对训练集进行学习，利用验证集进行验证，得到验证电压，计算验证电压与已知电压的方差；重新划分数据集，直至得到多个方差，用于计算平均方差；在样本放电图像中选取不同的固定区域，进而得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。本发明专利技术方法简便且成本低。

A Discharge State Recognition Method Based on Tri-primary Chromaticity Information and Machine Learning

The invention discloses a method for discharging state recognition based on trichrome chroma information and machine learning. The method includes: extracting trichrome chroma information of discharging image to be detected and inputting the optimized machine learning model to obtain predicted voltage for diagnosing discharging plasma state. The optimization includes: collecting sample discharging image under known voltage, extracting trichrome chroma information component number. According to the data set, the data set is randomly divided into training set and verification set; the training set is learned by using support vector machine, and the verification set is used to verify the validation voltage and calculate the variance between the validation voltage and the known voltage; the data set is re-divided until multiple variances are obtained for calculating the average variance; different fixed regions are selected in the sample discharge image, and then the variance between the validation voltage and the known voltage is obtained. The machine learning model corresponding to the minimum mean variance of all fixed regions is taken as the optimized machine learning model. The method of the invention is simple and low in cost.

【技术实现步骤摘要】
一种基于三基色色度信息和机器学习的放电状态识别方法
本专利技术属于高电压绝缘技术和放电等离子体
，更具体地，涉及一种基于三基色色度信息和机器学习的放电状态识别方法。
技术介绍
能够检测和分析放电状态的物理量，主要集中在电信号、光强信号、光谱信号、电磁波、超声波、气体成分等方面。放电光学信号检测技术有紫外、红外和可见光。紫外成像技术得到的有用放电信息只是黑白图像，且分辨率低，设备造价也比较昂贵；红外热成像技术虽然也可以工作在日光环境，但除了电弧以外，对非热一类的放电无法检测，并且也存在分辨率低，设备造价昂贵等问题；传统的可见光成像技术目前采用的指标单一，如灰度、区域色度分布，未见利用全部色度信息。利用可见光数字图像色度信息，特别是普通数码相机照片的色度信息结合机器学习技术识别放电未见报道。现有技术中利用色度信息研究放电状态，但采用的是提取RGB信息再换算成亮度的方法，尚未直接使用色度信息。现有技术中用图像色度方法对电弧的诊断，但电弧属于热等离子体，非低温等离子体；现有技术中用图像方法对射流等离子体诊断但采用的是但采用的是与色调、饱和度直接相关的色敏检测；现有技术中用数字图像方法对介质阻挡放电的自组织模式诊断，是形态学数字处理，非色度信息。现有技术还包括：光谱诊断、电磁波诊断、利用紫外图像诊断以及利益电流脉冲诊断。现有技术中虽然有采用RGB色度信息，但只是区域均值、方差等有限的色度信息(3*4或5等十来个特征)，并没有采用机器学习技术，当然也无法处理三基色灰度频率分布信息这种大数据量的色度信息(3*256个特征)。现有技术中有的采用的指标是区域所有像素点三基色色度之和，然后采用B-G或B-R作为特征量；有的采用的指标是空间分布的色度B/G指标；有的采用的是空间分布的色度RGB信息，计算其偏离区域平均值程度的指标和空间分布变化规律，都不涉及到三基色灰度频率分布。综上，现有技术未将可见光图像色度信息用于低温等离子体的诊断领域，也未使用机器学习技术，现有技术存在检测复杂且成本高的技术问题。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于三基色色度信息和机器学习的放电状态识别方法，由此解决现有技术存在检测复杂且成本高的技术问题。为实现上述目的，本专利技术提供了一种基于三基色色度信息和机器学习的放电状态识别方法，包括：提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，所述优化后的机器学习模型的优化包括：(1)采集已知电压下的样本放电图像，提取样本放电图像的三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；(2)利用支持向量机对训练集进行学习，得到初始机器学习模型，利用初始机器学习模型对验证集进行验证，得到验证电压，计算验证电压与验证集的已知电压的方差；(3)重新随机将数据集划分为训练集和验证集，然后重复步骤(2)，直至得到多个方差，用于计算平均方差；(4)在样本放电图像中选取不同的固定区域，提取固定区域的三基色色度信息组成第一数据集，将第一数据集随机划分为第一训练集和第一验证集，然后重复步骤(2)-(3)，得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。进一步地，固定区域的选择原则为：m≥样本放电图像中有效像素组成区域的宽度，0＜n＜样本放电图像中放电间隙长度，其中，m为固定区域的宽，n为固定区域的长。进一步地，固定区域的三基色色度信息的提取包括：提取固定区域全部像素点的三基色灰度值后，计算得到固定区域的三基色在三基色灰度值中的一个灰度级的像素点个数，像素点个数与固定区域总像素点个数的比值为三基色在三基色灰度值中的一个灰度级的频率，进而得到三基色灰度值中所有灰度级的频率分布，构成固定区域的三基色灰度直方图，作为固定区域的三基色色度信息。进一步地，步骤(4)还包括：将固定区域的平均方差最小值对应的固定区域作为最优固定区域，利用不同的相机参数对应的相机采集样本放电图像，提取样本放电图像中的最优固定区域的三基色色度信息，重复步骤(1)-(3)，得到所有相机参数对应的平均方差，将所有相机参数对应的平均方差的最小值对应的机器学习模型作为优化后的机器学习模型。进一步地，相机参数包括曝光时间、ISO感光度和光圈值。进一步地，放电状态识别方法还包括：将相机参数对应的平均方差的最小值对应的相机参数作为最优相机参数，在最优相机参数下采集待检测的放电图像。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：(1)本专利技术通过在样本放电图像中选取不同的固定区域，优化机器学习模型，然后提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，本专利技术方法基于放电图像色度信息，相较于电磁波和脉冲电流等诊断手段，具有无电磁接触、抗干扰能力强且检测方法简单的优势。(2)本专利技术所需要设备仅为普通可见光数码相机，相较于昂贵的紫外、红外相机，具有成本低廉的优势。本专利技术为放电状态识别提供了一种新的简便且低成本的解决方案。附图说明图1是本专利技术实施例提供的一种基于三基色色度信息和机器学习的放电状态识别方法的流程图；图2是本专利技术实施例提供的固定区域的三基色灰度频率分布图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。如图1所示，一种基于三基色色度信息和机器学习的放电状态识别方法，包括：提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，所述优化后的机器学习模型的优化包括：(1)采集已知电压下的样本放电图像，提取样本放电图像的三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；(2)利用支持向量机对训练集进行学习，得到初始机器学习模型，利用初始机器学习模型对验证集进行验证，得到验证电压，计算验证电压与验证集的已知电压的方差；(3)重新随机将数据集划分为训练集和验证集，然后重复步骤(2)，直至得到多个方差，用于计算平均方差；(4)在样本放电图像中选取不同的固定区域，提取固定区域的三基色色度信息组成第一数据集，将第一数据集随机划分为第一训练集和第一验证集，然后重复步骤(2)-(3)，得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。进一步地，固定区域的选择原则为：m≥样本放电图像中有效像素组成区域的宽度，0＜n＜样本放电图像中放电间隙长度，其中，m为固定区域的宽，n为固定区域的长。进一步地，固定区域的三基色色度信息的提取包括：提取固定区域全部像素点的三基色灰度值后，计算得到固定区域的三基色在三基色灰度值中的一个灰度级的像素点个数，像素点个数与固定区域总像素点个数的比值为三基色在三基色灰度值中的一个灰度级的频率本文档来自技高网...

【技术保护点】
1.一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，包括：提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，所述优化后的机器学习模型的优化包括：(1)采集已知电压下的样本放电图像，提取样本放电图像的三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；(2)利用支持向量机对训练集进行学习，得到初始机器学习模型，利用初始机器学习模型对验证集进行验证，得到验证电压，计算验证电压与验证集的已知电压的方差；(3)重新随机将数据集划分为训练集和验证集，然后重复步骤(2)，直至得到多个方差，用于计算平均方差；(4)在样本放电图像中选取不同的固定区域，提取固定区域的三基色色度信息组成第一数据集，将第一数据集随机划分为第一训练集和第一验证集，然后重复步骤(2)‑(3)，得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。

【技术特征摘要】
1.一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，包括：提取待检测的放电图像的三基色色度信息输入优化后的机器学习模型，得到待检测的放电图像的预测电压，利用待检测的放电图像的预测电压诊断放电等离子状态，所述优化后的机器学习模型的优化包括：(1)采集已知电压下的样本放电图像，提取样本放电图像的三基色色度信息组成数据集，将数据集随机划分为训练集和验证集；(2)利用支持向量机对训练集进行学习，得到初始机器学习模型，利用初始机器学习模型对验证集进行验证，得到验证电压，计算验证电压与验证集的已知电压的方差；(3)重新随机将数据集划分为训练集和验证集，然后重复步骤(2)，直至得到多个方差，用于计算平均方差；(4)在样本放电图像中选取不同的固定区域，提取固定区域的三基色色度信息组成第一数据集，将第一数据集随机划分为第一训练集和第一验证集，然后重复步骤(2)-(3)，得到所有固定区域的平均方差，将固定区域的平均方差最小值对应的机器学习模型作为优化后的机器学习模型。2.如权利要求1所述的一种基于三基色色度信息和机器学习的放电状态识别方法，其特征在于，所述固定区域的选择原则为：m≥样本放电图像中有效像素组成区域的宽度，0＜n＜样本放电图像中放电间隙长度，其中，m为固定区域的宽，n为固定区域的长。3.如权利要求1或2所述的一种基于...

【专利技术属性】
技术研发人员：叶齐政，叶平晓，郭自清，董轩，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42