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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。