一种基于边界特征的改进PCNN电力故障图像空间定位方法技术

本发明专利技术提出了一种基于边界特征的改进PCNN电力故障图像空间定位方法。本发明专利技术构建电力故障图像PCNN处理模型；PCNN模型自适应迭代获取图像结果；引入Canny算子对多个区域边界估计，获取区域边缘点信息；根据区域边缘点信息以及故障区域判断准则进行故障区域定位。本发明专利技术PCNN模型参数设计以及迭代机制可以自适应红外图像，并提高了故障区域检测及定位的准确性。

An improved PCNN power fault image spatial location method based on boundary features

【技术实现步骤摘要】
一种基于边界特征的改进PCNN电力故障图像空间定位方法
本专利技术属于电力故障检测领域。尤其涉及一种基于边界特征的改进PCNN电力故障图像空间定位方法。
技术介绍
带电故障状态检测是一种在不停电的状态下对配电设备进行现状分析和故障诊断的技术，能有效的预防和避免配电设备事故。现有的带电故障检测系统中，红外热成像仪具有检测速度快、准确率高、费用低、通用性强和安全性高等优点。然而由于巡检人员在实践经验、专业水平等方面的差异，特别针对现场经验缺乏的巡检人员，仅通过自身视觉寻找并判断电力故障的区域，不仅诊断时间长，且容易出现漏检的情况，且录入信息由巡检人员操作决定，影响故障检测效率。为了提升故障诊断效率，研究多采用红外图像故障检测技术，该技术通过红外辐射能量的强弱与温度大小成比例关系的这一特点，当电气设备存在潜在故障时，其区域呈现高温，高热的特性，因此研究人员借助温度阈值来划定故障界限。因此，如何准确提取故障区域是该技术的核心之一。徐雪涛提出采用PCNN模型的图像分割方法提取红外图像中故障区域，但是由于参数设置复杂，在图像参数自适应方面需要进一步增强。且由于电力故障红外图像相对于其他图像，容易出现伪边界及区域较小的问题，增加区域提取的复杂度。容易因此造成故障漏检，从而引发电气系统事故。为此，研究针对电力设备故障的区域的高效自适应的红外自动检测方法非常重要。
技术实现思路
本专利技术主要解决了PCNN算法因迭代次数的参数设置带来的效果不定问题。通过动态阈值的阈值估计与基于相似度选择原则设置算法的连接系数，可自适应通过迭代提取相似神经元，提升算法自适应处理能力，可不需要考虑迭代次数，将整个图像转化为脉冲序列信息，对故障区域进行定位。本专利技术还解决了候选目标边界获取不够准确的问题。通过引入Canny算子对边界区域进行估计，根据脉冲序列中区域均值自高向低的判别机制，定位均值最大的区域作为故障区域。本专利技术提出的上述技术问题主要是通过下述技术方案得以解决的：本专利技术的目的是提供一种基于边界特征的改进PCNN电力故障图像空间定位方法，通过算法中动态阈值与连接系数的设置，提升了算法迭代次数的自适应处理能力，通过引入Canny算子对脉冲序列信息进行估计，解决了红外图像中故障区域提取以及定位不够准确的问题。本专利技术的方法为一种基于边界特征的改进PCNN电力故障图像空间定位方法，具体包括以下步骤：步骤1：构建电力故障图像PCNN处理模型；步骤2：PCNN模型自适应迭代获取图像结果；步骤3：引入Canny算子对多个区域边界估计，获取区域边缘点信息；步骤4：根据区域边缘点信息进行故障区域定位；作为优选，步骤1中所述PCNN模型为：PCNN模型由输入层，耦合层和脉冲输出层构成；在所述输入层，每一个神经元对应红外图像中的一个像素，从而构建要给二维神经网络，规定第i行第j列神经元的反馈输入F接收红外图像I区域空间中第i行第j列对应的灰度值Ii,j；Fi,j[n]＝Ii,j,i＝1,…M,j＝1,…,N式中，M,N代表图像的行和列，n表示PCNN模型迭代次数；而连接输入L接收其邻域神经元的点火信息：其中，Y表示模型的脉冲输出；ki,j表示PCNN神经网络中位于神经元(i,j)的8-邻域Ni,j坐标：即(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i+1,j),(i,j+1),(i-1,j-1),(i+1,j+1)；Wk表示针对各个邻域神经元的权重，设计为：其中，||ki,j-(i,j)||2表示邻域位置ki,j与中心点(i,j)的欧式距离；在所述耦合层，经邻域脉冲权重的累加，以第i行第j列的神经元为例，其内部活动Ui,j调节为Ui,j[n]＝Fi,j[n]{1+βLi,j[n]}式中，Li,j和Fi,j为所述第i行第j列神经元输入层信息，β为模型的连接输入参数，其值设置为与相应门限值θi,j、输入层参数相关联，设计为：式中，第i行第j列神经元门限值θi,j与其输入信息Fi,j的差分体现出点火门限与未发放脉冲的神经元的距离，当θi,j大于Fi,j时，则对其3×3邻域进行比例缩小。在所述输出层，通过一个脉冲生成器，对于上述所述的第i行第j列的内部活动即Ui,j超过其内部门限值即θi,j的神经元,则认为发生了点火，转换成相应的脉冲信息Yi,j，形成脉冲输出，定义如下；其中，Yi,j值为1的神经元规定为发生点火的神经元，Yi,j值为0则表示神经元未点火；因此，这个神经元发生点火的门限值θi,j决定整个模型的结果输出；为了更好的对相似神经元的聚类，采用了一种以其发生点火的区域的均值作为聚类中心，定义为其中，Fi,j表示第i行第j列神经元的输入，Yi,j＝1表示神经元发放脉冲或发生点火，Φ为神经元发生点火的一个连续区域，因此得到的门限值θi,j针对不同的点火区域各不相同，进而为红外图像中各个故障区域提取奠定基础。作为优选，步骤2中所述PCNN模型自适应迭代获取图像结果为：PCNN迭代次数n为自适应增加，即从n＝1开始,每次自动增加1，直至停止迭代；由所述步骤1中β和θ参数设置可知，该参数值会自动通过图像信息和神经网络的脉冲输出信息获得，确保PCNN模型能够自适应通过迭代提取相似灰度值的神经元，最终在迭代结束后会因图像自身区域特性而获得多个区域Φt,t＝1,2,…,T，T为区域个数，各个区域用PCNN神经网络脉冲输出的表达如下Φt＝{(i,j)|Yi,j},i＝1,…M；j＝1,…,N式中，i和j代表图像的行和列，Yi,j当前脉冲输出结果。这些区域与所述的门限值θi,j具有灰度相似性，以此对应于PCNN模型的脉冲序列输出，则存在多个发放脉冲的图像区域，Φt,t＝1,2,…,T。作为优选，步骤3中所述引入Canny算子对多个区域边界估计具体为：步骤3.1，红外图像预处理；考虑到红外图像噪声复杂，这对于边界提取造成干扰，本案例利用高斯滤波器对红外图像进行平滑，从而避免噪声对边界检测的影响；步骤3.2，梯度的幅值和方向的计算；梯度计算由边界检测算子Canny算法执行，规定G为2维高斯函数：式中：σ为标准差；(i,j)代表横、纵坐标点第i行第j列，x,y表示x轴和y轴；计算沿z方向的一阶方向导数为：其中，为偏导算子，Gz为z方向偏导，为高斯函数G的梯度算子对于所述红外图像I，则图像中边缘的法向z定义为：式中：*表示卷积，G为所述的高斯函数和I为红外图像；步骤3.3，对梯度幅值进行非极大值抑制在每个像素点周围以3×3模板进行非极大值抑制，由此得到区域边缘位于Gz与图像I在z方向上的局部最大位置处，即：式中，f表示连续函数，在计算过程中以离散化的图像I进行求解。步骤3本文档来自技高网...

【技术保护点】
1.一种基于边界特征的改进PCNN电力故障图像空间定位方法，具体包括以下步骤：/n步骤1：构建电力故障图像PCNN处理模型；/n步骤2：PCNN模型自适应迭代获取图像结果；/n步骤3：引入Canny算子对多个区域边界估计，获取区域边缘点信息；/n步骤4：根据区域边缘点信息进行故障区域定位。/n

【技术特征摘要】
1.一种基于边界特征的改进PCNN电力故障图像空间定位方法，具体包括以下步骤：
步骤1：构建电力故障图像PCNN处理模型；
步骤2：PCNN模型自适应迭代获取图像结果；
步骤3：引入Canny算子对多个区域边界估计，获取区域边缘点信息；
步骤4：根据区域边缘点信息进行故障区域定位。


2.根据权利要求1所述的基于边界特征的改进PCNN电力故障图像空间定位方法，其特征在于：步骤1中所述PCNN模型为：
PCNN模型由输入层，耦合层和脉冲输出层构成；
在所述输入层，每一个神经元对应红外图像中的一个像素，从而构建要给二维神经网络，规定第i行第j列神经元的反馈输入F接收红外图像I区域空间中第i行第j列对应的灰度值Ii,j；
Fi,j[n]＝Ii,j,i＝1,…M,j＝1,…,N
式中，M,N代表图像的行和列，n表示PCNN模型迭代次数；
而连接输入L接收其邻域神经元的点火信息：



其中，Y表示模型的脉冲输出；ki,j表示PCNN神经网络中位于神经元(i,j)的8-邻域Ni,j坐标：
即(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i+1,j),(i,j+1),(i-1,j-1),(i+1,j+1)；
Wk表示针对各个邻域神经元的权重，设计为：



其中，||ki,j-(i,j)||2表示邻域位置ki,j与中心点(i,j)的欧式距离；
在所述耦合层，经邻域脉冲权重的累加，以第i行第j列的神经元为例，其内部活动Ui,j调节为
Ui,j[n]＝Fi,j[n]{1+βLi,j[n]}
式中，Li,j和Fi,j为所述第i行第j列神经元输入层信息，β为模型的连接输入参数，其值设置为与相应门限值θi,j、输入层参数相关联，设计为：



式中，第i行第j列神经元门限值θi,j与其输入信息Fi,j的差分体现出点火门限与未发放脉冲的神经元的距离，当θi,j大于Fi,j时，则对其3×3邻域进行比例缩小；
在所述输出层，通过一个脉冲生成器，对于上述所述的第i行第j列的内部活动即Ui,j超过其内部门限值即θi,j的神经元,则认为发生了点火，转换成相应的脉冲信息Yi,j，形成脉冲输出，定义如下；



其中，Yi,j值为1的神经元规定为发生点火的神经元，Yi,j值为0则表示神经元未点火；
因此，这个神经元发生点火的门限值θi,j决定整个模型的结果输出；为了更好的对相似神经元的聚类，采用了一种以其发生点火的区域的均值作为聚类中心，定义为



其中，Fi,j表示第i行第j列神经元的输入，Yi,j＝1表示神经元发放脉冲或发生点火，Φ为神经元发生点火的一个连续区域，因此得到的门限值θi,j针对不同的点火区域各不相同，进而为红外图像中各个故障区域提取奠定基础。


3.根据权利要求1所述的基于边界特征的改进PCNN电力故障图像空间定位方法，其特征在于：步骤2中所述PCNN模型自适应迭代获取图像结果为：
PCNN迭代次数n为自适应增加，即从n＝1开始,每次自动增加1，直至停止迭代；
由所述步骤1中β和θ参数设置可知，该参数值会自动通过图像信息和神经网络的脉冲输出信息获得，确保PCNN模型能够自适应通过迭代提取相似灰度值的神经元，最终在迭代结束后会因图像自身区域特性而获得多个区域Φt,t＝1,2,…,T，T为区域个数，各个区域用PCNN神经网络脉冲输出的表达如下
Φt＝{(i,j)|Yi,j},i＝1,…M；j＝1,…,N
式中，i和j代表图像的行和列，Yi,j当前脉冲输出结果，这些区域与所述的门限值θi,j具有灰度相似性，以此对应于PCNN模型的脉冲序列输出，则存在多个发放脉冲的图像区域，Φt,t＝1,2,…,T。


4.根据权利要求1所述的基于边界特征的改进PCNN电力故障图像空间定位方法，其特征在于...

【专利技术属性】
技术研发人员：许晓路，龚浩，程林，罗传仙，江翼，吴念，周正钦，倪辉，陈佳，
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，国网电力科学研究院有限公司，
类型：发明
国别省市：湖北;42