一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统技术方案

本发明专利技术公开了一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统，所述方法包括以下步骤：将变电站箱柜设备图像进行归一化处理和高斯低通滤波预处理，去除图像中的过曝和曝光不足及过度细节和噪声像素；对预处理的图像像素进行颜色通道的梯度计算，并通过计算权重得到特征向量；将特征向量分为训练集和测试集并添加标签，选用支持向量机算法对图像分类，得到预测结果。本发明专利技术的方法，可在不降低识别率的前提下充分提高变电站箱柜设备异常的识别速度，对提高电力巡检的效率、降低成本具有一定价值，也对保障电网安全运行具有一定的意义。

【技术实现步骤摘要】
一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统
本专利技术属于图像识别
，特别涉及一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统。
技术介绍
随着国家经济的快速发展，用电需求随之激增，电力系统规模不断扩大，电力设备的数量也日益庞大。电力设备的故障不仅会造成供电系统意外停电而导致电力企业经济效益减少，而且有可能造成用户的重大经济损失；因此，电力设备的可靠性及运行情况直接决定了整个电力系统的安全和稳定运行。近年来，随着无人机、机器人等技术的逐渐成熟，结合此类移动平台的半人工巡检方式也逐渐推广开来，但是依旧止步于电力设备图像的采集工作，无法对图像进行智能化分析，仍会发生漏检；且耗费大量的人力物力，效率并未得到提高，存在检测时间长、实时性差等诸多问题。随着电网朝着智能化方向发展，电力巡检也朝着自动化方向发展，渐渐将图像识别技术运用于变电站箱柜设备异常识别中。变电站箱柜设备异常的识别主要是将图像分为异常和正常两类，在众多分类算法中，现有技术已具有一定的分类效果，但是其或使用箱柜设备原始图像进行识别，纳入了大量本文档来自技高网...

【技术保护点】
1.一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，包括以下步骤：/n步骤1，采集预设数量的分辨率相同的变电站箱柜设备的图像；/n步骤2，对于每张图像，逐像素求其在RGB空间内的R通道、G通道、B通道的水平方向梯度值和垂直方向梯度值；基于获得的水平方向梯度值和垂直方向梯度值，将像素梯度转化到极坐标系，获得像素梯度在极坐标系下的梯度幅值以及梯度幅角；/n步骤3，对比每张图像的每个的像素在RGB空间内的R通道、G通道、B通道的极坐标下的梯度幅值，以R通道、G通道、B通道中幅值最大的颜色通道的梯度值作为梯度向量，幅角是最大梯度幅值通道对应的梯度幅角，去除幅角的符号；/n步骤4，将每张图...

【技术特征摘要】
1.一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，包括以下步骤：
步骤1，采集预设数量的分辨率相同的变电站箱柜设备的图像；
步骤2，对于每张图像，逐像素求其在RGB空间内的R通道、G通道、B通道的水平方向梯度值和垂直方向梯度值；基于获得的水平方向梯度值和垂直方向梯度值，将像素梯度转化到极坐标系，获得像素梯度在极坐标系下的梯度幅值以及梯度幅角；
步骤3，对比每张图像的每个的像素在RGB空间内的R通道、G通道、B通道的极坐标下的梯度幅值，以R通道、G通道、B通道中幅值最大的颜色通道的梯度值作为梯度向量，幅角是最大梯度幅值通道对应的梯度幅角，去除幅角的符号；
步骤4，将每张图像均匀分割为C个基本单元；
步骤5，将[0，π]区间均分为M份；
步骤6，将每张图像的每个像素在步骤5划分的M个区间上进行权重计算；每张图像的中，对属于一个基本单元的像素，求像素在步骤5划分的M个区间上的权重之和；
步骤7，对于每张图像的每个基本单元，构建一个M×1维直方图向量以纳入M个区间的权重，每张图像均由C个M×1维直方图向量描述，获得单元描述向量；
步骤8，对于每张图像的每个基本单元，基于步骤7获得的单元描述向量构建获得区域描述向量，对区域描述向量进行[0，1]区间上的归一化；
步骤9，对于每张图像，基于步骤8归一化后的区域描述向量构建获得特征向量；根据每张变电站箱柜设备图像的异常情况，给其对应的特征向量加入标签，建立获得样本数据集；
步骤10，根据步骤9获得的样本数据集，训练预先选定的支持向量机分类器，获得训练好的支持向量机分类器模型；
步骤11，将待识别的图像的特征向量γnew输入步骤10训练好的支持向量机分类器模型，完成变电站箱柜设备异常识别。


2.根据权利要求1所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤1还包括：
将采集的图像，进行归一化处理，去除采集的图像中存在的过曝和曝光不足，使亮度均匀，获得归一化处理后的图像；其中，进行归一化处理时，输入及输出的表达式为，
s＝crτ，
式中，s为输出像素，r为输入像素，c为控制图像整体亮度的常数，τ为处理系数；
将归一化处理后的图像进行二维高斯低通滤波，模糊图像以去除图像中存在的过度细节和噪声像素，获得滤波处理后的图像；其中，进行二维高斯低通滤波时，卷积计算表达式为，
Iσ＝Gσ*I，
式中，Iσ、I分别为图像输出矩阵、输入矩阵；Gσ为高斯算子，表达式为，



式中，x、y为坐标，x2+y2＝r2，r为模糊半径，δ为标准差。


3.根据权利要求1所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤2中，水平方向梯度值和垂直方向梯度值的计算表达式分别为，



式中，Gh(x，y)为像素水平方向梯度值，Gv(x，y)为像素垂直方向梯度值，f(x，y)和(x，y)为像素的位置坐标；
将像素梯度转化到极坐标系时的表达式为，



式中，M(x，y)为像素梯度在极坐标系下的梯度幅值，θ(x，y)为像素梯度在极坐标系下的梯度幅角，Gh(x，y)为像素水平方向梯度值，Gv(x，y)为像素垂直方向梯度值；
步骤3中，去除幅角的符号的表达式为，



式中，θu(x，y)为去除符号的像素梯度幅角。


4.根据权利要求3所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤6中，将每张图像的每个像素在步骤5划分的M个区间上进行权重计算时，若像素p的θu(x，y)属于第i个区间，区间表达式为则该像素点的权重计算表达式为：






式中，vpi和vp(i+1)为像素点在第i个和第i+1个区间的权重，M为分割的份数，M(x，y)为像素点的梯度幅值。


5.根据权利要求4所述的一种基于颜色梯度权重的变电站箱柜设备异常识别方法，其特征在于，步骤7中，单元描述向量为α＝{v1，v2，…，vM}，vi为每个基本单元的第i个区间的权重，vi的计算表达为，



式中，p为单元像素的序号，N为单元的大小，vpi为第p个像素点在第i个区间的权重；
步骤8中，区域描述向量β＝{α1，α2，…，α9}；其中，αi，i∈[1，9]为八连通区域的像素的单元描述向量。...

【专利技术属性】
技术研发人员：杨鼎革，吴经锋，丁彬，刘强，孙浩飞，高健，王荆，杨传凯，李文慧，王辰曦，牛博，徐丹，
申请(专利权)人：国网陕西省电力公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：陕西;61