利用机器视觉在线识别发电机气隙分布状态的方法及系统技术方案

本发明专利技术公开了一种利用机器视觉在线识别发电机气隙分布状态的方法。它包括如下步骤，步骤一：获取待测发电机定子基座、转子及相应气隙图像；步骤二：采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别；步骤三：基于Adaboost的迭代算法对气隙的大小进行测量；步骤四：采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算；步骤五：采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测，用以预知危险情况的发生。本发明专利技术具有能准确监测发电机气隙、有效且全面监测发电机的电磁参数状态的优点。本发明专利技术还公开了利用机器视觉在线识别发电机气隙分布状态的系统。电机气隙分布状态的系统。电机气隙分布状态的系统。

【技术实现步骤摘要】
利用机器视觉在线识别发电机气隙分布状态的方法及系统


[0001]本专利技术涉及水利水电及人工智能领域，更具体地说它是一种利用机器视觉在线识别发电机气隙分布状态的方法，更具体地说它是通过机器视觉和算法高精度测量发电机气隙、并在线实时识别发电机气隙分布状态的方法。本专利技术还涉及利用机器视觉在线识别发电机气隙分布状态的系统。

技术介绍

[0002]水电站的水轮发电机组气隙值（即发电机固定部件定子和旋转部件转子之间的空气间隙）是一个重要的电磁参数，由于它是电磁场的耦合通道，因此该气隙参数直接影响如发电机同步电抗、短路比、暂态电抗等参数；而且，气隙值的大小和分布规律也直接影响发电机的效率和运行稳定性；因此，发电机静止和运行时的气隙值及其沿圆周的分布规律、变化趋势是发电机运行的重要考量对象；目前，发电机在实际的日常运行中由于转子的高速旋转和偏心、振摆等原因，发电机气隙一直难以准确测量；因而无法有效的全面监测发电机的电磁参数状态，也因发电机气隙分布情况监测不到位、预知能力不足而导致各种安全隐患；因此，开发一种能准确监测发电机气隙、有效且全面监测发电机的电磁参数状态的发电机气隙的识别方法及系统很有必要。

技术实现思路

[0003]本专利技术的第一目的是为了提供一种利用机器视觉在线识别发电机气隙分布状态的方法，通过机器视觉人工智能算法，可对发电机气隙进行基于图像识别的状态参数测量和趋势分析，从而实现无传感器、无接触、实时在线的气隙状态监测，准确监测发电机气隙、有效且全面监测发电机的电磁参数状态，特别是可通过多视角、多部位的气隙分布状态联合趋势分析，预知危险情况的发生，保证工程安全、设备安全、运行安全；克服了传统检测传感器方式在实际运行中，由于转子的高速旋转和偏心、振摆等原因，发电机气隙一直难以准确测量，装置经常出现断线、失效的情况，从而影响发电机安全稳定运行的缺陷；本专利技术的第二目的是为了提供利用机器视觉在线识别发电机气隙分布状态的系统。
[0004]为了实现上述本专利技术的第一目的，本专利技术的技术方案为：一种利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：通过高速、高动态的机器视觉成像，借助边缘识别和封闭轮廓等算法，高精度识别转子和定子对象外缘，通过图像增强、边缘算法、轮廓处理、AI算法最终得到气隙值和气隙分布，具体方法，包括如下步骤，步骤一：获取待测发电机定子基座、转子及相应气隙图像（如图1、图4所示）；通过利用机器视觉在线识别发电机气隙分布状态的系统的图像采集模块获取待测发电机定子基座、转子及相应气隙图像；
步骤二：采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别；步骤三：基于Adaboost的迭代算法对气隙的大小进行测量；步骤四：采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算；本专利技术通过利用机器视觉在线识别发电机气隙分布状态的系统的机器识别及AI算法处理单元实现气隙及其变化进行识别、测量及计算；步骤五：采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测，用以预知危险情况的发生，本专利技术通过BP神经网络的机器深度学习输出水电站内部发电机气隙的变化趋势分析，并发出相关不稳定或危险状态的预报、预警（如图5所示）；本专利技术通过利用机器视觉在线识别发电机气隙分布状态的系统的机器识别及AI算法处理单元和图像处理系统实现隙的变化趋势分析和预测，通过深度学习算法单元的BP神经网络的机器深度学习输出水电站内部发电机气隙的变化趋势分析，并发出相关不稳定或危险状态的预报、预警。
[0005]在上述技术方案中，在步骤二中，采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别的方法为：通过计算所摄图像在局部区域上的梯度方向直方图来构成目标特征，从而提取目标特征，进而描述目标的边缘；目标特征提取的主要过程为：首先把所设图像分割为若干个像素的单元，同时把梯度方向平均划分为9个区间；然后在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，由于每相邻的4个单元构成一个块，因此把一个块内的特征向量联起来得到36维的特征向量，从而用块对所摄图像进行扫描；最后将所有块的特征串联起来，就得到了目标的特征，其具体步骤为：1）将输入的彩图转换为灰度图；2）采用Gamma校正法对输入图像进行颜色空间的标准化，用于调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时抑制噪音的干扰；3）计算梯度以捕获轮廓信息，同时进一步弱化光照的干扰；4）将梯度投影到单元的梯度方向，为局部图像区域提供一个编码；5）将所有单元格在块上进行归一化，进而对光照、阴影和边缘进行压缩；6）收集得到检测空间所有块的HOG特征，并将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。
[0006]在上述技术方案中，在步骤三中，基于Adaboost的迭代算法对气隙的大小进行测量，具体方法为：针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)；该方法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本分类的正确与否和上次的总体分类的准确率来确定每个样本的权值，然后将修改过权值的新数据集送给下层分类器进行训练，并将每次训练得到的分类器最后融合起来作为决策分类器；其中，不同的训练集是通过调整每个样本对应的权重来实现的；开始时，每个样本对应的权重是相同的，即其中n为样本个数，在此样本分布下训练出弱分类器；对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其
权重，这样分错的样本就被突出出来，从而得到一个新的样本分布；在新的样本分布下，再次对弱分类器进行训练，得到弱分类器；依次类推，经过次循环，得到个弱分类器，把这个弱分类器按一定的权重叠加(boost)起来，得到最终想要的强分类器；设输入的个训练样本为：，其中是输入的训练样本，分别表示正样本和负样本，其中正样本数为，负样本数m，，则采用Adaboost迭代算法进行样本分类的具体步骤如下：1）初始化每个样本的权重；2）对每个 (为弱分类器的个数)，然后把权重归一化为一个概率分布；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，对每个特征，训练一个弱分类器计算对应所有特征的弱分类器的加权错误率：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）然后选取最佳的弱分类器 (拥有最小错误率)，并按照这个最佳弱分类器，调整权重：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中表示被正确地分类，，表示被错误地分类，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）最后，可计算得到强分类器为：（5）基于多特征融合的Adaboost级联分类器将不同特征下的分类器进行加权求和，即可得到气隙所在的区间，进而计算气隙的最大宽度。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：通过高速、高动态的机器视觉成像，借助边缘识别和封闭轮廓算法，高精度识别水轮发电机转子和定子对象外缘，通过图像增强、边缘算法、轮廓处理、AI算法最终得到气隙值和气隙分布，具体方法，包括如下步骤，步骤一：获取待测发电机定子基座、转子及相应气隙图像；步骤二：采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别；步骤三：基于Adaboost的迭代算法对气隙的大小进行测量；步骤四：采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算；步骤五：采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测，用以预知危险情况的发生。2.根据权利要求1所述的利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：在步骤二中，采用基于HOG特征的方法对所摄图像中发电机转子和定子的气隙进行识别的方法为：通过计算所摄图像在局部区域上的梯度方向直方图来构成目标特征，从而提取目标特征，进而描述目标的边缘；目标特征提取的主要过程为：首先把所设图像分割为若干个像素的单元，同时把梯度方向平均划分为9个区间；然后在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，由于每相邻的4个单元构成一个块，因此把一个块内的特征向量联起来得到36维的特征向量，从而用块对所摄图像进行扫描；最后将所有块的特征串联起来，就得到了目标的特征，其具体步骤为：S21：将输入的彩图转换为灰度图；S22：采用Gamma校正法对输入图像进行颜色空间的标准化，用于调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时抑制噪音的干扰；S23：计算梯度以捕获轮廓信息，同时进一步弱化光照的干扰；S24：将梯度投影到单元的梯度方向，为局部图像区域提供一个编码；S25：将所有单元格在块上进行归一化，进而对光照、阴影和边缘进行压缩；S26：收集得到检测空间所有块的HOG特征，并将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。3.根据权利要求1或2所述的利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：在步骤三中，采用Adaboost迭代算法进行样本分类，具体步骤如下：S31：初始化每个样本的权重；S32：对每个，然后把权重归一化为一个概率分布；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
其中，对每个特征，训练一个弱分类器计算对应所有特征的弱分类器的加权错误率：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）然后选取最佳的弱分类器，并按照这个最佳弱分类器，调整权重：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中表示被正确地分类，，表示被错误地分类，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）最后，计算得到强分类器为：（5）基于多特征融合的Adaboost级联分类器将不同特征下的分类器进行加权求和，即得到气隙所在的区间，进而计算气隙的最大宽度。4.根据权利要求３所述的利用机器视觉在线识别发电机气隙分布状态的方法，其特征在于：在步骤四中，采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识别、测量和计算，具体方法为：背景物体包括发电子定子基座及其他固定物体；前景物体则包括定子和转子以及两者之间的气隙，对应背景物体移动的物体；将前后帧的图像进行对比，进而区分背景物体和前景物体；Vibe运动目标检测方法为：首先根据检测到的前景目标图像，采用前述基于HOG特征的检测方法得到发电机气隙轮廓上不同顶点的坐标，...

【专利技术属性】
技术研发人员：梁波，刘亚青，崔磊，朱钊，谌睿，乐零陵，
申请(专利权)人：长江勘测规划设计研究有限责任公司，
类型：发明
国别省市：