一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法技术

技术编号：40038939 阅读：7 留言：0更新日期：2024-01-16 19:25

本发明专利技术公开了一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，包括如下步骤：获取绝缘子表面覆盖鸟粪的高分辨率原始图像；使用深度卷积神经网络模型对高分辨率原始图像进行深度感知与学习；引入分形维数概念，度量超分辨率图像，得到超分辨率图像的绝缘子鸟粪的覆盖状况；使用随机森林算法，对超分辨率图像进行自适应的理解和解释；使用时间序列分析法和聚类算法对绝缘子鸟粪覆盖的程度和状态进行实时监测和分析；根据分析结果，判断绝缘子当前是否存在鸟粪积累的趋势；本发明专利技术采用深度卷积神经网络模型，对绝缘子表面的鸟粪进行结构特征提取，包括形状、颜色等细节，通过自我学习和持续优化的方式，能够以高准确度检测出这些特性。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及绝缘子维护检测，具体为一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法。

技术介绍

1、绝缘子作为电力输电线路中的重要设备，其主要功能是支持和固定导线，并防止导线与支架等之间发生电气接触。然而，由于绝缘子位于室外，并且高处于电力输电线路上，远离地面，因此成为众多鸟类选择栖息的理想场所，鸟类在绝缘子上栖息的同时也会排泄粪便，导致绝缘子表面被鸟粪覆盖，而鸟粪本身具有导电性并含有水分，绝缘子被鸟粪覆盖可能会导致导线短路、线路故障甚至停电等问题，给电力系统带来安全隐患和停运的风险。因此，及时检测和清理绝缘子上的鸟粪覆盖对于保证电力输送的稳定和可靠至关重要。

2、目前，鸟粪的检测主要依赖于人工巡检，这种方法不仅耗费人力、时间和成本，而且存在人为判断的主观性和误差，而传统的视觉图像分析方法如边缘检测、模板匹配和阈值分割等，可提供一些处理思路，但它们常常受到图像采集质量的影响，识别精度和鲁棒性较低，同时在应对复杂鸟粪识别任务时，准确率亦有待提高。

3、近些年，深度学习技术显著改进了图像分析与处理的方法和效果，在具有导电性和含水性的鸟粪覆盖绝缘子表面识别任务中，深度学习算法，如卷积神经网络和深度置信网络等，都有广泛应用。这些方法可以解决光伏元件鸟粪覆盖问题和完成绝缘子鸟粪覆盖的变化趋势预测和故障预警。而且，采用快速区域卷积神经网络还可以进行绝缘子红外图像缺陷检测。然而，这些研究方法更多地集中在绝缘子红外缺陷的检测上，对于可见光缺陷的研究相对较少。

技术实现思路

<p>1、针对现有技术的不足，本专利技术提供了一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其目的在于解决
技术介绍
中所提到的问题。

2、为实现上述目的，本专利技术提供如下技术方案：一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，包括如下步骤：

3、步骤s1：获取实时的绝缘子表面覆盖鸟粪的高分辨率原始图像；

4、步骤s2：使用深度卷积神经网络模型（dcnn）对高分辨率原始图像进行深度感知与学习，得到超分辨率图像；

5、步骤s3：引入分形维数概念，度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，得到超分辨率图像的绝缘子鸟粪的覆盖状况；

6、步骤s4：使用随机森林算法，对超分辨率图像的绝缘子鸟粪的覆盖状况进行自适应的理解和解释，最终归纳出绝缘子鸟粪覆盖的程度和状态；

7、步骤s5：使用时间序列分析法和k-means聚类算法对绝缘子鸟粪覆盖的程度和状态进行实时监测和分析，得到绝缘子鸟粪覆盖的程度和状态的分析结果；

8、步骤s6：根据绝缘子鸟粪覆盖的程度和状态的分析结果，判断绝缘子当前是否存在鸟粪积累的趋势，如趋势存在，进行后续处理，如趋势不存在，继续进行监测。

9、进一步的，所述步骤s2中，在使用深度卷积神经网络模型（dcnn）对高分辨率原始图像进行深度感知与学习之前，需对高分辨率原始图像进行图像预处理，其具体步骤为：通过降质退化模型分析高分辨率原始图像劣化过程，并利用硬阈值和软阈值结合方法去除高分辨率原始图像的噪声，采用下式表示降质退化模型：

10、；

11、式中，表示希望得到的低分辨率原始图像;表示高分辨率摄像头拍摄的高分辨率原始图像；表示降采样矩阵；表示加性噪声；、分别表示模糊作用矩阵和运动变换矩阵；

12、将硬阈值与软阈值结合，去噪处理低分辨率原始图像的加性噪声；具体过程为：给定一个阈值，处理低分辨率原始图像的加性噪声，处理后，通过反变换重构低分辨率原始图像；硬阈值的函数表达式为：

13、；

14、式中，为contourlet系数；为逻辑判断函数；为经过去噪处理后的contourlet系数；为给定的阈值，可视具体要求变化；表示经过硬阈值处理后，从低分辨率原始图像的提取出的contourlet系数；软阈值函数表达式为：

15、；

16、式中，表示经过软阈值处理后，从低分辨率原始图像的提取出的contourlet系数；

17、将硬阈值与软阈值结合，得到预处理后的低分辨率原始图像，其公式为：

18、；

19、式中，为将软阈值处理后的系数和硬阈值处理后的系数相加的结果，即经过软硬阈值混合处理后的contourlet系数。

20、进一步的，所述步骤s2的具体过程为：构建8层的深度卷积神经网络模型（dcnn），将预处理后的低分辨率原始图像和高分辨率原始图像输入至深度卷积神经网络模型（dcnn）内，得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图，将高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图以图像对的形式组合，计算对应的边缘图像对，将这4个特征图用同一个稀疏表示约束，联合图像，实现智能重建图像。

21、进一步的，8层的深度卷积神经网络模型（dcnn）包含三个卷积层和两个池化层，依次由输入层、卷积层c1、池化层s2、卷积层c3、池化层s4、卷积层c5、全连接层f6和输出层组成；向深度卷积神经网络模型（dcnn）中引入残差网络结构并且将密集块结构添加到残差网络结构的中间层。

22、进一步的，得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图的具体过程为：采用深度卷积神经网络模型（dcnn）训练获得的低分辨率原始图像，并且获得低分辨率原始图像的卷积核及特征图，在此引入激活函数，经过计算后得到低分辨率原始图像的绝缘子鸟粪特征图，其计算公式为：

23、；

24、式中，为激活函数；表示低分辨率原始图像的鸟粪特征图中像素点的均值；表示深度卷积神经网络模型（dcnn）中卷积层的层数；、均表示像素点在低分辨率原始图像的绝缘子鸟粪特征图中的位置；为的函数表达式；表示卷积核；、分别表示的权值和常数偏置；表示低分辨率原始图像的鸟粪特征图中的第j组像素点；表示某个位置为（i,j）的像素点的权值；表示某一列的像素点对应的常数偏置；将得到的高分辨率原始图像按上述方法进行操作，得到高分辨率原始图像的绝缘子鸟粪特征图。

25、进一步的，联合图像，实现智能重建图像的具体过程为：将高分辨率原始图像的绝缘子鸟粪特征图和低分辨率原始图像的绝缘子鸟粪特征图组成图像对，对应的边缘图像也组成图像对，2组图像对（即4个特征图）间有着相同的稀疏表示，即受同一个稀疏表示所约束；将联合稀疏表示这一过程用多元线性回归问题描述，其公式为：

26、；

27、式中，为稀疏表示系数；为一个极小的常数；为深度卷积神经网络模型（dcnn）的深度；为深度图像；表示深度卷积神经网络模型（dcnn）卷积层c1的向量操作；

28、利用梯度算子结合联合稀疏表示从低分辨率原始图像中提取的边缘信息，组成边缘图像对，通过上述边缘图像对，智能重建变电站监测超分辨率图像。

29、进一步的，所述步骤s3的具体过程为：引入分形维数概念，用于度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，分形维本文档来自技高网...

【技术保护点】

1.一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S2中，在使用深度卷积神经网络模型DCNN对高分辨率原始图像进行深度感知与学习之前，需对高分辨率原始图像进行图像预处理，其具体步骤为：通过降质退化模型分析高分辨率原始图像劣化过程，并利用硬阈值和软阈值结合方法去除高分辨率原始图像的噪声，采用下式表示降质退化模型：

3.根据权利要求2所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S2的具体过程为：构建8层的深度卷积神经网络模型DCNN，将预处理后的低分辨率原始图像和高分辨率原始图像输入至深度卷积神经网络模型DCNN内，得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图，将高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图以图像对的形式组合，计算对应的边缘图像对，将这4个特征图用同一个稀疏表示约束，联合图像，实现智能重建图像。

4.根据权利要求3所述的一种结合鸟粪特征及分形维数的绝缘

5.根据权利要求4所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图的具体过程为：采用深度卷积神经网络模型DCNN训练获得的低分辨率原始图像，并且获得低分辨率原始图像的卷积核及特征图，在此引入激活函数，经过计算后得到低分辨率原始图像的绝缘子鸟粪特征图，其计算公式为：

6.根据权利要求5所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：联合图像，实现智能重建图像的具体过程为：将高分辨率原始图像的绝缘子鸟粪特征图和低分辨率原始图像的绝缘子鸟粪特征图组成图像对，对应的边缘图像也组成图像对，2组图像对即4个特征图间有着相同的稀疏表示，即受同一个稀疏表示所约束；将联合稀疏表示这一过程用多元线性回归问题描述，其公式为：

7.根据权利要求6所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S3的具体过程为：引入分形维数概念，用于度量超分辨率图像的绝缘子鸟粪的复杂程度和形状，分形维数的计算方法为计盒计算法，计盒计算法主要包含以下步骤：

8.根据权利要求7所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S5的具体过程为：

9.根据权利要求8所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：根据得到绝缘子鸟粪覆盖的程度和状态的分析结果判断当前是否存在鸟粪积累的趋势，如趋势存在，进行后续处理，如趋势不存在，继续进行监测。

10.根据权利要求1所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤S1中，高分辨率原始图像通过安装在绝缘子上的高分辨率摄像头或定期使用无人机进行拍摄得到。

...

【技术特征摘要】

1.一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤s2中，在使用深度卷积神经网络模型dcnn对高分辨率原始图像进行深度感知与学习之前，需对高分辨率原始图像进行图像预处理，其具体步骤为：通过降质退化模型分析高分辨率原始图像劣化过程，并利用硬阈值和软阈值结合方法去除高分辨率原始图像的噪声，采用下式表示降质退化模型：

3.根据权利要求2所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：所述步骤s2的具体过程为：构建8层的深度卷积神经网络模型dcnn，将预处理后的低分辨率原始图像和高分辨率原始图像输入至深度卷积神经网络模型dcnn内，得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图，将高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图以图像对的形式组合，计算对应的边缘图像对，将这4个特征图用同一个稀疏表示约束，联合图像，实现智能重建图像。

4.根据权利要求3所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：8层的深度卷积神经网络模型dcnn包含三个卷积层和两个池化层，依次由输入层、卷积层c1、池化层s2、卷积层c3、池化层s4、卷积层c5、全连接层f6和输出层组成；向深度卷积神经网络模型dcnn中引入残差网络结构并且将密集块结构添加到残差网络结构的中间层。

5.根据权利要求4所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法，其特征在于：得到高分辨率原始图像和低分辨率原始...

【专利技术属性】
技术研发人员：李帆，饶斌斌，陈柯，童超，
申请(专利权)人：国网江西省电力有限公司电力科学研究院，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人