【技术实现步骤摘要】
本专利技术涉及gis设备检测，尤其涉及一种基于紫外图像的gis缺陷分类及评估方法及系统。
技术介绍
1、气体绝缘开关设备(gas insulated switchgear，简称gis)在电力系统中占有重要地位，其安全稳定运行对整个电网的可靠性和安全性具有重大影响。gis设备在生产、运输、装配及运行过程中不可避免地会产生诸如导体尖端或损伤、悬浮电位、接触不良、自由颗粒、绝缘子表面异常等缺陷，而这些缺陷在电场作用下极易产生局部放电，经过长时间发展会导致gis绝缘损害甚至绝缘击穿，诱发严重的电气安全事故，因此对于gis内部缺陷的检测评估是电力运维部门工作的重中之重。
2、据专利技术人了解，gis设备具有紧凑和封闭程度高的特点，常规的例行停电试验手段难以找到其内部缺陷。目前对gis缺陷的检测手段主要有超高频法、超声波法、红外热诊断法等，然而，超高频电磁波和超声波在腔体内的传播特性复杂，难以实现量化，且两者受周围环境和检测设备的影响较大，只能检测到很强烈的局部放电和机械振动；红外热诊断法常用于发现gis设备内部的过热缺陷，但往往需要缺陷发展到一定程度后才能检出，具有一定的滞后性。
3、当前，紫外检测技术作为一种新兴的检测技术逐渐被应用于gis检测领域，其消除了日光和其他光谱的干扰，能够探测到放电过程中产生的紫外光子并且实现量化，具有可靠性高、误报率低、抗干扰能力强等优点。然而，现场应用中大多只会根据紫外图像的光子数量来检测gis缺陷，获取的缺陷信息有限且准确率较低，目前缺乏从紫外图像中提取缺陷区域并识别缺陷类型的g
技术实现思路
1、为解决上述现有技术的不足，本专利技术提供了一种基于紫外图像的gis缺陷分类及评估方法及系统，利用紫外成像技术获取gis设备的紫外图像，采用基于光子密度改进的fcm(模糊c均值聚类算法)提取图像中的缺陷区域，并采用基于cnn(卷积神经网络)的gis缺陷分类算法对缺陷区域图像进行缺陷类型识别，有效提高gis缺陷检测的准确率；同时，根据紫外图像中的光子数量、缺陷区域面积和缺陷类型，实现对gis缺陷严重程度的评估，根据评估结果及时维修并更换gis设备，保障电网的安全可靠运行。
2、第一方面，本专利技术提供了一种基于紫外图像的gis缺陷分类及评估方法。
3、一种基于紫外图像的gis缺陷分类及评估方法，包括：
4、利用紫外成像设备对gis设备进行检测，获取gis设备的紫外图像，获取紫外图像中的光子数量；
5、通过基于光子密度改进的fcm算法，提取紫外图像中的缺陷区域，获取缺陷区域图像；
6、利用基于cnn的gis缺陷分类模型，对提取的缺陷区域图像进行识别，确定缺陷类型；
7、根据紫外图像中的光子数量、缺陷区域面积和缺陷类型，计算gis设备的缺陷严重系数，根据缺陷严重系数和预划分等级，评估gis设备的缺陷严重程度。
8、进一步的技术方案，所述通过基于光子密度改进的fcm算法，提取紫外图像中的缺陷区域，包括：
9、设置模糊指数，初始化隶属度矩阵；
10、根据紫外图像中的光子密度，确定初始聚类中心；
11、基于确定的聚类中心，根据隶属度矩阵计算公式，更新隶属度矩阵；
12、基于更新后的隶属度矩阵，根据聚类中心计算公式，更新聚类中心；
13、不断循环迭代更新隶属度矩阵和聚类中心，直至满足预设条件，终止迭代，输出最终的隶属度矩阵及其对应的聚类中心；
14、根据最终输出的隶属度矩阵及其对应的聚类中心，对紫外图像的像素点进行归类，从而提取多个缺陷区域。
15、进一步的技术方案，所述根据紫外图像中的光子密度，确定初始聚类中心，包括：
16、根据紫外图像中的光子数量，计算紫外图像中所有像素点的光子密度；
17、选取光子密度最大的像素点作为第1个聚类中心；
18、在选取出的所有聚类中心的邻域之外选取光子密度最大的像素点为下一个聚类中心，不断循环迭代，直至所有聚类中心的邻域之外的光子密度为0，得到个聚类中心；
19、计算所有聚类中心两两之间邻域重叠部分的面积，通过将计算得到面积与预设值进行比较，筛选聚类中心，最终得到n个聚类中心。
20、进一步的技术方案，所述光子密度的计算方式为：计算当前像素点邻域内的光子数量为当前像素点的光子密度；
21、所述邻域的半径为1/8紫外图像宽度。
22、进一步的技术方案，所述通过将计算得到面积与预设值进行比较，筛选聚类中心，包括：
23、将计算得到两两聚类中心之间的邻域重叠面积与预设值进行比较，若计算得到的面积大于预设值，则将两个聚类中心中光子密度小的聚类中心去掉；其中，所述预设值为两个聚类中心的总邻域面积的75％；
24、遍历所有聚类中心，最终得到n个聚类中心。
25、进一步的技术方案，所述利用基于cnn的gis缺陷分类模型，对提取的缺陷区域图像进行识别，确定缺陷类型，包括：
26、对获取的缺陷区域图像进行预处理；所述预处理包括：先对缺陷区域图像进行灰度化、去均值、归一化处理，得到灰度图像，再对灰度图像进行二值化处理，得到二值图像；
27、将预处理后的灰度图像和二值图像输入至训练完成的基于cnn的gis缺陷分类模型中，输出各类缺陷的概率，并选取其中最大概率所对应的缺陷类型作为最终缺陷识别结果。
28、进一步的技术方案，所述基于cnn的gis缺陷分类模型包括第一处理层、第二处理层、特征选择层、全连接层和分类层；其中，第一处理层的输入端为灰度图像，第二处理层的输入端为二值图像，第一处理层与第二处理层的输出端分别与特征选择层的输入端相连，特征选择层的输出端与全连接层相连，全连接层的输出端与分类层的输入端相连；
29、所述第一处理层用于提取灰度图像特征，所述第一处理层包括依次连接的5*5卷积核、3*3卷积核和平均池；所述第二处理层用于提取二值图像特征，所述第二处理层包括依次连接的5*5卷积核、3*3卷积核和最大池；所述特征选择层用于基于灰度图像特征和二值图像特征，提取缺陷分类特征，所述特征选择层包括依次连接的若干个成对的3*3卷积核和平均池；所述全连接层采用leaky relu激活函数；所述分类层用于输出各类缺陷的概率，并采用softmax激活函数进行激活，输出最大概率所对应的缺陷类型。
30、进一步的技术方案，所述基于卷积神经网络的gis缺陷分类模型的训练过程包括：
31、以多张标注缺陷类型的gis缺陷区域图像构成训练集，利用训练集训练所构建的基于卷积神经网络的gis缺陷分类模型，并且在训练过程中利用改进的自适应学习率优化算法更新网络权重，不断迭本文档来自技高网...
【技术保护点】
1.一种基于紫外图像的GIS缺陷分类及评估方法，其特征是，包括：
2.如权利要求1所述的基于紫外图像的GIS缺陷分类及评估方法，其特征是，所述通过基于光子密度改进的FCM算法，提取紫外图像中的缺陷区域，包括：
3.如权利要求2所述的基于紫外图像的GIS缺陷分类及评估方法，其特征是，所述根据紫外图像中的光子密度，确定初始聚类中心，包括：
4.如权利要求3所述的基于紫外图像的GIS缺陷分类及评估方法，其特征是，所述通过将计算得到面积与预设值进行比较，筛选聚类中心，包括：
5.如权利要求1所述的基于紫外图像的GIS缺陷分类及评估方法，其特征是，所述利用基于CNN的GIS缺陷分类模型，对提取的缺陷区域图像进行识别，确定缺陷类型，包括：
6.如权利要求1所述的基于紫外图像的GIS缺陷分类及评估方法，其特征是，所述基于CNN的GIS缺陷分类模型包括第一处理层、第二处理层、特征选择层、全连接层和分类层；其中，第一处理层的输入端为灰度图像，第二处理层的输入端为二值图像，第一处理层与第二处理层的输出端分别与特征选择层的输入端相连，特征选择
7.如权利要求1所述的基于紫外图像的GIS缺陷分类及评估方法，其特征是，所述基于卷积神经网络的GIS缺陷分类模型的训练过程包括：
8.一种基于紫外图像的GIS缺陷分类及评估系统，其特征是，包括：
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7中任一项所述的一种基于紫外图像的GIS缺陷分类及评估方法的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-7中任一项所述的一种基于紫外图像的GIS缺陷分类及评估方法的步骤。
...【技术特征摘要】
1.一种基于紫外图像的gis缺陷分类及评估方法，其特征是，包括：
2.如权利要求1所述的基于紫外图像的gis缺陷分类及评估方法，其特征是，所述通过基于光子密度改进的fcm算法，提取紫外图像中的缺陷区域，包括：
3.如权利要求2所述的基于紫外图像的gis缺陷分类及评估方法，其特征是，所述根据紫外图像中的光子密度，确定初始聚类中心，包括：
4.如权利要求3所述的基于紫外图像的gis缺陷分类及评估方法，其特征是，所述通过将计算得到面积与预设值进行比较，筛选聚类中心，包括：
5.如权利要求1所述的基于紫外图像的gis缺陷分类及评估方法，其特征是，所述利用基于cnn的gis缺陷分类模型，对提取的缺陷区域图像进行识别，确定缺陷类型，包括：
6.如权利要求1所述的基于紫外图像的gis缺陷分类及评估方法，其特征是，所述基于cnn的gis缺陷分类模型包括第一处理层、第二处理层、特征选择层、全...
【专利技术属性】
技术研发人员：汪鹏，李杰，张丕沛，师伟，崔其会，吕俊涛，邢海文，任敬国，乔木，戈宁，王江伟，孙景文，李秀卫，孙艳迪，孙承海，王丹，
申请(专利权)人：国网山东省电力公司电力科学研究院，
类型：发明
国别省市：
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。