System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及变电站小动物入侵检测的,特别涉及一种基于多传感器信息融合的变电站动物入侵检测方法。
技术介绍
1、随着电力系统的发展,变电站作为电力系统的重要组成部分,起着电能转换、传输和分配的关键作用。然而,变电站常常面临小动物入侵的问题,如鸟类、啮齿动物等。这些小动物可能会进入变电站内部,造成设备故障、短路、火灾等严重后果,甚至导致电网事故。因此,及时准确地检测和防止小动物入侵对于保障电力系统的安全稳定运行至关重要。
2、目前,针对变电站小动物入侵检测问题,已经提出了一些方法,在现有技术中,基于多传感器信息融合的变电站小动物入侵检测方法主要包括红外传感器与声音传感器融合、视频监控与红外传感器融合以及声音传感器与振动传感器融合,其中,在第一、二种传感器的融合应用中,容易出现红外传感器可能会受到环境温度的影响导致误报的问题;在第三种传感器的融合应用中,可能存在环境噪声的干扰导致误报或漏报的问题,即现有技术中的传感器融合均为两大类型传感器的融合,而当中的某一种传感器容易受到外界环境的影响,造成检测数据被影响,从而导致检测入侵的准确度降低。
3、因此,需要研究一种准确度高的检测变电站内小动物入侵方法具有重要意义。
技术实现思路
1、本专利技术的目的在于提供一种基于多传感器信息融合的变电站动物入侵检测方法,为了解决现有融合检测方法中红外传感器、声音传感器容易受到外界影响,进而导致动物入侵检测准确度低的问题。
2、为了解决上述技术问题,本专利技术提供了一种
3、在其中一个实施例中,在对视频数据和图像数据进行图像配准处理,将配准后的视频数据和图像数据进行图像数据融合,得到融合后的图像数据,这一步骤中,具体包括以下步骤:将采集的视频数据转换为图片数据,将转换得到的图片数据与采集的图像数据进行图像配准,得到配准后的图像数据;利用生成对抗网络对多个传感器在同一时刻的配准后图像数据进行数据融合。
4、在其中一个实施例中,在对融合后的图像数据进行形貌特征提取,利用提取的形貌特征构建第一生物识别矩阵,基于第一生物识别矩阵计算得到第一相似度矩阵,这一步骤中,具体包括以下步骤:对时间段不同的融合后图像数据分别进行形貌特征提取,得到时间段不同的形貌特征;将时间段相同的形貌特征构建第一生物识别矩阵,得到第一生物识别矩阵;利用高斯核函数计算多个时间段不同的第一生物识别矩阵之间的相似度,得到第一相似度矩阵;其中,每个时间段所提取的形貌特征至少包括身体长度、身体轮廓、尾巴形状、颜色、尾长以及尾长与身长比例。
5、在其中一个实施例中,在对超声波数据进行去噪处理,将去噪后的超声波数据进行波形数据融合,得到融合后的波形数据,这一步骤中,具体包括以下步骤:对超声波数据进行去噪处理,得到去噪后的波形数据;将不同传感器去噪后的波形数据分别转换为多个波形矩阵;将多个波形矩阵转换为单波形矩阵,基于单波形矩阵绘制得到时域波形图。
6、在其中一个实施例中,在对融合后的波形数据进行时频特征提取,利用提取的时频特征构建第二生物识别矩阵,基于第二生物识别矩阵计算得到第二相似度矩阵,这一步骤中,具体包括以下步骤:对时间段不同的融合后波形数据分别进行多个变换处理,得到时间段不同的多个频谱、能量谱和功率谱;对时间段相同的频谱、能量谱和功率谱分别进行时频特征提取,得到时频特征;对时间段相同的时频特征构建第二生物识别矩阵,得到第二生物识别矩阵;利用高斯核函数计算多个时间段不同的第二生物识别矩阵之间的相似度,得到第二相似度矩阵;其中,每个时间段所提取的时频特征至少包括即时延、幅值、频率、多普勒频移、信号反射长度、能量和功率。
7、在其中一个实施例中,在将第一相似度矩阵和第二相似度矩阵分别映射至模糊属性判决函数进行概率判决处理,得到第一基本概率分配函数和第二基本概率分配函数,这一步骤中,具体包括以下步骤:将第一相似度矩阵和第二相似度矩阵中的每个元素分别映射至模糊属性判决函数进行概率判决处理,得到第一相似度矩阵和第二相似度矩阵中每个元素的属性判决值;利用模糊度函数分别将第一相似度矩阵和第二相似度矩阵的多个属性判决值映射为概率值,得到判决结果的概率;基于判决结果的概率,得到第一基本概率分配函数和第二基本概率分配函数。
8、在其中一个实施例中,在基于d-s融合规则对第一基本概率分配函数和第二基本概率分配函数概率分配函数进行融合前,还包括以下步骤:判断第一基本概率分配函数和第二基本概率分配函数是否满足改进条件;直至满足改进条件后,对第一基本概率分配函数和第二基本概率分配函数进行可信度改进处理,得到改进后的第一基本概率分配函数和改进后的第二基本概率分配函数。
9、在其中一个实施例中,所述改进条件为:
10、m:2θ→[0,1]
11、
12、
13、式中,m为θ上的基本概率分配函数,θ={h1,h2,h3,h4},h1正确:正确检测到预设动物的存在、h2误报:将不存在的预设动物识别为存在、h3漏报:未能正确识别实际存在的预设动物、h4误判:将别的物体识别为预设动物,,a为包含识别框架θ中的一个或多个命题,m(a)表示证据对命题a的支持程度,代表空集。
14、在其中一个实施例中,在对第一基本概率分配函数和第二基本概率分配函数进行可信度改进处理,得到改进后的第一基本概率分配函数和改进后的第二基本概率分配函数,这一步骤中,具体包括以下步骤:利用皮尔逊相关系数计算第一相似度矩阵和第二相似度矩阵之间的相关性,得到第一相似度矩阵与第二相似度矩阵之间的可信性相似度矩阵;基于可信性相似度矩阵计算图像数据的可信度和波形数据的可信度;将图像数据的可信度乘以第一基本概率分配函数,得到改进后的第一基本概率分配函数;将波形数据的可信度乘以第二基本概率分配函数,得到改进后的第二基本概率分配函数。
15、在其中一个实施例中,在基于可信性相似度矩阵计算图像数据的可信度和波形数据的可信度,这一步骤中,
16、可信性相似度矩阵公式如下:
17、
18、
19、
20、
本文档来自技高网...【技术保护点】
1.一种基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对视频数据和图像数据进行图像配准处理,将配准后的视频数据和图像数据进行图像数据融合,得到融合后的图像数据,这一步骤中,具体包括以下步骤:
3.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对融合后的图像数据进行形貌特征提取,利用提取的形貌特征构建第一生物识别矩阵,基于第一生物识别矩阵计算得到第一相似度矩阵,这一步骤中,具体包括以下步骤:
4.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对超声波数据进行去噪处理,将去噪后的超声波数据进行波形数据融合,得到融合后的波形数据,这一步骤中,具体包括以下步骤:
5.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对融合后的波形数据进行时频特征提取,利用提取的时频特征构建第二生物识别矩阵,基于第二生物识别矩阵计算得到第二相似度矩阵,
6.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在将第一相似度矩阵和第二相似度矩阵分别映射至模糊属性判决函数进行概率判决处理,得到第一基本概率分配函数和第二基本概率分配函数,这一步骤中,具体包括以下步骤:
7.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,
8.根据权利要求7所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,所述改进条件为:
9.根据权利要求7所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对第一基本概率分配函数和第二基本概率分配函数进行可信度改进处理,得到改进后的第一基本概率分配函数和改进后的第二基本概率分配函数,这一步骤中,具体包括以下步骤:
10.根据权利要求9所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在基于可信性相似度矩阵计算图像数据的可信度和波形数据的可信度,这一步骤中,
...【技术特征摘要】
1.一种基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对视频数据和图像数据进行图像配准处理,将配准后的视频数据和图像数据进行图像数据融合,得到融合后的图像数据,这一步骤中,具体包括以下步骤:
3.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对融合后的图像数据进行形貌特征提取,利用提取的形貌特征构建第一生物识别矩阵,基于第一生物识别矩阵计算得到第一相似度矩阵,这一步骤中,具体包括以下步骤:
4.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对超声波数据进行去噪处理,将去噪后的超声波数据进行波形数据融合,得到融合后的波形数据,这一步骤中,具体包括以下步骤:
5.根据权利要求1所述的基于多传感器信息融合的变电站动物入侵检测方法,其特征在于,在对融合后的波形数据进行时频特征提取,利用提取的时频特征构建第二生物识别矩阵,基于第...
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。