CN105976383A - 一种基于极限学习机图像识别的输电设备故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于极限学习机图像识别的输电设备故障诊断方法，依次包括以下步骤：A：采集训练数据和测试数据，然后发送至图像处理模块；B:利用图像处理模块，进行数字化转换并进行预处理；C：对感兴趣的特征进行特征提取，然后将经体征提取后的图像逆变换到空间域；D：将图像按照不同输电设备分类分别进行极限学习机训练，最后通过比较输出结果得到输电线路中存在故障的输电设备的故障状态。本发明能够基于图像识别在电网设备图像识别过程中对大量图像正常样本及异常样本的快速分类及自动归纳，以高效准确地识别电网中故障设备情况。

Description

一种基于极限学习机图像识别的输电设备故障诊断方法

技术领域

本发明涉及一种输电设备故障诊断方法，尤其涉及一种基于极限学习机图像识别的输电设备故障诊断方法。

背景技术

随着科学技术的进步和能源发展格局的变化，经济社会发展对电能的依赖程度日益增强，依靠现代信息、通信和控制技术积极发展智能电网，实现电网发展方式转变，已成为国际电力行业积极应对未来挑战的共同选择。未来的智能电网将实现电网运行和控制的信息化、智能化，以改善能源结构和利用效率，满足电力应用的各种需求，提高电力传输的经济性、安全性和可靠性。为实现对输电网智能运维检修，提高输电网供电能力和安全稳定，发展智能化运维检修系统势在必行。

就目前而言，输电设备检测系统主要采用监测设备量测采集等技术对线路进行故障监测。但由于输电网分配较广其故障的判断有很大的一部分成份需要人为来完成，且对于存在的一些还没有发生的隐患还不能及时的发现，如绝缘子、金具等表面损坏，而使得整个系统缺乏可预见性，在很大程度上降低了监测系统的智能化水平。

发明内容

本发明的目的是提供一种基于极限学习机图像识别的输电设备故障诊断方法，能够基于图像识别在电网设备图像识别过程中对大量图像正常样本及异常样本的快速分类及自动归纳，以高效准确地识别电网中故障设备情况。

本发明采用下述技术方案：

一种基于极限学习机图像识别的输电设备故障诊断方法，依次包括以下步骤：

A：采集输电设备正常运行下的输电线路视频图像作为训练数据，并采集输电网运行状态下的输电线路视频图像作为测试数据，然后分别将采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像发送至图像处理模块；

B:利用图像处理模块，分别对采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像进行数字化转换，并对转换后的数字化图像进行预处理；

C：利用图像处理模块，分别对采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像中的感兴趣的特征进行特征提取，然后将经体征提取后的图像逆变换到空间域；

D:利用图像处理模块，将步骤C中获得的对采集到的输电设备正常运行下的输电线路视频图像进行特征提取和逆变后的图像，按照不同输电设备分类分别进行极限学习机训练，分别得到适应度值最优的学习权重和阈值，最后利用极限学习机进行测试诊断，通过比较输出结果得到输电线路中存在故障的输电设备的故障状态。

步骤A中，利用航拍采集输电设备正常运行下的输电线路视频图像和输电网运行状态下的输电线路视频图像。

步骤B中，数字化图像进行预处理包括图像降噪、边缘检测、图像压缩和图像分割。

步骤B中，使用空间域滤波去噪法、变换域滤波去噪法、偏微分方程去噪法、变分法去噪法、形态学噪声滤除器去噪法和/或基于空间域的中值滤波去噪法对图像进行降噪。

步骤B中，利用Roberts算子、Prewitt算子、Sobel算子、IsotropicSobel算子和/或Laplacian算子对图像进行边缘检测。

步骤B中，利用霍夫曼编码实现统计冗余度的压缩，利用正交余弦变换DCT实现空间冗余度的压缩，利用差分编码DPCM实现时间冗余度的压缩，利用离算余弦变换DCT实现视觉冗余度的压缩。

步骤B中，采用基于阈值的分割方法对进行图像分割。

步骤C中，感兴趣的特征包括绝缘子特征、导线特征和金具特征。

步骤C中，对感兴趣的特征进行特征提取时，对颜色特征、纹理特征和/或形状特征进行提取。

本发明能够在电网设备图像识别过程中对大量图像正常样本及异常样本的快速分类及自动归纳，以高效准确地识别电网中故障设备情况。能够克服人工运维检修环境恶劣无法完成、检修不准确和不及时等缺点，实现对输电线路及其附属设备的智能故障分析，如导线、金具和绝缘子，及时发现输电网设备中输电线断股、金具脱落和绝缘子击穿污染等故障，消除输电网中存在的安全隐患，保证输电网络安全稳定的可持续供电。

附图说明

图1为本发明的流程示意图。

具体实施方式

以下结合附图和实施例对本发明作以详细的描述：

如图1所示，本发明所述的基于极限学习机图像识别的输电设备故障诊断方法，依次包括以下步骤：

A：采集输电设备正常运行下的输电线路视频图像作为训练数据，并采集输电网运行状态下的输电线路视频图像作为测试数据，然后分别将采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像发送至图像处理模块。

本实施例中，可利用巡航飞机等辅助采集设备进行航拍，以采集输电设备正常运行下的输电线路视频图像和输电网运行状态下的输电线路视频图像，有效降低了人工采集时的劳动强度，大幅提高了采集质量和采集效率。

B:利用图像处理模块，分别对采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像进行数字化转换，并对转换后的数字化图像进行预处理。

本发明中，数字化图像进行预处理包括图像降噪、边缘检测、图像压缩和图像分割；

本发明中，使用六种降噪方法中的一种或多种对图像进行降噪：

1.空间域滤波去噪

空域滤波去噪是在原图像上直接进行数据运算，对像素的灰度值进行处理。常见的空间域图像去噪算法有邻域平均法、中值滤波、低通滤波等。

2.变换域滤波去噪

图像变换域去噪方法是对图像进行变换，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。将图像从空间域转换到变换域的变换方法包括傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等。而傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。

3．偏微分方程去噪

偏微分方程（PDE）主要针对低层图像处理已实现降噪。偏微分方程具有各向异性的特点，应用在图像去噪中，可以在去除噪声的同时，很好的保持边缘。偏微分方程的应用主要可以分为两类：一种是基本的迭代格式，通过随时间变化的更新，使得图像向所要得到的效果逐渐逼近，这种算法的代表为Perona和Malik的方程，以及对其改进后的后续工作。该方法在确定扩散系数时有很大的选择空间，在前向扩散的同时具有后向扩散的功能，因此具有平滑图像和将边缘尖锐化的能力。

4．变分法去噪

基于变分法的降噪方法，在确定图像的能量函数的基础上通过对能量函数进行最小化工作，使图像达到平滑状态，广泛应用的全变分TV模型就是这一类。

5.形态学噪声滤除器去噪

通过对有噪声图像开运算与闭运算的结合以滤除噪声，首先对有噪声图像进行开运算，可选择结构要素矩阵比噪声尺寸大，因而开运算的结果是将背景噪声去除；再对前一步得到的图像进行闭运算，将图像上的噪声去掉。据此可知，此方法适用的图像类型是图像中的对象尺寸都比较大，且没有微小细节，对这类图像除噪效果会较好。

6.基于空间域的中值滤波去噪

中值滤波器属于非线性平滑滤波器，基本原理是把数字图像或数字序列中一点的值用该点邻域内各点的中值代换。设f(x，y)表示数字图像像素点(x，y)的灰度值，滤波窗口为A的中值滤波器可以定义为：

；

当数字图像或数字序列中点的个数n为奇数时，，，…，的中值就是按数值大小顺序处于中间的值；当n为偶数时，我们定义按数值大小顺序处于中间的两个值的平均值为中值。

边缘检测主要用于检测线路设备图像边缘，为后续处理提供基础数据。不同图像灰度不同，边界处会有明显的边缘，利用此特征可以分割图像。本发明中，利用以下5种检测算子中的一种或多种对图像进行边缘检测：

1.Roberts算子

Roberts算子具有边缘定位准及对噪声敏感的特点，适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。

2.Prewitt算子

对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。

3.Sobel算子

Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。

4.IsotropicSobel算子

加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。

5.Laplacian算子

Laplacian算子属于二阶微分算子，具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。但是，Laplacian算子对噪声比较敏感，所以，图像一般先经过平滑处理，因为平滑处理也是用模板进行的，通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。

图像压缩不仅能够去除图像空域和统计冗余，更重要的是减少时域的冗余，即将可推知的确定信息去掉。本发明中利用以下四种图像压缩方法对图像进行压缩：

1.统计冗余度的压缩

对于一串由很多数值构成的数据来说，如果某些值经常出现，而另外一些值很少出现，则这种由统计上的不均匀性就构成了统计冗余度，可以对之进行压缩。具体方法是对那些经常出现的值用短的码组来表示，对不经常出现的值用长的码组来表示，因而最终用于表示这一串数据的总的码位，相对于用定长码组来表示的码位而言得到了降低。本发明中用于图像压缩的具体熵编码方法主要是霍夫曼编码，即一个数值的编码长度与此数值出现的概率尽可能地成反比。霍夫曼编码虽然压缩比不高，约为1.6:1，但好处是无损压缩。

2.空间冗余度的压缩

一幅视频图像相邻各点的取值往往相近或相同，具有空间相关性，这就是空间冗余度。图像的空间相关性表示相邻像素点取值变化快慢。图像信号的能量主要集中在低频附近，高频信号的能量随频率的增加而迅速衰减。通过频域变换，可以将原图像信号用直流分量及少数低频交流分量的系数来表示，这就是变换编码中的正交余弦变换DCT的方法。DCT是JPEG和MPEG压缩编码的基础，可对图像的空间冗余度进行有效的压缩。

3.时间冗余度的压缩

对视频序列而言，除非发生场景切换，否则相继帧在时间上都是连续的。在前后两帧往往包含与当前帧相同的背景和对象。只是由于镜头的转动或对象的移动使得空间位置发生变化。运动越缓慢，位置的变换越小。因此视频序列在时域存在极强的相关性。在知道了一个像素点的值后，利用此像素点的值及其后一个像素点的值的差值就和求出后一像素点的值。因此，不传送像素点本身的值而传送其与前一帧对应像素点的差值，也能有效地压缩码率，这就是差分编码DPCM。在实际的压缩编码中，DPCM主要用于各图像子块在DCT变换后的直流系数的传送。相对于交流系数而言，DCT直流系数的值很大，而相继各帧对应子块的DCT系数的值一般比较接近，在图像未发生跳变的情况下，其差值同直流系数本身的值相比是很小的。

4.视觉冗余度的压缩

视觉冗余度是相对于人眼的视觉特性而言的。由于人眼视觉的非均匀性，使得人眼视觉对某些空间频率感觉迟钝。因此视频中不同频率成分的内容对于人眼系统而言其重要性是不同的，也就是存在频域冗余。人眼对于图像的视觉特性包括:对亮度信号比对色度信号敏感，对低频信号比对高频信号敏感，对静止图像比对运动图像敏感，以及对图像水平线条和垂直线条比对斜线敏感。因此，包含在色度信号，图像高频信号和运动图像中的一些数据并不能对增加图像相对于人眼的清晰度作出贡献，而被认为是多余的。本发明利用人眼对低频信息的敏感，而对高频信息不敏感的特性，将离散余弦变换DCT后的低频分量进行精细量化，而对高频分量进行粗量化，处理后再进行量化、编码，能更有效地降低码率。

图像分割能够通过将图像分割成不同的区域，使同一区域内的所有像素该特性相同，是图像处理到图像分析的关键步骤。本发明中，采用基于阈值的分割方法。

阈值确定后，将阈值与像素点的灰度值进行比较，将像素灰度值分为大于阈值和小于阈值两类，即可获得前景和背景两类图像分割结果。阈值分割具有计算简单、运算效率较高、速度快的优点。

阈值处理包括全局阈值以及自适应阈值等。全局阈值是指整幅图像使用同一个阈值做分割处理，如最大类间方差法、最大熵自动阈值法等，适用于背景和前景有明显对比的图像。有时，目标和背景的对比度在图像中的不同区域是不一样的，这使得很难用一个统一的阈值将目标与背景分开，这时可以根据图像的局部特征分别采用不同的阈值进行分割。在实际处理时，通常动态地根据一定的邻域范围，来选择每点处的阈值，进行图像分割，这样的阈值为自适应阈值。

针对输电线路航拍图像，由于其背景多为天空或地表植被，用全局阈值或自适应阈值均可获取较好的阈值分割结果。

C：利用图像处理模块，分别对采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像中的感兴趣的特征进行特征提取，然后将经体征提取后的图像逆变换到空间域。

感兴趣的特征包括：绝缘子特征、导线特征和金具特征；

绝缘子主要故障特征表现为边缘缺损。存在边缘缺损现象时，边缘点的密度会发生较大的变化。

导线主要故障特征变形为断股，发生此类故障时，导线宽度变细，灰度值变低，并且伴随导线某处凸起，输电导线的边缘点梯度变化较大。

金具主要故障特征表现为锈蚀现象，发生此类故障时，目标区域内颜色特征发生明显变化。

本发明中，主要对颜色特征、纹理特征和形状特征进行提取，以下对特征提取进行详细说明，对于不同故障类型，可通过以下一种或多种方法进行特征提取。

1)颜色特征

颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。

本发明采用颜色直方图表达颜色特征，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，金具腐蚀时颜色发生明显变化，可通过颜色特征判断金具故障。

2)纹理特征

在邻近的像素点之间存在着亮度层次上的有意义的变化，正是由于这些变化图像中才展现出各种各样的纹理。纹理是图像区域的一个属性，一个像素点的纹理是没有意义的。因此，纹理涉及到上下文，与一个空间邻居关系内的像素的灰度值有关，换句话说，纹理跟图像像素灰度值的空间分布有关.这个空间关系的大小取决于纹理的类型，或者定义纹理的基元的大小。

纹理是一个在某种空间尺度大于图像分辨率下的同质属性一些研究人员以人的视觉系统来描述纹理：纹理没有始终如一的亮度，但仍然可以被人像同质区域那样所观察到。图像纹理在不同尺度和不同分辨率下都能被感知。在不同的距离和不同的视觉注意程度下，纹理区域都会给出不同的解释。在一个正常注意力和标准距离下，它给出了用来表征特定纹理的宏观规则性的概念，当近距离非常仔细地观察时，可以注意到一些同质区域和边缘，它们有时候会构成纹理素，纹理是依赖于尺度的。

由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。

在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。导线发生断股故障时，图像纹理变化明显，可通过纹理特性判断是否发生故障。

3)形状特征

形状是刻画物体的基本特征之一,用形状特征区别物体非常直观。现在有基于形状特征的字母手势的分类及识别、基于形状特征的运动目标分类、基于形状特征的图像检索技术等。形状特征提取的正确与否直接关系到后续图像检索和识别的优劣,因此研究数字图像的形状特征提取有重要意义。对于简单的图像，可以直接采用轮廓提取算法，而对于较为复杂的图像采用先边缘检测再轮廓提取的方法或是用Canny算子把目标的轮廓提取出来。形状特征可以用不变矩和骨架来描述形状信息。

各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域，要获得有关目标的形状参数常常要先对图像进行分割，图像分割的效果会影响到形状特征的提取。绝缘子破损故障时，形状明显发生变形，可通过形状特征判断是否发生故障。

D:利用图像处理模块，将步骤C中获得的对采集到的输电设备正常运行下的输电线路视频图像进行特征提取和逆变后的图像，按照不同输电设备分类分别进行极限学习机训练，分别得到适应度值最优的学习权重和阈值，最后利用极限学习机进行测试诊断，通过比较输出结果得到输电线路中存在故障的输电设备的故障状态。

极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。

量子粒子群优化算法是一种启发式随机搜索算法,具有寻优速度快、算法易于实现和控制参数少等优点。将量子粒子群优化算法运用于极限学习机的输入权重和阈值的选择过程中,在取值范围内可以获得更加有效的输入权重和阈值,从而提高极限学习机的隐层结点的有效性,简化极限学习机的网络结构,提高对未知数据的反应能力。

本发明采用基于量子粒子群优化算法的极限学习机算法，分为初始化极限学习机、训练极限学习机和测试极限学习机3部分。

1.初始化极限学习机。

首先设定极限学习机的网络结构,即为设定极限学习机的隐层结点数目L。获取输入数据和输出数据,对输入数据进行归一化预处理,若是应用于分类问题,共有m个类,n条输入数据，设置输入神经元个数等于输入数据维数,输出神经元个数等于输出数据维数，获得训练样本数n_tr、交叉验证样本数n_v、测试样本数n_te和最大训练次数Tmax。

2.训练极限学习机。

在该阶段主要是采用量子粒子群算法进化计算得出合适的输入权重和阈值来训练极限学习机。记录当前CPU时间作为训练开始时间点。其具体步骤如下:

1)在输入权重和阈值的取值范围内,根据粒子维数和粒子数目随机初始化粒子的位置信息；

2)计算当前群体平均最优位置和当前的收缩-扩张系数；

3)根据适应度函数和位置,计算粒子在当前位置的适应度值；

4)比较粒子当前位置和其个体历史最优位置两个位置的适应度值,更新个体历史最优位置；

5)计算粒子的位置信息,检查粒子位置更新后各维是否越过目标空间而做无用搜索；

6)迭代条件判断。若当时迭代次数t小于用户设定的最大迭代次数Tmax，继续迭代执行算法；

7)将获得的群体最优位置转换成极限学习机的输入权重和阈值,根据训练数据集计算网络的输出权重，完成极限学习机的学习机过程,获得当前训练误差；

3.极限学习机测试阶段。

记录当前CPU时间作为测试开始时间点。将获得的极限学习机模型用于对测试数据集进行性能测试,根据极限学习机的输入权重和阈值与输出权重,计算测试数据集上的实际输出。记录当前CPU时间作为测试结束时间点,计算测试时间。将实际输出与期望输出进行比较,计算极限学习机的测试误差。输出极限学习机的训练时间、测试时间、训练误差、训练误差方差、测试误差和测试误差方差。

Claims (9)

1.一种基于极限学习机图像识别的输电设备故障诊断方法，其特征在于，依次包括以下步骤：

A：采集输电设备正常运行下的输电线路视频图像作为训练数据，并采集输电网运行状态下的输电线路视频图像作为测试数据，然后分别将采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像发送至图像处理模块；

B:利用图像处理模块，分别对采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像进行数字化转换，并对转换后的数字化图像进行预处理；

C：利用图像处理模块，分别对采集到的输电设备正常运行下的输电线路视频图像和输电网运行下的输电线路视频图像中的感兴趣的特征进行特征提取，然后将经体征提取后的图像逆变换到空间域；

D:利用图像处理模块，将步骤C中获得的对采集到的输电设备正常运行下的输电线路视频图像进行特征提取和逆变后的图像，按照不同输电设备分类分别进行极限学习机训练，分别得到适应度值最优的学习权重和阈值，最后利用极限学习机进行测试诊断，通过比较输出结果得到输电线路中存在故障的输电设备的故障状态。

2.根据权利要求1所述的基于极限学习机图像识别的输电设备故障诊断方法，其特征在于：步骤A中，利用航拍采集输电设备正常运行下的输电线路视频图像和输电网运行状态下的输电线路视频图像。

3.根据权利要求1所述的基于极限学习机图像识别的输电设备故障诊断方法，其特征在于：步骤B中，数字化图像进行预处理包括图像降噪、边缘检测、图像压缩和图像分割。

4.根据权利要求3所述的基于极限学习机图像识别的输电设备故障诊断方法，其特征在于：步骤B中，使用空间域滤波去噪法、变换域滤波去噪法、偏微分方程去噪法、变分法去噪法、形态学噪声滤除器去噪法和/或基于空间域的中值滤波去噪法对图像进行降噪。

5.根据权利要求3所述的基于极限学习机图像识别的输电设备故障诊断方法，其特征在于：步骤B中，利用Roberts算子、Prewitt算子、Sobel算子、IsotropicSobel算子和/或Laplacian算子对图像进行边缘检测。

6.根据权利要求3所述的基于极限学习机图像识别的输电设备故障诊断方法，其特征在于：步骤B中，利用霍夫曼编码实现统计冗余度的压缩，利用正交余弦变换DCT实现空间冗余度的压缩，利用差分编码DPCM实现时间冗余度的压缩，利用离算余弦变换DCT实现视觉冗余度的压缩。

7.根据权利要求3所述的基于极限学习机图像识别的输电设备故障诊断方法，其特征在于：步骤B中，采用基于阈值的分割方法对进行图像分割。

8.根据权利要求1所述的基于极限学习机图像识别的输电设备故障诊断方法，其特征在于：步骤C中，感兴趣的特征包括绝缘子特征、导线特征和金具特征。

9.根据权利要求8所述的基于极限学习机图像识别的输电设备故障诊断方法，其特征在于：对感兴趣的特征进行特征提取时，对颜色特征、纹理特征和/或形状特征进行提取。