[發(fā)明專利]一種基于紅外熱像圖的電纜接頭運(yùn)行狀態(tài)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611244033.6
• 申請(qǐng)日: 2016-12-29
• 公開(kāi)（公告）號(hào): CN106874836A
• 公開(kāi)（公告）日: 2017-06-20
• 發(fā)明（設(shè)計(jì)）人: 宋來(lái)森;許永盛;班偉龍;王居波;杜文祥
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)山東省電力公司菏澤供電公司;國(guó)家電網(wǎng)公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/66
• 代理公司: 濟(jì)南泉城專利商標(biāo)事務(wù)所37218
• 代理人: 張貴賓

技術(shù)領(lǐng)域

本發(fā)明涉及一種機(jī)器學(xué)習(xí)領(lǐng)域中的狀態(tài)識(shí)別方法，特別是涉及一種基于紅外熱像圖的電纜接頭運(yùn)行狀態(tài)識(shí)別方法。

背景技術(shù)

電纜接頭是電網(wǎng)安全運(yùn)行中的薄弱環(huán)節(jié)之一，從電纜接頭過(guò)熱到火災(zāi)事故的發(fā)生，整個(gè)過(guò)程發(fā)展速度緩慢、時(shí)間較長(zhǎng)，如2016年6月18日，西安變電站爆炸事故，以及2016年10月13日，日本東京大規(guī)模停電事故等，都是由于電纜溫度過(guò)高，起火導(dǎo)致。電網(wǎng)的安全運(yùn)行，不僅與人們的日常生活息息相關(guān)，也嚴(yán)重影響著一個(gè)國(guó)家的社會(huì)經(jīng)濟(jì)活動(dòng)，因此電纜故障的早期預(yù)防和維護(hù)是十分重要的。然而目前，大多數(shù)電纜的診斷是靠巡邏工人定期巡查，出具巡查報(bào)告然后再經(jīng)過(guò)專家評(píng)估，評(píng)估檢測(cè)只能由有經(jīng)驗(yàn)的人員負(fù)責(zé)，否則，結(jié)果經(jīng)常被錯(cuò)誤診斷，這種方法是相當(dāng)費(fèi)時(shí)而且費(fèi)用昂貴。實(shí)際操作中，由于電纜巡檢需要大量的人力檢查，大部分電力公司通常將這些人力檢查工作指派給外部承包商，外部承包商提交檢查報(bào)告后，電力公司再一個(gè)接一個(gè)地評(píng)估其有效性，之間有經(jīng)驗(yàn)的人員需采用大量時(shí)間完成復(fù)雜的評(píng)價(jià)工作，最后決定是否維修。

為了克服這些限制，保證電力生產(chǎn)安全高效運(yùn)行，對(duì)電纜狀態(tài)檢修提出了更高的要求，其中紅外成像技術(shù)在電纜運(yùn)行狀態(tài)檢測(cè)中有著明顯的優(yōu)越性。紅外成像是以熱狀態(tài)分布為依據(jù)對(duì)電纜運(yùn)行狀態(tài)良好與否進(jìn)行診斷，它具有不停運(yùn)、不接觸、遠(yuǎn)距離、快速、直觀地進(jìn)行成像。由于電纜的熱像圖是運(yùn)行狀態(tài)下熱狀態(tài)及其溫度分布的真實(shí)描寫(xiě)，而電纜在運(yùn)行狀態(tài)下的熱分布正常與否是判斷狀態(tài)良好與否的一個(gè)重要特征，因而采用紅外成像技術(shù)可以通過(guò)對(duì)電纜熱像圖的分析來(lái)診斷運(yùn)行狀態(tài)及其隱患缺陷。將圖像處理技術(shù)、模式識(shí)別技術(shù)與紅外熱成像技術(shù)相結(jié)合，并在電纜巡檢中應(yīng)用，對(duì)于提高電氣設(shè)備的可靠性和運(yùn)行經(jīng)濟(jì)效益、降低維修成本具有非常重要的意義。

近年來(lái)，紅外圖像識(shí)別研究領(lǐng)域發(fā)展很快。結(jié)合模式識(shí)別的思路，利用一些能代表感興趣部分圖像的特征數(shù)據(jù)來(lái)訓(xùn)練模型，這些被訓(xùn)練好的模型可以對(duì)要處理的圖像歸入事先設(shè)置好的類別當(dāng)中。目前，基于機(jī)器學(xué)習(xí)的圖像分類方法應(yīng)用最為廣泛，總體上來(lái)說(shuō)，它是利用己經(jīng)得到的一些圖像來(lái)提取出最能代表它們的特征數(shù)據(jù)，這些數(shù)據(jù)根據(jù)一定的模式訓(xùn)練出一些常用數(shù)學(xué)模型的關(guān)鍵參數(shù)，于是這些數(shù)學(xué)模型就能根據(jù)經(jīng)過(guò)處理的未知圖像信息做出判斷，歸類到預(yù)先設(shè)置的類別當(dāng)中。這種模式識(shí)別的圖像分類方法有兩個(gè)關(guān)鍵因素，一個(gè)關(guān)鍵因素是合適圖像特征的構(gòu)建，好壞的衡量指標(biāo)有兩個(gè)：一是這個(gè)特征小且能準(zhǔn)確的描述這個(gè)圖像所包含的信息，尤其是感興趣的信息，并且必須是只有關(guān)注的目標(biāo)有，其他背景信息沒(méi)有；二是這個(gè)特征有很好的區(qū)分性，特征數(shù)據(jù)在空間上有一定的聚類分布，這樣有利于區(qū)分。其中圖像處理的關(guān)鍵是將其轉(zhuǎn)換成灰度圖像進(jìn)行處理，這樣灰度方面的很多算法可以得到運(yùn)用。另一個(gè)關(guān)鍵的因素就是學(xué)習(xí)器模型的選取，現(xiàn)在比較廣泛的方法有BP神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)算法，一些文獻(xiàn)用BP進(jìn)行生物識(shí)別圖像分類，但BP神經(jīng)網(wǎng)絡(luò)參數(shù)多，訓(xùn)練速度慢，而且要求大量數(shù)據(jù)。

Extreme Learning Machine (ELM) 方法能夠隨機(jī)產(chǎn)生隱層結(jié)點(diǎn)參數(shù)，然后利用得到的權(quán)值來(lái)決定輸出，大大簡(jiǎn)化了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)復(fù)雜的迭代過(guò)程，克服了紅外圖像因數(shù)據(jù)量大導(dǎo)致傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)的運(yùn)行速度慢的局限，很好的滿足了電纜檢測(cè)領(lǐng)域?qū)?zhǔn)確率和速度的雙重要求。

發(fā)明內(nèi)容

為了克服現(xiàn)有識(shí)別方法的不足，減少需要設(shè)置的學(xué)習(xí)器參數(shù)，并提高識(shí)別準(zhǔn)確率，本發(fā)明提供了一種基于紅外熱像圖的電纜接頭運(yùn)行狀態(tài)識(shí)別方法，包括訓(xùn)練階段和識(shí)別階段。在訓(xùn)練階段，首先提取不同運(yùn)行狀態(tài)下電纜接頭紅外熱像圖的像素矩陣，并帶入ELM學(xué)習(xí)器進(jìn)行訓(xùn)練；在識(shí)別階段，用已經(jīng)訓(xùn)練好的ELM學(xué)習(xí)器對(duì)待測(cè)試的電纜接頭紅外熱像圖進(jìn)行識(shí)別，并得到識(shí)別結(jié)果。

本發(fā)明的基于紅外熱像圖的電纜接頭運(yùn)行狀態(tài)識(shí)別方法，包括以下步驟：

步驟一：輸入不同運(yùn)行狀態(tài)下電纜接頭的紅外熱像圖；

步驟二：對(duì)不同運(yùn)行狀態(tài)下電纜接頭的紅外熱像圖進(jìn)行位平面分解；

步驟三：建立初始特征矩陣，提取紅外熱像圖各位平面的特征參數(shù)（Hu矩和Zernike矩），將提取到的特征參數(shù)帶入到特征矩陣中；

步驟四：對(duì)不同運(yùn)行狀態(tài)下電纜接頭的紅外熱像圖特征參數(shù)進(jìn)行ELM學(xué)習(xí)器訓(xùn)練；

步驟五：將采集的電纜接頭紅外熱像圖輸入已訓(xùn)練好的狀態(tài)識(shí)別模型，并獲得相應(yīng)的電纜接頭運(yùn)行狀態(tài)結(jié)果，即運(yùn)行狀態(tài)正常或不正常。

作為優(yōu)選的方案：

為了減少紅外熱像圖離散所帶來(lái)的誤差，在上述步驟三中，對(duì)提取的Zernike矩進(jìn)行歸一化處理。