[發(fā)明專利]一種基于Meanshift自適應(yīng)電氣設(shè)備故障檢測方法

有效

• 申請?zhí)枺?/td>: 201710652984.5
• 申請日: 2017-08-02
• 公開（公告）號: CN107292882B
• 公開（公告）日: 2019-09-17
• 發(fā)明（設(shè)計）人: 谷凱凱;程林;許曉路;蔡煒;周正欽;倪輝;徐進霞;周東國;趙坤;黃華;傅晨釗;胡正勇
• 申請（專利權(quán)）人: 國網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司;國家電網(wǎng)公司;國網(wǎng)上海市電力公司;武漢大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06T7/11;G06T7/136
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 薛玲

1.一種基于Meanshift自適應(yīng)電氣設(shè)備故障檢測方法，其特征在于，包括如下步驟：

步驟1，獲得故障電氣設(shè)備的紅外圖像，其中電力故障區(qū)域即為紅外圖像中亮度較高的區(qū)域；

步驟2，引入基于鄰域灰度的權(quán)重因子對均值漂移算法進行擴展，獲得擴展后的均值漂移模型，具體實現(xiàn)方式如下，

假設(shè)一幅圖像可以表示成二維網(wǎng)格上的p維向量，每個網(wǎng)格點表示一個像素，網(wǎng)格點的坐標(biāo)表示圖像中的空間信息，那么圖像的空間信息和色彩信息可以表示為向量x＝(x^s，x^r)，其中，x^s表示網(wǎng)格點的坐標(biāo)，x^r表示該網(wǎng)格點上p維向量特征，

為了能夠較好的定義概率密度估計，通常規(guī)定像素點x的x^r特征與像素點x_i相近，則定義概率密度高；其次，離x的位置越近的像素點x_i，概率密度高，因此采用圖像空間和色彩特征的核函數(shù)的組合來定義一個新的核函數(shù)

其中，h_s為圖像空間帶寬，h_r是灰度帶寬，C是一個歸一化常數(shù)，k(·)為核函數(shù)K(·)的剖面函數(shù)；

已知d維空間中n個樣本點x_i，i＝1，2，…，n，考慮樣本點權(quán)值，f(x)的概率密度函數(shù)可重寫為，

式中，x表示當(dāng)前聚類中心點，h表示高維球區(qū)域的一個固定帶寬；ω(x_i)≥0是賦給每一個樣本的權(quán)重，通常是由樣本點到中心點距離的大小決定，距離越大權(quán)重越小，表達(dá)式為，

其中，c_r為歸一化參數(shù)，N_i為像素x_i的鄰域，y指鄰域N_i內(nèi)的點；由公式(3)可知，如果當(dāng)鄰域特征x^r與對應(yīng)中心點x_i相近，則權(quán)重ω(x_i)越大；而當(dāng)鄰域特征x^r與中心點x_i相比差異較大，則ω(x_i)較小，從而使得中心點x_i朝方差變化較小的方向漂移；

由公式(2)和(3)可知，概率密度函數(shù)的梯度估計為，

其中，即對核函數(shù)求導(dǎo)的負(fù)方向；m_h(x)表示均值漂移向量；

步驟3，利用自高向低的聚類閾值分割機制，使擴展后的均值漂移模型能快速地將故障區(qū)域進行聚類，實現(xiàn)故障區(qū)域的有效提取，具體實現(xiàn)方式如下，

步驟3.1，采用均值濾波對原始紅外圖像進行平滑處理，去除噪聲；

步驟3.2，設(shè)初始閾值T為紅外圖像中最高灰度值，以閾值T對步驟3.1中處理之后的紅外圖像進行劃分，得到的分割區(qū)域作為初始聚類區(qū)域，并標(biāo)記為故障區(qū)域；

步驟3.3，遍歷已經(jīng)聚類的區(qū)域之外且滿足圖像空間帶寬h_s內(nèi)未聚類的像素點x_i，基于步驟2獲得的擴展后的均值漂移模型，針對每一個像素點進行聚類；

步驟3.4，將聚類區(qū)域的灰度均值賦給閾值T，并對圖像進行劃分，獲取圖像空間中其他可能出現(xiàn)的高亮區(qū)域，同時保留已經(jīng)標(biāo)記的像素點；

步驟3.5，如果整個聚類區(qū)域不再發(fā)生變化，停止迭代，輸出故障區(qū)域結(jié)果，否則轉(zhuǎn)向步驟3.3，繼續(xù)循環(huán)。

2.如權(quán)利要求1所述的一種基于Meanshift自適應(yīng)電氣設(shè)備故障檢測方法，其特征在于，利用紅外成像儀獲得電氣故障設(shè)備的紅外圖像。