[發明專利]基于圖像識別的斷路器彈簧疲勞狀態智能評價方法

有效

• 申請號: 201810450389.8
• 申請日: 2018-05-11
• 公開（公告）號: CN108921812B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 黃輝敏;蘇毅;楊健;蘆宇峰;夏小飛
• 申請（專利權）人: 廣西電網有限責任公司電力科學研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/246;G06N3/08;G01B11/16
• 代理公司: 南寧東智知識產權代理事務所(特殊普通合伙) 45117
• 代理人: 戴燕桃;巢雄輝

1.一種基于圖像識別的斷路器彈簧疲勞狀態智能評價方法，其特征在于，包括以下幾個步驟：

(1)建立斷路器彈簧狀態評價基礎數據庫；

(2)設置實測斷路器操作彈簧形變過程的測試裝置的參數，捕捉彈簧形變過程中的圖像，經過處理后獲得彈簧的高速圖像序列；

(3)以彈簧固定端像素坐標為初始點，初始點與彈簧活動端頂端之間的彈簧即為需要識別的運動目標；選取運動目標上的某一區域為匹配模板，采用圖像匹配算法識別所述步驟(2)高速圖像序列中每一幀圖像，獲得對應的匹配模板中心像素位置坐標；

(4)計算每一幀圖像中匹配模板中心像素坐標到初始點像素坐標的距離，繪制操作機構彈簧形變過程中運動目標的位移-時間曲線，以及匹配模板中心像素坐標的速度-時間曲線；

(5)通過位移-時間曲線和速度-時間曲線獲取彈簧工作參數；

(6)從所述步驟(1)的基礎數據庫中提取有明顯代表特征的試驗樣本，獲取試驗樣本的工作參數和疲勞狀態評估值，建立代表高壓斷路器操作機構彈簧疲勞狀態的疲勞特征參數向量；同時獲取實測的彈簧疲勞特征參數向量；

(7)采用GA-SALBP模型分析彈簧的疲勞狀態：提取基礎數據庫中的典型樣本，求取典型樣本的疲勞特征參數向量，以典型樣本的疲勞特征參數向量作為訓練樣本，訓練GA-SALBP模型；再將未知疲勞狀態的彈簧疲勞特征參數向量代入已訓練好的GA-SALBP模型中，得到斷路器彈簧的疲勞狀態值以及應力松弛情況，最后設定疲勞事故預警閾值，實現高壓斷路器彈簧狀態監測的目的；

所述步驟(7)采用GA-SALBP模型進行彈簧疲勞狀態分析的具體過程為：

(7.1)設輸入為彈簧疲勞狀態特征參數的N維向量x，設基礎數據庫中有M個樣本，計算每個特征參數的均值，并與各個樣本的特征值做比對，剔除由環境因素影響或是識別記錄誤差而造成部分特征參數明顯存在異常的樣本，剩下合適的M′個樣本，形成N×M′的斷路器操作機構彈簧的特征參數矩陣和M′個疲勞狀態程度評估值及應力松弛度；

(7.2)建立BP神經網絡，根據彈簧疲勞狀態特征參數的數量確定中間層的神經元個數，BP神經網絡的權值個數為彈簧特征參數個數N加上評價指標個數后與中間層神經元個數的積；運用GA遺傳算法得到BP神經網絡誤差較小的一組完整的權值作為BP神經網絡的初始權值，再將樣本數值即彈簧的特征參數矩陣代入，進行BP神經網絡的學習和訓練；

(7.3)在訓練過程中根據彈簧性能評估誤差能量及學習率調整權值，用前后兩次調整權值后誤差能量的變化調整學習率；

(7.4)當誤差能量小于設定閾值，即輸入任意一個彈簧樣本的疲勞狀態特征參數得到的結果與實際此樣本的疲勞狀態評估值非常接近時，BP神經網絡則訓練完成；此時通過圖像識別跟蹤待測操作機構彈簧運動過程，計算疲勞狀態特征參數向量，代入訓練完成的BP神經網絡，即分析出其疲勞狀態，達到斷路器操作機構彈簧疲勞狀態智能評價的目的。

2.如權利要求1所述的基于圖像識別的斷路器彈簧疲勞狀態智能評價方法，其特征在于，所述步驟(1)的基礎數據庫中根據斷路器彈簧型號記錄有彈簧的固有尺寸，同時記錄有彈簧疲勞測試基礎數據，斷路器彈簧伸縮形變過程與壓力和疲勞程度關系。

3.如權利要求1所述的基于圖像識別的斷路器彈簧疲勞狀態智能評價方法，其特征在于，所述步驟(2)的測試裝置為高速攝像機，所述高速攝像機需設置的參數包括拍攝焦距、觸發速度、相機幀率、分辨率和曝光時間，且根據斷路器型號以及分合閘時間設置高速攝像機的拍攝時長，確定標定高速攝像機拍攝圖像每個像素在實際拍攝平面中的實際尺寸。

4.如權利要求3所述的基于圖像識別的斷路器彈簧疲勞狀態智能評價方法，其特征在于，確定拍攝圖像每個像素在實際拍攝平面中實際尺寸的方法為：在與拍攝的斷路器彈簧同一平面內放置已知具體尺寸的標尺，獲取所述標尺在圖像中的像素長度，以標尺實際尺寸和像素長度的商作為圖像每個像素在實際拍攝平面中的實際尺寸。