[發(fā)明專利]一種基于局部區(qū)域聚類的電力設(shè)備故障區(qū)域提取方法

有效

• 申請?zhí)枺?/td>: 201911279704.6
• 申請日: 2019-12-13
• 公開（公告）號(hào): CN111079750B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 周正欽;羅傳仙;龔浩;許曉路;江翼;吳念;周文;倪輝;朱詩沁
• 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
• 主分類號(hào): G06V10/25
• 分類號(hào): G06V10/25;G06V10/762;G06K9/62;G06T5/30;G06T7/00;G06T7/11;G06T7/136
• 代理公司: 武漢開元知識(shí)產(chǎn)權(quán)代理有限公司 42104
• 代理人: 李滿;潘杰

本發(fā)明提出了一種基于局部區(qū)域聚類的電力設(shè)備故障區(qū)域提取方法。本發(fā)明構(gòu)建電力故障圖像的Mediodshift區(qū)域聚類模型；根據(jù)Mediodshift區(qū)域聚類特性調(diào)整鄰域像素的灰度；對調(diào)整后鄰域像素再進(jìn)行局部區(qū)域聚類；閾值自高向低變化直至故障區(qū)域聚類完成；提高對整幅圖像中故障區(qū)域像素聚類效率。本發(fā)明優(yōu)點(diǎn)為局部區(qū)域Mediodshift聚類以及調(diào)整鄰域相似灰度；自高向低的聚類閾值分割機(jī)制提升故障區(qū)域提取效率。

技術(shù)領(lǐng)域

本發(fā)明屬于電力故障檢測領(lǐng)域，尤其涉及一種基于局部區(qū)域聚類的電力設(shè)備故障區(qū)域提取方法。

背景技術(shù)

紅外熱成像儀是一種在不停電的狀態(tài)下對配電設(shè)備進(jìn)行現(xiàn)狀分析和故障診斷的工具，能有效的發(fā)現(xiàn)系統(tǒng)故障并快速成像記錄，具有檢測速度快、準(zhǔn)確率高、費(fèi)用低、靈敏性好和安全性高等優(yōu)點(diǎn)。然而，傳統(tǒng)的電力設(shè)備故障紅外診斷時(shí)，通常需要運(yùn)維人員對電力設(shè)備故障紅外圖像的認(rèn)知以及人工方式采集、錄入、上傳等操作，使得整個(gè)檢測過程效率低下，特別對于含有眾多電力設(shè)備的變電站，人工診斷將變得異常繁瑣。

近年來，隨著人工智能的興起，一些智能化的電力設(shè)備運(yùn)檢裝置得到了國內(nèi)外學(xué)者的廣泛研究，例如智能巡檢機(jī)器人、巡檢無人機(jī)等，其通過攜帶紅外熱像儀等裝置，在線捕獲電力設(shè)備紅外成像信息，并傳至控制室再進(jìn)行人工分析。盡管這種方式減少了人工采集圖片的工作量，但是仍然需要依賴人工診斷與處理。

隨著圖像處理技術(shù)的發(fā)展以及智能化、自動(dòng)化診斷的迫切需求，研究者開始著手采用計(jì)算機(jī)視覺、模式識(shí)別等技術(shù)解決電力設(shè)備故障智能預(yù)防、檢測等問題。一般而言，智能化診斷包含了紅外圖像感興趣區(qū)域的提取、分類、識(shí)別等主要過程，其中感興趣區(qū)域(故障區(qū)域)的提取是整個(gè)系統(tǒng)中首要解決的關(guān)鍵內(nèi)容，它在一定程度上決定了后續(xù)故障辨識(shí)的成敗，也影響電力設(shè)備狀態(tài)信息的分析。為此，研究針對電力設(shè)備故障的區(qū)域的高效自適應(yīng)的紅外自動(dòng)檢測方法非常重要。

發(fā)明內(nèi)容

本發(fā)明主要解決了Mediodshift算法自適應(yīng)迭代獲取相似特性的局部區(qū)域。通過對區(qū)域聚類中心計(jì)算以及對灰度值介于兩個(gè)均值之間的像素進(jìn)行灰度調(diào)整，激勵(lì)具有相似灰度值的像素進(jìn)行局部聚類，懲罰具有相似灰度值的像素聚類，提升算法局部聚類性能，可不需要考慮迭代次數(shù)。

本發(fā)明還解決了整幅紅外圖像故障區(qū)域提取效率的問題。通過引入閾值自高向低的分割機(jī)制，可直接對已經(jīng)分割得到的區(qū)域進(jìn)行鄰域像素聚類，可不需要重新對整幅圖像進(jìn)行全局Mediodshift聚類。

本發(fā)明提出的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：

本發(fā)明的目的是提供一種基于局部區(qū)域聚類的電力設(shè)備故障區(qū)域提取方法，通過mediodshift算法對局部區(qū)域像素的聚類，并提供了鄰域像素的灰度調(diào)節(jié)機(jī)制，激勵(lì)具有相似灰度值的像素進(jìn)行聚類，提升了算法對故障區(qū)域灰度不均勻等情況下的自適應(yīng)聚類能力；引入閾值自高向低的分割機(jī)制，解決了紅外圖像中用聚類方法提取故障區(qū)域速度慢的問題。

本發(fā)明的方法為一種基于局部區(qū)域聚類的電力設(shè)備故障區(qū)域提取算法，具體包括以下步驟：

步驟1：構(gòu)建電力故障圖像的Mediodshift區(qū)域聚類模型；

步驟2：根據(jù)Mediodshift區(qū)域聚類特性調(diào)整鄰域像素的灰度；

步驟3：對調(diào)整后鄰域像素進(jìn)行局部區(qū)域聚類；

步驟4：閾值自高向低變化，循環(huán)步驟2-4，直至故障區(qū)域聚類完成。

作為優(yōu)選，步驟1中所述Mediodshift區(qū)域聚類模型為：

假設(shè)給定采樣點(diǎn)x_i∈R^d，i＝1，…，n，則點(diǎn)x處的概率密度估計(jì)為：

其中，Φ(·)為高斯核函數(shù)，h為固定帶寬，d表示維數(shù)，則聚類中心點(diǎn)可以通過最小化下式：