[發(fā)明專利]一種基于混合蟻群算法的絕緣子輪廓檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010197248.7
• 申請(qǐng)日: 2020-03-19
• 公開（公告）號(hào): CN111429419B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 孫浩飛;琚澤立;呂新良;邢偉;孫鑫;侯喆;王倩;蒲路;牛全保;李立鵬;王森;楊博;趙學(xué)風(fēng)
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)陜西省電力公司電力科學(xué)研究院;西安理工大學(xué);國(guó)網(wǎng)陜西省電力公司;國(guó)網(wǎng)陜西省電力公司銅川供電公司;國(guó)家電網(wǎng)有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/26;G06V10/44;G06V10/762;G06N3/006
• 代理公司: 西安西交通盛知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 61217
• 代理人: 蔡和平

本發(fā)明公開了一種基于混合蟻群算法的絕緣子輪廓檢測(cè)方法，包括以下步驟：將目標(biāo)絕緣子圖像進(jìn)行灰度歸一化，生成灰度直方圖對(duì)其進(jìn)行線性拉伸和噪聲濾波處理；將蟻群聚類算法用于絕緣子圖像分割，同時(shí)將粒子群算法用于聚類中心數(shù)和半徑的參數(shù)優(yōu)化。本發(fā)明可以準(zhǔn)確分割目標(biāo)絕緣子圖像，對(duì)絕緣子的故障檢測(cè)提供支持，保障電力系統(tǒng)的正常運(yùn)行。

技術(shù)領(lǐng)域

本發(fā)明屬于絕緣子圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于混合蟻群算法的絕緣子輪廓檢測(cè)方法。

背景技術(shù)

當(dāng)前，我國(guó)電網(wǎng)規(guī)模持續(xù)擴(kuò)大，絕緣子作為電力系統(tǒng)中的故障多發(fā)器件，一定程度上決定著輸電線路是否可以安全運(yùn)行，因此，作為對(duì)絕緣子運(yùn)行狀態(tài)檢測(cè)的前提，絕緣子的輪廓檢測(cè)一直都是研究的熱點(diǎn)；傳統(tǒng)的絕緣子輪廓檢測(cè)方法通常是地面目測(cè)法，這種方法不僅準(zhǔn)確率低，而且耗費(fèi)大量的時(shí)間成本和人力物力；近年來，隨著無人機(jī)技術(shù)和圖像識(shí)別技術(shù)的不斷發(fā)展，無人機(jī)巡檢在電力系統(tǒng)中的應(yīng)用逐漸普及，通過無人機(jī)拍攝的圖像進(jìn)行絕緣子輪廓檢測(cè)具有識(shí)別成功率高、節(jié)省人力物力以及可以應(yīng)用于復(fù)雜環(huán)境等優(yōu)點(diǎn)，但無人機(jī)拍攝的絕緣子圖像通常分辨率低、噪聲大，傳統(tǒng)的圖像分割方法精度和適用性方面都受到了限制。

隨著人工智能的不斷發(fā)展，多種智能算法可以應(yīng)用于絕緣子輪廓檢測(cè)技術(shù)中。在眾多算法中，蟻群算法因其較強(qiáng)的搜索能力，在圖像分割領(lǐng)域效果較好，但是其算法性能受初始參數(shù)影響較大，而初始參數(shù)又通常是由大量實(shí)驗(yàn)參數(shù)修正得到的，有較大的不確定性。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于混合蟻群算法的絕緣子輪廓檢測(cè)方法，該方法將粒子群算法應(yīng)用于蟻群算法的參數(shù)優(yōu)化上，可以直接獲得蟻群算法的最優(yōu)參數(shù)；利用覓食型蟻群聚類算法進(jìn)行圖像分割，從而實(shí)現(xiàn)絕緣子的輪廓檢測(cè)。

為達(dá)到上述目的，本發(fā)明所述一種基于混合蟻群算法的絕緣子輪廓檢測(cè)方法，包括以下步驟：

步驟1：采集絕緣子圖像；

步驟2：將步驟1采集的絕緣子圖像按下式進(jìn)行灰度化，得到灰度圖像；

步驟3：對(duì)粒子群算法涉及的參數(shù)進(jìn)行初始化，需要初始化的參數(shù)包括慣性權(quán)重值ω、最大迭代次數(shù)M、每個(gè)粒子的初始位置x_iS＝(x_iS1,x_iS2)和初始速度v_iS(t)、粒子的個(gè)體學(xué)習(xí)因子c₁，粒子的社會(huì)學(xué)習(xí)因子c₂；

步驟4、使用蟻群算法計(jì)算每個(gè)粒子對(duì)應(yīng)的自適應(yīng)函數(shù)值和個(gè)體極值P_iS(t)；

步驟5：根據(jù)步驟4得到的每個(gè)粒子對(duì)應(yīng)的自適應(yīng)函數(shù)值更新個(gè)體極值與全局最優(yōu)解P_gS；

步驟6：步驟3初始化的參數(shù)和根據(jù)步驟4得到的個(gè)體極值P_iS(t)和步驟5得到全局最優(yōu)解P_gS，按照下式更新粒子的位置與速度：

v_iS(t+1)＝ωv_iS(t)+c₁r_1S(t)[P_iS(t)-x_iS(t)]+c₂r_2S(t)[P_gS(t)-x_iS(t)]；

x_iS(t+1)＝x_iS(t)+v_iS(t+1)；

其中，r_1S與r_2S是[0,1]上服從均勻分布的偽隨機(jī)數(shù)，P_iS(t)為更新前的個(gè)體極值；v_iS(t+1)為更新后的速度，x_iS(t+1)為更新后的位置；