[发明专利]一种利用图像特征检测复合绝缘子憎水等级的自动识别方法

说明书

本发明公开了一种利用图像特征检测检测复合绝缘子憎水等级的自动识别方法，通过添加色素以提高对比度；基于遗传算法的最佳熵双阈值法分割从污秽和绝缘子本身色泽中提取出水珠/水膜；针对水珠中间的缝隙，采用了闭合区域填充函数；为提高识别的准确性，提取出五个和憎水等级相关性最大的参量，并获取了大量水珠/水膜图像进行BP神经网络模型的训练，得到了用于判断染污复合绝缘子憎水等级的5‑11‑1型BP神经网络模型。利用该模型处理在喷水分级法基础上得到的水珠/水膜图像，成功确定了复合绝缘子憎水等级。克服了喷水分级法的人为主观因素影响，大大提高了污秽复合绝缘子憎水等级识别的准确性，并进一步完善了现有的绝缘子人工污秽试验方法。

技术领域

本发明属于输电线路绝缘子性能检测领域，具体涉及一种利用图像特征检测复合绝缘子憎水等级的自动识别方法。

背景技术

随着我国工农业的快速发展，大气污染尤为严重，以陶瓷或玻璃为绝缘材料的传统绝缘子抗污性能较差，在运行中容易发生污闪事故，严重影响了电力系统的安全运行。相比之下，复合绝缘子具有优良的耐污性能，这源于其良好的憎水性和独特的憎水迁移性。憎水性使得复合绝缘子表面受潮后，吸附的水分以不连续的孤立小水珠的形式存在，不形成连续的水膜，从而限制了表面泄露电流，提高了闪络电压。憎水迁移性能够让绝缘子把自身的憎水性迁移到污秽物表面，使污秽物表面也具有憎水性良好的憎水性和独特的憎水迁移性使复合绝缘子在电力系统中获得广泛而迅速的应用。

运行经验表明，随着运行时间的增加，在雨雪、冰霜、高低温、紫外线、电场和化学腐蚀等多种因素的综合作用下，复合绝缘子硅橡胶伞裙将逐渐老化导致憎水性下降乃至完全丧失，防污闪性能大大降低，引发电网污闪事故，甚至影响电力系统的安全运行。因此，定期开展复合绝缘子的憎水性检测工作十分重要。

目前，用于污秽复合绝缘子憎水性检测的方法主要有静态接触角法、表面张力法和喷水分级法。接触角法具有测量精度高的优点，但是对测试环境要求苛刻以及测试仪器精度要求高，无法适用于现场运行的复合绝缘子的憎水性测量；表面张力法不能精准地测得绝缘子的表面张力，仅仅能间接得到其大概的范围值，有时候会存在较大的误差，用于表面张力法测试的部分液体成分对人体具有一定毒性，该法也无法适用于现场测量；虽然喷水分级法是目前复合绝缘子主要检测方法，该法所需设备简单、操作方便，但此法是一种人工肉眼判断的方法，其检测结果在很大程度上受到测试者主观因素的影响，这严重影响了憎水性判定的准确性。因此，喷水分级法只适合对复合绝缘子憎水性等级进行定性评判，而无法用于定量分析。

人工神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统，人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

BP神经网络是一种按误差传播算法训练的多层前馈网络，其主要思想正反向传递输入信号，反方向传递误差，经过多次调节各个权重大小，使实际输出尽可能逼近期望输出。具有强大的运算能力和识别能力，在各个领域都有个重要的运用。BP神经网络模型由输入层、中间层和输出层三部分组成。它的学习训练流程主要分为3个阶段，具体如下：

1)信息正向传递。输入层把接收到的输入信息传递给中间层，经处理和变换后，由输出层向外界输出结果；

2)计算误差。若满足误差要求或运行次数等于最大学习次数时，结束训练。若不满足，进入第3阶段；

3)误差反向传播。误差逐层反转，以误差梯度下降的方式，进行各层权值修正。修正后重新进入阶段1。

如何利用人工神经网络对图像进行识别处理，自动确定复合绝缘子憎水等级是有待解决的问题。

发明内容