[发明专利]一种基于统计特征与机器学习的配电线路中绝缘子识别方法

权利要求书

1.一种基于统计特征与机器学习的配电线路中绝缘子识别方法，包括下列步骤：

1)将巡视配电线路时得到的航拍图片，按照合适的比例分成两组，分别作为训练集图片和测试集图片；

2)将步骤1)得到的训练集图片做YCbCr变换，即从RGB颜色空间变换到YCbCr颜色空间，从RGB颜色空间变换到YCbCr颜色空间的变换公式如下：

3)将步骤2)中得到的图片分别在Y通道、Cb通道、Cr通道上提取统计特征，所选的统计特征是图像的矩特征，利用力学中矩的概念，将区域内部的像素作为质点，将像素的坐标作为力臂，以各阶矩的形式来表示区域形状特征，选用的统计特征是图像的一阶矩到六阶矩，以及标准差，各阶矩及标准差的计算公式如下：

一阶矩：

二阶矩：

三阶矩：

四阶矩：

五阶矩：

六阶矩：

标准差：

其中，H和W分别表示图像的高和宽，f(i,j)表示图像中某一点的像素值，将这些特征值组成一个n×21维的数据集，其中n表示样本个数；

4)将步骤3)中得到的统计特征值进行归一化处理，将原始数据规整到[0,1]内；

5)将步骤4)中得到的7个统计特征值生成一个特征向量，制作符合支持向量机SVM的标签文件，作为SVM分类器的训练样本，在训练样本和测试样本中，规定含有绝缘子的图片为负样本，类别标签为1；规定没有绝缘子的图片为正样本，类别标签为-1；

6)将步骤5)中得到的训练样本输入SVM分类器，选择RBF核函数，确定核函数参数及乘法参数，SVM所涉及的惩罚因子c，gamma参数g，执行训练算法并求得最优拉格朗日乘子和偏差值，训练后得到分类器模型；同时，进行特征优选，从7个统计特征中挑选出最具有识别优势的数据集合，在SVM的训练过程中，让c和g在一定的范围内取值，使用K折验证法寻找合适的c和g，能够使得测试集分类结果最鲁棒，对未见示例的泛化能力最强；

7)输入测试集图片，利用训练好的分类器，输出分类结果。