[发明专利]一种基于紫外图谱的绝缘子污秽状态评估方法

权利要求书

1.一种基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，包括以下步骤：

S1，绝缘子紫外图像预处理：

对现场监测获取的紫外图像进行图像预处理，保留紫外图像中的主光斑及其周围的微小光斑，得到光斑图像；

S2，基于深度学习卷积神经网络算法对绝缘子污秽状态分类：

基于预处理后的光斑图像，按照一定比例随机选取训练集与测试集，以不同类型的光斑图像的每一个像素信息作为输入，对光斑的面积、亮度和边缘信息进行特征提取；

将特征参数输入卷积神经网络进行训练，得出绝缘子属于不同污秽程度下的概率。

2.根据权利要求1所述的基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，所述步骤S1中，绝缘子紫外图像预处理，具体包括以下步骤：

S101，基于现场监测获取的紫外图像，将RGB三颜色通道图片进行灰度化处理，得到其灰度图像；

S102，对灰度图像进行二值化处理，将图像上的点的灰度值变为0或255，突显出图像中放电光斑的区域特征；

S103，采用形态学中的开闭运算去除灰度图像中的小光斑；

S104，计算灰度图像中主光斑的面积，找出主光斑的边界坐标，求解等效圆的半径，找出质心；

S105，以质心为原点，确定合理的半径，重新采用小窗口在图像中进行扫描，最大化的还原主光斑附近小光斑的特征，得到光斑图像；

S106，预处理后输出jpg格式的图片。

3.根据权利要求2所述的基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，所述S103，采用形态学中的开闭运算去除灰度图像中的小光斑，具体包括：

计算二值化处理后灰度图像的连通区域，构建圆盘形结构元素strel，采用形态学中的开闭运算bwareaopen函数，若光斑完全包含在圆盘中，则对其进行开运算，反之对其保留，达到消除小光斑的目的。

4.根据权利要求2所述的基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，所述计算灰度图像中主光斑的面积，找出主光斑的边界坐标，求解等效圆的半径，找出质心，具体包括：

在确定主光斑后，采用bwarea函数计算主光斑的面积采用，bwboundaries函数找出主光斑的边界坐标，采用regionprops函数求解等效圆的半径，找出质心。

5.根据权利要求2所述的基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，所述合理的半径为等效圆的半径的1.05倍。

6.根据权利要求1所述的基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，所述步骤S2中，基于深度学习卷积神经网络算法对绝缘子污秽状态分类，具体包括：

S201，选取光斑图像数量的80％作为训练集，20％作为测试集；

S202，基于训练集的光斑图像，根据污秽程度的不同分为三类进行训练；

S203，对输入卷积神经网络的图像进行归一化处理；

S204，采用卷积神经网络中的卷积层对光斑的面积、亮度和边缘信息进行特征提取；

S205，采用卷积神经网络中的激励层把卷积层输出结果做非线性映射；

S206，采用卷积神经网络中的池化层缩小图像，减少像素信息，保留重要信息；

S207，采用卷积神经网络中的全连接层输出分类结果，并反向传播调整网络权值；

S208，判断训练集的光斑图像是否全部训练结束，如果否，重复步骤S204至S207；

S209，如果是，得到训练好的模型，并输入测试集进行测试，最后输出绝缘子污秽状态。

7.根据权利要求6所述的基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，所述步骤S204中，卷积层使用了32个过滤器，对紫外图像进行扫描提取特征值，激活函数使用Relu。

8.根据权利要求6所述的基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，所述步骤S205中，池化层的池化窗口和池化步长都设置为2，池化方式为最大池化。

9.根据权利要求6所述的基于紫外图谱的绝缘子污秽状态评估方法，其特征在于，所述步骤S207中，全连接层利用SoftMax函数分类输出的信息，代表该图像属于不同污秽程度的概率。