基于雨滴识别的变压器复合绝缘子套管监测方法及系统与流程

本发明属于电气一次设备在线监测领域，特别涉及一种基于雨滴识别的自动化变压器复合绝缘子套管憎水性监测技术方案。

背景技术：

受现场运行环境和运行条件的影响，作为变压器的主要绝缘设备，变压器套管承受着电气强度和机械强度的考验。在工业化发展的过程中环境也有所恶化，空气中的污秽聚集在变压器复合绝缘子套管伞盘表面，是套管憎水性降低，在潮湿的环境下，可能诱发污闪事故的发生，影响电力系统安全稳定运行，因而对变压器复合绝缘子套管憎水性进行在线检测就显得尤为重要。

针对变压器复合绝缘子套管的污秽程度的监测主要根据对其顶层盘面表面憎水性的检测。由于变压器复合绝缘子套管不便于拆卸，一般对其憎水性的检测使用现场喷水而后检测的方法，即使用消防车对变压器复合绝缘子表面进行喷水，而后使用图像处理分析等方法对采集到的喷水图像进行处理与分析，这需对变压器断电，影响电力供应的持续性，另一方面消防车喷水水量较大，污迹会被强大的水流冲去，影响检测的可靠性。

针对传统对复合绝缘子套管检测方法的不足，本发明提出了一种基于雨滴识别的变压器复合绝缘子套管憎水性监测技术方案。

技术实现要素：

为自动化监测变压器复合绝缘子套管污秽度，本发明提出了一种基于雨滴识别的变压器复合绝缘子套管憎水性监测技术方案。

本发明提供一种基于雨滴识别的变压器复合绝缘子套管监测方法，包括以下步骤：

步骤1，图像获取过程，包括对待检测变压器复合绝缘子套管进行相应图像获取；

步骤2，图像预处理过程，截取步骤1所得图像中复合绝缘子套管顶层盘面图像，对图像截取部分进行图像灰度化、同态滤波增强及直方图均衡化操作，得到当前的顶层盘面预处理图像；

步骤3，图像自然雨滴识别过程，包括对预先采用图像预处理过程所得训练图像集进行分割阈值计算和统计分析，得出图像分割阈值N_TH，使用图像分割阈值N_TH对步骤2所得当前预处理图像进行边缘检测，统计分析得出雨滴存在与否的边缘点个数值，检测当前的顶层盘面预处理图像是否存在雨滴；

步骤4，判断过程，若图像自然雨滴识别的结果是盘面不存在自然雨滴，则返回步骤1获取下一幅图像进行处理，否则进入步骤5；

步骤5，图像分割过程，使用改进的Canny算子边缘提取算法对存在雨滴的当前的顶层盘面预处理图像进行边缘提取，进而使用数学形态学算法对提取到的边缘图进行修复；所述改进的Canny算子边缘提取算法采用最大类间方差法，将最大类间方差法提取到的最佳分割阈值TH设为Canny算子边缘提取的高阈值TH2，将一定倍率的高阈值设为低阈值TH1，用TH2、TH1对第三步所得图像作图像阈值分割，得到I2、I1两幅边缘图像，将与I2中边缘点相连的I1中边缘点添加到I2中，构成最终的边缘图像；

步骤6，憎水性分级过程，包括对预先采用图像预处理过程所得训练图像集进行计算，得出包含水迹覆盖率、最大水迹面积比、最大水迹形状因子及最大水迹椭圆率的四个憎水性特征量的训练样本库，使用训练样本库对概率神经网络PNN进行训练，对当前预处理图像进行憎水性特征量计算，根据训练所得概率神经网络PNN得到憎水性等级。

而且，所述图像获取过程为在服务器端发送指令，控制安装于变压器运行现场的摄像头对变压器复合绝缘子套管图像进行拍摄，并于服务器端下载摄像头拍摄图像。

而且，若憎水性分级过程所得憎水性等级超过预设预警憎水性等级则报警。

而且，所述图像自然雨滴识别过程中，进行分割阈值计算和边缘检测采用Sobel算子边缘检测方法。

而且，所述憎水性分级过程中，水迹覆盖率K_a、最大水迹面积比K_m、最大水迹形状因子f_c及最大水迹椭圆率ρ_m，求取方式如下，

(1)水迹覆盖率，是图像上所有水迹面积与图像总面积之比，

K_a＝S_a/S

式中，S_a为图像上所有水迹面积，S为图像总面积；

(2)最大水迹面积比，是最大水迹面积与图像总面积之比，

K_m＝S_m/S

式中，S_m为最大水迹面积；

(3)最大水迹形状因子，是最大水迹面积与周长之间的关系，

f_c＝4πS_m/l²

式中，l为最大水迹周长的像素点个数；

(4)最大水迹椭圆率，是最大水迹外接矩形的长与宽之比，

ρ_m＝a/b

式中，a、b为别为最大水迹外接矩形的长与宽。

本发明提供一种基于雨滴识别的变压器复合绝缘子套管监测系统，包括以下模块：

图像获取模块，用于对待检测变压器复合绝缘子套管进行相应图像获取；

图像预处理模块，用于截取图像获取模块所得图像中复合绝缘子套管顶层盘面图像，对图像截取部分进行图像灰度化、同态滤波增强及直方图均衡化操作，得到当前的顶层盘面预处理图像；

图像自然雨滴识别模块，用于对预先采用图像预处理过程所得训练图像集进行分割阈值计算和统计分析，得出图像分割阈值N_TH，使用图像分割阈值N_TH对图像自然雨滴识别模块所得当前预处理图像进行边缘检测，统计分析得出雨滴存在与否的边缘点个数值，检测当前的顶层盘面预处理图像是否存在雨滴；

判断模块，用于若图像自然雨滴识别的结果是盘面不存在自然雨滴，则命令图像自然雨滴识别模块工作获取下一幅图像进行处理，否则命令图像分割模块工作；

图像分割模块，用于使用改进的Canny算子边缘提取算法对存在雨滴的当前的顶层盘面预处理图像进行边缘提取，进而使用数学形态学算法对提取到的边缘图进行修复；所述改进的Canny算子边缘提取算法采用最大类间方差法，将最大类间方差法提取到的最佳分割阈值TH设为Canny算子边缘提取的高阈值TH2，将一定倍率的高阈值设为低阈值TH1，用TH2、TH1对第三步所得图像作图像阈值分割，得到I2、I1两幅边缘图像，将与I2中边缘点相连的I1中边缘点添加到I2中，构成最终的边缘图像；

憎水性分级模块，用于对预先采用图像预处理过程所得训练图像集进行计算，得出包含水迹覆盖率、最大水迹面积比、最大水迹形状因子及最大水迹椭圆率的四个憎水性特征量的训练样本库，使用训练样本库对概率神经网络PNN进行训练，对当前预处理图像进行憎水性特征量计算，根据训练所得概率神经网络PNN得到憎水性等级。

而且，所述图像获取模块在服务器端发送指令，控制安装于变压器运行现场的摄像头对变压器复合绝缘子套管图像进行拍摄，并于服务器端下载摄像头拍摄图像。

而且，若憎水性分级模块所得憎水性等级超过预设预警憎水性等级则报警。

而且，所述图像自然雨滴识别模块中，进行分割阈值计算和边缘检测采用Sobel算子边缘检测方法。

而且，所述憎水性分级模块中，水迹覆盖率K_a、最大水迹面积比K_m、最大水迹形状因子f_c及最大水迹椭圆率ρ_m，求取方式如下，

(1)水迹覆盖率，是图像上所有水迹面积与图像总面积之比，

K_a＝S_a/S

式中，S_a为图像上所有水迹面积，S为图像总面积；

(2)最大水迹面积比，是最大水迹面积与图像总面积之比，

K_m＝S_m/S

式中，S_m为最大水迹面积；

(3)最大水迹形状因子，是最大水迹面积与周长之间的关系，

f_c＝4πS_m/l²

式中，l为最大水迹周长的像素点个数；

(4)最大水迹椭圆率，是最大水迹外接矩形的长与宽之比，

ρ_m＝a/b

式中，a、b为别为最大水迹外接矩形的长与宽。

本发明首次提出利用自然雨滴导致复合绝缘子套管顶层盘面图像的形态改变，使用图像处理与分析技术对变压器复合绝缘子套管憎水性等级即污秽等级进行自动化监测，有效规避复合绝缘子套管发生污闪事故，提高变压器运行的安全可靠性。应用本发明技术方案能够节约人力，避免事故损失，具有重要的市场价值。

附图说明

图1为本发明实施例的基于雨滴识别的变压器复合绝缘子套管憎水性监测方法的实施线路结构图。

图2为本发明实施例的基于雨滴识别的变压器复合绝缘子套管憎水性监测方法流程图。

图3为本发明实施例中同态滤波增强步骤流程图。

图4为本发明实施例中自然雨滴识别步骤流程图。

图5为本发明实施例中图像分割步骤流程图。

图6为本发明实施例中自适应阈值选择的Canny算子边缘提取步骤流程图。

图7为本发明实施例中憎水性分级步骤流程图。

图8为本发明实施例中PNN基本结构图。

具体实施方式

为简单明了地表述本发明目的及技术方案，以下结合附图及实施例加以说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

为有效监测变压器复合绝缘子套管污秽度，本发明提出了一种基于雨滴识别的变压器复合绝缘子套管憎水性监测方法，并将其引用于变压器运行现场，为现场运行维护人员提供有效的参考，该方法实施例的实现应用场景采用了配电箱、控制室服务器、交换机、千兆光发生器、光电转换器、高清摄像头、光缆、电缆、网线等硬件设备，各设备的线路结构示意图如图1所示，其中千兆光发生器较之一般光发生器有着更高的抗干扰性能。使用本发明所提供方法得到变压器复合绝缘子套管憎水性等级后，可将结果数据反馈给现场运行维护人员，以提供有效的参考。

该发明方法的主要步骤为：对待检测变压器复合绝缘子套管进行图像获取、图像预处理、图像自然雨滴识别，若检测不存在自然雨滴，则返回图像获取步骤获取下一幅图像，并顺序执行之后步骤，否则进行图像分割及憎水性分级，并将结果反馈运行维护人员，以提供参考，流程图如图2所示。

步骤1，图像获取过程，包括对待检测变压器复合绝缘子套管进行相应图像获取；

实施例中图像获取的过程为，于服务器端发送指令，控制安装于变压器运行现场的摄像头对变压器复合绝缘子套管图像进行拍摄，拍摄所得图像通过网线与光缆经光电转换器、千兆光发生器和交换机传输至主控室服务器，于服务器端下载以备后续操作使用。具体实施时，可以通过发送指令控制摄像头转向及焦距，以便清晰地完成图像拍摄。

步骤2，图像预处理过程，截取步骤1所得图像中复合绝缘子套管顶层盘面图像，对图像截取部分进行图像灰度化、同态滤波增强及直方图均衡化操作，得到当前的顶层盘面预处理图像。

实施例实现如下：

基于图像获取过程，进而截取图像获取所得变压器复合绝缘子套管顶层盘面图像，对截取图像做图像灰度化、同态滤波增强及直方图均衡化操作。其中图像灰度化是对读取到的彩色图像R、G、B三个颜色分量取一定预设权值做加权平均，得到灰度化后的数值及图像，具体实施时本领域技术人员可自行预设权重，例如R、G、B三个颜色分量的权值为0.30、0.59、0.11；同态滤波增强的流程图如图3所示，即若令灰度化图像位置点(x,y)处像素值为f(x,y)，同态滤波增强后该位置点处像素值为g(x,y)，则依次对f(x,y)进行对数运算得到z(x,y)，对z(x,y)进行傅里叶变换得到Z(u,v)，(u,v)即为傅里叶变换后位置点(x,y)对应位置，对Z(u,v)进行同态滤波处理得到S(u,v)，对S(u,v)进行傅里叶反变换得到s(x,y)，对s(x,y)进行指数运算即可得到g(x,y)；直方图均衡化则是使用了同态滤波增强图像的直方图累计分布函数的反函数对增强图像直方图进行映射，得到灰度直方图分布均匀、对比强烈的直方图均衡化图像。

步骤3，图像自然雨滴识别过程，包括对预先采用图像预处理过程所得训练图像集进行分割阈值计算和统计分析，得出图像分割阈值N_TH，使用图像分割阈值N_TH对步骤2所得当前预处理图像进行边缘检测，统计分析得出雨滴存在与否的边缘点个数值，检测当前的顶层盘面预处理图像是否存在雨滴。

具体实施时，可以采用Sobel算子边缘检测方法、Roberts算子边缘检测方法、Prewitt算子边缘检测方法等检测方式。

优选地，实施例中所述自然雨滴识别过程为使用基于统计学的Sobel算子边缘检测方法对足量图像预处理所得图像(即对预先采用和步骤2一致的图像预处理过程所得训练图像集)进行分割阈值计算和统计分析，得出可用于分辨复合绝缘子套管顶层盘面表面是否存在雨滴的图像分割阈值，使用此阈值及Sobel算子边缘检测方法对当前执行步骤2进行预处理所得图像进行边缘检测，统计分析得出雨滴存在与否的边缘点个数值，以此检测当前复合绝缘子套管图像雨滴存在性。具体实现如下：

复合绝缘子套管顶层盘面上各区域在没有落上雨滴时形态相似，若落上雨滴，则其表面出现凸起，形态有较大的改变，因之可借助顶层盘面图像截取区域中边缘点数目对顶层盘面自然雨滴存在与否进行识别。本发明使用自适应分割阈值选择的Sobel算子边缘提取算法对现场69幅存在雨滴和437幅不存在雨滴的506幅图像进行统计分析，得出可以有效指示顶层盘面雨滴存在与否的分割阈值，进而使用此阈值对所有图像进行边缘提取操作，得出各个图像分割后边缘点数目，并统计分析得出有效判别图像存在雨滴与否的图像分割边缘点数目N_TH，对待测试预处理图像进行Sobel算子图像分割操作，得出其边缘点数目N，若N＞N_TH则可判定顶层盘面存在雨滴，即可进行憎水性识别操作。自然雨滴识别的流程图如图4所示。

自适应阈值选择的Sobel算子边缘提取算法如下所述：

设训练图像集中某幅图像预处理所得二维图像为f，考察图像上位置为(x,y)的点，以其周围3×3的邻域U_f(x,y)做灰度加权差得图像当前位置点的梯度S(x,y)，即使用水平方向和竖直方向的卷积算子Δf_x，Δf_y对f上各个3×3的领域U_f(x,y)做卷积所得S_x(x,y)，S_y(x,y)的均方根值，即：

式中：

Sobel算子边缘提取中的图像的分割阈值Th可由梯度的平均值决定，即：

式中X为图像水平方向的列数，Y为图像竖直方向的行数。

计算得出训练图像集中每幅预处理所得图像的分割阈值Th后，将某一个分割阈值设为有效指示顶层盘面水迹存在与否的分割阈值，所有图像所得分割阈值大于该阈值且对应图像确实存在雨滴时，或图像所得分割阈值小于该阈值且对应图像确实不存在雨滴时，视为正确分割，因此可计算出此阈值正确分割所有图像的概率。将所得每个分割阈值Th分别设为有效指示顶层盘面水迹存在与否的分割阈值，均可计算出此阈值正确分割的概率。正确分割概率最大时所对应的分割阈值即为有效指示顶层盘面水迹存在与否的分割阈值，记为Thz。

对于图像上位置为(x,y)的点处的梯度S(x,y)满足下式时，即认为该点为边缘点。

S(x,y)＞Thz (4)

当给定图像分割阈值为Thz时，计算出图像梯度后即可根据式(4)计算得到边缘图。

用有效指示顶层盘面水迹存在与否的分割阈值去分割训练图像集中各预处理所得图像得出每幅图对应的边缘图像。计算得出每幅边缘图像的边缘点数目后，将一幅边缘图像的边缘点数目设为有效判别图像存在雨滴与否的图像分割边缘点数目，所有边缘图中边缘点数目大于此数目且对应图像确实存在雨滴时，或边缘点数目小于此数目且对应图像确实不存在雨滴时，视为正确分割，因此可计算出此边缘点数目正确分割的概率。将每幅边缘图像边缘点数目设为有效判别图像存在雨滴与否的图像分割边缘点数目，均可计算出此边缘点数目正确分割的概率。正确分割概率最大时所对应的边缘图像边缘点数目即为有效判别图像存在雨滴与否的图像分割边缘点数目N_TH。

使用统计计算出的有效指示顶层盘面水迹存在与否的分割阈值N_TH对待测试预处理图像进行Sobel算子图像分割操作，得出其边缘点数目，若此边缘点数目大于统计计算得出的有效判别图像存在雨滴与否的图像分割边缘点数目N_TH则可判定顶层盘面存在雨滴，即可进行憎水性识别操作。

步骤4，若图像自然雨滴识别的结果是盘面不存在自然雨滴，则返回步骤1获取下一幅图像进行处理，否则进入步骤5。

经过自然雨滴识别后，若识别到图像存在雨滴，则可进行图像分割操作，进而识别复合绝缘子套管的憎水性。

步骤5，图像分割过程，使用改进的Canny算子边缘提取算法对存在雨滴的当前的顶层盘面预处理图像进行边缘提取，进而使用数学形态学算法对提取到的边缘图进行修复。

本发明所提出改进的Canny算子边缘提取算法引入了最大类间方差法，可对预处理图像分割阈值进行自主选择。

实施例图像分割的过程可概括为：基于预处理图像，基于最大类间方差法自主选取图像分割阈值，并以此计算出高低分割阈值应用于Canny算子的边缘提取算法，进而使用数学形态学算法对提取到的边缘图像进行修复，即可输出边缘图像，该算法的基本流程如图5所示。

最大类间方差法自主分割阈值选择的基本过程为：将图像视为前景与背景的叠加，当给定图像分割阈值时，即可据此计算前景与背景的类间方差。计算所得类间方差的数值越大，则这两部分的差距越大；数值越小，则两部分的差距越小。若两部分之间有错分，则类间方差会减小，故当两部分类间方差达到最大值时，即可认为此时的图像分割是在最小错分基础上的最佳背景前景图像分割。最大类间方差法自主分割阈值选择原理如下所述：

对于灰度级总数目为l的图像，其灰度值为0～(l-1)，设最大类间方差法中图像背景和前景的分割阈值为TH，灰度值为i的像素点总个数为n_i，则灰度值总个数为：

灰度值为i的像素点出现的概率为：

前景出现的概率为：

背景出现的概率为：

前景的平均灰度值为：

前景的平均灰度值为：

图像的平均灰度为：

图像的类间方差为：

由类间方差的计算式可知，类间方差是一个关于图像分割阈值TH的函数，且TH应满足：

1≤TH≤l-2 (13)

遍历TH即可获得最大类间方差，而与此对应的图像分割阈值即为最佳分割阈值。

引入自主阈值选择后，Canny算子边缘提取具有更好的自适应性，更利于现场条件下的边缘提取。该算法求取图像边缘点具体步骤依次为图像高斯滤波、梯度求取、非极大值抑制及双阈值边缘连接，流程如图6所示。

(1)对图像进行高斯滤波处理

对图像各个位置点(x,y)进行滤波的过程主要使用的是高斯滤波器，可用下式表示：

式中σ表示高斯函数的标准差，h(x,y)表示高斯滤波器。若令原图像为f(x,y)，高斯滤波后的输出图为g(x,y)，则高斯滤波后的图像为原图像与高斯滤波器的卷积，即：

g(x,y)＝h(x,y)*f(x,y) (15)

(2)求取梯度幅值和方向

可使用一阶有限差分来近似求取高斯滤波输出图在x,y两个方向的偏导G_x,G_y，即：

梯度的幅值：

梯度的方向：

θ(x,y)＝arctan[G_y(x,y)/G_x(x,y)] (18)

梯度的幅值表征图像边缘的强度，使梯度幅值取到局部最大值的θ(x,y)就表征了图像边缘的方向。

(3)进行非极大值抑制操作

该步操作保留梯度变化最大的像素点，减小非极大值像素点的影响，使提取到的边缘最大程度的连续，提高准确性。

(4)用双阈值算法检测和连接边缘

将最大类间方差法提取到的最佳分割阈值TH设为Canny算子边缘提取的高阈值TH2，将一定倍率的高阈值设为低阈值TH1，该倍率应大于0而小于1，例如取为0.4，用TH2、TH1高低两个阈值对预处理所得图像作图像阈值分割，得到I2、I1两幅边缘图像。I2使用的阈值较高，能够消除较多噪声，与此同时也因之削减了应有的边缘；而图像I1使用的阈值较低，保存了较多的信息的同时也存留了较多噪声。以I2为基础，用I1来补充以连结图像的边缘，即将与I2中边缘点相连的I1中边缘点添加到I2中，构成最终的边缘图像。

使用数学形态学算法对提取到的边缘图进行修复时，对提取到的边缘图像使用数学形态学膨胀、腐蚀、填充进行修复可有效减少边缘不连续出现的概率，同时剔除部分伪边缘，本发明实施例先使用盘形结构元素对图像边缘进行膨胀处理，减少边缘不连续的出现，进而使用填充操作填补膨胀图像中各边缘内部区域，最后再使用盘形结构元素对填充图像进行腐蚀运算，消除图像毛刺和部分伪边缘。

盘形结构元素SE如下式所示：

数学形态学的处理原理如下所述：

(1)膨胀和腐蚀运算

膨胀实质是一定形态的结构元素在图像感兴趣部分边缘上移动，使之范围有一定程度的扩大的过程；而腐蚀是一定形态的结构元素在图像感兴趣部分边缘上移动，使之范围有一定程度缩小的过程，即膨胀和腐蚀操作分别会增加或减少图像感兴趣部分像素点。在膨胀和腐蚀操作中，输出像素的任何状态都是原图相应位置及其邻域的像素执行膨胀或腐蚀运算得到的。

对二值边缘图的膨胀操作可以填充图像中相比于结构元素较小的凹陷，连接二值图像中距离较近的两个对象，解决部分边缘断裂的问题；腐蚀操作使对象边缘减少，可除去相比于结构元素较小的部分，消除图像中无意义的边缘，将两个相交的对象分离。

设A为一幅二值图，B为结构元素，A关于B则膨胀和腐蚀操作可用以下两式表示。

(2)填充运算

填充运算是针对封闭水迹边缘的形态学运算，其作用是填充封闭边缘内部区域，使之更有利于憎水性特征量提取操作的进行。

设Bf(x,y)为边缘图像位置为(x,y)处的数值，Bg(x,y)为填充后边缘图像位置为(x,y)处的数值，则：

Bg(x,y)＝Bf(x,y)||[(x,y)∈R_f] (22)

式中R_f是由边缘图像中封闭边缘所构成的位置集合。

步骤6，憎水性分级过程，包括对预先采用图像预处理过程所得训练图像集进行计算，得出训练样本库，使用训练样本库对概率神经网络PNN进行训练，对当前预处理图像进行憎水性特征量计算，根据训练所得概率神经网络PNN得到憎水性等级。在服务器端自动分级所得结果可反馈给现场运行维护人员。

所述复合绝缘子套管憎水性分级的过程为，对足量存在雨滴的预处理图像(可以预先采集存在雨滴的多幅图像，采用与步骤2一致的方式进行图像预处理过程)进行计算，得出包含水迹覆盖率、最大水迹面积比、最大水迹形状因子及最大水迹椭圆率的四个憎水性特征量的训练样本库，使用训练样本库对概率神经网络PNN进行训练，对当前的存在雨滴的复合绝缘子套管盘面图像的预处理图像，作为单个实验预处理图像进行憎水性特征量计算，并应用于PNN分类中，得出其憎水性等级。

实施例对于水迹检测结果显示为存在水迹的图像截取区域预处理所得图像，可对其进行憎水性分级操作，憎水性分级操作的主要步骤为憎水性特征量提取和PNN(概率神经网络)训练与分类，由于PNN对样本的训练与分类的过程需使用仅包含0和1的向量进行，即在训练之前将样本的输出等级数值转换为仅包含0和1的向量，训练结束后再将仅包含0和1向量的分类结果转换为等级数值，这两个过程即为编码与解码。对于本实施例中的1、2、3、4、5、6、7个憎水等级，编码的过程将他们分别转换为1000000、0100000、0010000、0001000、0000100、0000010、0000001七个向量，解码的过程即将分类结果向量转换为相应的憎水等级。该步骤的流程图如图7所示。

借助数学形态学修复的复合绝缘子套管边缘图像，即可计算检测憎水性所需的特征量，即水迹覆盖率K_a、最大水迹面积比K_m、最大水迹形状因子f_c及最大水迹椭圆率ρ_m。

(1)水迹覆盖率，即图像上所有水迹面积与图像总面积之比：

K_a＝S_a/S (23)

式中S_a为图像上所有水迹面积，S为图像总面积，均以像素计算。

(2)最大水迹面积比，即最大水迹面积与图像总面积之比：

K_m＝S_m/S (24)

式中S_m为最大水迹面积。

(3)最大水迹形状因子，即最大水迹面积与其周长(像素点个数)之间的关系：

f_c＝4πS_m/l² (25)

式中l为最大水迹周长的像素点个数。

(4)最大水迹椭圆率，即最大水迹外接矩形的长与宽之比：

ρ_m＝a/b (26)

式中a，b为别为最大水迹外接矩形的长与宽。

特征值的求取主要借助形态学修复后的水迹图像，对水迹二值图像像素点为1的求和，将其与图像的行数与列数的乘积做商，即可求出水迹覆盖率K_a；进而从水迹二值图中提取最大水迹，对最大水迹二值图像像素点为1的求和，将其与图像的行数与列数的乘积做商，即可求出最大水迹面积比K_m；然后提取最大水迹的周长和其外接矩形的长与宽，即可求出最大水迹形状因子f_c和最大水迹椭圆率ρ_m。

提取计算出样本特征量即可构建训练样本集，将样本集应用于PNN中进行训练，即可实现PNN对单个测试样本的分类，即得到复合绝缘子套管憎水性等级。对于每个等级34组数据的238个数据，取20组作为训练样本，剩余14组作为测试样本，PNN网络训练结果如表1所示。

表1PNN训练结果统计表

PNN训练与分类的过程如下所述：

PNN由输入层、模式层、求和层及输出层构成，其基本结构示意图如图8所示。

输入层接受训练样本各特征量x₁,x₂,…,x_n，并将其传递给网络，输入层神经元数目与样本矢量维度数相等，图8中记为n。

模式层计算输入特征量与训练集各模式的匹配关系，模式层神经元数目与各类别训练样本数目之和相等，图8中记为N。该层每个模式单元的输出为：

式中X为输入量，W_i为输入层与模式层的连接权值，δ为平滑参数。

求和层按模式层的输出的类别求取概率累计量而得到估计概率密度函数。每一个类别对应一个求和层单元，图8中记为Nn。

输出层接收求和层输出的各类概率密度函数，概率密度函数最大的神经元对应的输出为1，即为本模式的类别，其他神经元的输出均为0。

基于PNN的分类原理可表述为：

假设两种已知类别θ_A、θ_B，对于需判断的憎水性特征样本X＝(x₁,x₂,…,x_n)，由Bayes最小风险准知：

式中h_A，h_B分别为类别θ_A、θ_B的先验概率；N_A，N_B分别为类别θ_A、θ_B的训练样本数，N为训练样本总数；l_A，l_B分别为将θ_A、θ_B错误划分的风险因子；f_A，f_B分别为X属于类别θ_A、θ_B的概率密度函数。

概率密度函数通常根据已有的输入样本向量来求取，由Paezen方法可估计得到类别θ_A的概率密度函数f_A(X)如下式所示：

式中X_Ai为类别θ_A的第i个训练向量；m为类别θ_A的训练样本数；δ为平滑参数。

对于已知类别为Y＝(y₁,y₂,…,y_Nn)的Nn类别分类问题，可由上述二分类原理进行扩展，即假设已知类别y₁,y₂,…,y_Nn，对于需判断的憎水性特征样本X＝(x₁,x₂,…,x_n)：

式中h_i为类别y_i的先验概率；N_i为类别y_i的训练样本数，N为训练样本总数；l_i为将类别y_i错误划分的风险因子；f_i为X属于类别y_i的概率密度函数；i为类别标号，i∈{1,2,…,Nn}。

进一步地，可以预设等级线，若憎水性分级过程所得憎水性等级超过预设预警憎水性等级则报警，然后保存数据，否则直接保存数据。

具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模块化方式实现相应系统。

本发明提供一种基于雨滴识别的变压器复合绝缘子套管监测系统，包括以下模块：

图像获取模块，用于对待检测变压器复合绝缘子套管进行相应图像获取；

图像预处理模块，用于截取图像获取模块所得图像中复合绝缘子套管顶层盘面图像，对图像截取部分进行图像灰度化、同态滤波增强及直方图均衡化操作，得到当前的顶层盘面预处理图像；

图像自然雨滴识别模块，用于对预先采用图像预处理过程所得训练图像集进行分割阈值计算和统计分析，得出图像分割阈值N_TH，使用图像分割阈值N_TH对图像自然雨滴识别模块所得当前预处理图像进行边缘检测，统计分析得出雨滴存在与否的边缘点个数值，检测当前的顶层盘面预处理图像是否存在雨滴；

判断模块，用于若图像自然雨滴识别的结果是盘面不存在自然雨滴，则命令图像自然雨滴识别模块工作获取下一幅图像进行处理，否则命令图像分割模块工作；

图像分割模块，用于使用改进的Canny算子边缘提取算法对存在雨滴的当前的顶层盘面预处理图像进行边缘提取，进而使用数学形态学算法对提取到的边缘图进行修复；所述改进的Canny算子边缘提取算法采用最大类间方差法，将最大类间方差法提取到的最佳分割阈值TH设为Canny算子边缘提取的高阈值TH2，将一定倍率的高阈值设为低阈值TH1，用TH2、TH1对第三步所得图像作图像阈值分割，得到I2、I1两幅边缘图像，将与I2中边缘点相连的I1中边缘点添加到I2中，构成最终的边缘图像；

憎水性分级模块，用于对预先采用图像预处理过程所得训练图像集进行计算，得出包含水迹覆盖率、最大水迹面积比、最大水迹形状因子及最大水迹椭圆率的四个憎水性特征量的训练样本库，使用训练样本库对概率神经网络PNN进行训练，对当前预处理图像进行憎水性特征量计算，根据训练所得概率神经网络PNN得到憎水性等级。

各模块具体实现可参见相应步骤，本发明不予赘述。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的。因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。