技术特征：
1.基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，包括以下步骤：s1、制备积污绝缘子擦拭方巾，擦拭自然积污绝缘子上下表面污秽，采集擦拭方巾高光谱图像；s2、建立绝缘子表面污秽高光谱谱线与其真实盐密、灰密、污秽等级表征绝缘子表面污秽程度的参数之间的关系；s3、基于机器学习的积污方巾污秽度检测模型搭建。2.根据权利要求1所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，步骤s1具体为：将已编号的干净绝缘子擦拭方巾擦洗自然积污绝缘子上下表面污秽，直至污秽全部附着于方巾表面，在高光谱成像系统中分别拍摄象征绝缘子上表面污秽程度的方巾正反两面与象征绝缘子下表面污秽程度的方巾正反两面的污秽图像；对多个绝缘子重复以上步骤，得到积污程度不同的绝缘子擦拭方巾图片数据样本。3.根据权利要求1所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，步骤s2具体为：基于传统人工污秽度检测方法对绝缘子等值盐密、等值灰密以及污秽等级进行测定。4.根据权利要求3所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，等值盐密即溶解在给定的去离子水中时从绝缘子一个给定表面清洗下的自然沉积物有相同体积电导率的氯化钠的量除以该表面的面积；具体测定方法为：用干净的绝缘子擦拭方巾擦洗积污绝缘子上下表面，直至其表面污秽均被收集至盛有固定体积蒸馏水的烧杯中；均匀搅拌溶液使用电导率仪测量溶液电导，并转换到基准温度20℃，见公式：σ
20
＝σ
θ
[1-b(θ-20)]其中，θ表示溶液温度，σ
θ
表示温度θ℃时的体积电导率，σ
20
表示温度20℃时的体积电导率，b为取决于温度θ的一个因数；由获得的基准电导进一步计算等值盐密，如下公式：s
a
＝(5.7σ
20
)
1.03
esdd＝s
a
·
v/a其中，esdd表示等值盐密，v表示蒸馏水体积，a表示收集污秽的绝缘子表面的面积。5.根据权利要求1所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，等值灰密即从绝缘子一个给定表面上清洗下的不溶残留物的量除以该表面的表面积；具体测定方法为：进行等值盐密的测量后，准备干净烘干的滤纸收集污秽中的不溶物，对烘干滤纸附着污秽后的质量与烘干滤纸未附着污秽前的质量作差，进行灰密测定，公式为：nsdd＝1000(w
f-w
i
)/a其中，nsdd表示附灰密度，w
f
表示干燥条件下含污秽滤纸的重量，w
i
表示滤纸的初始重量，a表示所清洗绝缘子污秽区域的面积。6.根据权利要求1所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，污秽等级的测定具体为：以传统方法测定的污秽盐密、灰密为基准判断绝缘子污秽等级，根据绝缘子表面污秽
程度的不同，将其分为a、b、c、d、e等级，其中a等级表示污秽程度最轻，e等级表示污秽程度最重；在envi高光谱图像预处理软件中分别提取所有方巾数据高光谱图像区域并计算全局平均谱线，平均谱线的幅值、峰值随绝缘子擦拭方巾表面附着污秽的情况而变化，得到平均谱线数据作为样本数据；在envi中提取不同污秽等级方巾高光谱图像平均谱线；依据不同污秽程度的方巾的高光谱谱线的峰值、幅值的差异，建立积污方巾表面污秽高光谱谱线数据与绝缘子污秽等级之间的对应关系；对采集到的所有绝缘子进行污秽等级评定。7.根据权利要求1所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，步骤s3包括：s31、基于积污方巾的绝缘子污秽等级分类模型搭建；s32、基于积污方巾的绝缘子污秽度回归模型搭建。8.根据权利要求7所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，步骤s31具体为：对采集到的所有方巾样本图像分别绘制不同污秽等级平均谱线；经数据增强后统计增强样本各污秽等级样本数；将提取到的原始污秽方巾数据样本与数据增强后方巾样本平均波谱谱线数据集进行训练集、测试集的划分，以污秽等级为标签，输入训练集样本到基于随机森林算法原理的污秽等级分类模型中训练；该污秽等级分类模型基于随机森林算法搭建；搭建该模型时将以随机的方式构建一个由基分类器决策树为组成单位的森林；当在此森林中输入一个样本时，每一个个体分类器均进行类别判定，对擦拭方巾所属污秽等级a、b、c、d通过投票的方式进行分类，统计被最多选择的类作为预测结果。9.根据权利要求7所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，步骤s32具体为：使用干净方巾分别擦拭绝缘子上下表面，且分别对方巾正反面进行高光谱图像采集；对这些高光谱图像进行平均谱线提取，并依次对同一方巾的正反两面高光谱平均反射率谱线再进行平均计算，得到谱线样本；选择上表面数据和下表面数据中的部分平均反射率谱线作为训练集，上表面数据和下表面数据中剩下的平均反射率谱线作为测试集；输入训练集样本及由传统等值盐密测定方法得到的盐密值进行修正后作为标签共同输入到基于随机森林算法的污秽度回归模型中训练；输入训练集样本及由传统等值灰密测定方法得到的灰密值进行修正后作为标签共同输入到基于随机森林算法的污秽度回归模型中训练；基于随机森林的污秽度回归模型与污秽等级分类模型相比较，将标签由原来的等级的离散值转换为具体的等值污秽浓度连续值进行拟合回归，基于集成学习思想综合弱学习器的回归结果进行最终污秽盐密、灰密值的预测，具体为，依据自助采样的原则，在一个数量为n的污秽方巾谱线训练集样本池中随机地进行概率为1/n有放回的样本抽取，且每次抽取
固定n个作为单棵决策树的样本，重复上述步骤t次；假设输入的污秽方巾谱线数据训练样本共有m个特征，随机森林附加的属性随机选择此时每棵树的节点的所有特征中的m个特征，然后再从被选择的m个特征中以基尼指数与信息增益两个指标为依据选择最优的特征属性进行单棵树的左右子树的分裂，最后基于简单平均的策略对输入训练数据进行回归；训练结束保存模型，输入测试集进行测试。10.根据权利要求9所述的基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，其特征在于，为进一步评估训练好的分类模型性能，将网络输出结果进行二次解算，将标签为污秽等级的测试集输入污秽等级分类模型中观察输出各项分类精度指标的结果并进行评价；将标签为等值盐密或等值灰密的测试集输入到污秽度回归模型中观察模型输出的结果，并基于回归模型评价指标评估网络泛化性能；最后对实验结果基于visdom工具进行结果可视化，基于实验结果数据验证该污秽度回归识别模型及污秽等级分类模型的可行性与准确性。
技术总结
本发明公开了一种基于绝缘子擦拭方巾的绝缘子污秽度快速识别方法，包括以下步骤：S1、制备积污绝缘子擦拭方巾，擦拭自然积污绝缘子上下表面污秽，采集擦拭方巾高光谱图像；S2、建立绝缘子表面污秽高光谱谱线与其真实盐密、灰密、污秽等级表征绝缘子表面污秽程度的参数之间的关系；S3、基于机器学习的积污方巾污秽度检测模型搭建。本发明通过检测绝缘子污秽专用擦拭方巾表面污秽程度，间接地识别自然积污绝缘子表面污秽情况，实现对于自然积污绝缘子污秽程度的快速、高效、精确的检测。精确的检测。精确的检测。
技术研发人员：黄青丹 刘静 黄慧红 杨柳 赵崇智 宋浩永 韦凯晴 李助亚 吴培伟 魏晓东 王婷延 李东宇
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：2022.07.19
技术公布日：2022/11/22