一种基于局部特征的PCNN电力故障区域检测方法与流程

本发明属于电气领域，具体涉及一种基于局部特征的pcnn电力故障区域检测方法。

背景技术：

红外热成像因具有非接触、远距离、被动检测等诸多优点，目前已经成为电力部门实施电气设备故障状态检测的重要手段。然而，红外故障检测主要依赖运维人员定期巡视，这对于工作人员而言，设备红外检测需要投入大量的时间，存在效率低、易漏检以及管理成本相对高等缺点。为此，自动红外检测受到了广大工作人员的高度重视，例如徐雪涛^[1]提出改进pcnn(pulse-coupledneuralnetwork)模型的图像分割方法提取红外图像中故障区域，但由于pcnn内部参数设置灵活，且因不同红外电气设备故障图像的差异，使得在实际应用中需要人为进行调整。以上模型在对红外故障图像进行处理时，受到参数及阈值设置等方面的影像，使得分割后的图像不能完全提取出电力故障区域，从而疏漏对故障系统的检测和维护，由此引发电气系统事故，造成电气设备损坏和人员伤亡。

因此，研究高效的电力设备故障自动红外检测方法非常必要。

相关参考文献如下：

[1]徐雪涛.基于红外成像技术的电气设备故障诊断[d].华北电力大学,2014.

技术实现要素：

本发明的目的是提供一种基于局部特征的pcnn电力故障区域检测方法，以自动高效的提取电力故障设备红外图像中故障区域，预防电力事故的发生。

本发明所采用的技术方案是：一种基于局部特征的pcnn电力故障区域检测方法，包括以下步骤，

步骤1，获得故障电气设备的红外图像，其中电力故障区域即为红外图像中亮度较高的区域；

步骤2，将原始红外图像输入到基于局部特征的pcnn模型中，实现故障区域的提取，具体实现方式如下，

步骤2.1，将原始红外图像作为输入赋给基于局部特征的pcnn模型，并根据图像最高亮度区域获得初始化神经元脉冲发放区域y(0),其中y(0)＝{ij|fij(n)＝＝th}，th为图像最高灰度值，按式(一)设置权重mij,kl和wij,kl，

其中，σh为高斯尺度，设置为1或更大，c为归一化系数；

步骤2.2，基于局部特征的pcnn模型按式(二)～(八)进行迭代计算，

uij(n)＝fij(n)·[1+βlij(n)](四)

x＝{ij|lij(n)＞0}∪{ij|yij(n)＝0}(七)

其中，fij(n)为反馈输入，lij(n)为连接输入，iij表示神经元ij所对应的图像灰度值，n为迭代索引，下标ij、kl分别代表红外灰度图像像素位置所对应的神经元，其值为对应灰度值iij，vf和vl分别为放大系数，αf和αl为衰减系数，uij为神经元ij的内部活动项，β为连接系数，eg为全局阈值，ωc为先前点火区域，当uij(n)＞eg(n-1)时，神经元发生点火并形成脉冲yij(n)，即点火区域，神经元集合sc是在集合x内与点火区域yij(n)相似的神经元，由模糊聚类模型进行归类得到；

步骤2.3，设置停止规则，针对点火区域yij(n)的边界，结合图像梯度算子，

其中，gx，gy代表在像素点上水平和垂直梯度方向的梯度值，分别由水平方向和垂直方向两个相邻点像素灰度值之差决定，当图像梯度g大于某一阈值时，停止迭代；

步骤2.4，将点火区域yij(n)作为输出，实现故障区域的检测。

进一步，所述步骤2.2中由模糊聚类模型进行归类得到神经元集合sc的实现方式如下，

根据模糊聚类模型，建立目标函数为，

其中，φ(·)代表非线性映射函数，p为模糊因子，表示第k个点到第i个聚类中心的隶属度，c为聚类的类别数，n是待聚类的数据个数，vi为第i个聚类中心，xk对应描述待聚类的数据特征，nk表示该像素xr的8邻域，邻域像素的影响由α/nr控制，而nr为邻域nk像素的个数，α为人工设定参数；

为了求解隶属度uik，将式(九)中的约束条件通过拉格朗日乘子λ转换为无约束的优化目标函数，可得，

然后，对上式求得到，

式中

dik＝||φ(xk)-φ(vi)||²＝2-2k(xk,vi)；k(xk,vi)为高斯核函数，定义为，

k(xk,vi)＝cs·exp(-||xk-vi||²/σ²)(十二)

其中，cs为归一化常数，σ为尺度；

最后，根据最终求解得到的隶属度uik，将集合x中与点火区域yij(n)相似的神经元和非相似神经元分离。

进一步的，所述步骤2.3中，当图像梯度g大于20时，停止迭代。

进一步的，利用红外成像仪获得电气故障设备的红外图像。

本发明利用的技术原理为pcnn：

pcnn模型是一种模仿猫等哺乳动物视觉同步发放脉冲的神经网络，相比于其他神经网络应用于图像处理，pcnn不需要复杂训练，且每一个神经元依次对应图像i中的一个像素(i,j)，构成一个单层的图像处理系统，继而依靠神经元内在机制例如耦合、阈值以及反馈等方式完成感兴趣区域的提取。

神经元的输入主要由反馈输入f和连接输入l两部分组成，接受来自外部的图像灰度信息以及邻域神经元的脉冲信息。特别地，每一部分输入都包含一个类似指数衰减的漏电积分器，以确保神经元的当前状态和先前状态之间具有关联性，其表达如式(1)～(2)所示，

其中，iij表示神经元ij所对应的图像灰度值，n为迭代索引，下标ij、kl等代表灰度图像像素位置所对应的神经元，其值为对应灰度值iij，vf和vl分别为放大系数，αf和αl为衰减系数，m和w为权重矩阵，用于连接8邻域神经元nij，通常将其设置为相邻神经元的欧氏距离的倒数，

主要负责将邻域神经元发放的脉冲信息传递给中心神经元。

然后，输入f和l在非线性耦合方式作用下，使得神经元内在特性发生变化。通常，该神经元内部的特性描述为，

uij(n)＝fij(n)·[1+βlij(n)](4)

其中连接系数β控制邻域神经元的内部活动强度。当神经元内部活动uij大于其自身的动态阈值eij时，神经元会发生点火并形成脉冲，输出为1，即

式中神经元阈值e也具有类似指数衰减的漏电积分器特性，其描述为

eij(n)＝exp(-αe)eij(n-1)+veyij(n-1)(6)

由式(6)可知，在神经元发生点火之后，其动态阈值会瞬间增加常数ve，然后在衰减因子αe的影响下，阈值呈指数衰减直至该神经元再次发生点火。因此每一个神经元都会有一定的点火频率。由于神经元的邻域连接，点火的神经元会触发邻域相似的神经元会产生同步振荡现象，即一个神经元点火，会捕获其周围与其相似的神经元并发生同步点火，从而构成pcnn提取图像相似区域的内在机制，适合提取电气故障区域所表现出来的亮度区域。

本发明的有益效果是：本发明提出了一种有效的红外图像故障区域提取方法，该方法依据pcnn模型自身所具有的同步点火特性，将模型参数进行了优化配置，特别地，动态阈值以及连接系数的优化设置是依据故障区域所表现高亮、相似特性，同时再结合故障区域与非故障区域之间存在的一些特性，提出并采用了邻域变化的局部特征，进而为pcnn模型的迭代设置停止规则。该方法能够自动高效的识别电气设备故障区域。

附图说明

图1是本发明实施例流程图；

图2为本发明实施例电力设备故障的红外检测图像；

图3为改进的pcnn模型处理结果；

图4为本发明实施例在不添加局部特征约束下的处理结果；

图5是本发明实施例的故障区域提取结果。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明的基于局部特征的pcnn电力故障区域检测方法依据pcnn模型自身所具有的同步点火特性，将模型参数进行了优化配置，特别地，动态阈值以及连接系数的优化设置是依据故障区域所表现高亮、相似特性，同时再结合故障区域与非故障区域之间存在的一些特性，提出并采用了邻域变化的局部特征，进而为pcnn模型的迭代设置停止规则。该方法能够自动高效的识别电气设备故障区域。

本实施例对真实的电力设备红外图像故障区域提取处理，采用基于局部特征的pcnn方法，对电力设备故障区域进行检测，具体流程如图1所示，包括以下步骤：

(1)初始化，将原图像作为输入赋给神经元网络，并根据图像最高亮度区域获得初始化神经元脉冲发放区域y(0),其中y(0)＝{ij|fij(n)＝＝th}，th为图像最高灰度值，按式(一)设置权重m和w，

其中，σh为高斯尺度，设置为1或更大，c为归一化系数；

(2)迭代，按式(二)～(八)进行迭代计算，

uij(n)＝fij(n)·[1+βlij(n)](四)

x＝{ij|lij(n)＞0}∪{ij|yij(n)＝0}(七)

其中，eg为全局阈值，ωc为先前点火区域。神经元集合sc是在集合x内与点火区域yij(n)相似的神经元，其由模糊聚类模型进行归类得到。本发明在模糊聚类模型的基础上，添加空间信息，避免噪声以及边缘模糊等引起的干扰，并将特征空间通过非线性映射函数φ(·)投影，建立目标函数为，

其中，p为模糊因子，表示第k个点到第i个聚类中心的隶属度，c为聚类的类别数，n是待聚类的数据个数，vi为第i个聚类中心，xk对应描述待聚类的数据特征，本例为像素灰度值，nk表示该像素xr的8邻域，邻域像素的影响由α/nr控制，而nr为邻域nk像素的个数，α为人工设定参数，本实施例设置为1。为了求解隶属度uik，将式(九)中的约束条件通过拉格朗日乘子λ转换为无约束的优化目标函数，可得，

然后，对上式求得到，

式中dik＝||φ(xk)-φ(vi)||²＝2-2k(xk,vi)。通常，k(xk,vi)为高斯核函数，定义为，

k(xk,vi)＝cs·exp(-||xk-vi||²/σ²)(十二)

其中，cs为归一化常数，σ为尺度。

由此，根据最终求解得到的隶属度uik，便可将集合x中与点火区域yij(n)相似的神经元和非相似神经元分离，本例记点火区域yij(n)相似的神经元集合为sc。

(3)停止规则：

每一次pcnn迭代，得到脉冲点火区域y，本发明针对其点火区域边界，结合图像梯度算子，

其中，gx，gy代表在像素点上水平和垂直梯度方向的梯度值，分别由水平方向和垂直方向两个相邻点像素灰度值之差决定。显然，当g越大，越可能是故障区域的边界，本实施例中设定图像梯度g为20。

当迭代运行满足该停止规则则停止迭代。

(4)输出：将点火区域yij(n)作为输出，实现故障区域的检测。

本发明模型中需要初始化式(一)核尺度系数σh＝1.0，聚类算法中α＝0.1；σ＝150以及设置初始的点火神经元具有最高的反馈输入。

为了验证本发明方法的有效性，在真实红外图像上测试模型的故障区域提取性能。此外，选用改进的pcnn模型^[1]、不添加局部特征的pcnn模型分割方法与本发明的添加局部特征的pcnn方法进行了对比。所有算法均在intel(r)core^tm2duoi5cpu4gb内存pc机matlab7。10(2010b)上编程实现。图3列出了一些具有代表性红外检测图像。实验中，改进的pcnn模型的内在参数按其文献[1]设置为：vl＝0.01；α＝0.1；β＝0.1；t0＝255；最大迭代次数为25次。本发明模型中需要初始化核尺度系数σh＝1.0，聚类算法中α＝0.1；σ＝150以及设置初始的点火神经元具有最高的反馈输入。

从图3中可以看出，改进的pcnn模型，由于采用了总体类绝对差法决定pcnn迭代规则，并将阈值进行了适当简化，从而针对一些高亮区域，能够得到较好的提取，然而对应一些次高亮度的故障区域，则容易将其忽略，产生欠分割，例如图3中第3幅图的分割结果，其原因一方面受制于其固定的一些参数设置，其次由于停止迭代规则在参数的约束下，也会引起模型不能完整的提取故障区域，例如图3中第2、4幅图像的分割结果。而本发明方法，一方面将pcnn模型参数进行了优化设置，首先将阈值与区域特性关联，其次通过聚类方法替代连接系数以确保pcnn同步点火，使得模型具备了自适应迭代特性，然后再采用局部邻域特性，以控制pcnn同步点火范围。其次，本发明方法结合了图像中电气设备故障的灰度分布特性，提出了局部特性来提升本文模型的适用性。相比于不添加局部特征约束，图4给出了相应的提取结果。从图中可看出，部分图像故障区域并没有完整地从图像中划分出来，出现了欠分割现象，而结合局部特征约束，最终得到较为理想的故障区域提取结果。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。