一种基于密度聚类分析的变电站设备图像识别方法与流程

本发明涉及图像识别技术领域，尤其是涉及一种基于密度聚类分析的变电站设备图像识别方法。

背景技术：

智能电网的建设和发展以发电、输电、变电、配电、用电、调度的信息化、智能化为基础。变电站是电网中的重要节点，通过变压器连接各级电网，变电站智能化的不断发展将会为智能电网的安全运行提供坚实的基础。变电站智能化发展的趋势是无人化或少人化值班。受危险工作区域、恶劣气候条件、巡检耗时较长的影响，人工巡检工作量大、效率低下，成为制约变电站设备稳定运行生产的不利因素。工业机器人对恶劣环境适应能力强，已经逐渐替代了传统的人工巡检，为变电站设备的运行状态诊断、智能检修环节提供可靠的现场可视化数据。面对巡检机器人回传的大量图像信息，需要智能的图像处理技术以挖掘目标设备的图像特征，将包含复杂情景的现场图像中的各设备分割独立，然后对分割后的图像进行识别，确定各部分图像所属的设备类型，并根据图像识别结果判断设备运行过程中是否存在放电、漏油、破损现象，实现对设备状态的正确评估。因此，准确的图像分割与识别算法对实现变电站设备状态监测具有重要意义。

目前，国内外针对变电站设备图像识别方法的研究已经具有一定基础。基于微分算子的边缘检测方法利用图像中目标物体的灰度梯度在边缘处变化剧烈的特点，对图像像素点进行微分运算，求出目标的边缘，但是微分算子在处理背景有噪声的图像时效果并不理想；基于模板的识别方法根据设备图像的形状、轮廓特征制作相应的模板，将原始图像中的目标设备与已知模板进行匹配，得到最终的分类识别结果，但是该方法对模板的选取要求较高，由于现场图像目标存在仿射变换、互相遮挡的情况，基于模板的识别方法不能满足实际要求；基于区域生长的方法在分割区域选取一些有代表性的像素作为算法的起始点，在起始点周围将与起始点有相同或相似特征的像素合并到一起形成一个区域，直到所有像素合并完成，但是难于确定一组有代表性的起始点，起始点数量过多会导致分割过度。

技术实现要素：

针对上述现有技术中存在的缺陷，本发明提供了一种基于密度聚类分析的变电站设备图像识别方法，以解决传统方法难以准确对变电站设备图像进行识别，变电站巡检机器人传回的图像情景复杂、难以识别的问题，实现变电站设备图像的准确分割与识别，对变电站中设备的运行状态的实时监测，预防变电站故障，有利于实现变电站智能化发展，从而达到提升变电站运维效率，提升电力系统运行安全性，提升配电网供电可靠性的效果。

为达到上述目的，本发明提供了一种基于密度聚类分析的变电站设备图像识别方法，包括：

(1)构建基于改进分水岭的设备图像分割模型，实现包含复杂情景的现场图像中各设备的分割独立；

(2)构建基于灰度共生矩阵的设备图像特征提取模型，提取灰度图像的亮度分布情况及纹理特征；

(3)采用基于密度聚类的算法求解所建立模型。

进一步的，所述步骤(1)中所述的基于改进分水岭的设备图像分割模型具体为：首先利用阈值分割法对图像进行预处理，再使用形态学处理方法消除图像中细小的空洞与细纹。

进一步的，所述利用阈值分割法对图像进行预处理具体为：

利用图像的灰度直方图，计算统计意义上的最佳阈值，得到二值化图像：

式中，μ1、μ2分别为分割后的两个像素集合的灰度平均值，t为初始阈值，ni是灰度值为i的像素总数，l为整幅图像的灰度级；

令则类间方差σ²(t)表示为：

最大类间方差即为分割阈值，利用分水岭算法对原图中的每个极小值点进行标记，当某个极小值到分水岭的距离小于设定的阈值时，该极小值对应的标记将被消除。

进一步的，所述使用形态学处理方法消除图像中细小的空洞与细纹具体为：

采用腐蚀运算来消除或减弱物体的边界点，表述为：

式中，e为经过腐蚀运算产生的图像，a为平面上要处理的目标区域，s(x,y)为平面坐标上的结构元素所表示的区域；

采用膨胀运算来扩展或增强物体的边界点，表述为：

式中，d为经过膨胀运算产生的图像；

同时利用腐蚀运算和膨胀运算来处理物体的边界点，利用开运算和闭运算对原图像进行处理，开运算与闭运算是腐蚀与膨胀的结合，开运算对原图像进行先腐蚀后膨胀操作，可以在划分区域时，对物体的边界进行平滑处理，并且消除小的孤立点，闭运算对原图像进行先膨胀后腐蚀操作，可以填补物体内部出现的空洞，连接相邻的区域。

进一步的，所述步骤(2)中所述的基于灰度共生矩阵的设备图像特征提取模型中，所述灰度共生矩阵的计算过程是：点a(x,y)为n阶灰度图像中的任一点，经过位置偏移算子δ(δx,δy)的偏移后得到点b(x+δx,y+δy)，其中点a和点b的亮度值分别为g1和g2，则a、b两点的联合亮度(g1,g2)，在所有每个可能取值的概率p(g1,g2)所组成的n×n矩阵即为该灰度图像的灰度共生矩阵。

进一步的，采用以下几个基于灰度共生矩阵的统计量来描述图像的纹理特征：角二阶矩、惯性矩、相关性、熵以及逆差距。

进一步的，所述步骤(3)中所述的基于密度聚类的算法的求解方法进一步包括步骤：

1)根据密度估计函数计算数据集中所有点的密度；

2)根据设定阈值，判断密度吸引点；

3)从数据集中选取一个点，判断是否为密度吸引点，是，则进行步骤5)；否，则进行步骤4)；

4)搜索该点所聚类的密度吸引点；

5)判断是否所有点都被处理，否，则进行步骤3)；是，则停止计算，输出结果。

综上所述，本发明提供的一种基于密度聚类分析的变电站设备图像识别方法，通过构建基于改进分水岭的设备图像分割模型，实现包含复杂情景的现场图像中各设备的分割独立，然后构建基于灰度共生矩阵的设备图像特征提取模型，提取灰度图像的亮度分布情况及纹理特征，最后采用基于密度聚类的算法求解所建立模型，大大提高了变电站设备图像识别的准确性。解决了现有技术的识别方法中存在的无法处理背景有噪声的图像、对模板选取要求过高、以及可能导致的分割过度等问题。

本发明的上述技术方案具有如下有益的技术效果：本发明的方法能够实现变电站设备图像的准确分割与识别，解决变电站巡检机器人传回的图像情景复杂、难以识别的问题，电力公司能够实时监测变电站中设备的运行状态，预防变电站故障，有利于实现变电站智能化发展，提升变电站运维效率，提升电力系统运行安全性，提升配电网供电可靠性。

附图说明

图1中(a)-(c)为不同时刻(t1-t3)拍摄的包含绝缘套管与密度计的图像灰度图；(d)为t4时刻套管上有遮挡物时拍摄的图像灰度图；(e)为t5时刻单设备(密度计)图像的灰度图；(f)为t6时刻单设备(绝缘套管)的图像灰度图。

图2中(a)-(c)分别为(t1-t3)时刻现场图像经过改进分水岭变换分割出该时刻密度计和绝缘套管的目标图像，其中左图为密度计图像，右图为绝缘套管图像；(d)为t4时刻的分割结果，其中左图为密度计图像，中图为有遮挡绝缘套管图像，右图为遮挡物图像；(e)为t5时刻密度计的分割结果；(f)为t6时刻绝缘套管的分割结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

为了解决现有技术中变电站设备图像识别方法中存在的无法处理背景有噪声的图像、对模板选取要求过高、以及可能导致的分割过度等问题。本发明提供一种基于密度聚类分析的变电站设备图像识别方法，通过构建基于改进分水岭的设备图像分割模型，实现包含复杂情景的现场图像中各设备的分割独立，然后构建基于灰度共生矩阵的设备图像特征提取模型，提取灰度图像的亮度分布情况及纹理特征，最后采用基于密度聚类的算法求解所建立模型，大大提高了变电站设备图像识别的准确性。

下面对本发明的技术方案进行详细说明，本发明的一种基于粒子群算法的变压器剩磁评估方法，包括如下步骤：

(1)构建基于改进分水岭的设备图像分割模型，实现包含复杂情景的现场图像中各设备的分割独立；包括：

传统的分水岭算法以图像的梯度作为输入，梯度图像求解公式如下：

g(x,y)＝{[f(x,y)-f(x-1,y)]²+[f(x,y)-f(x,y-1)]²}^0.5

式中，f(x,y)为输入图像，g(x,y)为经过梯度运算后输出的图像，x、y分别为图像的横、纵坐标。

传统的分水岭算法容易分割过度，是因为原始图像中纹理、光线、噪声因素的影响使每个目标中均包含若干个极小值点，造成局部极值过多，在图像分割时形成过多的分水岭。针对传统的分水岭算法分割过度的问题，本专利首先利用阈值分割法对图像进行预处理，再使用形态学处理方法消除图像中细小的空洞与细纹。

利用图像的灰度直方图，计算统计意义上的最佳阈值，得到二值化图像：

式中，μ1、μ2分别为分割后的两个像素集合的灰度平均值，t为初始阈值，ni是灰度值为i的像素总数，l为整幅图像的灰度级；

令则类间方差σ²(t)表示为：

最大类间方差即为分割阈值。利用分水岭算法对原图中的每个极小值点进行标记，当某个极小值到分水岭的距离小于设定的阈值时，该极小值对应的标记将被消除。

形态学处理方法包括腐蚀运算、膨胀运算、开运算、闭运算。腐蚀运算能够用来消除或减弱物体的边界点，表述为：

式中，e为经过腐蚀运算产生的图像，a为平面上要处理的目标区域，s(x,y)为平面坐标上的结构元素所表示的区域；

膨胀运算与腐蚀运算相反，其作用是扩展或增强物体的边界点，表述为：

式中，d为经过膨胀运算产生的图像；

开运算的含义是对图像先做腐蚀处理，再对腐蚀处理后的图像做膨胀处理；闭运算的含义是对图像先做膨胀处理，再对膨胀处理后的图像做腐蚀处理。

(2)构建基于灰度共生矩阵的设备图像特征提取模型，提取灰度图像的亮度分布情况及纹理特征；包括：

采用灰度共生矩阵反映灰度图像的亮度分布情况，同时也描述了具有相同或相似亮度两个像素之间的位置分布情况，利用两个像素的联合概率密度表达亮度变化的二阶统计量。灰度共生矩阵的计算过程是：点a(x,y)为n阶灰度图像中的任一点，经过位置偏移算子δ(δx,δy)的偏移后得到点b(x+δx,y+δy)，其中点a和点b的亮度值分别为g1和g2，则a、b两点的联合亮度(g1,g2)，在所有每个可能取值的概率p(g1,g2)所组成的n×n矩阵即为该灰度图像的灰度共生矩阵。

灰度共生矩阵只表示图像中两两元素之间的联合亮度分布情况，不能直接表征图像纹理的特性。因此，采用以下几个基于灰度共生矩阵的统计量来描述图像的纹理特征：

1)角二阶矩

角二阶矩代表了灰度共生矩阵的能量，其能量值越大，则矩阵中数值较大元素的分布越集中，图像的纹理呈规则变化；其能量值小，则图像中的纹理一般较为细小。角二阶矩asm表述为：

式中，n为图像的灰度阶数，p(i,j)为灰度共生矩阵中的元素；

2)惯性矩

惯性矩代表了图像中的对比度，其值越大表明图像中对比度越大，纹理越深，图像越清晰。灰度共生矩阵中较大数值元素距离对角线越远，惯性矩值越大。惯性矩con表述为：

3)相关性

相关性代表了图像中局部灰度的相似程度，在灰度共生矩阵中反映了元素行或列方向上的相关性。相关性值越大则表明矩阵中元素的取值分布越均匀，若图像中水平分布纹理较多，则水平方向灰度共生矩阵的相关性数值要大于其他几个方向。相关性cor表述为：

式中，μx、μy、为中间变量，表述如下：

4)熵

熵反映了图像中包含的信息量。灰度共生矩阵的元素值分布均匀时，熵值较大，说明图像中的纹理分布随机性大，复杂程度高。熵h表述为：

5)逆差距

逆差距反映了图像中纹理特征变化的情况，逆差距值越大说明图像中纹理同质性较强，分布均匀。逆差距idm表述为：

(3)采用基于密度聚类的算法求解所建立模型

使用高斯核函数实现数据对象的密度估计，在密度局部极大值点确定聚类中心，依据对象与聚类中心的相似度判断最终所属类别。设x1,x2,…,xn为数据集d中的对象，则数据集中任一点的密度估计函数表述为：

式中，|x-xi|为两个对象之间的距离，c为密度估计函数的宽度参数；

根据密度估计函数计算数据集所有点的密度，若满足其中ξ为设定的阈值，用以甄别是否为噪声的低密度极大值，则该极大值点作为一个簇的中心，也称密度吸引点。对于除密度吸引点外的样本对象x，以其自身的密度估计函数的梯度为指导，进行爬山式搜索，寻找与其最相近的密度吸引点，表述为：

式中，k为搜索次数，δ为收敛参数，为密度估计函数的梯度；

若满足则爬山过程终止，点x聚类于密度吸引点x^k。若则对象x为离群点。

基于密度聚类的算法计算流程如下：

1)根据密度估计函数计算数据集中所有点的密度；

2)根据设定阈值，判断密度吸引点；

3)从数据集中选取一个点，判断是否为密度吸引点，是，则进行步骤5)；否，则进行步骤4)；

4)搜索该点所聚类的密度吸引点；

5)判断是否所有点都被处理，否，则进行步骤3)；是，则停止计算，输出结果。

下面结合附图进一步说明采用上述图像识别方法对变电站设备进行图像识别的结果。

本发明采用的实验数据来自某500kv变电站巡检机器人在不同时刻对500kv高压六氟化硫断路器的密度计和绝缘套管现场拍摄的图像，图1为t1-t6时刻现场采集图像的灰度图，不同时刻现场图像的目标物体存在仿射变换、相互遮挡、异物覆盖现象。图1中(a)-(c)为不同时刻(t1-t3)拍摄的包含绝缘套管与密度计的图像灰度图；(d)为t4时刻套管上有遮挡物时拍摄的图像灰度图；(e)为t5时刻单设备(密度计)图像的灰度图；(f)为t6时刻单设备(绝缘套管)的图像灰度图。

根据图1，采用本发明所述的基于改进分水岭的设备图像分割模型对图像进行分割处理，得到分割结果如图2所示。图2(a)-(c)分别为t1-t3时刻现场图像经过改进分水岭变换分割出该时刻密度计和绝缘套管的目标图像，其中左图为密度计图像，右图为绝缘套管图像；(d)为t4时刻的分割结果，其中左图为密度计图像，中图为有遮挡绝缘套管图像，右图为遮挡物图像；(e)为t5时刻密度计的分割结果；(f)为t6时刻绝缘套管的分割结果。

根据本发明所述的基于灰度共生矩阵的设备图像特征提取模型对图2进行处理，得到灰度共生矩阵统计特征量如表1所示。

表1灰度共生矩阵统计特征量

根据本发明所述的基于密度聚类的算法对表1数据进行处理，收敛参数δ＝0.7，密度吸引点阈值ξ＝0.5，c＝0.5。计算得出密度吸引点为t5时刻密度计处和t2绝缘套管处，返回的聚类为c1＝{1,3,5,7,10}，c2＝{2,4,6,8,11}，c3＝{9}，其中集合中的数字元素为表1中的设备目标顺序，c3集合中的元素不满足因此判断为离群点，与实际情况吻合，验证了本发明所述方法能够在巡检机器人拍摄图像出现仿射变换与异常物体遮挡时对设备目标进行有效识别，并且能够实现异常物体的离群点检测，对设备运行的异常状态进行定位。

综上所述，本发明提供了一种基于密度聚类分析的变电站设备图像识别方法，通过构建基于改进分水岭的设备图像分割模型，实现包含复杂情景的现场图像中各设备的分割独立，然后构建基于灰度共生矩阵的设备图像特征提取模型，提取灰度图像的亮度分布情况及纹理特征，最后采用基于密度聚类的算法求解所建立模型；并且在采用基于灰度共生矩阵的设备图像特征提取模型的步骤中，采用了角二阶矩、惯性矩、相关性、熵和逆差距等基于灰度共生矩阵的统计量来描述图像的纹理特征，大大提高了变电站设备图像识别的准确性。解决了现有技术的识别方法中存在的无法处理背景有噪声的图像、对模板选取要求过高、以及可能导致的分割过度等问题。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。