一种基于X-rayimaging与Sobel-SCN的GIS缺陷检测方法与流程

一种基于x-ray imaging与sobel-scn的gis缺陷检测方法
技术领域
1.本发明涉及gis缺陷检测技术领域,具体涉及一种基于x-ray imaging与sobel-scn的gis缺陷检测方法。


背景技术：

2.气体绝缘开关(gas insulated switch,gis)设备是变电站中的关键设备，其安全可靠运行对优质电能供应尤为重要。
3.基于x射线成像的无损检测技术由于其直观、便捷、检测效率高等优点而被广泛应用于工业领域中。将x射线成像技术与图像识别技术应用到gis的缺陷检测中，可以在不拆卸设备的情况下，实现gis的无损缺陷检测，提高gis缺陷检测的质量与效率。


技术实现要素：

4.本发明要解决的技术问题是：提供一种基于x-ray imaging与sobel-scn的gis缺陷检测方法，能够替代巡检人员识别gis是否存在缺陷，可以提高gis缺陷检测的质量与效率，进一步保证了巡检人员的安全，减少因gis设备故障造成的经济损失，解决现有检测技术中存在的问题。
5.本发明提供了一种基于x-ray imaging与sobel-scn的gis缺陷检测方法，包括：
6.s1、获取gis设备x射线图像；
7.s2、对所述图像进行旋转、去噪、增强、二值化预处理；
8.s3、基于sobel算法提取图像边缘信息；
9.s4、基于数学形态学完善图像边缘轮廓信息；
10.s5、分割图像、标定分割图像重心；
11.s6、构造特征矢量集；
12.s7、采用scn，将归一化后的特征矢量集作为输入，对所述特征矢量集进行分类，实现gis缺陷识别。
13.优选的，在步骤s2中，对图像进行旋转处理，获得位置校正图像；对图像进行中值非线性滤波去噪处理，获得去噪图像；对图像进行亮暗对比增强处理，获得增强图像；对图像进行二值化处理是将x射线图像的像素点设置为0或255。
14.优选的，在步骤s3中，应用sobel算子对图像进行边缘检测，获得图像边缘信息。
15.优选的，在步骤s4中，应用数字形态学原理对图像进行开闭运算，获得完善的图像边缘轮廓信息。
16.优选的，在步骤s5中，应用mhfcm算法对图像进行分割，获得目标区域图像；标定分割图像重心，为构造特征矢量集提供基础。
17.优选的，在步骤s6中，建立图像轮廓的特征矢量集，用于表征图像的边缘轮廓信息特征。
18.优选的，特征矢量集的步骤包括：
19.(1)在分割后图像的重心建立极坐标；
20.(2)以重心为中心对轮廓线进行扫描；
21.(3)将轮廓线按照圆心分成360个区域，获得一组360个角度的矢量点集，这组矢量点集即为表征轮廓线的特征矢量集。
22.优选的，在步骤s7中，应用随机配置网络(scn)作为分类器，并进行下述训练：
23.(1)读入样本图像，标定图像标签；
24.(2)按照s1至s6所述对图像进行处理并提取轮廓线特征信息，将归一化后的特征矢量集作为scn模型的输入；
25.(3)训练scn模型；
26.(4)进行gis缺陷识别。
27.本发明的有益效果是：与现有技术相比，本发明将x射线图像处理技术与scn算法应用到gis的缺陷检测中，可以在不拆卸设备的情况下，实现gis的无损缺陷检测。为了提高检测速度，使用旋转、中值非线性滤波、图像曾强、二值化处理对图像进行预处理；通过sobel边缘检测算子与数学形态学算法结合的方式提取图像边缘信息；基于mhfcm算法分割图像；基于分割图像边缘轮廓信息构造特征矢量集；采用scn分类器实现gis缺陷识别，提高了缺陷检测的准确率，减少电网公司因变电站事故带来的经济损失，从而达到变电站运行维护的目的。
附图说明
28.图1为基于x-ray imaging与sobel-scn的gis缺陷检测方法的流程图。
29.图2为scn网络的结构图。
具体实施方式
30.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
31.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
32.本发明提供了一种基于x-ray imaging与sobel-scn的gis缺陷检测方法，包括：
33.s1、获取gis设备x射线图像。
34.该步骤将x射线机置于gis易出故障点，保证每次拍摄的图像角度一致，为后续图像处理提供良好的条件基础。
35.s2、对所述图像进行旋转、去噪、增强、二值化预处理。
36.该步骤对图像进行旋转处理，获得位置校正图像；对图像进行中值非线性滤波去噪处理，获得去噪图像；对图像进行亮暗对比增强处理，获得增强图像。为后续图像处理提供良好条件；将所述图像的像素点置为0或者255，使整个图像呈现明显的黑白效果。
37.s3、基于sobel算法提取图像边缘信息。
38.sobel算法包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。经横向及纵向边缘检测的图像分别用gx和gy表示，其公式如下：
[0039][0040]
图像每个像素的横向、纵向梯度近似值计算公式如下：
[0041][0042]
梯度方向计算公式如下：
[0043][0044]
s4、基于数学形态学完善图像边缘轮廓线。
[0045]
基于数学形态学通过对轮廓线膨胀与腐蚀，完善轮廓线信息。包括一下步骤：
[0046]
(1)使用形态学算法对轮廓线进行膨胀处理，使轮廓线封闭；
[0047]
(2)去除非轮廓线上的孤立点集；
[0048]
(3)对图像取反，得到各个待分割区域；
[0049]
(4)再次对对轮廓线进行膨胀处理，得到更加精准的轮廓线；
[0050]
s5、分割图像、标定分割图像重心。
[0051]
采用mhfcm算法将x射线图像分割成不同区域，每个区域具有一定相同特性，便于gis缺陷检测，mhfcm算法步骤如下：
[0052]
设最大迭代次数为iter_m，价值函数阈值为min_j。
[0053]
(1)计算x射线图像的色调频率直方图，计算公式如下：
[0054][0055]
式(4)中，a表示图像大小，其值为m
×
n；h
(m,n)
表示图像在h
(m,n)
处的色调值；h
(m,n)
＝h,h∈{0,1,2,...,l}，l为色调级数。
[0056]
(2)计算背景色调值，计算公式如下：
[0057][0058]
式(5)中p表示设定窗口；k(h)∈[h
max-p/2,h
max
+p/2]。
[0059]
(3)剔除背景色调区域，处理后图像的像素点为gj,j∈{1,2,...,n}。
[0060]
(4)随机初始化隶属矩阵u
ij
∈(0,1),(i∈{1,2,...,c},j∈{1,2,...,n})。
[0061]
(5)计算c个聚类中心ci，i∈{1,2,...,c}，计算公式如下：
[0062][0063]
式(6)中，gj表示图像像素点；ci表示模糊组i的聚类中心；u
ij
∈(0,1)；d
ij
＝||c
i-gj||；m∈[1,∞)是一个加权指数。
[0064]
(6)计算价值函数值，计算公式如下：
[0065][0066]
当价值函数值小于min_j或迭代次数超过iter_m时，算法停止。
[0067]
(7)按照式(6)计算新隶属矩阵中的u
ij
。返回步骤5。
[0068]
标定分割图像重心步骤如下：
[0069]
(1)取分割图像中心作为原点，建立直角坐标系；
[0070]
(2)计算轮廓线上个点的坐标值(如：(x1,y1),(x2,y2),
……
,(xm,ym))；
[0071]
(3)计算分割图像轮廓线的图形重心，计算公式如下：
[0072][0073]
s6、构造特征矢量集；
[0074]
构造图像边缘轮廓的特征矢量集，用于表征图像的边缘轮廓信息特征。特征矢量集的步骤包括：
[0075]
(1)在分割后图像的重心建立极坐标；
[0076]
(2)以重心为中心对轮廓线进行扫描；
[0077]
(3)将轮廓线按照圆心分成360个区域，获得一组360个角度的矢量点集，这组矢量点集，即为表征轮廓线的特征矢量集。其中，矢量点计算公式如下：
[0078][0079]
式(9)中，α∈(0,360],α∈n
+
,α为极角；n表示α方向射线上共有n个轮廓线的点；表示α方向射线上i点的矢量；表示α方向射线上共有n个轮廓线的点的矢量和。
[0080]
s7、采用随机配置网络(scn)，将归一化后的特征矢量集作为输入，对所述特征矢
量集进行分类，实现gis缺陷识别。
[0081]
(1)采用scn，将归一化后的特征矢量集作为输入，对gis进行缺陷检测。其中特征矢量集归一化计算公式如下：
[0082][0083]
式(9)中，α∈(0,360],α∈n
+
,α为极角；,α为极角；表示α方向射线上共有n个轮廓线的点的矢量和归一化后的模值。
[0084]
(2)如图2所示，scn网络的结构与单层前馈神经网路结构一致，但是整个神经网络结构是借鉴了boosting的思想遂步建立起来的。
[0085]
在图2中，scn网络结构分为输入层、隐藏层和输出层。其中，输入层的输入节点数为361个，包含360个输入数据与一个恒为1的偏置修正输入，发明以为输入数据。隐藏层由根据scn给定规则生成的随机基函数组成，其节点个数根据监控机制自动增加。各层之间的信息传播遵循bp神经网络的信息传播方法一致。
[0086]
(3)将样本中没有缺陷的记为正，有缺陷的记为负，按照scn网络训练策略训练scn模型。
[0087]
(4)进行gis缺陷识别
[0088]
读取样本之外的gis设备x射线图像，进行分类识别。采用70张图像进行测试，准确率达到94.6％
[0089]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求及其等同物限定。