一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法

本技术涉及绝缘子状态检测，具体涉及一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法。

背景技术：

1、在电力系统中，绝缘子作为一种重要的电力设备，主要用于保持电力线路的绝缘性能和支撑电力导线，承受着极为重要的任务。然而，由于环境污染和长时间的暴露在恶劣环境中，绝缘子表面易受到盐灰和污秽等有害物质的侵蚀，导致其表面电阻增大、绝缘能力下降，严重时还会引发电力事故，对电力系统的安全可靠运行造成严重威胁。因此，对绝缘子的污秽状态进行及时、准确、全面的检测和评估是保障电力系统安全稳定运行的重要措施之一。

2、传统的绝缘子检测方法大多采用目视法和接触式检测法，目测法是通过肉眼直接观察绝缘子的外观、颜色、表面是否有明显的污染、磨损、裂纹等缺陷。接触式检测法是用手轻轻地摸索绝缘子的表面，观察是否有明显的凹凸不平、裂纹等缺陷，或者用手或敲棒轻轻敲打绝缘子，观察是否有响声，判断绝缘子的内部结构是否有损坏。这些方法存在数据缺乏、误差大、时间耗费长、人力成本高等缺陷。

3、目前通常采用无人机巡检的方式克服传统绝缘子检测方法存在的上述缺陷，但现有的无人机巡检方法一般采用图像识别技术来检测绝缘子的污秽状态，检测精度通常会收到图像处理和机器学习算法的限制，可能存在误判或漏判的情况。除此之外，采用图像识别技术来检测绝缘子的污秽状态对数据量的要求较高，无人机巡检方法需要大量的图像数据进行训练和测试，且数据质量对结果影响较大，具有波段覆盖范围、光谱数据波长点、采样间隔、包含数据量、分辨率等的局限。

技术实现思路

1、本发明的目的在于，提供一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，通过无人机巡检识别绝缘子污秽，利用高光谱数据分析系统，分析绝缘子污秽图谱，整合数据系统信息并进行合理评估，得出绝缘子污秽状态，提高检测精度和检测效率。

2、本发明采取的技术方案是：一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法，包括如下步骤：

3、s1：使用无人机搭载高光谱相机进行巡检飞行，采集绝缘子的高光谱图像数据；

4、s2：对采集到的高光谱图像数据进行预处理，包括多元散射校正、大气校正、黑白校正、波段选择和小波去噪；

5、s3：采用特征提取算法对完成预处理的高光谱图像进行处理，提取绝缘子污秽状态的特征；所述特征提取算法包括基于统计学的特征提取算法、基于图像处理的特征提取算法、基于深度学习的特征提取算法或基于频域分析的特征提取算法；

6、s4：采用机器学习算法对提取到的绝缘子污秽状态的特征进行训练，建立绝缘子污秽状态分类模型；

7、s5：将绝缘子污秽状态的特征代入训练好的绝缘子污秽状态分类模型中，得到绝缘子的污秽度，确定绝缘子的污秽状态。

8、进一步地，采集绝缘子的高光谱图像数据时，高光谱相机需与绝缘子垂直。

9、进一步地，所述多元散射校正的计算过程为：

10、(1)计算平均光谱：

11、(2)一元线性回归：

12、(3)多元散射校正：

13、其中，n为定标样品数，为样本的平均光谱数据矩阵中第i个采样点第j个波段数的元素，aij是定标光谱数据矩阵a中第i个采样点第j个波段数的元素，mi为第i个采样点的相对倾斜偏移系数，ai是第i个采样点的原始光谱矢量，为样本的平均光谱数据矩阵，bi为第i个采样点的线性平移量，ai(msc)为第i个采样点校正后的光谱矢量；

14、所述大气校正的具体步骤如下：根据图像的光谱特征和大气模型，对高光谱图像进行大气校正反演，以获取地表反射率和大气参数；根据高光谱图像的波段和特征选择合适的光谱库进行匹配，设置校正参数并将校正结果输出为标准格式；

15、所述黑白校正的计算公式为：

16、

17、其中，b是校正后的图像反射率，b0为原始高光谱图像反射率，bb为全黑定标图像反射强度，bw为反射强度；

18、所述波段选择处理中选择的波段为对绝缘子污秽状态影响最大的波段；

19、所述小波去噪的具体方法为：将高光谱图像转换到小波域中，利用小波变换的特性，对图像进行降噪处理，通过分解和重构图像信号，去除不同尺度和方向上的噪声。

20、进一步地，提取绝缘子污秽状态的特征时，可使用一种或多种特征提取算法对完成预处理的高光谱图像进行特征提取；

21、所述基于统计学的特征提取算法利用高光谱图像数据的统计特性，计算每个波段的均值和方差，或者计算不同波段之间的相关系数和协方差，作为绝缘子污秽状态的特征；

22、所述基于图像处理的特征提取算法利用高光谱图像数据的图像特性，提取图像的局部特征作为绝缘子污秽状态的特征；

23、所述基于深度学习的特征提取算法利用深度神经网络对高光谱图像数据进行训练，提取绝缘子污秽状态的特征；

24、所述基于频域分析的特征提取算法利用高光谱图像数据的频域特性，提取频率信息作为绝缘子污秽状态的特征。

25、进一步地，所述基于频域分析的特征提取算法具体步骤为：

26、将连续的信号进行离散化，使用等间隔采样的方式进行信号采样，采样频率为fs，采样点数为n；

27、采用窗函数对采样信号进行加窗处理，消除由于截断信号产生的频谱泄漏和旁瓣问题；

28、将加窗后的信号的n个采样点值进行快速傅里叶变换，得到频域信号；并对快速傅里叶变换结果进行取模处理，得到幅值谱；

29、对幅值谱进行谱线平滑处理，减少噪声的影响；谱线平滑处理方法包括中值滤波、高斯滤波和移动平均；

30、在平滑后的幅值谱中检测峰值，提取出频率特征；峰值检测方法包括阈值法和最大值法；

31、对检测到的峰值进行特征提取，提取频率或幅度特征，作为绝缘子污秽状态的特征。

32、进一步地，所述快速傅里叶变换的表达式为：

33、

34、

35、将所有得到的x[k]组合起来，即可得到原信号的傅里叶变换结果；x[k]为除x[0]外第k个点的频率分量，k为频域中的频率序号，x[n]为长度为n的离散信号，n表示序列中的样本点序号，其中n＝0,1,…,n-1。

36、进一步地，所述绝缘子污秽状态分类模型为svm分类模型，将提取出的绝缘子污秽状态的特征进行归一化处理，减小数据差距，并将归一化后的绝缘子污秽状态的特征随机划分为训练集和测试集，将训练集输入绝缘子污秽状态分类进行训练，并使用测试集对训练后的绝缘子污秽状态分类模型进行效果评估，完成绝缘子污秽状态分类模型的建立；

37、所述归一化处理的计算公式为：

38、

39、其中，xi表示原始图像像素点值，min(x)表示图像像素的最小值，max(x)表示图像像素的最大值，norm为归一化处理后图像像素点值；

40、所述svm分类模型采用径向基核函数rbf，径向基核函数rbf的表达式为：

41、

42、其中，x为绝缘子污秽状态的特征，x'为核函数中心，σ为带宽。

43、本发明的有益效果在于：采用高光谱技术进行绝缘子巡检，采集清晰准确的图像数据进行数据处理，能够实现对绝缘子进行快速、准确、全面的巡检，提高巡检效率和精度，降低安全事故的风险；根据实际需求，利用一种或多种特征提取方法提取高光谱图像数据的有效特征，进一步提高了检测的准确性，如采用基于频域分析的特征提取算法进行特征提取，则采用快速傅里叶变换来提取频域特征，大大提高计算速度；本发明还采用svm分类模型和径向基核函数rbf进行分类，径向基核函数rbf能将样本映射到无穷维空间，相较于其他核函数能更有效地处理非线性分类问题，从而准确检测绝缘子的污秽状态，从而实现高精度、快速、非接触式的绝缘子污秽状态检测和评估。