一种基于混合蚁群算法的绝缘子轮廓检测方法技术

本发明专利技术公开了一种基于混合蚁群算法的绝缘子轮廓检测方法，包括以下步骤：将目标绝缘子图像进行灰度归一化，生成灰度直方图对其进行线性拉伸和噪声滤波处理；将蚁群聚类算法用于绝缘子图像分割，同时将粒子群算法用于聚类中心数和半径的参数优化。本发明专利技术可以准确分割目标绝缘子图像，对绝缘子的故障检测提供支持，保障电力系统的正常运行。

【技术实现步骤摘要】
一种基于混合蚁群算法的绝缘子轮廓检测方法
本专利技术属于绝缘子图像识别
，具体涉及一种基于混合蚁群算法的绝缘子轮廓检测方法。
技术介绍
当前，我国电网规模持续扩大，绝缘子作为电力系统中的故障多发器件，一定程度上决定着输电线路是否可以安全运行，因此，作为对绝缘子运行状态检测的前提，绝缘子的轮廓检测一直都是研究的热点；传统的绝缘子轮廓检测方法通常是地面目测法，这种方法不仅准确率低，而且耗费大量的时间成本和人力物力；近年来，随着无人机技术和图像识别技术的不断发展，无人机巡检在电力系统中的应用逐渐普及，通过无人机拍摄的图像进行绝缘子轮廓检测具有识别成功率高、节省人力物力以及可以应用于复杂环境等优点，但无人机拍摄的绝缘子图像通常分辨率低、噪声大，传统的图像分割方法精度和适用性方面都受到了限制。随着人工智能的不断发展，多种智能算法可以应用于绝缘子轮廓检测技术中。在众多算法中，蚁群算法因其较强的搜索能力，在图像分割领域效果较好，但是其算法性能受初始参数影响较大，而初始参数又通常是由大量实验参数修正得到的，有较大的不确定性。
技术实现思路
本专利技术提供了一种基于混合蚁群算法的绝缘子轮廓检测方法，该方法将粒子群算法应用于蚁群算法的参数优化上，可以直接获得蚁群算法的最优参数；利用觅食型蚁群聚类算法进行图像分割，从而实现绝缘子的轮廓检测。为达到上述目的，本专利技术所述一种基于混合蚁群算法的绝缘子轮廓检测方法，包括以下步骤：步骤1：采集绝缘子图像；步骤2：将步骤1采集的绝缘子图像按下式进行灰度化，得到灰度图像；步骤3：对粒子群算法涉及的参数进行初始化，需要初始化的参数包括惯性权重值ω、最大迭代次数M、每个粒子的初始位置xiS＝(xiS1,xiS2)和初始速度viS(t)、粒子的个体学习因子c1，粒子的社会学习因子c2；步骤4、使用蚁群算法计算每个粒子对应的自适应函数值和个体极值PiS(t)；步骤5：根据步骤4得到的每个粒子对应的自适应函数值更新个体极值与全局最优解PgS；步骤6：步骤3初始化的参数和根据步骤4得到的个体极值PiS(t)和步骤5得到全局最优解PgS，按照下式更新粒子的位置与速度：viS(t+1)＝ωviS(t)+c1r1S(t)[PiS(t)-xiS(t)]+c2r2S(t)[PgS(t)-xiS(t)]；xiS(t+1)＝xiS(t)+viS(t+1)；其中，r1S与r2S是[0,1]上服从均匀分布的伪随机数，PiS(t)为更新前的个体极值；viS(t+1)为更新后的速度，xiS(t+1)为更新后的位置；步骤7：判断当前迭代次数是否大于步骤3设置的最大迭代次数M，若满足则输出全局最优解PgS；否则，重复步骤4-步骤6继续进行迭代，直至迭代结束，并输出全局最优解PgS，PgS＝(PgS1，PgS2)，由此得到最优聚类中心数cbest＝PgS1和最优聚类半径rbest＝PgS2；步骤8：根据步骤7中得到的最优聚类中心数cbest和最优聚类半径rbest求出每一类的像素灰度值的平均值Ti，再分别计算相邻两类的灰度平均值Tij，将Tij作为阈值，将步骤2得到的目标图像的灰度图转化为二值图像：二值图像中灰度值大于Tij的像素点的灰度值变为1，否则变为0，由此得到图像分割后的绝缘子轮廓。进一步的，在进行步骤8之前，生成步骤2得到的灰度图像的灰度直方图，并对绝缘子灰度直方图进行拉伸。进一步的，将拉伸后的灰度直方图中的噪声进行滤波处理后再进行步骤8。进一步的，步骤3中，粒子的个体学习因子c1＝粒子的社会学习因子c2。进一步的，步骤4包括以下步骤：步骤4.1、初始化蚁群算法相关参数：包括样本点数量(即蚂蚁数量)m、信息素相对权重参数α、启发信息的相对权重参数β、最大迭代次数N1、信息素挥发系数ρ、聚类中心数c＝xiS1(t)、聚类半径r＝xiS2(t)、初始迭代次数l＝0、初始时刻t＝0、各路径信息素浓度以及初始聚类中心步骤4.2、计算样本点到初始聚类中心的距离：其中，代表第l次迭代中第k个样本点到第i个聚类中心的距离，xk代表第k个样本点的位置，代表第l次迭代中第i个聚类中心的位置；步骤4.3、每个样本点设置一只蚂蚁，聚类中心数c＝xiS1(t)、聚类半径r＝xiS2(t)，根据步骤4.2得到的样本点到初始聚类中心的距离计算各路径上的信息素浓度：其中，代表第l次迭代中第k个样本点到第i个聚类中心路径上的信息素浓度；步骤4.4、根据步骤4.2计算的样本点到初始聚类中心的距离和步骤4.3计算得到的信息素浓度更新路径xk到上的信息素，公式如下：其中，代表第k个蚂蚁在时间t～t+Δt(l)之间，在路径xk到上的信息素改变量，ρ代表信息素挥发系数，Q为一个常数；步骤4.5、根据步骤4.1计算得到的样本点到初始聚类中心的距离计算新的聚类中心V(l+1)和到样本点新的聚类中心的距离计算公式为：其中，mi(l)代表第l次迭代后聚类i包含的样本点数，Vi(l)代表属于聚类i的所有样本点的集合；步骤4.6、判断l+1和粒子数N的大小关系，若l+1≤N，则返回步骤4.4；否则，统计聚类间所有样本点的像素值和蚂蚁数，并计算每一个聚类的像素灰度平均值Ti和目标灰度图的灰度平均值T，计算公式如下：其中，mi为迭代完成后聚类i包含的样本点数目，Vi为迭代完成后属于聚类i的所有样本点的集合，tk为样本点xk的灰度值；步骤4.7、根据步骤4.8得到的每一个聚类的像素灰度平均值Ti和目标灰度图的灰度平均值T计算聚类间的方差σ2，将聚类间的方差σ2作为粒子的自适应函数值，进一步的，步骤5中，更新个体极值与全局最优解的计算公式如下：其中，PiS(t+1)为更新后的个体极值，PiS(t)为更新前的个体极值，f(PiS(t))为更新前的个体极值所对应的自适应函数值，f(xiS(t+1))为粒子xiS所对应的自适应函数值，PgS为更新后的全局最优解，f(PgS)为全局最优解对应的自适应函数值。与现有技术相比，本专利技术至少具有以下有益的技术效果：本专利技术首先绝缘子图像进行灰度化，将觅食型蚁群聚类算法运用于绝缘子图像分割中，用粒子群算法优化聚类中心数目和聚类半径的取值，输出图像分割结果，从而实现绝缘子轮廓检测。进一步的，本专利技术将目标绝缘子图像进行灰度归一化，生成灰度直方图对其进行线性拉伸和噪声滤波处理；将蚁群聚类算法用于绝缘子图像分割，同时将粒子群算法用于聚类中心数和半径的参数优化，可以准确分割目标绝缘子图像，对绝缘子的故障检测提供支持，保障电力系统的正常运行。进一步的，本专利技术粒子群算法参数设置简单，局部和全局调节能力都很出色，空间搜索能力强大，将蚁群算法应用于图像分割领域时，因其自身的正反馈机制，具有强大的搜索能力，粒子群本文档来自技高网...

【技术保护点】
1.一种基于混合蚁群算法的绝缘子轮廓检测方法，其特征在于，包括以下步骤：/n步骤1：采集绝缘子图像；/n步骤2：将步骤1采集的绝缘子图像按下式进行灰度化，得到灰度图像；/n步骤3：对粒子群算法涉及的参数进行初始化，需要初始化的参数包括惯性权重值ω、最大迭代次数M、每个粒子的初始位置x

【技术特征摘要】
1.一种基于混合蚁群算法的绝缘子轮廓检测方法，其特征在于，包括以下步骤：
步骤1：采集绝缘子图像；
步骤2：将步骤1采集的绝缘子图像按下式进行灰度化，得到灰度图像；
步骤3：对粒子群算法涉及的参数进行初始化，需要初始化的参数包括惯性权重值ω、最大迭代次数M、每个粒子的初始位置xiS＝(xiS1,xiS2)和初始速度viS(t)、粒子的个体学习因子c1，粒子的社会学习因子c2；
步骤4、使用蚁群算法计算每个粒子对应的自适应函数值和个体极值PiS(t)；
步骤5：根据步骤4得到的每个粒子对应的自适应函数值更新个体极值与全局最优解PgS；
步骤6：步骤3初始化的参数和根据步骤4得到的个体极值PiS(t)和步骤5得到全局最优解PgS，按照下式更新粒子的位置与速度：
viS(t+1)＝ωviS(t)+c1r1S(t)[PiS(t)-xiS(t)]+c2r2S(t)[PgS(t)-xiS(t)]；
xiS(t+1)＝xiS(t)+viS(t+1)；
其中，r1S与r2S是[0,1]上服从均匀分布的伪随机数，PiS(t)为更新前的个体极值；viS(t+1)为更新后的速度，xiS(t+1)为更新后的位置；
步骤7：判断当前迭代次数是否大于步骤3设置的最大迭代次数M，若满足则输出全局最优解PgS；否则，重复步骤4-步骤6继续进行迭代，直至迭代结束，并输出全局最优解PgS，PgS＝(PgS1，PgS2)，由此得到最优聚类中心数cbest＝PgS1和最优聚类半径rbest＝PgS2；
步骤8：根据步骤7中得到的最优聚类中心数cbest和最优聚类半径rbest求出每一类的像素灰度值的平均值Ti，再分别计算相邻两类的灰度平均值Tij，将Tij作为阈值，将步骤2得到的目标图像的灰度图转化为二值图像：二值图像中灰度值大于Tij的像素点的灰度值变为1，否则变为0，由此得到图像分割后的绝缘子轮廓。


2.根据权利要求1所述的一种基于混合蚁群算法的绝缘子轮廓检测方法，其特征在于，在进行步骤8之前，生成步骤2得到的灰度图像的灰度直方图，并对绝缘子灰度直方图进行拉伸。


3.根据权利要求2所述的一种基于混合蚁群算法的绝缘子轮廓检测方法，其特征在于，将拉伸后的灰度直方图中的噪声进行滤波处理后再进行步骤8。


4.根据权利要求1所述的一种基于混合蚁群算法的绝缘子轮廓检测方法，其特征在于，所述步骤3中，粒子的个体学习因子c1＝粒子的社会学习因子c2。


5.根据权利要求1所述的一种基于混合蚁群算法的绝缘子轮廓检测方法，其特征在于，所述步骤4包括以下步骤：
步骤4.1、初始化蚁群算法相关参数：...

【专利技术属性】
技术研发人员：孙浩飞，琚泽立，吕新良，邢伟，孙鑫，侯喆，王倩，蒲路，牛全保，李立鹏，王森，杨博，赵学风，
申请(专利权)人：国网陕西省电力公司电力科学研究院，西安理工大学，国网陕西省电力公司，国网陕西省电力公司铜川供电公司，国家电网有限公司，
类型：发明
国别省市：陕西;61