【技术实现步骤摘要】
本专利技术涉及电力生产领域人工智能系统及电力设备视觉检测，具体涉及一种基于启发-约束系统从而具备启发学习能力的绝缘子红外图像模糊边缘处理方法。
技术介绍
1、绝缘子是电力系统发输变配电环节中重要的基础绝缘部件，在带电导线和电力杆塔间起到电气绝缘和机械支撑的作用，其绝缘有效性直接影响电网的正常运行。随着运行时间增加，受机电负荷和环境因素综合作用，其绝缘性能和机械性能均会逐渐下降，进而导致绝缘子老化与劣化，甚至出现炸裂、掉串而造成大面积停电的严重事故，威胁电网安全稳定运行。
2、传统的绝缘子检测方法为人工登塔检测，为提高检测效率，减少劳动强度，并保证检测人员人身安全，红外热像检测法是目前最为有效的替代方法。对红外图像中绝缘子区域进行自动定位、识别和分割，是完成智能检测绝缘子劣化状态的关键。边缘检测是获取绝缘子串位置与几何形态的重要方法，是图像分割的重要前提。
3、而在实际应用中，由于红外图像对比度差，通道特征单一，多数情况下，绝缘子在红外图像中的边缘特征呈现模糊不清的状态，目前没有较为有效的方法来消除绝缘子红外图像边缘的模糊区域。
技术实现思路
1、本专利技术的目的在于提供一种具备启发学习能力的绝缘子红外图像模糊边缘处理方法，以解决
技术介绍
中提出的绝缘子串红外图像边缘检测时产生的边缘丢失、模糊区域和边缘位置不精确等问题。
2、为实现上述目的，本专利技术提供了一种具备启发学习能力的绝缘子红外图像模糊边缘处理方法，其特征在于，包括如下步骤：
4、s2、利用红外图像拍摄设备获取待测绝缘子红外图像；
5、s3、导出步骤s2中获得的待测绝缘子红外图像温度矩阵；
6、s4、对步骤s3中导出的待测温度矩阵进行加工；
7、s5、计算待测温度矩阵的初级边缘特征矩阵；
8、s6、待测双矩阵规范化；
9、s7、执行边缘处理网络取得处理结果。
10、进一步的，所述步骤s1具体为：收集一定数量的绝缘子红外图像作为训练样本集；使用红外图像采集设备导出训练样本集的温度矩阵，并加工训练样本集的温度矩阵；计算训练后训练样本集的初级边缘特征矩阵并规范化，并将规范化后训练样本集的初级边缘特征矩阵传递给范式生成器，范式生成器向启发网络与约束网络分别提供输入范式样例；接收到输入范式样例后，启发网络与约束网络分别以边界标签与样本-标签组为收敛目标进行训练；利用样本判断网络、标签判断网络分别与启发网络、约束网络进行对抗训练，将启发网络生成合格的样本-标签组用于边缘处理网络的训练。
11、进一步的，加工训练样本集的温度矩阵包括对温度矩阵进行缩放与裁剪，缩放与裁剪通过下式计算(1)：
12、
13、式(1)中γ为缩放率，lsx为预设图像宽度，lsy为预设图像高度，lx为温度矩阵宽度，ly为温度矩阵高度，tr为缩放后的温度矩阵，t为缩放前的温度矩阵，tf为裁剪后的温度矩阵。
14、进一步的，所述训练样本集的初级边缘特征矩阵的计算方法和规范化方法分别如下式(2)和(3)：
15、bf＝δtf (2)；
16、
17、上式(2)和(3)中，bf为初级边缘特征矩阵，δ为拉普拉斯算子；bc为规范化后的初级边缘特征矩阵。
18、进一步的，所述范式生成器通过下式生成范式样例：
19、ns＝n(μ,σ2)(4)；
20、
21、s＝(1-α)bc+αnf (6)；
22、上式(4)～(6)中ns为正态分布随机数，μ为正态分布的均值，σ为正态分布的标准差，nf为随机数的截断输出，α为掺噪度，s为生成的范式。
23、进一步的，所述启发网络与约束网络分别以边界标签与样本-标签组为收敛目标训练，启发网络是输入为范式生成器生成的特征范式，输出为还原规范化温度矩阵与边界标签的人工神经网络；约束网络是输入为范式生成器生成的特征范式，输出为边界标签的人工神经网络；启发网络与约束网络使用卷积神经网络或变分自编码器方法实现。
24、进一步的，所述利用样本判断网络、标签判断网络分别与启发网络、约束网络进行对抗训练，其中样本判断网络是输入为启发网络输出的样本和真实样本，输出为样本真实概率的人工神经网络；标签判断网络是输入为启发网络输出的边界标签、约束网络输出的边界标签以及真实边界标签，输出为标签真实概率的人工神经网络；样本判断网络与标签判断网络使用卷积神经网络或bp神经网络方法实现。
25、进一步的，将启发网络生成合格的样本-标签组用于边缘处理网络的训练，其中合格的样本-标签组为样本判断网络与标签判断网络均判断失败的样本-标签组。
26、进一步的，与步骤s1中相一致的，所述步骤s4中待测温度矩阵加工也包括温度矩阵的缩放与裁剪，其缩放与裁剪方法也通过式(1)进行计算；所述步骤s5中计算待测温度矩阵的初级边缘特征矩阵，其也采用式(2)进行计算。
27、进一步的，所述步骤s6中待测双矩阵规范化包括对裁剪的温度矩阵规范化和对初级边缘特征矩阵规范化，规范化方法如下：
28、
29、上式(7)中，tc为规范化后的温度矩阵，ta为预设起点温度值，tb为预设终点温度，bc为规范化后的初级边缘特征矩阵。
30、进一步的，所述步骤s7中执行边缘处理网络取得处理结果，其边缘处理网络的输入为步骤s6中得到的tc与bc，其通过启发网络生成的合格样本-标签组进行训练，处理结果为绝缘子边缘位置的概率分布矩阵；边缘处理网络利用卷积神经网络、变分自编码器方法实现。
31、相比于现有技术，本专利技术具有以下有益效果：
32、本专利技术的具备启发学习能力的绝缘子红外图像模糊边缘处理方法，通过启发-约束系统生成特征范式与随机向量驱动的加权样本-标签组，再利用加权样本-标签组持续训练边缘处理网络，使用边缘处理网络消除绝缘子红外图像边缘模糊区域并实现边缘检测。本专利技术方法具有较高的技术先进性和广泛适用性。
33、除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照附图，对本专利技术作进一步详细的说明。
本文档来自技高网...【技术保护点】
1.一种具备启发学习能力的绝缘子红外图像模糊边缘处理方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的处理方法，其特征在于，所述步骤S1具体包括：收集一定数量的绝缘子红外图像作为训练样本集；使用红外图像采集设备导出训练样本集的温度矩阵，并加工训练样本集的温度矩阵；计算训练后对训练样本集的初级边缘特征矩阵并规范化，并将规范化后训练样本集的初级边缘特征矩阵传递给范式生成器，范式生成器向启发网络与约束网络分别提供输入范式样例；接收到输入范式样例后，启发网络与约束网络分别以边界标签与样本-标签组为收敛目标进行训练；利用样本判断网络、标签判断网络分别与启发网络、约束网络进行对抗训练，将启发网络生成合格的样本-标签组用于边缘处理网络的训练。
3.根据权利要求2所述的处理方法，其特征在于，加工训练样本集的温度矩阵包括对温度矩阵进行缩放与裁剪，缩放与裁剪通过下式计算(1)：
4.根据权利要求3所述的处理方法，其特征在于，所述训练样本集的初级边缘特征矩阵的计算方法和规范化方法分别如下式(2)和(3)：
5.根据权利要求2所述的处理方法，其特征
6.根据权利要求2所述的处理方法，其特征在于，所述启发网络与约束网络分别以边界标签与样本-标签组为收敛目标训练，启发网络是输入为范式生成器生成的特征范式，输出为还原规范化温度矩阵与边界标签的人工神经网络；约束网络是输入为范式生成器生成的特征范式，输出为边界标签的人工神经网络；启发网络与约束网络使用卷积神经网络或变分自编码器方法实现。
7.根据权利要求2所述的处理方法，其特征在于，所述利用样本判断网络、标签判断网络分别与启发网络、约束网络进行对抗训练，其中样本判断网络是输入为启发网络输出的样本和真实样本，输出为样本真实概率的人工神经网络；标签判断网络是输入为启发网络输出的边界标签、约束网络输出的边界标签以及真实边界标签，输出为标签真实概率的人工神经网络；样本判断网络与标签判断网络使用卷积神经网络或BP神经网络方法实现。
8.根据权利要求2所述的处理方法，其特征在于，将启发网络生成合格的样本-标签组用于边缘处理网络的训练，其中合格的样本-标签组为样本判断网络与标签判断网络均判断失败的样本-标签组。
9.根据权利要求2所述的处理方法，其特征在于，所述步骤S6中待测双矩阵规范化包括对裁剪的温度矩阵规范化和对初级边缘特征矩阵规范化，规范化方法如下：
10.根据权利要求9所述的处理方法，其特征在于，所述步骤S7中执行边缘处理网络取得处理结果，其边缘处理网络的输入为步骤S6中得到的Tc与Bc，其通过启发网络生成的合格样本-标签组进行训练，处理结果为绝缘子边缘位置的概率分布矩阵；边缘处理网络利用卷积神经网络、变分自编码器方法实现。
...【技术特征摘要】
1.一种具备启发学习能力的绝缘子红外图像模糊边缘处理方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的处理方法，其特征在于，所述步骤s1具体包括：收集一定数量的绝缘子红外图像作为训练样本集；使用红外图像采集设备导出训练样本集的温度矩阵，并加工训练样本集的温度矩阵；计算训练后对训练样本集的初级边缘特征矩阵并规范化，并将规范化后训练样本集的初级边缘特征矩阵传递给范式生成器，范式生成器向启发网络与约束网络分别提供输入范式样例；接收到输入范式样例后，启发网络与约束网络分别以边界标签与样本-标签组为收敛目标进行训练；利用样本判断网络、标签判断网络分别与启发网络、约束网络进行对抗训练，将启发网络生成合格的样本-标签组用于边缘处理网络的训练。
3.根据权利要求2所述的处理方法，其特征在于，加工训练样本集的温度矩阵包括对温度矩阵进行缩放与裁剪，缩放与裁剪通过下式计算(1)：
4.根据权利要求3所述的处理方法，其特征在于，所述训练样本集的初级边缘特征矩阵的计算方法和规范化方法分别如下式(2)和(3)：
5.根据权利要求2所述的处理方法，其特征在于，所述范式生成器通过下式生成范式样例：
6.根据权利要求2所述的处理方法，其特征在于，所述启发网络与约束网络分别以边界标签与样本-标签组为收敛目标训练，启发网络是输入为范式生成器生成的特征范式，输出为还原规范...
【专利技术属性】
技术研发人员：刘宝龙，凌铸，王闯，韦佩才，黄荣海，方刚，卢李仪，陈尚发，覃黄辉，赖罗珲，赵港，赵伟东，王辉，梁涛，谢家文，华秀湾，韦海效，李明骏，陈洪阁，王志鹏，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司南宁局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。