[发明专利]一种基于局部区域聚类的电力设备故障区域提取方法

说明书

本发明提出了一种基于局部区域聚类的电力设备故障区域提取方法。本发明构建电力故障图像的Mediodshift区域聚类模型；根据Mediodshift区域聚类特性调整邻域像素的灰度；对调整后邻域像素再进行局部区域聚类；阈值自高向低变化直至故障区域聚类完成；提高对整幅图像中故障区域像素聚类效率。本发明优点为局部区域Mediodshift聚类以及调整邻域相似灰度；自高向低的聚类阈值分割机制提升故障区域提取效率。

技术领域

本发明属于电力故障检测领域，尤其涉及一种基于局部区域聚类的电力设备故障区域提取方法。

背景技术

红外热成像仪是一种在不停电的状态下对配电设备进行现状分析和故障诊断的工具，能有效的发现系统故障并快速成像记录，具有检测速度快、准确率高、费用低、灵敏性好和安全性高等优点。然而，传统的电力设备故障红外诊断时，通常需要运维人员对电力设备故障红外图像的认知以及人工方式采集、录入、上传等操作，使得整个检测过程效率低下，特别对于含有众多电力设备的变电站，人工诊断将变得异常繁琐。

近年来，随着人工智能的兴起，一些智能化的电力设备运检装置得到了国内外学者的广泛研究，例如智能巡检机器人、巡检无人机等，其通过携带红外热像仪等装置，在线捕获电力设备红外成像信息，并传至控制室再进行人工分析。尽管这种方式减少了人工采集图片的工作量，但是仍然需要依赖人工诊断与处理。

随着图像处理技术的发展以及智能化、自动化诊断的迫切需求，研究者开始着手采用计算机视觉、模式识别等技术解决电力设备故障智能预防、检测等问题。一般而言，智能化诊断包含了红外图像感兴趣区域的提取、分类、识别等主要过程，其中感兴趣区域(故障区域)的提取是整个系统中首要解决的关键内容，它在一定程度上决定了后续故障辨识的成败，也影响电力设备状态信息的分析。为此，研究针对电力设备故障的区域的高效自适应的红外自动检测方法非常重要。

发明内容

本发明主要解决了Mediodshift算法自适应迭代获取相似特性的局部区域。通过对区域聚类中心计算以及对灰度值介于两个均值之间的像素进行灰度调整，激励具有相似灰度值的像素进行局部聚类，惩罚具有相似灰度值的像素聚类，提升算法局部聚类性能，可不需要考虑迭代次数。

本发明还解决了整幅红外图像故障区域提取效率的问题。通过引入阈值自高向低的分割机制，可直接对已经分割得到的区域进行邻域像素聚类，可不需要重新对整幅图像进行全局Mediodshift聚类。

本发明提出的上述技术问题主要是通过下述技术方案得以解决的：

本发明的目的是提供一种基于局部区域聚类的电力设备故障区域提取方法，通过mediodshift算法对局部区域像素的聚类，并提供了邻域像素的灰度调节机制，激励具有相似灰度值的像素进行聚类，提升了算法对故障区域灰度不均匀等情况下的自适应聚类能力；引入阈值自高向低的分割机制，解决了红外图像中用聚类方法提取故障区域速度慢的问题。

本发明的方法为一种基于局部区域聚类的电力设备故障区域提取算法，具体包括以下步骤：

步骤1：构建电力故障图像的Mediodshift区域聚类模型；

步骤2：根据Mediodshift区域聚类特性调整邻域像素的灰度；

步骤3：对调整后邻域像素进行局部区域聚类；

步骤4：阈值自高向低变化，循环步骤2-4，直至故障区域聚类完成。

作为优选，步骤1中所述Mediodshift区域聚类模型为：

假设给定采样点x_i∈R^d，i＝1，…，n，则点x处的概率密度估计为：

其中，Φ(·)为高斯核函数，h为固定带宽，d表示维数，则聚类中心点可以通过最小化下式：