[发明专利]一种复合绝缘子憎水等级自动识别方法

权利要求书

1.一种复合绝缘子憎水等级的自动识别方法，其特征在于，通过对复合绝缘子憎水图像进行分析，实现对复合绝缘子憎水等级的自动识别，所述复合绝缘子憎水等级自动识别方法包括步骤如下：

1）选取运行多年的绝缘子一支，采集绝缘子伞群表面水滴附着的原始图像，并采用自适应直方图均衡算法实现图像增强，通过计算图像的局部直方图，然后自适应的对其进行修正，把原始图像不均衡的直方图变换为均匀分布的形式，增加了灰度值的动态范围，从而达到提高图像整体对比度的效果；

2）图像滤波采用形态学开闭滤波算法实现，该算法是分别用两个不同尺度的结构元素B₁和B₂对图像进行顺序开闭运算，小尺度结构元素B₁去除噪声能力较弱，但能够保持更多的图像边缘细节信息；大尺度结构元素B₂去除噪声能力较强，但会模糊掉很多细节信息，因此，顺序的运用两个形态学结构元素对图像进行开闭滤波既能够去除噪声，又能够保持细节信息，达到平滑图像去除噪声的目的，B₁为3×3十字形的结构元素，B₂为5×5菱形结构元素，

B1=010111010]]>B2=0010001110111110111000100;]]>

3）图像分割采用Ostu阈值法实现，该方法是在最小二乘法原理的基础上推导出来的一种自适应阈值确定方法，利用该方法获得的最佳阈值能够将整幅图像的像素分成前景和背景两部分，使前景和背景的差别最大，从而准确的分割出憎水性图像中的水珠或水迹；

设图像像素数为N，灰度范围为[0,L-1]，对应灰度级i的像素数为n_i，其概率为：

p_i=n_i/N(i=0,1,2...L-1)   (1)

把图像中的像素用阈值T分成两类C₀和C₁，C₀由灰度值在[0,T]之间的像素组成，C₁由灰度值在[T+1,L-1]之间的像素组成，对于灰度分布概率，整幅图像的均值为：

μT=Σi=0L-1ipi---(2)]]>

则C₀和C₁的均值为：

μ0=Σi=0Tipi/w0---(3)]]>

μ1=Σi=T+1L-1ipi/w1---(4)]]>

其中w₀和w₁的表达式为:

w0=Σi=0Tpi---(5)]]>

w1=Σi=T+1L-1pi=1-w0---(6)]]>

由式(2)(3)(4)(5)(6)可得：

μ_T=w₀μ₀+w₁μ₁   (7)

则类间方差定义为：

σB2=w0(μ0-μT)2+w1(μ1-μT)2---(8)]]>

令T在[0,L-1]范围内依次取值，使最大的T值即为最佳阈值；

4）图像特征量，采用水珠覆盖率A、最大水珠或水迹的形状因子f_c、最大水珠或水迹与整幅图像的面积比K、最大水珠或水迹的偏心率e和最大水珠或水迹的矩形度R，实验证明这五个特征量的值不受绝缘子的伞形结构、污秽分布、拍摄的光照条件、拍摄距离和拍摄角度因素的影响，只与绝缘子的憎水等级相关，它们的表达式如下：

(1)水珠覆盖率

其中，N为识别出的水珠或水迹数，S_i为第i个水珠或水迹的面积，XY表示憎水性图像的面积；

(2)形状因子

其中，S_max为最大水珠或水迹的面积，l为最大水珠或水迹的周长；

(3)最大面积比

其中，S_max为最大水珠或水迹的面积，XY为憎水性图像的面积；

(4)偏心率

其中，a为最大水珠或水迹的外接矩形的长轴，b为最大水珠或水迹的外接矩形的短轴；

(5)矩形度

其中，S_max为最大水珠或水迹的面积，S_MER为最大水珠或水迹的最小外接矩形的面积；

5）LVQ神经网络识别模型的设计

（1）网络结构的确定

以图像的特征值作为输入向量，以期望的憎水等级作为输出向量，由于提取的图像特征值总共5个，因此网络输入层神经元个数确定为5，输入向量即为X=AfcKeRT;]]>输出为7个憎水等级，因此网络输出层神经元个数确定为7，分别利用1,2,3,4,5,6,7表示7个不同的憎水等级；根据Kolmogorve定理，竞争层神经元个数m与输入层神经元个数n有如下的近似关系：

m=2n+1   （9）

根据式（9）可以确定网络竞争层神经元个数为11。

综上所得，设计出一个三层的LVQ神经网络，结构为5-11-7，即输入层有5个神经元，竞争层有11个神经元，输出层有7个神经元；

（2）网络训练

网络结构确定以后，然后将训练样本数据输入到设计好的LVQ神经网络中，最后采用LVQ1算法对网络进行训练，训练好的网络模型即可对复合绝缘子的憎水等级进行识别。

2.根据权利要求1所述一种复合绝缘子憎水等级的自动识别方法，其特征在于，所述步骤5）中LVQ神经网络是一种用于训练竞争层的有监督学习方法的输入前向神经网络，由3层神经元组成，即输入层、竞争层和线性输出层，网络结构简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理，而且它不需要对输入向量进行归一化、正交化处理，只需要直接计算输入向量与竞争层之间的距离，从而实现模式识别，因此简单易行。