[发明专利]一种基于Meanshift自适应电气设备故障检测方法

摘要

本发明涉及一种基于Meanshift自适应电气设备故障检测方法，步骤1，获得故障电气设备的红外图像，其中电力故障区域即为红外图像中亮度较高的区域；步骤2，引入基于邻域灰度的权重因子对均值漂移算法进行扩展，获得扩展后的均值漂移模型；步骤3，利用自高向低的聚类阈值分割机制，使扩展后的均值漂移模型能快速地将故障区域进行聚类，实现故障区域的有效提取。本发明提供了一种赋予样本权重的扩展mean shift方法，采用一种自迭代聚类的策略，将区域根据其灰度特性聚集起来，最终得到故障区域完整提取，并提出了一种根据温度差异而自高向低的阈值分割机制，为运维人员在线巡检、数据录入、分析等操作提供方便。

主权项

1.一种基于Meanshift自适应电气设备故障检测方法，其特征在于，包括如下步骤：步骤1，获得故障电气设备的红外图像，其中电力故障区域即为红外图像中亮度较高的区域；步骤2，引入基于邻域灰度的权重因子对均值漂移算法进行扩展，获得扩展后的均值漂移模型，具体实现方式如下，假设一幅图像可以表示成二维网格上的p维向量，每个网格点表示一个像素，网格点的坐标表示图像中的空间信息，那么图像的空间信息和色彩信息可以表示为向量x＝(x^s，x^r)，其中，x^s表示网格点的坐标，x^r表示该网格点上p维向量特征，为了能够较好的定义概率密度估计，通常规定像素点x的x^r特征与像素点x_i相近，则定义概率密度高；其次，离x的位置越近的像素点x_i，概率密度高，因此采用图像空间和色彩特征的核函数的组合来定义一个新的核函数其中，h_s为图像空间带宽，h_r是灰度带宽，C是一个归一化常数，k(·)为核函数K(·)的剖面函数；已知d维空间中n个样本点x_i，i＝1，2，…，n，考虑样本点权值，f(x)的概率密度函数可重写为，式中，x表示当前聚类中心点，h表示高维球区域的一个固定带宽；ω(x_i)≥0是赋给每一个样本的权重，通常是由样本点到中心点距离的大小决定，距离越大权重越小，表达式为，其中，c_r为归一化参数，N_i为像素x_i的邻域，y指邻域N_i内的点；由公式(3)可知，如果当邻域特征x^r与对应中心点x_i相近，则权重ω(x_i)越大；而当邻域特征x^r与中心点x_i相比差异较大，则ω(x_i)较小，从而使得中心点x_i朝方差变化较小的方向漂移；由公式(2)和(3)可知，概率密度函数的梯度估计为，其中，即对核函数求导的负方向；m_h(x)表示均值漂移向量；步骤3，利用自高向低的聚类阈值分割机制，使扩展后的均值漂移模型能快速地将故障区域进行聚类，实现故障区域的有效提取，具体实现方式如下，步骤3.1，采用均值滤波对原始红外图像进行平滑处理，去除噪声；步骤3.2，设初始阈值T为红外图像中最高灰度值，以阈值T对步骤3.1中处理之后的红外图像进行划分，得到的分割区域作为初始聚类区域，并标记为故障区域；步骤3.3，遍历已经聚类的区域之外且满足图像空间带宽h_s内未聚类的像素点x_i，基于步骤2获得的扩展后的均值漂移模型，针对每一个像素点进行聚类；步骤3.4，将聚类区域的灰度均值赋给阈值T，并对图像进行划分，获取图像空间中其他可能出现的高亮区域，同时保留已经标记的像素点；步骤3.5，如果整个聚类区域不再发生变化，停止迭代，输出故障区域结果，否则转向步骤3.3，继续循环。