[发明专利]一种基于局部特征的PCNN电力故障区域检测方法

摘要

本发明涉及一种基于局部特征的PCNN电力故障区域检测方法，该方法以脉冲耦合神经网络(PCNN)同步点火机理为依据，通过对其内部参数适当简化，同时在参数优化配置下结合故障区域和非故障区域邻域边界局部特征，设置PCNN模型迭代结束规则，从而使得模型能自适应迭代获取红外图像故障区域.实验结果表明，针对实际的红外检测图像，本发明方法能够自动高效的识别电气设备故障区域，具有较好的故障区域检测性能。

主权项

1.一种基于局部特征的PCNN电力故障区域检测方法，其特征在于，包括以下步骤：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，将原始红外图像输入到基于局部特征的PCNN模型中，实现故障区域的提取，具体实现方式如下，步骤2.1，将原始红外图像作为输入赋给基于局部特征的PCNN模型，并根据图像最高亮度区域获得初始化神经元脉冲发放区域Y(0),其中Y(0)＝{ij|F_ij(n)＝＝T_h}，T_h为图像最高灰度值，按式(一)设置权重M_ij,kl和W_ij,kl，其中，σ_h为高斯尺度，设置为1或更大，C为归一化系数；步骤2.2，基于局部特征的PCNN模型按式(二)～(八)进行迭代计算，U_ij(n)＝F_ij(n)·[1+βL_ij(n)]    (四)X＝{ij|L_ij(n)＞0}∪{ij|Y_ij(n)＝0}    (七)其中，F_ij(n)为反馈输入，L_ij(n)为连接输入，I_ij表示神经元ij所对应的图像灰度值，n为迭代索引，下标ij、kl分别代表红外灰度图像像素位置所对应的神经元，其值为对应灰度值I_ij，V_F和V_L分别为放大系数，α_F和α_L为衰减系数，U_ij为神经元ij的内部活动项，β为连接系数，E_g为全局阈值，Ω_c为先前点火区域，当U_ij(n)＞E_g(n‑1)时，神经元发生点火并形成脉冲Y_ij(n)，即点火区域，神经元集合S_c是在集合X内与点火区域Y_ij(n)相似的神经元，由模糊聚类模型进行归类得到；步骤2.3，设置停止规则，针对点火区域Y_ij(n)的边界，结合图像梯度算子，其中，G_x，G_y代表在像素点上水平和垂直梯度方向的梯度值，分别由水平方向和垂直方向两个相邻点像素灰度值之差决定，当图像梯度G大于某一阈值时，停止迭代；步骤2.4，将点火区域Y_ij(n)作为输出，实现故障区域的检测。