《基于机器学习的GIS典型缺陷的智能识别研究》-工学论文，软件工程论文-论文范文参考-科学狗论文网

标题

基于机器学习的GIS典型缺陷的智能识别研究

范文

刘荣海耿磊昭杨迎春郑欣

摘要：GIS设备的安全运行直接影响整个电网的安全稳定运行。随着GIS设备数量的增多，面对日益突出的GIS典型缺陷，本文采用支持向量机（Support Vector Machine，简称SVM）的机器学习方法，并结合图像处理技术设计开发了一套GIS典型缺陷的智能识别软件?软件首先对GIS图像进行预处理研究，然后通过对缺陷样本的训练学习，实现对GIS典型缺陷的智能识别，从而提高对GIS设备的检测效率。

关键词：机器学习；图像处理；SVM；智能识别；GIS

中图分类号：TM930.1 文献标识码：A DOI：10.3969/j.issn.l003-6970.2017.08.036

引言

GIS，即SF6气体绝缘全封闭组合电器（GasInsulted Switchgear）。GIS设备运行安全可靠、配置灵活和维护简便、检修周期长，加之在技术上的先进性和经济上的优越性，已得到广泛应用。但GIS设备一旦发生故障，特别是内部放电故障，或者因为缺陷需要检修，由于检修故障间隔的检修时间相对较长必然导致所需停电的时间长，将会严重影响到整个电网的安全稳定运行。随着GIS变电站的增多，面对日益突出的GIS设备缺陷，迫切需要对设备常见缺陷及其处理方法进行分析研究，确保设备的可靠性以及电网的稳定运行。目前GIS内部缺陷的检测方法主要有脉冲电流法、化学检测法、光学检测法、超声波法。但是这些方法不能实现对GIS典型缺陷的智能识别。目前基于计算机视觉的缺陷检测已经广泛应用于工业领域，本文将图像处理技术应用于GIS缺陷的智能识别，采用支持向量机（Support Vector Machine，简称SVM的机器学习算法设计开发了一套具有自动识别功能的GIS典型缺陷的系统软件。本文首先利用内窥摄像头对GIS设备内部图像进行获取，进而对得到的图像进行预处理、特征提取与判别。系统软件的识别流程图如图1所示：

1 图像预处理技术

随着现代半导体技术的不断发展，计算机图像处理也得到了快速的应用，结合缺陷图像的分析，能够对缺陷特征进行定量计算，弥补传统检测方法的不足，促进GIS缺陷分析技术的智能化和自动化。在弱光条件下的图像，由于光照明暗程度，设备性能优劣等因素的存在，图像中往往存在各种各样的噪点和畸变，对缺陷的识别准确性产生干扰。因此需要对识别对象图形进行一些预处理研究，图像的预处理技术主要包括了图像灰度化、图像增强和图像分割等一些功能。如图2所示为本文针对GIS典型缺陷图像文件的预处理基本流程图：

2 GIS典型缺陷的智能识别

2.1 特征提取

在完成缺陷图像提取之后，GIS内部图像中的缺陷区域被分割出来。但是相对于原始图像而言，经过处理的缺陷图像在数据量上已经有了很大的降低。但是对于分类器而言，需要分析的数据量依然比较大。因此需要进行更多的特征提取从而更好地分类样本数据。比较常用的特征包括，纹理特征、灰度特征和几何特征。因为提取的缺陷在几何形态上往往具有不确定性，同一种类型的特征也许在几何形态上差异较大。因此，本文选取灰度特征和纹理特征作为初始特征。

2.1.1 提取纹理特征

纹理是指存在于图像中某个范围内较小形状或半规律性排列图案，在图像判定中使用纹理特征来表示粗糙程度、均匀程度等变化，常使用图像灰度等级变化来表示。对于拉伤、碰伤等缺陷类型，一般具有比较明显的纹理信息，因此纹理特征在区分这些缺陷类型时具有很好的效果。

灰度共生矩阵可以考虑到图像像素间的相关性，它建立在图像一阶组合条件概率密度函数基础上，通过计算特定距离和特定方向上的两点间的灰度相关性来反映图像在方向、间隔、变化幅度及快慢上的综合信息，计算0°、45°、90°和135°四个方向上的灰度共生矩，本文采用最常用的四个灰度共生矩特征作为纹理特征。计算公式分别为：

通过上述公式的计算，在对分割图像进行提取纹理特征时，在图像的每一个方向上可以分别获得能量、对比度、熵和相关度四个四个纹理特征，从而四个方向上总共可以获得16个纹理特征作为图像特征提取的条件。

2.1.2 提取灰度特征

对于其他类型特殊的故障图像，提取灰度特征可以更准确的判别其特征信息。一些故障缺陷信息会在图像上呈现较高的亮度，并且其灰度频度主要集中在较高的数值范围内，一些内含杂质类的缺陷，其在图像中上亮度往往比较暗淡，灰度频度集中在较小的数值范围。因此选用灰度特征作为判别特征可以有效的识别此类缺陷。根据灰度直方图的定义内容，可以提取提取以下六个特征：

均值：

方差：

歪度：

峭度：

能量：

2.2 分類器的设计

选择合适的分类方法对图像数字化处理后的GIS图像进行模式识别是本系统软件需要解决的关键技术。支持向量机（Support Vector Machine，简称SVM）是是由Vapnik领导的AT&TBell;实验室研究小组在1963年提出的一种新的非常有潜力的分类技术，SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。它具有的优点是可以更好地解决小样本、非线性及髙维模式识别。因此，针对实验室以及现场应用中存在的GIS典型缺陷图像样本数量比较少，软件采用了以现代统计学理论为基础的支持向量机实现对图像数字化处理后的GIS图像进行模式识别。

2.2.1 多类分类器的选择

在GIS缺陷图像分类识别应用中，支持向量机是一种二分类分类器。因此，如何通过二分类的支持向量机构造有效的多类分类器，是选择分类器需要解决的一个关键问题。通常两类分类器构造多类分类器的方法大致可以分为一对一方法和一对多方法两种途径。

（1）一对多方法

一对多方法是最早被提出的基于两类分类器构造多类分类器的方法。假如样本共有k个类型，那么一共构造k个SVM模型。在训练第i个模型时，将第i个类型作为一类，其他所有类型单独作为一类。从而能够得到1份数据，乃；），其中：C 且乃{l，."，/}表示xi的类型。

第i个SVM模型通过以下方法求得：

其中训练xi通过核函数O和惩罚因子C映射到高维空间。最小化是为了使得^最大化，它描述了数据集与分类超平面的几何间隔。如果数据集线性不可分，那么惩罚项cfg可以尽可能的抑制噪声的影响。经过以上计算能够得到k个决策函数。

对于未知样本X，将X带入各个决策函数中，在哪个决策函数中获得最大值，就判定X属于哪一个类型：

（2）—对一方法

一对一方法是构造k（k-l）/2个分类器，每个分类器的训练集分别来自样本集的两个类型数据。对于第i个类型和第j个类型的训练集，构造以下二次

规划方程：

在完成个分类器的训练后，对于未知x数据的判别有多种不同的方法。比较常用的方法是

投票法如果决策函数+泸显示是属于第类的，那么在第x类中的票数加一。在所有决策函数给出判别结果之后，选取获得票数最多的类型作为对x的判别结果。假如在两种类型中获得了相同的票数，那么简单的选取具有较小编号的类型作为判别结果。

基于上述讨论，结合对GIS典型缺陷图像分类实际需求和识别系统软件要求的考量，最终选择通过一对多的方法构造GIS典型缺陷图像分类器。

3 GIS典型缺陷自动识别软件的设计与实现

由于GIS图像典型缺陷检测系统的核心是检测算法，所以本系统选择Visual Studio2010的开发平台，开发方便快捷，同时其中NET框架也缩短了上位机的开发周期。本系统使用了OpenCV（Open Source Computer Vision Library，简称Open CV）计算机图形库与NET Framework相结合的方式实现检测算法的软件实现，从而使软件开发变得更加方便快捷，使用方便，使得图像处理速度加快。

识别软件是本自动识别系统的重要组成部分，软件设计的内容主要包括了GIS图像预处理、图像分割、特征参数计算和模式识别等几个功能模块，如图3所示为自动识别软件的功能框图。

3.1 基于SVM的GIS缺陷分类器的训练和测试应用SVM建立的GIS典型缺陷自动识别软件系统的主要工作内容包括了两个方面，第一就是选择合适的特征值作为输入向量，随机抽取数量相近的缺陷类别作为训练样木；设置的主要参数，构造合适的核函数（参数主要有惩罚系-数C，核函数核宽度0。如圖4所示为GIS典型缺陷图像自动识别的流程框图，由图4可知，基于SVM的GIS识别分类器的设计主要包括了训练和测试两部分。

3.1.1 软件的训练研究

选择GIS图像训练的数据中每种缺陷类型样本数为1000组，并划分3类GIS缺陷类别。样本训练的步骤如下：

（1）将所有内部缺陷的缺陷样本，识别结果标为+1；其他所有样本归为-1，将多分类转换为二分类问题。将标序好的样本数据输入到SVM中，并对其进行训练，得到相应1号缺陷分类器和最优分类面。该分类器用来识别1号缺陷类型；

（2）取所有工具异物的磨粒样本，识别结果标为+2重复（1）中的步骤，对2号分类器进行训练，用来识别工具异物缺陷；

（3）完成SVM分类器的训练。

利用OpenCV实现SVM缺陷分类器的训练主要使用^11（：?：：（>8?]＼4类，具体步骤如图5所示：

3.1.2 软件的测试研究

系统检测过程中对4个SVM分类器完成了训练，利用软件对它们进行相应的测试，从而评价SVM的识别能力是否能够达到识别系统的预期和要求。测试的样本为每个类型选取50组，在已知缺陷类型的情况下对完成训练的进行测试。

如图6所示为本系统SVM识别结果界面，系统对输入的图像进行预处理、分割、特征值提取，最后得到识别结果。

如下在表格1中列出了SVM分类器的测试结果，包括了测试样本数量，识别个数以及缺陷的识别率。

实验结果表明：SVM分类器存在一定的误识率，但其整体的识别率仍然能够满足GIS典型缺陷图像检测的需要。并且支持向量机SVM对小样本分类的优越性和基于OpenCV实现分类器训练的简捷性，实现了3种状态的识别，并且具有良好的推广性。

3.1.3 识别软件的模块化功能

（1）用户管理模块

根据系统功能模块的划分，在用户管理模块里面，管理员可以添加、删除其他的用户。因此管理员可以对用户数据表和检测结果数据表进行操作，如图7所示可以对用户信息进行查询。

（2）用户登录界面

由于本系统软件的主要目的是针对GIS内部图像进行图像识别检测，所以在设计登录界面时，没有太多的权限要求，所以本系统软件的登录界面设计采用了固定的用户信息和密码信息来进行登录。登录界面如图8所示。

（3）系统主体界面

当用户正确登录之后，进入系统主界面，可进行历史记录查询、图像上传检测、删除等操作，主界面如图9所示：

主界面可以显示上传的原始图像，经过预处理的图像以及对应的分析结果、上传人和上传时间。在线上传的图片经过预处理，特征提取，分类器判别即可完成分析。

4 结论与展望

本文采用图像处理技术对GIS图像进行预处理，利用机器智能学习的方法开发了一套智能识别软件。通过研究支持向量机（SVM）的原理和数学模型，建立了GIS工具异物类和金属异物类的缺陷样本，通过OpenCV完成了基于SVM的GIS典型缺陷分类器的设计。实验结果表明，本文设计的GIS典型缺陷自动识别软件能够有效地识别GIS的典型缺陷。

本文同时体现了机器学习在GIS设备缺陷诊断和检测中的应用价值，可以为GIS设备的诊断和检测提供一条新的技术途径。

同时，由于训练成本的限制不能实现百分之百的识别率，为了更加优化缺陷识别的自动化和智能化以及提高识别的准确率。未来可以选取其他机器学习的方法，增加缺陷样本的数据，实现更简捷、更高效的智能识别技术。

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。