一种基于X射线成像的GIS设备缺陷检测方法
阅读：325发布：2020-05-08
专利汇可以提供一种基于X射线成像的GIS设备缺陷检测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 X射线 成像的GIS设备 缺陷 检测方法，包括：S1、获取GIS设备图像；S2、对所述图像进行图像灰度化处理，获得灰度图像；S3、对所述灰度图像进行图像二值化处理，获得二值化图像；S4、对所述二值化图像进行去噪处理，获得去噪图像；S5、对所述去噪图像进行信息增强处理，获得增强图像；S6、对所述增强图像进行 图像分割 ，提取出目标图像；S7、对所述目标图像进行特征提取，获得 特征向量 ；S8、采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。本发明将 图像识别 技术应用于GIS设备的缺陷检测中，代替巡检人员判别GIS设备是否存在缺陷，可以提高检测速度和准确率。，下面是一种基于X射线成像的GIS设备缺陷检测方法专利的具体信息内容。
1.一种基于X射线成像的GIS设备缺陷检测方法，其特征在于，包括：
S1、获取GIS设备图像；
S2、对所述图像进行图像灰度化处理，获得灰度图像；
S3、对所述灰度图像进行图像二值化处理，获得二值化图像；
S4、对所述二值化图像进行去噪处理，获得去噪图像；
S5、对所述去噪图像进行信息增强处理，获得增强图像；
S6、对所述增强图像进行图像分割，提取出目标图像；
S7、对所述目标图像进行特征提取，获得特征向量；
S8、采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。
2.根据权利要求1所述的检测方法，其特征在于，在步骤S3中，对图像进行二值化处理是将图像的像素点置为0或者255。
3.根据权利要求1所述的检测方法，其特征在于，在步骤S4中，采用中值滤波对图像进行去噪处理。
4.根据权利要求1所述的检测方法，其特征在于，在步骤S5中，采用Gama变换法修正图像中的灰度值。
5.根据权利要求1所述的检测方法，其特征在于，在步骤S6中，采用FCM分割算法对GIS设备图像分割成不同区域。
6.根据权利要求1所述的检测方法，其特征在于，在步骤S7中，从所述目标图像中凸起形状特征和局部纹理特征，其中，所述形状特征包括周长、面积、凹陷数、凸包数，所述局部纹理特征包括hu不变矩和采用LBP算子提取的局部纹理特征向量。
7.根据权利要求6所述的检测方法，其特征在于，对LBP特征向量进行提取的步骤包括：
(1)首先将检测窗口划分为16×16的小区域；
(2)对于每个小区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，如此，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
(3)然后计算每个小区域的直方图，即每个数字出现的频率；然后对该直方图进行归一化处理；
(4)最后将得到的每个小区域的统计直方图进行连接成为一个特征向量，也即得到整幅图的LBP纹理特征向量。
8.根据权利要求6所述的检测方法，其特征在于，在步骤S8中，调用CvSVM库中的SVM分类器作为所述多类分类器，并进行下述训练：
(1)生成SVM描述文件；
(2)将描述文件读入容器中；
(3)读入样本数量，生成样本矩阵和类型矩阵；
(4)读入样本图像；
(5)运用步骤S1至S7对其进行处理并提取特征，将提取特征向量作为SVM模型输入；
(6)配置参数，进行SVM训练；
(7)进行分类识别。
一种基于X射线成像的GIS设备缺陷检测方法
技术领域
[0001] 本发明涉及一种基于X射线成像的GIS设备缺陷检测方法，属于GIS设备缺陷检测技术领域。
背景技术
[0002] 气体绝缘开关(gas insulated switch，GIS)设备由于其运行可靠，占地面积小，检修周期长等特点被广泛应用于变电站中。但如果发现故障，则会导致大范围的停电，检修时间长，造成较大经济损失。
[0003] 当GIS设备出现缺陷而得不到及时检修，最终会酿成变电站发生故障，不仅带来经济损失，还会给人们带来生活的不便。为了做到防患于未然，电力公司安排大量巡检人员每天巡查变电站，但是效率低，且大部分变电站环境恶劣，威胁到巡检人员安全。
[0004] X射线数字成像技术(digital radiography，DR)利用平板探测器接收被穿透GIS设备的X射线，通过探测器内部电路结构将X射线能量强度转化为电流信号，最后以数字图像形式在计算机上呈现。基于X射线成像的无损检测技术由于其直观、便捷、检测效率高等优点而被广泛应用于工业领域中。将图像处理技术应用到GIS设备的缺陷检测中，可以在不拆卸设备的情况下，把GIS设备内部情况展示出来，更加方便检测。
发明内容
[0005] 本发明要解决的技术问题是：提供一种基于X射线成像的GIS设备缺陷检测方法，能够代替变电站巡检人员检测缺陷，提高检测效率，也更加保证了巡检人员的安全，减少电网公司经济损失，加强变电站的安全运维，以解决现有检测技术中存在的问题。
[0006] 本发明的技术方案是：一种基于X射线成像的GIS设备缺陷检测方法，包括：
[0007] S1、获取GIS设备图像；
[0008] S2、对所述图像进行图像灰度化处理，获得灰度图像；
[0009] S3、对所述灰度图像进行图像二值化处理，获得二值化图像；
[0010] S4、对所述二值化图像进行去噪处理，获得去噪图像；
[0011] S5、对所述去噪图像进行信息增强处理，获得增强图像；
[0012] S6、对所述增强图像进行图像分割，提取出目标图像；
[0013] S7、对所述目标图像进行特征提取，获得特征向量；
[0014] S8、采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。
[0016] 优选的，在步骤S4中，采用中值滤波对图像进行去噪处理。
[0017] 优选的，在步骤S5中，采用Gama变换法修正图像中的灰度值。
[0019] 优选的，在步骤S7中，从所述目标图像中凸起形状特征和局部纹理特征，其中，所述形状特征包括周长、面积、凹陷数、凸包数，所述局部纹理特征包括hu不变矩和采用LBP算子提取的局部纹理特征向量。
[0020] 优选的，对LBP特征向量进行提取的步骤包括：
[0021] (1)首先将检测窗口划分为16×16的小区域；
[0022] (2)对于每个小区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，如此，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
[0023] (3)然后计算每个小区域的直方图，即每个数字出现的频率；然后对该直方图进行归一化处理；
[0024] (4)最后将得到的每个小区域的统计直方图进行连接成为一个特征向量，也即得到整幅图的LBP纹理特征向量。
[0025] 优选的，在步骤S8中，调用CvSVM库中的SVM分类器作为所述多类分类器，并进行下述训练：
[0026] (1)生成SVM描述文件；
[0027] (2)将描述文件读入容器中；
[0028] (3)读入样本数量，生成样本矩阵和类型矩阵；
[0029] (4)读入样本图像；
[0030] (5)运用步骤S1至S7对其进行处理并提取特征，将提取特征向量作为SVM[0031] 模型输入；
[0032] (6)配置参数，进行SVM训练；
[0033] (7)进行分类识别。
[0034] 本发明的有益效果是：与现有技术相比，本发明将图像识别技术应用于GIS设备的缺陷检测中，代替巡检人员判别GIS设备是否存在缺陷。为了提高检测速度，使用快速中值滤波、Gama变换进行去噪与信息增强，并根据GIS设备图像的特点，引用基于FCM分割算法的改进方法进行分割，采用SVM分类器实现GIS典型图像的缺陷检测，提高了缺陷检测的准确率，减少电网公司因变电站事故带来的经济损失，从而达到变电站运行维护的目的。附图说明
[0035] 图1为FCM算法的流程图。
具体实施方式
[0036] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0037] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0038] 根据本发明实施例一种基于X射线成像的GIS设备缺陷检测方法，包括：
[0039] S1、获取GIS设备图像。
[0041] S2、对所述图像进行图像灰度化处理，获得灰度图像。
[0042] 对通过X射线成像装置得到的图像进行灰度化处理，其原理为：所述图像中的每个像素点颜色由R、G、B三种元素组成，每种分量变化范围在0到255之间，则一个像素点的变化范围有255*255*255，约1600万，灰度图像是一种特殊的彩色图像，当图像中每一像素点R、G、B三种元素值相等时，该图像为灰度图像，此时每一像素点的变化范围有255，可见，灰度化在不改变图像主要信息的情况下，可大大降低后续计算量，灰度化方法为：根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y＝0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。
[0043] S3、对所述灰度图像进行图像二值化处理，获得二值化图像。
[0044] 该步骤是将所述图像的像素点置为0或者255，使整个图像呈现明显的黑白效果。进一步将GIS图像中的背景和目标图像分开。
[0045] S4、对所述二值化图像进行去噪处理，获得去噪图像。
[0046] 采用中值滤波对其进行去噪处理，中值滤波能够有效去除图像中的异常点，具有去除图像噪声的作用。中值滤波的算法一般都是在图像中建立窗口，然后对窗口内的所有像素值进行排序，选择排序后的中间值作为窗口中心像素滤波后的值。滤波算法流程如下：
[0047] 1.读取二值化后的GIS设备图像，并且设定滤波窗口大小(win3*win3)；
[0048] 2.设定中值滤波直方图中的阈值，Thresh＝(win3*win3)/2+1；
[0049] 3.考虑边界情况，对原图像进行扩展，左、右边界分别扩展win3/2个像素，上下边界分别扩展win3/2个像素。
[0050] 4.逐行遍历图像像素，以第一行为例：先取第一行第一个要处理的像素(窗口中心像素)，建立滤波窗口，提取窗口内所有像素值(N＝win3*win3个)，获取N个像素的直方图Hist。从左到右累加直方图中每个灰度层级下像素点个数，记为sumCnt，直到sumCnt>＝Thresh，这时的灰度值就是当前窗口内所有像素值的中值MediaValue。将MediaValue值赋值给窗口中心像素，表明第一个像素中值滤波完成。
[0051] 5.此时窗口需要向右移动一个像素，开始滤波第二个像素，并且更新直方图。以第二个像素为窗口中心建立滤波窗口，从前一个窗口的灰度直方图Hist中减去窗口中最左侧的一列像素值的灰度个数，然后加上窗口最右侧一列像素值的灰度个数。完成直方图的更新。
[0052] 6.直方图更新后，sumCnt值有三种变化可能：(1)减小(2)维持不变(3)增大。这三种情况与减去与加入的像素值灰度有关。此时为了求得新的中值，需要不断调整sumCnt与Thresh之间的关系。
[0053] 1)如果sumCnt值小于Thresh：说明中值在直方图当前灰度层级的右边，sumCnt就依次向右加上一个灰度层级中灰度值个数，直到满足sumCnt>＝Thresh为止。记录此时的灰度层级代表的灰度值，更新MediaValue，作为第二个像素的滤波后的值。
[0054] 2)维持不变：说明MediaValue值不变，直接作为第二个像素滤波后的值。
[0055] 3)如果sumCnt值大于Thresh：说明中值在直方图当前灰度层级的左边，sumCnt就依次向左减去一个灰度层级中灰度值个数，直到满足sumCnt<＝Thresh为止。记录此时的灰度层级代表的灰度值，更新MediaValue值，作为第二个像素的滤波后的值。
[0056] 7.窗口逐行依次滑动，求得整幅图像的中值滤波结果。
[0057] S5、对所述去噪图像进行信息增强处理，获得增强图像。
[0058] 具体地，采用Gama变换法修正图像中的灰度值。Gama变换方法是将图像中灰度值过高或过低的点源进行修正，提高图像的对比度。其基本形式如式1所示。
[0059] s＝cIr (1)
[0060] 其中，C、I式常数。对比度增强度由r决定。根据GIS设备图像像素点值分布，通过不断实验调整，取r＝0.467，此时，能达到很好的图像增强效果。
[0061] S6、对所述增强图像进行图像分割，提取出目标图像。
[0062] 采用FCM算法将GIS设备图像分割成不同区域，每个区域具有一定相同特性，便于缺陷检测。参考图1，FCM算法原理如下：
[0063] 一般地，图像使X＝{X1(i,j),X2(i,j)....Xn(i,j)}来描述，其中，n为总的像素点，FCM算法将图像的像素分割为C类，每一类有一个唯一的聚类中心，通过不断迭代实现目标函数最小。各像素点的隶属度用uij表示，意为点源xj是第i类的概率，目标函数表达式如式2所示。
[0064]
[0065] 其中，约束条件如下，
[0066]
[0067] 在式(3)(4)的条件下，分别对每个变量求偏导，在目标函数为最小值时候联立方程式，解得聚类中心vi和隶属度uij如式5、式6所示。
[0068]
[0069] 且i＝1,2,3…；j＝1,2,3,…,n；c＝1,2,3,…,n.
[0070] 针对FCM计算简单，易于实现，但存在收敛速度慢、易陷入局部最小等问题。考虑到在GIS设备图像中，部分点源在聚类时与聚类中心相关度不高，于是引入非隶属度r、不确定度π的概念，考虑到某个灰度点与领域内的灰度梯度存在阶跃变化或连续变化，因此结合图像的领域信息对图像进行分割。改进后的隶属度uij*、聚类中心vi*如式7、8所示。
[0071]
[0072] 其中，
[0073] πij＝1-uij-rij (9)
[0074]
[0075] 随着不确定度π的引入，在传统FCM算法基础上，引入第二个目标函数如式11所示。
[0076]
[0077] 结合式2可得新的目标函数，如式12所示。
[0078]
[0079] 其中，
[0080]
[0081] 通过对传统FCM算法改进后，可以有效解决其收敛速度慢、易陷入局部最小等问题。
[0082] S7、对所述目标图像进行特征提取，获得特征向量。
[0083] 对分割后的图像进行特征选取，包括形状特征和局部纹理特征。其中用于描述形状特征的量有周长、面积、凹陷数、凸包数，描述局部纹理特征的量有：hu不变矩以及采用LBP算子提取的局部纹理特征向量。
[0084] 对LBP特征向量进行提取的步骤包括：
[0085] (1)首先将检测窗口划分为16×16的小区域(cell)；
[0086] (2)对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
[0087] (3)然后计算每个cell的直方图，即每个数字(假定是十进制数LBP值)出现的频率；然后对该直方图进行归一化处理。
[0088] (4)最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也即得到整幅图的LBP纹理特征向量。
[0089] S9、采用多类分类器，将所述特征向量作为输入，对所述特征向量进行识别。
[0090] 目前常用于机器视觉分类检测的方法主要分为两种，一种是现在发展迅速的基于机器学习的方法，一种是经典的支持向量机(support vector machine,SVM)方法。针对现场应用中获得的GIS设备图片数量比较少的情况，采用SVM方法进行GIS缺陷检测。
[0091] 本发明实施例在GIS设备缺陷图像分类中，将检测图像分为正常与异常两种情况，支持向量机是一种二分类分类器。该方法分类的思想是，给定给一个包含正例和反例的样本集合，svm的目的是寻找一个超平面来对样本根据正例和反例进行分割，且尽最大努力使分开的两个类别具有最大间隔，使分隔具有较高的可信度。对于未知的新样本有很好的分类预测能力。
[0092] 在Visual studio2017开发平台上直接调用opencv3.4.3中CvSVM库进行训练，其训练过程如下：
[0093] (1)生成SVM描述文件；
[0094] 将需要训练的GIS样本文件的路径和对应的分类类别号写入txt文档；
[0095] (2)将描述文件读入容器中；
[0096] 定义两个容器A、B，用于保存样本路径和分类标号；
[0097] (3)读入样本数量，生成样本矩阵和类型矩阵，本训练样本数量为400；
[0098] (4)读入样本图像；
[0099] (5)运用步骤S1至S7对其进行处理并提取特征，将提取特征向量作为SVM模型输入；
[0100] (6)配置参数，进行SVM训练；
[0101] 参数配置主要包括：
[0102] SVM的类型(SVM_params.svm_type)：C_SVC表示SVM分类器；C_SVR表示SVM回归；
[0103] 核函数类型(SVM_params.kernel_type)：线性核LINEAR:d(x,y)＝(x,y)；
[0104] 多项式核POLY:d(x,y)＝(gamma*(x’y)+coef0)degree；
[0105] 径向基核RBF:d(x,y)＝exp(-gamma*|x-y|^2)；
[0106] sigmoid核SIGMOID:d(x,y)＝tanh(gamma*(x’y)+coef0)；
[0107] SVM_params.degree:核函数中的参数degree,针对多项式核函数；
[0108] SVM_params.gama:核函数中的参数gamma，针对多项式/RBF/SIGMOID核函数；
[0109] SVM_params.coef0:核函数中的参数,针对多项式/SIGMOID核函数；
[0110] SVM_params.c:SVM最优问题参数，设置C-SVC，EPS_SVR和NU_SVR的参数；
[0111] SVM_params.nu:SVM最优问题参数，设置NU_SVC，ONE_CLASS和NU_SVR的参数；
[0112] SVM_params.p:SVM最优问题参数，设置EPS_SVR中损失函数p的值。
[0113] SVM模型训练：
[0114] 将样本中没有缺陷的记为正，有缺陷的记为负，不断调整参数使训练样本集达到100％正确分类，此时，模型训练完成；
[0115] (7)进行分类
[0116] 读取样本之外的GIS设备图像，进行分类识别。采用40张图像进行测试，准确率达到99.1％。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 上行传输方法、计算机可读存储介质和分布式多天线系统 | 2020-05-08 | 115 |
| 一种拼接影像楼面缺陷检测的故障定位方法及系统 | 2020-05-08 | 86 |
| 基于上下文检测的智能手机隐式身份认证方法 | 2020-05-08 | 144 |
| 一种基于内容的视频片段检索及定位方法 | 2020-05-08 | 800 |
| 基于热红外成像图片的影院在线人数统计方法 | 2020-05-08 | 262 |
| 地表噪声压制方法及装置 | 2020-05-08 | 462 |
| 太阳能收集复合微能源系统及实现超级电容充电控制方法 | 2020-05-11 | 572 |
| 一种基于基因谱的乳腺癌淋巴结转移预测方法及预测系统 | 2020-05-08 | 378 |
| 白质高信号定位方法、装置、设备和存储介质 | 2020-05-08 | 460 |
| 一种智能感知的机场保障能力实时评估系统及评估方法 | 2020-05-08 | 622 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈