本发明属于电力系统在线监测领域，涉及一种基于多特征信息融合技术的绝缘子识别检测方法。
背景技术：
：随着全球能源互联网理论构想的提出，以特高压电网为骨干网架，以强大的智能电网为依托，加强输电线路的实时监测、安全维护及运行管理是重中之重。而在高压输电线路中，绝缘不良是出现事故的主要原因，因绝缘子断裂引起事故目前成为电力系统故障率的第一位。绝缘子长期在户外运行，大气中各种污秽物干扰等因素，易造成绝缘子内部裂纹、表面破损、绝缘强度降低和污闪等故障。当绝缘子串中存在低值或零值绝缘子时，强大的雷电流及工频续流从零值绝缘子头部的瓷体流过，容易引起零值绝缘子过热爆裂。如果及早的掌握绝缘子的运行状态，将会减少或避免很多电力系统的故障。传统的检查绝缘子运行状态的方法是定期停电或带电人工检测，这些作业不仅需要登杆逐片检测，而且高空作业受环境影响大、危险性高、工作效率较低。因此，不用登杆如何简单、可靠、快速的自动监测绝缘子的运行状态是减少人力投入，消除安全隐患，确保电力系统安全运行是所探索的重要技术难题。技术实现要素：本发明的目的是提供一种基于多特征信息融合技术的绝缘子识别检测方法，能够简单、可靠、快速、自动检测绝缘子的运行状态，从而预防因绝缘子断裂引起的电力系统故障。本发明所采用的技术方案是，一种基于多特征信息融合技术的绝缘子识别检测方法，具体按照以下步骤实施：步骤1，利用安装在现场铁塔或铁杆上的带云台的定焦摄像机采集的输电线路上绝缘子的图像信号；步骤2，对步骤1采集到图像进行预处理，具体的步骤为：利用最佳熵阈值法(OET)进行图像分割，通过分析图像灰度直方图的熵，找到最佳阈值；步骤3，从步骤2进行过预处理后的图像中提取绝缘子的纹理特征向量；步骤4，提取待识别绝缘子颜色特征向量，对步骤1中采集到的绝缘子图像的HSV色彩空间进行非等间隔量化；步骤5，提取待识别的绝缘子形状特征向量，绝缘子的形状特征与外界环境无关，是物体外在的最稳定信息，也是图像最直观、最直接的可视化，采用基于区域描述方法中Hu矩算法提取绝缘子形状特征；步骤6，将步骤3、步骤4、步骤5中提取到绝缘子的3种特征进行融合，三种单一特征融合时，在相似性度量之前要对各特征量进行归一化，调整待识别目标图像与数据库中图像三个特征之间的权重。用层次分析法确定其权重，计算一致性比率CR，验证判断矩阵三个特征融合的权值是否符合要求。本发明的特点还在于，步骤2具体按照以下步骤实施：步骤2.1，将步骤1中采集到的图像的灰度范围记为{0,1,2，……L-1}；步骤2.2，设灰度级低于t的像素点构成的区域为目标区域A，则目标区域A熵的表达式为：HA(t)=-Σipiptlgpipt---(2-1)]]>式中pi表示灰度级为i出现的概率，i＝0,1,2，……t；Pt表示灰度级为t出现的概率；步骤2.3，设灰度级高于t的像素点构成的区域为背景区域B，则背景区域B熵的表达式为：HB(t)=-Σipi1-ptlgpi1-pt---(2-2)]]>i＝t+1,t+2,t+3,….L-1；式中pi表示灰度级为i出现的概率，i＝0,1,2，……t；Pt表示灰度级为t出现的概率；步骤2.4，计算最大阈值，根据熵函数定义，C(t)=HA(t)+HB(t)=lgpt1-pt+Htpt+HL-Ht1-Pt---(2-3)]]>式中的其中的i＝0,1,2，……t；其中的i＝0,1,2，……L-1；则，当熵函数C(t)为最大时，计算出t＝argmax{C(t)}(2-4)就表示灰度t的最大阈值。步骤3具体按照以下步骤实施：步骤3.1，利用纹理特征提取方法中的统计方法对原RGB彩色图像的3个色彩空间分别计算均值、方差、偏度、峭度、能量、熵共6个色彩空间特征作为纹理特征的参数，具体计算公式如下：(1)均值(2)方差(3)偏度(4)峭度(5)能量(6)熵其中g(i)为i灰度级的灰度值，pg(i)为第i个灰度值的概率；原RGB彩色图像就被这6个特征总共分成18个特征向量。对图像不同的单一特征进行特征提取时进行特征内部归一化，采用高斯归一化方法将这18个特征向量进行特征内部归一化到[-1,1],减少各别的元素值对归一化后的元素值的分布产生影响。特征向量的归一化Fi的计算公式如下：Fi=fi-μiσi;---(3-7)]]>μi=Σifii;---(3-8)]]>σi=(Σifi-μi)2i-1;---(3-9)]]>其中μi表示待识别目标图像特征向量的均值，σi表示待识别目标图像特征向量的标准差，fi为18个一维直方图初始特征值且fi∈[f1,f2,f3,.......f18]；i＝1，2,3，……18；步骤3.2，将步骤3.1中提取出的纹理特征向量与提前建立好的样本数据库中的纹理特征向量进行对比匹配，计算其相似度，具体方法为：利用棋盘距离公式计算待识别目标图像与特征图像库中纹理特征匹配的相似度距离，两幅图像的归一化特征向量为1个18维向量可表示为：Fxi[Fx1,Fx2,Fx3,......Fx18]；Fyi[Fy1,Fy2,Fy3,......Fy18]；则，根据棋盘距离公式进行计算：S1=maxi|Fxi-Fyi|---(3-10)]]>其中S1表示待识别目标图像与特征图像库中纹理特征匹配的相似度距离，Fxi和Fyi表示两幅图像的归一化特征向量，S1值越大，两幅图像的相似度就越高。步骤4具体按照以下步骤实施：步骤4.1，将色调H空间划分为8份，饱和度S和亮度V空间划分为3份，图像的色调H范围为[0,360°]，饱和度S和亮度V的范围为[0,1]；步骤4.2，根据H、S、V的不同范围进行色彩量化，具体如下所示：S=0,0≤S≤0.21,0.2≤S≤0.72,0.7≤S≤1.0---(4-2)]]>r=0,0≤V≤0.21,0.2≤V≤0.72,0.7≤V≤1.0---(4-3)]]>把量化后的3个颜色分量合成为一维特征向量：I＝HQsQv+SQv+V(4-4)I＝HQsQv+SQ式中Qs＝3为分量S的量化级数；Qv＝3为分量V的量化级数时3-4可表示为：I＝9H+3S+V(4-5)量化结束后的HSV空间分解成的子空间，获得72个一维直方图；步骤4.3，将步骤4.2中量化后的颜色直方图的特征向量高斯归一化到[-1,1],减少各别的元素值对归一化后的元素值的分布产生影响，特征向量的归一化的Fl计算公式如下：Fl=fl-μlσl;]]>μl=Σlfll;]]>σl=(Σlfl-μl)2l-1---(4-6)]]>其中μl表示待识别目标图像特征向量的均值，σl表示待识别目标图像特征向量的标准差，fl为72个一维直方图初始特征值且fl∈[f1,f2,f3,.......f72]；l＝1，2,3，……72，步骤4.4，利用棋盘距离公式计算待识别目标图像与特征图像库中颜色特征匹配的相似度距离。两幅图像的归一化特征向为2个72维向量可表示为：Fpl[Fp1,Fp2,Fp3,......Fp72]；Fql[Fq1,Fq2,Fq3,......Fq72]；其中棋盘距离计算公式：S2=maxl|Fpl-Fql|---(4-7)]]>其中S2表示待识别目标图像与特征图像库中纹理特征匹配的相似度距离，Fpl和Fql表示两幅图像的归一化特征向量，S2值最大，两幅图像的相似度就越高。步骤5具体按照以下步骤实施：步骤5.1，定义采集到的图像f(x,y)的p+q阶矩为：mpq=Σxxpyqf(x,y)---(5-1)]]>则，p+q阶矩的中心矩为：μpq=ΣxΣy(x-x0)p(y-y0)q---(5-2)]]>式中的表示图像区域的重心；步骤5.2，为了获取图像本身与缩放无关的性质可以对(5-2)式中的中心矩进行归一化，归一化后的中心矩表示为：ηpq=μpqμr00---(5-3)]]>式中p+q＝2,3,4，……归一化的中心距对物体的平移、缩放和旋转均保持不变；步骤5.3，利用利用公式(5-2)计算图像f(x,y)二阶和三阶中心矩，得到μ02=ΣxΣy(x-x0)0(y-y0)2]]>μ20=ΣxΣy(x-x0)2(y-y0)0---(5-4)]]>μ03=ΣxΣy(x-x0)0(y-y0)3]]>μ30=ΣxΣy(x-x0)3(y-y0)0---(5-5)]]>其中二阶中心矩μ02和μ20分别表示围绕通过灰度质心的垂直和水平轴线的惯性矩，三阶中心矩μ03和μ30幅值可度量所分析区域对垂直和水平轴线的不对称的程度；构造7个不变矩，在连续图像的条件下可保持平移、缩放和旋转不变。所述的7个不变矩分别定义如下：二阶归一化后的中心矩表达式：η02=μ02μ200;η20=μ20μ200;η11=μ11μ200;---(5-6)]]>三阶归一化后的中心矩表达式：η12=μ12μ5200;η21=μ21μ5200;η03=μ03μ5200;η30=μ30μ5200---(5-7)]]>φ1＝η20+η02(5-8)φ2＝(η20+η02)2+4η211(5-9)φ3＝(η30-3η12)2+(3η21-η03)2(5-10)φ4＝(η30+η12)2+(η21+η03)2(5-11)φ5＝(η30-3η12)(η30+η12)[(η20+η12)2-3(η21+η03)2]+(3η21+η03)(η21+η03)[3(η30+η12)2-(η21+η03)](5-12)φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)(5-13)φ7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2](5-14)其中的φ1～φ7为7个不变矩的计算公式，各η值表示二阶、三阶归一化后的中心矩；步骤5.4，通过Hu矩算法(5-8)～(5-14)的计算公式提取待识别绝缘子7个形状特征向量，再对每个特征向量高斯归一化到[-1,1]。将待识别目标图像与特征图像库中形状特征归一化为2个7维向量可表示为：Fsi[Fs1,Fs2,Fs3,......Fs7]；Fti[Ft1,Ft2,Ft3,......Ft7]；同样，利用棋盘距离公式计算待识别目标图像与特征图像库中形状特征的匹配的相似度距离S3:S3=maxi|Fsi-Fti|---(5-15)]]>S3值最大，两幅图像的相似度就越高；步骤5.5，将提取到的绝缘子的颜色、形状及纹理特征进行特征融合。设三种特征向量融合的相似度(距离)为D，三种单一特征向量(颜色、形状及纹理的特征)的相似度(距离)S1,S2,S3所对应的权重分别为w1,w2,w3，则三种特征融合向量的相似度(距离)为，D＝s1w1+s2w2+s3w3(5-16)式中∑wi＝1；i＝1,2,3.步骤6具体按照以下步骤实施：步骤6.1，设一幅待识别目标图像i的纹理、颜色及形状特征向量为[Oi1,Oi2,Oi3]，通过棋盘距离对待识别目标图像i和数据库中N个图像进行相似度计算，计算距离值分别记为Di1,Di2,......DiN；DiN也是待识别目标图像与数据图库中任意一个图像的三个特征距离：DiN＝[d1,iN,d2,iN,d3,iN](6-1)步骤6.2，计算出3N个距离值的均值μD及标准差σD，具体计算公式为：μD=13N(Σa=1Nfa+Σb=1Nfb+Σc=1Nfc)]]>σD=(Σa=1Nfa-μD)2+(Σb=1Nfb-μD)2+(Σc=1Nfc-μD)2N-1---(6-2)]]>其中的fa、fb、fc分别代表纹理、颜色及形状特征向量；步骤6.3，对待识别目标图像与特征库中N幅图像(N取任意正整数)相似度距离Di1,Di2,......DiN进行归一化处理，使三种不同特征向量在相似度计算上大致相同，DiN值归一化后大部分落在[0,1]区间,其表达式为：D*iN=DiN-μD3σD+12---(6-3)]]>步骤6.4，采用层次分析法确定三个特征融合的权重。用1-9标度法对特征融合后绝缘子图像的三个特征描述指标重要性进行判断，利用决策者给出的判断矩阵A导出三个特征的权重si，再用一致性比率CR检验判断矩阵满足的一致性，从而验证所导出三个特征的权重值准确性；步骤6.5，计算一致性比率CR，并利用一致性比率CR检验判断矩阵是否满足一致性，进而确定特征融合的权重值。步骤6.4具体按照以下步骤实施：步骤6.4.1，按照1-9标度法对三个特征权重s1,s2,s3两两的重要性比例标度进行赋值，形成判断矩阵：A1＝(apq)n×n其中apq为第p特征相对第q特征重要性的比例标度，步骤6.4.2，取一幅绝缘子图像，在层次结构模型中，对此绝缘子图像只取第一层次，并将这一层次可分为三个类别，即纹理(C)、颜色(S)及形状(T)，则对应的判断矩阵表示为：A1=(apq)3×3=HCHCHCHSHCHTHSHCHSHSHSHTHTHCHTHSHTHT---(6-4)]]>其中的分别为颜色与形状特征比例标度、纹理与颜色特征比例标度、纹理与形状特征比例标度。一般根据用户先验知识和提取三个特征的结果分析，形状特征比其他两个特征比重大，在开始时，给出标度值一个初始取值，即设判断一致性比率CR。步骤6.4.3，对A1中每行的元素相乘并开三次方得向量Yi＝(y1,y2,y3)，计算公式如下：y1=HCHC×HCHS×HCHT3---(6-5)]]>y2=HSHC×HSHS×HSHT3---(6-6)]]>y3=HTHC×HTHS×HTHT3---(6-7)]]>对Yi进行归一化得到归一化的权向量si＝(s1,s2,s3)si=YiΣi3Yi---(6-8)]]>步骤6.4.4，对A1中每列元素求和得Zq＝(Z1,Z2,Z3)Zq=Σi3apq---(6-9)]]>步骤6.4.5，计算出判断矩阵A1最大值特征值λmax=Σi3siZq---(6-10).]]>步骤6.5具体按照以下步骤实施：步骤6.5.1，计算判断矩阵A1的一致性指标CI，CI=λmax-nn-1---(6-11)]]>其中n为判断矩阵A1的阶数，CI越小判断矩阵的最大特征根λmax越符合完全一致性，CI越大说明判断矩阵偏离完全一致性的程度越大。按照6-10计算判断矩阵A1其余两个特征值分别记为：λ2、λ3.求这三个最大特征值的平均值计算公式如下：λ~max=λmax+λ2+λ33---(6-12),]]>步骤6.5.2，根据公式(9-10)计算平均随机一致性指标RIRI=λ~max-nn-1---(6-13)]]>步骤6.5.3，利用计算出的CI和RI，计算一致性比率CR：CR=CIRI---(6-14)]]>当CR<0.1时判断矩阵A1具有满意一致性，即权重向量si满足矩阵方程：A1si＝λmaxsi有最大的特征值λmax，所以判断矩阵A1三特征融合的权重值符合要求，此时计算时使用的权重值即为本方法中图像融合时采用的权重值，输出融合后的绝缘子识别图像；当CR≥0.1时，判断矩阵A1不具有满意一致性，则转至步骤6.4重新进行赋值决策者需要重新对三个标度按照1-9标度法进行赋值，与前一次计算时的赋值对比后进行调整，构造新的判断矩阵A1，再分别计算权向量si、判断矩阵的最大特征λmax及一致性指标CI，最后计算一致性比率CR，直到CR<0.1成立为止。本发明的有益效果是，与现有的系统相比，实施本发明所用到的设备较少，结构简单，成本低廉，本方法能充分利用图像处理技术中多特征融合思想，将视频流中实时截取的绝缘子目标图像的与绝缘子特征图库进行三个特征融合匹配识别，可实时在线监测绝缘子的运行状态。便于监控中心远程处理数据并对电力网络的绝缘子的运行情况进行全局的监控，有利于实现自动化的安全监控。附图说明图1是本发明的一种基于多特征信息融合技术的绝缘子识别检测方法的流程图。具体实施方式下面结合附图和具体实施方式对本发明进行详细说明。本发明提供了一种基于多特征信息融合技术的绝缘子识别检测方法，如图1所示，具体按照以下步骤实施：步骤1，利用安装在现场铁塔或铁杆上的带云台的定焦摄像机采集的输电线路上绝缘子的图像信号；步骤2，对步骤1采集到图像进行预处理，具体的步骤为：利用最佳熵阈值法(OET)进行图像分割，通过分析图像灰度直方图的熵，找到最佳阈值，具体的步骤是：步骤2.1，将步骤1中采集到的图像的灰度范围记为{0,1,2，……L-1}。步骤2.2，设灰度级低于t的像素点构成的区域为目标区域A，则目标区域A熵的表达式为：HA(t)=-Σipiptlgpipt---(2-1)]]>式中pi表示灰度级为i出现的概率，i＝0,1,2，……t；Pt表示灰度级为t出现的概率。步骤2.3，设灰度级高于t的像素点构成的区域为背景区域B，则背景区域B熵的表达式为：HB(t)=-Σipi1-ptlgpi1-pt---(2-2)]]>i＝t+1,t+2,t+3,….L-1；式中pi表示灰度级为i出现的概率，i＝0,1,2，……t；Pt表示灰度级为t出现的概率。步骤2.4，计算最大阈值，根据熵函数定义，C(t)=HA(t)+HB(t)=lgpt1-pt+Htpt+HL-Ht1-Pt---(2-3)]]>式中的其中的i＝0,1,2，……t；其中的i＝0,1,2，……L-1；则，当熵函数C(t)为最大时，计算出t＝argmax{C(t)}(2-4)就表示灰度t的最大阈值。步骤3，从步骤2进行过预处理后的图像中提取绝缘子的纹理特征向量，具体的步骤如下：步骤3.1，利用纹理特征提取方法中的统计方法对原RGB彩色图像的3个色彩空间分别计算均值、方差、偏度、峭度、能量、熵共6个色彩空间特征作为纹理特征的参数。具体计算公式如下：(1)均值(2)方差(3)偏度(4)峭度(5)能量(6)熵其中g(i)为i灰度级的灰度值，pg(i)为第i个灰度值的概率。原RGB彩色图像就被这6个特征总共分成18个特征向量。对图像不同的单一特征进行特征提取时进行特征内部归一化，采用高斯归一化方法将这18个特征向量进行特征内部归一化到[-1,1],减少各别的元素值对归一化后的元素值的分布产生影响。特征向量的归一化Fi的计算公式如下：Fi=fi-μiσi;---(3-7)]]>μi=Σihii;---(3-8)]]>σi=(Σifi-μi)2i-1;---(3-9)]]>其中μi表示待识别目标图像特征向量的均值，σi表示待识别目标图像特征向量的标准差，fi为18个一维直方图初始特征值且fi∈[f1,f2,f3,.......f18]；i＝1，2,3，……18。步骤3.2，将步骤3.1中提取出的纹理特征向量与提前建立好的样本数据库中的纹理特征向量进行对比匹配，计算其相似度，具体方法为：利用棋盘距离公式计算待识别目标图像与特征图像库中纹理特征匹配的相似度距离，两幅图像的归一化特征向量为1个18维向量可表示为：Fxi[Fx1,Fx2,Fx3,......Fx18]；Fyi[Fy1,Fy2,Fy3,......Fy18]；则，根据棋盘距离公式进行计算：S1=maxi|Fxi-Fyi|---(3-10)]]>其中S1表示待识别目标图像与特征图像库中纹理特征匹配的相似度距离，Fxi和Fyi表示两幅图像的归一化特征向量，S1值越大，两幅图像的相似度就越高。步骤4，提取待识别绝缘子颜色特征向量，对步骤1中采集到的绝缘子图像的HSV色彩空间进行非等间隔量化，具体按照以下步骤实施：步骤4.1，将色调H空间划分为8份，饱和度S和亮度V空间划分为3份，图像的色调H范围为[0,360°]，饱和度S和亮度V的范围为[0,1]。步骤4.2，根据H、S、V的不同范围进行色彩量化，具体如下所示：S=0,0≤S≤0.21,0.2≤S≤0.72,0.7≤S≤1.0---(4-2)]]>V={0,0≤V≤0.21,0.2≤V≤0.72,0.7≤V≤1.0---(4-3)]]>把量化后的3个颜色分量合成为一维特征向量：I＝HQsQv+SQv+V(4-4)I＝HQsQv+SQ式中Qs＝3为分量S的量化级数；Qv＝3为分量V的量化级数时3-4可表示为：I＝9H+3S+V(4-5)量化结束后的HSV空间分解成的子空间，获得72个一维直方图。步骤4.3，将步骤4.2中量化后的颜色直方图的特征向量高斯归一化到[-1,1],减少各别的元素值对归一化后的元素值的分布产生影响，特征向量的归一化的Fl计算公式如下：Fl=fl-μlσl;]]>μl=Σlfll;]]>σl=(Σlfl-μl)2l-1---(4-6)]]>其中μl表示待识别目标图像特征向量的均值，σl表示待识别目标图像特征向量的标准差，fl为72个一维直方图初始特征值且fl∈[f1,f2,f3,.......f72]；l＝1，2,3，……72.步骤4.4，利用棋盘距离公式计算待识别目标图像与特征图像库中颜色特征匹配的相似度距离。两幅图像的归一化特征向为2个72维向量可表示为：Fpl[Fp1,Fp2,Fp3,......Fp72]；Fql[Fq1,Fq2,Fq3,......Fq72]；其中棋盘距离计算公式：S2=maxl|Fpl-Fql|---(4-7)]]>其中S2表示待识别目标图像与特征图像库中纹理特征匹配的相似度距离，Fpl和Fql表示两幅图像的归一化特征向量，S2值最大，两幅图像的相似度就越高。步骤5，提取待识别的绝缘子形状特征向量，绝缘子的形状特征与外界环境无关，是物体外在的最稳定信息，也是图像最直观、最直接的可视化，采用基于区域描述方法中Hu矩算法提取绝缘子形状特征，具体按照以下步骤实施：步骤5.1，定义采集到的图像f(x,y)的p+q阶矩为：mpq=Σxxpyqf(x,y)---(5-1)]]>则，p+q阶矩的中心矩为：μpq=ΣxΣy(x-x0)p(y-y0)q---(5-2)]]>式中的表示图像区域的重心。步骤5.2，为了获取图像本身与缩放无关的性质可以对(5-2)式中的中心矩进行归一化，归一化后的中心矩表示为：ηpq=μpqμr00---(5-3)]]>式中p+q＝2,3,4，……归一化的中心距对物体的平移、缩放和旋转均保持不变。步骤5.3，利用利用公式(5-2)计算图像f(x,y)二阶和三阶中心矩，得到，μ02=ΣxΣy(x-x0)0(y-y0)2]]>μ20=ΣxΣy(x-x0)2(y-y0)0---(5-4)]]>μ03=ΣxΣy(x-x0)0(y-y0)3]]>μ30=ΣxΣy(x-x0)3(y-y0)0---(5-5)]]>其中二阶中心矩μ02和μ20分别表示围绕通过灰度质心的垂直和水平轴线的惯性矩，三阶中心矩μ03和μ30幅值可度量所分析区域对垂直和水平轴线的不对称的程度。构造7个不变矩，在连续图像的条件下可保持平移、缩放和旋转不变。所述的7个不变矩分别定义如下：二阶归一化后的中心矩表达式：η02=μ02μ200;η20=μ20μ200;η11=μ11μ200;---(5-6)]]>三阶归一化后的中心矩表达式：η12=μ12μ5200;η21=μ21μ5200;η03=μ03μ5200;η30=μ30μ5200---(5-7)]]>φ1＝η20+η02(5-8)φ2＝(η20+η02)2+4η211(5-9)φ3＝(η30-3η12)2+(3η21-η03)2(5-10)φ4＝(η30+η12)2+(η21+η03)2(5-11)φ5＝(η30-3η12)(η30+η12)[(η20+η12)2-3(η21+η03)2]+(3η21+η03)(η21+η03)[3(η30+η12)2-(η21+η03)](5-12)φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)(5-13)φ7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2](5-14)其中的φ1～φ7为7个不变矩的计算公式，各η值表示二阶、三阶归一化后的中心矩。步骤5.4，通过Hu矩算法(5-8)～(5-14)的计算公式提取待识别绝缘子7个形状特征向量，再对每个特征向量高斯归一化到[-1,1]。将待识别目标图像与特征图像库中形状特征归一化为2个7维向量可表示为：Fsi[Fs1,Fs2,Fs3,......Fs7]；Fti[Ft1,Ft2,Ft3,......Ft7]；同样，利用棋盘距离公式计算待识别目标图像与特征图像库中形状特征的匹配的相似度距离S3:S3=maxi|Fsi-Fti|---(5-15)]]>S3值最大，两幅图像的相似度就越高。步骤5.5，将提取到的绝缘子的颜色、形状及纹理特征进行特征融合。设三种特征向量融合的相似度(距离)为D，三种单一特征向量(颜色、形状及纹理的特征)的相似度(距离)S1,S2,S3所对应的权重分别为w1,w2,w3，则三种特征融合向量的相似度(距离)为，D＝s1w1+s2w2+s3w3(5-16)式中∑wi＝1；i＝1,2,3.步骤6，将步骤3、步骤4、步骤5中提取到绝缘子的3种特征进行融合，三种单一特征融合时，在相似性度量之前要对各特征量进行归一化，调整待识别目标图像与数据库中图像三个特征之间的权重。用层次分析法确定其权重，计算一致性比率CR，验证判断矩阵三个特征融合的权值是否符合要求，具体按照以下步骤实施：步骤6.1，设一幅待识别目标图像i的纹理、颜色及形状特征向量为[Oi1,Oi2,Oi3]，通过棋盘距离对待识别目标图像i和数据库中N个图像进行相似度计算，计算距离值分别记为Di1,Di2,......DiN；DiN也是待识别目标图像与数据图库中任意一个图像的三个特征距离：DiN＝[d1,iN,d2,iN,d3,iN](6-1)步骤6.2，计算出3N个距离值的均值μD及标准差σD，具体计算公式为：μD=13N(Σa=1Nfa+Σb=1Nfb+Σc=1Nfc)]]>σD=(Σa=1Nfa-μD)2+(Σb=1Nfb-μD)2+(Σc=1Nfc-μD)2N-1---(6-2)]]>其中的fa、fb、fc分别代表纹理、颜色及形状特征向量；步骤6.3，对待识别目标图像与特征库中N幅图像(N取任意正整数)相似度距离Di1,Di2,......DiN进行归一化处理，使三种不同特征向量在相似度计算上大致相同，DiN值归一化后大部分落在[0,1]区间,其表达式为：D*iN=DiN-μD3σD+12---(6-3)]]>步骤6.4，采用层次分析法确定三个特征融合的权重。用1-9标度法对特征融合后绝缘子图像的三个特征描述指标重要性进行判断，利用决策者给出的判断矩阵A导出三个特征的权重si，再用一致性比率CR检验判断矩阵满足的一致性，从而验证所导出三个特征的权重值准确性，具体的步骤是：步骤6.4.1，按照1-9标度法对三个特征权重s1,s2,s3两两的重要性比例标度进行赋值，形成判断矩阵：A1＝(apq)n×n其中apq为第p特征相对第q特征重要性的比例标度，其中，1-9标度法如下表所示：比例标度定义说明1两个特征权重同等强3一个特征权重比另一个稍微强5一个特征权重比另一个强7一个特征权重比另一个重要很强9一个特征权重比另一个绝对强2,4,6,8两个特征权重标度间折衷步骤6.4.2，取一幅绝缘子图像，在层次结构模型中，对此绝缘子图像只取第一层次，并将这一层次可分为三个类别，即纹理(C)、颜色(S)及形状(T)，则对应的判断矩阵表示为：A1=(apq)3×3=HCHCHCHSHCHTHSHCHSHSHSHTHTHCHTHSHTHT---(6-4)]]>其中的分别为颜色与形状特征比例标度、纹理与颜色特征比例标度、纹理与形状特征比例标度。一般根据用户先验知识和提取三个特征的结果分析，形状特征比其他两个特征比重大。在开始时，给出标度值一个初始取值，即设判断一致性比率CR。步骤6.4.3，对A1中每行的元素相乘并开三次方得向量Yi＝(y1,y2,y3)，计算公式如下：y1=HCHC×HCHS×HCHT3---(6-5)]]>y2=HSHC×HSHS×HSHT3---(6-6)]]>y3=HTHC×HTHS×HTHT3---(6-7)]]>对Yi进行归一化得到归一化的权向量si＝(s1,s2,s3)si=YiΣi3Yi---(6-8)]]>步骤6.4.4，对A1中每列元素求和得Zq＝(Z1,Z2,Z3)Zq=Σi3apq---(6-9)]]>步骤6.4.5，计算出判断矩阵A1最大值特征值λmax=Σi3siZq---(6-10)]]>步骤6.5，计算一致性比率CR，并利用一致性比率CR检验判断矩阵是否满足一致性，进而确定特征融合的权重值，具体的步骤为：步骤6.5.1，计算判断矩阵A1的一致性指标CI，CI=λmax-nn-1---(6-11)]]>其中n为判断矩阵A1的阶数，CI越小判断矩阵的最大特征根λmax越符合完全一致性，CI越大说明判断矩阵偏离完全一致性的程度越大。按照6-10计算判断矩阵A1其余两个特征值分别记为：λ2、λ3.求这三个最大特征值的平均值计算公式如下：λ~max=λmax+λ2+λ33---(6-12)]]>步骤6.5.2，根据公式(9-10)计算平均随机一致性指标RIRI=λ~max-nn-1---(6-13)]]>步骤6.5.3，利用计算出的CI和RI，计算一致性比率CR：CR=CIRI---(6-14)]]>当CR<0.1时判断矩阵A1具有满意一致性，即权重向量si满足矩阵方程：A1si＝λmaxsi有最大的特征值λmax，所以判断矩阵A1三特征融合的权重值符合要求，此时计算时使用的权重值即为本方法中图像融合时采用的权重值，输出融合后的绝缘子识别图像。当CR≥0.1时，判断矩阵A1不具有满意一致性，则转至步骤6.4重新进行赋值决策者需要重新对三个标度按照1-9标度法进行赋值，与前一次计算时的赋值对比后进行调整，构造新的判断矩阵A1，再分别计算权向量si、判断矩阵的最大特征λmax及一致性指标CI，最后计算一致性比率CR，直到CR<0.1成立为止。本发明的一种基于多特征信息融合技术的绝缘子识别检测方法，通过对绝缘子的纹理特征形状特征颜色特征识别，可以有效地检测绝缘子有无掉串，内外有无裂纹破损，是否存在自爆等外观缺陷，通过颜色特征的识别，检测绝缘子上污秽的程度。把绝缘子的纹理特征、颜色特征及形状特征有效相结合，对目标图像进行多特征信息融合识别检测，并通过与已建立的绝缘子三个特征数据库相似度比对识别出最终的目标绝缘子，并在线判断出其运行状态是否存在污秽、自爆、掉串、裂纹破损等故障。以此来解决绝缘子识别过程中由于信息获取不精确、不确定和不完备等因素导致的目标识别率低和故障诊断中费时费力等问题。当前第1页1 2 3