一种基于卷积神经网络的复合绝缘子憎水性分布图像测定方法与流程

本申请涉及绝缘子产品检测领域，尤其涉及一种基于卷积神经网络的复合绝缘子憎水性分布图像测定方法。

背景技术：

1、复合绝缘子因其质量轻、机械强度高、绝缘性能优异等优势在输电线路中得到了大量的应用。但是由于线路中所安装的复合绝缘子长期暴露于室外空气中，受到高温、高湿、紫外线、臭氧、酸雨以及不同特性污秽的影响，使硅橡胶发生了不同程度老化，出现了褪色、开裂、粉化等现象，其外绝缘性能大大降低，给输电线路的安全带来了隐患。

2、憎水性是评估复合绝缘子老化程度的重要参数之一。目前憎水性的测定方法主要有以下三种：喷雾法、接触角法和表面张力法。其中，接触角法和表面张力法均需借助专用仪器在实验室内完成测定，过程繁琐且使用限制较多，应用面不广。而喷雾法因其操作简单、使用灵活等特点在实验室和工程现场得到了广泛的应用。

3、根据《gb/t 24622-2022绝缘子表面憎水性测量导则》的规定，通过观察固定喷雾距离和喷雾时间下的复合绝缘子表面水滴情况，对其憎水性从憎水至亲水共规定了7个等级(hc1～hc7)。然而，标准中对水滴状态无明确的定量参数描述，不同憎水性等级之间的界限较为模糊。标准中对憎水性等级确定是通过目测绝缘子表面水滴状态对照标准给定的典型照片判定等级，试验过程中仅能依靠试验人员主观判断的方式得出结论。此方式易受主观因素干扰，准确性较低。

4、复合绝缘子的伞裙经常会由于迎风面和背风面气候不同、高大建筑向阳面和背阴面受到紫外线照射程度不同等运行环境差异而出现不同程度老化。喷雾法给出的是绝缘子表面憎水性以及其围绕绝缘子变化的总体评价，而目测不能对绝缘子连续检测标注其憎水性等级以体现憎水特性分布状态，对于反应复合绝缘子伞裙不同区域的老化状况具有一定的局限性。

技术实现思路

1、本申请提供一种基于卷积神经网络的复合绝缘子憎水性分布图像测定方法，能够全面准确的反应复合绝缘子表面老化实际状态。

2、本申请的实施例提供一种基于卷积神经网络的复合绝缘子憎水性分布图像测定方法，包括以下步骤：收集表征复合绝缘子各憎水性等级的多个图像数据。搭建卷积神经网络模型。将图像数据分为训练集和测试集，利用训练集对于卷积神经网络模型中的参数进行多轮次的训练，使参数在测试集中表现的准确率最佳且稳定。获取待测绝缘子表面的图像信息。利用训练好的卷积神经网络模型对图像信息进行憎水性分布计算，得出憎水性分布结果。将憎水性分布结果以三维形式呈现，得到复合绝缘子憎水性分布图像。

3、在其中一些实施例中，收集表征复合绝缘子各憎水性等级的图像数据后，通过切割图像数据以排除图像数据中的干扰因素。

4、在其中一些实施例中，利用训练好的卷积神经网络模型对图像信息进行憎水性分布计算，得出憎水性分布结果，包括：新建一个矩阵。利用滑窗从图像信息截取图像。利用训练好的卷积神经网络模型对截取的图像的憎水性等级进行判断。将判断的憎水性等级进行数值化操作，得到憎水性等级数值。在矩阵中寻找与滑窗的位置及尺寸对应的元素，将元素均赋值为憎水性等级数值，得到憎水性分布矩阵。若滑窗未遍历完图像信息中的所有像素坐标，则移动滑窗，重复以上步骤。若滑窗遍历完图像信息中的所有像素坐标，则分别求取各个像素坐标在得到的所有憎水性分布矩阵中的均值，将均值放置于新建的一个矩阵的对应位置，作为憎水性分布结果。

5、在其中一些实施例中，矩阵的尺寸与图像信息的尺寸一致。

6、在其中一些实施例中，利用滑窗从待测绝缘子表面的图像信息截取图像前，根据获取图像信息的相机与待测绝缘子表面之间物距及相机的视野确定滑窗的尺寸大小。

7、在其中一些实施例中，移动滑窗时，按照固定的步长移动滑窗。

8、在其中一些实施例中，移动滑窗时，移动方向为先水平方向后竖直方向。

9、在其中一些实施例中，将判断的憎水性等级进行数值化操作，得到憎水性等级数值，包括：将复合绝缘子憎水性等级hc1赋予数值1，将复合绝缘子憎水性等级hc2赋予数值2，将复合绝缘子憎水性等级hc3赋予数值3，将复合绝缘子憎水性等级hc4赋予数值4，将复合绝缘子憎水性等级hc5赋予数值5，将复合绝缘子憎水性等级hc6赋予数值6，将复合绝缘子憎水性等级hc7赋予数值7。

10、在其中一些实施例中，新建一个矩阵时，矩阵的所有元素均为0。

11、在其中一些实施例中，分别求取各个像素坐标在得到的所有憎水性分布矩阵中的均值时，若出现0值时，则不参与均值的计算。

12、根据本申请实施例提供的一种基于卷积神经网络的复合绝缘子憎水性分布图像测定方法，包括以下步骤：收集表征复合绝缘子各憎水性等级的多个图像数据。搭建卷积神经网络模型。将图像数据分为训练集和测试集，利用训练集对于卷积神经网络模型中的参数进行多轮次的训练，使参数在测试集中表现的准确率最佳且稳定。获取待测绝缘子表面的图像信息。利用训练好的卷积神经网络模型对图像信息进行憎水性分布计算，得出憎水性分布结果。将憎水性分布结果以三维形式呈现，得到复合绝缘子憎水性分布图像。本申请利用卷积神经网络实现了基于喷雾法的复合绝缘子憎水性自动化检测手段，检测过程中仅需对于喷雾法后的绝缘子表面进行图像采集，即可得出判定结果，过程中无人为参与，不存在人为主观判断误差，从而全面准确的反应复合绝缘子表面老化实际状态。本申请在卷积神经网络检测的基础上，采用滑窗实现了复合绝缘子表面憎水性的分布测定方法，能够将复合绝缘子表面不同等级的憎水性形象呈现，全面准确的评估了复合绝缘子表面老化的实际状态。

技术特征：

1.一种基于卷积神经网络的复合绝缘子憎水性分布图像测定方法，其特征在于，包括以下步骤：

2.如权利要求1所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

3.如权利要求1所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

4.如权利要求3所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

5.如权利要求3所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

6.如权利要求3所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

7.如权利要求6所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

8.如权利要求3所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

9.如权利要求3所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

10.如权利要求9所述的复合绝缘子憎水性分布图像测定方法，其特征在于，

技术总结
本申请公开了一种基于卷积神经网络的复合绝缘子憎水性分布图像测定方法，包括以下步骤：收集表征复合绝缘子各憎水性等级的多个图像数据。搭建卷积神经网络模型。将图像数据分为训练集和测试集，利用训练集对于卷积神经网络模型中的参数进行多轮次的训练，使参数在测试集中表现的准确率最佳且稳定。获取待测绝缘子表面的图像信息。利用训练好的卷积神经网络模型对图像信息进行憎水性分布计算，得出憎水性分布结果。将憎水性分布结果以三维形式呈现，得到复合绝缘子憎水性分布图像。本申请的检测过程中仅需对于喷雾法后的绝缘子表面进行图像采集，即可得出判定结果，不存在人为主观判断误差，从而全面准确的反应复合绝缘子表面老化实际状态。

技术研发人员：王昱晴,聂霖,张虎,徐莹,郑传广,袁田,朱祥,陈柔,刘飞,邱志鹏
受保护的技术使用者：中国电力科学研究院有限公司
技术研发日：
技术公布日：2024/1/12