(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210446884.8 (22)申请日 2022.04.26 (71)申请人 国网四川省电力公司电力科 学研究 院 地址 610000 四川省成 都市高新区锦晖西 二街16号 (72)发明人 刘益岑　杨琳　朱军　白欢　 薛志航　董汉彬　殷成凤　郭裕钧　 张血琴　吴广宁　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 代维凡 (51)Int.Cl. G01N 21/94(2006.01) G01N 21/25(2006.01)G01R 31/12(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01) G06T 7/00(2017.01) G06T 7/10(2017.01) G06T 7/62(2017.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于多源光谱感知技术的绝缘子污秽 程度检测方法 (57)摘要 本发明公开了一种基于多源光谱感知技术 的绝缘子污秽程度检测方法， 本方法结合高光谱 图像数据、 红外图像数据以及紫外图像数据， 利 用不同波段范围下绝缘子受污秽影 响的信息， 从 多角度反映绝缘子污秽状况， 将不同光谱的优势 集中， 从污秽物质以及电气特征两大层面充分反 应污秽状态， 解决因现场绝缘子污秽成分复杂使 得单一光谱 数据信息有限的问题， 同时本方法还 能解决高光谱图像质量依赖于光照强度、 绝缘子 表面温度分布受温湿度影 响、 紫外成像技术波 段 范围窄的问题， 避免由人工对绝缘子污秽程度直 接测量带来的误差， 更加高效准确的实现绝缘子 污秽程度的整体评估， 以便及时进行线路绝缘子 的清扫工作， 提高输电线路运行的可靠性与安全 性。 权利要求书2页 说明书7页 附图1页 CN 115047010 A 2022.09.13 CN 115047010 A 1.一种基于多源光谱感知技术的绝缘子污秽程度检测方法， 其特征在于， 包括以下步 骤： S1、 分别获取样本绝缘子的高光谱图像、 红外图像和紫外视频， 将同一个样本绝缘子的 高光谱图像和红外图像按同样的方法均划分为N个区域， 并分别获取样本绝缘子的上述N个 区域的盐密值； S2、 分别对每个区域的高光谱图像和红外图像进行预处理， 得到预处理后的区域图像； 选取紫外 视频中有效帧并进行 预处理， 得到预处 理后的紫外图像； S3、 对预处理后的区域图像和紫外图像进行特征量提取， 分别得到紫外特征量、 各区域 的高光谱特 征量和各区域的红外特 征量； S4、 将紫外特征量、 高光谱特征量和红外特征量联合作 为BP神经网络模型的输入， 根据 真实盐密值对BP神经网络模型进行训练， 得到训练后的BP神经网络模型； S5、 将待测绝缘子的紫外特征量、 高光谱特征量和红外特征量进行联合后输入训练后 的BP神经网络模型， 将训练后的BP神经网络模 型的输出作为待测绝缘子的污秽程度检测结 果。 2.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法， 其特征 在于， 步骤S1中划分为 N个区域的具体方法为： 分别以样本绝缘子的高光谱图像和 红外图像的中心为圆心， 划分N个大小相同的扇形 区域。 3.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法， 其特征 在于， 步骤S2中对每 个区域的高光谱图像和红外图像进行 预处理的具体方法为： 对每个区域的高光谱图像进行 数字量化值校正、 黑白校正、 多元散射校正； 对每个区域的红外图像进行图像去噪、 图像增强和图像分割。 4.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法， 其特征 在于， 步骤S2中选取紫外 视频中有效帧并进行 预处理的具体方法为： 将高光谱图像和红外图像的拍摄时间作为基准 时间， 将紫外视频中基准 时间处的图像 帧作为基础帧， 选取基础帧前后各100帧的图片作为有效帧， 对所有有效帧进行图像去噪、 图像增强和图像分割， 得到预处 理后的紫外图像。 5.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法， 其特征 在于， 步骤S3的具体方法包括以下子步骤： S3‑1、 获取红外图像对应的预处理后的不同区域图像的盘面温度的平均值、 最大值、 最 小值和方差； S3‑2、 构建第一BP神经网络模型， 将同一区域图像的盘面温度的平均值、 最大值、 最小 值和方差 分别作为特征量输入第一BP神经网络模 型， 获取第一BP神经网络模型盐密检测准 确率大于等于 60％的特征量， 得到各区域的红外特 征量； S3‑3、 构建第二BP神经网络模型， 将预处理后的紫外图像中光子数量总数、 光子数量平 均值、 方差和光斑面积分别作为特征量输入构建第二BP神经网络模型， 获取第二BP神经网 络模型盐密检测准确率大于等于 60％的特征量， 得到紫外特 征量； S3‑4、 对于任一个区域， 获取该区域的红外图像中每个像素点的温度值， 进而得到该区 域的平均温度值；权　利　要　求　书 1/2 页 2 CN 115047010 A 2S3‑5、 选取该区域中温度值大于平均温度值的像素点作为有效像素点， 得到盘面红外 图像有效面积； S3‑6、 获取每一帧预处 理后的紫外图像的像素点个数， 根据公式： 基于每一帧预处理后的紫外图像中的光子数进行有 效像素点统计， 将统计得到的有效 像素点构成的区域作为盘面紫外图像有效面积； 其中q表示像素点i在预 处理后的紫外图像 中出现光子的数量； S3‑7、 将盘面红外图像有效面积和盘面紫外图像有效面积的相与部分作为高光谱数据 量提取的有效面积， 并提取高光谱数据量提取的有效面积中谱线 数据作为区域的高光谱特 征量， 得到各区域的高光谱特 征量。 6.根据权利要求1所述的基于多源光谱感知技术的绝缘子污秽程度检测方法， 其特征 在于， 步骤S4的具体方法包括以下子步骤： S4‑1、 将红外特征量H特征＝[h1,h2,...,ha]T、 紫外特征量Z特征＝[z1,z2,...,zb]T和高光谱 特征量G特征＝[g1,g2,...,gc]T组合成组合矩阵Zu ＝[h1,h2,...,ha,z1,z2,...,zb,g1,g2,..., gc]T； 其中ha表示红外特征量中第a个元素； [ ·]T表示矩阵的转置； zb表示紫外特征量中第b 个元素； gc表示高光谱特 征量中第c个元 素； S4‑2、 将组合矩阵进行归一化， 得到矩阵Zu标＝[h1',h2',...,ha',z1',z2',...,zb',g1', g2',...,gc']T； S4‑3、 将矩阵Zu标映射至特 征空间， 得到映射后的矩阵： φ(Zu标)＝[φ(h1'),φ(h2'),...,φ(ha'),φ(z1'),φ(z2'),...,φ(zb'),φ(g1'),φ (g2'),...,φ(gc')]T 其中φ(·)表示映射 函数； S4‑4、 根据公式： 获取协方差矩阵C； 其中xi∈Zu标， d＝a+b+c； S4‑5、 获取协方差矩阵C的特 征值r1、 r2、 ...、 re和特征向量t1、 t2、 ...、 te， 根据公式： 获取特征值rx的贡献率Go ng； 其中rx∈r1,r2,...,re； S4‑6、 将特征值的贡献率大于0.9的特征值rx对应的特征元素tx组成新的特征向量矩阵 Zxin； 其中tx∈t1,t2,...,te； S4‑7、 将特征向量矩阵Zxin与组合矩阵Zu相乘， 得到联合特征量Z联合＝[f1,f2,...,fh]； 其中fh表示第f个联合特 征值； S4‑8、 构建第三BP神经网络模型， 将每个区域对应的联合特征量Z联合作为第三BP神经网 络模型的输入， 根据真实盐密值对BP神经网络模型进行训练， 得到训练后的BP神经网络模 型。权　利　要　求　书 2/2 页 3 CN 115047010 A 3