基于机器学习的GIS典型缺陷的智能识别研究刘荣海耿磊昭杨迎春郑欣---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---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（SupportVectorMachine，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：TM930.1：ADOI：10.3969/j.issn.l003-6970.2017.08.036引言---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---GIS，即SF6气体绝缘全封闭组合电器（GasInsultedSwitchgear）。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（SupportVectorMachine，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：2GIS典型缺陷的智能识别2.1特征提取---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---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...