本发明涉及电压致热型缺陷识别，特别是涉及一种基于温场分布的电气设备电压致热型缺陷识别方法。
背景技术：
1、变电站中电气设备的发热故障占较大比例，在电气设备红外检测的行业规范中，将电气设备分为电流致热型、电压致热型和综合致热型设备，高压套管、绝缘子、避雷器等电压致热型设备的发热状态检测是比较困难的，依赖环境、操作人员的经验和精确检测的操作水平，变电站电气设备长期处于高负荷运行状态，确保其安全稳定是保障供电可靠性的重要研究方向。因此，如何掌握电气设备电压致热型发热缺陷的正确诊断方法十分重要，对其进行热状态监控，完成电气设备关键部位的热状态分析和诊断，可以有效的保障变电站电气设备以至整个电力系统安全可靠运行。
2、目前，国内外电气设备致热型缺陷识别技术的主要现状和问题总结如下：
3、1)基于centernet模型的结构化定位方法，利用电力设备红外图像缺陷检测方法，采用centernet结合结构化定位的算法模型，通过对现场红外图像数据样本收集、训练及验证算法模型的计算，实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别定位出来，根据设备部件表面温度范围值和识别定位出的变电设备类型，结合相关温度规范实现电力设备红外图像缺陷检测，该方法提高了电力设备红外图像缺陷检测的精度，结合温度规范完成电加热装置致热型缺陷检测。但是该方法的缺陷识别率较低。
4、2)基于图像增强与深度学习的变电设备红外热像识别方法，针对变电设备红外热像对比度低、边缘模糊与变电站背景复杂的特点，提出结合快速导向滤波的参数自调整retinex红外热像增强方法，为变电设备红外热像的精准识别提供条件，并改进yolov3卷积神经网络的特征提取网络与损失函数，解决了变电设备红外热像识别精度低的难题。但是该方法存在缺陷误报率高的问题。
5、3)基于深度学习的变电设备红外缺陷识别方法，利用faster rcnn算法对变压器、套管、断路器、隔离开关、电压互感器、电流互感器、避雷器7种变电设备进行目标检测，实现设备的精准定位、识别，然后利用温度阈值判别法对设备区域进行致热型缺陷识别，判别设备是否存在缺陷及严重程度，实验验证了其可行性与准确性。但是该方法未能考虑红外图像对比度低对识别结果的影响，且faster rcnn等二阶段模型检测耗时长，无法满足实时性的要求。
6、目前电气设备致热型缺陷识别技术难以适用于电气设备背景复杂、多种设备外形类似及缺陷表现形式多样的场景，且目前的红外图像缺陷诊断基本都是对单体设备进行识别及缺陷诊断，难以发现温升较小的电压致热型缺陷。
技术实现思路
1、为实现电压致热型缺陷智能诊断，本发明提出了一种基于温场变化的电气设备电压致热型缺陷识别方法，采用yolov4和多特征融合的电压致热型缺陷红外诊断，为电压致热型故障检测提供了条件和新的思路，并为变电站实时精确监测打下了基础，实现电气设备热故障诊断的智能化与精确化。
2、为了实现本发明的目的，所采用的技术方案是：一种基于温场分布的电气设备电压致热型缺陷识别方法，包括：
3、1)基于温场分布的电气设备电压致热型缺陷识别方法采用优化后的yolov4算法实现对发生电压致热型缺陷的电气设备关键部位的快速识别和定位，实现故障目标部位的自动分割并保存；
4、2)然后对分割目标部位的图像提取其颜色、边缘和纹理特征，继而通过dca(判别相关分析)融合算法对三种特征进行融合，得到多特征融合向量；
5、3)最后根据分割目标部位的图像建立的数据集，利用支持向量机svm实现电压致热型设备故障的识别和分类。
6、作为本发明的优化方案，优化yolov4算法是指：针对红外图像中存在背景复杂度不均衡的问题，对yolov4算法分别进行参数优化、损失函数优化和检验框优化；选用adam优化器(adam optimizer)进行参数优化；利用梯度的一阶矩阵估计与二阶矩阵估计，综合梯度算法与rms梯度下降算法，经过优化后的损失函数由置信度损失函数和位置回归损失函数两部分构成；对发生电压致热型缺陷的电气设备红外图像中候选框(default box)是相对较多的，要对其进行抑制，保留得分最高的框作为检验框。
7、作为本发明的优化方案，对分割目标部位的图像提取其颜色、边缘和纹理特征是指：取基于hsv(色调、饱和度、明度)空间的颜色特征直方图，并计算目标图像的边缘特征，通过计算红外图像中每个像素的梯度大小和方向，提取出红外图像故障区域的边缘特征直方图；利用中心对称的局部二值模式(ocs-lbp)，计算邻域中对相对像素之间的差异，提取识别目标的纹理特征，该过程不需要太多的参数，抵抗噪声的能力较强。
8、作为本发明的优化方案，颜色特征提取是指：颜色直方图是红外图像特征的重要信息，hsv(色调、饱和度、明度)更接近人眼对颜色的定义，采用二维直方图方法将hsv空间划分为8个色调，每个色调分为8个亮度，每幅图像可以表示为64维矢量，将h、s、v各分量特征数据合成一维向量，作为融合特征中的一种输入向量，提高了对各种图像特征的识别率。
9、作为本发明的优化方案，计算目标图像的边缘特征是指利用sobel边缘检测器的梯度算子进行轮廓特征的计算。边缘提取通过减少冗杂信息来简化红外图像的分析，并保留设备关键部位的边界结构信息，sobel边缘检测器是一种较优的边缘检测器，广泛应用于图像处理领域，基于电气设备红外图像的特点及分析。
10、作为本发明的优化方案，通过dca融合算法对三种特征进行融合是指：基于判别相关分析对颜色、轮廓和纹理特征进行融合处理，特征融合的是将从图像场景中提取的两个或多个相关特征组合成一个比输入特征向量更具有鉴别信息的特征向量。
11、作为本发明的优化方案，利用支持向量机svm实现电压致热型设备故障的识别和分类是指：将整理好的电气设备红外图像的融合特征数据输入到svm分类器中，根据下式进行缺陷识别和故障分类：
12、
13、其中，sgn(.)是分类函数，ω0是超平面法向量，x(t)是测试样本，b0是超平面常数项。
14、本发明具有积极的效果：1)本发明优化后的yolov4的电压致热型设备红外图像目标检测算法，优化了该算法参数、损失函数，提升了对电压致热型缺陷目标设备的检测性能的速度和精确度，能够弱化背景等干扰信息，可使红外图像中的目标设备被准确地定位和识别出来，为接下来电压致热型缺陷的故障诊断奠定基础；
15、2)本发明采用图像多特征提取并融合的方法，开创性地采用提取多特征的方法，对电压致热型设备红外图像提取颜色特征、轮廓特征以及纹理特征，并利用dca(判别相关分析)的融合方法进行融合，采用适用于小样本分类的支持向量机对电压致热型设备的被检测部位进行精准的故障诊断。
16、3)本发明dca(判别相关分析)融合方法能很好地表达低维图像场景，一定程度上降低了环境因素对故障目标特征识别的影响，并且优于仅利用单一特征的方法，为电压致热型缺陷识别检测提供了条件，并为变电站实时精确监测打下了基础；
17、4)本发明能有效识别电压致热型缺陷，可对电气设备进行热状态监控，完成电气设备关键部位的热状态分析和诊断，可以有效的保障变电站电气设备以至整个电力系统安全可靠运行。
1.一种基于温场分布的电气设备电压致热型缺陷识别方法，其特征在于，包括：
2.根据权利要求1所述的基于温场分布的电气设备电压致热型缺陷识别方法，其特征在于，优化yolov4算法是指：对yolov4算法分别进行参数优化、损失函数优化和检验框优化；选用adam优化器进行参数优化；利用梯度的一阶矩阵估计与二阶矩阵估计，综合梯度算法与rms梯度下降算法，经过优化后的损失函数由置信度损失函数和位置回归损失函数两部分构成；对发生电压致热型缺陷的电气设备红外图像中候选框，保留得分最高的框作为检验框。
3.根据权利要求1所述的基于温场分布的电气设备电压致热型缺陷识别方法，其特征在于，对分割目标部位的图像提取其颜色、边缘和纹理特征是指：取基于hsv空间的颜色特征直方图，并计算目标图像的边缘特征，通过计算红外图像中每个像素的梯度大小和方向，提取出红外图像故障区域的边缘特征直方图；利用中心对称的局部二值模式，计算邻域中对相对像素之间的差异，提取识别目标的纹理特征。
4.根据权利要求3所述的基于温场分布的电气设备电压致热型缺陷识别方法，其特征在于，颜色特征提取是指：采用二维直方图方法将hsv空间划分为8个色调，每个色调分为8个亮度，每幅图像可以表示为64维矢量，将h、s、v各分量特征数据合成一维向量，作为融合特征中的一种输入向量。
5.根据权利要求3所述的基于温场分布的电气设备电压致热型缺陷识别方法，其特征在于，计算目标图像的边缘特征是指利用sobel边缘检测器的梯度算子进行轮廓特征的计算。
6.根据权利要求1所述的基于温场分布的电气设备电压致热型缺陷识别方法，其特征在于，通过dca融合算法对三种特征进行融合是指：基于判别相关分析对颜色、轮廓和纹理特征进行融合处理，特征融合的是将从图像场景中提取的两个或多个相关特征组合成一个具有鉴别信息的特征向量。
7.根据权利要求1所述的基于温场分布的电气设备电压致热型缺陷识别方法，其特征在于，利用支持向量机svm实现电压致热型设备故障的识别和分类是指：将整理好的电气设备红外图像的融合特征数据输入到svm分类器中，根据下式进行缺陷识别和故障分类：
