一種基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別方法及裝置的制造方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別方法及裝置，其中方法包括：建立標(biāo)準(zhǔn)變壓器樣本；對(duì)弱分類(lèi)器進(jìn)行級(jí)聯(lián)得到強(qiáng)分類(lèi)器；計(jì)算圖像的邊緣及相關(guān)度，并將邊緣分成若干個(gè)邊緣組；對(duì)包含多邊緣的邊緣組進(jìn)行評(píng)分；通過(guò)建立數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)索引，通過(guò)計(jì)算聯(lián)結(jié)的交集矩陣判斷最大可能性的目標(biāo)區(qū)域；用訓(xùn)練得到的強(qiáng)分類(lèi)器檢測(cè)該區(qū)域內(nèi)的變壓器設(shè)備。本發(fā)明所述變壓器設(shè)備識(shí)別算法可準(zhǔn)確識(shí)別變壓器，并且可以在一定范圍的攝像機(jī)抖動(dòng)情況下，保持較高的識(shí)別準(zhǔn)確率。為智能監(jiān)控系統(tǒng)的成功應(yīng)用提供了技術(shù)保障，具有很強(qiáng)的實(shí)用價(jià)值和現(xiàn)實(shí)意義。
【專(zhuān)利說(shuō)明】
一種基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別方法及裝置，屬于圖像識(shí)別技術(shù) 領(lǐng)域。
【背景技術(shù)】
[0002] 無(wú)人值守電網(wǎng)視頻監(jiān)測(cè)系統(tǒng)形成以集控站集中控制所轄各站的管理方式，集控站 值守員除了監(jiān)視電網(wǎng)各種運(yùn)行參數(shù)外，還需承擔(dān)無(wú)人值守變電站各種設(shè)備的運(yùn)行狀態(tài)與安 全監(jiān)控。基于圖像處理技術(shù)的視頻分析有助于增強(qiáng)監(jiān)控系統(tǒng)的防范能力，提升變電站安全 問(wèn)題管理的智能化程度。
[0003] 由于圖像處理技術(shù)在無(wú)人值守變電站安全管理的應(yīng)用處于起步階段，針對(duì)于可見(jiàn) 光下變壓器設(shè)備的識(shí)別算法較少，且對(duì)于變電站復(fù)雜環(huán)境下算法魯棒性較差。因此本發(fā)明 提出一種魯棒性較強(qiáng)的變壓器設(shè)備識(shí)別算法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種能夠克服復(fù)雜背景問(wèn)題的基于圖像處理技術(shù)的變壓 器設(shè)備識(shí)別方法及裝置，本發(fā)明提出了一種融合目標(biāo)邊緣建議算法和AdaBoost算法的變壓 器分步識(shí)別算法，通過(guò)算法的融合有效提高了識(shí)別率和算法魯棒性，解決了現(xiàn)場(chǎng)背景下變 壓器設(shè)備的識(shí)別工作。
[0005] 根據(jù)本發(fā)明一方面其提供了一種基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別算法，包括 以下步驟：
[0006] 步驟1、建立標(biāo)準(zhǔn)變壓器的樣本集合，初始化樣本集合中每個(gè)樣本的權(quán)值；
[0007] 步驟2、對(duì)每個(gè)樣本，選擇弱分類(lèi)器，即
[0009] 式中Α為閾值，Xi表示第i個(gè)樣本的Haar特征值;ht(Xi)表示第t輪迭代生成的弱 分類(lèi)器，t = 1，2，…，T，T表示最大迭代次數(shù)；
[0010] 步驟3、更新每個(gè)樣本的權(quán)值;t = t+l，返回上一步驟進(jìn)行下一輪迭代循環(huán)；
[0011] 步驟4、輸出強(qiáng)分類(lèi)器，強(qiáng)分類(lèi)器H(x)由所有的弱分類(lèi)器luUhhsU)，…，hT(x)通 過(guò)加權(quán)求和得到；
[0012] 步驟5、計(jì)算待檢測(cè)圖像的邊緣點(diǎn)及相關(guān)度，并將在一條直線(xiàn)上的邊緣點(diǎn)集合成一 個(gè)邊緣組，得到多個(gè)邊緣組；
[0013] 步驟6、對(duì)每個(gè)邊緣組進(jìn)行評(píng)分，評(píng)分公式如下：
[0015] 其中，hb代表對(duì)邊框b內(nèi)的邊緣組的評(píng)分，ω b(Sl) e [0，1 ]代表邊緣組81包含在邊 框b內(nèi)的程度，bu，bh分別代表邊框b的寬度和高度，ΠΗ代表第i個(gè)邊緣的相關(guān)度，設(shè)K = 1.5,用 以消除較大窗口在平均值上帶來(lái)的波動(dòng);邊框?yàn)槔胋滑窗方式在邊緣圖像上生成一系列 候選框；
[0016] 步驟7、通過(guò)建立數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)索引，通過(guò)計(jì)算聯(lián)結(jié)的交集矩陣判斷最大可能性的 目標(biāo)區(qū)域，并用強(qiáng)分類(lèi)器檢測(cè)該目標(biāo)區(qū)域內(nèi)的變壓器設(shè)備。
[0017] 根據(jù)本發(fā)明另一方面，其還提供了一種基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別裝 置，包括：
[0018] 樣本建立模塊，用于建立標(biāo)準(zhǔn)變壓器的樣本集合，初始化樣本集合中每個(gè)樣本的 權(quán)值；
[0019] 弱分類(lèi)器訓(xùn)練模塊，用于對(duì)每個(gè)樣本，選擇當(dāng)前迭代循環(huán)下的弱分類(lèi)器，即
[0021]式中：為閾值，Xi表示第i個(gè)樣本的Haar特征值;ht(Xi)表示第t輪迭代生成的弱 分類(lèi)器，t = 1，2，…，T，T表示最大迭代次數(shù)；
[0022]更新每個(gè)樣本的權(quán)值;t = t+l，進(jìn)行下一輪迭代循環(huán)；
[0023]強(qiáng)分類(lèi)器訓(xùn)練模塊，用于輸出強(qiáng)分類(lèi)器，強(qiáng)分類(lèi)器H(x)由所有的弱分類(lèi)器^(χ)，^ (X)，…，hT(x)通過(guò)加權(quán)求和得到；
[0024] 邊緣組獲取模塊，用于計(jì)算待檢測(cè)圖像的邊緣點(diǎn)及相關(guān)度，并將在一條直線(xiàn)上的 邊緣點(diǎn)集合成一個(gè)邊緣組，得到多個(gè)邊緣組；
[0025] 邊緣組評(píng)分模塊，用于對(duì)每個(gè)邊緣組進(jìn)行評(píng)分，評(píng)分公式如下：
[0027] 其中，hb代表對(duì)邊框b內(nèi)的邊緣組的評(píng)分，《"81)6[0，1]代表邊緣組81包含在邊 框b內(nèi)的程度，bu，bh分別代表邊框b的寬度和高度，πη代表第i個(gè)邊緣的相關(guān)度，設(shè)κ = 1.5,用 以消除較大窗口在平均值上帶來(lái)的波動(dòng);邊框?yàn)槔胋滑窗方式在邊緣圖像上生成一系列 候選框；
[0028] 目標(biāo)檢測(cè)模塊，用于通過(guò)建立數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)索引，通過(guò)計(jì)算聯(lián)結(jié)的交集矩陣判斷 最大可能性的目標(biāo)區(qū)域，并用所述強(qiáng)分類(lèi)器檢測(cè)該目標(biāo)區(qū)域內(nèi)的變壓器設(shè)備。
[0029]本發(fā)明提供的一種基于圖像處理技術(shù)變壓器設(shè)備的識(shí)別方法，有效地提升了變壓 器的識(shí)別效果，為后續(xù)的故障檢測(cè)工作提供了良好的鋪墊，并大大地提高了目標(biāo)的檢測(cè)速 度，具有較強(qiáng)的實(shí)用價(jià)值和現(xiàn)實(shí)意義。
【附圖說(shuō)明】
[0030]圖1是本發(fā)明中基于圖像識(shí)別的變壓器設(shè)備識(shí)別的方法的方法流程示意圖；
[0031 ]圖2是本發(fā)明中的目標(biāo)建議方法流程示意圖；
[0032]圖3是本發(fā)明中的AdaBoost算法流程示意圖。
【具體實(shí)施方式】
[0033] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照 附圖，對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。
[0034] 圖1為本發(fā)明提供的一種基于圖像識(shí)別的變壓器設(shè)備識(shí)別的方法整體流程圖，圖2 為本發(fā)明中的目標(biāo)建議方法流程圖，圖3是本發(fā)明中的AdaBoost方法流程圖。
[0035]如圖1-3所示，本發(fā)明提供的一種基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別方法具體 包括以下步驟：
[0036] A、通過(guò)圖像采集設(shè)備對(duì)圖像數(shù)據(jù)進(jìn)行采集，獲得原始圖像數(shù)據(jù)，并對(duì)原始圖像數(shù) 據(jù)進(jìn)行裁剪、尺寸歸一化、灰度化等預(yù)處理，獲得標(biāo)準(zhǔn)圖像數(shù)據(jù)作為樣本庫(kù)，其中包括變壓 器設(shè)備的為正樣本，不包括變壓器設(shè)備的為負(fù)樣本。
[0037] B、通過(guò)積分圖的概念計(jì)算每個(gè)樣本的Haar特征值，并初始化樣本權(quán)重，其中Haar 特征模板的特征值定義為：白色矩形像素和減去黑色矩形像素和。
[0038] C、初始化訓(xùn)練數(shù)據(jù)的權(quán)值分布Di。每一個(gè)訓(xùn)練樣本最開(kāi)始時(shí)都被賦予相同的權(quán)重
[0039] Di= (wn,wi2---wii··· ,win) (3)
[0041] 式中：N為訓(xùn)練樣本數(shù)量，? = 1，2，···，Ν，表示第i個(gè)訓(xùn)練樣本，wu表示第i個(gè)樣本的 初始權(quán)重。
[0042] D、對(duì)每個(gè)樣本，選擇弱分類(lèi)器ht:X-Y，即
[0044]式中:X表示訓(xùn)練樣本，Y表示訓(xùn)練樣本所屬的類(lèi)別。ht(Xl)表示第t輪迭代生成的弱 分類(lèi)器，t = 1，2，…，T，T表示最大迭代次數(shù)，Xi表示第i個(gè)樣本的Haar特征值，為閾值，一般 取該類(lèi)特征值的中值，然后計(jì)算錯(cuò)誤率，該錯(cuò)誤率為被弱分類(lèi)器誤分類(lèi)的樣本的權(quán)值之和，
其中yi表示第i個(gè)樣本所屬類(lèi)別。 ，.
[0045] E、更新樣本權(quán)值，t = t+l，返回步驟D進(jìn)行循環(huán)迭代。其中，樣本權(quán)重值如下更新：
[0047] 式中：Zt是歸一化因子，歸一化使得 2Dt(Xi，yi) = l，at = 〇.51n[(l-et)/et]。
[0048] F、輸出強(qiáng)分類(lèi)器:完成T輪迭代后，得到T個(gè)弱分類(lèi)器，按更新的權(quán)重疊加，最終得 到的強(qiáng)分類(lèi)器H(x)。
[0050]式中，at是第t輪訓(xùn)練后產(chǎn)生的弱分類(lèi)器ht(x)的性能評(píng)價(jià)因子，由ht(x)作用于樣 本集產(chǎn)生的分類(lèi)錯(cuò)誤的樣本權(quán)重之和et來(lái)決定，^是^的減函數(shù)，et越小，則ht(x)的重要性 越大。強(qiáng)分類(lèi)器H(x)由所有的弱分類(lèi)器匕⑴上⑴^-扣⑴通過(guò)加權(quán)求和得到凋這個(gè)強(qiáng) 分類(lèi)器對(duì)待一副待檢測(cè)圖像時(shí)，相當(dāng)于讓所有弱分類(lèi)器投票，再對(duì)投票結(jié)果按照弱分類(lèi)器 的錯(cuò)誤率加權(quán)求和，將投票加權(quán)求和的結(jié)果與平均投票結(jié)果比較得出最后的結(jié)果；
[0051] G、待檢測(cè)圖像的粗定位 [0052] ①計(jì)算邊緣組和相關(guān)性
[0053]通過(guò)結(jié)構(gòu)化邊緣檢測(cè)算法得到待測(cè)圖像的邊緣圖像，并通過(guò)簡(jiǎn)單的"滑窗"方式在 邊緣圖像上生成一系列候選框b。采用貪心算法將近乎在一條直線(xiàn)上的邊緣點(diǎn)集合成一個(gè) 邊緣組，具體做法為：不停地尋找8連通的邊緣點(diǎn)，直到兩兩邊緣點(diǎn)之間的方向角度差值的 和大于V2。得到Μ個(gè)邊緣組后進(jìn)一步計(jì)算兩個(gè)邊緣組之間的相似度a，計(jì)算公式如下：
[0054] a(si,sj)= | cos(0i-0ij)cos(9j-0ij) | γ (8)
[0055] 式中：si，sj為兩個(gè)邊緣組，θ?，θ」分別為邊緣組Si，Sj的角度，g卩邊緣組中的邊緣點(diǎn) 構(gòu)成的直線(xiàn)與水平軸之間的夾角，Θij為 Si，Sj間的夾角，γ的值被用來(lái)調(diào)節(jié)相關(guān)性的敏感 度，從而改變角度，為一預(yù)定常數(shù)；
[0056] ②邊框計(jì)分
[0057] 對(duì)每組邊緣組計(jì)算一個(gè)權(quán)值ω b(si) e [0, 1]，表示邊緣組si是否全部包含在b內(nèi)。 Wb(si) = l，則把該邊緣組歸為匕內(nèi)，c〇b(si)=0,則歸為b外。權(quán)值計(jì)算公式如下：
[0059] 式中:K是長(zhǎng)度為|K |的邊緣組有序路徑集合。
[0060] 計(jì)算權(quán)值后定義邊框計(jì)分公式如下：
[0062] bu，bh分別代表候選框b的寬度和高度，設(shè)κ = 1.5，用以消除較大窗口在平均值上 帶來(lái)的更多邊緣數(shù)量，nu為邊緣組81中的邊緣點(diǎn)與邊框邊界的相關(guān)度。
[0063] ③篩選興趣邊緣組
[0064] 在每一行像素點(diǎn)建立兩組數(shù)據(jù)結(jié)構(gòu)，提出一種基于兩種額外數(shù)據(jù)結(jié)構(gòu)的能有效查 找搜索框b每邊的相交邊緣組。圖像的每一行建立兩種數(shù)據(jù)結(jié)構(gòu)，第一種數(shù)據(jù)結(jié)構(gòu)存儲(chǔ)了 r 行的邊緣組次序的有序清單Lr，通過(guò)存儲(chǔ)r行中邊緣組順序建立該清單。第二種數(shù)據(jù)結(jié)構(gòu)是 Kr，具有圖像寬度一樣的尺寸，存儲(chǔ)r行每一 c列相關(guān)索引到Kr。使用這兩種數(shù)據(jù)結(jié)構(gòu)，我們通 過(guò)索引Kr(C0)到Kr( C1)有效查找覆蓋邊界組。
[0065] ④粗略定位
[0066] 對(duì)候選框進(jìn)行以上處理后，從中篩選出可能包含所測(cè)目標(biāo)的框，實(shí)現(xiàn)粗略定位。邊 框定位的準(zhǔn)確率通常通過(guò)聯(lián)結(jié)的交集矩陣I〇U判斷。IoU計(jì)算了待選框的交集和聯(lián)合區(qū)域劃 分真實(shí)邊框。當(dāng)評(píng)估監(jiān)測(cè)算法時(shí)，若I〇U閾值為0.5，則通常用來(lái)判斷該檢測(cè)是否正確，通過(guò) 閾值劃分大致范圍。
[0067] H、待檢測(cè)圖像的細(xì)定位
[0068] 對(duì)G步驟的粗略定位結(jié)果采用F步驟得到的強(qiáng)分類(lèi)器進(jìn)行特征檢測(cè)計(jì)算，進(jìn)一步剔 除誤檢目標(biāo)，實(shí)現(xiàn)細(xì)定位，從而識(shí)別復(fù)雜環(huán)境下的變壓器設(shè)備。
[0069] 本發(fā)明在實(shí)施例的軟件設(shè)計(jì)中，設(shè)置了導(dǎo)入功能可提供導(dǎo)入單幅圖片或多幅圖 片，設(shè)置了識(shí)別功能包括顯示識(shí)別字符信息、顯示識(shí)別效果圖、顯示識(shí)別位置信息，同時(shí)能 夠?qū)π枰膱D片進(jìn)行存儲(chǔ)保存，采用人性化的界面設(shè)計(jì)使軟件的整體使用更加容易操作。
[0070] 以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳 細(xì)說(shuō)明，應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在 本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù) 范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別方法，其特征在于，包括以下步驟： 步驟1、建立標(biāo)準(zhǔn)變壓器的樣本集合，初始化樣本集合中每個(gè)樣本的權(quán)值； 步驟2、對(duì)每個(gè)樣本，選擇弱分類(lèi)器，即式中：0i為閾值，Xi表不第iT杵守γ止俚;htUi;表不第t輪迭代生成的弱分類(lèi) 器，t = l，2,…，T，T表示最大迭代次數(shù)； 步驟3、更新每個(gè)樣本的權(quán)值;t = t+l，返回上一步驟進(jìn)行下一輪迭代循環(huán)； 步驟4、輸出強(qiáng)分類(lèi)器，強(qiáng)分類(lèi)器H(x)由所有的弱分類(lèi)器111&)，112&)，...，&(4通過(guò)加 權(quán)求和得到； 步驟5、計(jì)算待檢測(cè)圖像的邊緣點(diǎn)及相關(guān)度，并將在一條直線(xiàn)上的邊緣點(diǎn)集合成一個(gè)邊 緣組，得到多個(gè)邊緣組； 步驟6、對(duì)每個(gè)邊緣組進(jìn)行評(píng)分，評(píng)分公式如下：其中，hb代表對(duì)邊框b內(nèi)的邊緣組的評(píng)分，〇^(81)6[〇，1]代表邊緣組81包含在邊框13內(nèi) 的程度，bu，bh分別代表邊框b的寬度和高度，nu代表第i個(gè)邊緣的相關(guān)度，設(shè)κ = 1.5，用以消 除較大窗口在平均值上帶來(lái)的波動(dòng);邊框?yàn)槔胋滑窗方式在邊緣圖像上生成一系列候選 框； 步驟7、通過(guò)建立數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)索引，通過(guò)計(jì)算聯(lián)結(jié)的交集矩陣判斷最大可能性的目標(biāo) 區(qū)域，并用強(qiáng)分類(lèi)器檢測(cè)該目標(biāo)區(qū)域內(nèi)的變壓器設(shè)備。2. 如權(quán)利要求1所述的方法，其中，步驟1包括： 通過(guò)圖像采集設(shè)備對(duì)圖像數(shù)據(jù)進(jìn)行采集，獲得原始圖像數(shù)據(jù)，并對(duì)原始圖像數(shù)據(jù)進(jìn)行 預(yù)處理，獲得標(biāo)準(zhǔn)圖像數(shù)據(jù)作為樣本，其中包括變壓器設(shè)備的為正樣本，不包括變壓器設(shè)備 的為負(fù)樣本； 通過(guò)積分圖的概念計(jì)算每個(gè)樣本的Haar特征值，并初始化樣本權(quán)重，其中Haar特征模 板的特征值定義為：白色矩形像素和減去黑色矩形像素和； 初始化用于訓(xùn)練的樣本的權(quán)值分布Di，每一個(gè)訓(xùn)練的樣本最開(kāi)始時(shí)都被賦予相同的權(quán) 重，N為訓(xùn)練樣本數(shù)量。 N3. 如權(quán)利要求1所述的方法，其中，步驟3中如下更新樣本權(quán)值：其中，Zt是歸一化因子，歸一化使得 2Dt(xi，yi) = 1，at = 〇.51n[(l-et)/et]，Dt+i(xi，yi) 為更新后的樣本權(quán)值，Dt+i(xi，yi)為更新前樣本權(quán)值，yi表示第i個(gè)樣本所屬類(lèi)別；εt為被所 述弱分類(lèi)器誤分類(lèi)的樣本的權(quán)值之和。4. 如權(quán)利要求1所述的方法，其中，強(qiáng)分類(lèi)器H(x)如下表示：其中，at是第t輪訓(xùn)練后產(chǎn)生的弱分類(lèi)器ht(x)的性能評(píng)價(jià)因子。5. 如權(quán)利要求1所述的方法，其中，wb(si)如下計(jì)算：fi' 其中，K是長(zhǎng)度為IK I的邊緣組有序路徑集合，a(Sk，Sk+1)表示K中第k個(gè)邊緣組Sk與第k+1 個(gè)邊緣組Sk+l之間的相似度。6. -種基于圖像處理技術(shù)的變壓器設(shè)備識(shí)別裝置，其特征在于，包括： 樣本建立模塊，用于建立標(biāo)準(zhǔn)變壓器的樣本集合，初始化樣本集合中每個(gè)樣本的權(quán)值； 弱分類(lèi)器訓(xùn)練模塊，用于對(duì)每個(gè)樣本，選擇當(dāng)前迭代循環(huán)下的弱分類(lèi)器，即式中為閾值，Xl表示第i個(gè)樣本的Haar特征值;ht(Xl)表示第t輪迭代生成的弱分類(lèi) 器，t = l，2,…，T，T表示最大迭代次數(shù)； 更新每個(gè)樣本的權(quán)值;t = t+1，進(jìn)行下一輪迭代循環(huán)； 強(qiáng)分類(lèi)器訓(xùn)練模塊，用于輸出強(qiáng)分類(lèi)器，強(qiáng)分類(lèi)器H(x)由所有的弱分類(lèi)器tuUKhs (X)，…·，hT(x)通過(guò)加權(quán)求和得到； 邊緣組獲取模塊，用于計(jì)算待檢測(cè)圖像的邊緣點(diǎn)及相關(guān)度，并將在一條直線(xiàn)上的邊緣 點(diǎn)集合成一個(gè)邊緣組，得到多個(gè)邊緣組； 邊緣組評(píng)分模塊，用于對(duì)每個(gè)邊緣組進(jìn)行評(píng)分，評(píng)分公式如下：其中，hb代表對(duì)邊框b內(nèi)的邊緣組的評(píng)分，〇^(81)6[0，1]代表邊緣組81包含在邊框13內(nèi) 的程度，bu，bh分別代表邊框b的寬度和高度，nu代表第i個(gè)邊緣的相關(guān)度，設(shè)K = 1.5，用以消 除較大窗口在平均值上帶來(lái)的波動(dòng);邊框?yàn)槔胋滑窗方式在邊緣圖像上生成一系列候選 框； 目標(biāo)檢測(cè)模塊，用于通過(guò)建立數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)索引，通過(guò)計(jì)算聯(lián)結(jié)的交集矩陣判斷最大 可能性的目標(biāo)區(qū)域，并用所述強(qiáng)分類(lèi)器檢測(cè)該目標(biāo)區(qū)域內(nèi)的變壓器設(shè)備。7. 如權(quán)利要求6所述的裝置，其中，所述樣本建立模塊包括： 樣本采集子模塊，用于通過(guò)圖像采集設(shè)備對(duì)圖像數(shù)據(jù)進(jìn)行采集，獲得原始圖像數(shù)據(jù)，并 對(duì)原始圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲得標(biāo)準(zhǔn)圖像數(shù)據(jù)作為樣本，其中包括變壓器設(shè)備的為正樣 本，不包括變壓器設(shè)備的為負(fù)樣本； 特征計(jì)算子模塊，用于通過(guò)積分圖的概念計(jì)算每個(gè)樣本的Haar特征值，并初始化樣本 權(quán)重，其中Haar特征模板的特征值定義為：白色矩形像素和減去黑色矩形像素和； 權(quán)重初始化子模塊，用于初始化用于訓(xùn)練的樣本的權(quán)值分布Di，每一個(gè)訓(xùn)練的樣本最開(kāi) 始時(shí)都被賦予相同的權(quán)重~^，N為訓(xùn)練樣本數(shù)量。 N8. 如權(quán)利要求6所述的裝罾，其中，弱分類(lèi)器訓(xùn)練樽塊如下審新樣本權(quán)值：其中，Zt是歸一化因子，歸一化使得 2Dt(xi，yi) = 1，at = 〇.51n[(l-et)/et]，Dt+i(xi，yi) 為更新后的樣本權(quán)值，Dt+i(xi，yi)為更新前樣本權(quán)值，yi表示第i個(gè)樣本所屬類(lèi)別；εt為被所 述弱分類(lèi)器誤分類(lèi)的樣本的權(quán)值之和。9. 如權(quán)利要求6所述的裝置，其中，強(qiáng)分類(lèi)器H(x)如下表示：其中，at是第t輪訓(xùn)練后產(chǎn)生的弱分類(lèi)器ht(x)的性能評(píng)價(jià)因子。10. 如權(quán)利要求6所述的裝置，其中，《b(Sl)如下計(jì)算：其中，K是長(zhǎng)度為| K |的邊緣組有序路徑集合，a(Sk，sk+1)表示K中第k個(gè)邊緣組Sk與第k+1 個(gè)邊緣組Sk+l之間的相似度。
【文檔編號(hào)】G06K9/62GK105868776SQ201610178321
【公開(kāi)日】2016年8月17日
【申請(qǐng)日】2016年3月25日
【發(fā)明人】趙曉光, 孫世穎, 陳宏凱, 譚民, 王天正, 鄒小峰, 劉元華, 郭宇智, 李澤仁
【申請(qǐng)人】中國(guó)科學(xué)院自動(dòng)化研究所, 國(guó)網(wǎng)山西省電力公司電力科學(xué)研究院, 山西振中電力股份有限公司