(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 202210888833.0 (22)申请日 2022.07.27 (71)申请人 云南电网有限责任公司楚雄供电局 地址 675099 云南省楚雄彝族自治州楚雄 市开发区永安路 (72)发明人 李金富　莫仕鑫　王科　吉云海　 范顺辉　李发春　李晓清　姚雪梅　 徐松　马文交　何兴华　王斌　 张宏　张延华　窦正鹏　 (74)专利代理 机构 昆明合众智 信知识产权事务 所 53113 专利代理师 张玺 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/54(2022.01)G06V 10/44(2022.01) G06V 10/56(2022.01) G06V 10/774(2022.01) (54)发明名称 一种基于机器视觉的配电变压器参数检定 方法 (57)摘要 本发明涉及电力管理技术领域， 具体地说， 涉及一种基于机器视觉的配电变压器参数检定 方法。 包括： 获取配电变压器的外观图像， 通过K ‑ means聚类算法先对图像进行分类， 再进行图像 特征提取， 得到特征信息； 基于灰色关联模型， 对 前述提取得到的特征信息进行灰色关联分析， 得 到配电变压器理论参数， 得到配电变压器参数检 定结果。 本发 明设计与以往技术中直接特征提取 图像信息相比， 可以更加高效且具有一定代表 性； 可以有效提高配电变压器参数检定的准确 性， 为配电变压器参数的机器检定提供了可能； 利用检定得到的配电变压器参数， 可以有效地解 决现有技术中的问题， 为配电变压器管控提供可 靠手段， 维护电力系统的安全运行， 降低经济损 失。 权利要求书2页 说明书8页 附图6页 CN 115393624 A 2022.11.25 CN 115393624 A 1.一种基于 机器视觉的配电变压器参数检定方法， 其特 征在于： 包括如下步骤： S1、 获取配电变压器的外观图像， 通过K ‑means聚类算法先对图像进行分类， 再进行图 像特征提取， 得到特 征信息； S2、 基于灰色关联模型， 对利用K ‑means聚类算法先分类和再图像特征提取得到的特征 信息进行 灰色关联分析， 得到配电变压器理论 参数， 得到配电变压器参数检定结果； 其中： 特征信息， 是图像的特 征信息， 包括图像的颜色特 征、 几何特 征、 纹理特征； 灰色关联模型， 是基于大量实际参数与铭牌参数相符配电变压器的历史图像以及实际 参数与铭牌 参数不符配电变压器的历史图像训练的； 配电变压器参数检定结果， 包括配电变压器额定容量检定结果、 配电变压器额定电压 检定结果及配电变压器阻抗电压检定结果。 2.根据权利要求1所述的基于机器视觉的配电变压器参数检定方法， 其特征在于： 所述 S1中， 获取配电变压器的外观图像， 通过K ‑means聚类算法先对图像进行分类， 再进行图像 特征提取， 得到特 征信息的具体方法流 程包括如下步骤： S1.1、 对待检定图像进行 预处理， 设定初始聚类中心； S1.2、 基于设定的聚类中心对待检定图像进行K ‑means聚类， 得到待检定图像的聚类结 果以及每 个聚类簇的代 表图像； S1.3、 对每 个聚类簇的代 表图像通过图像特 征提取， 得到图像的特 征信息。 3.根据权利要求2所述的基于机器视觉的配电变压器参数检定方法， 其特征在于： 所述 S1.1中， 对待检定图像进行 预处理的具体方法流 程包括如下步骤： S1.1.1、 将图像转化为灰度图， 应用基准图像的灰度值减去代表图像的灰度值， 并将差 值乘以增益系数， 得到清晰的矫 正灰度后相减的图像； S1.1.2、 设计程序， 根据基准图像去抖， 以减少待检定图像去除结果中的干扰点， 定义 图像绝对误差来评估实验图像与基准图像的重合 程度； S1.1.3、 对代表图像进行二值化处理， 进一步对代表图像进行降噪， 减少图像中存在的 干扰点， 再进行渲染处 理得到预处 理后的图像。 4.根据权利要求2所述的基于机器视觉的配电变压器参数检定方法， 其特征在于： 所述 S1.2中， 对待检定图像进行 K‑means聚类的具体方法流 程包括如下步骤： S1.2.1、 对预处理后的图像进行像素空间分类， 在每个像素簇中随机选择一个像素作 为中心点， 计算像素点到中心 点的距离， 按照最小距离原则进 行像素聚类， 得到像素点子集 合； S1.2.2、 对像素点子集合计算灰度均值， 并以计算得到的灰度值作为各个像素子集合 的标记， 并采用局部聚类分类法进行， 从而得到最终的聚类结果以及每个聚类簇的代表图 像。 5.根据权利要求2所述的基于机器视觉的配电变压器参数检定方法， 其特征在于： 所述 S1.3中， 对每 个聚类簇的代 表图像进行图像特 征提取的具体方法流 程包括如下步骤： S1.3.1、 选择HSV颜色空间作为分析模型， 确定色调和饱和度量化范围， 得到量化颜色 直方图， 从而提取图像颜色特 征； S1.3.2、 采用高斯滤波器平滑图像， 通过一阶偏导的有限差分计算梯度的幅值和方向， 采用非极大值对梯度幅值进行抑制， 采用双阈值算法进行边缘检测， 从而提取图像几何特权　利　要　求　书 1/2 页 2 CN 115393624 A 2征； S1.3.3、 计算代表图像的梯度大小和方向， 将图像分为细胞单元， 构建梯度方向直方 图， 从而提取图像的纹 理特征。 6.根据权利要求1所述的基于机器视觉的配电变压器参数检定方法， 其特征在于： 所述 S2中， 基于灰色关联模型， 对利用K ‑means聚类算法先分类和再图像特征提取得到的特征信 息进行灰色关联分析， 得到配电变压器理论参数， 得到配电变压器参数检定结果， 在此步骤 中基于的灰色关联模型需预先构建及训练， 其中， 构建灰色关联模型 的具体方法流程包括 如下步骤： S2.a.1、 基于配电变压器额定容量、 额定电压、 阻抗电压检定结果确定反映配电变压器 特征的参靠序列； S2.a.2、 基于待检定图像的颜色特征、 几何特征、 纹理特征确定影响配电变压器参数的 因素组成的比较序列； S2.a.3、 求各序列的初值像； S2.a.4、 求参考序列与比较序列的初值像对应分量之差的绝对值序列， 并计算绝对值 序列的最小值与最大值； S2.a.5、 求关联系数和关联度， 建立灰色 关联模型。 7.根据权利要求6所述的基于机器视觉的配电变压器参数检定方法， 其特征在于： 所述 S2中， 预先构建及训练灰色关联模型 的过程中， 训练灰色关联模型 的具体方法流程包括如 下步骤： S2.b.1、 基于实际参数与铭牌参数相符合的配电变压器的历史图像构建正样本， 基于 实际参数与铭牌 参数不符合的配电变压器的历史图像构建负 样本； S2.b.2、 对正样本图像和负样本图像进行分类和特征提取， 得到正样本和负样本的特 征信息， 分别将正样本和负 样本的特 征信息的一部分作为训练集、 另一部分作为测试集； S2.b.3、 利用训练集对建立的灰色 关联模型进行训练， 得到多组灰色 关联模型。 8.根据权利要求7所述的基于机器视觉的配电变压器参数检定方法， 其特征在于： 所述 S2.b.3中， 利用训练集对建立的灰色关联模 型进行训练， 得到多组灰色关联模型后， 还需通 过训练来选取最优的灰色 关联模型， 具体方法流 程包括： 利用测试集对各组灰色关联模型进行测试， 计算各组灰色关联模型的准确度， 选取准 确度高于设定阈值的模型作为 最优灰色 关联模型。 9.根据权利要求1所述的基于机器视觉的配电变压器参数检定方法， 其特征在于： 所述 S2中， 基于灰色关联模型， 对利用K ‑means聚类算法先分类和再图像特征提取得到的特征信 息进行灰色关联分析， 得到配电变压器理论参数， 得到配电变压器参数检定结果后， 还需要 通过对配电变压器参数进行检定及积累后， 对灰色关联模型进行更正改进， 具体方法流程 包括： S2.c.1、 判断所述灰色 关联模型的检定结果是否正确； S2.c.2、 将检测不正确的特征信息进行更正， 并标记为正确的样本类别标签， 作 为训练 样本继续训练灰色 关联模型， 更新灰色 关联模型。权　利　要　求　书 2/2 页 3 CN 115393624 A 3