为准确、快速地识别高压输电线路关键部件典型小目标故障,提出一种基于图像双分割与HSV空间颜色和HELM3纹理融合特征的高压输电线路典型小目标故障识别方法。该方法以航拍高压输电线路关键部件故障图像为原始数据,其中包括线夹偏移、绝...为准确、快速地识别高压输电线路关键部件典型小目标故障,提出一种基于图像双分割与HSV空间颜色和HELM3纹理融合特征的高压输电线路典型小目标故障识别方法。该方法以航拍高压输电线路关键部件故障图像为原始数据,其中包括线夹偏移、绝缘子破损、引流线松股、链接金具锈蚀、铁塔杂物等典型小目标故障,以双分割后图像为研究对象,提取色度,饱和度,数值(hue,saturation,value,HSV)空间9个颜色特征、3层小波分解高频协方差矩阵与低频低阶矩(high frequency covariance matrix eigenvalues and lowfrequencylowerordermomentsin3-layerwavelet domain,HELM3)的18个不变纹理特征,进行支持向量机(supportvectormachine,SVM)的输电线路典型小目标故障分类识别。试验结果表明:在SVM识别模型下对高压输电线路典型小目标故障进行分类,该文的HSV和HELM3特征融合方法,相比于二者单独进行识别,平均识别率分别提高了10.89%和10.19%,达到92.64%;在不同分类模式下,该文SVM分类器的识别率比贝叶斯分类器、K近邻算法(K-nearest neighbor,KNN)分类器平均识别率提高了至少10个百分点,有明显的识别优势。展开更多
文摘为准确、快速地识别高压输电线路关键部件典型小目标故障,提出一种基于图像双分割与HSV空间颜色和HELM3纹理融合特征的高压输电线路典型小目标故障识别方法。该方法以航拍高压输电线路关键部件故障图像为原始数据,其中包括线夹偏移、绝缘子破损、引流线松股、链接金具锈蚀、铁塔杂物等典型小目标故障,以双分割后图像为研究对象,提取色度,饱和度,数值(hue,saturation,value,HSV)空间9个颜色特征、3层小波分解高频协方差矩阵与低频低阶矩(high frequency covariance matrix eigenvalues and lowfrequencylowerordermomentsin3-layerwavelet domain,HELM3)的18个不变纹理特征,进行支持向量机(supportvectormachine,SVM)的输电线路典型小目标故障分类识别。试验结果表明:在SVM识别模型下对高压输电线路典型小目标故障进行分类,该文的HSV和HELM3特征融合方法,相比于二者单独进行识别,平均识别率分别提高了10.89%和10.19%,达到92.64%;在不同分类模式下,该文SVM分类器的识别率比贝叶斯分类器、K近邻算法(K-nearest neighbor,KNN)分类器平均识别率提高了至少10个百分点,有明显的识别优势。
