(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 202211342450.X (22)申请日 2022.10.31 (71)申请人 长江勘测规划设计 研究有限责任公 司 地址 430010 湖北省武汉市汉口解 放大道 1863号 (72)发明人 梁波　刘亚青　崔磊　朱钊　谌睿　 乐零陵　 (74)专利代理 机构 武汉开元知识产权代理有限 公司 42104 专利代理师 陈家安 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06T 7/11(2017.01)G06T 5/00(2006.01) G06V 10/50(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 利用机器视觉在线识别发电机气隙分布状 态的方法及系统 (57)摘要 本发明公开了一种利用机器视觉在线识别 发电机气隙分布状态的方法。 它包括如下步骤， 步骤一： 获取待测发电机定子基座、 转子及相应 气隙图像； 步骤二： 采用基于HOG特征的方法对所 摄图像中发电机转子和定子的气隙进行识别； 步 骤三： 基于Adaboo st的迭代算法对气隙的大小进 行测量； 步骤四： 采用Vibe运动目标检测方法对 所摄图像中定子和转子间气隙的变化进行识别、 测量和计算； 步骤五： 采用BP神经网络对水电站 发电机气隙进行变化趋势分析和预测， 用以预知 危险情况的发生。 本发明具有能准确监测发电机 气隙、 有效且全面监测发电机的电磁参数状态的 优点。 本发 明还公开了利用机器视觉在线识别发 电机气隙分布状态的系统。 权利要求书4页 说明书12页 附图5页 CN 115471501 A 2022.12.13 CN 115471501 A 1.一种利用机器视觉在线识别发电机气隙分布状态的方法， 其特征在于： 通过高速、 高 动态的机器视觉成像， 借助边缘识别和封闭轮廓算法， 高精度识别水轮发电机转子和定子 对象外缘， 通过图像增强、 边 缘算法、 轮廓处 理、 AI算法最终得到气隙值和气隙分布， 具体方法， 包括如下步骤， 步骤一： 获取待测发电机 定子基座、 转子及相应气隙图像； 步骤二： 采用基于 HOG特征的方法对所摄图像中发电机转子和定 子的气隙进行识别； 步骤三： 基于Adabo ost的迭代算法对气隙的大小 进行测量； 步骤四： 采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进行识 别、 测量和计算； 步骤五： 采用BP神经网络对水电站发电机气隙进行变化趋势分析和预测， 用以预知危 险情况的发生。 2.根据权利要求1所述的利用机器视觉在线识别发电机气隙分布状态的方法， 其特征 在于： 在步骤二中， 采用基于H OG特征的方法对 所摄图像中发电机转子和定子的气隙进 行识 别的方法为： 通过计算所摄图像在局部区域上 的梯度方向直方图来构成目标特征， 从而提 取目标特征， 进而描述目标的边 缘； 目标特征提取的主 要过程为： 首先把所设图像分割为若干个 像素的单 元， 同时把梯度方向平均划分为9个区间； 然后在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计， 得到一 个9维的特征向量， 由于每相邻的4个单元构成一个块， 因此把一个块内的特征向量联起来 得到36维的特征向量， 从而用块对所摄图像进行扫描； 最后将所有块的特 征串联起 来， 就得到 了目标的特 征， 其具体步骤为： S21： 将输入的彩图转换为灰度图； S22： 采用Gamma校正法对输入图像进行颜色空间 的标准化， 用于调节图像的对比度， 降 低图像局部的阴影和光照变化所造成的影响， 同时抑制噪音的干扰； S23： 计算梯度以捕获轮廓信息， 同时进一 步弱化光照的干扰； S24： 将梯度投影到单 元的梯度方向， 为局部图像区域 提供一个编码； S25： 将所有单 元格在块上进行归一 化， 进而对光照、 阴影和边 缘进行压缩； S26： 收集得到检测空间所有块的HOG特征， 并将检测窗口中所有重叠的块进行HOG特征 的收集， 并将它 们结合成最终的特 征向量供分类使用。 3.根据权利要求1或2所述的利用机器视觉在线识别发电机气隙分布状态的方法， 其特 征在于： 在步骤三中， 采用Adabo ost迭代算法进行样本分类， 具体步骤如下： S31： 初始化每 个样本的权 重 ； S32： 对每 个 ， 然后把权 重归一化为一个概率分布；                             （1）权　利　要　求　书 1/4 页 2 CN 115471501 A 2其中， 对每个特征 ， 训练一个弱分类器 计算对应所有特征的弱分类器 的加权错 误率：                     （2） 然后选取最佳的弱分类 器 ， 并按照这个最佳弱分类 器， 调整权 重：                              （3） 其中 表示被正确地分类， ， 表示被错 误地分类，                                 （4） 最后， 计算得到强分类 器为： （5） 基于多特征融合的Adaboost级联分类器将不同特征下的分类器进行加权求和， 即得到 气隙所在的区间， 进 而计算气隙的最大宽度。 4.根据权利要求３所述的利用机器视觉在线识别发电机气隙分布状态的方法， 其特征 在于： 在步骤四中， 采用Vibe运动目标检测方法对所摄图像中定子和转子间气隙的变化进 行识别、 测量和计算， 具体方法为： 背景物体包括发电子定子基座及其他固定物体； 前景物体则包括定子和转子以及两者 之间的气隙， 对应背 景物体移动的物体； 将前后帧的图像进 行对比， 进而区分背 景物体和前 景物体； Vibe运动目标检测方法为： 首先根据检测到的前景目标图像， 采用前述基于HOG特征的检测方法得到发电机气隙 轮廓上不同顶点的坐标 ， 然后基于Adaboost的迭 代算法获取发生变化后的对应顶点的坐标 ， 其 中， n表示顶 点的个数， i表 示摄像头拍摄的图像帧数索引； 基于公 式 （7） ， 分别计算气隙的大 小 ， 变化量 及速度 ： 权　利　要　求　书 2/4 页 3 CN 115471501 A 3