【技術實現步驟摘要】
本專利技術涉及圖像處理，具體涉及一種電網基站部件缺陷識別的圖像分割技術優化方法。
技術介紹
1、由于k-means聚類算法隨機確定初始聚類數目，而且原始數據集中含有大量的冗余特征會導致聚類時精度降低，其次k-means算法對初始聚類中心的依賴性較高，容易出現局部最優停滯的問題。
2、k-means聚類是一種無監督學習方法，基本思想是根據樣本之間的距離和相似度，把相似度高、差異小的類聚為一類，使得同一類別之間的樣本具有高相似度，不同類別間的樣本具有高差異性，但傳統k-means聚類方法比較依賴聚類數k的選取，效果差強人意。
3、k-means是一種常見的圖像分割方法，但在實際應用中也存在一些缺陷，首先，其結果會受到初始質心的影響，導致聚類結果不穩定；其次，需要預先確定簇數k，這會影響分割的準確性；此外，k-means算法對噪聲和異常值較為敏感，容易受到其干擾；另外，k-means只根據像素的顏色或灰度值進行聚類，忽略了像素之間的空間關系，無法處理復雜的圖像內容；最后，對于大型圖像，k-means算法的計算復雜度較高，處理時間較長。
4、近年來，最優控制問題在解決實際問題中越來越重要。在這方面，元啟發式算法在有效地解決這些問題時是有效的。然而，這些算法可能不是有效地解決所有的優化問題。因此，本專利技術專利提出了一種新的基于霸王龍狩獵的優化算法，霸王龍優化算法(troa)。該算法的靈感來自于霸王龍的狩獵行為。該算法在12個基準問題和4個實際最優控制問題上進行了測試。將微分進化(de)算法、粒子群優化
技術實現思路
1、針對上述現有技術中的上述問題，本專利技術提供一種電網基站部件缺陷識別的圖像分割技術優化方法，通過改進霸王龍優化算法優化k-means算法，以獲得全局最優值k進行圖像分割，增強電網基站部件圖像缺陷檢測效果，同時優化后的模型還展現了強特征提取、強抗噪能力的特點。
2、為了實現上述目的，本專利技術采用的技術方案如下：
3、一種電網基站部件缺陷識別的圖像分割技術優化方法，包括以下步驟。
4、步驟一、通過監控攝像頭采集電網基站部件的缺陷圖像數據，并對存在缺陷的電網基站部件圖像預處理，提取圖像中關鍵特征。
5、步驟二、將圖像轉換成適合k-means算法處理的數據表示形式。
6、步驟三、改進普通霸王龍優化算法，具體改進步驟如下：
7、s31、改進霸王龍到達獵物的估計距離er；
8、s32、在普通霸王龍優化算法的勘探開發階段，將霸王龍優化算法與星鴉優化算法的開發階段融合，然后改進融合后霸王龍-星鴉優化算法的開發算子l；
9、步驟四、用改進霸王龍優化算法對k-means聚類模型的聚類點數k進行參數尋優，以獲得全局最優值作為k-means算法的初始聚類中心。
10、步驟五、將優化后的k-means聚類模型應用于電網基站部件缺陷圖像的圖像分割，得到目標缺陷區域。
11、進一步地，所述步驟一，提取圖像中關鍵特征，首先選取方向梯度直方圖(hog)特征作電網基站部件缺陷圖像的特征向量，然后通過計算和統計電網基站部件缺陷圖像的局部區域梯度方向直方圖來構成電網基站部件缺陷的圖像特征；具體步驟為：
12、step1、采用gamma校正法對電網基站部件缺陷的灰度圖像進行歸一化操作；
13、step2、對各個局部區域內像素點(x，y)計算水平方向梯度值gx(x，y)和垂直方向梯度值gy(x，y)，公式如下：
14、gx(x，y)＝h(x+1，y)-h(x-1，y)；
15、gy(x，y)＝h(x，y+1)-h(x，y-1)；
16、式中，h(x，y)為像素點(x，y)處的像素值；
17、step3、求像素點(x，y)處的梯度值g(x，y)和梯度方向a(x，y)。
18、進一步地，所述步驟三，步驟s31，改進前er不利于算法局域和全局搜索之間的平衡，因此對霸王龍到達獵物的估計距離er進行調整，使霸王龍在尋優初期采取較大步長提高尋優效率，尋優后期采用較小步長來提高尋優精度，根據尋優階段自適應地改變步長，在提高尋優效率的同時更好地避免陷入局部最優。
19、進一步地，所述步驟三，步驟s31，改進霸王龍到達獵物的估計距離er，改進后的er數學公式為：
20、
21、式中，ert-1為上次迭代的霸王龍到達獵物的估計距離，t為當前迭代次數，為當前迭代的最佳適應度值，為第t代種群中第i個個體的適應值，為上次迭代的最佳適應度值。
22、進一步地，所述步驟三，步驟s32，在普通霸王龍優化算法的勘探開發階段，將霸王龍優化算法與星鴉優化算法的開發階段融合，然后改進融合后霸王龍-星鴉優化算法的開發算子l，普通霸王龍優化算法的勘探開發階段尋優速度慢，且容易陷入局部最優，而星鴉優化算法的開發階段，通過改進開發算子l，以多樣化算法的開發算子，除了避免在一個方向搜索時可能出現的陷入局部極小值之外，改進后的開發算子的這種多樣性將有助于加快其收斂速度。
23、進一步地，所述步驟三，步驟s32，將霸王龍優化算法與星鴉優化算法的開發階段融合，然后改進融合后霸王龍-星鴉優化算法的開發算子l，改進后的開發算子l數學公式為：
24、
25、式中，lmin為開發算子最小值，lmax為開發算子最大值，lt為開發算子當前迭代值，f(t)為當前迭代t次的適應度值，fworst為設置最差適應度值，t為當前迭代次數，t為總迭代次數。
26、進一步地，所述步驟四，用改進霸王龍優化算法對k-means聚類模型的聚類點數k進行參數尋優，具體步驟如下：
27、s1、初始化改進霸王龍優化算法參數，算法種群初始位置和算法搜索空間上下界，所述算法種群初始位置為k-means聚類模型的初始聚類中心；所述算法搜索空間上下界為k-means聚類模型的初始聚類點數k的范圍；
28、s2、以霸王龍的位置信息作為聚類點k的值，構建多個k-means聚類模型，將hog特征輸入k-means聚類模型；
29、s3、采用k-means聚類模型對沒有缺陷的電網基站部件圖像識別準確性的均方差設計霸王龍優化算法的適應度函數；所述適應度函本文檔來自技高網...
【技術保護點】
1.一種電網基站部件缺陷識別的圖像分割技術優化方法，其特征在于，利用改進霸王龍算法優化K-means圖像分割，增強電網基站部件圖像缺陷檢測，具體步驟為：
2.根據權利要求1所述的一種電網基站部件缺陷識別的圖像分割技術優化方法，其特征在于，所述步驟三中，步驟S31，改進霸王龍到達獵物的估計距離Er，改進后的Er數學公式為：
3.根據權利要求1所述的一種電網基站部件缺陷識別的圖像分割技術優化方法，其特征在于，所述步驟三中，步驟S32，將霸王龍優化算法與星鴉優化算法的開發階段融合，然后改進融合后霸王龍-星鴉優化算法的開發算子l，改進后的開發算子l數學公式為：
4.根據權利要求1所述的一種電網基站部件缺陷識別的圖像分割技術優化方法，其特征在于，所述步驟四中，用改進霸王龍優化算法對K-means聚類模型的聚類點數K進行參數尋優，具體步驟為：
5.根據權利要求4所述的一種電網基站部件缺陷識別的圖像分割技術優化方法，其特征在于，所述S5中，模擬霸王龍搜索獵物和獵食獵物的過程，更新霸王龍種群個體位置，具體步驟為：
【技術特征摘要】
1.一種電網基站部件缺陷識別的圖像分割技術優化方法，其特征在于，利用改進霸王龍算法優化k-means圖像分割，增強電網基站部件圖像缺陷檢測，具體步驟為：
2.根據權利要求1所述的一種電網基站部件缺陷識別的圖像分割技術優化方法，其特征在于，所述步驟三中，步驟s31，改進霸王龍到達獵物的估計距離er，改進后的er數學公式為：
3.根據權利要求1所述的一種電網基站部件缺陷識別的圖像分割技術優化方法，其特征在于，所述步驟三中，步驟s32，將霸王龍優化算法與星鴉...
【專利技術屬性】
技術研發人員：李胤，陳旭，豐顯忠，
申請(專利權)人：四川大唐國際甘孜水電開發有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。