基于区域生长法的变电站设备红外图像分类识别方法技术

本发明专利技术涉及一种基于区域生长法的变电站设备红外图像分类识别方法，对变电站巡检机器人监控系统采集的变电站设备红外图像进行分类识别，包括以下步骤：获取红外图像中的最高温度点区域；利用Otsu法确定区域生长法的最优分割阈值；将最高温度点区域作为区域生长法的种子点，以最优分割阈值作为区域生长法的约束，基于8‑连通方向编码的边界跟踪法完全提取出目标设备的轮廓；根据目标设备的轮廓计算获得目标设备的Hu形状特征向量；将归一化后的Hu形状特征向量输入训练好的BP神经网络中，获得目标设备的设备名称。与现有技术相比，本发明专利技术具有识别迭代步数少、精度高、易于拓展使用等优点，具有一定的应用价值。

【技术实现步骤摘要】
基于区域生长法的变电站设备红外图像分类识别方法
本专利技术涉及变电站巡检机器人监控系统中变电设备红外热像图的热缺陷诊断问题，尤其是涉及一种基于区域生长法的变电站设备红外图像分类识别方法。
技术介绍
电网的巡检维护作业是电网安全可靠运行的基本保障，是电网持续稳定供电的根本保证。随着移动机器人技术与自动化技术的发展，将机器人技术与电力应用相结合，为电网的维护提供了新的巡检方式。随着计算机技术和自动化技术的发展，利用变电站巡检机器人对变电站设备进行巡检成为推进少人或无人智能变电站进程的重要手段，利用移动机器人对变电站设备巡检已成为电力公司和科研单位的研究热点。目前变电站巡检机器人已在500～1000kV各电压等级变电站得到示范应用，该巡检方式可有效解决人工巡检存在的缺陷或隐患等问题。在变电站巡检机器人例行设备状态检测中，红外图像诊断技术可以实现设备不用停运、不用取样、不用解体等情况下的状态检修工作，对巡检机器人传送到后台监控系统的变电设备红外图像进行处理，从而对电力设备所存在的隐患和缺陷进行定位、最终实现定量的故障诊断。红外图像诊断技术越来越成为变电站状态检修的关键技术，在弥补因人为因素带来的状态检修的缺陷方面发挥重要作用。在实际变电站巡检机器人监控系统中，可通过红外图像中设备的轮廓识别出目标设备的名称，但现有监控系统中针对图像中目标设备分类识别问题，往往存在分不出、错分、无法分等问题。而针对红外图像的识别问题，目标特征的选取直接影响到分类识别的准确度，进而影响到红外热诊断技术的应用，而对于性能优、易于实现的特征向量的选取上缺少统一参考标准。总体来说，变电站巡检机器人监控系统中红外图像的目标设备轮廓分割、特征提取尚没有统一的标准，仅通过图像分割和识别的效果来衡量其的好坏，影响了红外图像的识别准确度。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于区域生长法的变电站设备红外图像分类识别方法。本专利技术的目的可以通过以下技术方案来实现：一种基于区域生长法的变电站设备红外图像分类识别方法，对变电站巡检机器人监控系统采集的变电站设备红外图像进行分类识别，包括以下步骤：1)获取红外图像，对该红外图像进行图像增强预处理，利用最小二乘法拟合所述红外图像YUV格式中亮度值与实际温度值之间的线性关系，获得红外图像中的最高温度点区域；2)利用Otsu法确定区域生长法的最优分割阈值；3)将所述最高温度点区域作为区域生长法的种子点，以所述最优分割阈值作为区域生长法的约束，基于8-连通方向编码的边界跟踪法寻找下一个待合并的目标像素，直至完全提取出目标设备的轮廓；4)根据所述目标设备的轮廓计算获得目标设备的Hu形状特征向量，并进行归一化；5)将归一化后的Hu形状特征向量输入训练好的BP神经网络中，获得目标设备的设备名称。进一步地，步骤1)中，所述图像增强预处理包括中值滤波处理和阈值滤波处理。进一步地，步骤1)中，所述最高温度点区域通过以下方式获得：在红外图像的最小温度与最大温度间等间隔选取A1个样本温度点，对每一样本温度点任意选取A2个与该样本温度点坐标对应的像素亮度值，并将出现次数最高的像素亮度值作为该样本温度点的亮度值，基于所述A1个样本温度点的亮度值进行最小二乘法线性拟合，记录温度最高点对应的亮度值的位置坐标，获得最高温度点区域。进一步地，该方法还包括：在执行步骤2)前，对红外图像进行灰度形态学开运算处理。进一步地，步骤2)中，所述最优分割阈值为：式中，ω0、μ0为待求最佳分割阈值的前半部分各灰度级概率和灰度均值，ω1、μ1为后半部分各灰度级的概率和灰度均值，L为最大灰度值。进一步地，所述步骤3)中，基于8-连通方向编码的边界跟踪法寻找下一个待合并的目标像素时，对于符合以下规则的像素点进行合并，形成新的种子点集合：式中，f(x,y)为图像像素函数，为8-连通区域灰度均值，μR为已生长合并区域的灰度均值，T1是经Otsu法确定的最优阈值，T2为灰度相似性阈值。进一步地，步骤5)中，所述BP神经网络通过以下步骤训练：a)获取样本，对各样本依次执行步骤1)-4)，获得训练样本数据；b)引入附加动量和自适应学习率，加快网络迭代收敛速度，防止网络陷入局部最优，初始化设置BP神经网络参数，包括期望最小误差、最大迭代步数、学习率、初始化每层的权值W和阈值b；c)将训练样本数据的Hu形状特征向量作为输入BP神经网络的训练样本X；d)计算样本输出向量Y和网络误差E；e)计算每次迭代中各层误差δij、δjk以及各个权值和阈值的修正量Δθj和Δθk，获得修正后的权值和阈值，i、j、k为层数变量；f)重复步骤c)到步骤e)直到满足迭代终止的条件，BP神经网络训练完成。与现有技术相比，本专利技术具有以下有益效果：1、本专利技术在利用区域生长法进行目标图像分割时，在种子点的选择方面是利用最小二乘法拟合出变电设备红外图像中亮度值与实际温度值之间的线性关系，找出图像中目标设备区域的最高温度点，同时为变电设备红外图像热诊断提供设备热点温度。利用Otsu方法计算区域分割的最佳阈值，结合红外图像的灰度阈值确定区域生长法的生长规则，利用8-连通方向编码方式进行待合并像素点的跟踪合并，识别迭代步数少，精度高。用此方法分割的目标设备轮廓边缘清晰，避免标准区域生长法在分割目标设备边缘时的过分割或欠分割问题，该方法在变电设备的红外热诊断技术中具有一定的创新性。2、本专利技术中BP网络误差在反向传播过程中，给各个权值都加上一个正比于上一次权值变化的量，可弥补标准BP算法在权值调整时容易陷入误差平面内局部极小值的不足，使得网络的输出更接近于期望值。3、本专利技术的中值滤波、阈值滤波、形态学灰度开运算的组合使用，可有效滤除图像中噪声干扰，弱化背景中无关设备，突出目标设备轮廓边缘，为区域生长法提供清晰的目标设备的边缘信息。4、本专利技术针对变压站巡检机器人监控系统中红外图像的分类识别问题，采用C#语言在MicrosoftVisualStudio2015中编程实现，软件兼容Windows操作系统，同时易于拓展和使用，在实际变电站巡检机器人监控系统中具有一定的实际应用价值。附图说明图1为变电站设备红外图像分类识别流程图；图2为基于改进区域生长的图像分割图；图3为穿墙套管的红外图像；图4为穿墙套管亮度与温度的线性拟合图；图5为变压器红外图像和预处理后的灰度图像，其中，(5a)为变压器红外图像，(5b)为预处理后的灰度图像；图6为区域生长法示例图，其中，(6a)为一种子集合，其中方框内的种子为已知像素，(6b)为阈值t＝1时的生长结果，(6c)为阈值t＝3时的生长结果，(6d)为阈值t＝6时的生长结果；图7为基于改进区域生长的图像分割图，其中，(7a)为变电站母线端连接触头红外热像图，(7b)为经区域生长法分割后的触点二值图，(7c)为改进区域生长法分割后的触点二值图；图8为变电站电气设备二值图像，其中，(8a)为导线连接触头，(8b)为电流互感器，(8c)绝缘子片，(8d)为电压互感器、(8e)为变压器出线套管，(8f)、8g)、(8h)均为避雷器；图9为BP神经网络结构图；图10为BP神经网络迭代次数与误差曲线图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施本文档来自技高网...

【技术保护点】
一种基于区域生长法的变电站设备红外图像分类识别方法，其特征在于，对变电站巡检机器人监控系统采集的变电站设备红外图像进行分类识别，包括以下步骤：1)获取红外图像，对该红外图像进行图像增强预处理，利用最小二乘法拟合所述红外图像YUV格式中亮度值与实际温度值之间的线性关系，获得红外图像中的最高温度点区域，所述图像增强预处理包括中值滤波处理和阈值滤波处理；2)对红外图像进行灰度形态学开运算处理，利用Otsu法确定区域生长法的最优分割阈值；3)将所述最高温度点区域作为区域生长法的种子点，以所述最优分割阈值作为区域生长法的约束，基于8‑连通方向编码的边界跟踪法寻找下一个待合并的目标像素，直至完全提取出目标设备的轮廓；4)根据所述目标设备的轮廓计算获得目标设备的Hu形状特征向量，并进行归一化；5)将归一化后的Hu形状特征向量输入训练好的BP神经网络中，获得目标设备的设备名称。

【技术特征摘要】
1.一种基于区域生长法的变电站设备红外图像分类识别方法，其特征在于，对变电站巡检机器人监控系统采集的变电站设备红外图像进行分类识别，包括以下步骤：1)获取红外图像，对该红外图像进行图像增强预处理，利用最小二乘法拟合所述红外图像YUV格式中亮度值与实际温度值之间的线性关系，获得红外图像中的最高温度点区域，所述图像增强预处理包括中值滤波处理和阈值滤波处理；2)对红外图像进行灰度形态学开运算处理，利用Otsu法确定区域生长法的最优分割阈值；3)将所述最高温度点区域作为区域生长法的种子点，以所述最优分割阈值作为区域生长法的约束，基于8-连通方向编码的边界跟踪法寻找下一个待合并的目标像素，直至完全提取出目标设备的轮廓；4)根据所述目标设备的轮廓计算获得目标设备的Hu形状特征向量，并进行归一化；5)将归一化后的Hu形状特征向量输入训练好的BP神经网络中，获得目标设备的设备名称。2.根据权利要求1所述的基于区域生长法的变电站设备红外图像分类识别方法，其特征在于，步骤1)中，所述最高温度点区域通过以下方式获得：在红外图像的最小温度与最大温度间等间隔选取A1个样本温度点，对每一样本温度点任意选取A2个与该样本温度点坐标对应的像素亮度值，并将出现次数最高的像素亮度值作为该样本温度点的亮度值...

【专利技术属性】
技术研发人员：彭道刚，陈跃伟，夏飞，关欣蕾，王立力，戚尔江，赵晨洋，陈昱皓，刘世彬，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31