一种基于图像融合深度学习模型的电力设备缺陷识别方法技术

本发明专利技术涉及一种基于图像融合深度学习模型的电力设备缺陷识别方法，包括采用可见光和红外热成像设备，包括电力巡检机器人在内的变电站电力设备双光谱图像的获取；采用离散小波变换方法，对可见光和红外图像进行融合，精准定位电力设备；运用CNN深度卷积神经网络模型，提取设备缺陷特征，对融合后的图像进行缺陷分类与识别。通过分析融合后的图像，可以有效提高电力设备图像的对比度、电力设备的识别率、电力设备的缺陷识别程度。

【技术实现步骤摘要】
一种基于图像融合深度学习模型的电力设备缺陷识别方法
本专利技术涉及图像处理与深度学习领域领域，具体为一种基于图像融合深度学习模型的电力设备缺陷识别方法。
技术介绍
传统的变电站故障检测主要通过人工检测。由于变电站设备多，因此需要大量专业人员，费时、费财力。红外热成像检测相比传统检测方法具有非接触、不停电、无损等优点，可以预测设备故障，并能实时检测设备过热缺陷。随着人工智能的发展，国内外研究者开展了一些图像融合、缺陷识别的研究。有基于相关向量机进行设备分类与识别；有建立多个电力设备模板图像库，通过模板与图像的匹配度来确定目标区域的轮廓和位置；有结合阈值分割机制、像素分割算法等，快速将温度异常连通区域或设备进行分割；有采用卷积神经网络提取红外故障图像的特征，并进行训练学习。现有的电力设备红外图像缺陷识别的研究还存在特征提取难、准确率低、识别率低、模型通用性差等缺点。基于可见光图像的物体检测得到广泛的应用，但是融合可见光和红外图像后的缺陷识别与检测在电力设备缺陷检测中没有研究和应用过。为此我们提出一种基于图像融合深度学习模型的本文档来自技高网...

【技术保护点】
1.一种基于图像融合深度学习模型的电力设备缺陷识别方法，采用可见光和红外热成像设备，获取电力设备的可见光和红外图像，其特征在于，包括：/nS1：可见光和红外图像的融合：/nS1.1：源图像获取，从电力巡检机器人的云台可见光相机中获取可见光图像；从电力巡检机器人的云台红外热成像相机中获取红外图像；/nS1.2：图像分解，运用离散小波变换方法，把可见光图像分解成低频子图像、高频子图像；运用离散小波变换方法，把红外图像分解成低频子图像、高频子图像；/nS1.3：图像融合，采用加权平均法，融合可见光低频系数L

【技术特征摘要】
1.一种基于图像融合深度学习模型的电力设备缺陷识别方法，采用可见光和红外热成像设备，获取电力设备的可见光和红外图像，其特征在于，包括：
S1：可见光和红外图像的融合：
S1.1：源图像获取，从电力巡检机器人的云台可见光相机中获取可见光图像；从电力巡检机器人的云台红外热成像相机中获取红外图像；
S1.2：图像分解，运用离散小波变换方法，把可见光图像分解成低频子图像、高频子图像；运用离散小波变换方法，把红外图像分解成低频子图像、高频子图像；
S1.3：图像融合，采用加权平均法，融合可见光低频系数L1,N(a,b)和红外光低频系数L2,N(a,b)；采用局部方差法，融合可见光高频系数H1,N(a,b)和红外光高频系数H2,N(a,b)；
S2：图像重构：运用小波逆变换，把融合后的低频图像和高频图像重构成融合后的图像；
S3：对融合后的图像采用CNN模型进行电力设备缺陷识别。

【专利技术属性】
技术研发人员：苏磊，徐琴，曹博源，冯建峰，徐兆红，王岱，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：上海;31