一种基于红外成像技术的电力设备识别方法技术

本发明专利技术公开一种基于红外成像技术的电力设备识别方法。方法主要包括图像清晰化、边缘提取、特征提取、电力设备检测。本发明专利技术首先对红外图像进行清晰化处理，得到高质量的红外图像，接着通过边缘检测提取图像边缘，对边缘图像提取特征，并将所有正负样本的特征进行SVM训练得到训练模型，最终利用训练模型实现红外图像中的电力设备识别。本发明专利技术提出的基于红外成像技术的电力设备识别方法，能自动识别电力设备，克服可见光图像中电力设备识别容易受背景干扰的问题，同时，本发明专利技术为电力设备热故障检测提供了基础，具有较高的实用价值。具有较高的实用价值。具有较高的实用价值。

【技术实现步骤摘要】
一种基于红外成像技术的电力设备识别方法


[0001]本专利技术涉及输变电线路巡检领域，具体涉及一种基于红外成像技术的电力设备识别方法。

技术介绍

[0002]随着社会经济的快速发展，社会对电力的需求激增，输变电线路巡检成为保障国民用电安全的重要手段。在电力行业，输变电线路是电力系统的重要组成部分,由于其长期暴露在自然环境中，不仅要承受机械载荷和电力负荷的内部压力，还要经受污秽、雷击、强风和鸟害等外界因素的侵害。上述因素会加速线路上各元件老化、疲劳，如不及时发现并消除隐患则可能发展成各种故障甚至导致严重事故发生，这对电力系统的安全和稳定构成威胁。
[0003]带电设备的红外热故障检测技术是一项新兴的技术。它是利用带电设备的致热效应，采用专用的仪器获取设备表面发出的红外辐射信息，进而判断设备状况和缺陷性质的一门综合技术。红外检测技术具有不需停电、远距离、准确高效等优点，克服了定期计划检修的盲目性，具有很高的安全性和经济价值。而现存技术仅利用热故障检测能诊断出故障位置而不能确认故障设备类型，无法做到根据电力设备类型有针对性的对设备进行维修。
[0004]本专利技术利用红外成像技术结合边缘方向直方图(Edge Oriented Histogram；EOH)特征及支持向量机(Support Vector Machine；SVM)分类器对电力设备类型进行分类训练，实现对电力设备类型的识别。图像边缘特征能够在一定程度上反映出图像中目标的主要特征，Canny边缘检测算法作为经典的边缘检测算法可以有效地检测出图像中大量的边缘信息，但是不能突出显著目标的边缘。而基于形态学图像锐化算法能有效增强边缘并平滑噪声，从而能够在一定程度上提高图像的显著度。所以本专利技术采用基于形态学的图像锐化算法结合Canny边缘检测算法提取显著性边缘特征，并结合SVM得到训练模型，利用检测模型在图像中提取出电力设备。该算法能迅速从复杂背景中筛选出电力设备，减弱了复杂背景对提取电力设备带来的影响，适用面更广。

技术实现思路

[0005]本专利技术的目的是针对现有技术存在的问题，提供一种基于红外成像技术的电力设备识别方法，解决现有无人机输变电线路巡检无法准确识别出热故障电力设备类型的问题。
[0006]为实现上述目的，本专利技术采用的技术方案是：
[0007]一种基于红外成像技术的电力设备识别方法，所述方法按照图像清晰化、边缘提取、特征提取、目标识别的过程对电力设备进行检测识别，其中，图像清晰化用于获得高质量的红外图像，边缘提取用于通过边缘检测提取图像边缘，特征提取用于提取边缘图像特征，目标识别用于将所有正负样本的特征进行SVM训练得到训练模型，然后利用训练模型实现红外图像中的电力设备识别。
[0008]优选地，所述图像清晰化进一步包括：
[0009]a.图像归一化，将电力设备红外图像的灰度值归一化到[0,1]，消除图像灰度的偏差；
[0010]b.小波去噪，利用小波变换消除灰度值归一化后的图像的噪声，提高目标特性；
[0011]c.形态学滤波，若经过a、b步骤的处理后，图像的噪声仍然大于最大允许噪声，则利用图像形态学处理进行背景滤波，进一步消除锐化噪声点和独立噪声点。
[0012]优选地，边缘提取进一步包括：利用Canny算子，获取图像的显著性边缘轮廓。
[0013]进一步地，区域分割过程中，在完成图像预处理后，利用DoG(Difference of Gaussian)算法和Canny边缘检测算法将候选区域从背景和其他噪声中分离出来。
[0014]优选地，特征提取进一步包括：利用五种不同的检测窗口在边缘图像中滑动，并提取指定检测窗口的边缘方向直方图特征作为检测窗口的特征。
[0015]进一步地，特征提取过程中，利用Sobel算子来提取边缘特征，并对特征进行改进，如对称信息等，使其能更好的捕捉候选区域的边缘信息。
[0016]优选地，窗口滑动过程中，利用面积相同，长宽不同的五种窗口进行滑动。这样的设置是为了减少因电力设备方向不同而导致的漏检情况。
[0017]优选地，目标识别进一步包括：将所有正负样本的显著性边缘EOH特征投入SVM分类器进行训练，得到SVM训练模型；再利用SVM训练模型对红外图像检测窗口的EOH特征进行分类，实现电力设备在红外图像中的识别。
[0018]优选地，将图像EOH特征用于SVM分类器，选取线性内积作为SVM分类器的核函数，训练时利用自适应修改学习率和动量批梯度下降算法来提高训练速度，得到设计的SVM分类器的结构。
[0019]与现有技术相比，本专利技术的有益效果是：本专利技术首先对红外图像进行清晰化处理，得到高质量的红外图像，接着通过边缘检测提取图像边缘，对边缘图像提取特征，并将所有正负样本的特征进行SVM训练得到训练模型，最终利用训练模型实现红外图像中的电力设备识别。本专利技术提出的基于红外成像技术的电力设备识别方法，能自动识别电力设备，克服可见光图像中电力设备识别容易受背景干扰的问题，同时，本专利技术为电力设备热故障检测提供了基础，具有较高的实用价值。
附图说明
[0020]图1为根据实施例的本专利技术方法的流程示意图。
[0021]图2为根据实施例的本专利技术滑动窗口示意图。
[0022]图3为根据实施例的本专利技术二维特征图。
[0023]图4为根据实施例的本专利技术SVM映射结构图。
具体实施方式
[0024]下面将结合本专利技术中的附图，对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0025]本专利技术提供一种基于红外成像技术的电力设备识别方法，在电力塔图像的基础上采用红外光电力设备检测实现电力塔电力设备的提取。
[0026]图1所示为本专利技术的系统流程图，首先对待识别的红外图像进行清晰化、特征提取。清晰化过程包括：图像归一化，将电力设备红外图像的灰度值归一化到[0,1]，消除图像灰度的偏差；小波去噪，利用小波变换消除图像的噪声，提高目标特性；形态学滤波，若图像噪声达不到要求，则利用图像形态学处理进行背景滤波，进一步消除锐化噪声点和独立噪声点，获得图像轮廓。图像清晰化之后，接着进行边缘提取，利用Canny算子，获取图像的显著性边缘轮廓。最后通过滑动窗口在边缘图像中滑动，对窗口内图像区域进行EOH特征提取，将所有正负样本的EOH特征投入SVM分类器进行分类，得出分类模型。并将训练好的分类器用于识别红外图像中的电力设备。
[0027]下面对清晰化过程进行详细阐述：
[0028]1、图像清晰化：
[0029](1)图像做强度归一化处理，利用图像中对仿射变换具有不变性的矩来确定变换函数，然后利用变换函数把原始图像变换为一个灰度形式的图像。
[0030]假设原图像是8位灰度图像，那么读入的像素矩阵最大值为25本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于红外成像技术的电力设备识别方法，其特征在于，所述方法按照图像清晰化、边缘提取、特征提取、目标识别的过程对电力设备进行检测识别，其中，图像清晰化用于获得高质量的红外图像，边缘提取用于通过边缘检测提取图像边缘，特征提取用于提取边缘图像特征，目标识别用于将所有正负样本的特征进行SVM训练得到训练模型，然后利用训练模型实现红外图像中的电力设备识别。2.根据权利要求1所述的基于红外成像技术的电力设备识别方法，其特征在于，所述图像清晰化进一步包括：a.图像归一化，将电力设备红外图像的灰度值归一化到[0,1]，消除图像灰度的偏差；b.小波去噪，利用小波变换消除灰度值归一化后的图像的噪声，提高目标特性；c.形态学滤波，若经过a、b步骤的处理后，图像的噪声仍然大于最大允许噪声，则利用图像形态学处理进行背景滤波，进一步消除锐化噪声点和独立噪声点。3.根据权利要求1所述的基于红外成像技术的电力设备识别方法，其特征在于，边缘提取进一步包括：利用Canny算子，...

【专利技术属性】
技术研发人员：侯晓妍，张杉，王肖霖，李庆武，雷萍，周亚琴，刘凯祥，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：