【技术实现步骤摘要】
一种基于风电机组故障识别的视频图像融合方法
本公开属于风电机组故障识别
，具体涉及一种基于风电机组故障识别的视频图像融合方法。
技术介绍
风电设备外部设备的安全性不仅是在危机形成和爆发后进行有效的处置,更重要的是预测预警可能产生风电事故的可能性因素,从根本上防止危机的形成和爆发。风电机组外部设备必须坚持预防和应急相结合的原则,特别应当注重系统的提前预测识别能力。要有利于做好加强危机性事件应急管理的准备、预备和预警等基础性工作,提高危机性事件预警和防范能力,充分实现预警与应急、常态管理和非常态管理的有机结合。此外，由于风电机组的叶轮、叶片及塔架长时间处于风力、风速较大的场地中，外部环境恶劣，因此外部设备的故障概率较高。另外，近年来，视频应用越来越广泛。随着科技不断进步、人们生活水平提高和网络化时代的到来，视频逐渐成为人们了解时事、进行娱乐活动的一种重要手段。同时，在公安破案、交通监控、安全生产等各个方面都已经离不开视频监控。由于视频具有单幅图像不具有的连续性，因此视频图像具有极大的信息量，它同时具有空间分辨和时间...
【技术保护点】
1.一种基于风电机组故障识别的视频图像融合方法，其特征在于，所述方法包括：/n采集风电机组的视频图像信息；/n将所述视频图像信息进行图像分帧处理，得到多源或者单源多幅图像；/n对所述分帧处理后的图像进行灰度转换，对转换后的灰度图像进行小波分解下的像素级图像融合，得到第一融合图像；/n对所述分帧处理后的图像进行拉普拉斯金字塔下的像素级图像融合，得到第二融合图像；/n对所述分帧处理后的图像采用SIFT算法，得到特征级下的第三融合图像；/n对所述第一融合图像、所述第二融合图像以及所述第三融合图像进行熵、联合熵和均方根误差的计算；/n设计GUI人机交互界面，将三种融合处理算法以及指...
【技术特征摘要】
1.一种基于风电机组故障识别的视频图像融合方法，其特征在于，所述方法包括：
采集风电机组的视频图像信息；
将所述视频图像信息进行图像分帧处理，得到多源或者单源多幅图像；
对所述分帧处理后的图像进行灰度转换，对转换后的灰度图像进行小波分解下的像素级图像融合，得到第一融合图像；
对所述分帧处理后的图像进行拉普拉斯金字塔下的像素级图像融合，得到第二融合图像；
对所述分帧处理后的图像采用SIFT算法，得到特征级下的第三融合图像；
对所述第一融合图像、所述第二融合图像以及所述第三融合图像进行熵、联合熵和均方根误差的计算；
设计GUI人机交互界面，将三种融合处理算法以及指标量的计算体现在所述GUI人机交互界面中，通过获得的指标值，得到最终融合图像，利用所述最终融合图像对所述风电机组进行故障识别。
2.根据权利要求1所述的方法，其特征在于，所述对转换后的灰度图像进行小波分解下的像素级图像融合，得到第一融合图像，包括：
将转换后的灰度图像投影到一组小波函数上，并将该灰度图像分解为该组小波函数的叠加，得到所述第一融合图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述分帧处理后的图像进行拉普拉斯金字塔下的像素级图像融合，得到第二融合图像，包括：
所述分帧处理后的图像作为原图像，将原图像作为高斯金字塔的第0层，假设原图像为G0，将所述原图像利用高斯核w进行卷积，其中高斯核为下述式(1)：
卷积之后进行降采样所得图像作为图像塔的第1层G1，这样对图像进行处理之后，下层图像会变为上层图像的4倍大小；将所得的图像作为输入图像，重复卷积和下采样，得到第1层至第N层的图像成为一个金字塔型的高斯图像塔；
将高斯金字塔的上一层图像卷积并上采样得到预测图像，即为下述式(2)：
放大算子Expand可表示为下述式(3)至(5)：
0＜l≤N，0≤i＜Rl，0≤j＜Cl(4)
其中，Gl表示原图像金字塔第l级，Gl*表示预测图象金字塔第l级，i，j分别表示图像中行为i，列为j的像素点，m，n分别表示上述高斯核中的行数和列数，N表示金字塔最高级，Rl表示该图像中最大行数，Cl表示该图像中最大列数；
上述式(3)至(5)实现了将构建高斯过程中删除的偶数行和列插入0，然后再使用高斯核w卷积，也就是进行滤波处理，得到与下采样之前同等大小的图像为预测图像；
由下一层图像减去该预测图像得到差值图像，重复迭代得到一系列分解图像排列成金字塔即为拉普拉斯金字塔；
将所有层次统一处理进行融合，得到对应的图像塔进行图像重构，得到所述第二融合图像，其中，所述统一处理为：除顶层外其余的各层取最大绝对值，而最高层的系数做平均值。
4.根据权利要求1至3...
【专利技术属性】
技术研发人员：江灿安，倪艳红，田宏哲，孙新佳，曾凡春，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。