断路器热故障红外热像谱的图像数字特征提取方法技术

断路器热故障红外热像谱的图像数字特征提取方法属于电力设备故障监测与诊断技术领域。本发明专利技术在对图像预处理的基础上，提取图像中关键发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值，构建多属性信息融合的过热性故障特征值向量。并将其嵌入到软件系统中，达到从自动采集到自动分析和特征提取的目的。有效替代传统的人工采集和人工提取相关特征进行故障诊断的方式，大大提升了采集效率和特征提取精度，为后续利用深度学习和人工智能算法提供良好、可靠的特征数据库。本发明专利技术对典型红外故障图谱具有良好的描述能力，可用于后续大量复杂故障样本情况下的设备热故障智能分类与诊断应用中。

【技术实现步骤摘要】
断路器热故障红外热像谱的图像数字特征提取方法
本专利技术属于电力设备故障监测与诊断
，特别是涉及到一种断路器热故障红外热像谱的图像数字特征提取方法。
技术介绍
当前，国内外电力系统广泛采用红外技术，并结合人工识图的处理方法进行过热性故障诊断。近年来，随着电网设备数量不断增多，设备运维检修需求持续增大，红外图像人工识图处理方法已不能够满足电力设备大规模故障诊断的需求。且人工识图诊断结果还根据巡检人员的经验、专业素质和疲劳程度有所差异,容易导致误诊断。随着高性能计算机技术、图像处理技术和人工智能技术的大力发展，通过高性能的计算机软件，运用人工智能图像处理算法进行红外热像图的智能化诊断与自动故障识别、检测，是解决上述问题行之有效的方法。而在电力大数据背景下，人工智能算法对数据的依赖性越来越大，虽然红外测温技术能够把图像数字化。但是，目前相关领域研究人员对其故障数字信息特征的挖掘和提取还不够全面准确，对关键发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象等关键性特征未进行提取及数字化研究，导致电力设备故障特征信息不全面，数字化表达程度不够高，无法满足智能识别算法的数据需求。因此现有技术当中亟需要一种新型的技术方案来解决这一问题。
技术实现思路
本专利技术所要解决的技术问题是：提供一种断路器热故障红外热像谱的图像数字特征提取方法用于解决目前对断路器故障数字信息特征的挖掘和提取不够全面准确的技术问题。断路器热故障红外热像谱的图像数字特征提取方法，包括以下步骤，并且以下步骤顺次进行，步骤一、对采集的电力设备红外图谱进行预处理，将采集的电力设备红外图谱利用形态学处理中的开闭二值化运算，利用0去除不可靠连接，再使用联通区域标记法，标记各联通区域的属性，然后根据返回测量图像区域的属性，获取选中连通区域外接矩形参数，最后利用选中的连通区域外接矩形，将三相电力设备分割为单相设备；步骤二、获得电力设备故障诊断参数利用既往的电力设备热故障特征，获得故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值作为电力设备故障诊断参数；步骤三、以断路器连接部位为分界点，对电力设备进行区域划分，获得电力设备非零灰度统计图谱和结构划分效果图；步骤四、对电力设备热故障区域进行多属性信息融合的图像特征提取，并构建多属性信息融合的过热性故障特征值向量；所述多属性信息包括故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比和热点群聚现象及故障类型标签热属性值；步骤五、利用步骤四中构建的多属性信息融合的过热性故障特征值向量对实时采集的电力设备红外图谱进行热故障类型分析和特征提取。所述步骤三中电力设备结构划分的具体方法为：采用图像处理算法把背景区域像素置零，通过提取各相设备的非零灰度值数量与设备轴向位置构建灰度统计图谱，对灰度统计图谱进行分析，找到极小值或极大值所在的点，即可得到设备的连接部位，以其为分界点，把设备划分为多个区域。所述步骤四中多属性信息融合的过热性故障特征值向量为：式中，WN∈{1,2}分别代表故障类型中的电流致热型缺陷和电压致热型缺陷，TN，1为灰度值与温度值之间的函数值，UN，2为故障区域面积与设备本体面积的占比，VN，3为热点群聚现象，即是一个设备同时发生多个故障的数量，N为热故障特征量的数量。所述灰度值与温度值之间的函数用Ti表示为：式中，Tmax为红外图片温度的最大值，Tmin为红外图片温度的最小值，Ti代表第i点对应的温度值，gi代表第i点对应的灰度值。所述故障区域面积与设备本体面积的占比公式如下：其中，S1为故障区域的面积，S2为设备本体的面积。通过上述设计方案，本专利技术可以带来如下有益效果：本专利技术在对图像预处理的基础上，提取图像中关键发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值，构建多属性信息融合的过热性故障特征值向量。并将其嵌入到软件系统中，达到从自动采集到自动分析和特征提取的目的。有效替代传统的人工采集和人工提取相关特征进行故障诊断的方式，大大提升了采集效率和特征提取精度，为后续利用深度学习和人工智能算法提供良好、可靠的特征数据库。本专利技术对典型红外故障图谱具有良好的描述能力，可用于后续大量复杂故障样本情况下的设备热故障智能分类与诊断应用中。附图说明以下结合附图和具体实施方式对本专利技术作进一步的说明：图1是本专利技术断路器热故障红外热像谱的图像数字特征提取方法的流程框图；图2是本专利技术断路器热故障红外热像谱的图像数字特征提取方法的实施例的图像前处理效果图；图3是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的三相设备分割成单相设备效果图一；图4是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的三相设备分割成单相设备效果图二；图5是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的三相设备分割成单相设备效果图三；图6是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的电力设备非零灰度统计图谱；图7是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的结构划分效果图一；图8是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的结构划分效果图二；图9是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的结构划分效果图三；图10是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的故障灰度图；图11是本专利技术断路器热故障红外热像谱的图像数字特征提取方法实施例的分割出的故障区域图；图12是本专利技术断路器热故障红外热像谱的图像数字特征提取系统的组成结构框图；图13是本专利技术断路器热故障红外热像谱的图像数字特征提取系统的界面展示效果。具体实施方式为了进一步把该技术路线、意义和目的讲解清晰，下面例举出了本专利技术所公开的一些技术路线流程图和效果示意图，如图1至13所示。可以认为，此处描述的详细实施例仅用于解释本专利技术，不用来限制本专利技术。如图所示，断路器热故障红外热像谱的图像数字特征提取方法，包括以下步骤：1.对采集的电力设备红外图谱进行前处理；2.电力设备热故障特征分析与挖掘，获得电力设备故障诊断参数；3.电力设备结构划分；4.对电力设备热故障区域进行多属性信息融合的图像特征提取，并构建多属性信息融合的过热性故障特征值向量；5.热故障特征提取软件封装，达到从自动采集到自动分析和特征提取的目的。其中，一、电力设备图像前处理主要包含：优选地，首先利用0，去除不可靠连接和标记各联通区域的属性，然后根据返回测量图像区域的属性，获取选中连通区域外接矩形参数，最后将选中连通区域外接矩形，实现将三相电力设备分割为本文档来自技高网...

【技术保护点】
1.断路器热故障红外热像谱的图像数字特征提取方法，其特征是：包括以下步骤，并且以下步骤顺次进行，/n步骤一、对采集的电力设备红外图谱进行预处理，/n将采集的电力设备红外图谱利用形态学处理中的开闭二值化运算，利用0去除不可靠连接，再使用联通区域标记法，标记各联通区域的属性，然后根据返回测量图像区域的属性，获取选中连通区域外接矩形参数，最后利用选中的连通区域外接矩形，将三相电力设备分割为单相设备；/n步骤二、获得电力设备故障诊断参数/n利用既往的电力设备热故障特征，获得故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值作为电力设备故障诊断参数；/n步骤三、以断路器连接部位为分界点，对电力设备进行区域划分，获得电力设备非零灰度统计图谱和结构划分效果图；/n步骤四、对电力设备热故障区域进行多属性信息融合的图像特征提取，并构建多属性信息融合的过热性故障特征值向量；/n所述多属性信息包括故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比和热点群聚现象及故障类型标签热属性值；/n步骤五、利用步骤四中构建的多属性信息融合的过热性故障特征值向量对实时采集的电力设备红外图谱进行热故障类型分析和特征提取。/n...

【技术特征摘要】
1.断路器热故障红外热像谱的图像数字特征提取方法，其特征是：包括以下步骤，并且以下步骤顺次进行，
步骤一、对采集的电力设备红外图谱进行预处理，
将采集的电力设备红外图谱利用形态学处理中的开闭二值化运算，利用0去除不可靠连接，再使用联通区域标记法，标记各联通区域的属性，然后根据返回测量图像区域的属性，获取选中连通区域外接矩形参数，最后利用选中的连通区域外接矩形，将三相电力设备分割为单相设备；
步骤二、获得电力设备故障诊断参数
利用既往的电力设备热故障特征，获得故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值作为电力设备故障诊断参数；
步骤三、以断路器连接部位为分界点，对电力设备进行区域划分，获得电力设备非零灰度统计图谱和结构划分效果图；
步骤四、对电力设备热故障区域进行多属性信息融合的图像特征提取，并构建多属性信息融合的过热性故障特征值向量；
所述多属性信息包括故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比和热点群聚现象及故障类型标签热属性值；
步骤五、利用步骤四中构建的多属性信息融合的过热性故障特征值向量对实时采集的电力设备红外图谱进行热故障类型分析和特征提取。


2.根据权利要求1所述的断路器热故障红外热像谱的图像数字特征提取方法，其特征是：所述步骤三中电力设...

【专利技术属性】
技术研发人员：赵天成，许志浩，陈捷元，张赛鹏，黄涛，刘赫，司昌健，杨代勇，于群英，张益云，罗吕，袁刚，康兵，
申请(专利权)人：国网吉林省电力有限公司电力科学研究院，吉林省电力科学研究院有限公司，国家电网有限公司，南昌工程学院，
类型：发明
国别省市：吉林;22