基于夜间紫外成像技术的输电线电晕放电图像分割方法技术

本发明专利技术属于图像目标检测技术领域，具体涉及一种基于夜间紫外成像技术的输电线电晕放电图像分割方法，通过紫外成像仪进行输电线电晕放电检测，采集紫外巡检图像，通过Deeplabv3+网络对紫外巡检图像进行电晕放电分割，然后通过改进Otsu算法调整紫外巡检图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值。本发明专利技术利用改进Otsu算法对Deeplabv3+语义分割结果进行后处理，从而提高放电目标区域的分割精度。放电目标区域的分割精度。放电目标区域的分割精度。

【技术实现步骤摘要】
基于夜间紫外成像技术的输电线电晕放电图像分割方法


[0001]本专利技术属于图像目标检测
，具体涉及一种基于夜间紫外成像技术的输电线电晕放电图像分割方法。

技术介绍

[0002]电晕放电会产生可听噪音和电磁干扰，造成电能损耗，甚至对输电线路的安全运行构成严重威胁。因此，对电晕放电进行有效的检测成为必要。目前，针对电晕放电的检测方法主要有红外热像、超高频、超声波和紫外放电检测等。红外热像根据放电引起的温升变化来进行检测，灵敏度不高，易受环境温度、风速等因素的干扰，且检测及时性不足；超高频法受限于现在的工艺水平，还不能很好的投入生产实际；脉冲电流法属于接触式检测，且易受无线电干扰，会很大程度影响检测精度；超声波检测通过接收放电时发出的声波定位放电点，再根据幅值来判断放电情况，检测精度低，易被其他放电干扰。紫外成像检测技术基于其直观方便、快速准确、抗干扰能力强以及全天候使用等优势，已经成为高压电晕放电的主要检测手段。
[0003]目前对于紫外图像中电晕放电检测的研究还在探索中，仍有许多问题亟待解决，譬如图像分割，特征量分析，缺陷诊断等关键性问题。其中放电区域图像准确分割是关键环节，分割准确性直接影响放电强度量化及诊断准确性。
[0004]目前对紫外成像放电目标区域的分割提取，都是基于电晕放电区域光斑非常清晰，与背景对比度明显的情况。此外，以上这些方法都是基于日盲型紫外成像仪拍摄的成像效果较好的放电图像，并不适用于夜间型紫外成像仪拍摄的图像。夜间型紫外成像仪拍摄的紫外图像效果受环境影响和设备限制，其光斑区域与背景对比度不明显，因而识别分割效果并不理想。
[0005]Deeplab系列语义分割算法结合了深度卷积神经网络与条件随机场，使得语义分割结果更加准确。例如CN110346699A公开了基于紫外图像处理技术的绝缘子放电信息提取方法及，采用了Deeplabv2网络。
[0006]Otsu算法是一种自适应阈值分割算法，也称为最大类间方差阈值分割法，其通过计算图像的最大类间方差来分离背景与目标，当背景部分与目标部分的方差达到最大时，其分割效果最佳。

技术实现思路

[0007]为了实现夜间输电线电晕放电的精确分割，本专利技术提供了基于夜间紫外成像技术的输电线电晕放电图像分割方法，引入Deeplabv3+深度学习语义分割模型对紫外图像放电区域整体进行类别分割，结合改进Otsu算法对语义分割结果进行后处理，从而实现对电晕放电区域的精确分割。
[0008]本专利技术采用的技术方案是：基于夜间紫外成像技术的输电线电晕放电图像分割方法，通过紫外成像仪进行输电线电晕放电检测，采集紫外巡检图像，通过Deeplabv3+网络对
紫外巡检图像进行电晕放电分割，然后通过改进Otsu算法调整紫外巡检图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值。
[0009]进一步优选，所述Deeplabv3+网络包括编码器、解码器两部分，选取ResNet50网络作为Deeplabv3+网络的特征提取主干网络，在编码过程中，首先通过ResNet50网络对输入的紫外巡检图像进行特征提取，并由ResNet50网络末端的空洞卷积空间金字塔模块接收提取的特征图作为输入，再经过具有多个不同采样率的空洞卷积捕获电晕放电的特征信息，最后得到放电紫外图像的高层次特征经通道拼接后卷积得到高层次特征图像，并将高层次特征图像输入到解码器中进行处理；在解码过程中，首先将编码器提取到的高层次特征图像进行上采样操作，然后经通道拼接和卷积层处理，将高层特征图与编码过程中的浅层特征相结合，最后再次将结合后的特征进行上采样处理，还原成与输入时同等尺寸图像，从而完成电晕放电分割，输出分割后的紫外巡检图像。
[0010]进一步优选，构建紫外巡检图像数据集，并分为训练部分和测试部分，对Deeplabv3+网络进行训练。
[0011]进一步优选，所述改进Otsu算法分割原理为：假设图像像素点总数为N，将其灰度分为m个等级，x
i
表示图像的灰度级为i时的像素点数量，则灰度级i出现的概率为：p
i
=x
i
/N；引入初始阈值t，根据灰度级是否大于t可将图像的像素点分成目标M0和背景M1两类，灰度级为1～t的像素点属于目标M0，灰度级为t+1～m的像素点属于背景M1；P0(t)、P1(t)分别表示目标M0和背景M1出现的概率；Q0(t)、Q1(t)分别表示目标M0和背景M1的平均灰度级，则有：的平均灰度级，则有：的平均灰度级，则有：的平均灰度级，则有：类间方差定义为：令t从1
‑
m变化，当类间方差达到最大时，t为所求的最佳阈值，记作t
best
，Otsu算法的最佳阈值等于最佳阈值时目标M0的平均灰度级Q0(t
best
)和最佳阈值时背景M1的平均灰度级的平均值Q1(t
best
)，即：
改进Otsu算法类间方差定义为：其中ω为权重，其值范围为[0,1]；令ω=P0(t)，当图像中光斑比较多，P0(t)值较大，赋予放电目标区域方差的权重ω较大，反之，ω较小，从而实现对放电目标区域方差自适应加权。
[0012]进一步优选，所述ResNet50网络由4个卷积残差块和12个恒等残差块组成，结构依次为：第1个卷积残差块后接2个恒等残差块，第2个卷积残差块后接3个恒等残差块，第3个卷积残差块后接5个恒等残差块，第4个卷积残差块后接2个恒等残差块。
[0013]本专利技术的有益效果：基于Deeplabv3+语义分割方法的引入，有效解决了图像中放电区域与背景区域对比度不明显导致难以分割的问题，在输电线电晕放电检测中，夜间型紫外成像仪拍摄的图像，其电火花形态的光斑区域与电力设备区别明显，由于其放电区域形态与背景区别明显，通过Deeplabv3+可以将放电区域大致分割出来；改进Otsu算法的加入会调整放电图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值，此时利用改进Otsu算法对Deeplabv3+语义分割结果进行后处理，从而提高放电目标区域的分割精度。
附图说明
[0014]图1为Deeplabv3+网络结构图。
[0015]图2 为Deeplabv3+训练损失函数曲线。
[0016]图3为 Deeplabv3+测试集分割精度。
具体实施方式
[0017]下面结合附图进一步详细阐明本专利技术。
[0018]基于夜间紫外成像技术的输电线电晕放电图像分割方法，通过紫外成像仪进行输电线电晕放电检测，采集紫外巡检图像，通过Deeplabv3+网络对紫外巡检图像进行电晕放电分割，然后通过改进Otsu算法调整紫外巡检图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值，从而提高放电目标区域的分割精度。紫外巡检图像在经过语义分割处理后，其电晕放电区域的灰度值与背景的灰度值对比明显，从而便于阈值分割算法从语义分割结果中精确分割出放电区域；根据语义分割后紫外巡检图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：通过紫外成像仪进行输电线电晕放电检测，采集紫外巡检图像，通过Deeplabv3+网络对紫外巡检图像进行电晕放电分割，然后通过改进Otsu算法调整紫外巡检图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值。2.根据权利要求1所述的基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：所述Deeplabv3+网络包括编码器、解码器两部分，选取ResNet50网络作为Deeplabv3+网络的特征提取主干网络，在编码过程中，首先通过ResNet50网络对输入的紫外巡检图像进行特征提取，并由ResNet50网络末端的空洞卷积空间金字塔模块接收提取的特征图作为输入，再经过具有多个不同采样率的空洞卷积捕获电晕放电的特征信息，最后得到放电紫外图像的高层次特征经通道拼接后卷积得到高层次特征图像，并将高层次特征图像输入到解码器中进行处理；在解码过程中，首先将编码器提取到的高层次特征图像进行上采样操作，然后经通道拼接和卷积层处理，将高层特征图与编码过程中的浅层特征相结合，最后再次将结合后的特征进行上采样处理，还原成与输入时同等尺寸图像，从而完成电晕放电分割，输出分割后的紫外巡检图像。3.根据权利要求2所述的基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：构建紫外巡检图像数据集，并分为训练部分和测试部分，对Deeplabv3+网络进行训练。4.根据权利要求1所述的基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：所述改进Otsu算法分割原理...

【专利技术属性】
技术研发人员：许志浩，田晨，康兵，丁贵立，王宗耀，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：