一种基于梯度图像融合的高压隔离开关状态识别方法技术

本发明专利技术公开了一种基于梯度图像融合的高压隔离开关状态识别方法，先采集高压隔离开关的红外图像和可见光图像，对高压隔离开关的红外图像和可见光图像进行图像预处理和图像配准处理，采用非下采样剪切波变换算法将配准后的高压隔离开关的红外图像和可见光图像分别分解成高频子带图和低频子带图，分别对高压隔离开关红外图像和可见光图像的高频子带图、低频子带图进行融合，实现局部图像融合，再对分别融合的红外低频子带图和高频子带图进行融合，实现全局融合，通过高压隔离开关红外图像和可见光图像的局部融合和全局融合来组成梯度图像融合模型，再对融合后的图像进行像素积分投影算法进行处理，进而实现对高压隔离开关分合闸状态进行识别。分合闸状态进行识别。分合闸状态进行识别。

【技术实现步骤摘要】
一种基于梯度图像融合的高压隔离开关状态识别方法


[0001]本专利技术涉及图像识别领域，尤其涉及一种基于梯度图像融合的高压隔离开关状态识别方法。

技术介绍

[0002]高压隔离开关在供电系统中起着至关重要的作用，是一种能够保护检修人员及电力设备安全的重要设备。但由于其长期处于室外工作，受外界天气和强电场的影响，导致机械结构发生故障，容易造成分合闸失灵的情况，使得电网安全运行受到威胁。
[0003]针对隔离开关分合闸状态的识别方法主要有基于温度检测、图像识别、应力应变检测、电机电流检测等方法。其中基于温度检测的原理是通过检测动静触头的温度情况来判断分合闸状态，该方法属于接触式测量，传感器容易受高电压强电流的损坏。基于红外图像的隔离开关状态识别方法属于非接触式测量方法，具有较强的穿透能力，且抗干扰能力强。但是其像素较低，容易丢失图像的细节信息，对温度较为敏感。基于可见光图像识别的原理是通过采集隔离开关的图像进行处理，利用智能算法来识别分合闸状态，可见光图像像素高，能采集到更多的图像细节，对外界温度不敏感。但是易受遮挡物影响，受外界干扰影响较大。基于应力应变检测的原理是通过检测操作杆的应变情况来判断分合闸状态。由于动静触头的相对位置才能真实反映隔离开关分合闸状态，所以该方法存在识别不准确的缺陷。基于电机电流检测的原理是通过分析不同状态下驱动电机电流的峰值变化情况来判断分合闸状态，分别对隔离开关分合闸状态下驱动电机转矩、电流及加速度进行了仿真计算，通过电流换相时间来判断分合闸状态。这种方法同样不能够直接检测到隔离开关动静触头的相对位置，不能够保证分合闸识别的准确性。

技术实现思路

[0004]为了解决上述问题，本专利技术的目的在于提供一种基于梯度图像融合的高压隔离开关状态识别方法，先采集高压隔离开关的红外图像和可见光图像，对高压隔离开关的红外图像和可见光图像进行图像预处理和图像配准处理，采用非下采样剪切波变换算法将配准后的高压隔离开关的红外图像和可见光图像分别分解成高频子带图和低频子带图，采用脉冲耦合神经网络算法将高压隔离开关的红外高频子带图和可见光高频子带图融合在一起，采用基于视觉显著特性分割算法将高压隔离开关的红外低频子带图和可见光低频子带图融合在一起，实现局部图像融合，再通过非下采样剪切波逆变换算法将局部融合后的图像再一次融合起来，实现全局融合，得出高压隔离开关的红外图像与可见光图像融合后的图像，从而实现梯度图像融合模型。建立图像融合质量指标评价方案来对比梯度图像融合算法与常见图像融合方案的效果。再对融合后的图像进行像素积分投影算法进行处理，进而实现对高压隔离开关分合闸状态进行识别。并通过实验仿真来验证高压隔离开关分合闸状态识别结果。能够实现高压隔离开关红外图像与可见光图像优势互补，解决单一红外图像存在的像素较低、容易丢失图像的细节信息、对温度较为敏感等问题，以及解决单一可见光
图像存在易受遮挡物影响、受外界干扰影响较大、不能全天候工作等问题。
[0005]为了实现上述目的，本专利技术提供的一种基于梯度图像融合的高压隔离开关状态识别方法是这样实现的：
[0006]一种基于梯度图像融合的高压隔离开关状态识别方法，包括图像预处理方案、图像配准方案、梯度图像融合方案、融合图像评价方案、高压隔离开关状态识别方案、实验仿真方案，图像预处理方案是为了将采集到的高压隔离开关红外图像和可见光图像转换为灰度图像，并对这两种图像进行滤波去噪，以提高图像的质量和处理速度，图像配准方案是为了使高压隔离开关的红外图像和可见光图像在空间中对齐，找出高压隔离开关红外图像和可见光图像的映射关系，使得高压隔离开关红外图像和可见光图像能够在空间中较好的融合，梯度图像融合方案是为了将配准后的高压隔离开关红外图像和可见光图像分解成高频子带图和低频子带图，分别对高压隔离开关红外图像和可见光图像的高频子带图、低频子带图进行融合，实现局部图像融合，再对分别融合的红外低频子带图和高频子带图进行融合，实现全局融合，通过高压隔离开关红外图像和可见光图像的局部融合和全局融合来组成梯度图像融合模型，融合图像评价方案是用于评价梯度图像融合模型对高压隔离开关红外图像和可见光图像融合后的质量，高压隔离开关状态识别方案是用于对高压隔离开关红外图像与可见光图像融合后的图像进行识别，以判断高压隔离开关处于分闸状态还是合闸状态，实验仿真方案用于对比融合后的高压隔离开关图像和单一的高压隔离开关可见光图像或高压隔离开关红外图像的识别准确率。
[0007]本专利技术的图像预处理方案为：
[0008]S1.图像采集：
[0009]分别将高压隔离开关设置为分闸状态和合闸状态，采用可见光相机和红外热成像仪在同一个位置采集高压隔离开关在不同状态下的图像。
[0010]S2.图像灰度化
[0011]将采集到的红外光图像和可见光图像进行灰度化处理，以提高图像处理的运算速率，通过以下公式来实现图像的灰度化：
[0012]Gray(i,j)＝0.299
×
R(i,j)+0.587
×
G(i,j)+0.114
×
B(i,j)
ꢀꢀ
(1)
[0013]式中Gray(i,j)表示图像在坐标(i,j)处像素点的灰度值，R(i,j)表示图像的红色分量，G(i,j)表示图像的绿色分量，B(i,j)表示图像的蓝色分量。
[0014]S3.图像滤波去噪
[0015]采用二维中值滤波来滤除图像的噪声，将二维滑动模板中的像素值从大到小进行排列，得到二维数据序列，令滤波后的图像为g(x,y)，则有：
[0016]g(x,y)＝med{f(x
‑
k),y
‑
l},(k,l∈A)
ꢀꢀ
(2)
[0017]式中，f(x
‑
k,y
‑
l)表示隔离开关的原始图像，A表示二维滑动模板，模板的区域选用3
×
3的模板。
[0018]本专利技术的图像配准方案为：
[0019]采用最大最小值法对采集到的红外和可见光图像进行归一化处理：
[0020][0021]式中norm为归一化后的值，x
i
为图像像素点的值，max(x)和min(x)分别表示图像
中最大的像素值和最小的像素值；
[0022]将高压隔离开关红外图像和可见光图像的分辨率调整为2306*2658，通过图像特征的变换模型将高压隔离开关的可见光图像映射到高压隔离开关的红外图像上，先用Canny算子对高压隔离开关红外图像和可见光图像进行边缘检测，提取出图像的轮廓，通过SURF算法来检测并提取图像轮廓的角点，采用黑塞矩阵提取图像轮廓的特征点：
[0023][0024]式中，L
xx
(x,σ)表示在尺度σ上高斯二阶微分与图像中一点I(x,y)的卷积，计算公式为：
[0025][0026]G(x,y)表示图像，同理可计算出L
xy
(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度图像融合的高压隔离开关状态识别方法，其特征在于：包括图像预处理方案、图像配准方案、梯度图像融合方案、融合图像评价方案、高压隔离开关状态识别方案、实验仿真方案，图像预处理方案是为了将采集到的高压隔离开关红外图像和可见光图像转换为灰度图像，并对这两种图像进行滤波去噪，以提高图像的质量和处理速度，图像配准方案是为了使高压隔离开关的红外图像和可见光图像在空间中对齐，找出高压隔离开关红外图像和可见光图像的映射关系，使得高压隔离开关红外图像和可见光图像能够在空间中较好的融合，梯度图像融合方案是为了将配准后的高压隔离开关红外图像和可见光图像分解成高频子带图和低频子带图，分别对高压隔离开关红外图像和可见光图像的高频子带图、低频子带图进行融合，实现局部图像融合，再对分别融合的红外低频子带图和高频子带图进行融合，实现全局融合，通过高压隔离开关红外图像和可见光图像的局部融合和全局融合来组成梯度图像融合模型，融合图像评价方案是用于评价梯度图像融合模型对高压隔离开关红外图像和可见光图像融合后的质量，高压隔离开关状态识别方案是用于对高压隔离开关红外图像与可见光图像融合后的图像进行识别，以判断高压隔离开关处于分闸状态还是合闸状态，实验仿真方案用于对比融合后的高压隔离开关图像和单一的高压隔离开关可见光图像或高压隔离开关红外图像的识别准确率。2.根据权利要求1所述的基于梯度图像融合的高压隔离开关状态识别方法，其特征在于：所述图像配准方案为：采用最大最小值法对采集到的红外和可见光图像进行归一化处理：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式中为归一化后的值，为图像像素点的值，和分别表示图像中最大的像素值和最小的像素值；将高压隔离开关红外图像和可见光图像的分辨率调整为2306*2658，通过图像特征的变换模型将高压隔离开关的可见光图像映射到高压隔离开关的红外图像上，先用Canny算子对高压隔离开关红外图像和可见光图像进行边缘检测，提取出图像的轮廓，通过SURF算法来检测并提取图像轮廓的角点，采用黑塞矩阵提取图像轮廓的特征点：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式中，表示在尺度上高斯二阶微分与图像中一点的卷积，计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）表示图像，同理可计算出和；接着利用欧拉距离公式来匹配图像的特征点，最后通过最小二乘法对这些特征点进行拟合，交换参数估计，进而得到最优的变换模型，最终得到配准后的高压隔离开关红外图像
和可见光图像。3.根据权利要求1所述的基于梯度图像融合的高压隔离开关状态识别方法，其特征在于：所述梯度图像融合方案为：采用非下采样剪切波变换算法将配准后的高压隔离开关的红外图像和可见光图像分别分解成高频子带图和低频子带图，采用脉冲耦合神经网络算法将高压隔离开关的红外高频子带图和可见光高频子带图融合在一起，采用视觉显著特性分割算法将高压隔离开关的红外低频子带图和可见光低频子带图融合在一起，实现局部图像融合，再通过非下采样剪切波逆变换算法将局部融合后的图像再一次融合起来，实现全局融合，得出高压隔离开关的红外图像与可见光图像融合后的图像，从而实现梯度图像融合模型，具体步骤为：S1.图像分解非下采样剪切波变换分解包含了多尺度分解和多方向分解两部分，在多尺度分解层面，采用非下采样金字塔滤波器将高压隔离开关的红外图像和可见光图像分别分解成1个低频子带图和多个高频子带图，接着采用非下采样剪切波滤波器将分解后的高频子带图往多个方向进行分解，构造Meyer窗函数，通过卷积算法将高频子带图与Meyer窗函数进行卷积计算，得到不同方向的高频子带系数，即可实现高压隔离开关的红外图像和可见光图像在不同方向上的分解；S2.梯度图像融合设计S21.图像局部融合S211.高频子带图融合采用空间频率作为脉冲耦合神经网络算法的输入，拉普拉斯能量和作为脉冲耦合神经网络的连接强度；计算出脉冲耦合神经网络进行次...

【专利技术属性】
技术研发人员：张靖，周丽，周路遥，单长吉，颜悦，
申请(专利权)人：昭通学院，
类型：发明
国别省市：