CN112418241A - 一种基于红外成像技术的电力设备识别方法 - Google Patents

Abstract

本发明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，本发明为电力设备热故障检测提供了基础，具有较高的实用价值。

Description

一种基于红外成像技术的电力设备识别方法

技术领域

本发明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。

背景技术

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。

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。

本发明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。所以本发明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。

发明内容

本发明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。

为实现上述目的，本发明采用的技术方案是：

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。

优选地，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。

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。

进一步地，区域分割过程中，在完成图像预处理后，利用DoG(Difference ofGaussian)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。

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。

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。

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。

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。

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。

与现有技术相比，本发明的有益效果是：本发明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

图1为根据实施例的本发明方法的流程示意图。

图2为根据实施例的本发明滑动窗口示意图。

图3为根据实施例的本发明二维特征图。

图4为根据实施例的本发明SVM映射结构图。

具体实施方式

下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明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。

图1所示为本发明的系统流程图，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。

下面对清晰化过程进行详细阐述：

1、图像清晰化：

(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。

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256，最小值为1，定义原图像矩阵为I，那么：

J＝I/256 (1)

其中J就是归一化后的图像矩阵，即归一化之后所有的像素值都在[0，1]区间内。

(2)对图像进行小波变换，小波变换是近年广泛应用的数学工具，在图像处理中受到十分的重视。与傅立叶变换、窗口傅立叶变换相比，小波变换是空间(时间)和频率的局部变换，因而能有效地从信号中提取信息。它通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了傅立叶变换不能解决的许多困难问题。下面给出小波变换的相关定义。

给定一个基本小波函数ψ(t)∈L²(R)，L²(R)表示Hilbert度量空间下一位平方可积函数空间，若满足条件

(即

)，则称ψ(t)函数为基本小波。对小波ψ(t)做伸缩和平移得：

称Ψ_a,b(t)为依赖于参数a,b的小波函数。其中，a为伸缩因子，b为平移因子，式中a，b和t均是连续变量。则平方可积分函数x(t)∈L²(R)的小波变换(WaveIet Transform，WT)定义为

其中，ψ^*(t)表示为ψ(t)的复数共轭，〈x(t),ψ_a,b(t)>表示x(t)与ψ_a,b(t)的内积。

对应的逆变换为：

式中a，b和t均是连续变量，a为伸缩因子，b为平移因子，c_ψ为小波的可容许条件，因此称为连续小波变换(Continuous Wavelet Transform，CWT)。

连续小波变换中含有很多冗余信息，不利于对信号的分析和处理。实际应用中，特别是计算机信号与图像处理方法的实施中，为了确定有效算法，只考虑离散抽样。上面的小波变换可以通过对其伸缩因子a和平移因子b进行采样而离散化，可以取：

j,k为整数，a₀为大于1的常数，b₀为大于0的常数，a和b的选取与小波的具体形式有关。离散小波函数表示为

相应离散小波变换可表示为

当a₀＝2,b₀＝1时，离散小波变换称为二进离散小波变换.

根据Mallat提出的离散二进小波变换的快速算法，小波分解过程可以用正交镜像数字滤波器H(低通)和G(高通)滤波来实现对原始图像进行逐层分解。设H和G的脉冲响应分别为h(n)和g(n)，则它们的关系为：

g(n)＝(-1)ⁿh(1-n) (7)

低通滤波器的输出称为逼近，高通滤波器的输出称为细节。数字滤波器系数n和所采用的小波形状有关。分解获得的逼近图像可以进一步分解为新的逼近和细节信号，即构成更高一级的分解，而且该分解过程是可逆的，由任一级分解的逼近和细节均可以重构原始信号。

(3)形态滤波：若噪声仍然大于最大允许噪声，则对图像进行膨胀、腐蚀和开启与闭合运算消除锐化噪声点和独立噪声点。

2、边缘提取：

提取图像的高斯差分显著点图。DoG(Difference of Gaussian)是指在某一尺度上的特征检测可以通过对两个相邻高斯尺度空间的图像相减，得到DoG的响应值图像，达到激励局部中央区域并抑制周围邻域的效果，符合人眼视觉特性，从而能够在一定程度上反映图像的显著度，本发明中按下式计算图像的初始高斯差分显著点图：

其中，x和y分别为图像像素点的横坐标和纵坐标，σ₁和σ₂分别表示兴奋和抑制带宽，本发明中取值σ₁＝0.7，σ₂＝0.9，I为灰度图像，符号

代表对图像进行滑频滤波，DoG(x,y)为得到的显著性度量值。

将DoG(x,y)产生的负值设置为0，并设置显著度均值为阈值

其中，count(DoG>0)表示DoG中显著值大于0的显著点数，sum(DoG>0)表示大于0的显著值总和。

最后计算显著图D(x,y)：

并将目标从背景和其它噪声中分离出来。

3、特征提取:

通过滑动窗口在目标候选窗口中进行滑动，对窗口内图像区域进行EOH特征提取。

本发明设计了五种面积相同而大小不同的窗口，以减少因电力设备大小形态方向不一情况而漏检，如图2所示。图2(a)(b)(c)(d)(e)为所设计的五种窗口，当确定窗口面积S后

S＝x₁y₁＝x₂y₂＝x₃y₃＝x₄y₄＝x₅y₅ (9)

分别为对应窗口的长与宽图2(f)为五种窗口叠加效果，其中图2(c)窗口为正方形。

以下为EOH特征提取过程：

点(x,y)的边缘强度可定义为

G_x(x,y)²,G_y(x,y)²分别为x，y方向上的梯度。

为了去除噪声的影响，可设定一个阈值

实际应用中的T值通常设为80～100。

点(x,y)的边缘方向可定义为

然后将θ(0⁰～180⁰)等分为K个区间(K值常取4～8)

现定义子窗口W中某一个方向k的边缘强度为

由上述的定义即可得到3种类型的EOH特征(ξ为随机变量)：

第一种：图像水平和竖直方向的边缘强度的对比，

第二种：图像对称特征的对称度为

第三种：水平方向的强度占主导地位，即

4、目标识别：

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检测模型。再利用SVM检测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。

SVM被用来解决以下的问题：找出一个超平面(hyperplaIle)，使之将两个不同的集合分开，如图3中的二维特征所示，对于给定的训练集{(x_i,y_i)}，i＝1,2,…,n,x∈Rⁿ,y_i∈{+1,-1}，存在一条直线g(x)＝w^Tx+b(w^T为斜率且T＝1)使所有y_i＝-1的点落在g_(x)＜0的一边，所有y_i＝+1的点落在g_(x)>0的一边。而距离两旁边界(margin)最大的就成为最优超平面。此时的标准支持向量分类器为：

y_i[w·x+b]-1≥0i＝1,2,…N (17)

支撑超平面到最优超平面的距离为：d＝1/||w||，两个分类超平面之间的距离margin是二倍的d，即：margin＝2d＝2/||w||于是求解最优超平面的问题就成为：

s.t.y_i[w·x_i+b]-1≥0,i＝1,2,…,N

然而当样本数据较为复杂多变的情况下，最优超平面很难将所有的样本做一个准确的划分，为了应对SVM算法的错分问题，有学者引入了软边缘最优超平面的概念，引入松弛因子ξ，其目的是为了放松限制条件，允许一定的错分情况，使公式(18)中的分类器模型变为：

y_i[w·x_i+b]-1+ξ_i≥0i＝1,2,…,N (18)

此时求解最优超平面的二次规划问题就成为：

s.t.y_i[w·x_i+b]-1+ξ_i≥0,i＝1,2,…,N

实际工程上出现的样本往往是非线性的，需要将输入空间x通过某种非线性映射，映射到一个高维特征空间

在这个空间中存在线性的分类规则，可以构造线性的最优分类超平面。这种映射通常以设计核函数的方法来实现。采用不同的核函数就能得到不同形式的非线性支持向量机。常用的核函数有以下四种类型：

(1)线性核函数：K(x,x′)＝(x·x′)

(2)多项式核函数：K(x,x′)＝((x·x′)+1)^q

(3)RBF(Radial Basis Function)核函数：

(4)Sigmoid函数：K(x,x′)＝tanh(ν(x·x′)+c)

经过非线性映射后的空间内构造的分类器模型如下所示；

此时的目标函数的求解变为：

综上所述，支持向量机的基本思想可以概括为通过内积函数定义的非线性变化将输入空间变换到一个高维空间，然后在这个新空间中求最优分类面。SVM分类函数的形式上类似于一个神经网络，其输出是若干中间层节点的线性组合，而每个中间层节点对应于输入样本与一个支持向量的内积，因此也被称为支持向量网络，SVM映射结构如图3所示。

对于复杂干扰下的电力设备目标样本库训练SVM分类器时。训练所用样本库的完善程度以及选择不同的核函数和惩罚权重，都会影响SVM分类器的性能。

合理地选择样本不仅可以提高分类器的学习速度，同时也能使分类器具有良好的识别精度。本发明在构建机器学习训练的样本集时遵循以下三条原则：

(1)避免不平衡样本集；(2)目标电力设备样本具有代表性；(3)背景样本类型丰富。

本发明中构建的训练样本库包括正样本目标电力设备，负样本背景干扰，样本数据库基本涵盖了各种可能出现的干扰。其中正样本包括大小电力设备目标以及目标各个方向的姿态变化：负样本包括陆天背景、自然干扰及人为干扰等各种背景和干扰。

对于SVM中的核函数。通常使用的是线性核函数，因为线性核函数具有更小的模型选择复杂度：而多项式核函数、RBF核函数需要分别调节参数q和参数σ；另外Sigmoid函数具有更多的参数v和c，并且该函数在某些参数下会出现不合法的情况。

线性核函数的训练精度最高，并且具有最少的迭代次数，模型计算复杂度较低，因此本发明在设计SVM分类器时选择线性核内积作为核函数。

选取线性内积作为SVM分类器的核函数，对整个样本数据库进行学习训练，训练时可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。

本发明完成了对电力设备的自动识别，克服了输变电线路定期计划检修的盲目性，具有较高的效率、安全性和经济价值。

本发明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，本发明为电力设备热故障检测提供了基础，具有较高的实用价值。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

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，获取图像的显著性边缘轮廓。

4.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，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。

5.根据权利要求4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，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。

6.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，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。

7.根据权利要求6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，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。

Images