CN102798469B - 基于角点特征的电力设备精确测温方法 - Google Patents

Abstract

本发明公开了一种基于角点特征的电力设备精确测温方法，通过采用Harris算子提取角点特征，精确检测电力设备的异常情况，只用到了灰度的一阶差分以及滤波,所以即使存在图像的旋转、灰度的变化、噪声影响和视觉变换,对角点的提取也是比较稳定的，具有较高的稳定性及鲁棒性，且操作简单。本发明结合电力设备中的特点和Harris角点特征，有效地解决了电力设备的精确定位与测温。同时，对红外图像中含有云彩的图像有很大的适应性。实验表明，该方法可有效地解决电力设备的识别与测温，这对于智能变电站的电力设备监测自动化方面具有重要的作用，可以减轻变电站巡视人员的负担。

Description

基于角点特征的电力设备精确测温方法

技术领域

本发明涉及一种基于红外图像的设备精确测温方法，尤其涉及一种基于角点特征的电力设备精确测温方法。

背景技术

基于红外图像进行设备测温技术是一种快速、容易并且十分有效的确定电气设备故障的方法，电力设备温度异常往往是电力设备存在缺陷的重要标志。当电力设备存在缺陷或故障时，缺陷或故障部位的温度就会发生异常变化，从而引起设备的局部发热，如果未能及时发现并制止这些隐患的发展，最终会促成设备故障或事故发生，严重的会扩大成电网事故。同时，当前红外热像仪对变电站内含有要测设备的场景进行测温时，无法对设备区域进行精确测温，返回的最高温度可能为无关设备的其它高温区域，并不代表设备的温度，这不利于正确判断设备的运行状态。为解决这一问题，通过图像处理和图像配准技术实现对设备的定位，进而可以实现对设备的精确测温。

角点是图像的一个重要的局部特征，是在图像像素邻域内的各个方向上灰度变化值足够高的像素点。其包含图像中比较丰富的二维结构信息、便于测量和表示、能够适应环境光照变化等优点。在红外图像中，电力设备附近区域由于其角点特征突出且易于提取，便于对图像匹配。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于角点特征的电力设备精确测温方法，它成功应用于智能变电站巡视机器人系统来代替日常巡视人员对设备的定时测温，对于智能变电站电力设备监测自动化具有重要的作用。

为了实现上述目的，本发明采用如下技术方案：

一种基于角点特征的电力设备精确测温方法，步骤如下：

1）建立红外图像模板库，把已采集的单张设备红外图像加入模板库，标记设备区域位置；

2）检测模板图像的Harris角点；

3）利用红外热像仪设备获取待检测设备的红外图像；

4）检测待识别图像的Harris角点，并与模板库中对应图像进行图像匹配，得到H矩阵；

5）根据模板库图像中的设备位置和第4）步中所得H矩阵，获得待识别图像中设备的对应位置；

6）获取上一步中设备对应位置的红外图像，并取其中的最高温度值为设备温度；

7）判断温度是否越限，若超温进行报警提示。

所述第1）步中，所述红外图像模板为颜色变化一致、无云彩影响的图像。

所述第4）中，采用RANSC算法得到模板图像和待检测图像间的变换矩阵H。

所述第2）、第4）步中，检测Harris角点步骤如下：

1）确定Harris角点

使图像I点(u,v)向任意方向作小的偏移，记录图像灰度在偏移为(x,y)的变化情况，以最小的灰度变化值E_(x，y)作为该点的标记量，记为该点的角点量，若该点的角点量大于某一特定阈值，且为局部极大值，则认为其为角点；

根据公式（5）：

E_(x,y)∝λ₁x²+λ₂y²    (5)

其中，λ₁,λ₂为矩阵的特征值；

2）角点提取

由公式（5）可得以下结论：

(1)若λ₁,λ₂同时很小，则任意方向上的偏移(x,y)都不会导致灰度的明显变化，故认为该点处于平坦区域；

(2)若λ₁远大于λ₂时，则

X方向上的偏移(x,y)都导致灰度的明显变化，则认为该图像点处于一个竖直的边界区；

(3)若λ₁远小于λ₂时，则E_(x，y)∝λ₂y²，Y方向上的偏移(x,y)都导致灰度的明显变化，则认为该图像点处于一个水平的边界区；

(4)若λ₁,λ₂同时很大，则E_(x，y)∝λ₁x²+λ₂y²，任意方向上的偏移(x,y)都会导致灰度的明显变化，该图像点被认为是角点；

以上结论由公式(6)来描述：

R＝Det(M)-kTr(M)²    (6)

其中Tr(M)＝λ₁+λ₂为矩阵M的迹，Det(M)＝λ₁×λ₂为矩阵M的行列式；当R值大于某一阈值且其邻域内取得局部极值时，则标记该点为角点。

所述第4）步中，图像匹配过程主要有两个步骤：

1）使用以各特征点为中心的16×16窗口内边缘图像的共生矩阵间的相似度来度量特征点对间的相似性，提取出两幅图像中若干对特征点。

2）H参数估计：得到两幅图像的特征点的匹配关系后，两幅图像存在这样的一个变换过程：

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_0& h_1& h_2\\ h_3& h_4& h_5\\ h_6& h_7& 1\end{array}\right]\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$ 或者 $\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]=H\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$

H为投影变换矩阵，有[x′，y′,1]^T＝H*[x,y,1]^T，[x′，y′,1]，[x,y,1]分别为某组特征匹配点在源图像I和待检测图像I上的像点坐标，为了求该矩阵的8个参数，至少需要4组匹配点，问题转换为求解线性方程的解，即完成矩阵H的参数估计；

为消除匹配过程中有可能存在的错误匹配点，这里采用RANSAC来排除外点即错误匹配点Outliers；在一定的置信概率P下，M组抽样中至少有一组数据全是内点（Inliers）

1-（1-ε^m）^M=P    （7）

其中ε为内点率，m为模型参数计算过程中报需要的最小数据量，根据式(5)通过增加采样次数M提高算法找到好的参数的概率。

所述第七步中，设备是否超温参照标准：《DLT664-200带电设备红外诊断应用规范》。

本发明的有益效果：

1、本发明结合电力设备中的特点和Harris角点特征，有效地解决了电力设备的精确定位与测温。实验表明，该方法可有效地解决电力设备的识别与测温，这对于智能变电站的电力设备监测自动化方面具有重要的作用，可以减轻变电站巡视人员的负担。

2、本发明角点特征采用Harris角点，对红外图像中含有云彩的图像有很大的适应性。

附图说明

图1a为角点特征检测结果中模板图像角点检测结果图；

图1b为角点特征检测结果中待识别图像角点检测结果图；

图2a为隔离开关检测图中模板图像及标定位置图；；

图2b为隔离开关检测图中待识别图像得到位置；

图3a为主变高压侧套管检测中模板图像及标定位置图；

图3b为主变高压侧套管检测中待识别图像得到位置；

图4为本发明的算法流程图；

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

本发明的利用移动机器人实现基于角点特征的电力设备精确测温方法，它利用变电站巡检机器人自动采集电力设备的红外图像，并利用Harris角点特征匹配对电力设备进行定位，并利用图像处理方法对其精确定位并测温，其具体步骤如下：

第一步：建立图像模板库，把已采集的单张设备图像加入模板库，标记设备区域位置;

第二步：检测模板图像的Harris角点；

第三步：利用红外热像仪设备获取待检测设备的红外图像；

第四步：检测待识别图像的Harris角点，并与模板库中对应图像进行图像匹配，得到H矩阵；

第五步：根据模板库图像中的设备位置和第四步中所得H矩阵，获得待识别图像中设备的对应位置；

第六步：获取上步中设备对应位置的红外图像，并取其中的最高温度值为设备温度；

第七步：判断温度是否越限，若超温进行报警提示。

所述第一步中选取的红外图像模板，应该为颜色变化一致的图像，无明显云彩影响。设备区域位置通过标记含有设备的矩形区域来表示。

1、Harris角点

图1a、b中，使图像I点(u,v)向任意方向作小的偏移，记录图像灰度的变化情况，以最小的灰度变化值作为该点的标记量，记为该点的角点量，若该点的角点量大于某一特定阈值，且为局部极大值，则认为其为角点。

使用公式1衡量某图像点(u,v)在偏移为(x,y)时该点灰度变化情况：

E_(x，y)＝∑_u，vw_u,v[I_u+x，v+y-I_u,v]²    (1)

其中w_u,v＝exp-(u²+v²)/2σ²为以图像点(u,v)为中心的邻域窗口平滑函数

将公式1进行泰勒级数展开，忽略高阶项可得公式2如下：

E_(x，y)＝Ax²+2Cxy+By²    (2)

其中 $A=d^{2}x\⊗w,$ $B=d^{2}y\⊗w,$ $C=\mathrm{dx}*\mathrm{dy}\⊗w,$ 改写成矩阵形式：

$E_{(x,y)}=[x,y]\left[\begin{array}{cc}A& C\\ C& B\end{array}\right]{[x,y]}^T=[x,y]M{[x,y]}^T---\left(3\right)$

根据公式3，我们可知灰度变化情况E随偏移(x,y)的变化情况由M矩阵来决定，M矩阵为实对称矩阵，对其进行正交相似对角化，必能分解为如下公式：

$M=P\left[\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right]P^{-1}---\left(4\right)$

其中P为正交矩阵，可将其看作旋转因子，并不影响图像点的灰度变化，λ₁,λ₂为矩阵的特征值，我们可以通过λ₁,λ₂来分析图像点作微小偏移的灰度变化，通过以上分析我们可以得到如下公式：

E_(x,y)∝λ₁x²+λ₂y²    (5)

2、角点提取

由公式（5）可得以下结论：

(1).若λ₁,λ₂同时很小，则任意方向上的偏移(x,y)都不会导致灰度的明显变化，故认为该点处于平坦区域；

(2).若λ₁远大于λ₂时，则E_(x，y)∝λ₁x²。X方向上的偏移(x,y)都导致灰度的明显变化，则认为该图像点处于一个竖直的边界区；

(3).若λ₁远小于λ₂时，则E_(x，y)∝λ₂y²。Y方向上的偏移(x,y)都导致灰度的明显变化，则认为该图像点处于一个水平的边界区；

(4).若λ₁,λ₂同时很大，则E_(x，y)∝λ₁x²+λ₂y²。任意方向上的偏移(x,y)都会导致灰度的明显变化，该图像点被认为是角点。

以上结论可由公式6来描述：

R＝Det(M)-kTr(M)²    (6)

其中Te(M)＝λ₁+λ₂为矩阵M的迹，Det(M)＝λ₁×λ₂为矩阵M的行列式。

当R值大于某一阈值且其邻域内取得局部极值时，则标记该点为角点。

所述第四步中计算待检测图像的Harris角点与第二步中Harris角点的生成算法一致，其与图像匹配过程主要有两个步骤：

1）使用以各特征点为中心的16×16窗口内边缘图像的共生矩阵间的相似度来度量特征点对间的相似性，提取出两幅图像中若干对特征点。

2）H参数估计：得到两幅图像的特征点的匹配关系后，两幅图像存在这样的一个变换过程：

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_0& h_1& h_2\\ h_3& h_4& h_5\\ h_6& h_7& 1\end{array}\right]\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$ 或者 $\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]=H\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$

H为投影变换矩阵，有[x′，y′,1]^T＝H*[x,y,1]^T，[x′，y′,1]，[x,y,1]分别为某组特征匹配点在源图像I₁和待检测图像I₂上的像点坐标。为了求该矩阵的8个参数，至少需要4组匹配点。问题转换为求解线性方程的解，即完成矩阵H的参数估计。

为消除匹配过程中有可能存在的错误匹配点，这里采用RANSAC（Random SampleConsensus）来排除外点（错误匹配点，Outliers），这是一种稳健的参数估计方法,它使用随机选择的样本估计参数，寻找一个对数据具有最大适应性的解。在一定的置信概率P下，M组抽样中至少有一组数据全是内点（Inliers）

1-（1-ε^m）^M=P    （7）

其中ε为内点率，m为模型参数计算过程中报需要的最小数据量，这里m=4。从式(5)可以看出，通过增加采样次数M可以提高算法找到好的参数的概率。

所述第七步中，设备是否超温参照标准：《DLT664-200带电设备红外诊断应用规范》

实施例：

实施例1选择隔离开关设备图像，如图2a所示。首先通过图像配准得到待识别图像设备区域(图2b)，获取当前设备区域的最高温度。实施例2选择主变高压侧套管设备图像，如图3a所示。首先通过图像配准得到待识别图像设备区域(图3b)，获取当前设备区域的最高温度。算法的具体流程图如图4所示。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (3)

1.一种基于角点特征的电力设备精确测温方法，其特征是，步骤如下：

1）建立红外图像模板库，把已采集的单张设备红外图像加入模板库，标记设备区域位置；

2）检测模板图像的Harris角点；

3）利用红外热像仪设备获取待检测设备的红外图像；

4）检测待识别图像的Harris角点，并与模板库中对应图像进行图像匹配，得到H矩阵；

5）根据模板库图像中的设备位置和第4）步中所得H矩阵，获得待识别图像中设备的对应位置；

6）获取上一步中设备对应位置的红外图像，并取其中的最高温度值为设备温度；

7）判断温度是否越限，若超温进行报警提示；

所述第2）、第4）步中，检测Harris角点步骤如下：

a）确定Harris角点

使图像I点(u,v)向任意方向作小的偏移，记录图像灰度在偏移为(x,y)的变化情况，以最小的灰度变化值E_(x,y)作为该点的标记量，记为该点的角点量，若该点的角点量大于某一特定阈值，且为局部极大值，则认为其为角点；

使用公式（1）衡量某图像点(u,v)在偏移为(x,y)时该点灰度变化情况：

$E_{(x,y)}={\mathrm{\Σ}}_{u,v}{w}_{u,v}{[I_{u+x,v+y}-I_{u,v}]}^2---\left(1\right)$

其中，w_u,v＝exp-(u²+v²)/2σ²为以图像点(u,v)为中心的邻域窗口平滑函数；I_u+x,v+y为图像I在(u+x,v+y)上的灰度值，I_u,v为图像I在(u,v)上的灰度值，Σ_u,v为所有像素点(u,v)的值的累加和；

将公式（1）进行泰勒级数展开，忽略高阶项可得公式（2）如下：

E_(x,y)＝Ax²+2Cxy+By²     （2）

其中， $A=d^{2}x\⊗w,B=d^{2}y\⊗w,C=\mathrm{dx}*\mathrm{dy}\⊗w,$ 改写成矩阵形式：

$E_{(x,y)}=[x,y]\left[\begin{array}{cc}A& C\\ C& B\end{array}\right]{[x,y]}^T=[x,y]M{[x,y]}^T---\left(3\right)$

根据公式（3），我们可知灰度变化情况E随偏移(x,y)的变化情况由M矩阵来决定，M矩阵为实对称矩阵，对其进行正交相似对角化，必能分解为如下公式：

$M=P\left[\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right]P^{-1}---\left(4\right)$

其中P为正交矩阵，可将其看作旋转因子，并不影响图像点的灰度变化，λ₁,λ₂为矩阵的特征值，我们可以通过λ₁,λ₂来分析图像点作微小偏移的灰度变化，通过以上分析我们可以得到如下公式：

E_(x,y)∝λ₁x²+λ₂y²     （5）

其中，λ₁,λ₂为矩阵的特征值；

b）角点提取

由公式（5）可得以下结论：

(i)若λ₁,λ₂同时很小，则任意方向上的偏移(x,y)都不会导致灰度的明显变化，故认为该点处于平坦区域；

(ii)若λ₁远大于λ₂时，则E_(x,y)∝λ₁x²，x方向上的偏移(x,y)都导致灰度的明显变化，则认为该图像点处于一个竖直的边界区；

(iii)若λ₁远小于λ₂时，则E_(x,y)∝λ₂y²，Y方向上的偏移(x,y)都导致灰度的明显变化，则认为该图像点处于一个水平的边界区；

(iv)若λ₁,λ₂同时很大，则E_(x,y)∝λ₁x²+λ₂y²，任意方向上的偏移(x,y)都会导致灰度的明显变化，该图像点被认为是角点；

以上结论由公式（6）来描述：

R＝Det(M)-kTr(M)²     (6)

其中Tr(M)=λ₁+λ₂为矩阵M的迹，Det(M)=λ₁×λ₂为矩阵M的行列式；当R值大于某一阈值且其邻域内取得局部极值时，则标记该点为角点；

所述步骤4）中图像匹配过程主要有两个步骤：

a）使用以各特征点为中心的16×16窗口内边缘图像的共生矩阵间的相似度来度量特征点对间的相似性，提取出两幅图像中若干对特征点；

b）H参数估计：得到两幅图像的特征点的匹配关系后，两幅图像存在这样的一个变换过程：

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]=\left[\begin{array}{ccc}{h}_0& h_1& h_2\\ h_3& h_4& h_5\\ h_6& h_7& 1\end{array}\right]\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$ 或者 $\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]=H\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$

H为投影变换矩阵，有[x′ y′ 1]^T＝H*[x,y,1]^T，[x′ y′ 1]，[x,y,1]分别为某组特征匹配点在源图像I₁和待检测图像I₂上的像点坐标，为了求该矩阵的8个参数，至少需要4组匹配点，问题转换为求解线性方程的解，即完成矩阵H的参数估计；

为消除匹配过程中有可能存在的错误匹配点，这里采用RANSAC来排除外点即错误匹配点Outliers；在一定的置信概率P下，M组抽样中至少有一组数据全是内点Inliers

1-(1-ε^m)^M＝P     （7）

其中ε为内点率，m为模型参数计算过程中报需要的最小数据量，根据式(5)通过增加采样次数M提高算法找到好的参数的概率。

2.如权利要求1所述的基于角点特征的电力设备精确测温方法，其特征是，所述第1）步中，所述红外图像模板为颜色变化一致、无云彩影响的图像。

3.如权利要求1所述的基于角点特征的电力设备精确测温方法，其特征是，所述第4）中，采用RANSC算法得到模板图像和待检测图像间的变换矩阵H。

Images