CN103759834A - 一种高压开关柜触头温度检测装置及方法 - Google Patents

Abstract

本发明涉及一种高压开关柜温度检测装置及方法，包括可见光观测窗口、红外观测窗口、通过可见光观测窗口和红外观测窗口采集图像的图像采集模块、用于处理采集到图像的图像处理模块，可见光观测窗口和红外观测窗口设置在高压开关柜有机玻璃面板上；所述图像处理模块包括图像配准单元、小波变换单元、PCNN处理单元、小波逆变换单元，图像采集单元采用CCD摄像头和红外摄像头组合温度监测系统，在高压开关柜温度监测中，为检测员提供完整的有关高压开关柜温度状况信息，保证高压开关柜稳定顺行。

Description

一种高压开关柜触头温度检测装置及方法

技术领域

本发明涉及温度检测领域，具体涉及到高压开关柜温度检测方向。

背景技术

高压开关柜为发电厂和变电站系统中非常重要的电气设备，开关柜内手车断路器的梅花触头、隔离开关的动静触头及母线、电缆接头等部位长期处于高电压、大电流工作状态中，这些部位因表面氧化、腐蚀、螺栓松动或者散热不良等原因将引起触头或接头处温度升高。且随着时间的加长，其过热程度会不断加剧，最终将会导致升温处绝缘破坏发生“崩烧”事故，此种事件的发生不仅会造成大面积的停电事故，同时也将给正常的生成、生活带来重大影响。近年来，因高压开关柜过热原因引起的电力事故已在全国多地发生，因此，检测监测开关柜触头过热问题是杜绝此类事故发生的关键。而目前高压开关柜多采用室内全封闭式，柜体为全封闭式结构，在设备带电的情况下不允许开启柜门，值班人员无法通过正常的监视手段发现热缺陷，而传统的测温手段并不适合高电压，大电流，强磁场的环境。随着数字图像处理技术和光电技术的发展，红外热像非接触测温技术因其独特的优点被广泛应用。但是红外辐射图像不能反应实物真实场景，而可见光图像与目标场景热对比度无关，将红外图像与可见光图像进行图像融合作为热源辨识的依据，就改善了两者局限性。但是开关柜的观察孔为有机玻璃材料，直接隔着有机玻璃进行测量得到的结果并不准确。

在图像融合算法中，比较成熟和应用较为广泛的当属基于拉普拉斯金字塔的图像融合算法和基于小波变换的图像融合算法。但这两种方法都有其局限性，在基于拉普拉金字塔的图像融合算法中，源图像经拉普拉斯金字塔分解后不仅会产生大量的冗余信息，致使融合过程中数据量增大，而且分解后产生的信息不具备方向性，在基于小波变换的图像融合算法中，虽然小波分解后不会造成数据量增大，且有一定的方向性，从而在一定程度上弥补了拉普拉斯金字塔分解的不足，但小波分解只能对低频信号进行，不能对高频信号进行，同时分解后如何选择一个具有优良特性的融合准则也是一个问题，最重要的是，由于小波基不具备各向异性，因此往往不能实现对图像最为稀疏的表达，这些都会对最终的融合图像质量产生不利影响。

发明内容

针对目前高压开关柜触点温度检测问题，本发明提供一种高压开关柜触点温度检测装置及方法，根据工程任务需求，本发明设计一种基于小波变换的脉冲耦合神经网络（PCNN）融合技术为红外和可见光图像融合的实际应用提供一种途径。

一种高压开关柜温度检测装置，包括可见光观测窗口、红外观测窗口、通过可见光观测窗口和红外观测窗口采集图像的图像采集模块、用于处理采集到图像的图像处理模块，可见光观测窗口和红外观测窗口设置在高压开关柜有机玻璃面板上；

所述图像处理模块包括：图像配准单元，用于将红外热像和可见光图像空间同一位置的点一一对应起来；小波变换单元，用于对配准后的红外热像和可见光图像进行小波变换，得到小波金字塔；PCNN处理单元，用于得到融合后的小波多尺度系数；小波逆变换单元，用于对融合后的小波多尺度系数进行小波逆变换，得到融合图像。

所述图像采集模块包括CCD摄像头和红外摄像头。

所述CCD摄像头和红外摄像头通过支架固定在可见光观测窗口和红外观测窗口上。

所述的图像处理模块还包括无线传输单元，图像处理模块通过无线传输单元把高压柜异常信息发送给检测员。

一种高压开关柜触头温度检测方法，该方法包括以下步骤：步骤一、图像采集模块的CCD摄像头和红外摄像头分别固定在高压开关柜有机玻璃面板上的可见光观测窗口和红外观测窗口上，分别通过可见光观测窗口和红外窗口采集可见光图像和红外热像；步骤二、图像采集模块将采集的图像传送至图像处理模块；步骤三、图像处理模块对采集的红外热像与可见光图像利用小波-PCNN进行融合处理；步骤四、图像处理模块根据融合后的图像判断开关柜内部是否有故障。

所述步骤三包括以下步骤：步骤一、图像配准：采用Harris角点提取法对可见光图像和红外热像进行特征提取，然后在两幅图像对应的特征集中利用粒子群优化算法实现两幅图像特征之间的匹配，最后通过特征的匹配关系建立两幅图像之间的配准映射变换步骤二、小波变换：采集的红外与可见光图像通过小波变换进行分解，得到小波金字塔，设C(i，j)为小波域中点(i，j)处的小波系数，对于M*N的局部窗口，局部熵为：

其中

步骤三、PCNN处理：将局部熵作为PCNN相应的神经元链接强度β，将小波系数映射到对应图像的灰度范围内；阈值函数输出随时间衰减到最小灰度时图像中所有像素均得到点火，这样PCNN在每次迭代中的输出为在不同时刻产生对应该时刻阈值强度的点火小波系数，这时,就可以使用神经元的输出点火小波系数的先后次序来表示每个神经元的点火时间；步骤四、计算小波融合系数值：将待融合图像的小波系数P_i，j作为各神经元的输入刺激输入到PCNN中,不同频率下PCNN输出为该频率下的小波系数点火映射图,计算点火时间映射图中每个元素的点火时间局部梯度，计算小波融合系数值；步骤五、小波逆变换得到融合图像：对融合后的小波多尺度系数进行小波逆变换，得到融合图像。

本发明的有益效果是：本发明数据采集模块采用CCD摄像头和红外摄像头采集图像，在高压开关柜温度监测中，为检测员提供完整的有关高压开关柜温度状况信息，保证高压开关柜稳定顺行，同时本发明数据采集模块对采集的红外热像与可见光图像利用小波-PCNN进行融合处理，有效的提高了检测的准确性，同时针对CCD摄像头和红外摄像头不同成像模式，采用Harris角点提取法对可见光图像和红外热像进行特征提取，然后在两幅图像对应的特征集中利用粒子群优化算法（PSO）实现两幅图像特征之间的匹配，最后通过特征的匹配关系建立两幅图像之间的配准映射变换，进一步提高检测的准确性。

附图说明

图1本发明具体实施方式的高压开关柜温度检测装置的结构图；

图2本发明具体实施方式的图像融合处理流程图；

图3本发明具体实施方式的脉冲耦合神经网络（PCNN）神经元模型；

其中，1为高压开关柜柜体，2有机玻璃观察窗，3为可见光观测窗口，4为CCD摄像头，5为红外观测窗口，6为红外摄像头，7为支架，8为图像采集单元，9为图像处理系统。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

一种高压开关柜温度检测装置，包括可见光观测窗口3、红外观测窗口5、通过可见光观测窗口3和红外观测窗口5采集图像的图像采集模块8、用于处理采集到图像的图像处理模块9，可见光观测窗口3和红外观测窗口5设置在高压开关柜1有机玻璃面板2上；图像处理模块8包括：图像配准单元，用于将红外热像和可见光图像空间同一位置的点一一对应起来；小波变换单元，用于对配准后的红外热像和可见光图像进行小波变换，得到小波金字塔；PCNN处理单元，用于得到融合后的小波多尺度系数；小波逆变换单元，用于对融合后的小波多尺度系数进行小波逆变换，得到融合图像。图像采集模块8包括CCD摄像头4和红外摄像头6。CCD摄像头4和红外摄像头6通过支架固定在可见光观测窗口3和红外观测窗口5上。图像处理模块9还包括无线传输单元，图像处理模块9通过无线传输单元把高压柜异常信息发送给检测员。

一种高压开关柜触头温度检测方法，其步骤包括：

步骤一、图像采集模块8的CCD（Charge-coupled Device）摄像头4和红外摄像头6镜头分别固定在高压开关柜1有机玻璃面板2上的可见光观测窗口3和红外观测窗口5，分别通过可见光观测窗口3红外窗口5采集可见光图像和红外热像；

步骤二、图像采集模块8将采集的图像传送至图像处理模块；

步骤三、对采集的红外热像与可见光图像利用小波-PCNN进行融合处理；

步骤四、判断步骤四中融合后的图像是否有异常，判断开关柜内部故障。

其中步骤三包括以下步骤；具体如图2的技术流程所示，

（1）图像配准：采用Harris角点提取法对可见光图像和红外热像进行特征提取，然后在两幅图像对应的特征集中利用粒子群优化算法（PSO）实现两幅图像特征之间的匹配，最后通过特征的匹配关系建立两幅图像之间的配准映射变换；

（2）小波变换：采集的红外与可见光图像通过小波变换进行分解，得到小波金字塔。设C(i，j)为小波域中点(i，j)处的小波系数，对于M*N的局部窗口，局部熵为：

(β_i，j反映了图像窗口的灰度变化率大小，在小波系数相对较均匀的地方，局部熵就大)其中

（3）PCNN处理：将局部熵作为PCNN相应的神经元链接强度β，将小波系数映射到对应图像的灰度范围内；阈值函数输出随时间衰减到最小灰度时图像中所有像素均得到点火，这样PCNN在每次迭代中的输出为在不同时刻产生对应该时刻阈值强度的点火小波系数，这时,就可以使用神经元的输出点火小波系数的先后次序来表示每个神经元的点火时间；

（4）计算小波融合系数值：将待融合图像的小波系数P_i，j作为各神经元的输入刺激输入到PCNN中,不同频率下PCNN输出为该频率下的小波系数点火映射图,计算点火时间映射图中每个元素的点火时间局部梯度，计算小波融合系数值；

（5）小波逆变换得到融合图像：对融合后的小波多尺度系数进行小波逆变换，得到融合图像。

如图3所示的脉冲耦合神经网络（PCNN）神经元模型，PCNN图像处理技术是由若干个PCNN的神经元互连构成的反馈型网络，每个神经元包括分支树、链接器和脉冲产生器，本发明的模型步骤为：

（1）分支树接收信号的通过有两条，一为树突的反馈输入F_ij[n]，另一个为是线性连接输入L_ij[n]；输入后的F_ij[n]、L_ij[n]分别经过公式（1）和（2）计算得到，

F_ij[n]＝I_ij  (1)

L_ij[n]＝exp(-α_l)L_ij[n]+V_LΣW_ijklY_kl[n  (2)

式中i，j是神经元坐标；I_ij是外部输入刺激信号；α_l是L_ij[n]衰减时间常数；W_ijkl是为L_ij[n]中Y_kl的加权系数；V_L是相应区域的固有电势。L_ij[n]是各神经元的连接输入，V_L，是L_ij[n]的幅度常数（固有电势）

（2）链接器中将分支树中的信号L_ij[n]加上一个偏移量后与信号F_ij[n]进行相乘调制，得到非线性连接调制构成的内部活动项U_ij[n]；U_ij[n]经过公式（3）计算得到的

U_ij[n]＝F_ij[n](1+βL_ij[n])               (3)

式中β是突触之间连接强度常数。

（3）U_ij[n]输入到脉冲产生器中，经过公式（4）得出阈值项θ_ij[n]，继而经过公式（5）得到PCNN的脉冲输出Y_ij；

θ_ij[n]＝exp(-α_θ)θ_ij[n-1]+V_θY_ij[n                    (4)

$Y_{\mathrm{ij}}=\begin{array}{}\end{array}\left\{\begin{array}{c}1,U_{\mathrm{ij}}\left[n\right]>{\mathrm{\&theta;}}_{\mathrm{ij}}\\ 0,U_{\mathrm{ij}}\left[n\right]<\mathrm{\&theta;}\end{array}\right.---\left(5\right)$

式中α_θ是为θ_ij[n]的衰减时间常数；V_θ是相应区域的固有电势，θ_ij[n]是神经元的外部刺激（图像像素构成的矩阵第i，j个像素的灰度值）的动态阈值。V_θ是θ_ij[n]的幅度常数（固有电势）。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (7)

1.一种高压开关柜温度检测装置，其特征在于：包括可见光观测窗口（3）、红外观测窗口（5）、通过可见光观测窗口（3）和红外观测窗口（5）采集图像的图像采集模块（8）、用于处理采集到图像的图像处理模块（9），可见光观测窗口（3）和红外观测窗口（5）设置在高压开关柜（1）有机玻璃面板（2）上。

2.根据权利要求1所述的温度检测装置，其特征在于，所述图像处理模块（9）包括：

图像配准单元，用于将红外热像和可见光图像空间同一位置的点一一对应起来；

小波变换单元，用于对配准后的红外热像和可见光图像进行小波变换，得到小波金字塔；

PCNN处理单元，用于得到融合后的小波多尺度系数；

小波逆变换单元，用于对融合后的小波多尺度系数进行小波逆变换，得到融合图像。

3.根据权利要求1所述的温度检测装置，其特征在于：所述图像采集模块（8）包括CCD摄像头（4）和红外摄像头（6）。

4.根据权利要求3所述的温度检测装置，其特征在于：所述CCD摄像头（4）和红外摄像头（6）通过支架（7）固定在可见光观测窗口（3）和红外观测窗口（5）上。

5.根据权利要求1所述的温度检测装置，其特征在于：所述的图像处理模块（9）还包括无线传输单元。

6.根据权利要求1-5任意一项所述高压开关柜触头温度检测方法，其特征在于，该方法包括以下步骤：

步骤一、图像采集模块（8）的CCD摄像头（4）和红外摄像头（6）分别固定在高压开关柜(1)有机玻璃面板(2)上的可见光观测窗口(3)和红外观测窗口(5)上，分别通过可见光观测窗口（3）和红外窗口（5）采集可见光图像和红外热像；

步骤二、图像采集模块（8）将采集的图像传送至图像处理模块（9）；

步骤三、图像处理模块（9）对采集的红外热像与可见光图像利用小波-PCNN进行融合处理；

步骤四、图像处理模块（9）根据融合后的图像判断开关柜内部是否有故障。

7.根据权利要求7所述的温度检测方法，其特征在于：所述步骤三包括以下步骤：

步骤一、对CCD摄像头（4）和红外摄像头（6）分别采集的图像进行配准：采用Harris角点提取法对可见光图像和红外热像进行特征提取，然后在两幅图像对应的特征集中利用粒子群优化算法实现两幅图像特征之间的匹配，最后通过特征的匹配关系建立两幅图像之间的配准映射变换；

步骤二、对配准后的图像进行小波变换：采集的红外与可见光图像通过小波变换进行分解，得到小波金字塔，设C(i，j)为小波域中点(i，j)处的小波系数，对于M*N的局部窗口，局部熵为： ${\mathrm{\&beta;}}_{i,j}=-{\mathrm{\&Sigma;}}_{i=1}^M{\mathrm{\&Sigma;}}_{j=1}^M{P}_{i,j}\log P_{i,j},$ 其中 $P_{i,j}=\frac{c(i,j)}{{\mathrm{\&Sigma;}}_{i=1}^M{\mathrm{\&Sigma;}}_{j=1}^M{P}_{i,j}\log P_{i,j}};$

步骤三、对小波处理后的图像进行PCNN处理：将局部熵作为PCNN相应的神经元链接强度β，将小波系数映射到对应图像的灰度范围内；阈值函数输出随时间衰减到最小灰度时图像中所有像素均得到点火，PCNN在每次迭代中的输出为在不同时刻产生对应该时刻阈值强度的点火小波系数，使用神经元的输出点火小波系数的先后次序来表示每个神经元的点火时间；

步骤四、计算小波融合系数值：将待融合图像的小波系数P_i，j作为各神经元的输入刺激输入到PCNN中,不同频率下PCNN输出为该频率下的小波系数点火映射图,计算点火时间映射图中每个元素的点火时间局部梯度，计算小波融合系数值；

步骤五、小波逆变换得到融合图像：对融合后的小波多尺度系数进行小波逆变换，得到融合图像。

Images