CN107729907A - 一种基于红外热成像系统的故障识别方法 - Google Patents
一种基于红外热成像系统的故障识别方法 Download PDFInfo
- Publication number
- CN107729907A CN107729907A CN201610664808.9A CN201610664808A CN107729907A CN 107729907 A CN107729907 A CN 107729907A CN 201610664808 A CN201610664808 A CN 201610664808A CN 107729907 A CN107729907 A CN 107729907A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- electrical equipment
- infrared image
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000001931 thermography Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000010438 heat treatment Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 14
- 238000002474 experimental method Methods 0.000 description 21
- 238000004088 simulation Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于红外热成像系统的故障识别方法，包括以下步骤：步骤1，采用红外热成像系统对电气设备进行拍摄得到电气设备的红外图像，并对电气设备的红外图像进行预处理；步骤2，采用最大熵法对预处理后的红外图像进行阈值分割；步骤3，采用Prewitt算子作为边缘检测算子，对阈值分割后的红外图像进行边缘检测；步骤4，使用膨胀算法，对边缘检测后的红外图像进行膨胀处理；步骤5，将膨胀处理后的电气设备红外图像与原电气设备可见光图像进行融合，从而将电气设备中发热目标与周围背景区分开来。本发明利用红外温度图像处理技术，寻找温度发热异常点，自动判断该电气设备的运行状况和故障信息，实现了在线快速检测电气设备的运行状况。
Description
技术领域
本发明涉及设计电气设备监测的技术领域，特别是一种基于红外热成像系统的故障识别方法。
背景技术
随着电网规模的扩大以及自动化水平的提高，设备检修维护的任务也越来越重，费用也越来越高。目前各供电企业基本上采用火花间隙放电叉、短路叉人工登杆方法检测电气设备运行状况。采用这些测试方法虽然简单但准确性和效率都较低，不仅劳动强度大、安全性差，而且对于现在几乎都是大规模应用的合成电气设备无法进行检测。
发明内容
本发明的目的在于提供一种快速、准确的基于红外热成像系统的故障识别方法，以准确识别发热区域并判断电气设备的运行状况和故障信息。
实现本发明目的的技术解决方案为：一种基于红外热成像系统的故障识别方法，包括以下步骤：
步骤1，采用红外热成像系统对电气设备进行拍摄得到电气设备的红外图像，并对电气设备的红外图像进行预处理；
步骤2，采用最大熵法对预处理后的红外图像进行阈值分割；
步骤3，采用Prewitt算子作为边缘检测算子，对阈值分割后的红外图像进行边缘检测；
步骤4，使用膨胀算法，对边缘检测后的红外图像进行膨胀处理；
步骤5，将膨胀处理后的电气设备红外图像与原电气设备可见光图像进行融合，从而将电气设备中发热目标与周围背景区分开来。
进一步地，步骤1中所述对电气设备的红外图像进行预处理，所述预处理包括噪声平滑和锐化，其中噪声平滑采用中值滤波。
进一步地，步骤2所述采用最大熵法对预处理后的红外图像进行阈值分割，具体如下：
设分割阈值为t：
其中，i为灰度值，L为最大灰度值，Pi为概率密度；
T为{0,1,2,...,t}的灰度概率分布，B为{t+1,t+2,...,L-1}的灰度概率分布：
式中：
则灰度概率分布T、B相关的熵分别为：
定义函数为H(T)与H(B)的和，则
求出最大时的灰度级t即为所求的阈值。
进一步地，步骤3所述采用Prewitt算子作为边缘检测算子，对阈值分割后的红外图像进行边缘检测，其中Prewitt算子系数模板为3×3的矩阵模板，Prewitt算子由下式给出：
其中，Sp为对应像素与Prewitt算子卷积之后的灰度值，dx、dy分别为水平方向、垂直方向的卷积核。
进一步地，步骤4所述使用膨胀算法，对边缘检测后的红外图像进行膨胀处理，具体如下：
(4.1)用3×3的结构元素，扫描红外图像的每一个像素；
(4.2)将结构元素与该结构元素覆盖的二值图像进行与操作；
(4.3)如果与操作的结果为0，将红外图像的该像素置为0，否则为1；
(4.4)重复使用三次步骤(4.1)～(4.3)所述的膨胀算法对红外图像进行膨胀处理，每次膨胀处理后，红外图像的二值图像长宽像素各扩大一倍。
进一步地，步骤5所述将膨胀处理后的电气设备红外图像与原电气设备可见光图像进行融合，从而将电气设备中发热目标与周围背景区分开来，具体如下：
(5.1)将膨胀处理后的电气设备红外图像的数组转换为unit8型；
(5.2)将红外热像仪采集到的电气设备可见光图像拆分成RGB三通道图；
(5.3)将(5.1)所得转换后的unit8型红外图像的灰度值乘以255，分别与(5.2)所得三通道图相加，得到新的三通道图，将该新的三通道图合并得到发热目标与周围背景区分开来的可见光图。
本发明与现有技术相比，其显著优点为：(1)自动对红外热图中发热部分进行识别，节省劳动力，并且速度快、准确程度高；(2)能够准确识别发热区域并判断电气设备的运行状况和故障信息，安全性高，在电力、遥感、医学、农业、林业方面有着广阔的前景和应用。
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明座进一步的详细描述。
附图说明
图1为本发明实施例提供的红外热像仪结构示意图。
图2为本发明实施例提供的电气设备检测的原理流程图。
图3为本发明实施例提供的电气设备检测的方法流程图。
图4为常用的几种分割方法的实验仿真对比图，其中(a)为原图，(b)为大律法分割的实验仿真图，(c)为最大熵法分割的实验仿真图，(d)为大律法快速算法分割的实验仿真图。
图5为常用的几种边缘检测算子实验仿真对比图，其中(a)为原图，(b)为sobel检测的实验仿真图，(c)为prewitt检测的实验仿真图，(d)为roberts检测的实验仿真图，(e)为laplace检测的实验仿真图，(f)为canny检测的实验仿真图。
图6为Sobel算子的2个卷积核dx、dy的示意图，其中(a)为卷积核dx的示意图，(b)为卷积核dy的示意图。
图7为三次膨胀处理后的仿真结果图，其中(a)为原图，(b)为膨胀一次后的仿真图，(c)为膨胀两次后的仿真图，(d)为膨胀三次后的仿真图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细描述。
结合图1，本发明基于红外热成像系统的故障识别方法，该红外热成像系统由红外热像仪、旋转云台、视频服务器和计算机处理系统这几个模块组成。红外热像仪以云台作为载体，通过云台的旋转来完成图像的采集。采集工作完成之后，通过局域网利用视频服务器将采集到的一组红外图像传递给计算机处理系统，通过计算机处理平台自动对这组红外热图快速进行电气设备运行状况的检测。
结合图2～3，本发明基于红外热成像系统的故障识别方法，包括以下步骤：
步骤1，图像的采集与预处理：采用红外热成像系统对电气设备进行拍摄得到电气设备的红外图像，并对电气设备的红外图像进行预处理；
图像的采集分为手动采集和自动采集，手动采集就是通过软件控制云台的转动并且抓取图片，自动采集是预先设置好云台的运动方式，比如从右往左运动、从左往右运动、从上往下、从下往上。设置好之后，再依次进行图像抓紧。采集完成之后，再对红外图像进行预处理，通常情况下有噪声平滑与图像锐化，图像平滑滤波这里采用中值滤波，能有效的去除噪声点，图像去除噪声之后，再对图像进行锐化来凸显图像特征，这是由于红外图像大多分辨率低且轮廓特征不明显，锐化会突出特征，为下一步的图像分割打好基础。
步骤2，图像分割：采用最大熵法对预处理后的红外图像进行阈值分割；
阈值分割方法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度值在同一类中的像素属于同一物体。由于是直接利用图像的灰度特性，因此计算方便简明、实用性强。显然，阈值分割方法的关键和难点是如何取得一个合适的阈值。近年来的方法有：用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、Yager测度极小化方法、灰度共生矩阵方法、方差法、熵法、峰值和谷值分析法等，其中，自适应阈值法、最大熵法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的几种算法。
经由Matlab仿真实验对比，采用最大熵法对该红外热图像进行图像分割处理的效果最佳，采用最大熵法对预处理后的红外图像进行阈值分割，具体如下：
设分割阈值为t：
其中，i为灰度值，L为最大灰度值，Pi为概率密度；
T为{0,1,2,...,t}的灰度概率分布，B为{t+1,t+2,...,L-1}的灰度概率分布：
式中：
则灰度概率分布T、B相关的熵分别为：
定义函数为H(T)与H(B)的和，则
求出最大时的灰度级t即为所求的阈值。
步骤3，图像边缘检测：采用Prewitt算子作为边缘检测算子，对阈值分割后的红外图像进行边缘检测；
边缘检测算子是利用图像边缘的突变性质来检测边缘的。主要分为两种类型：一种是以一阶导数为基础的边缘检测算子，通过计算图像的梯度值来检测图像边缘，如：差分边缘检测、Roberts算子、Sobel算子、Prewitt算子；一种是以二阶导数为基础的边缘检测算子，通过寻求二阶导数中的过零点来检测边缘，如：Laplacian算子、LOG算子、Canny算子。由步骤2我们得到分割后的灰度图边缘清晰可见，为减少图像处理时间，提高处理效率，选用一阶导数为基础的边缘检测算子处理速度上将快于二阶导数为基础的边缘检测算子，经由Matlab仿真实验对比，最终采用Prewitt算子作为边缘检测算子对图像进行边缘检测，其中Prewitt算子系数模板为3×3的矩阵模板，Prewitt算子由下式给出：
其中，Sp为对应像素与Prewitt算子卷积之后的灰度值，dx、dy分别为水平方向、垂直方向的卷积核。
步骤4，图像膨胀处理：使用膨胀算法，对边缘检测后的红外图像进行膨胀处理；
对步骤3得到的图像进行膨胀处理。膨胀是形态学处理的一个运算子，对于二值图像，膨胀意味着，用结构元素在图像上移动，只要结构元素中有一个点与图像中的点是重叠的就可以了，膨胀的结果是结构元素中心点划过的区域的内部.所以图像的边缘就被扩大了。经过膨胀处理后，图像的边缘得到扩大，使步骤3得到的图像边缘清晰可见。使用多次膨胀，可以加粗目标轮廓，效果显著。本发明一共对步骤3边缘图像使用三次膨胀，具体如下：
(4.1)用3×3的结构元素，扫描红外图像的每一个像素；
(4.2)将结构元素与该结构元素覆盖的二值图像进行与操作；
(4.3)如果与操作的结果为0，将红外图像的该像素置为0，否则为1；
(4.4)重复使用三次步骤(4.1)～(4.3)所述的膨胀算法对红外图像进行膨胀处理，每次膨胀处理后，红外图像的二值图像长宽像素各扩大一倍。
步骤5，图像融合：将膨胀处理后的电气设备红外图像与原电气设备可见光图像进行融合，从而将电气设备中发热目标与周围背景区分开来。
图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息。将红外热像仪采集到的电气设备可见光图片与步骤4得到的发热目标轮廓图进行图像融合，可将发热目标与周围背景区分开来，具体如下：
(5.1)将膨胀处理后的电气设备红外图像的数组转换为unit8型；
(5.2)将红外热像仪采集到的电气设备可见光图像拆分成RGB三通道图；
(5.3)将(5.1)所得转换后的unit8型红外图像的灰度值乘以255，分别与(5.2)所得三通道图相加，得到新的三通道图，将该新的三通道图合并得到发热目标与周围背景区分开来的可见光图。
实施例1
图1为本实施例提供的红外热像仪器结构图，本发明实施例中使用的红外热像仪来获取成像图，包括依次连接的红外光学镜头、焦平面探测器和电子处理装置，所述电子处理装置分别与电源和存储装置连接，所述红外热像仪测量原理如下：红外热像仪技术是将物体的热辐射扫描成像的一种非接触诊断技术。物体的红外热图像实际上对应的是其表面的二维温度场。根据斯蒂芬-玻尔兹曼定律确定物体表面的绝对温度与物体的红外辐射功率的对应关系。被测物体辐射能量高低通过先进的红外探测器在仪器内部感应而形成热分布图像，能量辐射高的部分图像就亮，反之则稍暗。红外图像即是对对温度灵敏的图像，红外图像的亮暗直接反映出物体温度的高低，两者成递增比例关系，就能诊断出物体温度的高低，凭借成像的明暗并配以两者递增关系公式计算，就能诊断出物体温度的高低，从而判断店里运行设备是否有缺陷问题。
因此，通过红外热像仪检测电气设备的运行状况，利用红外线温度图像处理技术，检测高压输电线上电气设备的运行情况，并进行电气设备的缺陷诊断，得到故障信息。检测出的结果真实、安全、高效，而且节省工时，降低劳动强度，减少绝缘子的维修费用，大大提高电网供电可靠性。
图2为本发明实施例提供的电气设备检测原理方法，图3为本发明实施例提供的电气检测设备方法流程图，首先将红外热像仪上电并打开，对电气设备进行拍摄工作，之后拍摄的图像通过视频服务器与局域网被传入计算机处理系统中，处理平台为visual studio2010+opencv 2.4.10。
接下来进入图像处理步骤。
步骤1，将获取的红外图采用中值滤波进行处理以消除不必要的噪声，中值滤波的窗口大小为3*3。中值滤波的原理为：设图像中某像素点的像素值为I(x，y)，则在(x，y)周围3*3领域内，分别对邻域中9个点的像素值进行从小到大排序，取第五个点的像素值。
步骤2，使用图像分割算法对红外图中发热区域进行分割处理。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。由于后续步骤需要获取图像中发热部分灰度值的阈值，这里选用阈值分割法，即用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度值在同一类中的像素属于同一物体。使用常用的几种阈值分割方法对步骤一的图像进行分割实验，图4是基于Matlab对几种分割方法的实验对比，其中(a)为原图，(b)为大律法分割的实验仿真图，(c)为最大熵法分割的实验仿真图，(d)为大律法快速算法分割的实验仿真图。从实验结果看，最大熵法对发热目标与背景区分最为明显。图像的信息熵反映了图像的总体概貌。若图像中包含目标，则在目标与背景可分割的交界处信息量最大。应用二值化进行图像分割，最终目的是把目标从背景中分割出来，即将图像分成两个区域:目标区和背景区，这样就得到了一幅二值图像。在一幅含有目标的多灰度图像中，必然存在一个灰度t，以它作为阈值，可使图像得到最佳二值化分割。设分割阈值为设分割阈值为t：
其中，i为灰度值，L为最大灰度值，Pi为概率密度；
T为{0,1,2,...,t}的灰度概率分布，B为{t+1,t+2,...,L-1}的灰度概率分布：
式中：
则灰度概率分布T、B相关的熵分别为：
定义函数为H(T)与H(B)的和，则
求出最大时的灰度级t即为所求的阈值。
步骤3，图像边缘检测。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。边缘检测算子是利用图像边缘的突变性质来检测边缘的。图5为常用的几种边缘检测算子分析比较结果，其中(a)为原图，(b)为sobel检测的实验仿真图，(c)为prewitt检测的实验仿真图，(d)为roberts检测的实验仿真图，(e)为laplace检测的实验仿真图，(f)为canny检测的实验仿真图，最终采用Prewitt算子作为边缘检测算子对图像进行边缘检测。Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。Prewitt算子由下式给出：
Prewitt算子是3×3算子模板。图6所示的2个卷积核dx、dy形成Prewitt算子，其中(a)为卷积核dx的示意图，(b)为卷积核dy的示意图。一个核对通常的垂直边缘响应最大，而另一个核对水平边缘响应最大。2个卷积的最大值作为该点的输出值。运算结果是一幅边缘幅度图象。
步骤4，图像膨胀。膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。膨胀的算法：
步骤41：用3x3的结构元素，扫描图像的每一个像素；
步骤42：用结构元素与其覆盖的二值图像做“与”操作；
步骤43：如果都为0，结果图像的该像素为0。否则为1；
结果：使二值图像扩大一圈。
图7为图像经过三次膨胀处理后的效果图，其中(a)为原图，(b)为膨胀一次后的仿真图，(c)为膨胀两次后的仿真图，(d)为膨胀三次后的仿真图。对图像进行三次膨胀处理，可以加粗目标轮廓，使目标更易识别。
步骤5，图像融合。图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息。本发明使用的红外热像仪为双筒热像仪，拍摄过程中可获取电气设备红外热图和可见光图各一张。由于步骤4得到的发热目标轮廓图是二值图，为进行图像融合需将它转换为unit8型，再将红外热像仪采集到的电气设备可见光图拆分成RGB三通道图，将转换后的边缘图像的灰度值乘以255，分别与三通道图相加，得到新的三通道图之后再将其合并。目标轮廓最终会出现在电气设备可见光图中，发热目标与周围背景明显区分开来。
Claims (6)
1.一种基于红外热成像系统的故障识别方法，其特征在于，包括以下步骤：
步骤1，采用红外热成像系统对电气设备进行拍摄得到电气设备的红外图像，并对电气设备的红外图像进行预处理；
步骤2，采用最大熵法对预处理后的红外图像进行阈值分割；
步骤3，采用Prewitt算子作为边缘检测算子，对阈值分割后的红外图像进行边缘检测；
步骤4，使用膨胀算法，对边缘检测后的红外图像进行膨胀处理；
步骤5，将膨胀处理后的电气设备红外图像与原电气设备可见光图像进行融合，从而将电气设备中发热目标与周围背景区分开来。
2.根据权利要求1所述的基于红外热成像系统的故障识别方法，其特征在于，步骤1中所述对电气设备的红外图像进行预处理，所述预处理包括噪声平滑和锐化，其中噪声平滑采用中值滤波。
3.根据权利要求1所述的基于红外热成像系统的故障识别方法，其特征在于，步骤2所述采用最大熵法对预处理后的红外图像进行阈值分割，具体如下：
设分割阈值为t：
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3...</mn>
<mo>,</mo>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
其中，i为灰度值，L为最大灰度值，Pi为概率密度；
T为{0,1,2,...,t}的灰度概率分布，B为{t+1,t+2,...,L-1}的灰度概率分布：
<mrow>
<mi>T</mi>
<mo>:</mo>
<mfrac>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mfrac>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mfrac>
</mrow>
<mrow>
<mi>B</mi>
<mo>:</mo>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中：
<mrow>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>t</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
则灰度概率分布T、B相关的熵分别为：
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>t</mi>
</munderover>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mfrac>
</mrow>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mrow>
定义函数为H(T)与H(B)的和，则
求出最大时的灰度级t即为所求的阈值。
4.根据权利要求1所述的基于红外热成像系统的故障识别方法，其特征在于，步骤3所述采用Prewitt算子作为边缘检测算子，对阈值分割后的红外图像进行边缘检测，其中Prewitt算子系数模板为3×3的矩阵模板，Prewitt算子由下式给出：
<mrow>
<mi>S</mi>
<mi>p</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mo>(</mo>
<msup>
<mi>dx</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>dy</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</msqrt>
</mrow>
其中，Sp为对应像素与Prewitt算子卷积之后的灰度值，dx、dy分别为水平方向、垂直方向的卷积核。
5.根据权利要求1所述的基于红外热成像系统的故障识别方法，其特征在于，步骤4所述使用膨胀算法，对边缘检测后的红外图像进行膨胀处理，具体如下：
(4.1)用3×3的结构元素，扫描红外图像的每一个像素；
(4.2)将结构元素与该结构元素覆盖的二值图像进行与操作；
(4.3)如果与操作的结果为0，将红外图像的该像素置为0，否则为1；
(4.4)重复使用三次步骤(4.1)～(4.3)所述的膨胀算法对红外图像进行膨胀处理，每次膨胀处理后，红外图像的二值图像长宽像素各扩大一倍。
6.根据权利要求1所述的基于红外热成像系统的故障识别方法，其特征在于，步骤5所述将膨胀处理后的电气设备红外图像与原电气设备可见光图像进行融合，从而将电气设备中发热目标与周围背景区分开来，具体如下：
(5.1)将膨胀处理后的电气设备红外图像的数组转换为unit8型；
(5.2)将红外热像仪采集到的电气设备可见光图像拆分成RGB三通道图；
(5.3)将(5.1)所得转换后的unit8型红外图像的灰度值乘以255，分别与(5.2)所得三通道图相加，得到新的三通道图，将该新的三通道图合并得到发热目标与周围背景区分开来的可见光图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610664808.9A CN107729907A (zh) | 2016-08-12 | 2016-08-12 | 一种基于红外热成像系统的故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610664808.9A CN107729907A (zh) | 2016-08-12 | 2016-08-12 | 一种基于红外热成像系统的故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107729907A true CN107729907A (zh) | 2018-02-23 |
Family
ID=61201049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610664808.9A Pending CN107729907A (zh) | 2016-08-12 | 2016-08-12 | 一种基于红外热成像系统的故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107729907A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960096A (zh) * | 2018-06-22 | 2018-12-07 | 杭州晶智能科技有限公司 | 基于立体视觉和红外成像的人体识别方法 |
| CN109272503A (zh) * | 2018-09-29 | 2019-01-25 | 西安工程大学 | 一种基于最大熵与dbscan相融合的毛羽检测算法 |
| CN109916517A (zh) * | 2017-12-12 | 2019-06-21 | 纬创资通股份有限公司 | 热影像处理系统及方法 |
| CN110333267A (zh) * | 2019-07-01 | 2019-10-15 | 武汉科技大学 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统 |
| CN110599510A (zh) * | 2019-08-02 | 2019-12-20 | 中山市奥珀金属制品有限公司 | 一种图片特征提取方法 |
| CN110689550A (zh) * | 2019-10-12 | 2020-01-14 | 嘉应学院 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
| EP3598105A1 (en) | 2018-07-20 | 2020-01-22 | Omya International AG | Method for detecting phosphate and/or sulphate salts on the surface of a substrate or within a substrate, use of a lwir detecting device and a lwir imaging system |
| CN111179211A (zh) * | 2018-10-23 | 2020-05-19 | 中国石油化工股份有限公司 | 原油管道巡检用无人机红外视频的管线发热诊断方法 |
| CN111199544A (zh) * | 2020-01-06 | 2020-05-26 | 国网河南省电力公司检修公司 | 一种变电站红外监测方法、装置和计算机可读存储介质 |
| CN111488868A (zh) * | 2020-03-27 | 2020-08-04 | 贵州电网有限责任公司 | 一种基于变压器红外图像的高温区域识别方法及系统 |
| CN111553910A (zh) * | 2020-05-06 | 2020-08-18 | 哈尔滨工业大学 | 一种基于红外图像的大型实验装置电器设备热故障检测方法 |
| CN112115776A (zh) * | 2020-08-07 | 2020-12-22 | 长江三峡通航管理局 | 船闸启闭机大型开式齿轮润滑状态监测方法 |
| CN112381796A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
| CN113139955A (zh) * | 2021-05-12 | 2021-07-20 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及系统 |
| EP3855163A1 (en) | 2020-01-21 | 2021-07-28 | Omya International AG | Method and apparatus for detecting an amorphous and/or crystalline structure of phosphate and/or sulphate salts on the surface of a substrate or within a substrate |
| CN113393430A (zh) * | 2021-06-09 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
| WO2022136490A1 (en) | 2020-12-23 | 2022-06-30 | Omya International Ag | Method and apparatus for detecting an amorphous and/or crystalline structure of phosphate and/or sulphate salts on the surface of a substrate or within a substrate |
| CN115880323A (zh) * | 2023-02-17 | 2023-03-31 | 长沙中联重科环境产业有限公司 | 一种热成像定位的区域密度人口的绿化环保方法及设备 |
| CN116823840A (zh) * | 2023-08-31 | 2023-09-29 | 星璟材料科技(南通)有限公司 | 一种基于图像处理的复合材料缺陷检测方法及系统 |
| CN117173190A (zh) * | 2023-11-03 | 2023-12-05 | 成都中轨轨道设备有限公司 | 基于图像处理的绝缘子红外验损系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2194503A1 (en) * | 2008-10-27 | 2010-06-09 | Guangzhou SAT Infrared Technology Co., Ltd. | Method and device for infrared and visible image fusion |
| CN102175953A (zh) * | 2011-02-28 | 2011-09-07 | 长沙理工大学 | 输电线路绝缘子放电在线监测故障定位方法 |
-
2016
- 2016-08-12 CN CN201610664808.9A patent/CN107729907A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2194503A1 (en) * | 2008-10-27 | 2010-06-09 | Guangzhou SAT Infrared Technology Co., Ltd. | Method and device for infrared and visible image fusion |
| CN102175953A (zh) * | 2011-02-28 | 2011-09-07 | 长沙理工大学 | 输电线路绝缘子放电在线监测故障定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张宝辉: ""红外与可见光的图像融合系统及应用研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 梁利利: ""变电站红外图像的识别与故障诊断"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109916517A (zh) * | 2017-12-12 | 2019-06-21 | 纬创资通股份有限公司 | 热影像处理系统及方法 |
| US11128818B2 (en) | 2017-12-12 | 2021-09-21 | Wistron Corporation | Thermal image processing system and method |
| CN108960096A (zh) * | 2018-06-22 | 2018-12-07 | 杭州晶智能科技有限公司 | 基于立体视觉和红外成像的人体识别方法 |
| CN108960096B (zh) * | 2018-06-22 | 2021-08-17 | 深圳市恒天伟焱科技股份有限公司 | 基于立体视觉和红外成像的人体识别方法 |
| EP3598105A1 (en) | 2018-07-20 | 2020-01-22 | Omya International AG | Method for detecting phosphate and/or sulphate salts on the surface of a substrate or within a substrate, use of a lwir detecting device and a lwir imaging system |
| WO2020016401A1 (en) | 2018-07-20 | 2020-01-23 | Omya International Ag | Method for detecting phosphate and/or sulphate salts on the surface of a substrate or within a substrate, use of a lwir detecting device and a lwir imaging system |
| CN109272503A (zh) * | 2018-09-29 | 2019-01-25 | 西安工程大学 | 一种基于最大熵与dbscan相融合的毛羽检测算法 |
| CN111179211A (zh) * | 2018-10-23 | 2020-05-19 | 中国石油化工股份有限公司 | 原油管道巡检用无人机红外视频的管线发热诊断方法 |
| CN110333267A (zh) * | 2019-07-01 | 2019-10-15 | 武汉科技大学 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统 |
| CN110599510A (zh) * | 2019-08-02 | 2019-12-20 | 中山市奥珀金属制品有限公司 | 一种图片特征提取方法 |
| CN110689550B (zh) * | 2019-10-12 | 2022-06-21 | 嘉应学院 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
| CN110689550A (zh) * | 2019-10-12 | 2020-01-14 | 嘉应学院 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
| CN111199544A (zh) * | 2020-01-06 | 2020-05-26 | 国网河南省电力公司检修公司 | 一种变电站红外监测方法、装置和计算机可读存储介质 |
| EP3855162A1 (en) | 2020-01-21 | 2021-07-28 | Omya International AG | Lwir imaging system for detecting an amorphous and/or crystalline structure of phosphate and/or sulphate salts on the surface of a substrate or within a substrate and use of the lwir imaging system |
| EP3855163A1 (en) | 2020-01-21 | 2021-07-28 | Omya International AG | Method and apparatus for detecting an amorphous and/or crystalline structure of phosphate and/or sulphate salts on the surface of a substrate or within a substrate |
| WO2021148222A1 (en) | 2020-01-21 | 2021-07-29 | Omya International Ag | Detection of an amorphous and/or crystalline structure of phosphate and/or sulphate salts on the surface of a substrate or within a substrate with a lwir imaging system |
| CN111488868A (zh) * | 2020-03-27 | 2020-08-04 | 贵州电网有限责任公司 | 一种基于变压器红外图像的高温区域识别方法及系统 |
| CN111488868B (zh) * | 2020-03-27 | 2023-06-30 | 贵州电网有限责任公司 | 一种基于变压器红外图像的高温区域识别方法及系统 |
| CN111553910B (zh) * | 2020-05-06 | 2022-03-25 | 哈尔滨工业大学 | 一种基于红外图像的大型实验装置电器设备热故障检测方法 |
| CN111553910A (zh) * | 2020-05-06 | 2020-08-18 | 哈尔滨工业大学 | 一种基于红外图像的大型实验装置电器设备热故障检测方法 |
| CN112115776A (zh) * | 2020-08-07 | 2020-12-22 | 长江三峡通航管理局 | 船闸启闭机大型开式齿轮润滑状态监测方法 |
| CN112115776B (zh) * | 2020-08-07 | 2024-03-12 | 长江三峡通航管理局 | 船闸启闭机大型开式齿轮润滑状态监测方法 |
| CN112381796B (zh) * | 2020-11-16 | 2021-08-03 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
| CN112381796A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
| WO2022136490A1 (en) | 2020-12-23 | 2022-06-30 | Omya International Ag | Method and apparatus for detecting an amorphous and/or crystalline structure of phosphate and/or sulphate salts on the surface of a substrate or within a substrate |
| CN113139955B (zh) * | 2021-05-12 | 2024-02-27 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及系统 |
| CN113139955A (zh) * | 2021-05-12 | 2021-07-20 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及系统 |
| CN113393430A (zh) * | 2021-06-09 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
| CN115880323A (zh) * | 2023-02-17 | 2023-03-31 | 长沙中联重科环境产业有限公司 | 一种热成像定位的区域密度人口的绿化环保方法及设备 |
| CN116823840B (zh) * | 2023-08-31 | 2023-12-19 | 星璟材料科技(南通)有限公司 | 一种基于图像处理的复合材料缺陷检测方法及系统 |
| CN116823840A (zh) * | 2023-08-31 | 2023-09-29 | 星璟材料科技(南通)有限公司 | 一种基于图像处理的复合材料缺陷检测方法及系统 |
| CN117173190B (zh) * | 2023-11-03 | 2024-02-02 | 成都中轨轨道设备有限公司 | 基于图像处理的绝缘子红外验损系统 |
| CN117173190A (zh) * | 2023-11-03 | 2023-12-05 | 成都中轨轨道设备有限公司 | 基于图像处理的绝缘子红外验损系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107729907A (zh) | 一种基于红外热成像系统的故障识别方法 | |
| US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
| Zhang et al. | GAN-FM: Infrared and visible image fusion using GAN with full-scale skip connection and dual Markovian discriminators | |
| Song et al. | Real-time tunnel crack analysis system via deep learning | |
| Priyadumkol et al. | Crack detection on unwashed eggs using image processing | |
| CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
| Schmugge et al. | Detection of cracks in nuclear power plant using spatial-temporal grouping of local patches | |
| Kim et al. | Automatic photovoltaic panel area extraction from UAV thermal infrared images | |
| CN109886170B (zh) | 一种钉螺智能检测识别与统计系统 | |
| CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
| CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
| Gupta et al. | Image-based crack detection approaches: a comprehensive survey | |
| CN111161160A (zh) | 一种雾天障碍物检测方法、装置、电子设备和存储介质 | |
| CN110110667A (zh) | 一种硅藻图像的处理方法、系统及相关组件 | |
| Stricker et al. | Road surface segmentation-pixel-perfect distress and object detection for road assessment | |
| Tayo et al. | Portable crack width calculation of concrete road pavement using machine vision | |
| CN110246139B (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
| Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
| CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
| Montanez et al. | Photovoltaic module segmentation and thermal analysis tool from thermal images | |
| KR101779040B1 (ko) | 태양광 어레이의 열적외선 영상으로부터 패널 영역을 자동 추출하는 방법 및 장치 | |
| CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
| CN109299655A (zh) | 一种基于无人机的海上溢油在线快速识别方法 | |
| CN110082354A (zh) | 一种隧道衬砌浅层潜在剥落剥离红外探测装置 | |
| CN105718881B (zh) | 基于红外视频灰度图像的零照度环境烟尘监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |
|
| RJ01 | Rejection of invention patent application after publication |