CN107784661B - 基于区域生长法的变电站设备红外图像分类识别方法 - Google Patents

Abstract

本发明涉及一种基于区域生长法的变电站设备红外图像分类识别方法，对变电站巡检机器人监控系统采集的变电站设备红外图像进行分类识别，包括以下步骤：获取红外图像中的最高温度点区域；利用Otsu法确定区域生长法的最优分割阈值；将最高温度点区域作为区域生长法的种子点，以最优分割阈值作为区域生长法的约束，基于8‑连通方向编码的边界跟踪法完全提取出目标设备的轮廓；根据目标设备的轮廓计算获得目标设备的Hu形状特征向量；将归一化后的Hu形状特征向量输入训练好的BP神经网络中，获得目标设备的设备名称。与现有技术相比，本发明具有识别迭代步数少、精度高、易于拓展使用等优点，具有一定的应用价值。

Description

基于区域生长法的变电站设备红外图像分类识别方法

技术领域

本发明涉及变电站巡检机器人监控系统中变电设备红外热像图的热缺陷诊断问题，尤其是涉及一种基于区域生长法的变电站设备红外图像分类识别方法。

背景技术

电网的巡检维护作业是电网安全可靠运行的基本保障，是电网持续稳定供电的根本保证。随着移动机器人技术与自动化技术的发展，将机器人技术与电力应用相结合，为电网的维护提供了新的巡检方式。随着计算机技术和自动化技术的发展，利用变电站巡检机器人对变电站设备进行巡检成为推进少人或无人智能变电站进程的重要手段，利用移动机器人对变电站设备巡检已成为电力公司和科研单位的研究热点。目前变电站巡检机器人已在500～1 000kV各电压等级变电站得到示范应用，该巡检方式可有效解决人工巡检存在的缺陷或隐患等问题。

在变电站巡检机器人例行设备状态检测中，红外图像诊断技术可以实现设备不用停运、不用取样、不用解体等情况下的状态检修工作，对巡检机器人传送到后台监控系统的变电设备红外图像进行处理，从而对电力设备所存在的隐患和缺陷进行定位、最终实现定量的故障诊断。红外图像诊断技术越来越成为变电站状态检修的关键技术，在弥补因人为因素带来的状态检修的缺陷方面发挥重要作用。

在实际变电站巡检机器人监控系统中，可通过红外图像中设备的轮廓识别出目标设备的名称，但现有监控系统中针对图像中目标设备分类识别问题，往往存在分不出、错分、无法分等问题。而针对红外图像的识别问题，目标特征的选取直接影响到分类识别的准确度，进而影响到红外热诊断技术的应用，而对于性能优、易于实现的特征向量的选取上缺少统一参考标准。总体来说，变电站巡检机器人监控系统中红外图像的目标设备轮廓分割、特征提取尚没有统一的标准，仅通过图像分割和识别的效果来衡量其的好坏，影响了红外图像的识别准确度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于区域生长法的变电站设备红外图像分类识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于区域生长法的变电站设备红外图像分类识别方法，对变电站巡检机器人监控系统采集的变电站设备红外图像进行分类识别，包括以下步骤：

1)获取红外图像，对该红外图像进行图像增强预处理，利用最小二乘法拟合所述红外图像YUV格式中亮度值与实际温度值之间的线性关系，获得红外图像中的最高温度点区域；

2)利用Otsu法确定区域生长法的最优分割阈值；

3)将所述最高温度点区域作为区域生长法的种子点，以所述最优分割阈值作为区域生长法的约束，基于8-连通方向编码的边界跟踪法寻找下一个待合并的目标像素，直至完全提取出目标设备的轮廓；

4)根据所述目标设备的轮廓计算获得目标设备的Hu形状特征向量，并进行归一化；

5)将归一化后的Hu形状特征向量输入训练好的BP神经网络中，获得目标设备的设备名称。

进一步地，步骤1)中，所述图像增强预处理包括中值滤波处理和阈值滤波处理。

进一步地，步骤1)中，所述最高温度点区域通过以下方式获得：

在红外图像的最小温度与最大温度间等间隔选取A₁个样本温度点，对每一样本温度点任意选取A₂个与该样本温度点坐标对应的像素亮度值，并将出现次数最高的像素亮度值作为该样本温度点的亮度值，基于所述A₁个样本温度点的亮度值进行最小二乘法线性拟合，记录温度最高点对应的亮度值的位置坐标，获得最高温度点区域。

进一步地，该方法还包括：

在执行步骤2)前，对红外图像进行灰度形态学开运算处理。

进一步地，步骤2)中，所述最优分割阈值为：

式中，ω₀、μ₀为待求最佳分割阈值的前半部分各灰度级概率和灰度均值，ω₁、μ₁为后半部分各灰度级的概率和灰度均值，L为最大灰度值。

进一步地，所述步骤3)中，基于8-连通方向编码的边界跟踪法寻找下一个待合并的目标像素时，对于符合以下规则的像素点进行合并，形成新的种子点集合：

式中，f(x,y)为图像像素函数，

为8-连通区域灰度均值，μ_R为已生长合并区域的灰度均值，T₁是经Otsu法确定的最优阈值，T₂为灰度相似性阈值。

进一步地，步骤5)中，所述BP神经网络通过以下步骤训练：

a)获取样本，对各样本依次执行步骤1)-4)，获得训练样本数据；

b)引入附加动量和自适应学习率，加快网络迭代收敛速度，防止网络陷入局部最优，初始化设置BP神经网络参数，包括期望最小误差、最大迭代步数、学习率、初始化每层的权值W和阈值b；

c)将训练样本数据的Hu形状特征向量作为输入BP神经网络的训练样本X；

d)计算样本输出向量Y和网络误差E；

e)计算每次迭代中各层误差δ_ij、δ_jk以及各个权值和阈值的修正量Δθ_j和Δθ_k，获得修正后的权值和阈值，i、j、k为层数变量；

f)重复步骤c)到步骤e)直到满足迭代终止的条件，BP神经网络训练完成。

与现有技术相比，本发明具有以下有益效果：

1、本发明在利用区域生长法进行目标图像分割时，在种子点的选择方面是利用最小二乘法拟合出变电设备红外图像中亮度值与实际温度值之间的线性关系，找出图像中目标设备区域的最高温度点，同时为变电设备红外图像热诊断提供设备热点温度。利用Otsu方法计算区域分割的最佳阈值，结合红外图像的灰度阈值确定区域生长法的生长规则，利用8-连通方向编码方式进行待合并像素点的跟踪合并，识别迭代步数少，精度高。用此方法分割的目标设备轮廓边缘清晰，避免标准区域生长法在分割目标设备边缘时的过分割或欠分割问题，该方法在变电设备的红外热诊断技术中具有一定的创新性。

2、本发明中BP网络误差在反向传播过程中，给各个权值都加上一个正比于上一次权值变化的量，可弥补标准BP算法在权值调整时容易陷入误差平面内局部极小值的不足，使得网络的输出更接近于期望值。

3、本发明的中值滤波、阈值滤波、形态学灰度开运算的组合使用，可有效滤除图像中噪声干扰，弱化背景中无关设备，突出目标设备轮廓边缘，为区域生长法提供清晰的目标设备的边缘信息。

4、本发明针对变压站巡检机器人监控系统中红外图像的分类识别问题，采用C#语言在Microsoft Visual Studio 2015中编程实现，软件兼容Windows操作系统，同时易于拓展和使用，在实际变电站巡检机器人监控系统中具有一定的实际应用价值。

附图说明

图1为变电站设备红外图像分类识别流程图；

图2为基于改进区域生长的图像分割图；

图3为穿墙套管的红外图像；

图4为穿墙套管亮度与温度的线性拟合图；

图5为变压器红外图像和预处理后的灰度图像，其中，(5a)为变压器红外图像，(5b)为预处理后的灰度图像；

图6为区域生长法示例图，其中，(6a)为一种子集合，其中方框内的种子为已知像素，(6b)为阈值t＝1时的生长结果，(6c)为阈值t＝3时的生长结果，(6d)为阈值t＝6时的生长结果；

图7为基于改进区域生长的图像分割图，其中，(7a)为变电站母线端连接触头红外热像图，(7b)为经区域生长法分割后的触点二值图，(7c)为改进区域生长法分割后的触点二值图；

图8为变电站电气设备二值图像，其中，(8a)为导线连接触头，(8b)为电流互感器，(8c)绝缘子片，(8d)为电压互感器、(8e)为变压器出线套管，(8f)、8g)、(8h)均为避雷器；

图9为BP神经网络结构图；

图10为BP神经网络迭代次数与误差曲线图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例提供一种基于区域生长法的变电站设备红外图像分类识别方法，对变电站巡检机器人监控系统采集的变电站设备红外图像进行精确的分类识别，该方法首先对变电站巡检机器人监控系统中的电气设备红外图像进行图像增强方式，获得红外图像中设备温度最高点区域的像素集合，利用Otsu法计算灰度图像目标设备分割的最佳阈值，并以该最佳阈值为生长规则进行区域生长，并在区域生长中利用8-连通方向编码方式进行种子点集合的区域边界跟踪生长，提取出目标设备的形状轮廓二值图像，并计算该目标设备二值图的Hu特征矩，作为待分类图像设备的形状特征向量，将目标设备的形状特征向量输入BP神经网络进行迭代，直到输出误差满足要求或达到最大迭代次数。利用训练好的BP神经网络来完成相应电气设备的分类识别，为变电站巡检机器人监控系统中红外图像的热缺陷诊断技术提供准确的设备名称信息。

如图1所示，上述分类识别方法的具体步骤包括：

1)将变电站巡检机器人监控系统中的红外图像进行图像增强处理后，利用最小二乘法拟合出变电设备红外图像YUV格式中亮度值与实际温度值之间的线性关系，找出图像中目标设备的最高温度点区域；

2)利用Otsu法确定区域生长的最优分割阈值；

3)将最高温度点区域作为区域生长法的种子点，经Otsu获得的目标设备分割的最优分割阈值作为区域生长法的约束，利用8-连通方向编码的边界跟踪法寻找下一个待合并的目标像素，直至完全提取出目标设备的轮廓边缘；

4)对提取出的变电设备红外图像轮廓进行Hu矩计算，求取对应变电设备的Hu特征向量(形状特征向量)，并进行归一化处理；

5)将目标图像的Hu特征向量输入到BP神经网络，完成目标设备的分类识别。

一、基于区域生长法的红外图像分割

1、图像分割预处理：

红外图像表示被测物和背景的红外辐射分布，整体灰度值较低且集中分布，信噪比低，而中值滤波对脉冲干扰和椒盐噪声的抑制效果良好，而且还可有效保护目标图像的边缘信息。

对二维矩阵{X_i,j}进行中值滤波时，滤波窗口为3×3矩阵Z，则中值滤波可定义为：

式中，A为滤波器窗口，窗口尺寸i,j∈Z，x_i,j∈A。滤波后y_i,j的值等于窗口Z内9个像素灰度值的中间值。在使用中值滤波时，需将图像像素分解为R、G、B分量，并分别对3个分量进行中值滤波。当红外图像中存在面积较大的背景物体时，可先通过阈值滤波消除图像中背景物体，再进行中值滤波。阈值滤波表示为：

|y_i,j-x_i+k,j+l|＞T k,l∈[-1,1] (2)

式中，T为阈值，阈值窗口尺寸i,j∈Z，x_i+k,j+l∈A。

2、识别红外图像中最高点温度

在一定测温范围内，红外图像中像素点的亮度值与设备温度值之间线性相关，通过线性变换可以将图像中像素点的亮度矩阵映射到实际设备的温度场。在红外图像中获取图像的三维数值矩阵，通过颜色分量的加权可将真彩色图像数值转换为图像亮度值，转换公式如(3)所示：

Y＝0.299R+0.587G+0.114B (3)

式中，Y为YUV格式中Y分量，R、G、B分别是RGB格式的分量。

本实施例中，可采用如下方式获得最高温度点区域：根据变电站设备红外图像中标定最低温度T_min和最高温度T_max，在[T_min，T_max]等间隔取60个样本温度点。对每一温度值的样本点找到50个该温度值点的坐标，并记录在临时数组中，同时计算出该50个位置处的像素亮度值，统计每个亮度值出现的次数，出现次数最高的亮度值作为该温度值对应的像素亮度值，并记录在相应数组中。找到60个温度值对应的亮度值后，对样本数据进行最小二乘法拟合，得到亮度值与温度值之间的线性关系，将红外图像的亮度值阵列用温度值矩阵替代，记录设备温度最高点对应亮度值的位置坐标。图3、图4为穿墙套管亮度值与温度的线性拟合效果。

3、灰度形态学开运算

在实际变电站环境中变电设备会与其他设备之间通过导线或重叠等方式连接，在分割目标图像时会受到背景图像的干扰，形态学开运算可滤除图像中孤立物体的像素，最大化平滑设备图形的边界。设f(x,y)、b(x,y)分别是灰度图像函数和结构体元素函数，定义域分别为G_f、G_b，灰度形态学中的膨胀、腐蚀定义如下：

(fΘb)(u,v)＝max{f(u+x,v+y)-b(x,y)|(u+x,v+y)∈G_f；(x,y)∈G_b} (5)

则b(x,y)对f(x,y)的开运算表示如下：

在红外图像中选取图像左上角为开运算中心点，中心点到目标设备最外沿像素点距离为半径的圆形结构对变电站设备图像进行开运算优化，以消除图像中目标设备的背景连接。图5为变压器箱体的红外图像和经中值滤波、阈值滤波和开运算等预处理后的灰度图像。

4、基于区域生长的图像分割

区域生长法是像素级别的图像分割方法，将图像中具有某些相似特性的像素点集合提取构成目标区域，对复杂背景进行高精确地分割。选取待分割图像中满足一定要求的区域集合作为分割的种子集合，从种子区域按照给定的规则生长，将种子集合邻域内符合条件的像素归并到种子集合，将合并后的像素集合看作新的种子集合继续按照生长规则生长，直到没有满足条件的像素存在。图6中数字为像素的灰度值，(6a)中方框内的种子为已知像素，设定生长准则为种子像素点灰度值和待合并像素点灰度之差的绝对值小于阈值t，图(6b)、(6c)、(6d)分别给出了t＝1、t＝3和t＝6时的生长结果。

种子点再生长过程中，利用Otsu法确定的阈值作为种子再生长的约束。Otsu法是基于阈值的分割方法，设红外图像的灰度范围为[0，L-1]，灰度为i的像素个数为N，n_i表示灰度为i的像素个数，灰度i出现的概率为p_i＝n_i/N，阈值t将图像灰度级划分为C₀＝(0,1,2,……,t)和C₁＝(t+1,t+2,……,L-1)，各灰度级的概率分别为：

灰度均值分别为：

由式(7)、(8)可得

μ_t＝ω₀μ₀+ω₁μ₁ (9)

则类间方差定义为：

σ² _B＝ω₀(μ₀-μ_t)²+ω₁(μ₁-μ_t)²＝ω₀ω₁(μ₀-μ₁)² (10)

最佳阈值为：

t^*＝Arg max_0≤t≤L-1{ω₀ω₁(μ₀-μ₁)²} (11)

从灰度值最小到最大找出使得式(11)中t^*为最大值时L的灰度值即为分割的最佳阈值。可用方差衡量灰度分布均匀性，当方差取最大值时，图像中目标设备和背景的像素差别最大，错分的概率最小，此时的L可作为分割的最佳阈值。改进区域生长法的描述如下：

(1)种子点的获取

种子点代表目标区域的一个或一组像素，红外图像的亮度反映目标区域的温度信息，选择图像中温度最高值对应的像素坐标作为种子点。

(2)生长准则

设已生长合并的区域为R，R中像素点个数为N，灰度均值为μ，T₁是经Otsu法确定的最优阈值，T₂为灰度相似性阈值，待合并像素点(x,y)的3×3邻域内灰度均值为

生长准则可用如下式表示：

对于满足式(13)的像素点，可将其作为新的种子并合并到已分割区域，那么此时区域R的均值可表示为

如果待检测的像素点与种子点像素灰度值之差的绝对值大于设定门限值或者不满足式(13)，可认为该像素不符合生长规则，算法终止对该像素的合并，继续进行其他像素的合并。在区域生长过程中引入最佳分割阈值T₁和灰度相似性阈值T₂后，可避免因红外图像中目标设备灰度变化过大而导致的目标图像欠分割，同时生长规则中加入T₁的约束，也可避免因红外图像中目标设备边缘模糊而导致的目标图像过分割。将经Otsu法获取的最佳分割阈值作为区域生长法的生长准则，采用改进区域生长法对变电站设备图像进行分割，分割算法流程如图2所示。

图7中(7a)为变电站母线端连接触头红外热像图、(7b)为经区域生长法分割后的触点二值图、(7c)为改进区域生长法分割后的触点二值图。从图7中看出仅使用区域生长法分割设备红外图像，会造成图像设备局部边缘的欠分割和过分割，给图像的特征提取带来干扰，而改进分割方法可有效的排除红外图像中目标设备与其背景之间的连接干扰。

二、变电设备的特征提取与分类

1、变电设备形状特征提取

变电站电气设备的形状不因工作状态和环境变化而改变，具有较强的稳定性，可使用其形状作为分类识别的依据，根据上述方法对设备图像进行轮廓提取后，利用Hu矩计算变电设备的形状特征。

Hu矩可描述图像设备区域特征，具有平移、缩放、旋转和尺度不变性，是基于目标设备形状识别的重要参数。设二维离散函数f(x,y)的(p+q)阶矩为：

m_pq＝∑_x∑_yx^py^q f(x,y) (15)

由式(15)可得到零阶矩m₀₀＝∑_x∑_yf(x,y)，表示图像像素的总和；一阶矩m₁₀和m₀₁，则图像的质心为：

则二维离散图像的中心矩为：

归一化的中心矩为：

式中

则Hu矩可有以下7个公式表示：

由于Hu矩的7个特征量

的数量级差别较大且有正有负，工程上往往用变换后的Hu矩作为图像形状特征，式(20)为变换后的Hu矩：

将实际变电站巡检机器人传输到后台系统的红外图像经上述方法处理后，取如图8中多种变电设备的二值图像进行Hu矩运算，计算相应设备的形状特征向量，表1为图8中设备二值图像的Hu矩特征提取向量。

表1 变电站电气设备二值图像特征提取

为描述不同图像设备轮廓间形状的相似度，选择目标设备形状特征向量之间的欧氏距离来表示，其定义为：

目标设备特征向量间距离越小，说明图像形状差别越小；目标设备特征向量间距离越大，说明图像形状差别越大。为比较不同变电站电气设备形状特征向量间的欧式距离，需先对提取的设备形状特征值进行归一化处理，再计算形状特征向量间的距离，用8f图像分别与其他图像比较，结果如表2所示。

表2 不同设备间的形态特征向量的距离

图(8f)-(8h)为避雷器的旋转和缩放二值图，三种形状特征向量间的欧式距离分别为0、0.000 01和0.00 01，因此可认为Hu矩对同一设备的缩放、旋转尺度变化具有良好的不变性。图(8f)与(8a)-(8e)的特征向量距离较大，其值分别为0.905 17、0.812 62、0.84607、0.820 14和0.831 76，可认为它们属于不同的设备。特征向量距离反映其形状差别的大小，可看出Hu矩具有较好的类间区分度，因此可将Hu矩作为变电设备图像识别的特征向量。

2、基于BP神经网络的图像分类

针对传统BP神经网络已陷入局部最优和迭代收敛慢的不足，需引入附加动量法和自适应调整学习率法来改善BP神经网络。引入附加动量后网络连接权的迭代关系为

式中m_cΔw_uv(n)为附加动量，m_c为动量因子，进而可得；

由式(23)可得：

上式中附加动量项系数增加为η/(1-m_c)，BP网络误差在反向传播过程中，给各个权值都加上一个正比于上一次权值变化的量，可弥补传统BP网络在权值调整时容易陷入局部最优的不足。为避免恒定学习速率带来的网络收敛误差，保证BP网络训练过程中迭代收敛稳定性，引入自适应调整学习率，其可根据权值修正值是否有效降低误差函数作相应变化，如果误差函数降低过大，说明学习率较小，自适应学习速率法会自动增大学习率，反之亦然，其定义如下：

式中k_inc为学习率增长比，k_dec为学习率下降比，E(k)、E(k+1)为第k、k+1迭代误差。

在特征分类过程中，将目标图像的Hu特征向量输入到第一层的所有节点中，经过隐藏层反向传播输出层的误差，修正各神经元的权值，直至误差满足要求。图9为BP神经网络结构图，图中x₁～x_l为形状特征向量的各个元素，w_ij、w_jk分别为各输入、输出分量的权重，y₁～y_k为BP网络的输出。专利中BP神经网络的结构方式为输入层-一层隐藏层-输出层的3层结构，其中所有节点的激活函数用S型函数，其定义为：

式中θ为神经元的阈值，w为各个输入分量的权重，f为激活函数。在S型函数中当输入值很大时，S型函数的斜率趋向于0，有较小的误差曲面梯度，此时网络具有较快的收敛速度，同时S型函数易于求取偏导数，根据BP网络会根据偏导数的符号确定权值更新的方向，来消除BP网络权值更新慢的不足，防止迭代陷入局部最优，同时网络权值可通过独立的更新值来改变。

BP神经网络输入元素的个数等于识别对象特征向量的维数，针对同一设备的不同类型的形状特征向量，BP网络的输入元素个数也不同，而输出元素的个数等于训练样本中的设备种类的数目。本发明使用Hu矩作为变电站电气设备形状特征向量，则BP网络输入元素的个数为7，同时输入向量元素按照下式作归一化处理：

式中Z、Z′为一设备Hu矩归一化前、后特征向量，Z_max、Z_min为Hu特征向量中最大、最小值。

隐藏层节点数目的确定是通过多次实验对比验证来确定的，隐藏层节点数可取为10，初始化权值取(-1,1)之间的随机数，以加快网络的迭代收敛速度。BP网络误差在反向传播过程中，给各个权值都加上一个正比于上一次权值变化的量，可弥补标准BP算法在权值调整时容易陷入误差平面内局部极小值的不足，使得网络的输出更接近于期望值。当BP网络输出的全局误差小于期望误差或者迭代步数达到最大时，网络迭代终止，而网络的全局误差e定义如下：

式中N为输入样本总数，N取7，q为输出样本维度，q取6，k为样本序列，o为网络隐藏层到输出层的样本序列，使用改进后BP网络对图像特征向量进行分类。

如图1所示，上述BP神经网络的训练过程具体为：

a)获取样本，对各样本依次执行步骤1)-4)，获得训练样本数据；

b)引入附加动量和自适应学习率，加快网络迭代收敛速度，防止网络陷入局部最优，初始化设置BP神经网络参数，包括期望最小误差、最大迭代步数、学习率、初始化每层的权值W和阈值b；

c)将训练样本数据的Hu特征向量作为输入BP神经网络训练样本X；

d)计算样本输出向量Y和网络误差E；

e)计算每次迭代中各层误差δ_ij、δ_jk以及各个权值和阈值的修正量Δθ_j和Δθ_k，获得修正后的权值和阈值，i、j、k为层数变量；

f)重复步骤c)到e)，不断修正各神经元的权值，直到满足迭代终止的条件，BP神经网络训练完成。

BP神经网络训练中选取如图8中(8a)～(8f)等6种变电设备图像300幅，分别为导线连接处、电流互感器、绝缘子片、电压互感器、变压器出线套管、避雷器，每种设备二值图像各选择50幅，随机对每种设备图像进行旋转、缩放和尺度变化及加入随机噪声等处理，模拟实际变电站电气设备红外图像的复杂度。在300幅图像中随机选取150幅作为BP网络的输入样本，剩下的作为网络测试样本。将各个变电设备形状特征向量Hu矩阵归一化到[-1,1]范围中，以消除因设备种类不同而产生的网络迭代误差。本实施例中，BP神经网络选用的网络结构为7-10-6，期望最小误差e为10^-2，初始学习率为0.3，学习率上升、下降因子各为1.05、0.7，动量因子为0.9，最大迭代次数为10000。在多次训练BP网络过程中，平均迭代次数为2870时，迭代误差约为0.0099874，可认为迭代收敛，BP神经网络迭代误差如图10所示。变电站巡检机器人发送到监控后台的电气设备红外图像进行上述处理后，将图像中目标设备形状Hu特征向量作为BP神经网络的输入，网络分类识别的电气设备情况统计如表3、4所示：

表3 部分测试数据和结果

表4 BP网络分类识别统计

三、变电站红外图像分类识别在线应用

该变电设备红外图像特征提取与分类识别算法在Microsoft Visual Studio2015中开发，应用C#语言完成红外图像预处理、分割、特征提取、BP神经网络分类识别以及图像中温度最高点位置查询的类库功能，软件发布后可运行在装有.NETFramework 4.0以上的Windows系统中。将该变电设备红外图像分类识别算法应用到某220kV变电站巡检机器人监控系统中，在功能服务层实现红外图像的预处理、亮度-温度值线性拟合、灰度图像形态学开运算、区域生长的目标阈值分割、设备二值图像Hu矩阵提取、BP神经网络训练以及不同设备的形状特征Hu矩阵的分类识别，将红外图像中目标设备名称和图像一起传送给应用层，用于显示红外图像及其图像设备名称。经过现场运用总结，该变电站红外图像设备识别算法已成功实现导线、电压互感器、电流互感器、绝缘子、避雷器等电气设备的分类识别，识别成功率高达88％，大大改进了变电站巡检机器人监控系统原有红外图像识别的效率和准确度，而且设备热点温度和位置判断较为准确。

本发明利用图像形态学开运算消除红外图像中背景和目标设备连接的干扰，利用中值滤波来消除红外图像中的噪声像素，利用图像亮度线性拟合的方法定位图像中温度最高点的位置，研究了基于Otsu法的红外图像区域生长分割技术，提取分割后设备二值图像的Hu矩作为变电设备的形状特征向量，利用BP神经网络实现导线连接、电流互感器、电压互感器、绝缘子、变压器出线套管、避雷器等电气设备的分类识别，通过实验验证了该分类识别算法的区分度和分类效果，结果表明该算法针对变电站电气设备分类准确，网络迭代步数少，易于拓展等优点，具有一定的应用价值。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (3)

1.一种基于区域生长法的变电站设备红外图像分类识别方法，其特征在于，对变电站巡检机器人监控系统采集的变电站设备红外图像进行分类识别，包括以下步骤：

1)获取红外图像，对该红外图像进行图像增强预处理，利用最小二乘法拟合所述红外图像YUV格式中亮度值与实际温度值之间的线性关系，获得红外图像中的最高温度点区域，所述图像增强预处理具体为：使用中值滤波时，将图像像素分解为R、G、B分量，分别对3个分量进行中值滤波，当红外图像中存在面积较大的背景物体时，先通过阈值滤波消除图像中背景物体，再进行中值滤波；

2)对红外图像进行灰度形态学开运算处理，利用Otsu法确定区域生长法的最优分割阈值；

3)将所述最高温度点区域作为区域生长法的种子点，以所述最优分割阈值作为区域生长法的约束，基于8-连通方向编码的边界跟踪法寻找下一个待合并的目标像素，直至完全提取出目标设备的轮廓；

4)根据所述目标设备的轮廓计算获得目标设备的Hu形状特征向量，并进行归一化；

5)将归一化后的Hu形状特征向量输入训练好的BP神经网络中，获得目标设备的设备名称；

步骤1)中，所述最高温度点区域通过以下方式获得：

在红外图像的最小温度与最大温度间等间隔选取A₁个样本温度点，对每一样本温度点任意选取A₂个与该样本温度点坐标对应的像素亮度值，并将出现次数最高的像素亮度值作为该样本温度点的亮度值，基于所述A₁个样本温度点的亮度值进行最小二乘法线性拟合，记录温度最高点对应的亮度值的位置坐标，获得最高温度点区域。

2.根据权利要求1所述的基于区域生长法的变电站设备红外图像分类识别方法，其特征在于，步骤2)中，所述最优分割阈值为：

式中，ω₀、μ₀为待求最佳分割阈值的前半部分各灰度级概率和灰度均值，ω₁、μ₁为后半部分各灰度级的概率和灰度均值，L为最大灰度值。

3.根据权利要求1所述的基于区域生长法的变电站设备红外图像分类识别方法，其特征在于，所述步骤3)中，基于8-连通方向编码的边界跟踪法寻找下一个待合并的目标像素时，对于符合以下规则的像素点进行合并，形成新的种子点集合：

式中，f(x,y)为图像像素函数，

为8-连通区域灰度均值，μ_R为已生长合并区域的灰度均值，T₁是经Otsu法确定的最优阈值，T₂为灰度相似性阈值。

Images