CN109993736A - 一种基于改进加权otsu算法的电气设备热成像分割查异方法 - Google Patents
一种基于改进加权otsu算法的电气设备热成像分割查异方法 Download PDFInfo
- Publication number
- CN109993736A CN109993736A CN201910249138.8A CN201910249138A CN109993736A CN 109993736 A CN109993736 A CN 109993736A CN 201910249138 A CN201910249138 A CN 201910249138A CN 109993736 A CN109993736 A CN 109993736A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- region
- hot spot
- electrical equipment
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001931 thermography Methods 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000001757 thermogravimetry curve Methods 0.000 claims abstract description 8
- 238000003331 infrared imaging Methods 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000005303 weighing Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000003708 edge detection Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 101100394003 Butyrivibrio fibrisolvens end1 gene Proteins 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进加权otsu算法的电气设备热成像分割查异方法,包括:(1)采集电气设备的红外线成像数据,获得红外灰度图数据流;(2)对获取的红外灰度图进行小波增强,得到突出细节以及突出热点区域的红外图像;(3)对突出热点区域的红外热像图进行高斯滤波;(4)应用改进的otsu算法和canny边缘算法分别对高斯滤波后的数据以及原始数据进行热点区域的提取和边缘信息获取;(5)应用形态学的开运算,基于几何形状对提取的区域形状滤波。(6)利用提取的热点区域和边缘信息对红外图像进行特征提取,分析特征并作出异常警告。本发明能够克服红外成像中噪声过大、目标与背景区分不明显等缺陷,可以有效提高红外检测的效率和可靠性。
Description
技术领域
本发明属于电气设备红外故障诊断技术领域,尤其是涉及一种基于改 进加权otsu算法的电气设备热成像分割查异方法。
背景技术
在电气设备中,应用红外热成像技术,能够实现对设备实时、大范围 的检测与热故障诊断。现如今大多数红外图像的故障分析由人工完成,人 工查看热点区域是否温度异常等等,但随着红外诊断技术的大规模应用, 海量的图片与较高的诊断结果要求使得人工处理面临较大成本。因此,近 几年来随着工业4.0政策的推进,智能化与自动化的大方向给红外故障诊 断技术提出了新的要求。因此,多种电气设备红外故障自动诊断技术陆续 被提出。
首先是图像增强技术,红外图像增强是一种拓宽灰度等级的过程,它 能够展宽图像的显示动态范围,充分得提高图像的清晰度。同时还能抑制 噪声,并一定程度上区分目标和背景区域。比如直方图均衡化(Histogram Equalization,HE)是将原始图像的直方图通过变换函数T(r)调整为一个新 的均衡的直方图,然后按均衡后的直方图修正原图像,从而有利于从大的 背景中提取有用信息。从信息论的观点来看,经过均衡化处理的图像,其所有灰度级出现的概率相同,此时图像的嫡最大,图像所包含的信息量最 大。但是,这种直方图均衡方法,不可避免的造成噪声的过增强,在红外 的低信噪比情况下,严重影响视觉质量。
其次是图像分割技术,针对红外热成像目标微弱而背景复杂时,如何 能将检测目标和热点区域完好分割出来具有重要意义。图像分割技术大致 包括阈值图像分割、区域生长和边缘检测三种方法。阈值算法包括最大熵 算法、自适应阈值算法、otsu算法等。其中otsu算法被认为是图像分割中 阈值选取的最佳算法,计算简单,不受图像亮度和对比度的影响。因此, 使类间方差最大的分割意味着错分概率最小,但存在当前景或背景区域较 小时,分割效果较差的问题。
而边缘检测包括Roberts算子、Sobel算子、Prewitt算子与拉普拉斯算 子等,可以提取图像边缘,但是在噪声明显的时候容易将噪声与边缘混淆, 存在伪边缘。Canny边缘检测方法,它对白噪声影响的阶跃型边缘是最优 的,对边缘的误检、漏检率最小,检测出的边缘较多。
《红外》2018年10月第39卷第10期44-48页“基于Top-hat变换与 OTSU的近岸舰船目标检测”文献公开了一种应用Top-hat变换以及阈值 分割处理的近岸舰船目标检测,该计算易于实现,对于近岸舰船目标的处 理提供了不同的思路。缺点是应用otsu算法阈值分割红外图像,当目标与 背景的大小比例悬殊时(PA、PB有一个过小),类间方差准则函数可能 呈现双峰或多峰,此时分割效果不好,而且提取区域的参数可控性太小, 无法获取用于分析处理的的多种热点区域。
发明内容
本发明提供了一种基于改进加权otsu算法的电气设备热成像分割查 异方法,在分割热点等区域、检测热故障的同时,克服红外成像中噪声过 大、目标与背景区分不明显等缺陷,可以有效提高红外检测的效率和可靠 性。
一种基于改进加权otsu算法的电气设备热成像分割查异方法,包括以 下步骤:
(1)对控制器等电气设备进行红外热成像数据采集,获得红外灰度 图数据流;
(2)对获取的红外灰度图进行不同尺度的小波增强,初步抑制噪声 并区分背景与前景,得到突出细节以及突出热点区域(主体)的红外图像。
(3)对突出主体的红外热像图进行高斯滤波,进一步抑制噪声,为 下一步分割作预处理,得到平滑后的图像数据;
(4)应用改进的otsu算法和canny边缘算法分别对高斯滤波后的数 据以及原始数据进行“热点区域”提取和边缘信息获取;
(5)对提取的热点区域二值图像应用形态学的开运算,基于几何形 状对提取的区域形状滤波,除去孤立的小点、毛刺;
(6)利用滤波后的“热点区域”和边缘信息对红外图像进行特征提 取,包括热点平均温度、相对温差、热点区域边缘融合等等,分析特征并 作出异常警告。
本文提出的一种基于改进加权otsu算法的电气设备热成像分割查异 方法,可以自动分割热点区域、电气设备发热区域与边缘信息,与标准值 或历史信息比对检查是否异常,对不同红外成像目标适应性良好。
步骤(1)中,获取红外灰度图数据流时,由于算法处理速度受到预 算平台限制,当红外图像采样速度大于处理速度时,可以选择抽样处理, 例如每5帧图像处理一张,面对固定式监测以及这种温度不会突变的场合 可以适用。
步骤(2)中,对红外灰度图进行小波增强的具体步骤包括:
(2-1)对二维红外图像进行小波分解;
(2-2)根据分解获得的分解系数和长度获取高低频小波系数的始末 位置;
(2-3)分别处理高低频系数,以获取突出细节与主体的图像;
(2-4)用处理后的小波系数重构图像,获取突出细节的图像用于人为 视觉观看,获取突出主体的图像用于算法进一步处理。
步骤(2-1)中,二维红外图像进行小波分解,在MATLAB中的语句 为:
[c,s]=wavedec2(image1,N,'sym4')
式中:c、s分别为图像小波分解后的各层分解系数与各层分解系数长 度;image1为待处理的二维红外图像矩阵;N为小波分解层数;‘sym4’为 小波基函数;wavedec2表示二维数据小波分解。
步骤(2-2)中,所述的高低频小波系数始末位置获取,在MATLAB 中的语句为:
end1=length(c);begin1=prod(s(1,:))
式中:end1为高频分解系数的末值;begin1为低频分解系数与高频分 解系数的分界;length表示求向量的长度;prod表示求向量各元素的乘积。
步骤(2-3)中,分别处理高低频系数,在MATLAB中的语句为:
式中:c为处理后的小波系数;lf_pf为低频处理系数,一般取1.5;hf_pf 为高频处理系数,在获取突出主体图像时取0.75,在获取突出细节图像时 取3。
步骤(2-4)中,重构图像,在MATLAB中的语句为:
image_wt=waverec2(c,s,'sym4')
式中:Image_wt为重构后的红外图像;c、s分别为小波重构的各层分 解系数与各层分解系数长度,其中针对突出细节与主体输入不同的c; ‘sym4’为分解时所用的小波基函数;waverec2表示二维数据小波重构。
步骤(3)中,进行高斯滤波,在MATLAB中的语句为:
image_gaus=imfilter(image_wt,fspecial(′gaussian′,[3,3],sigma))
式中:
Image_gaus为高斯滤波后的图像;Image_wt为小波增强后的突出主体的 图像;fspecial表示建立预定义的滤波算子;‘gaussian’为算子类型选择高 斯;[3,3]为模板的尺寸;sigma为滤波器的标准值,单位为像素。
步骤(4)中,所述的canny边缘算法,在MATLAB中的语句为:
image_canny=edge(image1,'canny',[],sigma_canny);
式中:Image_canny为边缘检测后的二值图像;Image1为原始的红外图 像;‘canny’为边缘检测算子类型选择canny;sigma_canny为算法所用高斯 模板滤波的标准差;edge表示边缘检测函数。
所述的改进的otsu算法,原理是取一个最优阈值把原图像分为前景 色(A部分)与背景色(B部分),两部分的类间方差越大,说明两部分 差别越大,便能有效的分割图像。Nobuyuki Otsu给出的类间方差(ICV) 定义为:
ICV=PA*(MA-M)2+PB*(MB-M)2
ICV为类间方差;PA为A部分里的像素数占总像素数的比例;PB 为B部分里的像素数占总像素数的比例;M为总灰度值的均值;MA、MB 分别为A部分与B部分的灰度值均值。
在MATLAB中的语句为:
k=graythresh(dbI);
式中:k为分割后的二值图像;dbI为红外灰度矩阵归一化后的矩阵; graythresh为MATLAB自带otsu分割算法的函数。
可以看出函数graythresh输入仅为图像,无参数可控,因此分割的图 像不一定满足提取特征的要求,例如要提取设备上热点的区域和提取整个 设备所在区域。并且从ICV的公式中看出,PA、PB为图像前景与背景的 权重,因此比如PA较小时,得到的阈值就会与B区域接近,分割效果就 较差。因此本方法提出对ICV公示的改造如下:
ICV=PA^β*(MA-M)2+PB^β*(MB-M)2
引入的β命名为类间权衡系数,当β取1时,此式与原式相同;取β >1时,放大了PA、PB对于ICV的影响,因此ICV的增大对AB区域比 例更敏感;β<1时,同理削弱了PA、PB的影响,使得二者较小时分割 效果也较好。同时控制β大小,可以获取不同范围的区域划分:例如热点 峰值区域比较小,此时β取小值;监测的电气设备整体发热时,要获取整 体的设备温度,此时区域较大,β应取大值。
改进的otsu算法在MATLAB中的语句为:
ICV=PA^β*((MA-M)^2)+PB^β*((MB-M)^2);
式中:ICV为类间方差;PA为A部分里的像素数占总像素数的比例; PB为B部分里的像素数占总像素数的比例;β为类间权衡系数;M为总 灰度值的均值;MA、MB分别为A部分与B部分的灰度值均值。
步骤(4)中,为获取不同热点区域大小的分割结果,类间权衡系数 β需要选取合适,此处引入了分别获取热点峰值区域、电气设备整体发热 区域的β自适应获取方法。
为获取热点峰值区域,此时应削弱PA、PB的影响,β取较小值,通 过对β寻优,条件为使得当前区域平均温度比最高温度下降20%,获取的 β分割的区域为热点峰值区域。公式为:
其中,T为原始红外温度矩阵,A为分割后的区域二值矩阵;
为获取电气设备整体发热区域,此时应适度增强PA、PB的影响,β 取较大值,同时通过对β寻优,条件为使得当前分割区域边缘平均温度梯 度最大,因为电气设备发热时温度远高于环境机柜的温度,由此获取的β 分割的区域为电气设备整体发热区域。公式为:
其中,T为原始红外温度矩阵,Bβ为β下的区域二值图像的边界二值 矩阵。
步骤(5)中,利用改进的otsu算法获取的区域信息,会包含孤立的 散点与毛刺,显然这并不是我们要提取的热点区域中的部分,应该去掉。 此处引入基于形态学的开运算,即先腐蚀、后膨胀。
腐蚀:膨胀:
A:被腐蚀(膨胀)二值图像
B:腐蚀(膨胀)参数
步骤(6)中,所述的热点区域边缘融合,在MATLAB中的语句为:
image_fuse=(~image_canny&image_otsu)|(~image_otsu&image_canny);
式中:Image_fuse为区域边缘融合后的二值图像;Image_canny为canny 边缘检测算法获取的边缘二值图像;Image_otsu为otsu区域分割后获取的 区域二值图像。
利用提取的“热点区域”和边缘信息对红外图像进行特征提取,包括 热点平均温度、相对温差、热点区域边缘融合等等,分析特征并作出异常 警告。
与现有技术相比,本发明具有以下有益效果:
1、本发明能够在获取红外图像的同时,实现多尺度的红外图像增强、 滤波降噪、多尺度区域分割、边缘获取与融合,并进一步获取热点区域平 均温度、相对温差、区域大小等等特征同时,进而对异常值作出不同程度 的警示。
2、本发明解决了红外成像中噪声过大、目标与背景区分不明显等缺 陷对分析故障造成的难题,极大地简化了人工识别红外故障的重复性操作, 提高了红外故障检测的效率和可靠性,也为电气设备预测性维护提供了数 据预处理算法支撑,对电气设备的故障检测和智能运维有重要意义。
附图说明
图1为本发明一种基于改进加权otsu算法的电气设备热成像分割查异 方法的流程示意图;
图2为本发明实施例检测目标ABB公司A145-30号接触器的可见光 图片;
图3为图2中接触器的红外热成像图;
图4为小波增强细节后的红外热像图;
图5为小波增强热点区域(主体)并降噪后的红外热像图;
图6为高斯滤波后的红外热像图;
图7为应用自适应β的otsu算法分割的热点区域二值图像;
图8为应用自适应β的otsu算法分割的电气设备发热区域二值图像;
图9为应用开运算去除孤立点的区域二值图像对比图;
图10为应用canny算法提取的边缘二值图像;
图11为区域边缘融合后的特征二值图像;
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是, 以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于改进加权otsu算法的电气设备热成像分割查异 方法,分别对仿真信号和实际信号进行处理分析,具体步骤描述如下:
(1)获取红外灰度图数据流,根据红外图像采样频率合理选择处理 图像的频率。
(2)对二维红外图像进行小波分解,在MATLAB中的语句为:
[c,s]=wavedec2(image1,N,'sym4')
式中:c、s分别为图像小波分解后的各层分解系数与各层分解系数长 度;image1为待处理的二维红外图像矩阵;N为小波分解层数;‘sym4’为 小波基函数;wavedec2表示二维数据小波分解。
(3)根据分解获得的分解系数和长度获取高低频小波系数的始末位 置,在MATLAB中的语句为:
end1=length(c);begin1=prod(s(1,:))
式中:end1为高频分解系数的末值;begin1为低频分解系数与高频分 解系数的分界;length表示求向量的长度;prod表示求向量各元素的乘积。
(4)分别处理高低频系数,以获取突出细节与主体的图像,在 MATLAB中的语句为:
式中:c为处理后的小波系数;lf_pf为低频处理系数,一般取1.5;hf_pf 为高频处理系数,在获取突出主体图像时取0.75,在获取突出细节图像时 取3。
(5)用处理后的小波系数重构图像,获取突出细节的图像用于人为 视觉观看,获取突出主体的图像用于算法进一步处理,在MATLAB中的 语句为:
image_wt=waverec2(c,s,'sym4')
式中:Image_wt为重构后的红外图像;c、s分别为小波重构的各层分 解系数与各层分解系数长度,其中针对突出细节与主体输入不同的c; ‘sym4’为分解时所用的小波基函数;waverec2表示二维数据小波重构。
(6)对突出主体的红外热像图进行高斯滤波,进一步抑制噪声,为 下一步分割作预处理,得到平滑后的图像数据。
所述的高斯滤波,在MATLAB中的语句为:
image_gaus=imfilter(image_wt,fspecial(′gaussian′,[3,3],sigma))
式中:Image_gaus为高斯滤波后的图像;Image_wt为小波增强后的突出 主体的图像;fspecial表示建立预定义的滤波算子;‘gaussian’为算子类型 选择高斯;[3,3]为模板的尺寸;sigma为滤波器的标准值,单位为像素。
(7)应用改进的otsu算法和canny算法分别对高斯滤波后的数据以 及原始数据进行“热点区域”提取和边缘信息获取。
所述的canny边缘算法,在MATLAB中的语句为:
image_canny=edge(image1,'canny',[],sigma_canny);
式中:Image_canny为边缘检测后的二值图像;Image1为原始的红外图 像;‘canny’为边缘检测算子类型选择canny;sigma_canny为算法所用高斯 模板滤波的标准差;edge表示边缘检测函数。
(8)应用改进的otsu算法分割热点区域,在MATLAB中的语句为:
ICV=PA^β*((MA-M)^2)+PB^β*((MB-M)^2);
式中:ICV为类间方差;PA为A部分里的像素数占总像素数的比例; PB为B部分里的像素数占总像素数的比例;β为类间权衡系数,此处由 寻优自适应获取;M为总灰度值的均值;MA、MB分别为A部分与B部分 的灰度值均值。(此处仅展示改进的最关键部分)
(9)应用开运算去除区域二值图像中的孤立热点,在MATLAB中 的语句为:
openbw_1=imopen(image_otsu_1,strel('disk',1,0));
式中:openbw_1为开运算后获取的二值图像;imopen表示开运算函数; image_otsu_1为待处理的区域二值图像;strel为结构元素构造函数;'disk',1,0 为结构元素的具体参数。
(10)所述的热点区域边缘融合,在MATLAB中的语句为:
image_fuse=(~image_canny&image_otsu)|(~image_otsu&image_canny);
式中:Image_fuse为区域边缘融合后的二值图像;Image_canny为canny 边缘检测算法获取的边缘二值图像;Image_otsu为otsu区域分割后获取的 区域二值图像。
利用提取的“热点区域”和边缘信息对红外图像进行特征提取,包括 热点平均温度、相对温差、热点区域边缘融合等等,分析特征并作出异常 警告。
为了凸显本发明的优越性,本实例将对接触器的红外热成像图进行改 进的基于otsu与canny算法的红外热像图特征提取,分割出热点区域与边 缘融合图,提取热源信息特征。
本实施例以广州地铁21号线镇龙西站的轨道排风机控制接触器为例, 型号为ABB公司A145-30,检测目标可见光图像如图2所示,红外检测 图像示例如图3所示。
应用小波增强分别得到增强细节的图4和增强热点区域的图5。图4 中(a)为原始图像,(b)增强细节的图像,可以看出增强细节后,细节 部分显示充分,有利于观察细节轮廓等信息。而图5中(a)为原始图像, (b)增强主体图像,可以看出增强主体后,将细节与噪声抑制,突出了 低频的主体成分,有利于算法分析热点区域的信息。
进一步,应用高斯平滑对突出主体的红外图像进行滤波,得到图6, 图6中,(a)为原始红外三维图像,(b)为高斯平滑后的红外三维图像, 可以看出图像走势更加平滑,高频的噪声得到抑制。
进一步,应用改进的otsu算法,根据不同类间权衡系数,得到不同 区域范围的热点图,如图7、图8所示。图7中(a)为红外图像,(b) 为β=1.1时改进的otsu算法分割的区域二值图像,可以看出β=1.1,分割 的区域为整个控制器。图8中(a)为红外图像,(b)为β=0.3时改进的 otsu算法分割的区域二值图像,分割的区域为控制器上的热点区域。有利 于做不同范围的特征提取与分析。
进一步,应用开运算去除区域二值图像的孤立点图像如图9。由图8 可以看出,此次ABB接触器检测红外图像热源分布较为集中,提取区域 图像后无孤立点与明显毛刺,因此选取另一网关柜中的交换机红外图像为 例,此热源分布较为无规则。从图9可以看出初步提取的区域图像有许多 散点,对于提取区域的信息极为不利,因此运用开运算除去效果良好。
进一步,应用canny边缘提取算法,获取边缘图像如图10,可以看 出canny算法对于红外图像提取效果较好,边缘提取完善,能清晰看到接 触器上下的三相接线的边界,有利于分析三相电路哪个过热可能是超负载 或者接触不良。
进一步,融合边缘图像与热点图像得到图11,单一的分割不能很好 的体现红外图像的特征,融合后更加直观便于视觉观看与算法进一步提取 特征。
进一步,根据得到的区域特征与边界特征,计算热点平均温度、最高 温度、区域面积、相对温差(热点取接触器上最热的区域,背景取除接触 器外的区域)等参数,并与该监控电气设备的历史信息或安全阈值比对如 表1所示,得到设备在正常运行或是超出安全范围,向工作人员作出不同 等级的安全警告。
表1
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明, 应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡 在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本 发明的保护范围之内。
Claims (7)
1.一种基于改进加权otsu算法的电气设备热成像分割查异方法,其特征在于,包括:
(1)采集电气设备的红外线成像数据,获得红外灰度图数据流;
(2)对获取的红外灰度图进行不同尺度的小波增强,得到突出细节以及突出热点区域的红外图像;
(3)对突出热点区域的红外热像图进行高斯滤波,得到平滑后的图像数据;
(4)应用改进的otsu算法和canny边缘算法分别对高斯滤波后的数据以及原始数据进行热点区域的提取和边缘信息获取;
(5)对提取的热点区域二值图像应用形态学的开运算,基于几何形状对提取的区域形状滤波,除去孤立的小点、毛刺;
(6)利用提取的热点区域和边缘信息对红外图像进行特征提取,分析特征并作出异常警告。
2.根据权利要求1所述的基于改进加权otsu算法的电气设备热成像分割查异方法,其特征在于,步骤(1)中,获取红外灰度图数据流时,当红外线成像数据的采集速度大于处理速度时,选择抽样处理。
3.根据权利要求1所述的基于改进加权otsu算法的电气设备热成像分割查异方法,其特征在于,步骤(2)中,所述小波增强的具体过程为:
(2-1)对二维红外图像进行小波分解;
(2-2)根据分解获得的分解系数和长度获取高低频小波系数的始末位置;
(2-3)分别处理高低频系数,以获取突出细节与主体的图像;
(2-4)用处理后的小波系数重构图像,获取突出细节的图像用于人为视觉观看,获取突出热点区域的图像用于算法进一步处理。
4.根据权利要求1所述的基于改进加权otsu算法的电气设备热成像分割查异方法,其特征在于,步骤(4)中,所述改进的otsu算法的计算方法为:取一个最优阈值把原图像分为前景色部分与背景色部分,在类间方差计算公式中引入类间权衡系数β后计算两部分的类间方差,改进的类间方差定义为:
ICV=PA^β*(MA-M)2+PB^β*(MB-M)2
其中,ICV为改进的类间方差;PA为前景色部分里的像素数占总像素数的比例;PB为背景色部分里的像素数占总像素数的比例;M为总灰度值的均值;MA、MB分别为前景色部分与背景色部分的灰度值均值;β为类间权衡系数,通过自适应获取,β>1时,放大PA、PB对于ICV的影响,β<1时,削弱PA、PB的影响,使得二者较小时分割效果也较好。
5.根据权利要求4所述的一种基于改进加权otsu算法的电气设备热成像分割查异方法,其特征在于,所述类间权衡系数β的自适应获取方法为:
为获取热点峰值区域,此时应削弱PA、PB的影响,β取较小值,通过对β寻优,条件为使得当前区域平均温度比最高温度下降20%,获取的β分割的区域为热点峰值区域公式为:
其中,T为原始红外温度矩阵,A为分割后的区域二值矩阵;
为获取电气设备整体发热区域,此时应适度增强PA、PB的影响,β取较大值,同时通过对β寻优,条件为使得当前分割区域边缘平均温度梯度最大,因为电气设备发热时温度远高于环境机柜的温度,由此获取的β分割的区域为电气设备整体发热区域,公式为:
其中,T为原始红外温度矩阵,Bβ为β下的区域二值图像的边界二值矩阵。
6.根据权利要求1所述的基于改进加权otsu算法的电气设备热成像分割查异方法,其特征在于,步骤(5)中,所述的开运算包括腐蚀与膨胀操作,具体公式如下:
腐蚀:
膨胀:
其中,A为被腐蚀或膨胀的二值图像;B为被腐蚀或膨胀的参数。
7.根据权利要求1所述的基于改进加权otsu算法的电气设备热成像分割查异方法,其特征在于,步骤(6)中,利用提取的热点区域和边缘信息对红外图像进行特征提取,提取得到的特征包括热点平均温度、相对温差和热点区域边缘融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910249138.8A CN109993736B (zh) | 2019-03-29 | 2019-03-29 | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910249138.8A CN109993736B (zh) | 2019-03-29 | 2019-03-29 | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993736A true CN109993736A (zh) | 2019-07-09 |
CN109993736B CN109993736B (zh) | 2020-11-10 |
Family
ID=67131925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910249138.8A Active CN109993736B (zh) | 2019-03-29 | 2019-03-29 | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993736B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110345992A (zh) * | 2019-07-30 | 2019-10-18 | 浙江大学 | 一种基于高温红外成像的垃圾焚烧电厂积灰监测方法及装置 |
CN110660065A (zh) * | 2019-09-29 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 一种红外故障检测识别算法 |
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 |
CN111768376A (zh) * | 2020-06-24 | 2020-10-13 | 山东科技大学 | 一种涡流热成像边缘检测方法、系统、存储介质及应用 |
CN111833319A (zh) * | 2020-07-02 | 2020-10-27 | 南京工程学院 | 一种基于红外视频的退役动力锂电池热点自动检测方法 |
CN111986425A (zh) * | 2020-09-04 | 2020-11-24 | 江苏濠汉信息技术有限公司 | 一种基于红外热成像的输电通道预警系统及其预警方法 |
CN112101365A (zh) * | 2020-09-10 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 基于红外热像处理的电力设备关键特征提取方法及系统 |
CN112200784A (zh) * | 2020-10-10 | 2021-01-08 | 福州润森电气自动化有限公司 | 一种电力设备智能缺陷诊断方法 |
CN113160166A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
CN116778263A (zh) * | 2023-08-22 | 2023-09-19 | 四川坤鸿电子科技有限公司 | 分拣设备控制方法、电子设备和计算机可读介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100058222A1 (en) * | 2008-08-29 | 2010-03-04 | Fluke Corporation | Graphical user interfaces and methods for thermography |
CN103336224A (zh) * | 2013-07-03 | 2013-10-02 | 同济大学 | 基于复合信息的绝缘子温升故障综合诊断方法 |
CN103376159A (zh) * | 2012-04-27 | 2013-10-30 | 富泰华工业(深圳)有限公司 | 热成像装置、热成像方法及热成像控制系统 |
CN103617630A (zh) * | 2013-12-18 | 2014-03-05 | 国网重庆潼南县供电有限责任公司 | 基于小波分析的电力系统设备红外图像分割方法及系统 |
CN104036455A (zh) * | 2013-03-06 | 2014-09-10 | 江苏理工学院 | 基于二代小波的红外图像细节增强方法 |
US20150042980A1 (en) * | 2012-09-28 | 2015-02-12 | Huazhong University Of Science And Technology | Device for detecting quality level of microelectronic packaging samples using photo-thermal imaging |
CN106204612A (zh) * | 2016-07-20 | 2016-12-07 | 北京理工大学 | 一种基于自适应特征的故障引流管智能识别的方法 |
CN107025648A (zh) * | 2017-03-20 | 2017-08-08 | 中国人民解放军空军工程大学 | 一种电路板故障红外图像自动检测方法 |
CN109215042A (zh) * | 2018-09-28 | 2019-01-15 | 吉林电力股份有限公司科技开发分公司 | 一种基于计算机视觉的光伏电池板热斑效应检测系统及其计算方法 |
CN109269474A (zh) * | 2018-08-29 | 2019-01-25 | 广西大学 | 一种列车车载受电弓运行状态在线图像检测装置及方法 |
CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
CN109448009A (zh) * | 2018-11-21 | 2019-03-08 | 国网江苏省电力有限公司扬州供电分公司 | 用于输电线路检测的红外图像处理方法及装置 |
CN109509191A (zh) * | 2018-11-15 | 2019-03-22 | 中国地质大学(武汉) | 一种图像显著性目标检测方法及系统 |
-
2019
- 2019-03-29 CN CN201910249138.8A patent/CN109993736B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100058222A1 (en) * | 2008-08-29 | 2010-03-04 | Fluke Corporation | Graphical user interfaces and methods for thermography |
CN103376159A (zh) * | 2012-04-27 | 2013-10-30 | 富泰华工业(深圳)有限公司 | 热成像装置、热成像方法及热成像控制系统 |
US20150042980A1 (en) * | 2012-09-28 | 2015-02-12 | Huazhong University Of Science And Technology | Device for detecting quality level of microelectronic packaging samples using photo-thermal imaging |
CN104036455A (zh) * | 2013-03-06 | 2014-09-10 | 江苏理工学院 | 基于二代小波的红外图像细节增强方法 |
CN103336224A (zh) * | 2013-07-03 | 2013-10-02 | 同济大学 | 基于复合信息的绝缘子温升故障综合诊断方法 |
CN103617630A (zh) * | 2013-12-18 | 2014-03-05 | 国网重庆潼南县供电有限责任公司 | 基于小波分析的电力系统设备红外图像分割方法及系统 |
CN106204612A (zh) * | 2016-07-20 | 2016-12-07 | 北京理工大学 | 一种基于自适应特征的故障引流管智能识别的方法 |
CN107025648A (zh) * | 2017-03-20 | 2017-08-08 | 中国人民解放军空军工程大学 | 一种电路板故障红外图像自动检测方法 |
CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
CN109269474A (zh) * | 2018-08-29 | 2019-01-25 | 广西大学 | 一种列车车载受电弓运行状态在线图像检测装置及方法 |
CN109215042A (zh) * | 2018-09-28 | 2019-01-15 | 吉林电力股份有限公司科技开发分公司 | 一种基于计算机视觉的光伏电池板热斑效应检测系统及其计算方法 |
CN109509191A (zh) * | 2018-11-15 | 2019-03-22 | 中国地质大学(武汉) | 一种图像显著性目标检测方法及系统 |
CN109448009A (zh) * | 2018-11-21 | 2019-03-08 | 国网江苏省电力有限公司扬州供电分公司 | 用于输电线路检测的红外图像处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
VAN NHANNGUYEN ET AL.: "Automatic autonomous vision-based power line inspection: A review of current status and the potential role of deep learning", 《INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS》 * |
李强等: "基于Top-hat变换与OTSU的近岸舰船目标检测", 《红外》 * |
覃海松等: "一种新的MLBP_Otsu算法及在舌裂纹分割中的应用", 《计算机工程与应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110345992A (zh) * | 2019-07-30 | 2019-10-18 | 浙江大学 | 一种基于高温红外成像的垃圾焚烧电厂积灰监测方法及装置 |
CN110660065A (zh) * | 2019-09-29 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 一种红外故障检测识别算法 |
CN110660065B (zh) * | 2019-09-29 | 2023-10-20 | 云南电网有限责任公司电力科学研究院 | 一种红外故障检测识别算法 |
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 |
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 |
CN111768376A (zh) * | 2020-06-24 | 2020-10-13 | 山东科技大学 | 一种涡流热成像边缘检测方法、系统、存储介质及应用 |
CN111833319A (zh) * | 2020-07-02 | 2020-10-27 | 南京工程学院 | 一种基于红外视频的退役动力锂电池热点自动检测方法 |
CN111986425A (zh) * | 2020-09-04 | 2020-11-24 | 江苏濠汉信息技术有限公司 | 一种基于红外热成像的输电通道预警系统及其预警方法 |
CN112101365A (zh) * | 2020-09-10 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 基于红外热像处理的电力设备关键特征提取方法及系统 |
CN112200784A (zh) * | 2020-10-10 | 2021-01-08 | 福州润森电气自动化有限公司 | 一种电力设备智能缺陷诊断方法 |
CN113160166A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
CN116778263A (zh) * | 2023-08-22 | 2023-09-19 | 四川坤鸿电子科技有限公司 | 分拣设备控制方法、电子设备和计算机可读介质 |
CN116778263B (zh) * | 2023-08-22 | 2023-11-14 | 四川坤鸿电子科技有限公司 | 分拣设备控制方法、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109993736B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993736A (zh) | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 | |
Li et al. | Infrared and visible image fusion using latent low-rank representation | |
CN109035166A (zh) | 基于非下采样剪切波变换的电气设备红外图像增强方法 | |
CN111178388B (zh) | 基于nsct光电融合图谱的局部放电相位分布检测方法 | |
CN111310761B (zh) | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 | |
CN111179208B (zh) | 基于显著图与卷积神经网络的红外-可见光图像融合方法 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
Cui et al. | The methods in infrared thermal imaging diagnosis technology of power equipment | |
CN105701835A (zh) | 面向电力设施的图像边缘检测方法及系统 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
Helwan et al. | ISIBC: an intelligent system for identification of breast cancer | |
Wang et al. | Reduction of false positive detection in clustered microcalcifications | |
Rana et al. | Comparison and enhancement of digital image by using canny filter and sobel filter | |
CN111862073A (zh) | 一种电力设备的温度采集方法和装置 | |
Hsu et al. | Vision-based detection of steel billet surface defects via fusion of multiple image features | |
Zhao et al. | Thermal image skeleton extraction and intelligent recognition of power equipment | |
Yan et al. | Insulator contamination measurement based on infrared thermal and visible image information fusion | |
Yan et al. | Infrared image segment and fault location for power equipment | |
Mina et al. | Preprocessing technique for mammographic images | |
Tian et al. | Glassware crack defects detection based on wavelet transform | |
Chen et al. | A Method for Segmentation of Transformer Oil Level Region Based on Infrared Image | |
Wang et al. | Anomaly detection of pantograph based on salient segmentation and generative adversarial networks | |
Mirhassani et al. | Improvement of Hessian based vessel segmentation using two stage threshold and morphological image recovering | |
Ostrek et al. | Automatic early stroke recognition algorithm in CT images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |