CN110175650A - 一种电力设备自动识别方法和装置 - Google Patents

Abstract

本发明提供一种电力设备自动识别方法和装置，识别方法包括如下步骤：获取电力设备的红外影像，对电力设备的红外影像进行灰度转化；在灰度转化后的红外影像中选取初始种子点，利用区域生长分割法获取红外影像中的电力设备区域图像；提取图像中电力设备的梯度直方图特征，采用SVM分类器，根据电力设备的梯度直方图特征对图像中的电力设备进行识别。本发明所提供的技术方案，先对电力设备的红外影像进行灰度转化，然后利用区域生长分割法获取图像中电力设备区域图像，最后提取电力设备的梯度直方图特征，采用SVM分类器对电力设备进行识别，因此本发明所提供的技术方案对红外影像中电力设备的识别更加准确，能够解决现有技术中对红外影像中电力设备识别不准确的问题。

Description

一种电力设备自动识别方法和装置

技术领域

本发明属于电力设备检测技术领域，具体涉及一种电力设备自动识别方法和装置。

背景技术

随着经济和科技的快速发展，电力系统也在不断地扩建，而随着电力系统规模的不断增大，电网的安全维护和设备检测工作也显得日益重要。红外检测作为电力设备故障检测手段，已在电力系统中得到了广泛的应用。

在对电力设备进行红外检测时，需要采用手持红外热像仪拍摄电力场景的红外影像，然后对红外影像进行分析，识别电力设备的异常故障点。但是由于红外热像仪所拍摄的电力场景具有内容复杂、纹理信息弱和电力设备种类繁多等特点，造成现有技术中对红外影像中电力设备识别结果不准确的问题。

发明内容

本发明提供一种电力设备自动识别方法和装置，用于解决现有技术对红外影像中电力设备识别不准确的问题。

为实现上述目的，本发明采用如下技术方案：

一种电力设备自动识别方法，包括如下步骤：

步骤1：获取电力设备的红外影像，对电力设备的红外影像进行灰度转化；

步骤2：在灰度转化后的红外影像中选取初始种子点，利用区域生长分割法获取红外影像中的电力设备区域图像；

步骤3：提取电力设备区域图像中电力设备的梯度直方图特征，采用SVM分类器，根据电力设备的梯度直方图特征对红外影像中的电力设备进行识别。

本发明所提供的技术方案，先对电力设备的红外影像进行灰度转化，然后利用区域生长分割法获取图像中电力设备区域图像，最后提取电力设备的梯度直方图特征，采用SVM分类器对电力设备进行识别，因此本发明所提供的技术方案对红外影像中电力设备的识别更加准确，能够解决现有技术中对红外影像中电力设备识别不准确的问题。

进一步的，为了滤处红外影像中的干扰，对电力设备的红外影像进行灰度转化后对其进行中值滤波。

进一步的，为了方便采用区域生长分割法对获取红外影像中电力设备区域图像，所述步骤2中选取灰度转化后红外影像中灰度值最大的点作为种子点。

进一步的，所述步骤2中利用区域生长分割法获取红外影像中电力设备区域图像时，采用温度相似性作为生长判断条件。

进一步的，所述步骤3中提取图像中电力设备梯度直方图特征的方法为：

对电力设备区域图像进行归一化处理，计算各像素点的梯度；

将红外影像设备区域划分成若干小单元格，以梯度方向为横轴，以不同梯度方向的数量为纵轴，统计各单元格内梯度直方图，形成该单元格的特征描述符；

将相邻四个单元格组成一个Block块，分别串联各Block块内所有单元格的特征描述符，对各Block块内梯度直方图进行归一化操作，形成各Block的特征描述符；

串联红外影像内所有Block块的特征描述符，组成红外影像设备区域的梯度直方图特征描述符。

一种电力设备自动识别装置，包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现如下步骤：

步骤1：获取电力设备的红外影像，对电力设备的红外影像进行灰度转化；

步骤2：在灰度转化后的红外影像中选取初始种子点，利用区域生长分割法获取红外影像中的电力设备区域图像；

步骤3：提取电力设备区域图像中电力设备的梯度直方图特征，采用SVM分类器，根据电力设备的梯度直方图特征对红外影像中的电力设备进行识别。

本发明所提供的技术方案，先对电力设备的红外影像进行灰度转化，然后利用区域生长分割法获取图像中电力设备区域图像，最后提取电力设备的梯度直方图特征，采用SVM分类器对电力设备进行识别，因此本发明所提供的技术方案对红外影像中电力设备的识别更加准确，能够解决现有技术中对红外影像中电力设备识别不准确的问题。

进一步的，为了滤处红外影像中的干扰，对电力设备的红外影像进行灰度转化后对其进行中值滤波。

进一步的，为了方便采用区域生长分割法对获取红外影像中电力设备区域图像，所述步骤2中选取灰度转化后红外影像中灰度值最大的点作为种子点。

进一步的，所述步骤2中利用区域生长分割法获取红外影像中电力设备区域图像时，采用温度相似性作为生长判断条件。

进一步的，所述步骤3中提取图像中电力设备梯度直方图特征的方法为：

对电力设备区域图像进行归一化处理，计算各像素点的梯度；

将红外影像设备区域划分成若干小单元格，以梯度方向为横轴，以不同梯度方向的数量为纵轴，统计各单元格内梯度直方图，形成该单元格的特征描述符；

将相邻四个单元格组成一个Block块，分别串联各Block块内所有单元格的特征描述符，对各Block块内梯度直方图进行归一化操作，形成各Block的特征描述符；

串联红外影像内所有Block块的特征描述符，组成红外影像设备区域的梯度直方图特征描述符。

附图说明

图1是本发明方法实施例中电力设备识别方法的流程图；

图2是本发明方法实施例中手持红外热像仪采集的电力设备红外影像；

图3是本发明方法实施例中灰度转化后的红外影像；

图4是本发明方法实施例中得到的电力设备区域图像。

具体实施方式

方法实施例：

本实施例提供一种电力设备的识别方法，用于解决现有技术对红外热像仪中电力设备识别不准确的问题。

本实施例所提供的电力设备的识别方法，其流程如图1所示，包括如下步骤：

(1)通过手持红外热像仪采集电力设备的红外影像，如图2所示，然后对获取的红外影像进行灰度转化，得到灰度转化后的红外影像，如图3所示。

在进行灰度转化时，考虑到人眼对绿色敏感最高、对蓝色敏感最低的生理特点，根据图像各通道的采样值进行加权平均，对RGB三分量转转灰度的公式为：

Gray＝R*0.299+G*0.587+B*0.114

其中R为红色分量，G为绿色分量，B为蓝色分量。

(2)对灰度处理后的红外影像进行中值滤波处理，剔除随机噪声和杂波干扰，提高图像质量和信噪比。

由于采集到的红外影像中含有大量的随机噪声和杂波干扰，这些干扰将会影像后续图像的分割质量，从而影响到目标特征的提取，因此为了减弱噪声和杂波的影响、提高图像质量和信噪比，需要对红外影像进行预处理。

本实施例中采用中值滤波法对红外影像进行处理，中值滤波法作为一种非线性信号处理方法，在一定条件下可克服线性滤波器(如邻域平滑滤波器等)所带来的图像细节模糊问题，且对滤出脉冲干扰及图像扫描噪声最为有效。

中值滤波法是用一个奇数点的移动窗口，将该窗口中线点的值用窗口内各点的中值代替。对于移动窗口，其奇数m为滑动窗口长度，则窗口中心点的值为：

f_i＝Mid(f_i-k,...,f_i,...,f_i+k)

其中f_i是第i个红外图像像素的属性值，i为大于k的整数，且

(3)利用区域生长分割法获取红外影像中的电力设备区域图像。

利用区域生长分割法获取红外影像中电力设备区域图像的方式包括如下步骤：

首先在灰度转化后的红外影像中选取初始种子点。

在红外温度场热像中，目标电力设备的温度通常比背景温度高，电力设备异常点的温度也会明显高于其他部位，由于红外影像中温度值越高的像素点经过灰度转化后灰度值越高，所以本实施例中将灰度转化后红外影像中灰度值最大的像素点作为初始种子点；

然后以温度相似性为生长判断条件，利用区域生长分割法获取红外影像中电力设备的区域图像。

设分割区内n像素点的温度均值为μ，待判断像素点(x,y)处温度值为f(x,y)，则该像素点的相似性为：

s＝w[f(x,y)-μ]²

其中w为非负权值。

若相似性s小于温度相似性阈值，则可判断像素点(x,y)与已分割区域像素点相似，满足生长条件，同时采用如下公式对温度均值进行更新：

红外影像中每个像素点设置两个标识，分别为bArea和bEdge，bArea用于标识该像素点是否已经生长；如果像素点没有生长，则该bArea的值为0，如果像素点已经生长，则该bArea 的值为1。bEdge用于标识像素点是否为边缘点，如果像素点为边缘点，则该像素点bEdge的值为1，如果像素点不为边缘点，则该像素点bEdge的值为0。

建立一个空队列，遍历初始种子点周围的像素点，将初始种子点周围温度相似性大于温度相似性阈值的像素点放入到所建立的队列中，并将这些像素点bArea的值设置为1；然后以初始种子点周围温度相似性大于温度相似阈值的像素点为种子点，将各种子点周围温度相似性大于温度相似性阈值的像素点放到队列中；按照该方法以此生长，直到生长完成。如果有像素点的周围有温度相似性小于相似性阈值的像素点，则该像素点为边缘点，将该像素点 bEdge的值设置为1。队列中存储像素点组成的区域即为利用区域生长分割法得到的红外影像中电力设备区域图像，如图4所示。

(4)提取红外影像中电力设备区域图像的方向梯度直方图特征。

红外影像具有问题细节不清晰的特点，所以常用目标的形状特征作为红外分类识别特征，提取红外影像中电力设备区域图像的方向梯度直方图特征。方向梯度直方图特征是一种图像形状特征描述值，广泛用用于图像处理和计算机视觉中的物体检测，在行人检测、人脸识别等领域已取得十分显著的效果。方向梯度直方图特征具有如下特点：

方向梯度直方图描述的是梯度的结构特征，可以很好地表征红外影像目标局部形状信息；方向空间和位置的量化一定程度上可以抑制旋转和平移带来的影响；采用局部梯度直方图归一化操作，能够进一步地对边缘进行压缩，减弱了局部光照变化和前景-背景的对比度变化，加强了对光照的鲁棒性。

通过计算红外影像局部区域的梯度并进行统计以得到方向梯度直方图，由于梯度主要存在于边缘的地方，目标局部的外观形状信息能够很好地被梯度的方向密度分布表示，所以方向梯度直方图特征非常适合作为红外目标电力设备的分类特征，计算过程如下：

使用gamma压缩公式对图像进行归一化处理；

计算每个像素点的梯度，采用[-1,0,1]梯度模板计算每个像素点的梯度大小和方向。像素点(x,y)的梯度大小及方向分别为：

θ(x,y)＝tan^-1(G_y(x,y)/G_x(x,y))

其中G_x(x,y)G_y(x,y)别为水平与垂直方向梯度，定义为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)

G_y(x,y)＝f(x,y+1)-f(x,y-1)

将红外影像设备区域划分为若干个小单元格，以梯度方向为横轴，以不同梯度方向的数量为纵轴，统计每个单元格内的梯度直方图，形成该单元格的特征描述符。

将相邻四个单元格组成一个Block块，串联各Block块内所有单元格的特征描述符，对块内梯度直方图进行归一化操作，形成该Block块的特征描述符。

串联红外影像内所有Block块的特征描述符，组成特征向量，即为该红外影像设备区域的梯度直方图特征描述符。

(5)采用SVM分类器，根据红外影像设备区域的梯度直方图特征对电力设备进行识别。

红外影像中电力设备SVM分类和识别，本方法将采用HOG结合SVM分类器进行红外影像中电力设备的识别。支持向量机(SVM)建立在VC维理论和最小化结构风险原理上，是一种能对有限样本平衡学习能力和模型复杂性的机器学习算法，能够很好地解决小样本情况下的非线性或高维特征分类识别问题。SVM通过寻找最大间距的超平面来完成分类，通过引入松弛变量或核函数，有效解决线性不完全可分和线性完全不可分情况。其重要思想是：

SVM主要用来解决二类分类问题，针对线性可分问题提出的。当样本线性不可分时，将低维空间的样本非线性映射到高维空间，使其在高维空间线性可分，并在高维空间对其进行线性分类。

基于最小化结构风险理论，寻找具有最大间距两个的平行超平面，用于对样本进行分类。这样生成的分类器在整体最优，同时样本空间预计风险在一定允许概率范围。

SVM具有泛化能力强和适用于小样本分类等优点，能很好的构造出样本数量有限情况下高维特征的分类模型，具有优良的分类能力和预测性能，尤其适用于设备识别领域。虽然SVM 训练过程需要一定时间，用以生成SVM模型，但在分类待测样本时只需调用生成好的SVM模型即可，非常适合分类系统的应用。

本实施例中电力设备涉及如电流互感器、电压互感器、阻滤器等多类高压设备，每类设备的红外热像样本数为30个，为保证SVM分类器的健壮性并扩大样本数，对各设备的每幅红外热像分别进行旋转-45°、-35°、-15°、15°、30°、45°操作，并再分别做缩小0.5、放大2倍，使每类样本数变为630幅。每个类别高压设备的500幅红外热像作为训练样本，另外130幅红外热像作为测试样本。

针对每幅红外热像，通过如上灰度转化、滤波增强及区域生长等处理并分割出热像中高压设备，然后提取用以分类的热像HOG方向梯度直方图特征最后将提取的热像HOG特征及设备类别输入到SVM分类器，进行模型训练。

当在步骤(4)中得到该红外影像设备区域的梯度直方图特征描述符后，将其输入到训练好的SVM分类器中，与SVM分类器中存储的模型匹配，对电力设备进行识别。

装置实施例：

本实施例提供一种电力设备自动识别装置，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序，处理器执行存储器上存储的计算机程序时，实现上述方法实施例中所提供的电力设备自动识别方法。

Claims (10)

1.一种电力设备自动识别方法，其特征在于，包括如下步骤：

步骤1：获取电力设备的红外影像，对电力设备的红外影像进行灰度转化；

步骤2：在灰度转化后的红外影像中选取初始种子点，利用区域生长分割法获取红外影像中的电力设备区域图像；

步骤3：提取电力设备区域图像中电力设备的梯度直方图特征，采用SVM分类器，根据电力设备的梯度直方图特征对红外影像中的电力设备进行识别。

2.根据权利要求1所述的电力设备自动识别方法，其特征在于，所述步骤1中，对电力设备的红外影像进行灰度转化后对其进行中值滤波。

3.根据权利要求1所述的电力设备自动识别方法，其特征在于，所述步骤2中选取灰度转化后红外影像中灰度值最大的点作为种子点。

4.根据权利要求1或3所述的电力设备自动识别方法，其特征在于，所述步骤2中利用区域生长分割法获取红外影像中电力设备区域图像时，采用温度相似性作为生长判断条件。

5.根据权利要求1所述的电力设备自动识别方法，其特征在于，所述步骤3中提取图像中电力设备梯度直方图特征的方法为：

对电力设备区域图像进行归一化处理，计算各像素点的梯度；

将红外影像设备区域划分成若干小单元格，以梯度方向为横轴，以不同梯度方向的数量为纵轴，统计各单元格内梯度直方图，形成该单元格的特征描述符；

将相邻四个单元格组成一个Block块，分别串联各Block块内所有单元格的特征描述符，对各Block块内梯度直方图进行归一化操作，形成各Block的特征描述符；

串联红外影像内所有Block块的特征描述符，组成红外影像设备区域的梯度直方图特征描述符。

6.一种电力设备自动识别装置，包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现如下步骤：

步骤1：获取电力设备的红外影像，对电力设备的红外影像进行灰度转化；

步骤2：在灰度转化后的红外影像中选取初始种子点，利用区域生长分割法获取红外影像中的电力设备区域图像；

步骤3：提取电力设备区域图像中电力设备的梯度直方图特征，采用SVM分类器，根据电力设备的梯度直方图特征对红外影像中的电力设备进行识别。

7.根据权利要求6所述的电力设备自动识别装置，其特征在于，所述步骤1中，对电力设备的红外影像进行灰度转化后对其进行中值滤波。

8.根据权利要求6所述的电力设备自动识别装置，其特征在于，所述步骤2中选取灰度转化后红外影像中灰度值最大的点作为种子点。

9.根据权利要求6或8所述的电力设备自动识别装置，其特征在于，所述步骤2中利用区域生长分割法获取红外影像中电力设备区域图像时，采用温度相似性作为生长判断条件。

10.根据权利要求6所述的电力设备自动识别装置，其特征在于，所述步骤3中提取图像中电力设备梯度直方图特征的方法为：

对电力设备区域图像进行归一化处理，计算各像素点的梯度；

将红外影像设备区域划分成若干小单元格，以梯度方向为横轴，以不同梯度方向的数量为纵轴，统计各单元格内梯度直方图，形成该单元格的特征描述符；

将相邻四个单元格组成一个Block块，分别串联各Block块内所有单元格的特征描述符，对各Block块内梯度直方图进行归一化操作，形成各Block的特征描述符；

串联红外影像内所有Block块的特征描述符，组成红外影像设备区域的梯度直方图特征描述符。