CN112444521A - 一种sf6泄露监测方法及系统 - Google Patents

一种sf6泄露监测方法及系统 Download PDF

Info

Publication number
CN112444521A
CN112444521A CN202011150128.8A CN202011150128A CN112444521A CN 112444521 A CN112444521 A CN 112444521A CN 202011150128 A CN202011150128 A CN 202011150128A CN 112444521 A CN112444521 A CN 112444521A
Authority
CN
China
Prior art keywords
image
leakage
infrared
algorithm
final
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
Application number
CN202011150128.8A
Other languages
English (en)
Other versions
CN112444521B (zh
Inventor
胡梦竹
刘陈瑶
唐彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202011150128.8A priority Critical patent/CN112444521B/zh
Publication of CN112444521A publication Critical patent/CN112444521A/zh
Application granted granted Critical
Publication of CN112444521B publication Critical patent/CN112444521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种SF6泄露监测方法，包括：基于SF6红外成像检漏仪获取目标区域的原始红外图像；基于预设SF6红外图像增强方法处理所述原始红外图像并得到最终图像；基于所述最终图像与无泄露状态下的对比红外图像进行对照生成对照结果；基于所述对照结果判定SF6是否存在泄露。该SF6泄露监测方法及系统通过对目标区域的图像处理获取SF6的泄露情况，能够实时对SF6的泄露情况进行监测，具有监测效果良好、实施便利性高等特点。

Description

一种SF6泄露监测方法及系统
技术领域
本发明涉及到图像处理领域，具体涉及到一种SF6泄露监测方法及系统。
背景技术
六氟化硫(SF6)具有优异的绝缘性能和灭弧能力，被广泛应用于高压电力设备的绝缘和灭弧介质中，但是若电力设备的六氟化硫气体泄漏，就会造成严重的不良后果，因此，六氟化硫气体泄漏的检测工作十分重要。
发明内容
该SF6泄露监测方法及系统通过对目标区域的图像处理获取SF6的泄露情况，能够实时对SF6的泄露情况进行监测，具有监测效果良好、实施便利性高等特点。
相应的，本发明提供了一种SF6泄露监测方法，包括：
基于SF6红外成像检漏仪获取目标区域的原始红外图像；
基于预设SF6红外图像增强方法处理所述原始红外图像并得到最终图像；
基于所述最终图像与无泄露状态下的对比红外图像进行对照生成对照结果；
基于所述对照结果判定SF6是否存在泄露。
可选的实施方式，所述基于预设SF6红外图像增强方法处理所述原始红外图像并得到最终图像包括：
基于双边滤波处理原始红外图像分别得到基础图像和细节图像；
基于CLAHE算法增强处理所述基础图像，得到增强基础图像；
基于拉普拉斯变换获取所述细节图像中的边缘图像；
线性叠加所述增强基础图像和所述边缘图像得到最终图像。
可选的实施方式，还包括：
基于SF6红外成像检漏仪获取原始红外图像。
可选的实施方式，所述基于CLAHE算法增强处理所述基础图像，得到增强基础图像包括：
扩展原始的图像边界，将基础图像f(x,y)划分为m×n大小相等的子块，m，n为子块的行数和列数，共分为k×k个子块，k的取值可为8、16、32和64等；
设每个子块的面积为S，取系数b＝255/S，预设的上限阈值L为
L＝max(1,L*S/256)，L为对图像进行裁剪时每个灰度级所允许的最大值。
对划分后的每个子块依次计算其直方图；
使用预先设定的阈值L对每个子块直方图进行裁剪，同时统计整个直方图中超过上限阈值L的像素数，并将这些像素数重新分布到对应子块的直方图中；
采用HE算法依次对裁剪后的子块直方图进行处理，并求取每一子块的灰度映射函数；
采用双线性插值算法计算每一子块相应像素点的灰度值，得到经过CLAHE算法增强的增强基础图像。
可选的实施方式，所述基于拉普拉斯变换获取所述细节图像中的边缘图像包括：
所述拉普拉斯变换的拉普拉斯滤波模板为
Figure BDA0002740923630000021
可选的实施方式，所述线性叠加所述增强基础图像和所述边缘图像得到最终图像包括：
线性叠加公式为
Figure BDA0002740923630000031
imagefinal为最终图像；imageclahe表示增强基础图像；imageLapacian为边缘图像，式中，*为为乘号，系数
Figure BDA0002740923630000032
为加权参数。
可选的实施方式，所述
Figure BDA0002740923630000033
处于5和15之间。
可选的实施方式，所述
Figure BDA0002740923630000034
位于8和10之间。
可选的实施方式，所述基于所述最终图像与无泄露状态下的对比红外图像进行对照生成对照结果包括：
对所述最终图像与无泄露状态下的对比红外图像求差值并得到差值图；
基于预设阈值对所述差值图进行处理，得到泄露轮廓图；
基于所述泄露轮廓图中的轮廓线包围面积的大小为对照结果。
相应的，本发明提供了一种SF6泄露监测系统，用于实现以上任一项所述的SF6泄露监测方法。
该SF6泄露监测方法及系统通过对目标区域的图像处理获取SF6的泄露情况，能够实时对SF6的泄露情况进行监测，具有监测效果良好、实施便利性高等特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了本发明实施例的SF6泄露监测方法流程示意图；
图2示出了红外成像检漏法的原理示意图；
图3示出了SF6红外图像a1在不同增强方法下的对照图片；
图4示出了SF6红外图像a1在不同增强方法下的的直方图；
图5示出了SF6红外图像a2在不同增强方法下的对照图片；
图6示出了SF6红外图像a2在不同增强方法下的的直方图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了本发明实施例的SF6泄露监测方法流程示意图。
本发明实施例提供了一种SF6泄露监测方法，包括：
S101：基于SF6红外成像检漏仪获取原始红外图像；
图2示出了红外成像检漏法的原理示意图。SF6气体与空气对于特定波段的红外辐射具有不同的吸收能力，使得通常可见光下看不到的SF6气体泄漏在红外摄像机观察下变得清晰可见；因此，可以采用数字图像处理技术对红外视频(红外图像)中的SF6气体进行增强，为后续的检测工作打下良好的基础。
相应的，如需利用数字图像处理技术对SF6气体进行检测，首要步骤需要对检测目标(检测区域)获取到红外视频(红外图像)，即本发明实施例所述的原始红外图像。
具体的，目标视频实质上由多帧独立图像组成，对目标视频的处理实质上为对其中的每一帧图像的处理，后续以原始红外图像为例进行说明。
在获取到原始红外图像后，基于预设SF6红外图像增强方法处理所述原始红外图像并得到最终图像；本发明实施例提供了一种预设的SF6红外图像增强方法，通过步骤S102至S105进行说明。
S102：基于双边滤波处理所述原始红外图像分别得到基础图像和细节图像。
双边滤波(Bilateral filter)是一种结合图像的空间邻近度和像素值相似度的边缘保持平滑滤波器，其定义如下式所示：
Figure BDA0002740923630000051
，
式中，g(i,j)表示经过双边滤波后的基础图像，f(x,y)为原始红外图像；
其中加权系数w(i,j,x,y)的取值(定义域核函数和值域核函数的乘积)如下式所示
Figure BDA0002740923630000052
式中，(i,j)为当前像素点；(x,y)为邻域点；f(i,j)和f(x,y)为对应像素点的灰度值，空间相似度因子σd和灰度相似度因子σr决定了双边滤波的性能，其中定义域核函数和值域核函数分别为
定义域核函数：
Figure BDA0002740923630000053
值域核函数：
Figure BDA0002740923630000054
具体的，值域滤波核函数在图像灰度变化平缓的区域时逼近于1，此时定义域核函数起主要作用，相当于对图像进行平滑处理；而图像边缘的像素点差异较大，值域核函数起着主要作用，这可以保证图像的边缘信息不被模糊。
综合上述叙述可知：双边滤波的特点是可以保留图像中的边缘，它是基于空间分布的高斯滤波函数，所以进行处理时，距离边缘较远的像素对边缘上的像素值影响并不大。
由此可见，基于双边滤波处理所述原始红外图像首先得到的为基础图像，可有效保存泄露区域的边缘，然后通过原始红外图像减去基础图像可得到细节图像。
S103：基于CLAHE算法增强处理所述基础图像，得到增强基础图像；
限制对比度的自适应直方图均衡化(Adaptive Histogram Equalization BasedOn Limited Contrast，CLAHE)算法是在自适应直方图均衡化(Adaptive HistgramEqualization，AHE)算法的基础上改进而来，该算法与AHE算法的不同点主要在于其对比度限幅，算法通过限制AHE算法的对比增强程度来达到所需的效果。
具体的，变换函数的斜率决定了一个像素值的周边对比度放大程度，且这个斜率和领域的累积分布函数(Cumulative Distribution Function，CDF)的斜率成比例。
CLAHE算法先用预先设定的阈值来裁剪直方图，再计算CDF的方式来限制CDF的斜率，从而限制变换函数的斜率，以此达到限制放大幅度的目的，该算法的优势在于被裁剪掉的部分将均匀的分布到直方图的其他部分。
具体的，本发明实施例对现有的CLAHE算法进行改进，改进后的CLAHE算法的计算流程未：
(1)扩展原始的图像边界，将基础图像f(x,y)划分为m×n大小相等的子块，m，n为子块的行数和列数，共分为k×k个子块，k的取值可为8、16、32和64等。
(2)设每个子块的面积为S，取系数b＝255/S，预设的上限阈值L如下式所示
L＝max(1,L*S/256)，
式中，L为对图像进行裁剪时每个灰度级所允许的最大值。
(3)对划分后的每个子块依次计算其直方图。
(4)使用预先设定的阈值L对每个子块直方图进行裁剪，同时统计整个直方图中超过上限阈值L的像素数，并将这些像素数重新分布到对应子块的直方图中。
(5)采用HE算法依次对裁剪后的子块直方图进行处理，并求取每一子块的灰度映射函数。
(6)采用双线性插值算法计算每一子块相应像素点的灰度值，则可得到经过CLAHE算法增强的增强基础图像。
本发明实施例采用CLAHE算法对双边滤波处理得到的基础图像进行增强，图像中泄漏区域的对比度得到了提高，且有效地抑制图像均匀区域的噪声。
S104：基于拉普拉斯变换获取所述细节图像中的边缘图像；
一个二元图像函数(细节图像)的f(x,y)拉普拉斯变换的定义为
Figure BDA0002740923630000071
式中，x,y为图像中像素点的坐标；
Figure BDA0002740923630000072
为基于二阶微分的Laplacian算子，该算子的特点是对图像边缘敏感且为旋转不变的二阶微分算子。Laplacian算子利用二阶微分正峰和负峰间的过零点来确定图像陡峭和变化平缓边缘的位置，在本发明实施例中，SF6红外图像泄漏区域的边缘也是陡峭和缓慢变化，采用该算子处理SF6红外图像可较好地突出泄漏区域的边缘。
对于离散的数字图像，在x方向上可用下式对二阶偏微分做近似，具体表示为
Figure BDA0002740923630000081
在y方向上可用下式对二阶偏微分做近似，具体表示为
Figure BDA0002740923630000082
将上述两式相加，可得到对应的拉普拉斯滤波模板为
Figure BDA0002740923630000083
该拉普拉斯滤波模板为四邻域的拉普拉斯算子，对于突出图像的边界、线段和孤立点具有很好的效果，这种模板对于图像的90°旋转是各向同性的，即对图像旋转后滤波和滤波后旋转的结果是相同，所以拉普拉斯算子对于图像的边缘具有很好的增强效果。
S105：线性叠加所述增强基础图像和所述边缘图像得到最终图像；
具体的，线性叠加公式为
Figure BDA0002740923630000084
式中，imagefinal为最终图像；imageclahe表示增强基础图像；imageLapacian为边缘图像，式中，*为为乘号；系数
Figure BDA0002740923630000085
为加权参数；经过大量的试验证明，当
Figure BDA0002740923630000086
处于5和15之间时，本发明实施例所提供的算法的增强效果是有效的；当
Figure BDA0002740923630000087
位于8和10之间时，可以获得最好的图像增强效果。
S106：基于所述最终图像与无泄露状态下的对比红外图像进行对照生成对照结果；
S107：基于所述对照结果判定SF6是否存在泄露。
在本发明实施例中，所述基于所述最终图像与无泄露状态下的对比红外图像进行对照生成对照结果包括：
对所述最终图像与无泄露状态下的对比红外图像求差值并得到差值图；需要说明的是，无泄露状态下的对比红外图像与原始红外图像的获取条件(获取时间、获取时的光照、成像参数等)应该是相同的，以使无泄露状态下的对比红外图像与原始红外图像在无泄露时保持相同，在存在泄露时具有差异性；但该差异性在无泄露状态下的对比红外图像与原始红外图像直接对比时比较难进行对比(例如求差值时，其差值结果与噪点相类似，不容易进行滤除)。在本发明实施例中，以最终图像与无泄露状态下对比红外图像求差值并得到差值图，实质为对二者的灰度图进行差值处理，得到每个像素点之间的灰度差值。
基于预设阈值对所述差值图进行处理，得到泄露轮廓图；
具体的，基于预设阈值(预设灰度阈值差值)对所述差值图进行处理，滤除噪点及近似点，得到泄露轮廓图；
基于所述泄露轮廓图中的轮廓线包围面积的大小为对照结果。
泄露轮廓图中可能包含的内容有残留离散噪点、若干封闭轮廓、封闭轮廓内的色块等元素，离散噪点和封闭轮廓内的色块由于在图像增强过程中未进行增强，可通过滤波手段进行去除，以保留可能存在的若干封闭轮廓，然后通过若干封闭轮廓的包围区域的面积大小判定SF6的泄漏量(预估)，并以此作为对照结果判定是否存在泄露。综上，本发明实施例所提供的SF6泄露监测方法的判定结果的重点步骤在于SF6红外图像增强方法(步骤S102至S105)，具体的，针对本发明实施所提供的SF6红外图像增强方法方法，后续以平台直方图均衡化(Platform Histogram Equalization，PE)算法、限制对比度的自适应直方图均衡化(Adaptive Histogram Equalization Based On Limited Contrast，CLAHE)算法作为对比对象，针对多幅不同场景下SF6泄漏的红外图像进行对照实验，从从主观和客观评价两个方面进行分析。
主观评价
实验1：
图3示出了SF6红外图像a1在不同增强方法下的对照图片，图4示出了SF6红外图像a1在不同增强方法下的的直方图，SF6的泄漏区域用黑圈标注。
从图4的e1图可以看出，原始的红外图像直方图的分布集中于灰度级低的一侧，其对比度低。
使用PE算法，CLAHE算法和本发明实施例的算法依次对其进行处理。从f1图中可以看出，直方图基本覆盖了所有的灰度级且分布均匀，这表明PE算法增强了图像的整体对比度，但图像背景的对比度被过度放大，增强泄漏区域的效果并不理想。g1直方图的峰值大多位于直方图的左半部分，这说明：采用CLAHE算法，图像整体的增强效果要明显优于PE算法，图像背景中的噪声被很好的抑制了，但也造成了泄漏区域的细节难以分辨。
采用本发明实施例所提供的算法增强原始图像，得到d1图和h1直方图。h1直方图的峰值集中于直方图的中右部，且与d1红外图像清晰的细节相互印证，两者表明：SF6红外图像泄漏区域的对比度得到了提高且每一SF6云团的边缘细节的增强效果是优于CLAHE算法的。
实验2：
图5示出了SF6红外图像a2在不同增强方法下的对照图片，图6示出了SF6红外图像a2在不同增强方法下的的直方图，SF6的泄漏区域用黑圈标注。
对比e1和e2直方图可知，a2图的灰度值比a1图更为分散，且e2直方图中的两个主峰位于左中部，其对比度较低。f2直方图的分布与f1图相似，其灰度值丰富且动态范围大，b2图也表明PE算法使图像偏亮，整体的亮度过高。g2直方图的成分整体分布较广但峰值并不高，这说明CLAHE算法很好的增强了泄漏区域的对比度。
采用本发明实施例的算法增强原始图像，所得到的h2直方图整体分布于直方图的较右部分，结合d2红外图像的增强效果可知，本发明实施例的的算法不仅增强泄漏区域的对比度，图像中每一SF6云团的纹理细节更加清晰，而且图像的整体效果也更加柔和，细节的增强效果优于CLAHE算法的。
由此可见，总的来看，本发明实施例的算法不仅增强了SF6红外图像泄漏区域的对比度，也突出了泄漏区域的每一SF6云团的纹理细节与边缘，相较于现有手段具有更好的技术效果。
客观评价
本发明实施例采用标准差和图像信息熵作为客观评价标准，来验证图像的增强效果。标准差和图像信息熵两者在红外图像增强领域的应用十分广泛。
标准差表征图像灰度值与均值的差异，可反映图像对比度的大小。该值越大，则图像对比度越大。图像信息熵可反映图像的平均信息量。对于一幅灰度图像，其熵值最大为8，信息熵大，则所增强的图像效果越好，其计算方式为
Figure BDA0002740923630000111
式中，Pi表示图像中某个灰度出现的概率；可由灰度直方图获得。通过对不同算法增强的图像求其信息熵和标准差，所得结果如表1所示。
表1不同算法的增强效果的比较结果
Figure BDA0002740923630000121
PE算法所增强图像的熵值略微减小且比其他算法要小，标准差最大，这表明PE算法导致图像的信息有所损失，虽提高了图像的对比度但出现了过增强现象。本发明实施例的增强方法与CLAHE算法的标准差相同，很好的增强了图像的局部对比度，但两者的熵值较原始图像得到了提高，图像的信息量更加丰富。本发明实施例的增强方法的熵值虽略微小于CLAHE算法，这是以牺牲微小熵值而较好地保留泄漏区域的纹理细节与边缘。
本发明实施例提供了一种SF6泄露监测方法，该增强方法先采用双边滤波处理原始红外图像，初步保留了泄漏区域的边缘，并采用CLAHE算法增强泄漏区域的对比度，再采用双线性变换和拉普拉斯变换处理细节图像，进一步突出泄漏区域的纹理细节，最后将两幅图像进行线性叠加，获取最终增强的SF6红外图像。通过多组对比实验，并从主观和客观评价两个方面进行分析与对比，从而验证算法的有效性和技术优势，为实现SF6气体泄漏区域的检测打下良好的基础，使后续工作能更加顺利进行。
相应的，本发明还提供了一种SF6泄露监测系统，用于实现上述的任意一种SF6泄露监测方法。
该SF6泄露监测方法及系统通过对目标区域的图像处理获取SF6的泄露情况，能够实时对SF6的泄露情况进行监测，具有监测效果良好、实施便利性高等特点。
以上对本发明实施例所提供的一种SF6泄露监测方法及系统进行了详细介绍，本发明实施例中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种SF6泄露监测方法，其特征在于，包括：
基于SF6红外成像检漏仪获取目标区域的原始红外图像；
基于预设SF6红外图像增强方法处理所述原始红外图像并得到最终图像；
基于所述最终图像与无泄露状态下的对比红外图像进行对照生成对照结果；
基于所述对照结果判定SF6是否存在泄露。
2.如权利要求1所述的SF6泄露监测方法，其特征在于，所述基于预设SF6红外图像增强方法处理所述原始红外图像并得到最终图像包括：
基于双边滤波处理原始红外图像分别得到基础图像和细节图像；
基于CLAHE算法增强处理所述基础图像，得到增强基础图像；
基于拉普拉斯变换获取所述细节图像中的边缘图像；
线性叠加所述增强基础图像和所述边缘图像得到最终图像。
3.如权利要求2所述的SF6泄露监测方法，其特征在于，还包括：
基于SF6红外成像检漏仪获取原始红外图像。
4.如权利要求2所述的SF6泄露监测方法，其特征在于，所述基于CLAHE算法增强处理所述基础图像，得到增强基础图像包括：
扩展原始的图像边界，将基础图像f(x,y)划分为m×n大小相等的子块，m，n为子块的行数和列数，共分为k×k个子块，k的取值可为8、16、32和64等；
设每个子块的面积为S，取系数b＝255/S，预设的上限阈值L为
L＝max(1,L*S/256)，
L为对图像进行裁剪时每个灰度级所允许的最大值。
对划分后的每个子块依次计算其直方图；
使用预先设定的阈值L对每个子块直方图进行裁剪，同时统计整个直方图中超过上限阈值L的像素数，并将这些像素数重新分布到对应子块的直方图中；
采用HE算法依次对裁剪后的子块直方图进行处理，并求取每一子块的灰度映射函数；
采用双线性插值算法计算每一子块相应像素点的灰度值，得到经过CLAHE算法增强的增强基础图像。
5.如权利要求2所述的SF6泄露监测方法，其特征在于，所述基于拉普拉斯变换获取所述细节图像中的边缘图像包括：
所述拉普拉斯变换的拉普拉斯滤波模板为
Figure FDA0002740923620000021
6.如权利要求2所述的SF6泄露监测方法，其特征在于，所述线性叠加所述增强基础图像和所述边缘图像得到最终图像包括：
线性叠加公式为
Figure FDA0002740923620000031
imagefinal为最终图像；imageclahe表示增强基础图像；imageLapacian为边缘图像，式中，*为为乘号，系数
Figure FDA0002740923620000032
为加权参数。
7.如权利要求6所述的SF6泄露监测方法，其特征在于，所述
Figure FDA0002740923620000033
处于5和15之间。
8.如权利要求7所述的SF6泄露监测方法，其特征在于，所述
Figure FDA0002740923620000034
位于8和10之间。
9.如权利要求1至8任一项所述的SF6泄露监测方法，其特征在于，所述基于所述最终图像与无泄露状态下的对比红外图像进行对照生成对照结果包括：
对所述最终图像与无泄露状态下的对比红外图像求差值并得到差值图；
基于预设阈值对所述差值图进行处理，得到泄露轮廓图；
基于所述泄露轮廓图中的轮廓线包围面积的大小为对照结果。
10.一种SF6泄露监测系统，其特征在于，用于实现权利要求1至7任一项所述的SF6泄露监测方法。
CN202011150128.8A 2020-10-23 2020-10-23 一种sf6泄露监测方法及系统 Active CN112444521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011150128.8A CN112444521B (zh) 2020-10-23 2020-10-23 一种sf6泄露监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011150128.8A CN112444521B (zh) 2020-10-23 2020-10-23 一种sf6泄露监测方法及系统

Publications (2)

Publication Number Publication Date
CN112444521A true CN112444521A (zh) 2021-03-05
CN112444521B CN112444521B (zh) 2023-06-13

Family

ID=74736157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011150128.8A Active CN112444521B (zh) 2020-10-23 2020-10-23 一种sf6泄露监测方法及系统

Country Status (1)

Country Link
CN (1) CN112444521B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797641A (zh) * 2023-02-13 2023-03-14 深圳市特安电子有限公司 一种电子设备气体泄漏检测方法
CN116147842A (zh) * 2022-11-14 2023-05-23 广州科易光电技术有限公司 气体泄露检测方法及装置、设备、存储介质
CN117629514A (zh) * 2024-01-26 2024-03-01 吉林大学 一种基于中红外热成像的sf6泄漏量检测系统和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620727A (zh) * 2009-08-10 2010-01-06 电子科技大学 红外图像加权直方图自适应增强算法
CN105447471A (zh) * 2015-12-04 2016-03-30 国网技术学院 基于红外检测的设备气体泄漏识别方法和装置
CN110827229A (zh) * 2019-11-01 2020-02-21 中国科学院长春光学精密机械与物理研究所 一种基于纹理加权直方图均衡化的红外图像增强方法
CN111325721A (zh) * 2020-02-13 2020-06-23 北京信息科技大学 一种基于红外热成像的气体泄漏检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620727A (zh) * 2009-08-10 2010-01-06 电子科技大学 红外图像加权直方图自适应增强算法
CN105447471A (zh) * 2015-12-04 2016-03-30 国网技术学院 基于红外检测的设备气体泄漏识别方法和装置
CN110827229A (zh) * 2019-11-01 2020-02-21 中国科学院长春光学精密机械与物理研究所 一种基于纹理加权直方图均衡化的红外图像增强方法
CN111325721A (zh) * 2020-02-13 2020-06-23 北京信息科技大学 一种基于红外热成像的气体泄漏检测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116147842A (zh) * 2022-11-14 2023-05-23 广州科易光电技术有限公司 气体泄露检测方法及装置、设备、存储介质
CN116147842B (zh) * 2022-11-14 2024-04-26 广州科易光电技术有限公司 气体泄漏检测方法及装置、设备、存储介质
CN115797641A (zh) * 2023-02-13 2023-03-14 深圳市特安电子有限公司 一种电子设备气体泄漏检测方法
CN115797641B (zh) * 2023-02-13 2023-04-07 深圳市特安电子有限公司 一种电子设备气体泄漏检测方法
CN117629514A (zh) * 2024-01-26 2024-03-01 吉林大学 一种基于中红外热成像的sf6泄漏量检测系统和方法

Also Published As

Publication number Publication date
CN112444521B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN112444521B (zh) 一种sf6泄露监测方法及系统
Liu et al. Detail enhancement for high-dynamic-range infrared images based on guided image filter
Gao et al. Sand-dust image restoration based on reversing the blue channel prior
KR101448164B1 (ko) 파라미터 최적화를 이용한 영상의 안개 제거 방법
JP6052902B2 (ja) ディジタル画像中のハイライト領域および飽和領域を処理するための方法
CN107481210B (zh) 基于细节的局部选择性映射的红外图像增强方法
KR100951254B1 (ko) 이미지의 선명도 향상 장치
Guo et al. Automatic image haze removal based on luminance component
CN115439494B (zh) 用于喷雾机质检的喷雾图像处理方法
CN113034452A (zh) 一种焊件轮廓检测方法
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN110175967B (zh) 图像去雾处理方法、系统、计算机设备和存储介质
Bao et al. An edge-preserving filtering framework for visibility restoration
Kansal et al. Fusion-based image de-fogging using dual tree complex wavelet transform
CN111340692A (zh) 一种红外图像动态范围压缩以及对比度增强算法
CN112419213A (zh) 一种sf6红外图像增强方法及系统
Fuh et al. Mcpa: A fast single image haze removal method based on the minimum channel and patchless approach
CN110111280A (zh) 一种多尺度梯度域引导滤波的低照度图像增强算法
Abbaspour et al. A new fast method for foggy image enhancement
KR100925794B1 (ko) 영상의 지역 명암대비 개선을 통한 전역 명암대비 향상 방법
Guo et al. Fast Defogging and Restoration Assessment Approach to Road Scene Images*.
Ru et al. Proposal of multiscale retinex using illumination adjustment for digital images
Kurihara et al. Low-light image enhancement via adaptive shape and texture prior
Reddy et al. Guided image filtering for image enhancement
CN112581411B (zh) 一种图像去雾的方法及终端

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