CN112539843A - 检测温度的方法、装置和计算机设备 - Google Patents
检测温度的方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112539843A CN112539843A CN202011461798.1A CN202011461798A CN112539843A CN 112539843 A CN112539843 A CN 112539843A CN 202011461798 A CN202011461798 A CN 202011461798A CN 112539843 A CN112539843 A CN 112539843A
- Authority
- CN
- China
- Prior art keywords
- temperature
- boundary
- sub
- area
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 45
- 238000010248 power generation Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Abstract
本申请涉及人工智能领域,揭示了检测温度的方法,包括:获取红外检测过程中得到的伪彩色红外图像;截取伪彩色红外图像内的温度数据区域;从温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片;将子图片与预设模板库中的模板进行比对,分别确定与各子图片相似度最高的指定模板;根据指定模板的数字,得到温度数据区域对应的温度范围。基于伪彩色红外图中的温度条的位置是相对固定的,最高温区与最低温区的标识字体也是一致的,通过从温度条的温度数据区域,截取出最高温区与最低温区的子图片,并使用简单而高效的数字模板匹配的方法,即可获得伪彩色红外图中的温度条中的温度范围,工作量小且识别效率高。
Description
技术领域
本申请涉及人工智能领域,特别是涉及到检测温度的方法、装置和计算机设备。
背景技术
红外热像仪得到的原始红外图,所展示的温度数据区是用于记录背景与目标物的红外辐射温度的相关数据,不是直接的温度值,而且原始红外图的存储格式是比较特殊的,需要通过专业软件处理为机器能够处理的位图后,才能进行数据分析。经专业软件处理后得到的图像为伪彩色红外图像,仅能以灰度图、热力图来表征图片的温差,无法获取具体的温度数据信息。
现有通过识别伪彩色红外图上的温度条得到温度数据,多基于深度学习的红外图像温宽识别方法进行识别,对温度条区域进行处理之后,输入深度学习网络中进行分类识别,但前期准备训练数据集的工作量较大,且效率较低。
发明内容
本申请的主要目的为提供检测温度的方法,旨在解决现有识别伪彩色红外图上温度数据的工作量大且效率低的技术问题。
本申请提出一种检测温度的方法,包括:
获取红外检测过程中得到的伪彩色红外图像;
截取所述伪彩色红外图像内的温度数据区域;
从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片,其中,所述子图片中仅包括一个数字;
将所述子图片与预设模板库中的模板进行比对,分别确定与各所述子图片相似度最高的指定模板;
根据所述指定模板的数字,得到所述温度数据区域对应的温度范围。
优选地,所述温度数据区域内还包括灰度范围,所述从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片的步骤,包括:
在所述温度数据区域对应的灰度范围内确定当前灰度阈值;
通过所述当前灰度阈值将所述温度数据区域的灰度范围分成两个区域,包括小于所述当前灰度阈值的第一区域和大于等于所述当前灰度阈值的第二区域;
计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差;
在所述温度数据区域对应的灰度范围内动态调整灰度阈值,确定所述第一区域和所述第二区域对应的最大灰度方差;
将所述最大灰度方差对应的灰度阈值作为分割阈值;
通过所述分割阈值分割出最高温区和最低温区分别对应的子图片。
优选地,所述计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差的步骤,包括:
计算所述第一区域内各灰度值分布的第一概率,计算所述第二区域内各灰度值分布的第二概率;
根据各所述第一概率计算所述第一区域对应的第一平均灰度值,根据各所述第二概率计算所述第二区域对应的第二平均灰度值;
根据所述第一平均灰度值和所述第二平均灰度值,计算所述温度数据区域的总平均灰度;
根据所述总平均灰度、所述第一平均灰度值、所述第二平均灰度值、所述第一概率和所述第二概率,计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差。
优选地,所述通过所述分割阈值分割出最高温区和最低温区分别对应的子图片的步骤,包括:
根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界;
根据所述第一边界和所述第二边界确定所述最高温区对应的子图片的边界,根据所述第一边界和所述第三边界确定所述最低温区对应的子图片的边界;
根据所述最高温区对应的子图片的边界,截取所述最高温区对应的子图片,根据所述最低温区对应的子图片的边界,截取所述最低温区对应的子图片。
优选地,所述第二边界和所述第三边界处于所述温度数据区域的横向方向上,所述根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界的步骤之后,包括:
判断所述第二边界上的指定像素点是否处于灰度变化的边界阈值范围内,其中,所述指定像素点为所述第二边界上的任一像素点;
若否,则在经过所述指定像素点且平行于所述温度数据区域的纵向方向上,探寻灰度聚变点;
将所述灰度聚变点替换所述第二边界上的指定像素点;
按照所述指定像素点的修正方式,修正所述第二边界上的所有像素点,按照所述第二边界的修正方式,修正所述第三边界。
优选地,所述根据所述指定模板的数字,得到所述温度数据区域对应的温度范围的步骤之后,包括:
获取所述最高温区内的最小像素值,以及所述最低温区内的最大像素值;
根据最高温度与所述最小像素值的对应关系,以及最低温度与所述最大像素值的对应关系,计算像素值与温度值的线性关联系数;
根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值。
优选地,所述伪彩色红外图像为红外设备检测发电部件的图像,所述根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值的步骤之后,包括:
判断是否存在温度值大于预设阈值的特定像素点;
若是,则获取所述特定像素点在所述伪彩色红外图像内位置信息;
根据所述伪彩色红外图像内位置信息,以及所述红外设备检测发电部件的位置映射关系,确定所述发电部件的发热故障点。
本申请还提供了一种检测温度的装置,包括:
第一获取模块,用于获取红外检测过程中得到的伪彩色红外图像;
截取模块,用于截取所述伪彩色红外图像内的温度数据区域;
分割模块,用于从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片,其中,所述子图片中仅包括一个数字;
比对模块,用于将所述子图片与预设模板库中的模板进行比对,分别确定与各所述子图片相似度最高的指定模板;
得到模块,用于根据所述指定模板的数字,得到所述温度数据区域对应的温度范围。
本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
本申请基于伪彩色红外图中的温度条的位置是相对固定的,且温度条上下的最高温区与最低温区的标识字体也是一致的,通过从温度条的温度数据区域,截取出最高温区与最低温区的子图片,并使用简单而高效的数字模板匹配的方法,即可获得伪彩色红外图中的温度条中的温度范围,工作量小且识别效率高。
附图说明
图1本申请一实施例的检测温度的方法流程示意图;
图2本申请一实施例的检测温度的系统流程示意图;
图3本申请一实施例的计算机设备内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请一实施例的检测温度的方法,包括:
S1:获取红外检测过程中得到的伪彩色红外图像;
S2:截取所述伪彩色红外图像内的温度数据区域;
S3:从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片,其中,所述子图片中仅包括一个数字;
S4:将所述子图片与预设模板库中的模板进行比对,分别确定与各所述子图片相似度最高的指定模板;
S5:根据所述指定模板的数字,得到所述温度数据区域对应的温度范围。
本申请实施例中,温度条中仅显示最高温和最低温分别对应的数字标识,温度条其他区域为刻度表示。通过识别最高温区与最低温区的数字标识字体,确定温度数据区域,并通过垂直投影的方式截取出来。上述预设分割方式包括通过灰度变化规律确定边界的分割方式。举例地,上述伪彩色红外图中背景灰度与物体成像灰度不同,且红外检测的伪彩色红外图中跟随温度的不同,灰度也不同,比如温度高的区域灰度小,温度低的区域灰度大。通过截取仅包含一个数字影像的子图片,然后根据模板确定子图片的数字,并根据子图片的位置关系,获取最高温度和最低温度,从而得到温度范围。
上述的预设模板库包括“0-9”十个数字的二值化图像模板,以及“负号”的二值化图像模板。将截取到的只包含一个数字的子图片,与预设模板库中的所有模板进行一一对比计算,找到预设模板库中与该子图片最相似的模板,作为该子图片的识别结果。举例地,识别到最高温区从左到右存在两个子图片,通过比对左侧子图片数字内容为8,右侧数字内容为5,则最高温度为85度。本申请实施例中比对子图片和模板时,通过计算两者相似度进行比对。
本申请实施例采用的是SSIM(Structural SIMilarity,结构相似性),其对比结果的范围为[-1,1],对比结果越接近-1,说明两者区别越大,对比结果越接近1,说明两者越相似。另SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ,其中,x与y是输入的待对比的两幅图像,α>0,β>0,γ>0,通过进行亮度比较;通过进行对比度比较;通过进行结构比较,μx和μy分别代表x,y的灰度平均值,σx和σy分别代表x,y的灰度标准差,σxy代表x和y的灰度协方差,c1,c2,c3分别为常数,以避免分母为0带来系统错误。本申请实施例中,根据伪彩色红外图的对比实验数据,令α=β=γ=1,及c3=c2/2,以简化计算。本申请实施例将SSIM简化如下:SSIM值越大,表示两者差距越小,即当两幅对比图像一模一样时,SSIM=1。
本申请基于伪彩色红外图中的温度条的位置是相对固定的,且温度条上下的最高温区与最低温区的标识字体也是一致的,通过从温度条的温度数据区域,截取出最高温区与最低温区的子图片,并使用简单而高效的数字模板匹配的方法,即可获得伪彩色红外图中的温度条中的温度范围,工作量小且识别效率高。
进一步地,所述温度数据区域内还包括灰度范围,所述从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片的步骤S3,包括:
S31:在所述温度数据区域对应的灰度范围内确定当前灰度阈值;
S32:通过所述当前灰度阈值将所述温度数据区域的灰度范围分成两个区域,包括小于所述当前灰度阈值的第一区域和大于等于所述当前灰度阈值的第二区域;
S33:计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差;
S34:在所述温度数据区域对应的灰度范围内动态调整灰度阈值,确定所述第一区域和所述第二区域对应的最大灰度方差;
S35:将所述最大灰度方差对应的灰度阈值作为分割阈值;
S36:通过所述分割阈值分割出最高温区和最低温区分别对应的子图片。
本申请实施例中通过探寻最大灰度方差对应的灰度阈值作为边界的分割阈值,使得选定的分割阈值能区分物景区域的平均灰度、背景区域的平均灰度以及整个伪彩色红外图像内的平均灰度之间差别最大。本申请实施例通过遍历整个伪彩色红外图像的灰度范围的灰度值,计算被当前选定的灰度值划分的温度数据区域的两个像素区域的最大灰度方差,来确定分割阈值。
进一步地,所述计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差的步骤S33,包括:
S331:计算所述第一区域内各灰度值分布的第一概率,计算所述第二区域内各灰度值分布的第二概率;
S332:根据各所述第一概率计算所述第一区域对应的第一平均灰度值,根据各所述第二概率计算所述第二区域对应的第二平均灰度值;
S333:根据所述第一平均灰度值和所述第二平均灰度值,计算所述温度数据区域的总平均灰度;
S334:根据所述总平均灰度、所述第一平均灰度值、所述第二平均灰度值、所述第一概率和所述第二概率,计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差。
举例地,温度数据区域灰度为i的像素数为ni,灰度范围为[0,L-1,总像素数为N=i=0L-1ni,各灰度值出现的概率为Pi=niN。对于Pi来讲,把图像中的像素点用灰度阈值T分为两类或两个区域,比如第一区域C0和第二区域C1。C0由灰度值[0,T-1]的像素点组成,C1由灰度值在[T,L-1]的像素点组成,则C0对应的第一概率为C1对应的第二概率为C0对应的第一平均灰度值为对应的第二平均灰度值为温度数据区域的总平均灰度两个区域的灰度方差为:通过让T在[0,L-1]内依次取值,使得灰度方差最大的T值,便是最佳的分割阈值,即分割出最高温区和最低温区分别对应的子图片。
进一步地,所述通过所述分割阈值分割出最高温区和最低温区分别对应的子图片的步骤S36,包括:
S361:根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界;
S362:根据所述第一边界和所述第二边界确定所述最高温区对应的子图片的边界,根据所述第一边界和所述第三边界确定所述最低温区对应的子图片的边界;
S363:根据所述最高温区对应的子图片的边界,截取所述最高温区对应的子图片,根据所述最低温区对应的子图片的边界,截取所述最低温区对应的子图片。
本申请实施例中,以温度数据区域为研究对象时,则伪彩色红外图中温度数据区域之外的像素均为背景区域,上述第一边界为温度数据区域的边界,比如为以矩形框。第二边界和第三边界为温度数据区域内部的区分边界,用于区分温度数据区域内部存在数字的区域。举例地,温度数据区域为伪彩色红外图中纵向的矩形框,第二边界和第三边界为温度数据区域内部横向的分界线。然后通过纵向的矩形框的部分边和第二边界围成包含最高温区对应的子图片,最高温区对应的子图片包括一个或多个并行排列的子图片。通过纵向的矩形框的部分边和第三边界围成包含最低温区对应的子图片,最低温区对应的子图片包括一个或多个并行排列的子图片。上述每个字图片中仅包括一个数字。
进一步地,所述第二边界和所述第三边界处于所述温度数据区域的横向方向上,所述根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界的步骤S361之后,包括:
S3611:判断所述第二边界上的指定像素点是否处于灰度变化的边界阈值范围内,其中,所述指定像素点为所述第二边界上的任一像素点;
S3612:若未处于灰度变化的边界阈值范围内,则在经过所述指定像素点且平行于所述温度数据区域的纵向方向上,探寻灰度聚变点;
S3613:将所述灰度聚变点替换所述第二边界上的指定像素点;
S3614:按照所述指定像素点的修正方式,修正所述第二边界上的所有像素点,按照所述第二边界的修正方式,修正所述第三边界。
本申请实施例中,由于温度数据区域内部灰度变化的边界微弱,为确保更精准地分割,通过分水岭判断的方式,对横向的第二边界和第三边界进行修正,以避免图像中的噪声、物体表面细微的灰度变化导致的过度分割,以确保子图片内的数字轮廓的完整性。上述灰度聚变点指灰度值猛然增大或猛然缩小的断崖点。举例地,获取经过指定像素点且平行于温度数据区域的纵向方向上几个相邻像素点的灰度值,依次计算相邻两点之间的灰度差,出现灰度差跳变的点即为灰度聚变点。
进一步地,所述根据所述指定模板的数字,得到所述温度数据区域对应的温度范围的步骤S5之后,包括:
S6:获取所述最高温区内的最小像素值,以及所述最低温区内的最大像素值;
S7:根据最高温度与所述最小像素值的对应关系,以及最低温度与所述最大像素值的对应关系,计算像素值与温度值的线性关联系数;
S8:根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值。
本申请实施例中,温度条中的像素值对应的温度值是呈线性分布的,通过最高温度与最小像素值的对应关系,以及最低温度与最大像素值的对应关系,得到线性分布对应的线性关联系数,由此便可以获得整个温度条中的不同像素值所对应的温度值,以及伪彩色红外图像内所有像素点分别对应的温度值。最高温区内最小像素值,可通过获取最高温区内最上面一横行的像素值的平均值得到,最低温区内最大像素值,可通过获取最低温区内最下面一横行的像素值的平均值得到。上述以温度数据区域的矩形框纵向分布,且由上到下温度依次递减的方式分布为例。
举例地,最高温度为t1,最小像素值为l1,最低温度为t2,最大像素值为l2,线性关联系数为K,则通过t1=K*l1+A,以及t2=K*l2+A组成方程组,A为常数。通过解方程组得到线性关联系数为K。
进一步地,所述伪彩色红外图像为红外设备检测发电部件的图像,所述根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值的步骤S8之后,包括:
S81:判断是否存在温度值大于预设阈值的特定像素点;
S82:若是,则获取所述特定像素点在所述伪彩色红外图像内位置信息;
S83:根据所述伪彩色红外图像内位置信息,以及所述红外设备检测发电部件的位置映射关系,确定所述发电部件的发热故障点。
本申请实施例中,上述发电部件包括但不限于输变电设备等电力设备。以用于电力部门对输变电设备进行带电检测为例,通过及时监控输变电设备中每个结构部件的温度数据,及时发现发热故障点,以保障用电安全。
参照图2,本申请一实施例的检测温度的装置,包括:
第一获取模块1,用于获取红外检测过程中得到的伪彩色红外图像;
截取模块2,用于截取所述伪彩色红外图像内的温度数据区域;
分割模块3,用于从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片,其中,所述子图片中仅包括一个数字;
比对模块4,用于将所述子图片与预设模板库中的模板进行比对,分别确定与各所述子图片相似度最高的指定模板;
得到模块5,用于根据所述指定模板的数字,得到所述温度数据区域对应的温度范围。
本申请装置实施例的解释,适用方法对应部分的解释,不赘述。
进一步地,所述温度数据区域内还包括灰度范围,分割模块3,包括:
确定子模块,用于在所述温度数据区域对应的灰度范围内确定当前灰度阈值;
分区子模块,用于通过所述当前灰度阈值将所述温度数据区域的灰度范围分成两个区域,包括小于所述当前灰度阈值的第一区域和大于等于所述当前灰度阈值的第二区域;
计算子模块,用于计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差;
调整子模块,用于在所述温度数据区域对应的灰度范围内动态调整灰度阈值,确定所述第一区域和所述第二区域对应的最大灰度方差;
作为子模块,用于将所述最大灰度方差对应的灰度阈值作为分割阈值;
分割子模块,用于通过所述分割阈值分割出最高温区和最低温区分别对应的子图片。
进一步地,计算子模块,包括:
第一计算单元,用于计算所述第一区域内各灰度值分布的第一概率,计算所述第二区域内各灰度值分布的第二概率;
第二计算单元,用于根据各所述第一概率计算所述第一区域对应的第一平均灰度值,根据各所述第二概率计算所述第二区域对应的第二平均灰度值;
第三计算单元,用于根据所述第一平均灰度值和所述第二平均灰度值,计算所述温度数据区域的总平均灰度;
第四计算单元,用于根据所述总平均灰度、所述第一平均灰度值、所述第二平均灰度值、所述第一概率和所述第二概率,计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差。
进一步地,分割子模块,包括:
第一确定单元,用于根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界;
第二确定单元,用于根据所述第一边界和所述第二边界确定所述最高温区对应的子图片的边界,根据所述第一边界和所述第三边界确定所述最低温区对应的子图片的边界;
截取单元,用于根据所述最高温区对应的子图片的边界,截取所述最高温区对应的子图片,根据所述最低温区对应的子图片的边界,截取所述最低温区对应的子图片。
进一步地,所述第二边界和所述第三边界处于所述温度数据区域的横向方向上,分割子模块,包括:
判断单元,用于判断所述第二边界上的指定像素点是否处于灰度变化的边界阈值范围内,其中,所述指定像素点为所述第二边界上的任一像素点;
探寻单元,用于若未处于灰度变化的边界阈值范围内,则在经过所述指定像素点且平行于所述温度数据区域的纵向方向上,探寻灰度聚变点;
替换单元,用于将所述灰度聚变点替换所述第二边界上的指定像素点;
修正单元,用于按照所述指定像素点的修正方式,修正所述第二边界上的所有像素点,按照所述第二边界的修正方式,修正所述第三边界。
进一步地,检测温度的装置,包括:
第二获取模块,用于获取所述最高温区内的最小像素值,以及所述最低温区内的最大像素值;
计算模块,用于根据最高温度与所述最小像素值的对应关系,以及最低温度与所述最大像素值的对应关系,计算像素值与温度值的线性关联系数;
估测模块,用于根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值。
进一步地,所述伪彩色红外图像为红外设备检测发电部件的图像,检测温度的装置,包括:
判断模块,用于判断是否存在温度值大于预设阈值的特定像素点;
第三获取模块,用于若存在温度值大于预设阈值的特定像素点,则获取所述特定像素点在所述伪彩色红外图像内位置信息;
确定模块,用于根据所述伪彩色红外图像内位置信息,以及所述红外设备检测发电部件的位置映射关系,确定所述发电部件的发热故障点。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储检测温度的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现检测温度的方法。
上述处理器执行上述检测温度的方法,包括:获取红外检测过程中得到的伪彩色红外图像;截取所述伪彩色红外图像内的温度数据区域;从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片,其中,所述子图片中仅包括一个数字;将所述子图片与预设模板库中的模板进行比对,分别确定与各所述子图片相似度最高的指定模板;根据所述指定模板的数字,得到所述温度数据区域对应的温度范围。
上述计算机设备,基于伪彩色红外图中的温度条的位置是相对固定的,且温度条上下的最高温区与最低温区的标识字体也是一致的,通过从温度条的温度数据区域,截取出最高温区与最低温区的子图片,并使用简单而高效的数字模板匹配的方法,即可获得伪彩色红外图中的温度条中的温度范围,工作量小且识别效率高。
在一个实施例中,所述温度数据区域内还包括灰度范围,上述处理器从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片的步骤,包括:在所述温度数据区域对应的灰度范围内确定当前灰度阈值;通过所述当前灰度阈值将所述温度数据区域的灰度范围分成两个区域,包括小于所述当前灰度阈值的第一区域和大于等于所述当前灰度阈值的第二区域;计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差;在所述温度数据区域对应的灰度范围内动态调整灰度阈值,确定所述第一区域和所述第二区域对应的最大灰度方差;将所述最大灰度方差对应的灰度阈值作为分割阈值;通过所述分割阈值分割出最高温区和最低温区分别对应的子图片。
在一个实施例中,上述处理器计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差的步骤,包括:计算所述第一区域内各灰度值分布的第一概率,计算所述第二区域内各灰度值分布的第二概率;根据各所述第一概率计算所述第一区域对应的第一平均灰度值,根据各所述第二概率计算所述第二区域对应的第二平均灰度值;根据所述第一平均灰度值和所述第二平均灰度值,计算所述温度数据区域的总平均灰度;根据所述总平均灰度、所述第一平均灰度值、所述第二平均灰度值、所述第一概率和所述第二概率,计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差。
在一个实施例中,上述处理器通过所述分割阈值分割出最高温区和最低温区分别对应的子图片的步骤,包括:根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界;根据所述第一边界和所述第二边界确定所述最高温区对应的子图片的边界,根据所述第一边界和所述第三边界确定所述最低温区对应的子图片的边界;根据所述最高温区对应的子图片的边界,截取所述最高温区对应的子图片,根据所述最低温区对应的子图片的边界,截取所述最低温区对应的子图片。
在一个实施例中,所述第二边界和所述第三边界处于所述温度数据区域的横向方向上,上述处理器根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界的步骤之后,包括:判断所述第二边界上的指定像素点是否处于灰度变化的边界阈值范围内,其中,所述指定像素点为所述第二边界上的任一像素点;若否,则在经过所述指定像素点且平行于所述温度数据区域的纵向方向上,探寻灰度聚变点;将所述灰度聚变点替换所述第二边界上的指定像素点;按照所述指定像素点的修正方式,修正所述第二边界上的所有像素点,按照所述第二边界的修正方式,修正所述第三边界。
在一个实施例中,上述处理器根据所述指定模板的数字,得到所述温度数据区域对应的温度范围的步骤之后,包括:获取所述最高温区内的最小像素值,以及所述最低温区内的最大像素值;根据最高温度与所述最小像素值的对应关系,以及最低温度与所述最大像素值的对应关系,计算像素值与温度值的线性关联系数;根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值。
在一个实施例中,伪彩色红外图像为红外设备检测发电部件的图像,上述处理器根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值的步骤之后,包括:判断是否存在温度值大于预设阈值的特定像素点;若是,则获取所述特定像素点在所述伪彩色红外图像内位置信息;根据所述伪彩色红外图像内位置信息,以及所述红外设备检测发电部件的位置映射关系,确定所述发电部件的发热故障点。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现检测温度的方法,包括:获取红外检测过程中得到的伪彩色红外图像;截取所述伪彩色红外图像内的温度数据区域;从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片,其中,所述子图片中仅包括一个数字;将所述子图片与预设模板库中的模板进行比对,分别确定与各所述子图片相似度最高的指定模板;根据所述指定模板的数字,得到所述温度数据区域对应的温度范围。
上述计算机可读存储介质,基于伪彩色红外图中的温度条的位置是相对固定的,且温度条上下的最高温区与最低温区的标识字体也是一致的,通过从温度条的温度数据区域,截取出最高温区与最低温区的子图片,并使用简单而高效的数字模板匹配的方法,即可获得伪彩色红外图中的温度条中的温度范围,工作量小且识别效率高。
在一个实施例中,所述温度数据区域内还包括灰度范围,上述处理器从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片的步骤,包括:在所述温度数据区域对应的灰度范围内确定当前灰度阈值;通过所述当前灰度阈值将所述温度数据区域的灰度范围分成两个区域,包括小于所述当前灰度阈值的第一区域和大于等于所述当前灰度阈值的第二区域;计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差;在所述温度数据区域对应的灰度范围内动态调整灰度阈值,确定所述第一区域和所述第二区域对应的最大灰度方差;将所述最大灰度方差对应的灰度阈值作为分割阈值;通过所述分割阈值分割出最高温区和最低温区分别对应的子图片。
在一个实施例中,上述处理器计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差的步骤,包括:计算所述第一区域内各灰度值分布的第一概率,计算所述第二区域内各灰度值分布的第二概率;根据各所述第一概率计算所述第一区域对应的第一平均灰度值,根据各所述第二概率计算所述第二区域对应的第二平均灰度值;根据所述第一平均灰度值和所述第二平均灰度值,计算所述温度数据区域的总平均灰度;根据所述总平均灰度、所述第一平均灰度值、所述第二平均灰度值、所述第一概率和所述第二概率,计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差。
在一个实施例中,上述处理器通过所述分割阈值分割出最高温区和最低温区分别对应的子图片的步骤,包括:根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界;根据所述第一边界和所述第二边界确定所述最高温区对应的子图片的边界,根据所述第一边界和所述第三边界确定所述最低温区对应的子图片的边界;根据所述最高温区对应的子图片的边界,截取所述最高温区对应的子图片,根据所述最低温区对应的子图片的边界,截取所述最低温区对应的子图片。
在一个实施例中,所述第二边界和所述第三边界处于所述温度数据区域的横向方向上,上述处理器根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界的步骤之后,包括:判断所述第二边界上的指定像素点是否处于灰度变化的边界阈值范围内,其中,所述指定像素点为所述第二边界上的任一像素点;若否,则在经过所述指定像素点且平行于所述温度数据区域的纵向方向上,探寻灰度聚变点;将所述灰度聚变点替换所述第二边界上的指定像素点;按照所述指定像素点的修正方式,修正所述第二边界上的所有像素点,按照所述第二边界的修正方式,修正所述第三边界。
在一个实施例中,上述处理器根据所述指定模板的数字,得到所述温度数据区域对应的温度范围的步骤之后,包括:获取所述最高温区内的最小像素值,以及所述最低温区内的最大像素值;根据最高温度与所述最小像素值的对应关系,以及最低温度与所述最大像素值的对应关系,计算像素值与温度值的线性关联系数;根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值。
在一个实施例中,伪彩色红外图像为红外设备检测发电部件的图像,上述处理器根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值的步骤之后,包括:判断是否存在温度值大于预设阈值的特定像素点;若是,则获取所述特定像素点在所述伪彩色红外图像内位置信息;根据所述伪彩色红外图像内位置信息,以及所述红外设备检测发电部件的位置映射关系,确定所述发电部件的发热故障点。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种检测温度的方法,其特征在于,包括:
获取红外检测过程中得到的伪彩色红外图像;
截取所述伪彩色红外图像内的温度数据区域;
从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片,其中,所述子图片中仅包括一个数字;
将所述子图片与预设模板库中的模板进行比对,分别确定与各所述子图片相似度最高的指定模板;
根据所述指定模板的数字,得到所述温度数据区域对应的温度范围。
2.根据权利要求1所述的检测温度的方法,其特征在于,所述温度数据区域内还包括灰度范围,所述从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片的步骤,包括:
在所述温度数据区域对应的灰度范围内确定当前灰度阈值;
通过所述当前灰度阈值将所述温度数据区域的灰度范围分成两个区域,包括小于所述当前灰度阈值的第一区域和大于等于所述当前灰度阈值的第二区域;
计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差;
在所述温度数据区域对应的灰度范围内动态调整灰度阈值,确定所述第一区域和所述第二区域对应的最大灰度方差;
将所述最大灰度方差对应的灰度阈值作为分割阈值;
通过所述分割阈值分割出最高温区和最低温区分别对应的子图片。
3.根据权利要求2所述的检测温度的方法,其特征在于,所述计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差的步骤,包括:
计算所述第一区域内各灰度值分布的第一概率,计算所述第二区域内各灰度值分布的第二概率;
根据各所述第一概率计算所述第一区域对应的第一平均灰度值,根据各所述第二概率计算所述第二区域对应的第二平均灰度值;
根据所述第一平均灰度值和所述第二平均灰度值,计算所述温度数据区域的总平均灰度;
根据所述总平均灰度、所述第一平均灰度值、所述第二平均灰度值、所述第一概率和所述第二概率,计算所述第一区域和所述第二区域在所述当前灰度阈值下的灰度方差。
4.根据权利要求2所述的检测温度的方法,其特征在于,所述通过所述分割阈值分割出最高温区和最低温区分别对应的子图片的步骤,包括:
根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界;
根据所述第一边界和所述第二边界确定所述最高温区对应的子图片的边界,根据所述第一边界和所述第三边界确定所述最低温区对应的子图片的边界;
根据所述最高温区对应的子图片的边界,截取所述最高温区对应的子图片,根据所述最低温区对应的子图片的边界,截取所述最低温区对应的子图片。
5.根据权利要求4所述的检测温度的方法,其特征在于,所述第二边界和所述第三边界处于所述温度数据区域的横向方向上,所述根据所述分割阈值确定所述温度数据区域与背景区域的第一边界,以及所述温度数据区域内最高温数字所处的第二边界、所述温度数据区域内最低温数字所处的第三边界的步骤之后,包括:
判断所述第二边界上的指定像素点是否处于灰度变化的边界阈值范围内,其中,所述指定像素点为所述第二边界上的任一像素点;
若否,则在经过所述指定像素点且平行于所述温度数据区域的纵向方向上,探寻灰度聚变点;
将所述灰度聚变点替换所述第二边界上的指定像素点;
按照所述指定像素点的修正方式,修正所述第二边界上的所有像素点,按照所述第二边界的修正方式,修正所述第三边界。
6.根据权利要求1所述的检测温度的方法,其特征在于,所述根据所述指定模板的数字,得到所述温度数据区域对应的温度范围的步骤之后,包括:
获取所述最高温区内的最小像素值,以及所述最低温区内的最大像素值;
根据最高温度与所述最小像素值的对应关系,以及最低温度与所述最大像素值的对应关系,计算像素值与温度值的线性关联系数;
根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值。
7.根据权利要求6所述的检测温度的方法,其特征在于,所述伪彩色红外图像为红外设备检测发电部件的图像,所述根据所述线性关联系数估测所述伪彩色红外图像内所有像素点分别对应的温度值的步骤之后,包括:
判断是否存在温度值大于预设阈值的特定像素点;
若是,则获取所述特定像素点在所述伪彩色红外图像内位置信息;
根据所述伪彩色红外图像内位置信息,以及所述红外设备检测发电部件的位置映射关系,确定所述发电部件的发热故障点。
8.一种检测温度的装置,其特征在于,包括:
第一获取模块,用于获取红外检测过程中得到的伪彩色红外图像;
截取模块,用于截取所述伪彩色红外图像内的温度数据区域;
分割模块,用于从所述温度数据区域按照预设分割方式分割出最高温区和最低温区分别对应的子图片,其中,所述子图片中仅包括一个数字;
比对模块,用于将所述子图片与预设模板库中的模板进行比对,分别确定与各所述子图片相似度最高的指定模板;
得到模块,用于根据所述指定模板的数字,得到所述温度数据区域对应的温度范围。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011461798.1A CN112539843B (zh) | 2020-12-11 | 2020-12-11 | 检测温度的方法、装置和计算机设备 |
PCT/CN2021/084571 WO2022121189A1 (zh) | 2020-12-11 | 2021-03-31 | 检测温度的方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011461798.1A CN112539843B (zh) | 2020-12-11 | 2020-12-11 | 检测温度的方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112539843A true CN112539843A (zh) | 2021-03-23 |
CN112539843B CN112539843B (zh) | 2023-06-02 |
Family
ID=75020113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011461798.1A Active CN112539843B (zh) | 2020-12-11 | 2020-12-11 | 检测温度的方法、装置和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112539843B (zh) |
WO (1) | WO2022121189A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121189A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051555B (zh) * | 2023-03-31 | 2023-06-23 | 深圳市冠禹半导体有限公司 | 一种晶圆温度分布的检测系统及方法 |
CN116879726B (zh) * | 2023-05-23 | 2024-02-09 | 国网安徽省电力有限公司电力科学研究院 | 一种应用于gis开关设备的故障诊断方法及其系统 |
CN116503633B (zh) * | 2023-07-03 | 2023-09-05 | 山东艾迈科思电气有限公司 | 基于图像识别的开关柜状态智能检测控制方法 |
CN117036313B (zh) * | 2023-08-18 | 2024-04-30 | 华大天元(北京)科技股份有限公司 | 基于计算机视觉的电力设备红外智能检测方法和设备 |
CN117058625B (zh) * | 2023-10-11 | 2024-01-16 | 济宁港航梁山港有限公司 | 基于物联网的园区消防远程监测系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930280A (zh) * | 2012-10-05 | 2013-02-13 | 中国电子科技集团公司第十研究所 | 从红外图像中自动识别架空高压线的方法 |
CN103900714A (zh) * | 2012-12-27 | 2014-07-02 | 杭州美盛红外光电技术有限公司 | 热像匹配装置和热像匹配方法 |
US20170213112A1 (en) * | 2016-01-25 | 2017-07-27 | Adobe Systems Incorporated | Utilizing deep learning for automatic digital image segmentation and stylization |
CN107341947A (zh) * | 2017-07-21 | 2017-11-10 | 华南理工大学 | 一种基于红外热像仪的火灾报警器及火灾报警方法 |
CN109934262A (zh) * | 2019-01-31 | 2019-06-25 | 平安科技(深圳)有限公司 | 图片差异性判断方法、装置、计算机设备和存储介质 |
CN110017901A (zh) * | 2019-04-01 | 2019-07-16 | 华北电力大学 | 一种电力系统中电气设备运行状态的红外图谱诊断方法 |
CN110942458A (zh) * | 2019-12-06 | 2020-03-31 | 汕头大学 | 一种温度异常缺陷检测定位方法及系统 |
CN111369516A (zh) * | 2020-03-01 | 2020-07-03 | 上海置信电气股份有限公司 | 基于红外图像识别的变压器套管发热缺陷检测方法 |
CN111862073A (zh) * | 2020-07-29 | 2020-10-30 | 广东电网有限责任公司 | 一种电力设备的温度采集方法和装置 |
CN111882518A (zh) * | 2020-06-09 | 2020-11-03 | 中海石油(中国)有限公司 | 一种漏磁数据自适应伪彩色化方法 |
CN112036410A (zh) * | 2020-08-13 | 2020-12-04 | 华乘电气科技股份有限公司 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4983836A (en) * | 1988-06-30 | 1991-01-08 | Nkk Corporation | Method for detecting thinned out portion on inner surface or outer surface of pipe |
CN104132733B (zh) * | 2014-07-04 | 2017-03-08 | 国家电网公司 | 组合式红外热像仪及其温度检测方法 |
CN112539843B (zh) * | 2020-12-11 | 2023-06-02 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
-
2020
- 2020-12-11 CN CN202011461798.1A patent/CN112539843B/zh active Active
-
2021
- 2021-03-31 WO PCT/CN2021/084571 patent/WO2022121189A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930280A (zh) * | 2012-10-05 | 2013-02-13 | 中国电子科技集团公司第十研究所 | 从红外图像中自动识别架空高压线的方法 |
CN103900714A (zh) * | 2012-12-27 | 2014-07-02 | 杭州美盛红外光电技术有限公司 | 热像匹配装置和热像匹配方法 |
US20150358559A1 (en) * | 2012-12-27 | 2015-12-10 | Hao Wang | Device and method for matching thermal images |
US20170213112A1 (en) * | 2016-01-25 | 2017-07-27 | Adobe Systems Incorporated | Utilizing deep learning for automatic digital image segmentation and stylization |
CN107341947A (zh) * | 2017-07-21 | 2017-11-10 | 华南理工大学 | 一种基于红外热像仪的火灾报警器及火灾报警方法 |
WO2020155485A1 (zh) * | 2019-01-31 | 2020-08-06 | 平安科技(深圳)有限公司 | 图片差异性判断方法、装置、计算机设备和存储介质 |
CN109934262A (zh) * | 2019-01-31 | 2019-06-25 | 平安科技(深圳)有限公司 | 图片差异性判断方法、装置、计算机设备和存储介质 |
CN110017901A (zh) * | 2019-04-01 | 2019-07-16 | 华北电力大学 | 一种电力系统中电气设备运行状态的红外图谱诊断方法 |
CN110942458A (zh) * | 2019-12-06 | 2020-03-31 | 汕头大学 | 一种温度异常缺陷检测定位方法及系统 |
CN111369516A (zh) * | 2020-03-01 | 2020-07-03 | 上海置信电气股份有限公司 | 基于红外图像识别的变压器套管发热缺陷检测方法 |
CN111882518A (zh) * | 2020-06-09 | 2020-11-03 | 中海石油(中国)有限公司 | 一种漏磁数据自适应伪彩色化方法 |
CN111862073A (zh) * | 2020-07-29 | 2020-10-30 | 广东电网有限责任公司 | 一种电力设备的温度采集方法和装置 |
CN112036410A (zh) * | 2020-08-13 | 2020-12-04 | 华乘电气科技股份有限公司 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121189A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022121189A1 (zh) | 2022-06-16 |
CN112539843B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112539843B (zh) | 检测温度的方法、装置和计算机设备 | |
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN110569696A (zh) | 用于车辆部件识别的神经网络系统、方法和装置 | |
US10062170B2 (en) | Apparatus and method for extracting object | |
CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
US9449395B2 (en) | Methods and systems for image matting and foreground estimation based on hierarchical graphs | |
CN111401387B (zh) | 异常样本构建方法、装置、计算机设备和存储介质 | |
CN110647795A (zh) | 一种表格识别方法 | |
CN112288761B (zh) | 一种异常发热的电力设备检测方法、装置和可读存储介质 | |
CN113421276B (zh) | 一种图像处理方法、装置及存储介质 | |
CN112818821B (zh) | 基于可见光和红外光的人脸采集源检测方法和装置 | |
CN109685830B (zh) | 目标跟踪方法、装置和设备及计算机存储介质 | |
CN111488945A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN113469092A (zh) | 字符识别模型生成方法、装置、计算机设备和存储介质 | |
CN112348116A (zh) | 利用空间上下文的目标检测方法、装置和计算机设备 | |
CN111444923A (zh) | 自然场景下图像语义分割方法和装置 | |
CN112699858B (zh) | 无人平台烟尘雾感知方法、系统、计算机设备及存储介质 | |
CN112926616B (zh) | 图像匹配方法和装置、电子设备、计算机可读存储介质 | |
CN111178162B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN116612272A (zh) | 一种图像处理智能数字化的检测系统及其检测方法 | |
CN114742990A (zh) | 基于人工智能的目标检测方法、装置、设备及存储介质 | |
CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
CN113222867B (zh) | 基于多模板图像的图像数据增强方法及系统 |
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 |