CN113743423A - 一种温度智能监测方法及系统 - Google Patents

一种温度智能监测方法及系统 Download PDF

Info

Publication number
CN113743423A
CN113743423A CN202111050751.0A CN202111050751A CN113743423A CN 113743423 A CN113743423 A CN 113743423A CN 202111050751 A CN202111050751 A CN 202111050751A CN 113743423 A CN113743423 A CN 113743423A
Authority
CN
China
Prior art keywords
original image
image
temperature
point
points
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.)
Pending
Application number
CN202111050751.0A
Other languages
English (en)
Inventor
申岩
祁吉
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.)
Zhejiang Cloud Electric Pen Intelligent Technology Co ltd
Original Assignee
Zhejiang Cloud Electric Pen Intelligent Technology 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 Zhejiang Cloud Electric Pen Intelligent Technology Co ltd filed Critical Zhejiang Cloud Electric Pen Intelligent Technology Co ltd
Priority to CN202111050751.0A priority Critical patent/CN113743423A/zh
Publication of CN113743423A publication Critical patent/CN113743423A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/12—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in colour, translucency or reflectance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

一种温度智能监测方法、系统及装置，具体涉及一种基于感温变色胶贴的温度智能监测方法、系统及装置，本发明为解决温度预警识别装置的温度识别精度、识别距离和成像分辨率均有限，易漏检，导致无法及时进行检测及预警的问题，方法包括在需要温度监测的部位或目标区域设置感温变色装置；获取对应区域的原图像并预处理；对原图像进行Harries角点检测和Sobel边缘检测；对Harries角点检测的角点进行非极大值抑制算法；利用尺度不变特征变换匹配算法计算原图的特征向量；利用欧式距离算法计算原图与模板源图像之间的相似度，判断感温变色装置的温度；对常温位置实时监测，高温进行预警。本发明用于监测或预警监测部位或目标区域的温度，属于温度监测和识别技术领域。

Description

一种温度智能监测方法及系统
技术领域
本发明涉及一种智能监测的方法及系统，具体涉及一种基于感温变色胶贴的温度智能监测方法及系统，属于温度监测和识别技术领域。
背景技术
现有温度预警识别主要依赖于热成像传感器等设备，存在以下缺点：基于热成像的温度预警识别装置受限于热成像相机的温度识别精度有限、识别距离有限、民用热成像相机成像分辨率有限；人眼肉眼排查效率低下，无法准确感知线路高温点位置，故障点容易漏检，无法及时进行检测及预警，成本过高；
综上所述，现有的温度预警识别装置的温度识别精度、识别距离和成像分辨率均有限，易漏检，导致无法及时进行检测及预警。
发明内容
本发明为了解决温度预警识别装置的温度识别精度、识别距离和成像分辨率均有限，易漏检，导致无法及时进行检测及预警的问题，进而提出了一种温度智能监测方法及系统。
本发明采取的技术方案是：
一种温度智能监测方法，它包括以下步骤：
S1、在需要温度监测的部位设置感温变色装置；
S2、获取感温变色装置对应区域的图像或图像序列，作为原图，并对其进行预处理；
S3、针对S2预处理后的原图，分别利用Harries角点检测和Sobel边缘检测，得到各角点和包含边缘点的二值图像；
S4、针对S3得到的各角点，利用自适应非极大值抑制算法计算非最大抑制后的各角点；
S5、将S3得到的二值图像中的边缘点和S4得到的各角点作为检测点，利用尺度不变特征变换匹配算法计算原图的特征向量；
S6、针对S5得到的原图的特征向量，利用欧式距离算法匹配原图与模板源图像之间的相似度，从而判断感温变色装置的温度，如果感温变色装置小于80℃，则剔除对应区域，否则将感温变色装置对应区域在原图中识别出来；
S7、对S6剔除的对应区域进行实时温度监测，对S6识别出来的对应区域进行温度预警。
进一步地，所述S2中，对原图进行预处理包括：
S21、对原图进行灰度化处理；
S22、对灰度化处理后的原图进行中值滤波处理，完成预处理。
进一步地，所述S3中，针对S2预处理后的原图，利用Harries角点检测，得到各角点的方法包括：
利用水平、竖直差分算子计算偏导数矩阵MI：
Figure BDA0003252659430000021
w表示窗口函数；
x表示任一像素的横坐标；
y表示任一像素的纵坐标；
利用权重矩阵W对MI进行滤波，获得M′I：
M′I＝W*MI 公式2
权重矩阵W为：
Figure BDA0003252659430000022
σ'表示标准差；
利用M′I计算每个像素的角点量cim：
Figure BDA0003252659430000023
对计算的角点量cim进行筛选，筛选出同时满足以下两个条件的角点量：
条件1、角点量cim大于每个局部窗口内的阈值thresh；
条件2、角点量cim是每个局部窗口内的局部极大值。
进一步地，所述S3中，针对S2预处理后的原图，利用Sobel边缘检测，得到包含边缘点的二值图像的方法包括：
Figure BDA0003252659430000024
Figure BDA0003252659430000031
其中，A表示预处理后的原图；
Gx表示经横向边缘检测的图像灰度值；
Gy表示经纵向边缘检测的图像灰度值；
边缘点灰度为
|G|＝|Gx|+|Gy| 公式7其中，G大于阈值，则点(x，y)为边缘点，获取二值图像。
进一步地，所述S4中的自适应非极大值抑制算法包括以下步骤；
S41、选择一个角点，作为基础点；
S42、选择比基础点得分更高的每一个角点，作为比较点，选择离基础点最近的比较点，并记录下基础点的坐标和与最近的比较点之间的距离，所述得分为角点量cim；
S43、根据基础点与比较点之间的距离大小对比较点进行排序，适当舍弃距离小的比较点，得到非最大抑制后的Harries角点。
进一步地，所述S6中欧式距离算法包括以下步骤：
S61、计算模板源图像特征向量和原图特征向量之间的欧式距离；
S62、按照S61的欧式距离大小对原图特征向量进行升序排序，对模板源图像特征向量和原图特征向量遍历后，返回每一对需匹配的模板源图像特征向量的坐标和原图特征向量的坐标及两者之间的距离；
S63、统计S62中匹配的模板源图像特征向量的坐标点和原图特征向量的坐标点，获取两幅图像的相似度，从而判断感温变色装置的温度，如果感温变色装置小于80℃，则剔除对应区域，否则将感温变色装置对应区域在原图中识别出来。
一种温度智能监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如一种温度智能监测方法的任一步骤。
一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现一种温度智能监测方法。
有益效果：
本发明采用可见光相机设备采集需要检测的图像或图像序列，在需要温度监测和预警的部位，粘贴感温变色胶贴，将可见光相机设备与感温变色胶贴配合使用，使感温变色胶贴作为辅助温度探测材料，配合图像识别算法，提取感温变色胶贴图像的局部特征，实现局部特征匹配，智能检测图像中设定颜色的区域。实现了智能化的温度监测功能，能够随时监测目标区域的温度，快速的发现问题所在，减少了事故的发生，同时也节省了人力，无需往复多次的巡查，也能够实现准确的预警功能，降低了基于图像的温度感知预警任务复杂度，感温变色胶贴的某种颜色(如红色，由感温变色胶贴感知测量区域温度)代表温度超过设定温度阈值的区域，当存在温度过高区域时，通过网络或存储卡传输预警信息至管理调度中心，进行预警并结合拍摄设备状态，记录预警时刻的GPS坐标位置、相机姿态角度(Roll\Pitch\Yaw等或姿态四元数)、相机视场角及拍摄参数等信息，保存预警区域图像、时刻、坐标位置等，并供管理人员确认及调度相关人员进行维护。本发明能够应用于各个领域的温度监测中。
具体实施方式
具体实施方式一：本实施方式一种温度智能监测方法，它包括以下步骤：
S1、在需要温度监测的部位设置感温变色装置；
在需要温度监测和预警的部位(目标区域)，粘贴感温变色装置，所述感温变色装置包括但不限于感温变色胶贴，感温变色胶贴能够根据粘贴处的温度状态，使感光片外部面发生可逆或不可逆的颜色变化，从而确定目标区域的局部温度：
可逆情况例如，当附着处温度超过80度，则表面由原色彩(白色或淡黄色)变为红色或其它鲜明颜色，当附着处温度低于80度，表面由红色或其它鲜明颜色变为黑色；
不可逆情况例如，附着处温度超过80度，则表面由原色彩(白色或淡黄色)变为红色或其它鲜明颜色，附着处温度低于80度，仍保持红色。
需要测量的部位包含但不限于架空线(包括轨道交通接触网)线夹、金属接线端子、母排连接点、变压器出线等导体连接点及变压器表面等电力、石化和新能源领域等可能产生高温的仪器部位。
S2、获取感温变色装置对应区域的图像或图像序列，作为原图，并对其进行预处理；
使用可见光相机设备采集需要检测的图像或图像序列，装置及设备可以是手持终端云台相机设备、固定式枪机或球机摄像机、地面移动机器人平台、飞行无人机平台等挂载有可移动云台相机的设备及存储器，获取相机镜头采集的需要进行温度监测或预警识别的场景的可见光图像或图像序列视频。
对图像进行采集，图像通常会受到当前环境的影响如环境光变化或者相机光源长期使用造成的光源衰弱等都会引起图像产生噪声，导致图像的稳定性变差。所以需要先对图像进行预处理，以避免图像在随后的特征信息处理中受到干扰，中值滤波在平滑图像的同时，图像的细节信息保留较好，先将感温变色胶贴图像灰度化处理，再采用混合中值滤波的方式去除噪声。
中值滤波算子：
Figure BDA0003252659430000051
分别采用1个3*3中值滤波器和采用以上3个滤波器混合对感温变色胶贴灰度图像滤波，采用多级中值滤波方式取得的效果比1个滤波器效果更好。
S3、针对S2预处理后的原图，利用Harries角点检测得到各角点和包含边缘点的二值图像；
Harries角点检测是一种基于图像灰度的一阶导数矩阵检测方法。检测器的主要思想是局部自相似性/自相关性，即在某个局部窗口内图像块与在各个方向微小移动后的窗口内图像块的相似性。该算法认为像素周围显示存在多余一个方向的边，便认为该点为角点。Harries角点有以下几点特点：
(1)在进行Harries角点检测时，使用了微分算子对图像进行微分运算，而微分运算对图像密度的拉升或收缩和对亮度的抬高或下降不敏感。
(2)Harries角点检测算子使用的是角点附近的区域灰度二阶矩矩阵。而二阶矩矩阵可以表示成一个椭圆，椭圆的长短轴正是二阶矩矩阵特征值平方根的倒数。当特征椭圆转动时，特征值并不发生变化，所以判断角点响应值也不发生变化，由此说明Harries角点检测算子具有旋转不变性。
利用水平、竖直差分算子对图像每个像素进行滤波以求得Ix,Iy，进而求得图像的偏导数矩阵MI中四个元素的值：
Figure BDA0003252659430000052
其中，w表示窗口函数；
x表示任一像素的横坐标；
y表示任一像素的纵坐标；
选择权重矩阵W(通常为高斯滤波器G)对MI进行滤波：
Figure BDA0003252659430000061
其中，σ'表示标准差，取0.83；
获得M′I：
M′I＝W*MI (3)
利用M′I计算对应于每个像素的角点量cim，即得分R：
Figure BDA0003252659430000062
在矩阵cim中，对计算的角点量cim进行筛选，筛选出同时满足以下两个条件的角点量：被认为是角点。
条件1、角点量cim大于每个局部窗口内的阈值thresh；
条件2、角点量cim是每个局部窗口内的局部极大值。
提高阙值，则提取的角点数目变少，降低阙值，则提取的角点数目变多，另外，求局部极大值的领域大小也会影响提取角点的数目和容忍度。
S4、针对S2预处理后的原图，利用Sobel边缘检测得到包含边缘点的二值图像；
Sobel边缘检测的索贝尔算子主要用作边缘检测，在技术上，它是离散型差分算子，用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子，将会产生对应的灰度矢量或是其法矢量。该算子包含两组3*3的矩阵，分别为横向及纵向，将之与原图作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原图，Gx和Gy分别代表经横向及纵向边缘检测的图像灰度值:
Figure BDA0003252659430000063
Figure BDA0003252659430000064
图像的每一个像素的横向及纵向灰度值通过以下公式结合，计算边缘点灰度的大小:
Figure BDA0003252659430000071
通常，为了提高效率，使用不开方的近似值：
|G|＝|Gx|+|Gy| (8)
如果梯度G大于某一阈值，则认为该点(x，y)为边缘点。选择低滞后阈值10，高滞后阈值20，输出边缘像素值为255，输出非边缘像素值为0，得到二值图像。
S5、针对S3得到的各角点，利用自适应非极大值抑制算法计算非最大抑制后的各角点；
非极大值抑制(NMS)，其目的是用来去除冗余的检测点，就是抑制除最大值(局部最优)外的其他元素。使用非最大抑制算法(ANMS)进行角点过滤，返回满足条件的角点坐标和得分。
使用Harries角点检测生成的角点不是均匀分布的。在许多情况下角点可能集中在图像的特定区域，从而导致准确性的下降。NMS算法通过在特征函数中寻找局部最大值并丢弃剩余的次大值(即图像中的临近角点)。通过使用该算法，可以提高特征匹配的准确性，但是传统的NMS具有某些局限性，例如图像中特征点在处理后可能会不均匀分布。为了避免这种情况，所以使用ANMS算法(自适应非最大值抑制)，基本思想是仅保留r个像素附近最大的那些点。
具体的方法如下：
(1)选择一个Harries角点的横纵坐标，作为基础点；
(2)遍历除该角点外每一个得分(R值)更高的角点，作为比较点，选择离基础点最近的一个比较点，记录下基础点的横纵坐标和与最近比较点之间的距离；
(3)根据基础点与比较点之间的距离大小对基础比较点进行排序，很显然，距离越小的比较点说明在该角点(比较点)周围有更好的角点(比较点)，所以可以适当舍弃。在舍弃一定数目的得分较小的角点(比较点)后，就得到了非最大抑制后的Harries角点，所述每个Harries角点均包括角点信息，如角点的横纵坐标、得分等。
S6、将S3得到的二值图像中的边缘点和S4得到的各角点作为检测点，利用尺度不变特征变换匹配算法计算原图的特征向量；
尺度不变特征转换(SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。
SIFT四步骤和特征匹配及筛选：
步骤一：建立尺度空间和高斯差分(DOG)金字塔；
步骤二：在尺度空间中检测极值点，所述极值点包括角点和边缘点，并进行精确定位和筛选创建默认大小的内存存储器；
步骤三：特征点方向赋值，完成此步骤后，每个特征点有三个信息：位置、尺度、方向；
步骤四：计算特征描述子。
(1)高斯模糊是一种图像滤波器，它使用正态分布(高斯函数)计算模糊模板，并使用该模板与原图像做卷积运算，达到模糊图像的目的。图像高斯金字塔(GaussianPyramid)是采用高斯函数对图像进行模糊以及降采样处理得到。金字塔中的每张图像由L(x,y,σ)表示，计算公式为：
Figure BDA0003252659430000081
其中，I(x,y)表示图像，G(x,y,σ)为高斯函数，具体的表达式：
Figure BDA0003252659430000082
π表示圆周率，取3.1415926；
卷积函数中，σ为图像尺度参数，即模糊系数。
金字塔组数的计算公式：
O＝[(logmin(M,N))]-3 (11)
其中M和N为原始图像的行列数，LOG算子如下:
Figure BDA0003252659430000083
当用DOG算子代替LOG算子时，图像的卷积公式：
DOG(x,y,σ1,σ2)*I(x,y)＝G(x,y,σ1)*I(x,y)-(x,y,σ2)*I(x,y) (13)
其中，(σ1，σ2)表示相邻尺度的两个尺度空间因子；
近似的LOG算子σ选取：
Figure BDA0003252659430000091
当使用这个值时，可以保证LOG和DOG的过零点相同，只是幅度大小不同。这样，我们只要对图像进行两次高斯平滑再将结果相减就可以近似得到LOG作用于图像的效果了。将梯度函数进行离散，可以得到一阶和二阶算子，再用梯度算子与图像卷积就可以得到一阶、二阶梯度以及我们需要的各方向的梯度。在高斯金子塔中的每组中相邻两层相减(下一层减上一层)就生成高斯差分金字塔。
(2)关键点是由DOG空间的局部极值点组成的，关键点的初步探查是通过同一组内各DOG相邻两层图像之间比较完成的。为了寻找DOG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。
以上方法检测到的极值点是离散空间的极值点，以下通过拟合三维二次函数来精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点(因为DOG算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。为了提高关键点的稳定性，需要对尺度空间DOG函数进行曲线插值表达式为：
Figure BDA0003252659430000092
其中，
Figure BDA0003252659430000093
表示求导；
X表示任一极值点(x,y,σ)T；
D表示DOG函数在泰勒展开式下的f(x0)；
对X求导并让方程等于0,可以得到极值点的偏移量：
Figure BDA0003252659430000094
对应极值点的方程值：
Figure BDA0003252659430000095
DOG算子会产生较强的边缘响应，需要剔除不稳定的边缘响应点。为了剔除边缘响应点，需要让该比值小于一定的阈值，因此，为了检测主曲率是否在某域值r(r＝10)下，只需检测:
Figure BDA0003252659430000101
其中，H表示2×2的Hessian矩阵；
Tr(H)表示H的对角元素和；
Det(H)表示H的行列式值。
(3)对于在DOG金字塔中检测出的关键点，采集其所在高斯金字塔图像3σ领域窗口内像素的梯度和方向分布特征。梯度的模值和方向如下：
Figure BDA0003252659430000102
θ(x,y)＝tan-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y)) (20)
在完成关键点的梯度计算后，使用直方图统计领域内像素的梯度和方向。梯度直方图将0-360度的方向范围分为36个柱(bins)，其中每柱10度。方向直方图的峰值则代表了该特征点处邻域梯度的方向，以直方图中最大值作为该关键点的主方向。
为了防止某个梯度方向角度因受到噪声的干扰而突变，我们还需要对梯度方向直方图进行平滑处理为：
Figure BDA0003252659430000103
其中，h表示平滑前的直方图；
H1表示平滑后的直方图；
i表示36个柱中的第i柱；
(4)将邻域内的采样点分配到对应的子区域内，将子区域内的梯度值分配到8个方向上，计算其权值。旋转后的采样点落在子区域的下标为：
Figure BDA0003252659430000104
Figure BDA0003252659430000105
表示对应的子区域采样点；
3σ_oct表示特征局部坐标点坐标系中的一个单元长度；
Figure BDA0003252659430000111
表示领域内采样点；
Figure BDA0003252659430000112
表示将坐标系由特征点处平移至左上角的边界点上，
Figure BDA0003252659430000113
表示回移坐标系至描述子区间中的第一个子区间的中心处；
采用三线性插值的方法，可以计算每个种子点的贡献，最终生成描述子区域。特征向量形成后，为了去除光照变化的影响，需要对它们进行归一化处理，对于图像灰度值整体漂移，图像各点的梯度是邻域像素相减得到，所以也能去除。得到的描述子向量为H＝(h1,h2,……,h128)，归一化后的特征向量为L＝(L1,L2,……,L128)，则:
Figure BDA0003252659430000114
i＝1,2,…128。
S7、利用欧式距离算法匹配原图与模板源图像之间的相似度，从而判断感温变色装置的温度；
在得到模板源图像与原图的SIFT特征描述符(特征向量)后，对于可见光感温变色胶贴的每一个SIFT特征描述符进行遍历，计算模板源图像和原图像特征向量之间的欧式距离，进行图像的特征匹配。
按照模板源图像和原图像特征向量之间的欧式距离大小对采集的图像或视频序列(原图)的特征向量进行升序排序，取与模板源图像特征向量距离最小的两个，若两者的距离小于阈值，则说明最佳的匹配效果较好，记录下两个特征向量的坐标。若大于阈值则不操作。在对图所有特征向量遍历完后，返回每一对需匹配的模板源图像特征向量的坐标和原图特征向量的坐标及两者之间的距离。
统计匹配的模板源图像特征向量的坐标点和原图特征向量的坐标点，得到的数值计算两幅图像的相似度，从而判断感温变色胶贴是否达到80度及以上温度，如果感温变色装置小于80℃，则剔除对应区域，否则将感温变色装置对应区域在原图中识别出来，通过网络或存储卡传输预警信息至管理调度中心，进行预警并结合拍摄设备状态，记录预警时刻的GPS坐标位置、相机姿态角度(Roll\Pitch\Yaw等或姿态四元数)、相机视场角及拍摄参数等信息，保存预警区域图像、时刻、坐标位置等，并供管理人员确认及调度相关人员进行维护。
S8、基于感温变色胶贴的温度智能监测。
如果实时拍摄的图像或图像序列中存在S7标注的预警高温颜色区域，则在存储器保存此图像，并进行温度预警和障碍物预警，向管理中心预警，上传包含但不限于预警图像、GPS坐标、相机姿态、视场角、拍摄内参、拍摄时间等信息。
具体实施方式二：本实施方式一种温度智能监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种温度智能监测方法的任一步骤。
具体实施方式三：本实施方式一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现一种温度智能监测方法。
在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种温度智能监测方法，其特征在于：包括以下步骤：
S1、在需要温度监测的部位设置感温变色装置；
S2、获取感温变色装置对应区域的图像或图像序列，作为原图，并对其进行预处理；
S3、针对S2预处理后的原图，分别利用Harries角点检测和Sobel边缘检测，得到各角点和包含边缘点的二值图像；
S4、针对S3得到的各角点，利用自适应非极大值抑制算法计算非最大抑制后的各角点；
S5、将S3得到的二值图像中的边缘点和S4得到的各角点作为检测点，利用尺度不变特征变换匹配算法计算原图的特征向量；
S6、针对S5得到的原图的特征向量，利用欧式距离算法匹配原图与模板源图像之间的相似度，从而判断感温变色装置的温度，如果感温变色装置小于80℃，则剔除对应区域，否则将感温变色装置对应区域在原图中识别出来；
S7、对S6剔除的对应区域进行实时温度监测，对S6识别出来的对应区域进行温度预警。
2.根据权利要求1中所述的一种温度智能监测方法，其特征在于：所述S2中，对原图进行预处理包括：
S21、对原图进行灰度化处理；
S22、对灰度化处理后的原图进行中值滤波处理，完成预处理。
3.根据权利要求1中所述的一种温度智能监测方法，其特征在于：所述S3中，针对S2预处理后的原图，利用Harries角点检测，得到各角点的方法包括：
利用水平、竖直差分算子计算偏导数矩阵MI：
Figure FDA0003252659420000011
w表示窗口函数；
x表示任一像素的横坐标；
y表示任一像素的纵坐标；
利用权重矩阵W对MI进行滤波，获得M′I：
M′I＝W*MI 公式2
权重矩阵W为：
Figure FDA0003252659420000021
σ'表示标准差；
利用M′I计算每个像素的角点量cim：
Figure FDA0003252659420000022
对计算的角点量cim进行筛选，筛选出同时满足以下两个条件的角点量：
条件1、角点量cim大于每个局部窗口内的阈值thresh；
条件2、角点量cim是每个局部窗口内的局部极大值。
4.根据权利要求1中所述的一种温度智能监测方法，其特征在于：所述S3中，针对S2预处理后的原图，利用Sobel边缘检测，得到包含边缘点的二值图像的方法包括：
Figure FDA0003252659420000023
Figure FDA0003252659420000024
其中，A表示预处理后的原图；
Gx表示经横向边缘检测的图像灰度值；
Gy表示经纵向边缘检测的图像灰度值；
边缘点灰度为
|G|＝|Gx|+|Gy| 公式7
其中，G大于阈值，则点(x，y)为边缘点，获取二值图像。
5.根据权利要求1中所述的一种温度智能监测方法，其特征在于：所述S4中的自适应非极大值抑制算法包括以下步骤；
S41、选择一个角点，作为基础点；
S42、选择比基础点得分更高的每一个角点，作为比较点，选择离基础点最近的比较点，并记录下基础点的坐标和与最近的比较点之间的距离，所述得分为角点量cim；
S43、根据基础点与比较点之间的距离大小对比较点进行排序，适当舍弃距离小的比较点，得到非最大抑制后的Harries角点。
6.根据权利要求1中所述的一种温度智能监测方法，其特征在于：所述S6中欧式距离算法包括以下步骤：
S61、计算模板源图像特征向量和原图特征向量之间的欧式距离；
S62、按照S61的欧式距离大小对原图特征向量进行升序排序，对模板源图像特征向量和原图特征向量遍历后，返回每一对需匹配的模板源图像特征向量的坐标和原图特征向量的坐标及两者之间的距离；
S63、统计S62中匹配的模板源图像特征向量的坐标点和原图特征向量的坐标点，获取两幅图像的相似度，从而判断感温变色装置的温度，如果感温变色装置小于80℃，则剔除对应区域，否则将感温变色装置对应区域在原图中识别出来。
7.一种温度智能监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一所述方法的步骤。
8.一种存储介质，其特征在于：所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至6之一的所述的一种温度智能监测方法。
CN202111050751.0A 2021-09-08 2021-09-08 一种温度智能监测方法及系统 Pending CN113743423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111050751.0A CN113743423A (zh) 2021-09-08 2021-09-08 一种温度智能监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111050751.0A CN113743423A (zh) 2021-09-08 2021-09-08 一种温度智能监测方法及系统

Publications (1)

Publication Number Publication Date
CN113743423A true CN113743423A (zh) 2021-12-03

Family

ID=78737232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111050751.0A Pending CN113743423A (zh) 2021-09-08 2021-09-08 一种温度智能监测方法及系统

Country Status (1)

Country Link
CN (1) CN113743423A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013000404A1 (zh) * 2011-06-28 2013-01-03 中兴通讯股份有限公司 一种图像检测方法及装置
CN104915949A (zh) * 2015-04-08 2015-09-16 华中科技大学 一种结合点特征和线特征的图像匹配算法
CN107967482A (zh) * 2017-10-24 2018-04-27 广东中科南海岸车联网技术有限公司 图标识别方法及装置
CN110262581A (zh) * 2019-06-26 2019-09-20 珠海格力电器股份有限公司 一种负载感温变色材料的烹饪电器及其控制方法
WO2020119144A1 (zh) * 2018-12-10 2020-06-18 厦门市美亚柏科信息股份有限公司 一种图像相似度计算方法、装置、存储介质
CN112669287A (zh) * 2020-12-29 2021-04-16 重庆大学 基于图像识别的电气设备温度监测方法
CN113111212A (zh) * 2021-04-01 2021-07-13 广东拓斯达科技股份有限公司 一种图像匹配方法、装置、设备及存储介质
CN113310593A (zh) * 2021-06-03 2021-08-27 四川省东宇信息技术有限责任公司 一种检测方法和温度检测系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013000404A1 (zh) * 2011-06-28 2013-01-03 中兴通讯股份有限公司 一种图像检测方法及装置
CN104915949A (zh) * 2015-04-08 2015-09-16 华中科技大学 一种结合点特征和线特征的图像匹配算法
CN107967482A (zh) * 2017-10-24 2018-04-27 广东中科南海岸车联网技术有限公司 图标识别方法及装置
WO2020119144A1 (zh) * 2018-12-10 2020-06-18 厦门市美亚柏科信息股份有限公司 一种图像相似度计算方法、装置、存储介质
CN110262581A (zh) * 2019-06-26 2019-09-20 珠海格力电器股份有限公司 一种负载感温变色材料的烹饪电器及其控制方法
CN112669287A (zh) * 2020-12-29 2021-04-16 重庆大学 基于图像识别的电气设备温度监测方法
CN113111212A (zh) * 2021-04-01 2021-07-13 广东拓斯达科技股份有限公司 一种图像匹配方法、装置、设备及存储介质
CN113310593A (zh) * 2021-06-03 2021-08-27 四川省东宇信息技术有限责任公司 一种检测方法和温度检测系统

Similar Documents

Publication Publication Date Title
CN110142785A (zh) 一种基于目标检测的巡检机器人视觉伺服方法
CN108230237B (zh) 一种用于电气设备在线检测的多光谱图像重构方法
CN112102409B (zh) 目标检测方法、装置、设备及存储介质
CN111079600A (zh) 多摄像头的行人识别方法及识别系统
CN110033431B (zh) 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
CN109887040A (zh) 面向视频监控的运动目标主动感知方法及系统
CN110197185B (zh) 一种基于尺度不变特征变换算法监测桥下空间的方法和系统
US20220414901A1 (en) Real-time detection method of block motion based on feature point recognition
CN107609483A (zh) 面向驾驶辅助系统的危险目标检测方法、装置
CN104933398A (zh) 车辆辨识系统与方法
CN114399675A (zh) 一种基于机器视觉与激光雷达融合的目标检测方法和装置
CN109426277A (zh) 移动轨迹规划的方法及装置
US20130202211A1 (en) Method for Recognition of a Predetermined Pattern in an Image Data Set
CN116447979A (zh) 一种基于无人机的双目视觉边坡位移监测方法及装置
CN113762161B (zh) 一种障碍物智能监测方法及系统
CN117314986A (zh) 基于语义分割的无人机跨模态配电设备巡检图像配准方法
CN107767366B (zh) 一种输电线路拟合方法及装置
CN109341664A (zh) 基于视觉的二维桥式吊车的摆动状态测量方法
CN112488022B (zh) 一种环视全景监控方法、装置及系统
CN112508947A (zh) 一种电缆隧道异常检测方法
CN110992291A (zh) 基于三目视觉的测距方法、系统及存储介质
CN113743423A (zh) 一种温度智能监测方法及系统
CN110738229B (zh) 一种细粒度图像分类方法、装置及电子设备
CN111462310A (zh) 一种基于多视几何的螺栓缺陷空间定位方法
CN116309270A (zh) 一种基于双目图像的输电线路典型缺陷识别方法

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