CN115797641B - 一种电子设备气体泄漏检测方法 - Google Patents
一种电子设备气体泄漏检测方法 Download PDFInfo
- Publication number
- CN115797641B CN115797641B CN202310103754.9A CN202310103754A CN115797641B CN 115797641 B CN115797641 B CN 115797641B CN 202310103754 A CN202310103754 A CN 202310103754A CN 115797641 B CN115797641 B CN 115797641B
- Authority
- CN
- China
- Prior art keywords
- value
- prediction
- gray
- pixel point
- random number
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种电子设备气体泄漏检测方法,包括获取电子设备红外图的灰度图中每个像素点的预测随机数,获取统计直方图和变种统计直方图,对变种统计直方图进行高斯拟合,根据分布概率和拟合值的差异得到每个预测随机数的可信度,标记大于可信度阈值的像素点,将图像超像素分割得到多个区域,根据每个区域中像素点灰度均值和已标记像素点的灰度均值的差异,得到噪声灰度的预测均值,计算非标记像素点的噪声随机数总和,并将总和按照每个非标记像素点的可信度赋予权重,得到每个非标记像素点的噪声灰度预测值,对每个区域的标记像素点和非标记像素点去噪,根据去噪复原后的图像进行气体泄露检测,方法智能、精准。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种电子设备气体泄漏检测方法。
背景技术
SF6(六氟化硫)化学稳定性强,具有良好的电气绝缘性能及优异的灭弧性能,被广泛应用于电器工业,如:断路器、高压变压器、气封闭组合电容器、高压传输线等,在电力工业中,SF6是一种重要的介质,它用作封闭式中、高压开关的灭弧和绝缘气体。
但是,SF6在氧气含量低的大气中会导致头晕、昏迷、失去意识和死亡,并且F6经过高温拉弧放电的分解物氟化亚硫酰、氟化硫酰、四氟化硫等气体也对人体有极大的损害,因此在装有SF6的电子设备的开关室,平时因为通风不良可能会缺少新鲜空气,若SF6气体泄漏而污染室内环境,会给工作人员健康甚至生命受到严重威胁,因此,必须对装有SF6的电子设备进行泄露检测。
现有技术是利用红外成像检漏仪对运行中的设备进行图像采集,基于红外图像寻找漏气现象,可以直观观察到气体泄漏点、泄露程度以及周边人员的位置,及时做出对应报警、补救措施,由于红外成像检漏仪的光敏材料是通过吸收光子产生光电子的,光子到达探测器的随机性就会引起白噪声,现有图像去噪方法极容易在平滑噪声的同时削弱气体图像信息,影响气体泄漏检测结果的准确性。
发明内容
针对现有图像去噪方法极容易在平滑噪声的同时削弱气体图像信息,影响气体泄露检测结果的准确性的问题,本发明提供一种电子设备气体泄漏检测方法,包括:
获取电子设备红外图并灰度化得到灰度图;
利用滑窗遍历灰度图,将每个像素点作为窗口内的中心像素点,利用每个窗口中心像素点的灰度值及该窗口中最低灰度值的差值得到每个像素点的预测随机数;
获取所有像素点的预测随机数的统计直方图,以分布概率最高的预测随机数为中轴,将中轴两侧的预测随机数按照分布概率由高到低进行排布,得到预测随机数的变种统计直方图;
对变种统计直方图进行高斯拟合,得到变种直方图中每个预测随机数对应的分布概率的拟合值,根据每个预测随机数对应的分布概率的拟合值和拟合前该预测随机数对应的分布概率的差异,得到每个预测随机数的可信度,并将可信度大于可信度阈值的预测随机数对应的像素点进行标记得到标记像素点;
利用超像素分割对灰度图分割得到多个区域;
根据每个区域中所有像素点灰度均值和标记像素点的灰度均值的差异,得到每个区域的噪声灰度的预测均值;
利用每个区域中噪声灰度的预测均值和该区域中非标记像素点的数量得到每个区域中非标记像素点的噪声灰度的预测总和,根据每个区域中非标记像素点的噪声灰度的预测总和和每个非标记像素点的预测随机数的可信度得到每个区域中每个非标记像素点的噪声灰度预测值;
利用每个区域中每个标记像素点的预测随机数和每个非标记像素点的噪声灰度预测值对该区域进行去噪,得到去噪后的灰度图,利用去噪后的灰度图判断电子设备是否发生气体泄露检测。
所述利用每个区域中每个标记像素点的预测随机数和每个非标记像素点的噪声灰度预测值对该区域进行去噪的方法为:
对于每个标记像素点:将标记像素点的灰度值减去预测随机数;
对于每个非标记像素点:将每个非标记像素点的灰度值减去噪声预测灰度值。
所述每个区域的噪声灰度的预测均值的获取方法为:
将每个区域内所有像素点的灰度均值减去所有标记像素点的灰度均值得到的差值,作为该区域的噪声灰度的预测均值。
所述每个区域中每个非标记像素点的噪声灰度预测值的获取方法为:
将每个区域的噪声灰度的预测均值和该区域的非标记像素点的数量相乘,得到非标记像素点的噪声灰度的预测总和;
对每个非标记像素点的可信度进行归一化操作,得到可信度的归一化值;
将每个非标记像素点的可信度的归一化值作为权重和非标记像素点的噪声灰度的预测总和相乘,得到的值作为该非标记像素点的噪声灰度预测值。
所述每个预测随机数的可信度的获取方法为:
获取每个预测随机数在预测随机数的统计直方图中的分布概率和该预测随机数在高斯拟合后的变种直方图中的分布概率的拟合值,将分布概率和分布概率的拟合值的差值进行归一化,将1减去归一化差值得到的值,作为该预测随机数的可信度。
所述每个像素点的预测随机数的方法为:
将每个像素点为滑窗中心像素点,将窗口内的中心像素点灰度值和最低灰度值的差值作为每个像素点的预测随机数。
所述利用去噪后的灰度图判断电子设备是否发生气体泄露检测的方法为:
获取连续多帧电子设备红外图像的灰度图去噪后的图像;
利用相邻帧差法获取差分图,当差分图中同一位置像素点的灰度值差异大于差异阈值时,像素点异常;
根据所有异常像素点得到泄漏气体的差分区域;
当连续帧的差分区域内异常像素点的面积占比大于等于占比阈值时,漏气严重,自动断电进行检修。
本发明的有益效果是:
本发明利用滑窗遍历电子设备红外图像的灰度图,将每个像素点作为窗口内的中心像素点,利用每个窗口中心像素点的灰度值及该窗口中最低灰度值的差值得到每个像素点的预测随机数;该方法考虑到红外图像上存在白噪声,其特点是噪声幅值得分布符合高斯分布,相当于在原图像上每个像素点原灰度上叠加任意数值的随机数,因此根据每个像素点的相近像素点的灰度,计算每个像素点的预测随机数,对每个像素点的噪声灰度值进行初步预估;本发明获取像素点的预测随机数的的分布概率和分布概率的高斯拟合值的差异,得到每个预测随机数的可信度,并将可信度大于可信度阈值的预测随机数对应的像素点进行标记得到标记像素点;该方法考虑到白噪声的随机数的分布符合高斯分布,因此在之前初步预估的噪声灰度值越符合高斯分布,其分布概率越与拟合值差异小,说明预测越准确,可信度越高,越有利于后续准确去噪;本发明利用超像素分割对灰度图分割得到多个区域;根据每个区域中所有像素点灰度均值和标记像素点的灰度均值的差异,得到每个区域的噪声灰度的预测均值;该方法利用超像素分割将灰度相近的像素点划为一个区域,因此将已标记像素点还原后的灰度值均值,能够较为准确的反映出该区域整体在没有噪声情况下的灰度均值,然后将图像每个区域内的平均灰度值,减去该区域内没有噪声情况下的灰度均值,两者相差,可以对该区域内的噪声随机数的均值进行估测;本发明利用噪声灰度的预测均值计算非标记像素点的噪声灰度的预测总和,并按照每个非标记像素点的预测随机数的可信度赋予权重,得到每个非标记像素点的噪声灰度预测值;根据每个区域中的每个标记像素点预测随机数和该区域中每个非标记像素点的噪声灰度预测值对该区域进行去噪,根据去噪复原后的灰度图像判断电子设备是否发生气体泄漏;该方法按照可信度作为权重,计算出每个非标记像素点的噪声灰度预测值,然后进行去噪,将同区域内像素点分为两部分,分别进行复原,使复原结果最大程度逼近实际值,去噪效果更好,使得图像信息最大程度保留,使后续泄漏气体的检测和参数获取更为准确,提高了图像的精度,利用该图像进行气体泄漏检测,提高了检测结果的准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种电子设备气体泄漏检测方法的流程示意图;
图2是本发明的一种电子设备气体泄漏检测方法中的采集电子设备的示意图;
图3是本发明的一种电子设备气体泄漏检测方法中的采集的红外图对应的灰度图像;
图4是本发明的一种电子设备气体泄漏检测方法中灰度图像超像素分割后的图像。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种电子设备气体泄漏检测方法的实施例,如图1所示,包括:
步骤一:获取电子设备红外图并灰度化得到灰度图;利用滑窗遍历灰度图,将每个像素点作为窗口内的中心像素点,利用每个窗口中心像素点的灰度值及该窗口中最低灰度值的差值得到每个像素点的预测随机数;
该步骤的目的是,采集电子设备红外图像进行灰度化并利用滑窗对每个像素点的噪声灰度值进行初步预估。
其中,获取电子设备红外图并灰度化得到灰度图的具体方法为:
本实施例使用SF6(六氟化硫)红外成像检漏仪,该仪器采用红外吸收光谱原理对SF6气体进行分析检测,它利用物质对红外电磁辐射的选择性吸收特性对物质进行定性定量分析,SF6气体在红外波段具有非常强的吸收力,利用SF6气体和空气不同的红外电磁辐射吸收特性直接成像,形成直观的红外图像;
如图2所示,本实施例将一台红外成像检漏仪固定在电子设备5-10m处,使其镜头正对电子设备,置红外检测仪的红外图像采集间隔,本实施例设置为1秒,具体实施者可自行设定;
由于红外图像本身为单通道图像,与灰度图像数据格式相同,不同的仅是一个为物体红外光的强度,一个为物体可见光强度,为了方便计算将其进行灰度化得到如图3所示的灰度图,红外成像仪的光敏材料是通过吸收光子产生光电子的,光子到达探测器的随机性就会引起光子噪声,光子噪声属于白噪声,白噪声对气体的识别产生较大干扰,因此,该灰度图是含有白噪声的灰度图像,需要进行后续处理;若电子设备发生气体泄漏时,则在其灰度图中会产生低灰度的部分区域,如图3中的椭圆圈内的部分为泄漏气体。
其中,每个像素点的预测随机数的获取方法为:
设置滑动窗口对灰度图进行遍历,将每个像素点为滑窗中心像素点,将窗口内的中心像素点灰度值和最低灰度值的差值作为每个像素点的预测随机数,具体如下:
本发明设置一个55的滑动窗口对灰度图像进行遍历,由于红外图像信息单一的特点,相邻、相近的像素点之间相似度较高,因此,在遍历过程中,中心像素点55范围内灰度最低的像素点,具有与中心像素点相近且为局部随机数最小的特性,将中心像素点灰度值与其55范围内的灰度最低的像素点的灰度值作差,得到该中心像素点的预测随机数,若灰度最低点为中心像素点本身,则预测随机数为0,遍历结束后,得到每个像素点的预测随机数,此时,这些数值中部分真实度较高、部分真实度较低,接下来对预测随机数进行真实度验证。
需要说明的是,获取每个像素点的预测随机数是因为红外图像存在白噪声干扰问题,白噪声的幅值分布服从高斯分布,它的功率谱密度均匀分布,噪声幅值是未知项,其相当于在原图像上每个像素点原灰度值上叠加任意数值的随机数,叠加随机数后,所有像素点的灰度值相较之前均提高了若干,随机数越大则该像素点越失真,反之随机数越小则该像素点相较于原像素点灰度变化越小,这些随机数的类型分布服从高斯分布,因此,本步骤通过每个像素点的局部最低灰度值获取预测随机数,然后后续根据随机数的高斯分布特征进后续分析。
步骤二:获取所有像素点的预测随机数的统计直方图,以分布概率最高的预测随机数为中轴,将中轴两侧的预测随机数按照分布概率由高到低进行排布,得到预测随机数的变种统计直方图;对变种统计直方图进行高斯拟合,得到变种直方图中每个预测随机数对应的分布概率的拟合值;
该步骤的目的是,对每个像素点的预测随机数的分布概率进行统计分析,得到统计直方图并对其进行高斯态变形排布,并计算出每个分布概率的拟合值。
其中,预测随机数的统计直方图的横轴为预测随机数,纵轴为预测随机数对应的分布概率(可根据预测随机数在图像中出现的次数计算获得);
其中,预测随机数的变种统计直方图的获取方法为:
对统计直方图进行变形,获取分布概率最高的预测随机数,以及分布概率最低的两个预测随机数,由最高值作为中轴峰值点,两个最低值为左、右谷值点,其余预测随机数的分布概率按数值由大到小,从峰值点开始依次向两侧分配排布直至两侧谷值点,得到按照高斯分布态排布,即中间高两边低的预测随机数的变种统计直方图。
其中,对变种统计直方图中的分布概率进行高斯拟合,得到每个分布概率的拟合值的方法为:
对变种统计直方图进行高斯函数拟合,采用公式为高斯曲线拟合公式,拟合公式如下:
公式中,第i个预测随机数的拟合值,为预测随机数分布概率的最高值,为左侧谷值在变种统计直方图上的序列号,为右侧谷值在变种统计直方图上的序列号,为分布概率最高点的序列号,为第i个预测随机数所在的序列号,为右侧谷值所在的序列号减去左侧谷值所在的序列号,得到的半宽值;
需要说明的是序列号是指,在统计直方图上,横坐标的值(本实施例中横坐标为预测随机数的值),从左往右,第一个横坐标值序列号为1,第二个横坐标值序列号为2,以此类推,得到所有序列号。
由于白噪声的幅值分布服从高斯分布,因此本步骤对其进行高斯曲线拟合,计算出其拟合值,便于后续将初步预估的预测随机数与拟合值进行对比分析。
步骤三:根据每个预测随机数对应的分布概率的拟合值和拟合前该预测随机数对应的分布概率的差异,得到每个预测随机数的可信度,并将可信度大于可信度阈值的预测随机数对应的像素点进行标记得到标记像素点;
该步骤的目的是,根据高斯拟合值对每个预测随机数的可信度进行分析,并对高可信度的像素点进行标记后去噪复原。
其中,每个预测随机数的可信度的获取方法为:
获取每个预测随机数在预测随机数的统计直方图中的分布概率和该预测随机数在变种直方图中的分布概率的拟合值,将分布概率和分布概率的拟合值的差值进行归一化,将1减去归一化差值得到的值,作为该预测随机数的可信度;
具体如下:
由于白噪声随机数的分布符合高斯分布,而步骤一种的预测随机数是通过红外图像上相邻像素点灰度值相近、随机数深度大小不同,随机数深度较大的减去随机数深度较小的方式进行估测的,预测随机数的可信度验证模型围绕其分布特征与高斯分布特征的趋近度进行构建,预测随机数的分布概率越符合高斯分布,即其分布概率与其高斯拟合函数的拟合值差异越小,则其可信度越高,反之则越低,可信度计算方法为:
公式中,为第i个预测随机数的可信度,i表示第i个预测随机数,代表第i个预测随机数在变种统计直方图上的分布概率的拟合值,代表第i类预测随机数在变种统计直方图上的分布概率,为两者差值绝对值,遵循上逻辑该差值绝对值越小,则预测随机数的可信度越高,反之越低,为归一化计算,是为了避免分母为0的情况出现;当越小第i个预测随机数可信度越高,则第i个预测随机数的可信度可表示为。
其中,对可信度大于可信度阈值的预测随机数对应的像素点进行标记的方法为:
设置可信度阈值为0.75,当预测随机数的可信度时,本实施例认为,此预测随机数可信度较高,预测随机数深度逼近真实随机数深度,预测随机数为噪声图像上像素点与55滤波范围内的最小灰度值相差所得,因此,可以将其对应的像素点位置在噪声图像中进行标记。
步骤四:利用超像素分割对灰度图分割得到多个区域,根据每个区域中所有像素点灰度均值和标记像素点的灰度均值的差异,得到每个区域的噪声灰度的预测均值;利用每个区域中噪声灰度的预测均值和该区域中非标记像素点的数量得到每个区域中非标记像素点的噪声灰度的预测总和,根据每个区域中非标记像素点的噪声灰度的预测总和和每个非标记像素点的预测随机数的可信度得到每个区域中每个非标记像素点的噪声灰度预测值;
该步骤的目的是,利用可信度高的预测随机数对应的像素点的灰度值对可信度低的预测随机数对应的像素点的灰度值进行预测,方便后续进行去噪复原。
其中,利用超像素分割对灰度图分割得到多个区域的方法为:利用超像素分割算法在噪声图像上将灰度差异较大的区域粗糙分割,其基本步骤为:先将原始图像分割为大小一致的N个图块,然后从各个图块中随机采样一个像素点作为聚类中心,然后设置k=N,利用根据灰度相似性和欧式距离对像素点向各个聚类中心进行k-means聚类,根据聚类结果更新图块形状,然后以更新后图块内的平均灰度值得到新的聚类中心,再次重复以上操作,得到超像素分割图像,如图4所示,超像素分割可将像素值相近的像素点粗分割为一个区域,然后对相似的图块进行合并,将相似度较高的超像素块进行合并,得到噪声图像的粗分割结果图,则可将灰度图像划分为多个区域。
其中,每个区域的噪声灰度的预测均值的获取方法为:
将每个区域内所有像素点的灰度均值减去所有标记像素点的灰度均值得到的差值,作为该区域的噪声灰度的预测均值,具体根据如下公式进行计算:
公式中,为第z个区域的噪声灰度的预测均值,第z个区域的总像素点数量,n为该区域内标记像素点总数,v代表该区域中第v个像素点,为第v个像素点的灰度值,r代表在第z个区域中第r个标记像素点,为第r个像素点的灰度值,代表第r个标记像素点对应的预测随机数;
该公式是,将噪声图像粗分割区域内的平均灰度值,减去该区域内所有已标记像素点还原后的灰度值均值,这里是认为已标记像素点还原后的灰度值均值,接近该区域整体在没有噪声情况下的灰度均值,因此两者相差,得到的是该区域内噪声随机数的估测均值;为该粗分割区域内的平均灰度值;为标记像素点灰度值减去其对应的具有真实度的预测随机数,得到还原后的灰度值,代表该粗分割区域内标记点还原后的灰度值加和求均,那么,就代表该粗分割区域内噪声像素点的灰度均值减去部分可信度较高的复原后像素点灰度均值,得到该粗分割区域内的随机数估测均值;
其中,每个非标记像素点的噪声灰度预测值的获取方法为:
(1)将每个区域的噪声灰度的预测均值和该区域的非标记像素点的数量N-n相乘,得到非标记像素点的噪声灰度的预测总和;
(2)对每个非标记像素点的可信度进行归一化操作,得到可信度的归一化值;
(3)将每个非标记像素点的可信度的归一化值作为权重和非标记像素点的噪声灰度的预测总和相乘,得到的值作为该非标记像素点的噪声灰度预测值;
具体公式如下:
公式中,为第z个区域中第u个非标记像素点的噪声灰度预测值,为第u个非标记像素点的可信度;
该公式,用噪声随机数估测均值乘以非标记点的数量,得到非标记点随机数的数值总和,然后再根据不同像素点此前所求的预测随机数真实度进行归一化赋其权重,按照权重将非标记点随机数总和分配至每个非标记像素点上,然后进行去噪复原,非标记像素点共N-n个,为该区域内的随机数估测均值乘以N-n个像素点,得到此类非标记像素点的随机数之和,然后为此类非标记像素点预测随机数可信度的归一化结果作为其权重值,对该粗分割区域内此类非标记像素点的随机数之和进行分配,得到每个非标记像素点的噪声灰度预测值。
步骤五:利用每个区域中每个标记像素点的预测随机数和每个非标记像素点的噪声灰度预测值对该区域进行去噪,得到去噪后的灰度图,利用去噪后的灰度图判断电子设备是否发生气体泄露检测。
该步骤的目的是,对非标记气体进行去噪复原,得到去噪后的准确图像,基于该图像信息进行气体泄漏检测。
其中,利用每个区域中每个标记像素点的预测随机数和每个非标记像素点的噪声灰度预测值对该区域进行去噪的方法为:
对于标记像素点:
将标记像素点的灰度值减去预测随机数:即将粗分割下的不同区域内分布的标记像素点的灰度值减去该像素点对应的预测随机数(可信度高的预测随机数),将标记像素点灰度值进行复原,所得为该区域内可信度较高的灰度值,对可信度高的预测随机数对应的像素点进行了去噪复原,但是每个区域中还存在未标记的像素点,也就是预测随机数可信度较低的像素点,需要后续进一步进行去噪复原。
对于非标记像素点:
将每个非标记像素点的灰度值减去噪声预测灰度值,具体公式为:
公式中,为第z个区域,第u个非标记像素点去噪复原后的灰度值,为第u个非标记像素点的灰度值,为其噪声预测灰度值,即用其灰度值减去该随机数估测值,得到还原后的灰度值。
至此,在灰度图的每个区域中,对标记像素点和非标记像素点均完成了所有白噪声的去噪过程,得到去噪后的灰度图。
其中,利用去噪后的灰度图判断电子设备是否发生气体泄露检测的方法为:
(1)获取连续多帧电子设备红外图像去噪复原后的图像,去噪后的图像大幅消除了噪声干扰,设置红外检测仪的采集间隔为1秒,红外检测仪正对组合电器,采集画面内无动态物体干扰,并对该图像按照步骤一至步骤五的操作去噪复原;
(2)利用相邻帧差法获取差分图,当差分图中同一位置像素点的灰度值差异大于差异阈值时,像素点异常;通过相邻帧差分法,获取动态像素点,一旦发生气体泄漏,相邻帧同位置像素点灰度值相差,设置差分结果大于30时,认为该像素点异常;
(3)根据所有异常像素点得到泄漏气体的差分区域;
(4)当连续帧的差分区域内异常像素点的面积占比大于等于占比阈值时,漏气严重,自动断电进行检修,具体如下:
根据连续帧的差分区域内异常像素点的扩散方向、扩散面积、扩散速度,所述参数获取方式可直接从相邻帧差分图像中得到,当前帧记为,上一帧为,上上帧为,那么、得到的差分图像即可得到当前帧相比上一帧泄漏气体扩散的面积,即异常像素点个数,扩散速度及扩散面积除以两帧图像的采样时间间隔,扩散方向即、的差分图像与、所得差分图像进行对比,各自差分区域质心点之间的连线方向,根据气体扩散方向的反方向延伸段与组合电器相交点,即为泄漏点;
一旦发生泄漏立即触发警报,当泄漏气体扩速度大于等于时,J、K代表红外图像长宽,为红外图像面积,为常数,本发明设置经验阈值为200,即上述每相邻帧差分图像中的异常像素点数量与红外图像面积占比大于等于面积占比阈值时,判断漏气非常严重,自动断电进行停电检修。
本发明针对红外检漏仪检测组合电器设备SF6气体泄漏场景中,红外图像存在光子白噪声干扰问题,由于现有的白噪声去噪方式例如空域滤波去噪、频域小波去噪等,前者无论是均值、高斯或中值滤波均是无差别平滑图像,几乎都会产生图像细节信息丢失问题;而后者则需要根据噪声高频的特性,利用低通滤波器进行去噪,而白噪声深度随机出现,因此滤波器的阈值调校难度较大,泄漏点较小时SF6气体泄出较少,本就识别难度较大,信息丢失后则更难捕获泄漏气体图像特征;
因此,本发明直接根据红外图像信息单一的特点与白噪声随机数的分布特征,通过估测噪声随机数的方式对噪声图像进行复原,提出通过局部最低灰度值获取预测随机数,通过预测随机数在变种统计直方图上与高斯拟合值的趋近程度评价预测随机数的真实度,筛选可信度较高的预测随机数,将其对应的原图像像素点进行复原,然后在其真实度确定可信的前提下,获得该区域噪声随机数估测均值,并根据其余未去噪复原像素点上的真实度归一化进行权重赋予,按照其真实度权重为每个未复原点重新分配随机数,然后将其去噪复原;
本发明相比于传统去噪算法而言,不存在无差别平滑图像、丢失图像细节的问题,且利用白噪声符合高斯分布的特点,对预估测的随机数可信度进行准确评估,进而将同区域内像素点分为两部分分别进行复原,使复原结果最大程度逼近实际值,去噪效果更好,预处理后图像信息最大程度保留,使后续泄漏气体的检测和参数获取更为准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种电子设备气体泄漏检测方法,其特征在于,该方法包括:
获取电子设备红外图并灰度化得到灰度图;
利用滑窗遍历灰度图,将每个像素点作为窗口内的中心像素点,利用每个窗口中心像素点的灰度值及该窗口中最低灰度值的差值得到每个像素点的预测随机数;
获取所有像素点的预测随机数的统计直方图,以分布概率最高的预测随机数为中轴,将中轴两侧的预测随机数按照分布概率由高到低进行排布,得到预测随机数的变种统计直方图;
对变种统计直方图进行高斯拟合,得到变种直方图中每个预测随机数对应的分布概率的拟合值,根据每个预测随机数对应的分布概率的拟合值和拟合前该预测随机数对应的分布概率的差异,得到每个预测随机数的可信度,并将可信度大于可信度阈值的预测随机数对应的像素点进行标记得到标记像素点;
利用超像素分割对灰度图分割得到多个区域;
根据每个区域中所有像素点灰度均值和标记像素点的灰度均值的差异,得到每个区域的噪声灰度的预测均值;
利用每个区域中噪声灰度的预测均值和该区域中非标记像素点的数量得到每个区域中非标记像素点的噪声灰度的预测总和,根据每个区域中非标记像素点的噪声灰度的预测总和和每个非标记像素点的预测随机数的可信度得到每个区域中每个非标记像素点的噪声灰度预测值;
利用每个区域中每个标记像素点的预测随机数和每个非标记像素点的噪声灰度预测值对该区域进行去噪,得到去噪后的灰度图,利用去噪后的灰度图判断电子设备是否发生气体泄露检测。
2.根据权利要求1所述的一种电子设备气体泄漏检测方法,其特征在于,所述利用每个区域中每个标记像素点的预测随机数和每个非标记像素点的噪声灰度预测值对该区域进行去噪的方法为:
对于每个标记像素点:将标记像素点的灰度值减去预测随机数;
对于每个非标记像素点:将每个非标记像素点的灰度值减去噪声预测灰度值。
3.根据权利要求1所述的一种电子设备气体泄漏检测方法,其特征在于,所述每个区域的噪声灰度的预测均值的获取方法为:
将每个区域内所有像素点的灰度均值减去所有标记像素点的灰度均值得到的差值,作为该区域的噪声灰度的预测均值。
4.根据权利要求1所述的一种电子设备气体泄漏检测方法,其特征在于,所述每个区域中每个非标记像素点的噪声灰度预测值的获取方法为:
将每个区域的噪声灰度的预测均值和该区域的非标记像素点的数量相乘,得到非标记像素点的噪声灰度的预测总和;
对每个非标记像素点的可信度进行归一化操作,得到可信度的归一化值;
将每个非标记像素点的可信度的归一化值作为权重和非标记像素点的噪声灰度的预测总和相乘,得到的值作为该非标记像素点的噪声灰度预测值。
5.根据权利要求1所述的一种电子设备气体泄漏检测方法,其特征在于,所述每个预测随机数的可信度的获取方法为:
获取每个预测随机数在预测随机数的统计直方图中的分布概率和该预测随机数在高斯拟合后的变种直方图中的分布概率的拟合值,将分布概率和分布概率的拟合值的差值进行归一化,将1减去归一化差值得到的值,作为该预测随机数的可信度。
6.根据权利要求1所述的一种电子设备气体泄漏检测方法,其特征在于,所述每个像素点的预测随机数的方法为:
将每个像素点为滑窗中心像素点,将窗口内的中心像素点灰度值和最低灰度值的差值作为每个像素点的预测随机数。
7.根据权利要求1所述的一种电子设备气体泄漏检测方法,其特征在于,所述利用去噪后的灰度图判断电子设备是否发生气体泄露检测的方法为:
获取连续多帧电子设备红外图像的灰度图去噪后的图像;
利用相邻帧差法获取差分图,当差分图中同一位置像素点的灰度值差异大于差异阈值时,像素点异常;
根据所有异常像素点得到泄漏气体的差分区域;
当连续帧的差分区域内异常像素点的面积占比大于等于占比阈值时,漏气严重,自动断电进行检修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310103754.9A CN115797641B (zh) | 2023-02-13 | 2023-02-13 | 一种电子设备气体泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310103754.9A CN115797641B (zh) | 2023-02-13 | 2023-02-13 | 一种电子设备气体泄漏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797641A CN115797641A (zh) | 2023-03-14 |
CN115797641B true CN115797641B (zh) | 2023-04-07 |
Family
ID=85430961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310103754.9A Active CN115797641B (zh) | 2023-02-13 | 2023-02-13 | 一种电子设备气体泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797641B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965773B (zh) * | 2023-03-16 | 2023-05-16 | 深圳市特安电子有限公司 | 基于物联网大数据的气体泄漏检测系统 |
CN116152231B (zh) * | 2023-04-17 | 2023-07-14 | 卡松科技股份有限公司 | 基于图像处理的润滑油内杂质检测方法 |
CN116342891B (zh) * | 2023-05-24 | 2023-08-15 | 济南科汛智能科技有限公司 | 一种适用于自闭症儿童结构化教学监控数据管理系统 |
CN116823839B (zh) * | 2023-08-31 | 2023-12-01 | 梁山中维热力有限公司 | 基于热红外图像的管道泄漏检测方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2018203479A1 (ja) * | 2017-05-02 | 2018-11-08 | コニカミノルタ株式会社 | ガス検知用画像処理装置、ガス検知用画像処理方法、及び、ガス検知用画像処理プログラム |
CN112444521A (zh) * | 2020-10-23 | 2021-03-05 | 广西电网有限责任公司电力科学研究院 | 一种sf6泄露监测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7505604B2 (en) * | 2002-05-20 | 2009-03-17 | Simmonds Precision Prodcuts, Inc. | Method for detection and recognition of fog presence within an aircraft compartment using video images |
KR101086142B1 (ko) * | 2010-02-02 | 2011-11-25 | 한국수력원자력 주식회사 | 카메라 영상신호를 이용한 누설판별 방법 및 시스템 |
-
2023
- 2023-02-13 CN CN202310103754.9A patent/CN115797641B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2018203479A1 (ja) * | 2017-05-02 | 2018-11-08 | コニカミノルタ株式会社 | ガス検知用画像処理装置、ガス検知用画像処理方法、及び、ガス検知用画像処理プログラム |
CN112444521A (zh) * | 2020-10-23 | 2021-03-05 | 广西电网有限责任公司电力科学研究院 | 一种sf6泄露监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115797641A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797641B (zh) | 一种电子设备气体泄漏检测方法 | |
US6888564B2 (en) | Method and system for estimating sharpness metrics based on local edge kurtosis | |
CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
US20090123074A1 (en) | Smoke detection method based on video processing | |
CN111723644A (zh) | 一种监控视频遮挡检测方法及系统 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN108765407A (zh) | 一种人像图片质量判定方法及装置 | |
CN114298948A (zh) | 基于PSPNet-RCNN的球机监控异常检测方法 | |
CN115966063A (zh) | 一种气体泄漏红外成像自动报警方法 | |
CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
CN117333776A (zh) | VOCs气体泄漏检测方法、装置及存储介质 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
KR20080079798A (ko) | 얼굴 검출 및 인식을 위한 방법 | |
Dai et al. | Leakage region detection of gas insulated equipment by applying infrared image processing technique | |
CN113902694A (zh) | 一种基于动静结合的目标检测方法 | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
JP6457728B2 (ja) | 層流煙検出装置および層流煙検出方法 | |
CN112634299A (zh) | 一种排除飞虫干扰的遗留物检测方法 | |
CN115346162B (zh) | 基于室内监控的地下建筑墙体渗水实时监测方法 | |
CN116385414B (zh) | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 | |
CN117079197B (zh) | 一种智慧工地管理方法及系统 | |
CN113689399B (zh) | 一种用于电网识别遥感图像处理方法及系统 | |
CN115578359B (zh) | 一种基于生成对抗网络与无缺陷图像度量的少样本缺陷检测方法、系统、装置以及存储介质 | |
CN116824501A (zh) | 一种基于图像识别技术的火源识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |