CN117274722B - 基于红外图像的配电箱智能检测方法 - Google Patents

基于红外图像的配电箱智能检测方法 Download PDF

Info

Publication number
CN117274722B
CN117274722B CN202311549181.9A CN202311549181A CN117274722B CN 117274722 B CN117274722 B CN 117274722B CN 202311549181 A CN202311549181 A CN 202311549181A CN 117274722 B CN117274722 B CN 117274722B
Authority
CN
China
Prior art keywords
pixel point
target pixel
target
gray
pixel 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.)
Active
Application number
CN202311549181.9A
Other languages
English (en)
Other versions
CN117274722A (zh
Inventor
张华旭
周通
随向前
周罗鹏
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.)
Liruite Electric Co ltd
Shenzhen Yonghuayu Electronics Co ltd
Original Assignee
Liruite Electric Co ltd
Shenzhen Yonghuayu Electronics 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 Liruite Electric Co ltd, Shenzhen Yonghuayu Electronics Co ltd filed Critical Liruite Electric Co ltd
Priority to CN202311549181.9A priority Critical patent/CN117274722B/zh
Publication of CN117274722A publication Critical patent/CN117274722A/zh
Application granted granted Critical
Publication of CN117274722B publication Critical patent/CN117274722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于红外图像的配电箱智能检测方法，包括：获取目标像素点和第一真实边缘像素点，获取目标像素点相邻图像块中灰度值的波动程度；获取目标像素点的分布均匀性；根据每个目标像素点相邻图像块中灰度值的波动程度和分布均匀性确定出所有目标像素点中的第二真实边缘像素点，利用第一真实边缘像素点和第二真实边缘像素点对灰度图像进行划分得到目标区域；根据目标区域获取配电箱的异常程度。本发明使配电箱异常检测结果更加准确。

Description

基于红外图像的配电箱智能检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于红外图像的配电箱智能检测方法。
背景技术
目前，配电箱作为电力系统中常用的电力设备，其具有体积小、安装简便，配置功能独特，应用比较普遍，操作稳定可靠；然而，对于现有的配电箱而言，由于配电箱在运行的过程中可能会因为各种线路故障导致其出现漏电的现象，在配电箱漏电的情况下，导致配电箱内的温度升高，若工作人员此时需要检查或者维修配电箱，或者其他人触碰到配电箱，则会对他们的人身安全造成伤害；为了确保工作人员的人身安全，目前在对配电箱进行检测时需要采用红外检测仪对配电箱的红外图像进行检测，然后对配电箱的红外图像进行分割，得到多个图像区域，对每个图像区域中像素点的像素值进行分析，判断配电箱是否存在异常，但是该方法在进行红外图像分割时，利用传统阈值分割方法，通常会因为阈值选取不当导致最终所得图像区域不准确，因此，利用图像区域中像素点的像素值获取配电箱是否存在异常的结果不准确。
发明内容
本发明提供基于红外图像的配电箱智能检测方法，以解决现有的配电箱异常检测不准确的问题。
本发明的基于红外图像的配电箱智能检测方法，采用如下技术方案：
获取配电箱的红外图像的灰度图像，获取灰度图像的边缘像素点集合，对灰度图像进行分割得到多个图像块，获取所有图像块的边界像素点集合；
获取边缘像素点集合及边界像素点集合中的目标像素点和第一真实边缘像素点；
获取每个目标像素点的所有相邻图像块，根据每个目标像素点的每个相邻图像块中与该目标像素点灰度值相同的像素点的个数、与该目标像素点灰度值相同的像素点在对应相邻图像块中的位置、对应相邻图像块中像素点的个数得到该目标像素点相邻图像块中灰度值的波动程度；
以每个目标像素点为窗口的中心像素点，获取窗口内的不同方向上与该目标像素点灰度值相同的像素点个数、与该目标像素点灰度值不同的像素点个数，并得到该目标像素点的分布均匀性；
根据每个目标像素点相邻图像块中灰度值的波动程度和对应目标像素点的分布均匀性确定出所有目标像素点中的第二真实边缘像素点，利用第一真实边缘像素点和第二真实边缘像素点对灰度图像进行划分得到目标区域；
根据每个目标区域的灰度共生矩阵的熵，以及该目标区域的灰度均值构建该目标区域的特征向量；
根据每个目标区域的特征向量、在灰度图像中的位置和像素点的个数得到配电箱的异常程度。
进一步的，目标像素点相邻图像块中灰度值的波动程度是按如下方法确定的：
目标像素点每个相邻图像块中灰度值的波动程度的具体表达式为：
式中：表示目标像素点第/>个相邻图像块中灰度值的波动程度；/>表示目标像素点的第/>个相邻图像块中，与该目标像素点灰度值相同像素点的个数；/>表示目标像素点的第/>个相邻图像块中，第/>个与该目标像素点灰度值相同像素点到该目标像素点的欧式距离；/>表示目标像素点的第/>个相邻图像块中像素点的个数，/>为自然常数；
利用目标像素点相邻图像块中灰度值的波动程度的具体表达式，计算该目标像素点在每个相邻图像块中的波动程度，并将该目标像素点在每个相邻图像块中的波动程度的方差作为该目标像素点相邻图像块中灰度值的波动程度。
进一步的，目标像素点的分布均匀性的具体表达式为：
式中：表示第/>个目标像素点的分布均匀性；/>表示方向的个数；/>表示以第/>个目标像素点为中心的窗口内，第/>个方向上与第/>个目标像素点灰度值相同的像素点个数；/>表示以第/>个目标像素点为中心的窗口内，第/>个方向上与第/>个目标像素点灰度值不同的像素点个数；/>表示/>的指数函数。
进一步的，第二真实边缘像素点是按如下方法确定的：
设置调和参数；以每个目标像素点相邻图像块中灰度值的波动程度作为分子，以每个目标像素点的分布均匀性与调和参数的和，作为分母；将分子分母的比值作为对应目标像素点为第二真实边缘像素点的可信度；
设置可信度阈值；将每个目标像素点为第二真实边缘像素点的可信度与可信度阈值进行比较，当该目标像素点为第二真实边缘像素点的可信度大于可信度阈值时，该目标像素点为第二真实边缘像素点。
进一步的，得到配电箱的异常程度的方法是：
将所有目标区域中像素点个数最多的目标区域，作为正常区域；将除正常区域外的其他目标区域作为疑似异常区域；
获取正常区域的特征向量和每个疑似异常区域的特征向量之间的欧式距离，并进行累加得到累加和；
将所有疑似异常区域中像素点的总个数与累加和的乘积作为配电箱的异常程度。
进一步的，得到灰度图像中的目标像素点和第一真实边缘像素点的方法是：
获取边缘像素点集合和边界像素点集合的交集；
将交集中的像素点作为灰度图像中的第一真实边缘像素点，将边缘像素点集合和边界像素点集合中，除所述交集中的像素点外的其余像素点作为目标像素点。
进一步的，利用超像素分割对灰度图像进行分割，得到多个图像块。
本发明的有益效果是：获取配电箱的红外图像的灰度图像，获取灰度图像的边缘像素点集合，对灰度图像进行分割得到多个图像块，获取所有图像块的边界像素点集合，获取边缘像素点集合及边界像素点集合中的目标像素点和第一真实边缘像素点；由于本发明要对灰度图像分区域，因此，该过程首先获取了边界像素点集合和边缘像素点集合，并确定出了第一真实像素点；获取每个目标像素点的所有相邻图像块，根据每个目标像素点的每个相邻图像块中与该目标像素点灰度值相同的像素点的个数、与该目标像素点灰度值相同的像素点在对应相邻图像块中的位置、对应相邻图像块中像素点的个数得到该目标像素点相邻图像块中灰度值的波动程度，以每个目标像素点为窗口的中心像素点，获取窗口内的不同方向上与该目标像素点灰度值相同的像素点个数、与该目标像素点灰度值不同的像素点个数，并得到该目标像素点的分布均匀性；该过程利用目标像素点的相邻图像块内像素点的灰度分布，得到了目标像素点相邻图像块中灰度值的波动程度，利用以每个目标像素点为中心的窗口内多个方向上的灰度分布，得到了目标像素点的分布均匀性，便于后续根据这两个参量获取目标像素点中的第二真实边缘像素点，且利用两个参量获取目标像素点中的第二真实边缘像素点，更加准确；基于此，根据第一真实边缘像素点和第二真实边缘像素点对灰度图像进行划分得到目标区域，此时，所得目标区域相较于直接阈值分割所得的区域更加准确，进而根据目标区域获取的配电箱的异常程度更加准确。
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为本发明的基于红外图像的配电箱智能检测方法的实施例的流程图。
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。
本发明的基于红外图像的配电箱智能检测方法的实施例，如图1所示，包括：
S1、获取配电箱的红外图像的灰度图像，获取灰度图像的边缘像素点集合，对灰度图像进行分割得到多个图像块，获取所有图像块的边界像素点集合。
设置图像采集设备，采集配电箱的红外图像，具体的是，采用红外热像仪对配电箱体进行图像采集，红外热像仪为本领域的公知设备，通过其能够对配电箱的红外图像进行采集，具体的是工作人员在对配电箱进行检测时，通过工作人员手持红外热像仪的探测器对配电箱进行红外探测，或者将红外热像仪固定在配电箱箱体附近，朝向配电箱设置，以实时采集配电箱的红外图像。应当理解，所述红外热像仪用于对配电箱进行图像采集，红外热像仪的具体部署及视角实施者可根据实际情况自行设定。
将得到的配电箱红外图像转化为灰度图像，采用索贝尔算子（Sobel）对灰度图像进行边缘检测，得到边缘图像，并得到灰度图像的边缘像素点集合，其中，Sobel边缘检测算子所检测到的边缘像素点的灰度值为1，Sobel边缘检测为现有技术，本发明不再阐述。
为了使后续获取的目标区域更加准确，本发明对灰度图像进行超像素分割得到多个图像块，获取所有图像块对应的边界像素点，组成边界像素点集合，超像素分割为现有技术，本发明不再阐述。
S2、获取边缘像素点集合及边界像素点集合中的目标像素点和第一真实边缘像素点；获取每个目标像素点的所有相邻图像块，根据每个目标像素点的每个相邻图像块中与该目标像素点灰度值相同的像素点的个数、与该目标像素点灰度值相同的像素点在对应相邻图像块中的位置、对应相邻图像块中像素点的个数得到该目标像素点相邻图像块中灰度值的波动程度。
具体的是，获取边缘像素点集合和边界像素点集合的交集，将交集中的像素点作为灰度图像中的第一真实边缘像素点，将边缘像素点集合和边界像素点集合中，除所述交集中的像素点外的其余像素点作为目标像素点；或将每个图像块中边界像素点的灰度值设置为1，其余像素点的灰度值设置为0，将设置灰度值后的图像块记为超像素图像块，将边缘图像与每个超像素块图像进行相乘，即边缘图像与每个超像素块图像中对应位置处像素点的灰度值相乘，得到边缘像素点初步判定图，将边缘像素点初步判定图中灰度值为1的像素点标记为第一真实边缘像素点；将边缘像素点集合和边界像素点集合中，除第一真实边缘像素点外的其余像素点作为目标像素点。其中，边缘图像和灰度图像尺寸一致，像素点位置信息也一一对应。
对于目标像素点，本发明需要对其进一步分析，确定出目标像素点中的第二真实边缘像素点，根据所有真实边缘像素点准确的划分出配电箱的各个区域。由于目标像素点由边缘图像的边缘像素点和每个图像块的边界像素点组成，因此，目标像素点相邻的图像块中灰度信息差异较大，目标像素点的局部灰度波动较高，目标像素点的局部灰度波动较高，该目标像素点越有可能为第二真实边缘像素点，因此，根据每个目标像素点的每个相邻图像块中与该目标像素点灰度值相同的像素点的个数、与该目标像素点灰度值相同的像素点在对应相邻图像块中的位置（可用于计算欧氏距离）、对应相邻图像块中像素点的个数得到该目标像素点相邻图像块中灰度值的波动程度，该波动程度表征目标像素点邻域内的灰度波动，目标像素点相邻图像块中灰度值的波动程度的具体表达式为：
式中：表示目标像素点第/>个相邻图像块中灰度值的波动程度；/>表示目标像素点的第/>个相邻图像块中，与该目标像素点灰度值相同像素点的个数；/>表示目标像素点的第/>个相邻图像块中，第/>个与该目标像素点灰度值相同像素点到该目标像素点的欧式距离；/>表示目标像素点的第/>个相邻图像块中像素点的个数，/>为自然常数。
其中，表示目标像素点的第/>个相邻图像块中，与目标像素点灰度值相同的像素点的占比，该值越大，说明该目标像素点相邻图像块中灰度值的波动程度越小，因此，利用/>的负指数函数对/>进行反比例映射，使得/>越大时，/>越小，此时目标像素点相邻图像块中灰度值的波动程度越小；/>表示与该目标像素点灰度值相同像素点，到该目标像素点的欧式距离的均值，欧式距离越大，则该目标像素点的局部灰度波动较大，因此，该均值越大，则该目标像素点第/>个相邻图像块中灰度值的波动程度越大，基于此，越大，则第/>个目标像素点相邻图像块中灰度值的波动程度越大。
利用目标像素点相邻图像块中灰度值的波动程度的具体表达式，计算该目标像素点在每个相邻图像块中的波动程度，并将该目标像素点在每个相邻图像块中的波动程度的方差作为该目标像素点相邻图像块中灰度值的波动程度。其中方差的计算公式为，其中N为目标像素点相邻图像块总数量，/>为目标像素点的所有相邻图像块中灰度值的波动程度均值，/>为第/>个目标像素点的相邻图像块中的波动程度的方差，方差计算为现有技术，本发明不再赘述。
至此，得到每个目标像素点相邻图像块中灰度值的波动程度。
S3、以每个目标像素点为窗口的中心像素点，获取窗口内的不同方向上与该目标像素点灰度值相同的像素点个数、与该目标像素点灰度值不同的像素点个数，并得到该目标像素点的分布均匀性。
只通过波动程度判断目标像素点是否为第二真实边缘像素点不够准确，因此，本发明根据目标像素点的邻域内像素点的分布，判断目标像素点的分布均匀性，目标像素点分布越不均匀，则目标像素点越有可能是第二真实边缘像素点，因此，获取以每个目标像素点为中心的大小的窗口，利用以每个目标像素点为中心的窗口内多个方向上，与该目标像素点灰度值相同的像素点个数，以及与目标像素点灰度值不同的像素点个数得到该目标像素点的分布均匀性，目标像素点的分布均匀性的具体表达式为：
式中：表示第/>个目标像素点的分布均匀性；/>表示方向的个数；/>表示以第/>个目标像素点为中心的窗口内，第/>个方向上与第/>个目标像素点灰度值相同的像素点个数；/>表示以第/>个目标像素点为中心的窗口内，第/>个方向上与第/>个目标像素点灰度值不同的像素点个数；/>表示/>的指数函数。优选的，多个方向分别为0°、90°、180°、270°，0°代表水平方向。
其中，表示以第/>个目标像素点为中心的窗口内第/>个方向上与第/>个目标像素点灰度值相同的像素点个数，与第/>个目标像素点灰度值相同的像素点的个数越多，则该目标像素点的分布均匀性越高，反之，/>越大，即与第/>个目标像素点灰度值不同的像素点的个数越多，则该目标像素点的分布均匀性越低，因此，当/>越小时，/>的值越大，此时该目标像素点的分布均匀性越高，使得公式量化趋势统一，因此，对每个方向上的值进行累加得到该目标像素点的分布均匀性。据此，可得到每个目标像素点的分布均匀性。
至此，得到每个目标像素点的分布均匀性。
S4、根据每个目标像素点相邻图像块中灰度值的波动程度和对应目标像素点的分布均匀性确定出所有目标像素点中的第二真实边缘像素点，利用第一真实边缘像素点和第二真实边缘像素点对灰度图像进行划分得到目标区域。
具体的是，设置调和参数；以每个目标像素点相邻图像块中灰度值的波动程度作为分子，以每个目标像素点的分布均匀性与调和参数的和，作为分母；将分子分母的比值作为对应目标像素点为真实边缘点的可信度。目标像素点为真实边缘点的可信度的具体表达式为：
式中：表示第/>个目标像素点为真实边缘点的可信度，/>表示第/>个目标像素点相邻图像块中灰度值的波动程度，/>表示第/>个目标像素点的分布均匀性，/>为调和参数，/>。
其中，表示第/>个目标像素点相邻图像块中灰度值的波动程度，/>表示第/>个目标像素点的分布均匀性，当波动程度越大时，该目标像素点为真实边缘点的可信度越大，当目标像素点的分布均匀性越小时，则该目标像素点为真实边缘点的可信度越大，/>为调和参数，为了保证分母不为0，因此，/>越大，则该目标像素点为真实边缘点的可信度越大。据此，可得到每个目标像素点为真实边缘点的可信度。
至此，得到了每个目标像素点为真实边缘点的可信度，设置可信度阈值为0.75；将每个目标像素点为真实边缘点的可信度与可信度阈值进行比较，当该目标像素点为真实边缘点的可信度大于可信度阈值时，该目标像素点为第二真实边缘像素点。据此，根据第一真实边缘像素点和第二真实边缘像素点得到灰度图像中的所有真实边缘像素点。
至此，得到了灰度图像中的所有真实边缘像素点，利用灰度图像中的所有真实边缘像素点对灰度图像进行区域划分，得到目标区域。
S5、根据每个目标区域的灰度共生矩阵的熵，以及该目标区域的灰度均值构建该目标区域的特征向量。
获取每个目标区域的灰度共生矩阵，并得到每个灰度共生矩阵对应的熵，用于对每个目标区域内的结构纹理分布状况进行表征，熵越大，该目标区域内部的纹理分布越复杂，越无规律；获取每个目标区域的灰度均值，利用每个目标区域的灰度共生矩阵的熵和对应目标区域的灰度均值/>，构建该目标区域的特征向量，具体表示为，其中/>表示目标区域的个数。
S6、根据每个目标区域的特征向量、在灰度图像中的位置和像素点的个数得到配电箱的异常程度。
具体的是，将所有目标区域中像素点个数最多的目标区域，作为正常区域；将除正常区域外的其他目标区域作为疑似异常区域；获取正常区域的特征向量和每个疑似异常区域的特征向量之间的欧式距离，并进行累加得到累加和；根据所有疑似异常区域中像素点的总个数与累加和的乘积得到配电箱的异常程度，其中，配电箱的异常程度的具体表达式为：
式中：表示配电箱的异常程度，/>表示第/>个疑似异常区域中像素点的个数，/>表示正常区域的特征向量，/>表示第/>个疑似异常区域的特征向量，/>表示疑似异常区域的个数。
其中，疑似异常区域中像素点的个数越多，表明疑似异常区域面积越大，则配电箱的异常程度越大；表示正常区域的特征向量，与第/>个疑似异常区域的特征向量的欧式距离，该欧式距离表示了配电箱正常区域与疑似异常区域的特征差异，欧式距离越大，则配电箱的异常程度越大，因此，/>越大，则配电箱越异常。
设置异常程度阈值为0.45，当配电箱的异常程度大于异常程度阈值时，则认为配电箱运行过程中存在温度异常，说明配电箱中存在安全隐患，则可以输出相关的信号，该信号可以直接由报警器执行，使得报警器输出报警信号，或者该信号发送至工作人员，然后工作人员可以采取相关的安全措施，以解决配电箱存在的安全隐患，比如先对配电箱进行断电，然后进行开箱检测，以排查故障，确保工作人员的生命安全。
综上所述，本发明的有益效果是：获取配电箱的红外图像的灰度图像，获取灰度图像的边缘像素点集合，对灰度图像进行分割得到多个图像块，获取所有图像块的边界像素点集合，获取边缘像素点集合及边界像素点集合中的目标像素点和第一真实边缘像素点；由于本发明要对灰度图像分区域，因此，该过程首先获取了边界像素点集合和边缘像素点集合，并确定出了第一真实像素点；获取每个目标像素点的所有相邻图像块，根据每个目标像素点的每个相邻图像块中与该目标像素点灰度值相同的像素点的个数、与该目标像素点灰度值相同的像素点在对应相邻图像块中的位置、对应相邻图像块中像素点的个数得到该目标像素点相邻图像块中灰度值的波动程度，以每个目标像素点为窗口的中心像素点，获取窗口内的不同方向上与该目标像素点灰度值相同的像素点个数、与该目标像素点灰度值不同的像素点个数，并得到该目标像素点的分布均匀性；该过程利用目标像素点的相邻图像块内像素点的灰度分布，得到了目标像素点相邻图像块中灰度值的波动程度，利用以每个目标像素点为中心的窗口内多个方向上的灰度分布，得到了目标像素点的分布均匀性，便于后续根据这两个参量获取目标像素点中的第二真实边缘像素点，且利用两个参量获取目标像素点中的第二真实边缘像素点，更加准确；基于此，根据第一真实边缘像素点和第二真实边缘像素点对灰度图像进行划分得到目标区域，此时，所得目标区域相较于直接阈值分割所得的区域更加准确，进而根据目标区域获取的配电箱的异常程度更加准确。
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.基于红外图像的配电箱智能检测方法，其特征在于，包括：
获取配电箱的红外图像的灰度图像，获取灰度图像的边缘像素点集合，对灰度图像进行分割得到多个图像块，获取所有图像块的边界像素点集合；
获取边缘像素点集合及边界像素点集合中的目标像素点和第一真实边缘像素点；
获取每个目标像素点的所有相邻图像块，根据每个目标像素点的每个相邻图像块中与该目标像素点灰度值相同的像素点的个数、与该目标像素点灰度值相同的像素点在对应相邻图像块中的位置、对应相邻图像块中像素点的个数得到该目标像素点相邻图像块中灰度值的波动程度；
以每个目标像素点为窗口的中心像素点，获取窗口内的不同方向上与该目标像素点灰度值相同的像素点个数、与该目标像素点灰度值不同的像素点个数，并得到该目标像素点的分布均匀性；
根据每个目标像素点相邻图像块中灰度值的波动程度和对应目标像素点的分布均匀性确定出所有目标像素点中的第二真实边缘像素点，利用第一真实边缘像素点和第二真实边缘像素点对灰度图像进行划分得到目标区域；
根据每个目标区域的灰度共生矩阵的熵，以及该目标区域的灰度均值构建该目标区域的特征向量；
根据每个目标区域的特征向量、在灰度图像中的位置和像素点的个数得到配电箱的异常程度。
2.根据权利要求1所述的基于红外图像的配电箱智能检测方法，其特征在于，目标像素点相邻图像块中灰度值的波动程度是按如下方法确定的：
目标像素点每个相邻图像块中灰度值的波动程度的具体表达式为：
式中：表示目标像素点第/>个相邻图像块中灰度值的波动程度；/>表示目标像素点的第/>个相邻图像块中，与该目标像素点灰度值相同像素点的个数；/>表示目标像素点的第个相邻图像块中，第/>个与该目标像素点灰度值相同像素点到该目标像素点的欧式距离；表示目标像素点的第/>个相邻图像块中像素点的个数，/>为自然常数；
利用目标像素点相邻图像块中灰度值的波动程度的具体表达式，计算该目标像素点在每个相邻图像块中的波动程度，并将该目标像素点在每个相邻图像块中的波动程度的方差作为该目标像素点相邻图像块中灰度值的波动程度。
3.根据权利要求1所述的基于红外图像的配电箱智能检测方法，其特征在于，目标像素点的分布均匀性的具体表达式为：
式中：表示第/>个目标像素点的分布均匀性；/>表示方向的个数；/>表示以第/>个目标像素点为中心的窗口内，第/>个方向上与第/>个目标像素点灰度值相同的像素点个数；/>表示以第/>个目标像素点为中心的窗口内，第/>个方向上与第/>个目标像素点灰度值不同的像素点个数；/>表示/>的指数函数。
4.根据权利要求1所述的基于红外图像的配电箱智能检测方法，其特征在于，第二真实边缘像素点是按如下方法确定的：
设置调和参数；以每个目标像素点相邻图像块中灰度值的波动程度作为分子，以每个目标像素点的分布均匀性与调和参数的和，作为分母；将分子分母的比值作为对应目标像素点为第二真实边缘像素点的可信度；
设置可信度阈值；将每个目标像素点为第二真实边缘像素点的可信度与可信度阈值进行比较，当该目标像素点为第二真实边缘像素点的可信度大于可信度阈值时，该目标像素点为第二真实边缘像素点。
5.根据权利要求1所述的基于红外图像的配电箱智能检测方法，其特征在于，得到配电箱的异常程度的方法是：
将所有目标区域中像素点个数最多的目标区域，作为正常区域；将除正常区域外的其他目标区域作为疑似异常区域；
获取正常区域的特征向量和每个疑似异常区域的特征向量之间的欧式距离，并进行累加得到累加和；
将所有疑似异常区域中像素点的总个数与累加和的乘积作为配电箱的异常程度。
6.根据权利要求1所述的基于红外图像的配电箱智能检测方法，其特征在于，得到灰度图像中的目标像素点和第一真实边缘像素点的方法是：
获取边缘像素点集合和边界像素点集合的交集；
将交集中的像素点作为灰度图像中的第一真实边缘像素点，将边缘像素点集合和边界像素点集合中，除所述交集中的像素点外的其余像素点作为目标像素点。
7.根据权利要求1所述的基于红外图像的配电箱智能检测方法，其特征在于，利用超像素分割对灰度图像进行分割，得到多个图像块。
CN202311549181.9A 2023-11-21 2023-11-21 基于红外图像的配电箱智能检测方法 Active CN117274722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311549181.9A CN117274722B (zh) 2023-11-21 2023-11-21 基于红外图像的配电箱智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311549181.9A CN117274722B (zh) 2023-11-21 2023-11-21 基于红外图像的配电箱智能检测方法

Publications (2)

Publication Number Publication Date
CN117274722A CN117274722A (zh) 2023-12-22
CN117274722B true CN117274722B (zh) 2024-01-26

Family

ID=89202952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311549181.9A Active CN117274722B (zh) 2023-11-21 2023-11-21 基于红外图像的配电箱智能检测方法

Country Status (1)

Country Link
CN (1) CN117274722B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117520103B (zh) * 2024-01-08 2024-04-26 广州大一互联网络科技有限公司 基于热成像的数据中心机房温度监控方法
CN117541484B (zh) * 2024-01-09 2024-05-14 巨野县龙祥面粉有限公司 一种用于面粉麸星检测的图像增强方法
CN117686096B (zh) * 2024-01-30 2024-04-16 大连云智信科技发展有限公司 一种基于目标检测的畜禽动物体温检测方法
CN117934458B (zh) * 2024-03-21 2024-06-14 武汉市豪迈电力自动化技术有限责任公司 基于短共享电力无线通信的智能电网安全防护方法
CN118310719A (zh) * 2024-04-15 2024-07-09 深圳市咏华宇电子有限公司 基于图像处理的发光二极管照明质量检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN115439474A (zh) * 2022-11-07 2022-12-06 山东天意机械股份有限公司 一种电力设备故障快速定位方法
CN116309579A (zh) * 2023-05-19 2023-06-23 惠州市宝惠电子科技有限公司 一种用图像处理的变压器焊缝质量检测方法
CN116843688A (zh) * 2023-09-01 2023-10-03 山东虹纬纺织有限公司 一种纺织品质量视觉检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108387587B (zh) * 2018-01-22 2020-07-31 京东方科技集团股份有限公司 缺陷检测方法及缺陷检测设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN115439474A (zh) * 2022-11-07 2022-12-06 山东天意机械股份有限公司 一种电力设备故障快速定位方法
CN116309579A (zh) * 2023-05-19 2023-06-23 惠州市宝惠电子科技有限公司 一种用图像处理的变压器焊缝质量检测方法
CN116843688A (zh) * 2023-09-01 2023-10-03 山东虹纬纺织有限公司 一种纺织品质量视觉检测方法

Also Published As

Publication number Publication date
CN117274722A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN117274722B (zh) 基于红外图像的配电箱智能检测方法
CN110458157B (zh) 一种电力电缆生产过程智能监控系统
CN116934740B (zh) 基于图像处理的塑料模具表面缺陷分析检测方法
CN116721107B (zh) 一种电缆生产质量智能监控系统
CN108537170A (zh) 一种电力设备固件无人机巡检销钉缺失检测方法
CN113591597B (zh) 一种基于热成像的智慧治安信息系统
CN108198171A (zh) 一种基于服务器表面热状态的运行状态诊断的方法
CN115802027B (zh) 基于图像处理的在线监控设备运行异常检测方法
CN110728212B (zh) 一种基于计算机视觉的道路井盖监控装置及监控方法
CN111862073A (zh) 一种电力设备的温度采集方法和装置
CN112669287A (zh) 基于图像识别的电气设备温度监测方法
CN109596226B (zh) 用于红外热成像测温系统的黑体异常检测方法、装置、设备及系统
Liu et al. An efficient algorithm for server thermal fault diagnosis based on infrared image
CN118261821A (zh) 一种用于动物疫病监测的红外图像采集及预警系统
CN112734637B (zh) 一种导线温度监测的热红外图像处理方法和系统
CN115855961B (zh) 一种用于运行中的配电箱故障检测方法
JP2011215806A (ja) 煙検出装置
CN116718125A (zh) 线路感应取电覆冰和防外破图像在线监测方法及装置
CN113516091B (zh) 一种识别变电站电火花图像的方法
CN109345788A (zh) 一种基于视觉特征的监控预警系统
CN115077722A (zh) 一种应用于高压柜的局放和温度综合监测系统及方法
CN110930362B (zh) 一种螺钉安全检测方法、装置及系统
CN103337076B (zh) 视频监控目标出现范围确定方法和装置
CN114323302A (zh) 一种氧化锌避雷器故障智能识别方法
CN106980863A (zh) 一种变电站视频监控中的设备异常诊断模型

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