CN117392130B - 基于红外图像的在线故障诊断系统 - Google Patents

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在线故障诊断系统，包括：采集输电线路的红外图像；根据灰度均值分割获得初始高热区域；获得初始高热区域的种子点和初始生长阈值；使用种子点和初始生长阈值进行迭代生长后，通过生长区域的边缘像素点邻域关系获得每次迭代的生长阈值；根据每次迭代生长的区域变化获得每次迭代生长的停止系数；根据初始高热区域每次迭代生长的生长阈值和每次迭代生长的停止系数获得目标高热区域，用于输电线路的在线故障诊断。本发明旨在解决故障高热零件与其他正常高热零件之间在红外图像中边缘过渡平滑导致在线诊断存在误差的问题，通过精确分割提高了在线故障诊断的精准度。

Description

基于红外图像的在线故障诊断系统

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在线故障诊断系统。

背景技术

输电线路在传输特高压电时由于线路存在内阻使得零件会产生热能，过高的热能堆积会降低线路绝缘零件的使用寿命，导致输电线路的绝缘零件失效甚至导致漏电安全事故的发生，因此目前针对输电线路的安全诊断方法主要是采集实时输电线路零件的红外图像用于反映工作的温度，传输到在线诊断模块后将红外图像使用分割得到高热区域，进而通过对高温区域使用神经网络获得每个输电线路零件的热辐射等级，根据热辐射等级大小确定是否存在故障高温的零件。

目前针对红外图像的分割方法主要是使用阈值分割或最大类间方差法分割从而获得高热区域，但由于输电线路零件较大温度不均匀并且不同输电线路零件之间存在故障温度不同的问题，导致故障高热零件与其他正常高热零件之间在红外图像中边缘过渡平滑，通过阈值分割或最大类间方差法无法将准确的高热区域准确分割，造成使用神经网络对输电线路零件的热辐射等级划分存在误差的问题。

发明内容

本发明提供基于红外图像的在线故障诊断系统，以解决现有的故障高热零件与其他正常高热零件之间在红外图像中边缘过渡平滑，通过阈值分割或最大类间方差法无法将准确的高热区域准确分割，造成使用神经网络对输电线路零件的热辐射等级划分存在误差的问题。

本发明的基于红外图像的在线故障诊断系统采用如下技术方案：

本发明一个实施例提供了基于红外图像的在线故障诊断系统，该系统包括以下模块：

红外图像采集模块：用于采集输电线路红外图像；

高热区域提取模块：用于使用红外图像的灰度均值对红外图像进行分割获得红外图像的所有初始高热区域；获得每个初始高热区域的种子点；根据每个初始高热区域内像素点之间的灰度值差异获得每个初始高热区域的初始生长阈值；使用每个初始高热区域的种子点和初始生长阈值进行区域生长，所述区域生长包括若干次迭代生长，根据每个初始高热区域每次迭代生长的边缘像素点邻域内像素点灰度值获得每个初始高热区域每次迭代生长的生长阈值；根据每个初始高热区域每次迭代生长后区域的变化获得每次迭代生长的停止系数；根据每个初始高热区域每次迭代生长的生长阈值和停止系数进行区域生长获得每个初始高热区域的目标高热区域；

在线故障诊断模块：用于将每个初始高热区域的目标高热区域输入到在线故障检测神经网络获得检测结果，根据检测结果判断输电线路是否存在故障。

进一步的，所述获得每个初始高热区域的种子点包括：

将每个初始高热区域的形心作为每个初始高热区域的种子点。

进一步的，所述获得每个初始高热区域的初始生长阈值包括：

获取第个初始高热区域/>的所有优选像素点；

对于第个初始高热区域/>中第/>个优选像素点，在第/>个初始高热区域/>中第/>个优选像素点的8邻域范围内，获得第/>个优选像素点与8邻域范围内每个优选像素点的灰度值差值的绝对值，所有绝对值结果构成第/>个优选像素点的灰度值差值序列；获取第/>个初始高热区域/>中所有优选像素点的灰度值差值序列，选取所有优选像素点的灰度值差值序列中，最大的差值记为第/>个初始高热区域/>的初始生长阈值。

进一步的，所述优选像素点的获取方式包括：

预设优选阈值，当第/>个初始高热区域/>中第/>个像素点的选取必要性/>满足时，将第/>个初始高热区域/>中第/>个像素点记为第/>个初始高热区域/>的一个优选像素点；使用优选阈值获取每个初始高热区域中满足选取必要性大于优选阈值的所有优选像素点。

进一步的，所述选取必要性的获取方式包括：

第个初始高热区域/>中第/>个像素点作为计算初始生长阈值像素点的选取必要性的计算方式为：

其中，为第/>个初始高热区域/>中第/>个像素点的选取必要性；

为第/>个初始高热区域/>中第/>个像素点的灰度值，/>为第/>个初始高热区域/>的灰度均值，/>为第/>个初始高热区域/>的灰度最大值，/>为第/>个初始高热区域/>的灰度最小值；

为第/>个初始高热区域/>的梯度幅值均值，/>为第/>个初始高热区域/>中第/>个像素点的梯度幅值；

为以自然常数为底的指数函数，/>表示取绝对值函数。

进一步的，所述获得每个初始高热区域每次迭代生长的生长阈值包括：

获取第个初始高热区域/>在第/>次迭代生长后的待选生长阈值；

将第个初始高热区域/>的初始生长阈值记为/>，将第/>个初始高热区域/>在第/>次迭代生长后的待选生长阈值记为/>；

根据第个初始高热区域/>在第/>次迭代生长后的待选生长阈值第/>个初始高热区域/>的初始生长阈值，获得第/>个初始高热区域/>的第/>次生长阈值/>的计算方式为：

其中为取最小值函数。

进一步的，所述待选生长阈值的获取方式包括：

第个初始高热区域/>以种子点和初始生长阈值作为参数在迭代生长的过程中，当迭代生长到第/>次迭代生长后，获取第/>个初始高热区域/>在第/>次迭代生长后区域的所有边缘像素点，将第/>个初始高热区域/>在第/>次迭代生长后每个边缘像素点的8邻域内第/>次迭代生长后区域的像素点记为每个边缘像素点的第/>次迭代像素点，计算第/>次迭代生长后每个边缘像素点与第/>次迭代生长像素点的灰度值差值，计算第/>个初始高热区域/>在第/>次迭代生长后所有灰度值差值的绝对值的均值，将均值结果记为第/>个初始高热区域/>在第/>次迭代生长后的待选生长阈值。

进一步的，所述根据每个初始高热区域每次迭代生长后区域的变化获得每次迭代生长的停止系数包括：

第个初始高热区域/>在第/>次迭代生长的停止系数/>的计算方式为：

其中，表示第/>个初始高热区域/>的第/>次生长阈值差异参数；

表示第/>次迭代生长的像素点个数；

表示第/>个初始高热区域/>在第/>次迭代生长时所有边缘像素点的8邻域内属于第/>次迭代生长的像素点个数与/>之和；

表示以自然常数为底的指数函数。

进一步的，所述生长阈值差异参数的获取方式包括：

计算第个初始高热区域/>在第/>次生长阈值/>和第/>次生长阈值/>的差值的绝对值，记为第/>个初始高热区域在第/>次生长阈值差异系数，获取第/>个初始高热区域从第1次迭代生长到第/>次迭代生长的所有生长阈值差异系数，使用最大最小值归一化算法对第/>个初始高热区域的所有生长阈值差异系数归一化，将第/>次生长阈值差异系数的归一化结果记为第/>次生长阈值差异参数/>。

进一步的，所述根据每个初始高热区域每次迭代生长的生长阈值和停止系数进行区域生长获得每个初始高热区域的目标高热区域包括：

预设停止阈值，当第/>个初始高热区域/>在第/>次迭代生长的停止系数/>满足时，根据第/>个初始高热区域/>的第/>次结果获得第/>次生长阈值/>，利用第次生长阈值/>对第/>个初始高热区域/>生长；当第/>个初始高热区域/>在第/>次迭代生长的停止系数/>满足/>时，将第/>个初始高热区域/>在第/>次迭代生长后获得的区域记为第/>个初始高热区域/>的目标高热区域；

获取红外图像中每个初始高热区域的种子点和初始生长阈值，将种子点和初始生长阈值输入到区域生长算法迭代生长，根据每次迭代生长后的边缘像素点与其8邻域内像素点的差异，获得每个初始高热区域在每次迭代生长后的生长阈值和停止系数，进而获得每个初始高热区域的目标高热区域。

本发明的技术方案的有益效果是：本发明通过采集输电线路零件的红外图像，根据红外图像的灰度值分割获得初始高热区域，使用初始高热区域的形心作为区域生长的种子点，使得区域生长后获得的区域更加完整；根据初始高热区域内的像素点差异获得每个初始高热区域的初始生长阈值，使用初始生长阈值和种子点对每个初始高热区域进行区域生长，并根据每次迭代生长后区域的边缘像素点邻域内其他像素点的差异，获得每次迭代生长的生长阈值；进而根据每次迭代生长后区域的变化获得每次迭代生长的停止系数，进而获得每个初始高热区域的目标高热区域，使得生长阈值和停止条件随着增长的边缘变化而变化，使得阈值和停止条件收敛，能更加精确的反映每次迭代生长后区域的变化，进一步达到精确分割的目的；通过使用神经网络对目标高热区域检测，根据检测结果判断输电线路是否存在故障，达到提高输电线路的零件在线故障检测的精度的目的。

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他的附图。

图1为本发明基于红外图像的在线故障诊断系统的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于红外图像的在线故障诊断系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于红外图像的在线故障诊断系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于红外图像的在线故障诊断系统的结构框图，该系统包括以下模块：

红外图像采集模块101：用于采集输电线路红外图像。

需要说明的是，本实施例通过采集输电线路的红外图像，将红外图像分割后提取获得高热区域，通过对高热区域的分析用于诊断输电线路零件是否存在故障，因此首先需要采集获得输电线路的红外图像；本实施例在需要实时检测温度的输电线路区域的观察点位安装红外相机，每隔十秒采集一次输电线路的红外辐射构成在一个采集时刻的初始红外图像；进一步的，为了消除红外图像中的噪点影响，本实施例使用滤波核大小为3的中值滤波算法对初始红外图像滤波，获得输电线路在每个采集时刻的红外图像。需要说明的是，采集获得的红外图像为单通道的灰度图像，红外图像中每个像素点的灰度值代表温度值，灰度值越大说明输电线路的温度越高。

至此，获取到了输电线路在每个采集时刻的红外图像。

高热区域提取模块102：

通过现有的阈值分割或最大类间方差法对红外图像分割时，由于使用的是全局特征提取高热区域，存在的分割精度无法覆盖红外图像的所有零件细节，导致分割过程中对于灰度的边缘和零件的边缘存在一定局限性，造成了零件之间边缘的灰度边缘差异较小，使得故障零件的高热区域分割不完整，因此本实施例在对红外图像使用阈值分割获得输电线路的初始高热区域后，通过分析初始高热区域确定种子点的位置和初始生长阈值，进而随区域边缘的邻域像素点变化调整生长阈值，结合区域生长算法的生长停止条件对初始高热区域生长，获得输电线路的目标高热区域，进而用于故障的监测与分析，达到提高输电线路的故障诊断精度的目的。

（1）根据红外图像的灰度值获得分割阈值，通过分割阈值获得红外图像中所有初始高热区域，根据每个初始高热区域的形心获得每个初始高热区域的种子点。

需要说明的是，本实施例是通过区域生长对阈值分割的初始高热区域的范围修正，进而获得精确的目标高热区域，用于在线故障诊断，因此首先需要获得红外图像中所有初始高热区域。温度越高的零件在红外图像中所属像素点的灰度值取值越高，本实施例以任意一个采集时刻的红外图像进行叙述，其他红外图像的处理步骤与本实施例中所提供的步骤相同；具体的，以红外图像中所有像素点的灰度均值作为红外图像的分割阈值，将红外图像中像素点灰度值大于分割阈值的所有像素点构成的连通域记为初始高热区域，获取红外图像中所有像素点灰度值大于分割阈值的所有初始高热区域。

进一步需要说明的是，阈值分割算法获取初始高热区域是一个全局分析的过程，其分割结果针对温度变化较大的输电线路零件具有较好的分割效果，然而部分零件体积较大造成在红外图像中距离故障发热点越远温度越低，当温度变化经过了分割阈值会导致阈值分割后造成零件区域的丢失，或与正常温度的零件在空间上出现交叠，使得一个零件的像素点被误判到其他区域中，因此本实施例将红外图像中的初始高热区域的形状作为区域生长的参考，获得区域生长的种子点。

具体的，区域生长的种子点需要代表每个初始高热区域的灰度值和形状特征，由于每个初始高热区域内部的灰度值差异较小，为了使得区域生长后的目标高热区域更加完整，本实施例中选取种子点主要取决于每个初始高热区域的形状，将每个初始高热区域的形心作为每个初始高热区域的种子点。

至此，获取到了红外图像中所有初始高热区域以及每个初始高热区域的种子点。

（2）使用每个初始高热区域的种子点和初始生长阈值进行区域生长，根据每个初始高热区域每次迭代生长的边缘像素点邻域内像素点灰度值获得每个初始高热区域每次迭代生长的生长阈值；根据每个初始高热区域每次迭代生长后区域的变化获得每次迭代生长的停止系数；根据每个初始高热区域每次迭代生长的生长阈值和停止系数进行区域生长获得每个初始高热区域的目标高热区域。

需要说明的是，红外图像经过阈值分割后获得的初始高热区域由于零件的温度传递差异的影响造成区域分割不够完整，因此本实施例使用区域生长算法在初始高热区域的基础上进行迭代生长，通过迭代生长对高热区域进一步融合获得目标高热区域；而区域生长算法主要是通过判断像素点与种子点的灰度差异，将与种子点灰度值差异小于生长阈值的像素点生长融合到种子点的区域获得新的初始高热区域，因此为了使得区域生长的生长过程更加准确，本实施例根据初始高热区域中每个像素点的灰度值和梯度幅值获得每个像素点作为计算初始生长阈值的选取必要性，进而获得初始高热区域中的优选像素点，根据优选像素点获得初始生长阈值。

具体的，本实施例以红外图像中第个初始高热区域/>为例进行叙述，红外图像中其他初始高热区域的处理方法与第/>个初始高热区域/>的处理方法相同，则第/>个初始高热区域/>中第/>个像素点作为计算初始生长阈值像素点的选取必要性的计算方式为：

其中，表示第/>个初始高热区域/>中第/>个像素点作为计算初始生长阈值像素点的选取必要性，简记为第/>个初始高热区域/>中第/>个像素点的选取必要性；/>为第/>个初始高热区域/>中第/>个像素点的灰度值，/>为第/>个初始高热区域/>的灰度均值，/>为第/>个初始高热区域/>的灰度最大值，/>为第/>个初始高热区域/>的灰度最小值；/>为第/>个初始高热区域/>的梯度幅值均值，/>为第/>个初始高热区域/>中第/>个像素点的梯度幅值，/>为以自然常数为底的指数函数，/>为取绝对值函数。/>表示第/>个初始高热区域/>中第/>个像素点的灰度值相较于第/>个初始高热区域/>的灰度均值的差异，表示了第/>个初始高热区域/>中第/>个像素点的灰度离群程度，取值越大说明第/>个初始高热区域/>中第/>个像素点与第/>个初始高热区域/>的灰度差异越大，可能是噪声点，因此不作为计算初始生长阈值的像素点，即选取必要性取值越小；/>表示第/>个初始高热区域/>中第/>个像素点的梯队离群程度，取值越远离说明第/>个初始高热区域/>中第/>个像素点在该像素点的局部范围内越突出，可能是噪声点，因此不作为计算初始生长阈值的像素点，即选取必要性取值越小。

进一步的，预设优选阈值，本实施例采用优选阈值/>进行叙述，当第/>个初始高热区域/>中第/>个像素点的选取必要性/>满足/>时，说明第/>个初始高热区域/>中第/>个像素点相较于第/>个初始高热区域/>的整体灰度值差异较小，且在其局部范围内越不突出，属于正常的像素点，则将第/>个初始高热区域/>中第/>个像素点记为第/>个初始高热区域/>的一个优选像素点；当第/>个初始高热区域/>中第/>个像素点的选取必要性/>满足/>时，说明第/>个初始高热区域/>中第/>个像素点相较于第/>个初始高热区域/>的整体灰度值差异较大，且在其局部范围内突出，属于噪声像素点，则不做处理。使用优选阈值获取每个初始高热区域中满足选取必要性大于优选阈值的所有优选像素点。

进一步的，将第个初始高热区域/>中任意一个优选像素点记为第/>个优选像素点，则在第/>个初始高热区域/>中第/>个优选像素点的8邻域范围内，获得第/>个优选像素点与8邻域范围内每个优选像素点的灰度值差值的绝对值，所有绝对值结果构成第/>个优选像素点的灰度值差值序列；同理获取第/>个初始高热区域/>中所有优选像素点的灰度值差值序列，选取所有优选像素点的灰度值差值序列中，最大的差值记为第/>个初始高热区域/>的初始生长阈值。

进一步需要说明的是，传统区域生长方法是将与种子点灰度值相似的领域像素点不断添加到种子点上，并且满足区域生长的终止条件时形成最终生长区域的过程，但输电线路零件整体温度不是恒定的，造成在高热区域中距离种子点越远的像素点的灰度值与种子点的灰度值差异越大，当属于同一个零件的像素点由于距离种子点过远造成差异大于初始生长阈值时这些像素点无法被添加到种子点上，造成分割的不完整，因此本实施例根据每次迭代生长的边缘像素点的邻域范围内像素点扩张的灰度差异，获得每个边缘像素点与其邻域像素点的灰度差异，进而获得每次迭代生长的生长阈值。

具体的，第个初始高热区域/>以种子点和初始生长阈值作为参数在迭代生长的过程中，当迭代生长到第/>次迭代生长后，获取第/>个初始高热区域/>在第/>次迭代生长后区域的所有边缘像素点，将第/>个初始高热区域/>在第/>次迭代生长后每个边缘像素点的8邻域内第/>次迭代生长后区域的像素点记为每个边缘像素点的第/>次迭代像素点，计算第/>次迭代生长后每个边缘像素点与第/>次迭代像素点的灰度值差值，计算第/>个初始高热区域/>在第/>次迭代生长后所有灰度值差值的绝对值的均值，将均值结果记为第/>个初始高热区域/>在第/>次迭代生长后的待选生长阈值。

进一步的，根据第个初始高热区域/>在第/>次迭代生长后的待选生长阈值第/>个初始高热区域/>的初始生长阈值，获得第/>个初始高热区域/>的第/>次生长阈值/>的计算方式为：

其中，为第/>个初始高热区域/>的第/>次生长阈值，/>为第/>个初始高热区域/>的初始生长阈值，/>为第/>个初始高热区域/>在第/>次迭代生长后的待选生长阈值，/>为取最小值函数。第/>个初始高热区域/>在第/>次迭代生长后的待选生长阈值/>取值越大说明第个初始高热区域/>在第/>次迭代生长后已经趋近于边缘，那么此时选择初始生长阈值即可将准确的输电线路零件的区域分割；待选生长阈值/>取值越小说明第/>个初始高热区域/>在第/>次迭代生长后仍属于输电线路零件的区域，通过对生长阈值进一步收敛能提高分割的准确性。

进一步需要说明的是，为了防止输电线路零件之间温度近似导致区域生长的无限制迭代生长，需要设定一个停止条件使得能准确完整的将高热区域分割出来，而不包含其他零件的区域；因此本实施例通过每次迭代生长所得区域的特征进行分析，判断相邻两次迭代生长的生长阈值差异和像素点增量，将生长阈值差异较大、像素点增量较少的迭代生长次数作为迭代停止条件。

具体的，第个初始高热区域/>在第/>次迭代生长的停止系数/>的计算方式为：

其中，表示第/>个初始高热区域/>在第/>次迭代生长的停止系数，/>表示第/>个初始高热区域/>的第/>次生长阈值差异参数，所述第/>次生长阈值差异参数的获取方式为：计算第/>个初始高热区域/>在第/>次生长阈值/>和第/>次生长阈值/>的差值的绝对值，记为第/>个初始高热区域在第/>次生长阈值差异系数，获取第/>个初始高热区域从第1次迭代生长到第/>次迭代生长的所有生长阈值差异系数，使用最大最小值归一化算法对第/>个初始高热区域的所有生长阈值差异系数归一化，将第/>次生长阈值差异系数的归一化结果记为第/>次生长阈值差异参数；/>表示第/>个初始高热区域/>在第/>次迭代生长时所有边缘像素点的8邻域内属于第/>次迭代生长的像素点个数，和第/>次迭代生长的像素点个数/>之和；/>表示第/>次迭代生长的像素点个数，/>表示以自然常数为底的指数函数。生长阈值差异参数取值越大，说明第/>个初始高热区域/>在第/>次迭代生长的生长阈值差异较大，则可能是到达边缘区域；/>取值越小说明第/>个初始高热区域/>在第/>次迭代生长的生长像素点个数相较于第/>次迭代生长较少，可能到达了边缘区域因此无法生长到更多的像素点。

进一步的，预设停止阈值，本实施例使用停止阈值/>进行叙述，当第/>个初始高热区域/>在第/>次迭代生长的停止系数/>满足/>时，说明第/>个初始高热区域/>在第/>次迭代生长了较多的像素点，即在第/>次迭代生长后还未达到输电线路的高热区域边缘，因此还需要继续生长，根据第/>个初始高热区域/>的第/>次结果获得第/>次生长阈值，利用第/>次生长阈值/>对第/>个初始高热区域/>生长；当第/>个初始高热区域/>在第/>次迭代生长的停止系数/>满足/>时，说明第/>个初始高热区域/>在第/>次迭代生长了较少的像素点，即第/>个初始高热区域/>在第/>次迭代生长后可能达到输电线路的高热区域边缘，需要停止迭代生长，将第/>个初始高热区域/>在第/>次迭代生长后获得的区域记为第个初始高热区域/>的目标高热区域。

同理，获取红外图像中每个初始高热区域的种子点和初始生长阈值，将种子点和初始生长阈值输入到区域生长算法迭代生长，根据每次迭代生长后的边缘像素点与其8邻域内像素点的差异，获得每个初始高热区域在每次迭代生长后的生长阈值和停止系数，进而获得每个初始高热区域的目标高热区域。

至此，获取到了红外图像中每个初始高热区域的目标高热区域。

在线故障诊断模块103：用于将每个初始高热区域的目标高热区域输入到在线故障检测神经网络获得检测结果，根据检测结果判断输电线路是否存在故障。

获得红外图像中每个初始高热区域的目标高热区域后，需要区分输电线路的零件中的正常工作发热产生的高热区域和故障导致的高热区域，因此需要将每个目标高热区域输入到用于分类的神经网络模型，本实施例使用Mask-RCNN网络对每个目标高热区域的零件是否故障进行分类，Mask-RCNN网络为Encoder-Decoder的结构，具体训练内容如下：

（1）构建Encoder-Decoder的结构的Mask-RCNN网络；

（2）随机初始化Mask-RCNN网络的参数；

（3）将输电线路的每个零件在正常温度的红外图像和高热温度的红外图像作为Mask-RCNN网络的训练集，将输电线路的每个零件的正常温度红外图像认为标记为0，将输电线路的每个零件的轻度高热温度红外图像标记为1，将输电线路的每个零件的重度高热温度红外图像标记为2；

（4）将待分类的红外图像中每个初始高热区域的目标高热区域输入到Mask-RCNN网络中，得到Mask-RCNN网络的输出结果，输出结果为标记为1或0的红外图像；

（5）由于Mask-RCNN网络属于分类网络，因此损失函数采用交叉熵损失函数。

进一步的，得到高热辐射图像的热辐射等级后，根据热辐射等级的大小对故障进行判断，若输电线路的零件图像的热辐射等级为2级，那么说明输电线路的零件可能存在故障，因此需要关闭该输电线路零件，并安排人工进行故障检测与诊断。

需要说明的是，本实施例中所用的模型仅表示负相关关系和约束模型输出的结果处于/>区间内，其中/>为本模型的输入，具体实施时可替换成具有同样目的的其他模型，本实施例只是以/>模型为例进行叙述，不对做具体限定。

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 (6)

1.基于红外图像的在线故障诊断系统，其特征在于，该系统包括以下模块：

红外图像采集模块：用于采集输电线路红外图像；

高热区域提取模块：用于使用红外图像的灰度均值对红外图像进行分割获得红外图像的所有初始高热区域；获得每个初始高热区域的种子点；根据每个初始高热区域内像素点之间的灰度值差异获得每个初始高热区域的初始生长阈值；使用每个初始高热区域的种子点和初始生长阈值进行区域生长，所述区域生长包括若干次迭代生长，根据每个初始高热区域每次迭代生长的边缘像素点邻域内像素点灰度值获得每个初始高热区域每次迭代生长的生长阈值；根据每个初始高热区域每次迭代生长后区域的变化获得每次迭代生长的停止系数；根据每个初始高热区域每次迭代生长的生长阈值和停止系数进行区域生长获得每个初始高热区域的目标高热区域；

在线故障诊断模块：用于将每个初始高热区域的目标高热区域输入到在线故障检测神经网络获得检测结果，根据检测结果判断输电线路是否存在故障；

所述获得每个初始高热区域的种子点包括：

将每个初始高热区域的形心作为每个初始高热区域的种子点；

所述获得每个初始高热区域的初始生长阈值包括：

获取第个初始高热区域/>的所有优选像素点；

对于第个初始高热区域/>中第/>个优选像素点，在第/>个初始高热区域/>中第/>个优选像素点的8邻域范围内，获得第/>个优选像素点与8邻域范围内每个优选像素点的灰度值差值的绝对值，所有绝对值结果构成第/>个优选像素点的灰度值差值序列；获取第/>个初始高热区域/>中所有优选像素点的灰度值差值序列，选取所有优选像素点的灰度值差值序列中，最大的差值记为第/>个初始高热区域/>的初始生长阈值；

所述优选像素点的获取方式包括：

预设优选阈值，当第/>个初始高热区域/>中第/>个像素点的选取必要性/>满足/>时，将第/>个初始高热区域/>中第/>个像素点记为第/>个初始高热区域/>的一个优选像素点；使用优选阈值获取每个初始高热区域中满足选取必要性大于优选阈值的所有优选像素点；

所述选取必要性的获取方式包括：

第个初始高热区域/>中第/>个像素点作为计算初始生长阈值像素点的选取必要性的计算方式为：

其中，为第/>个初始高热区域/>中第/>个像素点的选取必要性；

为第/>个初始高热区域/>中第/>个像素点的灰度值，/>为第/>个初始高热区域/>的灰度均值，/>为第/>个初始高热区域/>的灰度最大值，/>为第/>个初始高热区域/>的灰度最小值；

为第/>个初始高热区域/>的梯度幅值均值，/>为第/>个初始高热区域/>中第/>个像素点的梯度幅值；

为以自然常数为底的指数函数，/>表示取绝对值函数。

2.根据权利要求1所述基于红外图像的在线故障诊断系统，其特征在于，所述获得每个初始高热区域每次迭代生长的生长阈值包括：

获取第个初始高热区域/>在第/>次迭代生长后的待选生长阈值；

将第个初始高热区域/>的初始生长阈值记为/>，将第/>个初始高热区域/>在第/>次迭代生长后的待选生长阈值记为/>；

根据第个初始高热区域/>在第/>次迭代生长后的待选生长阈值第/>个初始高热区域/>的初始生长阈值，获得第/>个初始高热区域/>的第/>次生长阈值/>的计算方式为：

其中为取最小值函数。

3.根据权利要求2所述基于红外图像的在线故障诊断系统，其特征在于，所述待选生长阈值的获取方式包括：

第个初始高热区域/>以种子点和初始生长阈值作为参数在迭代生长的过程中，当迭代生长到第/>次迭代生长后，获取第/>个初始高热区域/>在第/>次迭代生长后区域的所有边缘像素点，将第/>个初始高热区域/>在第/>次迭代生长后每个边缘像素点的8邻域内第/>次迭代生长后区域的像素点记为每个边缘像素点的第/>次迭代像素点，计算第/>次迭代生长后每个边缘像素点与第/>次迭代生长像素点的灰度值差值，计算第/>个初始高热区域/>在第/>次迭代生长后所有灰度值差值的绝对值的均值，将均值结果记为第/>个初始高热区域在第/>次迭代生长后的待选生长阈值。

4.根据权利要求1所述基于红外图像的在线故障诊断系统，其特征在于，所述根据每个初始高热区域每次迭代生长后区域的变化获得每次迭代生长的停止系数包括：

第个初始高热区域/>在第/>次迭代生长的停止系数/>的计算方式为：

其中，表示第/>个初始高热区域/>的第/>次生长阈值差异参数；

表示第/>次迭代生长的像素点个数；

表示第/>个初始高热区域/>在第/>次迭代生长时所有边缘像素点的8邻域内属于第次迭代生长的像素点个数与/>之和；

表示以自然常数为底的指数函数。

5.根据权利要求4所述基于红外图像的在线故障诊断系统，其特征在于，所述生长阈值差异参数的获取方式包括：

计算第个初始高热区域/>在第/>次生长阈值/>和第/>次生长阈值/>的差值的绝对值，记为第/>个初始高热区域在第/>次生长阈值差异系数，获取第/>个初始高热区域从第1次迭代生长到第/>次迭代生长的所有生长阈值差异系数，使用最大最小值归一化算法对第/>个初始高热区域的所有生长阈值差异系数归一化，将第/>次生长阈值差异系数的归一化结果记为第/>次生长阈值差异参数/>。

6.根据权利要求1所述基于红外图像的在线故障诊断系统，其特征在于，所述根据每个初始高热区域每次迭代生长的生长阈值和停止系数进行区域生长获得每个初始高热区域的目标高热区域包括：

预设停止阈值，当第/>个初始高热区域/>在第/>次迭代生长的停止系数/>满足/>时，根据第/>个初始高热区域/>的第/>次结果获得第/>次生长阈值/>，利用第/>次生长阈值/>对第/>个初始高热区域/>生长；当第/>个初始高热区域/>在第/>次迭代生长的停止系数/>满足/>时，将第/>个初始高热区域/>在第/>次迭代生长后获得的区域记为第/>个初始高热区域/>的目标高热区域；

获取红外图像中每个初始高热区域的种子点和初始生长阈值，将种子点和初始生长阈值输入到区域生长算法迭代生长，根据每次迭代生长后的边缘像素点与其8邻域内像素点的差异，获得每个初始高热区域在每次迭代生长后的生长阈值和停止系数，进而获得每个初始高热区域的目标高热区域。