CN118135337B - 基于特征抽取的电缆温度异常识别方法 - Google Patents

Abstract

本发明涉及图形识别技术领域，具体涉及基于特征抽取的电缆温度异常识别方法，包括：捕获电缆的红外图像；抽取电缆的红外图像中所有的边缘线并对边缘线进行直线拟合，并抽取边缘线的直线拟合结果；基于边缘线的直线拟合结果，抽取每条边缘线的所有边缘线段的分歧程度；抽取电缆的红外图像中的疑似异常点；基于电缆的红外图像中的疑似异常点，结合每条边缘线的所有边缘线段的分歧程度，抽取疑似异常点的异常置信度；基于疑似异常点的异常置信度，识别电缆中的温度异常区域。本发明通过分析电缆的红外图像中的深度信息与温度信息，达到提高电缆温度检测的准确度。

Description

基于特征抽取的电缆温度异常识别方法

技术领域

本发明涉及图形识别技术领域，具体涉及基于特征抽取的电缆温度异常识别方法。

背景技术

由于电缆在运行的过程中会释放一定的热量，导致电缆的温度升高，会对电缆的正常工作产生负面影响，因此需要对电缆表面温度进行检测，但由于在电缆表面安装温度传感器的成本极大，因此本申请通过捕获电缆的红外图像，通过对电缆的红外图像进行分析实现对电缆温度的检测，然而在电缆的红外图像中包含电缆的温度信息与电缆的深度信息，在通过温度信息与深度信息构建多维图像的过程中，往往会受到红外成像分辨率得的影响，使得在电缆的红外图像中异常温度边缘模糊，并且电缆边缘的区域存在深度信息与温度信息叠加的情况，使得电缆中部分温度正常的区域被识别为异常区域，即直接通过红外图像中的温度信息无法准确的识别出电缆中的异常温度区域。

发明内容

本发明提供基于特征抽取的电缆温度异常识别方法，以解决现有的问题：直接通过红外图像中的温度信息无法准确的识别出电缆中的异常温度区域。

本发明的基于特征抽取的电缆温度异常识别方法采用如下技术方案：

包括以下步骤：

捕获电缆的红外图像；

抽取电缆的红外图像中所有的边缘像素点，并得到所有边缘线；对边缘线进行直线拟合，得到边缘线的直线拟合结果，并抽取边缘线的直线拟合结果中每条直线段的直线拟合程度；

基于边缘线的直线拟合结果，对边缘线进行分段，抽取边缘线的若干边缘线段；基于边缘线的若干边缘线段上的温度信息，抽取边缘线的特征温度差值序列；基于边缘线的直线拟合结果中相邻直线段的直线拟合程度的差异，抽取边缘线的特征直线拟合程度差值序列；基于边缘线的特征温度差值序列与边缘线的特征直线拟合程度差值序列，抽取每条边缘线的所有边缘线段的分歧程度；

抽取电缆的红外图像中的疑似异常点；基于电缆的红外图像中的疑似异常点，结合每条边缘线的所有边缘线段的分歧程度，抽取疑似异常点的异常置信度；基于疑似异常点的异常置信度，识别电缆中的温度异常区域。

优选的，所述抽取电缆的红外图像中所有的边缘像素点，并得到所有边缘线，包括的具体方法为：

抽取电缆的红外图像中所有的边缘像素点，将电缆的红外图像中所有边缘像素点记为“1”，所有不是边缘像素点的像素点记为“0”，得到边缘二值图，获取八连通域规则下边缘二值图中的所有由“1”构成的连通域，得到若干连通域并记为边缘线。

优选的，所述对边缘线进行直线拟合，得到边缘线的直线拟合结果，并抽取边缘线的直线拟合结果中每条直线段的直线拟合程度，包括的具体方法为：

预设一个旋转门算法的偏差参数，利用旋转门算法，对所有边缘线进行直线拟合，得到若干边缘线的直线拟合结果；

对于第条边缘线的直线拟合结果，获取第条边缘线的直线拟合结果中直线段的数量记为，结合第条边缘线的直线拟合结果中每条直线段与第条边缘线之间围成的封闭区域的面积；抽取第条边缘线的直线拟合结果中每条直线段的直线拟合程度，具体的计算公式为：

式中，表示第条边缘线的直线拟合结果中第条直线段的直线拟合程度；表示第条边缘线的直线拟合结果中第条直线段与第条边缘线之间围成的封闭区域的面积；表示第条边缘线的直线拟合结果中直线段的数量；表示第条边缘线的直线拟合结果中第条直线段与第条边缘线之间围成的封闭区域的面积；表示最大值最小值归一化函数；表示以自然常数为底数的指数函数。

优选的，所述基于边缘线的直线拟合结果，对边缘线进行分段，抽取边缘线的若干边缘线段，包括的具体方法为：

对于第条边缘线，将第条边缘线中与第条边缘线的直线拟合结果中第条直线段相交的两个点记为第条直线段的两个节点，将第条边缘线中第条直线段的两个节点间的边缘线段记为第条边缘线的第条边缘线段。

优选的，所述基于边缘线的若干边缘线段上的温度信息，抽取边缘线的特征温度差值序列，包括的具体方法为：

对于第条边缘线的第条边缘线段，抽取第条边缘线的第条边缘线段中所有像素点温度信息均值，记为第条边缘线的第条边缘线段的特征温度；

抽取第条边缘线中所有边缘线段的特征温度，按照边缘线段的顺序排序，得到第条边缘线中所有边缘线段的特征温度组成的序列，记为第条边缘线的特征温度序列；将第条边缘线的特征温度序列中相邻特征温度之间的差值，记为特征温度差值，得到第条边缘线的特征温度差值序列。

优选的，所述基于边缘线的直线拟合结果中相邻直线段的直线拟合程度的差异，抽取边缘线的特征直线拟合程度差值序列，包括的具体方法为：

抽取第条边缘线的直线拟合结果中每条直线段的直线拟合程度，按照边缘线段的顺序排序，得到所有直线段的直线拟合程度组成的序列，记为第条边缘线的特征直线拟合程度序列；将第条边缘线的特征直线拟合程度序列中相邻的直线拟合程度之间的差值，记为特征直线拟合程度差值，得到第条边缘线的特征直线拟合程度差值序列。

优选的，所述基于边缘线的特征温度差值序列与边缘线的特征直线拟合程度差值序列，抽取每条边缘线的所有边缘线段的分歧程度，包括的具体方法为：

通过第条边缘线的特征温度差值序列与第条边缘线的特征直线拟合程度差值序列，两个序列的距离矩阵，利用DTW算法获取特征温度差值序列与特征直线拟合程度差值序列之间的DTW距离矩阵中的最短路径；

对于第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值，若第个特征直线拟合程度差值在最短路径中仅有一个对应距离值，将对应的距离值记为变化值；若第个特征直线拟合程度差值在最短路径中有多个对应距离值，将所有对应的距离值均值记为变化值；

基于第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值的变化值，与第条边缘线的特征温度差值序列和第条边缘线的特征直线拟合程度差值序列之间的DTW距离，抽取第条直线段与对应边缘线段的分歧程度，具体的计算公式为：

式中，表示第条边缘线的直线拟合结果中第条直线段与对应边缘线段的分歧程度，记为第条边缘线的第条边缘线段的分歧程度；表示第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值的变化值；表示第条边缘线的特征直线拟合程度差值序列与第条边缘线的特征温度差值序列之间的DTW距离；表示sigmoid函数。

优选的，所述基于电缆的红外图像中的疑似异常点，结合每条边缘线的所有边缘线段的分歧程度，抽取疑似异常点的异常置信度，包括的具体方法为：

对于第个疑似异常点，以第个疑似异常点为中心建立一个大小的搜索窗口记为第个疑似异常点的搜索窗口，其中为预设的搜索窗口边长；抽取第个疑似异常点的搜索窗口中所有疑似异常点，并记为第个疑似异常点的局部点；基于第个疑似异常点与第个疑似异常点的局部点之间的欧式距离，以及每条边缘线的所有边缘线段的分歧程度，抽取第个疑似异常点的异常置信度。

优选的，所述抽取第个疑似异常点的异常置信度，的具体计算公式为：

式中，表示第个疑似异常点的异常置信度，表示第个疑似异常点的局部点数量；表示第个疑似异常点的第个局部点所处的边缘线段的分歧程度；表示第个疑似异常点与第个疑似异常点的第个局部点之间的欧式距离；表示最大值最小值归一化函数。

优选的，所述基于疑似异常点的异常置信度，识别电缆中的温度异常区域，包括的具体方法为：

预设一个置信度阈值，对于任意一个疑似异常点，若所述疑似异常点的异常置信度大于则，所述疑似异常点为异常点；抽取所有异常点并得到异常线；所述得到异常线的方法与得到边缘线的方法相同；

利用边缘线连接算法对所有异常线进行连接，得到若干封闭区域，封闭区域为电缆中的温度异常区域。

本发明的技术方案的有益效果是：抽取电缆的红外图像中所有的边缘线并对边缘线进行直线拟合，得到边缘线的直线拟合结果，并抽取边缘线的直线拟合结果中每条直线段的直线拟合程度，通过分析边缘线的形态特征，为后续获取分歧程度做数据准备；基于边缘线的直线拟合结果，抽取每条边缘线的所有边缘线段的分歧程度，由于真实的电缆温度异常点的温度变化则与其边缘线弯曲度的变化方向不一致，故通过分析由温度信息得到的序列，与由直线拟合结果得到的序列之间的分歧程度，为后续温度异常区域做数据准备；抽取电缆的红外图像中的疑似异常点；基于电缆的红外图像中的疑似异常点，结合每条边缘线的所有边缘线段的分歧程度，抽取疑似异常点的异常置信度；基于疑似异常点的异常置信度，识别电缆中的温度异常区域，本申请通过分析电缆的红外图像中的深度信息与温度信息，避免了电缆中的温度正常的区域被识别为异常区域的情况发生，以此提高电缆温度检测的准确度。

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为本发明基于特征抽取的电缆温度异常识别方法的步骤流程图；

图2为本发明距离矩阵中最短路径示意图。

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特征抽取的电缆温度异常识别方法，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，一或多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特征抽取的电缆温度异常识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于特征抽取的电缆温度异常识别方法的步骤流程图，该方法包括以下步骤：

步骤S001：捕获电缆的红外图像。

需要说明的是，由于电缆在运行的过程中会释放一定的热量，导致电缆的温度升高，而温度的上升又会对电缆的电阻产生影响，使电缆的温度进一步升高，为了能够保证电缆运行时的安全性以及稳定性，则需要对电缆的温度进行检测；因此首先需要捕获电缆的温度数据，但由于电缆是一层橡胶绝缘体，导热性极差，因此通过温度传感器采集电缆的温度数据，则需要布置大量的温度传感器，采集成本极高，因此本实施例通过捕获电缆的红外图像，对电缆的红外图像进行分析，极大程度的降低了采集电缆表面温度数据的成本。

具体的，利用红外摄像机捕获电缆的红外图像。

需要进一步说明的是，红外摄像机捕获的红外图像中，包含两种信息，一种是电缆的深度信息，另一种是电缆的温度信息。

至此，得到电缆的红外图像。

步骤S002：抽取电缆的红外图像中所有的边缘像素点，并得到所有边缘线；对边缘线进行直线拟合，得到边缘线的直线拟合结果，并抽取边缘线的直线拟合结果中每条直线段的直线拟合程度。

需要说明的是，由于通过步骤S001得到的电缆的红外图像中包含电缆的温度信息与电缆的深度信息，由于温度信息是通过像素点的亮度表示的，深度信息是通过伪彩色进行表示的，因此在通过温度信息与深度信息构建多维图像的过程中，往往会受到红外成像分辨率得的影响，使得在电缆的红外图像中电缆的边缘模糊，无法准确的得到边缘，并且电缆边缘的区域存在深度信息与温度信息叠加的情况，使得电缆中部分温度正常的区域被识别为异常区域，因此本实施例提出了一种基于特征抽取的电缆温度异常识别方法。

具体的，对电缆的红外图像进行Canny边缘检测，抽取电缆的红外图像中所有的边缘像素点，由于Canny边缘检测算法作为一种公知的现有技术，故在本实施例不再进行赘述。

需要说明的是，通过Canny边缘检测算法得到的边缘像素点中包含电缆的边缘像素点与模糊像素点，其中模糊像素点是在通过温度信息与深度信息构建多维图像的过程造成的。但由于电缆中的异常温度区域的边缘的形态总是一条趋近于笔直的直线，因此可将边缘像素点组成边缘线的形态特征，作为区分电缆的边缘像素点与模糊像素点的依据。

将电缆的红外图像中所有边缘像素点记为“1”，所有不是边缘像素点的像素点记为“0”，得到边缘二值图，获取八连通域规则下边缘二值图中的所有为“1”的连通域，得到若干连通域记为边缘线；

预设一个旋转门算法的偏差参数，的具体取值可结合实际情况自行设置，本实施例不做硬性要求，在本实施例中以进行叙述，利用旋转门算法，对所有边缘线进行直线拟合，得到若干边缘线的直线拟合结果。

需要说明的是，对于任意一条边缘线，一条边缘线的直线拟合结果为由若干首尾相连的直线段组成的折线段。

对于第条边缘线的直线拟合结果，获取第条边缘线的直线拟合结果中直线段的数量记为，结合第条边缘线的直线拟合结果中每条直线段与第条边缘线之间围成的封闭区域的面积；抽取第条边缘线的直线拟合结果中每条直线段的直线拟合程度，其具体的计算公式为：

式中，表示第条边缘线的直线拟合结果中第条直线段的直线拟合程度；表示第条边缘线的直线拟合结果中第条直线段与第条边缘线之间围成的封闭区域的面积；表示第条边缘线的直线拟合结果中直线段的数量；表示第条边缘线的直线拟合结果中第条直线段与第条边缘线之间围成的封闭区域的面积；表示最大值最小值归一化函数，归一化对象为所有边缘线的；表示以自然常数为底数的指数函数，本实施例采用模型来呈现反比例关系，为模型的输入，实施者可根据实际情况设置反比例函数。

需要说明的是，对于任意一条边缘线，边缘线的直线拟合结果中每条直线段与边缘线之间围成的封闭区域的面积越小，则说明边缘线越笔直，同时边缘线的直线拟合结果中直线段的数量越少，同样说明边缘线越笔直，因此的值越小，则说明第条边缘线越笔直越可能是由电缆的边缘像素点组成的边缘线；而表示表示第条边缘线的直线拟合结果中第条直线段与第条边缘线之间围成的封闭区域的面积，与第条边缘线的直线拟合结果中每条直线段与第条边缘线之间围成的封闭区域的面积的比值，因此的值越小，则说明第条边缘线的直线拟合结果中第条直线段越笔直，即第条直线段的直线拟合程度越高。

至此，得到边缘线的直线拟合结果中每条直线段的直线拟合程度。

步骤S003：基于边缘线的直线拟合结果，对边缘线进行分段，抽取边缘线的若干边缘线段；基于边缘线的若干边缘线段上的温度信息，抽取边缘线的特征温度差值序列；基于边缘线的直线拟合结果中相邻直线段的直线拟合程度的差异，抽取边缘线的特征直线拟合程度差值序列；基于边缘线的特征温度差值序列与边缘线的特征直线拟合程度差值序列，抽取每条边缘线的所有边缘线段的分歧程度。

需要说明的是，边缘线的直线拟合结果中每条直线段的直线拟合程度的变化，反映的是边缘线弯曲度的变化，变化量大对应的边缘线部分弯曲度越大，其在温度上的变化也应该越大，这是由于电缆弯曲表现在获取的图像获取视角上电缆边缘区域上点温度的累积，而真实的电缆温度异常点的温度变化则与其边缘线弯曲度的变化方向不一致，故可以以此为依据获取电缆温度异常区域。

具体的，对于第条边缘线，将第条边缘线中与第条边缘线的直线拟合结果中第条直线段相交的两个点记为第条直线段的两个节点，将第条边缘线中第条直线段的两个节点间的边缘线段记为第条边缘线的第条边缘线段；获取第条边缘线的所有边缘线段；

对于第条边缘线的第条边缘线段，获取第条边缘线的第条边缘线段中所有像素点温度信息均值，记为第条边缘线的第条边缘线段的特征温度；

抽取第条边缘线中所有边缘线段的特征温度，按照边缘线段的顺序排序，得到第条边缘线中所有边缘线段的特征温度组成的序列，记为第条边缘线的特征温度序列；将第条边缘线的特征温度序列中相邻特征温度之间的差值，其中差值为后一个特征温度减去相邻前一个特征温度，记为特征温度差值，得到第条边缘线的特征温度差值序列；

抽取第条边缘线的直线拟合结果中每条直线段的直线拟合程度，按照边缘线段的顺序排序，得到所有直线段的直线拟合程度组成的序列，记为第条边缘线的特征直线拟合程度序列；将第条边缘线的特征直线拟合程度序列中相邻的直线拟合程度之间的差值，其中差值为后一个直线拟合程度减去相邻前一个直线拟合程度，记为特征直线拟合程度差值，得到第条边缘线的特征直线拟合程度差值序列；

通过第条边缘线的特征温度差值序列与第条边缘线的特征直线拟合程度差值序列，两个序列的距离矩阵，利用DTW算法获取特征温度差值序列与特征直线拟合程度差值序列之间的DTW距离矩阵中的最短路径，如图2所示；

需要说明的是，由于距离矩阵的具体构建过程、最短路径的获取过程以及DTW算法均作为一种公知的现有技术，故在本实施例不再进行赘述。且特征直线拟合程度差值序列中每个特征直线拟合程度差值在最短路径中至少有一个对应距离值。

对于第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值，若第个特征直线拟合程度差值在最短路径中仅有一个对应距离值，则将对应的距离值记为变化值；若第个特征直线拟合程度差值在最短路径中有多个对应距离值，则将所有对应的距离值均值记为变化值；

根据第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值的变化值，与第条边缘线的特征温度差值序列和第条边缘线的特征直线拟合程度差值序列之间的DTW距离，获取第条直线段与对应边缘线段的分歧程度，其具体的计算公式为：

式中，表示第条边缘线的直线拟合结果中第条直线段与对应边缘线段的分歧程度，记为第条边缘线的第条边缘线段的分歧程度；表示第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值的变化值；表示第条边缘线的特征直线拟合程度差值序列与第条边缘线的特征温度差值序列之间的DTW距离；表示sigmoid函数，在本实施例中用于进行归一化操作。

需要说明的是，将第条边缘线的倒数第一条边缘线段的分歧程度，与第条边缘线的倒数第二条边缘线段的分歧程度相等。由于真实的电缆温度异常点的温度变化则与其边缘线弯曲度的变化方向不一致，即得到的分歧程度越低，则边缘线上的边缘像素点是由电缆温度异常造成的可能性就越小。

至此，得到每条边缘线的所有边缘线段的分歧程度。

步骤S004：抽取电缆的红外图像中的疑似异常点；基于电缆的红外图像中的疑似异常点，结合每条边缘线的所有边缘线段的分歧程度，抽取疑似异常点的异常置信度；基于疑似异常点的异常置信度，识别电缆中的温度异常区域。

需要说明的是，在通过步骤S003得到每条边缘线的所有边缘线段的分歧程度后，即可每条边缘线的所有边缘线段的分歧程度，结合边缘像素点中的温度信息，获取每个异常的边缘像素点的异常置信度。

具体的，预设一个温度阈值，的具体取值可结合实际情况自行设置，本实施例不做硬性要求，在本实施以进行叙述，将电缆的红外图像中所有温度信息大于的边缘像素点记为疑似异常点；

对于第个疑似异常点，以第个疑似异常点为中心建立一个大小的搜索窗口记为第个疑似异常点的搜索窗口，其中为预设的搜索窗口边长，的具体取值可结合实际情况自行设置，本实施例不做硬性要求，在本实施以进行叙述；特别说明的是，若搜索窗口超出图像边界，以实际存在的像素点构成搜索窗口；抽取第个疑似异常点的搜索窗口中所有疑似异常点记为第个疑似异常点的局部点；基于第个疑似异常点与第个疑似异常点的局部点之间的欧式距离，以及每条边缘线的所有边缘线段的分歧程度，抽取第个疑似异常点的异常置信度，其具体的计算公式为：

式中，表示第个疑似异常点的异常置信度，表示第个疑似异常点的局部点数量；表示第个疑似异常点的第个局部点所处的边缘线段的分歧程度；表示第个疑似异常点与第个疑似异常点的第个局部点之间的欧式距离；表示最大值最小值归一化函数，归一化对象为所有边缘线的。

需要说明的是，由于真实的电缆温度异常点的温度变化则与其边缘线弯曲度的变化方向不一致，因此的值越大则第个疑似异常点越可能是温度异常的点；而第个疑似异常点与第个疑似异常点的局部点之间的欧式距离越大，则第个疑似异常点与第个疑似异常点的局部点对应的温度值变化越不相似，即第个疑似异常点越可能是温度异常的点，因此的值越大第个疑似异常点越可能是温度异常的点。在得到所有疑似异常点的异常置信度后，即可根据疑似异常点的异常置信度获取电缆中的温度异常区域。

具体的，预设一个置信度阈值，的具体取值可结合实际情况自行设置，本实施例不做硬性要求在本实施例中以进行叙述，对于任意一个疑似异常点，若疑似异常点的异常置信度大于则，疑似异常点为异常点，抽取所有异常点并得到异常线，由于异常线的获取方法与边缘线的获取方法相同，故在本实施例不再进行赘述；

利用边缘线连接算法对所有异常线进行连接，得到若干封闭区域，封闭区域为电缆中的温度异常区域，由于边缘线连接算法作为一种公知的现有技术，故在本实施例中不再进行赘述。

需要说明的是，本实施例通过分析电缆的红外图像中的深度信息与温度信息，避免了电缆中的温度正常的区域被识别为异常区域的情况发生，以此提高电缆温度检测的准确度。

至此，本实施例完成。

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 (9)

1.基于特征抽取的电缆温度异常识别方法，其特征在于，该方法包括以下步骤：

捕获电缆的红外图像；

抽取电缆的红外图像中所有的边缘像素点，并得到所有边缘线；对边缘线进行直线拟合，得到边缘线的直线拟合结果，并抽取边缘线的直线拟合结果中每条直线段的直线拟合程度；

基于边缘线的直线拟合结果，对边缘线进行分段，抽取边缘线的若干边缘线段；基于边缘线的若干边缘线段上的温度信息，抽取边缘线的特征温度差值序列；基于边缘线的直线拟合结果中相邻直线段的直线拟合程度的差异，抽取边缘线的特征直线拟合程度差值序列；基于边缘线的特征温度差值序列与边缘线的特征直线拟合程度差值序列，抽取每条边缘线的所有边缘线段的分歧程度；

抽取电缆的红外图像中的疑似异常点；基于电缆的红外图像中的疑似异常点，结合每条边缘线的所有边缘线段的分歧程度，抽取疑似异常点的异常置信度；基于疑似异常点的异常置信度，识别电缆中的温度异常区域；

所述基于边缘线的特征温度差值序列与边缘线的特征直线拟合程度差值序列，抽取每条边缘线的所有边缘线段的分歧程度，包括的具体方法为：

通过第条边缘线的特征温度差值序列与第条边缘线的特征直线拟合程度差值序列，两个序列的距离矩阵，利用DTW算法获取特征温度差值序列与特征直线拟合程度差值序列之间的DTW距离矩阵中的最短路径；

对于第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值，若第个特征直线拟合程度差值在最短路径中仅有一个对应距离值，将对应的距离值记为变化值；若第个特征直线拟合程度差值在最短路径中有多个对应距离值，将所有对应的距离值均值记为变化值；

基于第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值的变化值，与第条边缘线的特征温度差值序列和第条边缘线的特征直线拟合程度差值序列之间的DTW距离，抽取第条直线段与对应边缘线段的分歧程度，具体的计算公式为：

式中，表示第条边缘线的直线拟合结果中第条直线段与对应边缘线段的分歧程度，记为第条边缘线的第条边缘线段的分歧程度；表示第条边缘线的特征直线拟合程度差值序列中第个特征直线拟合程度差值的变化值；表示第条边缘线的特征直线拟合程度差值序列与第条边缘线的特征温度差值序列之间的DTW距离；表示sigmoid函数。

2.根据权利要求1所述基于特征抽取的电缆温度异常识别方法，其特征在于，所述抽取电缆的红外图像中所有的边缘像素点，并得到所有边缘线，包括的具体方法为：

抽取电缆的红外图像中所有的边缘像素点，将电缆的红外图像中所有边缘像素点记为“1”，所有不是边缘像素点的像素点记为“0”，得到边缘二值图，获取八连通域规则下边缘二值图中的所有由“1”构成的连通域，得到若干连通域并记为边缘线。

3.根据权利要求1所述基于特征抽取的电缆温度异常识别方法，其特征在于，所述对边缘线进行直线拟合，得到边缘线的直线拟合结果，并抽取边缘线的直线拟合结果中每条直线段的直线拟合程度，包括的具体方法为：

预设一个旋转门算法的偏差参数，利用旋转门算法，对所有边缘线进行直线拟合，得到若干边缘线的直线拟合结果；

对于第条边缘线的直线拟合结果，获取第条边缘线的直线拟合结果中直线段的数量记为，结合第条边缘线的直线拟合结果中每条直线段与第条边缘线之间围成的封闭区域的面积；抽取第条边缘线的直线拟合结果中每条直线段的直线拟合程度，具体的计算公式为：

式中，表示第条边缘线的直线拟合结果中第条直线段的直线拟合程度；表示第条边缘线的直线拟合结果中第条直线段与第条边缘线之间围成的封闭区域的面积；表示第条边缘线的直线拟合结果中直线段的数量；表示第条边缘线的直线拟合结果中第条直线段与第条边缘线之间围成的封闭区域的面积；表示最大值最小值归一化函数；表示以自然常数为底数的指数函数。

4.根据权利要求1所述基于特征抽取的电缆温度异常识别方法，其特征在于，所述基于边缘线的直线拟合结果，对边缘线进行分段，抽取边缘线的若干边缘线段，包括的具体方法为：

对于第条边缘线，将第条边缘线中与第条边缘线的直线拟合结果中第条直线段相交的两个点记为第条直线段的两个节点，将第条边缘线中第条直线段的两个节点间的边缘线段记为第条边缘线的第条边缘线段。

5.根据权利要求1所述基于特征抽取的电缆温度异常识别方法，其特征在于，所述基于边缘线的若干边缘线段上的温度信息，抽取边缘线的特征温度差值序列，包括的具体方法为：

对于第条边缘线的第条边缘线段，抽取第条边缘线的第条边缘线段中所有像素点温度信息均值，记为第条边缘线的第条边缘线段的特征温度；

抽取第条边缘线中所有边缘线段的特征温度，按照边缘线段的顺序排序，得到第条边缘线中所有边缘线段的特征温度组成的序列，记为第条边缘线的特征温度序列；将第条边缘线的特征温度序列中相邻特征温度之间的差值，记为特征温度差值，得到第条边缘线的特征温度差值序列。

6.根据权利要求1所述基于特征抽取的电缆温度异常识别方法，其特征在于，所述基于边缘线的直线拟合结果中相邻直线段的直线拟合程度的差异，抽取边缘线的特征直线拟合程度差值序列，包括的具体方法为：

抽取第条边缘线的直线拟合结果中每条直线段的直线拟合程度，按照边缘线段的顺序排序，得到所有直线段的直线拟合程度组成的序列，记为第条边缘线的特征直线拟合程度序列；将第条边缘线的特征直线拟合程度序列中相邻的直线拟合程度之间的差值，记为特征直线拟合程度差值，得到第条边缘线的特征直线拟合程度差值序列。

7.根据权利要求1所述基于特征抽取的电缆温度异常识别方法，其特征在于，所述基于电缆的红外图像中的疑似异常点，结合每条边缘线的所有边缘线段的分歧程度，抽取疑似异常点的异常置信度，包括的具体方法为：

对于第个疑似异常点，以第个疑似异常点为中心建立一个大小的搜索窗口记为第个疑似异常点的搜索窗口，其中为预设的搜索窗口边长；抽取第个疑似异常点的搜索窗口中所有疑似异常点，并记为第个疑似异常点的局部点；基于第个疑似异常点与第个疑似异常点的局部点之间的欧式距离，以及每条边缘线的所有边缘线段的分歧程度，抽取第个疑似异常点的异常置信度。

8.根据权利要求7所述基于特征抽取的电缆温度异常识别方法，其特征在于，所述抽取第个疑似异常点的异常置信度，的具体计算公式为：

式中，表示第个疑似异常点的异常置信度，表示第个疑似异常点的局部点数量；表示第个疑似异常点的第个局部点所处的边缘线段的分歧程度；表示第个疑似异常点与第个疑似异常点的第个局部点之间的欧式距离；表示最大值最小值归一化函数。

9.根据权利要求2所述基于特征抽取的电缆温度异常识别方法，其特征在于，所述基于疑似异常点的异常置信度，识别电缆中的温度异常区域，包括的具体方法为：

预设一个置信度阈值，对于任意一个疑似异常点，若所述疑似异常点的异常置信度大于则，所述疑似异常点为异常点；抽取所有异常点并得到异常线；所述得到异常线的方法与得到边缘线的方法相同；

利用边缘线连接算法对所有异常线进行连接，得到若干封闭区域，封闭区域为电缆中的温度异常区域。