[发明专利]基于深度学习的输变电设备红外图像温宽范围识别方法

说明书

本发明提供一种基于深度学习的输变电设备红外图像温宽范围识别方法，所述方法包括：S1、截取红外图像待处理区域；S2、利用RPCA算法优化后续待提取数字区域；S3、对待提取数字区域做膨胀处理，形成连通区域，提取权重最高的连通区域；S4、通过二值化操作进行单独数字区域分割；S5、利用样本数据进行深度学习，并根据训练模型和分类器对分割后的数字区域进行识别；S6、合并识别结果。本发明解决了现有技术中由于图层信息缺失影响对设备故障的分析和诊断问题，实现对图层信息缺失的图像进行信息识别，提高准确度，方便对输变电设备进行故障分析和诊断。

技术领域

本发明涉及输变电设备红外图像识别领域，特别是基于深度学习的输变电设备红外图像温宽范围识别方法。

背景技术

作为一种主要的输变电设备带电检测手段，红外诊断技术对及时监控输变电设备状态具有重要作用。红外诊断技术即采用红外线对输变电设备进行热成像，通过热成像对输变电设备进行状态监测，诊断其状态是否处于正常状态，红外诊断技术广泛应用于输变电设备监测领域。

红外热像仪在成像过程中，会通过自动或手工设置的温宽显示范围，结合选定的调色板和实际测定的温度对成像得到的伪彩色图像进行展示和存储。红外热像仪如FLIR等主要厂家生成的图像中都通过多个图层存储红外图像的底层温度等其他相关信息，可以直接用于进一步的温度比较和故障分析。

但是在红外热像仪的实际工作过程中，红外图像在数据流转过程中由于转存以及截图等操作，可能会丢失存储的其他图层信息，从而无法获知温宽范围信息，从而无法掌握输变电设备的状态，该问题的产生会对输变电设备的分析和诊断产生极大的影响。

发明内容

本发明的目的是提供基于深度学习的输变电设备红外图像温宽范围识别方法，旨在解决现有技术中由于图层信息缺失影响对设备故障的分析和诊断问题，实现对图层信息缺失的图像进行信息识别，提高准确度，方便对输变电设备进行故障分析和诊断。

为达到上述技术目的，本发明提供了一种基于深度学习的输变电设备红外图像温宽范围识别方法，包括以下步骤：

S1、截取红外图像待处理区域；

S2、利用RPCA算法优化后续待提取数字区域；

S3、对待提取数字区域做膨胀处理，形成连通区域，提取权重最高的连通区域；

S4、通过二值化操作进行单独数字区域分割；

S5、利用样本数据进行深度学习，并根据训练模型和分类器对分割后的数字区域进行识别；

S6、合并识别结果。

优选地，所述RPCA算法公式如下：

该公式中，I₂即上述的温宽展示区，E为优化得到的数字区域，为优化后的图形区域。

优选地，步骤S3具体操作如下：

S301、膨胀处理，形成多个连通区域；

S302、统计所有连通区域的有效属性；

S303、提取权重最高的两个连通区域，即为最高温区域和最低温区域。

优选地，所述有效属性包括中心点位置、外接矩形、面积、规则度。

优选地，所述权重的计算公式为：

W_i＝N_i*S_i

N_i为面积，S_i为规则度。

优选地，步骤S5具体操作如下：