[发明专利]一种基于红外成像技术的电力设备识别方法

说明书

本发明公开一种基于红外成像技术的电力设备识别方法。方法主要包括图像清晰化、边缘提取、特征提取、电力设备检测。本发明首先对红外图像进行清晰化处理，得到高质量的红外图像，接着通过边缘检测提取图像边缘，对边缘图像提取特征，并将所有正负样本的特征进行SVM训练得到训练模型，最终利用训练模型实现红外图像中的电力设备识别。本发明提出的基于红外成像技术的电力设备识别方法，能自动识别电力设备，克服可见光图像中电力设备识别容易受背景干扰的问题，同时，本发明为电力设备热故障检测提供了基础，具有较高的实用价值。

技术领域

本发明涉及输变电线路巡检领域，具体涉及一种基于红外成像技术的电力设备识别方法。

背景技术

随着社会经济的快速发展，社会对电力的需求激增，输变电线路巡检成为保障国民用电安全的重要手段。在电力行业，输变电线路是电力系统的重要组成部分,由于其长期暴露在自然环境中，不仅要承受机械载荷和电力负荷的内部压力，还要经受污秽、雷击、强风和鸟害等外界因素的侵害。上述因素会加速线路上各元件老化、疲劳，如不及时发现并消除隐患则可能发展成各种故障甚至导致严重事故发生，这对电力系统的安全和稳定构成威胁。

带电设备的红外热故障检测技术是一项新兴的技术。它是利用带电设备的致热效应，采用专用的仪器获取设备表面发出的红外辐射信息，进而判断设备状况和缺陷性质的一门综合技术。红外检测技术具有不需停电、远距离、准确高效等优点，克服了定期计划检修的盲目性，具有很高的安全性和经济价值。而现存技术仅利用热故障检测能诊断出故障位置而不能确认故障设备类型，无法做到根据电力设备类型有针对性的对设备进行维修。

本发明利用红外成像技术结合边缘方向直方图(Edge Oriented Histogram；EOH)特征及支持向量机(Support Vector Machine；SVM)分类器对电力设备类型进行分类训练，实现对电力设备类型的识别。图像边缘特征能够在一定程度上反映出图像中目标的主要特征，Canny边缘检测算法作为经典的边缘检测算法可以有效地检测出图像中大量的边缘信息，但是不能突出显著目标的边缘。而基于形态学图像锐化算法能有效增强边缘并平滑噪声，从而能够在一定程度上提高图像的显著度。所以本发明采用基于形态学的图像锐化算法结合Canny边缘检测算法提取显著性边缘特征，并结合SVM得到训练模型，利用检测模型在图像中提取出电力设备。该算法能迅速从复杂背景中筛选出电力设备，减弱了复杂背景对提取电力设备带来的影响，适用面更广。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种基于红外成像技术的电力设备识别方法，解决现有无人机输变电线路巡检无法准确识别出热故障电力设备类型的问题。

为实现上述目的，本发明采用的技术方案是：

一种基于红外成像技术的电力设备识别方法，所述方法按照图像清晰化、边缘提取、特征提取、目标识别的过程对电力设备进行检测识别，其中，图像清晰化用于获得高质量的红外图像，边缘提取用于通过边缘检测提取图像边缘，特征提取用于提取边缘图像特征，目标识别用于将所有正负样本的特征进行SVM训练得到训练模型，然后利用训练模型实现红外图像中的电力设备识别。

优选地，所述图像清晰化进一步包括：

a.图像归一化，将电力设备红外图像的灰度值归一化到[0,1]，消除图像灰度的偏差；

b.小波去噪，利用小波变换消除灰度值归一化后的图像的噪声，提高目标特性；

c.形态学滤波，若经过a、b步骤的处理后，图像的噪声仍然大于最大允许噪声，则利用图像形态学处理进行背景滤波，进一步消除锐化噪声点和独立噪声点。

优选地，边缘提取进一步包括：利用Canny算子，获取图像的显著性边缘轮廓。