基于模糊推理的电气设备红外图像分割

使用模糊理论处理电气设备红外图像分割的不确定性，提出了一种基于模糊推理的电气设备红外图像分割算法。首先分别利用电气设备红外图像故障区域的像素灰度、像素点与图像质心的马氏距离以及图像膨胀操作定义了强度特征、全局故障可能性特征和局部灰度特征；然后根据特征的模糊语言值制定了27条模糊规则，设计了一种模糊推理红外图像分割算法；最后，从主观和客观评价指标上将算法与传统Otsu算法和FCM算法进行了对比。实验表明，该算法的分割精度和误分割率比其他两种算法都有一定的改善，同时该算法能够滤除图像中具有高亮度的干扰区域，对具有小亮度差和小面积故障区域的红外图像有较好的分割效果。     

一种复杂背景下的故障电气设备整体分割方法

针对变电站电气设备红外监测过程中，获取的红外图像背景复杂而导致故障设备定位不准确、分割难度较大等问题，提出了一种在复杂背景下对故障设备进行定位与整体分割的方法。首先，通过SLIC(Simple Linear Iterative Clustering)超像素算法对图像进行分割，并对超像素块进行Lab颜色空间转换，根据阈值判断是否存在故障并获取故障区域。然后，选取故障图像中最大联通量的较亮点作为种子，利用最大类间方差原理控制种子数目，通过改进区域生长法获取目标主体设备。最后，将故障区域与目标主体设备进行交集运算，完成对故障电气设备的整体分割。研究结果表明，该方法能有效完成复杂背景下的故障电气设备定位与整体分割。与其他分割方法相比，该方法获取的故障电气设备更加完整准确。     

基于数字水印技术的造假图像识别

研究造假图像的准确识别问题。如果造假区域比较小,像素不会发生大规模排斥,造假区域与初始图像区域的像素融合度比较高。传统算法是基于像素排斥比例进行造假图像识别的,无法避免由于造假区域较小、初始图像区域像素融合度较高造成的像素排斥系数阀值较低,从而致使造假图像识别的准确率降低。提出了一种数字水印技术的造假图像识别方法,建立图像的数字水印数学模型,将水印信号嵌入到图像中,从待识别图像中提取相关水印参数,将二者进行对比分析,运用参数的变化来表示小区域的像素异常,从而实现造假图像的识别。实验证明,这种算法有效提高了造假图像识别的准确率。     

基于深度残差UNet网络的电气设备红外图像分割方法

红外图像处理是实现电气故障诊断的有效手段,而电气设备分割是故障检测的关键环节。针对复杂背景下红外图像电气设备分割难问题,本文采用深度残差网络与UNet网络相结合,深度残差网络替代VGG16对UNet网络进行特征提取和编码,构建深度残差系列Res-Unet网络实现对电气设备的分割。以电流互感器和断路器两种电气设备红外图像分割为例测试Res-Unet网络分割效果,并与传统的UNet网络和Deeplabv3+网络进行对比。通过对数量为876的样本进行测试,实验结果表明,Res18-UNet能够准确地分割电气设备,对电流互感器和断路器的分割准确率超93%,平均交并比大于89%,且分割准确性优于UNet及Deeplabv3+网络模型,为实现电气故障智能诊断奠定基础。     

盆式绝缘子闪络的典型异物红外图像识别算法

分割典型异物像素区域时,难以选取最佳分割阈值,导致识别出的典型异物定位精度较差,由此,提出盆式绝缘子闪络的典型异物红外图像识别算法。去除红外图像脉冲噪声、高斯噪声,通过边缘锐化和灰度均匀化,划分图像目标和背景,利用遗传算法搜索各类图像灰度方差和最大值,将最大值对应的分割阈值作为最佳阈值,分割典型异物像素区域,构建改进BP神经网络,提取分割图像的异物类别特征,迭代训练后,识别周围典型异物类别。实验结果表明,该方法减小定了位边界框与异物矩形框的间距,提高了异物目标定位精度和识别效率。     

基于区域生长法和BP神经网络的红外图像识别

针对变电站巡检机器人远程监控系统中红外图像识别存在的问题,提出一种基于改进区域生长法和BP神经网络的红外图像目标设备分割与识别的方法。利用最小二乘法拟合出红外图像中亮度与温度之间的线性关系,建立基于像素的图像温度场;根据设定温度范围确定区域生长法的种子点位置,利用Otsu法确定截屏窗口最优分割阈值,并结合灰度相似性阈值作为区域生长法的分割准则,实现该窗口目标设备精确分割;将分割出的设备二值图像的Hu不变矩作为设备形状特征向量,并对其进行不变性和类间区分度验证;采用引入附加动量法和自适应调整学习率的BP神经网络实现多种电气设备的识别,实验数据表明优化后的BP神经网络具有迭代收敛快,误差波动性小,分类准确度高等特点。     

基于红外图像的变电站巡检故障分析

变电站设备故障的自动巡检是智能电网的关键。文中提出了一种利用红外图像实现变电站故障自动巡检的方法。该方法首先利用多尺度Retinex和双边滤波对变电站红外图像进行增强处理,然后采用快速Otsu分割算法实现设备区域提取,最后构建了基于卷积神经网络的故障自动诊断模型。对变电站7处设备进行故障巡检测试,结果表明,该方法能够有效识别变电站故障,且准确率较高。     

基于DeepLabv3+网络的电流互感器红外图像分割方法

红外图像智能分析是变电设备故障诊断的一种有效方法,目标设备分割是其关键技术。本文针对复杂背景下电流互感器整体分割难的问题,采用基于ResNet50的DeepLabv3+神经网络,用电流互感器的红外图像训练语义分割模型的方法,对收集到的样本采用限制对比度自适应直方图均衡化方法实现图像轮廓增强,构建样本数据集,并运用图像变换扩充样本数据集,搭建语义分割网络训练语义分割模型,实现电流互感器像素与背景像素的二分类。通过文中方法对420张电流互感器红外图像测试,结果表明,该方法的平均交并比（Mean Intersection over Union, MIoU）为87.5%,能够从测试图像中精确分割出电流互感器设备,为后续电流互感器的故障智能诊断做铺垫。     

基于随机森林和超像素分割优化的车载红外图像彩色化算法

为了将红外图像中所包含的信息更加友好、直观地呈现给用户,改善用户对于红外图像的理解效果,针对车载红外图像的特点,提出了一种基于随机森林分类器和超像素分割算法相结合的车载红外图像彩色化算法。首先对原图的各个像素点进行特征提取,然后训练随机森林分类器,使它能够对待测试图像的各个像素点进行正确的分类。再使用超像素分割与直方图统计相结合的方法对分类结果图像进行优化。最后将优化后的分类结果图像转换到HSV色彩空间进行对应的色彩传递。通过实验证明该方法能够在很好的对红外图像进行彩色化处理的同时,保证色彩传递的正确性和实时性。     

基于深度卷积神经网络的红外场景理解算法

采用深度学习的方法实现红外图像场景语义理解。首先,建立含有4类别前景目标和1个类别背景的用于语义分割研究的红外图像数据集。其次,以深度卷积神经网络为基础,结合条件随机场后处理优化模型,搭建端到端的红外语义分割算法框架并进行训练。最后,在可见光和红外测试集上对算法框架的输出结果进行评估分析。实验结果表明,采用深度学习的方法对红外图像进行语义分割能实现图像的像素级分类,并获得较高的预测精度。从而可以获得红外图像中景物的形状、种类、位置分布等信息,实现红外场景的语义理解。     

基于红外热成像的电气设备组件识别研究

常见的电力设备有变压器、开关柜、断路器等,这些设备都由多个组件构成.通过这类设备的红外热成像实现了对其组件的识别.基于红外热成像信息量较少的特点,采用多种算法融合.首先是基于Lab模型采用改进的K-means聚类和形态学的结合,提取红外图像中的高温区域,充分保证了效率和可靠性.其次采用改进的SURF(speeded-u...     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

基于深度学习模型的电力变压器故障声音诊断方法研究

利用声音信号对电力变压器进行故障诊断是一种不停机的设备维护方法,可以诊断变压器故障类型或预测故障产生的时间。声音诊断相对于其他诊断方式有许多优点,但是传统的声音自动诊断方法识别率不够理想。为了探索深度学习技术在声音故障诊断方面的可行性,本文采集了真实变压器在正常状态、老化和放电两种故障运行状态下发出的声音信号,对信号分别进行了声谱图转换和梅尔对数谱图的转换,输入一种高效轻量级卷积神经网络--Mobile Net深度学习模型中开展了训练。训练结果表明,将卷积神经网络应用在变压器故障声音诊断上能够得到较高的准确率,尤其是采用梅尔对数谱图对三种状态下识别准确率均能达到99%以上,而采用声谱图进行训练对放电类型的故障识别率较高,老化故障识别率不够理想。     

利用稀疏堆栈自编码器实现调制样式识别算法

针对传统调制样式识别方法性能受预先依靠经验设计的特征参数影响大问题,提出一种基于稀疏堆栈自编码器的数字调制样式识别算法。首先根据网络输入数据形式要求,为了利用信号幅度和相位所包含的调制样式信息,提出一种将复数信号预处理为网络可接受的实数形式的信号预处理方法。在网络训练阶段,先通过逐层训练得到每层稀疏自编码网络的初始化参数,再通过有监督算法对分类层训练,最后利用有监督算法进行整体优化。采用 作为分类层完成数字调制样式识别。7种数字调制样式识别的仿真实验表明了本文算法的有效性,相比于其他算法,本文算法在低信噪比时正确识别率较高,识别性能不受人为因素的影响。      

基于Faster R-CNN的旋转机械红外检测与识别

旋转机械是机械设备的核心部件,一旦发生故障会造成不可估量的损失,因此旋转机械的实时监测诊断显得尤为必要。无人值守的红外智能监测诊断将是故障诊断新的发展方向,要实现红外智能监测诊断首先要准确识别旋转机械部件。本文利用红外热像仪监测旋转机械的运行状态,获得了电动机、联轴器、轴承座、齿轮箱等设备的红外热图;采用Faster R-CNN算法对测量得到的旋转机械红外图像进行了学习训练和目标识别,结果表明该算法能够准确识别旋转机械部件;研究了单角度和旋转角度红外监测的识别效果,发现在相同角度下使用红外灰度图像进行训练的检测效果比使用红外伪彩色图像训练的检测效果更佳;对比了4种预训练网络对于红外目标识别的影响,采用Resnet50预训练网络的平均检测精度为0.9345,识别精度更高。     

Infrared Image Series Automatic Registration and a History & Tendency Analysis

Infrared camera has been widely used in electrical power systems for predictive and preventive thermal fault diagnosis. Without historical IR images being considered, most thermograph analysis used at present are concerned with static image. The dynamic history and tendency analysis which compares the newly taken image with historical images is particularly attractive. Conclusions can be drawn from temperature variations rather than just from anomalous thermal pattern. However the spatial distortions prevent such dynamic analysis from being practicable. So the need to register infrared images arises. This paper proposes an automatic registration algorithm based on closed temperature contour matching for infrared image series of a target equipment taken at different times. Centroid Distance Function is used in image registration for the first time. The algorithm can remove spatial distortions, bring temperature variations into prominence and endow infrared camera with dynamic analysis ability. Experiment shows that the algorithm is simple, effective and extensible.     

基于Zernike矩特征的电力设备红外图像目标识别

基于红外图像处理的电力设备及其关键构件识别是红外诊断技术的关键步骤,其难点之一在于设备图像的倾斜、缩放以及外形相似性导致的设备特征参量难以提取。本文以电流互感器、电压互感器、避雷器、隔离开关以及断路器五种外形相对接近的设备状态红外图像为研究对象,采用具有旋转与缩放不变性的Zernike矩作为待识别设备的特征,并基于相关向量机(Relevance Vector Machine,RVM)进行设备分类与识别。实验结果表明,该方法不受目标在图像中所处位置与倾斜角度影响,能够自定义生成大量高质量样本且有效分辨不同设备,设备识别准确率达到94.7%,验证了该方案的有效性与实用性。     

遥感图像建筑物识别及变化检测方法

针对单独使用像素级变化检测或特征级变化检测对于高层建筑物检测精度低的问题,提出了一种图像特征和经验知识结合的建筑物识别及变化检测方法,用于检测多时相遥感图像中高层建筑物的变化情况.首先采用本文提出的Ratio梯度与交叉累积剩余熵相结合的配准算法配准两个不同时相的SAR和全色图像,分别利用知识规则识别SAR和全色图像建筑物区域,在识别的建筑物区域上,采用像素比值法进行建筑物变化检测.实验结果表明,该方法可以有效提高建筑物的检测正确率,降低虚检率和漏检率.     

基于深度学习的红外遥感信息自动提取

为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。