改进Chan-Vese模型的电力设备红外图像分割算法

针对电力设备在线监测系统中红外图像分割效果差,速度慢等问题,提出一种改进的Chan-Vese模型的红外图像分割算法。首先,通过引入边缘能量项,一方面增强模型的局部控制能力,另一方面有效抑制了轮廓偏移。其次,利用径向基函数取代了传统的长度正则项,简化了计算。然后,通过引入内部能量项省去初始化过程,节省了算法的运行时间。经实验验证,Dice重合率(Dice similarity coefficient,DSC)平均值为0.9808,错误分割率(ratio of segmentation error,RSE)平均值为0.025,算法运行时间比其他模型总体平均值低66.8%。改进后的Chan-Vese模型分割算法的Dice重合率和错误分割率等均优于GAC-CV、CV-RSF、区域型水平集和Multiphase-CV模型分割算法。

电力设备红外图像分割的自适应聚类区域生长法

为了提高图像分割的精度,提出一种自适应聚类的区域生长法。提出一种新的自适应聚类选种,实现种子点的自动选取。提出基于全局的灰度阈值和梯度阈值作为生长准则进行生长。利用形态学腐蚀去除小型电力设备的干扰。实验结果表明,与传统分割方法相比,该方法有效地提高了电力设备红外图像的分割效果,同时验证在不同噪声强度的干扰下,该方法具有良好的鲁棒性。

改进人工蜂群优化Ostu电力设备红外图像分割算法

针对红外电力设备检测系统中红外图像分割效果差、易陷入局部最优等问题,提出一种改进人工蜂群优化Ostu电力设备红外图像分割算法。在种群初始化阶段融合了Lévy飞行增强蜂群的空间搜索能力和种群多样性,提高算法寻优的过程;在引领蜂阶段采用天牛须搜索法改进蜂群的搜索方程,提高蜂群的全局搜索能力,避免陷入局部最优。结果表明,与Ostu、PSO-Ostu和ABC-Ostu算法相比,文中算法的分割召回率和重叠率均提高了10%以上,有效提升了电力设备红外图像的分割效果。

基于改进Chan-Vese模型的电力设备红外图像分割

电力设备红外图像分割是电力设备模式识别和红外故障诊断的基础。Chan-Vese模型能够有效分割含强噪声和边缘模糊的图像,但其分割速度缓慢,并且在分割电力设备红外图像时不能有效消除无关背景。提出一种改进的Chan-Vese模型,采用多个初始轮廓,并采用二值函数代替距离函数初始化水平集函数;同时对Chan-Vese模型的梯度下降流提出改进,简化其图像数据项,并用一个高斯核函数取代长度正则项。改进的模型不仅方便计算,而且可以在迭代过程中采用更大时间步长,加快曲线演化速度。在对电力设备红外图像的分割实验中,证明了相比Chan-Vese模型,新模型分割速度明显提高,并且具备较好的消除无关背景的性能。

基于FAsT-Match算法的电力设备红外图像分割

红外技术能有效地检测电力设备过热缺陷,具有远距离、不接触、不取样、准确、快速、直观等特点。传统的电力设备故障红外人工诊断耗时、耗力,而针对人工诊断不足提出的智能诊断其难点之一在于能否较好的获得感兴趣区域(ROI,Region of interest)。红外图像具有强度集中、对比度低等性质,常用的分割算法用于电力设备红外图像ROI获取,其结果往往是过分割。针对过分割难点,本文提出一种基于FAs T-Match算法的电力设备红外图像分割方法。首先,运用FAs T-Match算法在可见光图像中近似模板匹配,然后在红外与可见光图像之间通过近似仿射变换找到目标在红外图像中的近似区域,最后用分割算法对近似区域分割。实验结果表明,提出的方法能够较好地解决电力设备红外图像过分割问题。

基于Mask R-CNN的电力设备红外图像分割技术研究

电网由各种电力设备组成,任何一个设备发生故障都将影响电网的稳定运行,通过对反映温度的电力设备的红外图像分析可以提前预知故障,因此需要对采集图像进行设备分割,然而目前对红外图像的分割多依赖传统方法,其效率低且分割结果不精确。论文提出基于Mask R-CNN的电力设备红外图像分割方法,这种深度学习的图像分割方法可以提取电力设备复杂的、高维的特征,有利于电力设备的分割,并且针对训练样本较少的问题,引入了迁移学习的机制。实验结果表明:Mask R-CNN和迁移学习的结合可以有效地解决电力设备红外图像的分割问题,其智能化、高准确率、高效率的特点为电力设备故障的分析提供了有力的技术支撑,保障了电网的安全、可持续发展。

基于改进遗传算法的电力设备红外图像分割研究

针对传统的遗传算法对目标图像感兴趣部位(ROI)分割存在收敛速度慢、耗时长、分割过当等缺点,提出一种改进遗传算法的分割方法,该方法采用最佳熵阈值法确定分割阈值,从而减少计算量,缩短耗时。通过Matlab仿真实验所得结果表明,改进后的遗传算法在电力设备红外图像分割的时间和效果上均优于传统算法。

基于粒子群优化法的Niblack电力设备红外图像分割

针对电力设备红外图像分割效果受非均匀背景和噪声干扰等因素影响的问题,提出了一种基于粒子群优化方法的Niblack设备红外图像分割算法。采用类间方差作为粒子群算法的适应度函数,自动搜寻Niblack法中图像不重叠矩形邻域的最优分割阈值,并将其用于图像的二值化分割,从红外图像中提取出设备的目标区域。实验结果表明:该分割算法与传统的Otsu等算法相比效率更高,且误分率(ME)减少了14%~78%。鲁棒性分析表明,本算法对含较大噪声密度的红外图像分割性能优于其他传统算法,从而有效提高了电力设备红外图像分割精度与效率。

一种复杂背景下的电力设备红外图像分割方法

针对背景复杂的电力设备红外图像分割问题,提出一种新的分割方法。该方法运用线性谱聚类算法(LSC)对图像做超像素分割,将颜色、距离相似的像素聚类至同一个中心;利用在全局图像基础上计算所得的Otsu阈值对各超像素块做背景预标记,并利用最大相似度区域合并算法(MSRM)对超像素块进行合并,在得到目标设备的同时,有效降低了过分割和欠分割率;最后运用数学形态学算法对图像做后处理,在保证设备特征的前提下提高目标设备分割精度。实验表明,在复杂背景下与其他算法相比,该方法可得到更为准确、完整的目标设备。

基于大模型的红外图像电力设备交互式分割

电力系统的智能化检测已经成为现代工业生产的重要保障,而其中对日常巡检中采集的红外图像进行电力设备区域分割是电力故障诊断过程中的重要环节。然而,当前基于深度学习的电力设备红外图像分割方法需要大量人工标注的样本,像素级的人工标注费时费力。为此,利用可见光图像数据集中预训练得到的大模型所具有的泛化性优势,将图像分割大模型—分割任意模型(SAM)应用于红外图像的电力设备交互式分割,利用少量的用户点击输入,快速得到准确的电力设备分割结果。在本文构建的电力场景红外图像数据集中,利用模拟的用户点击对模型性能进行了评估。实验表明,本文的方法在无需额外训练的情况下能够精准地实现电力设备的交互式分割。本文的方法能够有效地帮助工作人员提高对电力设备图像的标注效率,快速构建大规模红外图像数据集,促进红外图像分割模型及故障诊断模型的训练,助力电力系统检测智能化水平的提升。

融合彩色模型空间的电力设备红外图像增强

电力设备红外图像普遍存在亮度暗、对比度低等问题,针对此现象,提出了一种融合彩色模型空间的图像增强算法。该方法将图像的对比度与亮度增强转换至HSV与RGB空间中分别进行处理:RGB空间中,首先预处理图像中的高灰度级,并采取混合滤波的方式抑制图中噪声,然后使用增强函数提高图像亮度,最后将增强图像转换至HSV空间中并提取H、S、V三分量图;HSV空间中,采用伽马变换和CLAHE(contrast limited adaptive histogram equalization)算法实现V分量的亮度提升,并采取非线性饱和度矫正函数处理S分量提升图像对比度,最后将处理分量与提取分量进行对应融合得到HSV空间中的增强图像,并将其转回RGB空间中得到最终的输出图像。实验结果表明,本文算法能明显地提升红外图像的亮度与对比度,增强后的3组图像其灰度均值和标准差平均值分别为115.94和78.65,相对于原图的平均值分别提升了81.59和36.17。

基于FRWWT算法的电力设备红外图像去噪

针对红外电力设备巡检系统中的红外图像具有较强噪声的问题,提出一种基于分数阶加权小波变换(fractional weighted wavelet transform,FRWWT)的红外图像去噪算法。该算法通过细分方案构建一种具有更好消失矩、紧支撑性、衰减性的加权小波作为分数阶小波变换的基函数,对电力设备的红外图像进行多尺度分解,利用阈值处理去除系数中的噪声分量得到估计分数阶小波系数,对系数进行重构,得到去除噪声后的图像。试验结果表明,该算法比加权中值滤波、分数阶小波阈值和均值滤波具有更好的去噪效果和实用价值。

基于改进Transformer的变电站复杂场景下电力设备分割

【目的】变电站电力设备种类多设备之间连接关系复杂,普遍存在设备位置和图像对比较为单一,实际应用中只能获得有限数量的目标图像和标记以及传统方式分割带来的电力设备图像分割精度不够的问题,将卷积神经网络(Convolution Neural Network,CNN)与Transformmer结合组成新模型进行变电站电力设备的分割,提出了一种基于编解码器结构的新型SE-Transfomer(Substation Equipment Transformer)网络。【方法】为了获取局部上下文信息,编码器首先利用CNN提取空间特征图。同时,对特征图进行了精心改造,多尺度特征输入进行全局特征建模。该解码器利用Transformer提取全局深层特征,并进行逐步上采样来预测详细的分割图。SE-Transfomer在山西省梁家庄变电站数据集上进行广泛实验,其纵向结果的Dice系数(Dice)、召回率(Recall)、特异度(Specificity)和均方根误差(RMSE)分别为89.31%,90.52%,89.62%和11.32.【结果】结果表明,SE-Transfomer在变电站电力设备的扫描上获得了与以往最先进的分割方法相当或更高的结果。

基于交互式分割的电力设备红外图像自动标注方法

电力设备故障是影响电力系统安全的关键因素,对红外图像中的目标进行分割是进行电力故障诊断过程中的一个重要步骤。针对传统分割方法鲁棒性差及深度学习方法需要大量标注数据等问题,提出了一种基于深度学习的红外图像电力设备交互式分割方法。此方法利用少量像素级标注的电力设备红外图像,模拟用户点击输入并训练一个粗分割和精细分割相结合的交互式分割模型,用以准确分割红外图像中的电力设备区域。实验表明,文中方法能够精准、快速地实现电力设备的交互式分割标注,并且可对模型的错误分割区域进行进一步修正。此外,文中方法亦能帮助用户快速地标注电力设备图像,构建大规模数据集以供后续模型的训练学习。

基于融合重构的电气设备红外图像EnFCM聚类分割方法

红外图像分割是电气设备红外故障诊断的关键环节,而电气设备的不均匀散热、较低的对比度与多源噪声的干扰,会导致目标区域过分割,严重影响分割精度。对此本文提出一种基于融合重构的EnFCM(Enhanced Fuzzy C-Means)聚类电气设备红外图像分割方法。首先对梯度图像进行自适应形态学重建操作,保证算法对噪声图像的分割能力;其次对图像进行显著性检测,将显著图与梯度图融合得到重构后的图像,凸显故障部位的特征,避免过分割;然后对重构后的图像进行分水岭分割获取超像素图像,最后对超像素图像直方图聚类得到分割结果。对电气设备红外图像的实验结果表明:本文算法在电气设备红外图像上能准确分割出故障区域,获取其位置与轮廓,有效改善了过分割现象,在选取的交并比与DICE系数指标对比中,本文方法对比选取的FRFCM、FCM、SFFCM、FCM_SICM、RSSFCA、AFCF平均提升了81%与79%;同时对噪声有较强的鲁棒性,在选取的分割准确率指标对比中,本文方法对比选取的FRFCM、FCM、SFFCM、FCM_SICM、RSSFCA、AFCF平均提升了73%,取得了较优的分割效果。

基于改进YOLOv7的电力设备红外过热缺陷检测方法

电力设备运行时发生过热缺陷容易引起电气故障,严重威胁电力设备安全运行。为了有效监测电力设备运行状态,提出一种基于改进YOLOv7的电力设备红外过热缺陷检测方法。采用YOLOv7目标检测网络作为基础检测网络,使用CIoU衡量矩形框的损失,同时将原网络的空间金字塔池化-跨阶段局部网络(SPPCSPC)结构替换为快速空间金字塔池化-跨阶段局部网络(SPPFCSPC)结构对模型进行改进,以增大模型感受野并提升对过热缺陷的检测性能。实验结果表明,基于改进YOLOv7的检测方法的准确率达到90.39%、召回率达到78.95%、平均正确率达到89.64%,可为电力设备过热缺陷红外检测提供参考。

基于改进卷积神经网络的电力设备红外图像分类识别方法

随着电力设备故障诊断技术的不断发展、红外测温诊断技术不断成熟,如何快速有效地对各类电气设备红外测温图像进行分类识别,是今后故障诊断智能化发展的关键环节之一。通过对红外测温图像分类识别方法进行研究,提出了一种基于改进卷积神经网络的电力设备红外图像分类识别方法。首先,通过旋转、翻转等方法对收集的红外图像进行数据增强;然后,建立基于改进MobileNetV2的电力设备红外图像分类识别模型,将电力设备红外测温图像通过迁移学习进行加权训练,利用Focal Loss函数改进神经网络的损失函数;最后,通过Softmax分类方法实现电力设备红外图像分类识别。试验表明,使用改进MobileNetV2的分类识别模型对电力设备红外图像进行分类识别的总平均准确率为92.62%,红外图像检测速度为116 f/s,具备较好的收敛速度与识别能力,为电力设备智能巡检提供了新思路。

改进ESRGAN的电力设备红外图像超分辨率重建方法

为解决红外图像模糊、分辨率低的问题,提出了一种基于改进ESRGAN的电力设备红外图像超分辨率重建方法。通过改进ESRGAN算法的数据集构造、判别模型结构和损失函数,保证网络性能和稳定性,应用该方法对电力变压器、互感器和绝缘子三类电力设备红外图像数据集进行训练和测试。结果表明,相较于SRGAN和ESRGAN算法,文中方法重建的超分辨率电力设备红外图像质量在主观及客观评价均有提升,峰值信噪比分别提高了4.56和2.03 dB,结构相似性分别提高了0.111和0.098。

基于改进CenterNet的电力设备红外图像识别

由于受到变电站复杂背景的影响,所以传统目标检测算法无法准确识别和定位电力设备。提出了一种基于改进中心点网络(CenterNet)的电力设备红外图像识别模型。首先,针对复杂环境下目标特征信息不足的问题,使用特征提取能力更强的ResNeXt50作为CenterNet的主干网络,在保持原模型参数量不变的同时增加了网络宽度,使其能获取更加丰富的特征信息,从而提升检测的精度;然后,通过在预测层加入通道注意力机制来提升模型对重要目标的关注度,同时抑制无关信息干扰,保证了模型检测的鲁棒性;最后,为证明模型的有效性,在自制数据集上进行了实验验证。结果表明,改进后模型的均值平均准确率可达93.7%,相比原始模型提升了2.1%,优于现有的几种主流检测模型,有效提升了变电站复杂环境下电力设备红外图像识别的精度。

基于灰狼自适应阈值分割和改进模糊增强的红外图像NSCT增强算法

研究低成本和便携的红外成像技术是最近几年带电检测的发展趋势,为减少红外检测环境、红外传感器以及其他因素的影响,解决红外检测中红外图像含噪声干扰、模糊和对比度低的问题,文章设计了一种基于灰狼自适应阈值分割和改进模糊增强的红外图像NSCT增强算法。对原始红外图像进行NSCT域变换;变换后含有噪声的高频分量采用VT去噪后,接着采用改进模糊增强处理;对变换后含有电力设备主体的低频分量进行灰狼自适应阈值分割为背景和前景部分,随后分别进行增强处理;最后将处理后的各分量进行逆NSCT变换。经对比应用,验证了该算法应用在变电站电力设备红外检测上的优越性:文章算法与其他算法相比在边缘强度、信息熵、对比度、标准差、峰值信噪比五类评价指标上的涨幅至少为3.94%、2.16%、9.86%、7.45%、21.86%。文章算法处理后的红外图像符合人眼视觉效果,更易于人眼识别故障,有利于电力设备热故障的检测与故障定位。