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。

基于改进黏菌算法与Tsallis熵的电力设备红外图像分割

常规方法处理电力设备红外图像分割问题时,求解最优阈值容易出现分割精度差、计算效率低的不足。为此,本文提出基于改进黏菌算法优化Tsallis熵的多阈值红外图像分割方法。利用黏菌算法的启发式搜索机制求解图像分割最优阈值,有效降低算法时间复杂度。在传统黏菌算法中引入Henon混沌映射优化初始种群多样性,设计动态透镜成像对立学习机制提高算法搜索精度。以Tsallis熵评估黏菌个体的适应度改进黏菌算法,迭代搜索图像分割阈值最优解。在常规电力设备红外图像数据集上进行实验,结果表明:与对比模型相比,改进模型具有更低的误分率和更高的峰值信噪比与结构相似度,在处理背景非均匀、噪声较大的红外图像分割上具有性能优势。

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。

基于改进区域生长法的电力设备红外图像分割

为实现电力设备红外图像中目标设备图像的分割,对传统区域生长法需要人工选择初始种子点,以及易产生过分割与欠分割的不足提出了改进,将红外图像中邻域均值最大的像素点作为种子点,实现种子点的自动选取。提出了使用Sobel算子计算梯度幅值作为附加限定条件的生长准则。改进的区域生长法的分割效果比传统的区域生长法效果更好。

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。

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。

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。

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。

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。

电力设备的红外图像故障区域分割方法

电力设备故障红外图像区域分割是电力设备故障处理与分析的基础步骤。针对区域生长法分割适应性弱,导致分割准确性低的问题,文中提出以温度最高点为种子点,并且引入类间方差函数对生长阈值进行优选的改进区域生长方法,有效提高故障区域分割的准确性。通过改进方法与其他方法的对比实验,结果表明:文中所提出的方法准确率高于传统方法23.94%。所提出的改进区域生长法有效提高了电力设备的红外图像故障区域分割准确性。

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。

基于改进YOLO v5方法的电力设备红外图像识别方法

为解决电力设备红外图像有遮挡、分类不准确和特征提取不充分等问题,本文提出一种改进的YOLOv5识别方法。首先通过迁移学习的方法,将电力设备可见光图像和红外图像相融合,接着将Triplet注意力机制嵌入到特征提取网络中,对关键特征信息进行加权强化,最后通过多尺度融合的方法实现不同目标的识别。研究结果表明:相对于Faster R-CNN和SSD,本文方法的识别精度和识别效率最高,且适应于复杂背景下的多类型电力设备识别;本文方法的模型仅4.1 MB,相较于SSD缩减了80.8%,实现了网络模型的轻量化。本文方法为电力设备红外图像智能检测提供了新颖可行的方案。

基于红外图像的电力设备故障识别技术研究

目前电力设备故障尚未应用温度变化率进行变压器故障诊断,因此本文提出利用基于模糊温差法的隶属函数方法对红外图像进行预处理,并利用YOLOv7模型对红外图像进行处理,以提升红外图像的辨识度。试验结果表明,YOLOv7算法的红外图像处理模型的节点数量仅为121个,比YOLOv3和YOLOv4分别降低80.9%、81.03%。并且YOLOv7算法在图像处理时间方面具有较好的性能,检测时间仅为10 s,比YOLOv3和YOLOv4的检测时间分别降低50%和30%。

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。

一种改进YOLOv8n的电力设备红外图像识别网络

针对目前电力设备红外图像识别算法存在检测精度低和模型计算量大的问题,提出一种改进YOLOv8n的电力设备红外图像识别网络YOLOv8n-DCSW。在YOLOv8n主干网络中添加坐标注意力(Coordinate Attention, CA)并使用可变形卷积网络(Deformable Convolution Network, DCN)替换残差模块中的标准卷积,加强复杂环境下对小目标的关注度,提高识别精度;将颈部网络更换为Sim-neck,降低模型运算量;引入Wise交并比(Wise Intersection over Union, WIoU)损失函数减少低质量边框产生的梯度干扰,提升模型的识别精度和收敛速度。实验结果表明,所提算法在自建红外数据集上的平均精度均值(mean Average Precision, mAP)达到95.9%,计算量为6.9 GFLOPs,相较原算法mAP提高了1.7%,同时计算量减少了1.2 GFLOPs,满足电力设备红外图像识别的高精度和低计算量要求。

基于红外图像的电力设备分割方法研究

针对电力设备在红外检测中存在图像分辨率低、背景噪声大的问题。首先选取基于边缘检测的分割方法,挑出常用的检测算子对电力设备红外图像进行分割实验,通过实验来了解这些分割方法的不足,为选择合适的分割方法完成电力设备红外图像的精确分割提供参考。提出将改进分水岭分割算法应用到隔离开关红外检测图像分割中,能够完整地将电力设备从红外检测图像中分割出来,大大地提高故障诊断的效率。实验表明所提出的改进分水岭分割算法相对于其他分割算法能准确有效地分割出隔离开关。

基于红外可见光图像配准的电力设备分割算法

电力设备故障会导致变电站大范围停电,造成巨大损失。根据电力设备运行时会发热的特点,提出一种基于红外可见光图像配准的电力设备分割方法,便于进行故障检测。该方法首先利用结构化随机森林对电力设备的红外和可见光图像进行边缘检测,构建可见光边缘图像的多尺度高斯金字塔,然后结合归一化互信息对红外和可见光图像进行配准,对红外图像进行Otsu阈值分割,结合配准结果分割出可见光图像中的电力设备。实验结果表明,该算法能精确地实现配准及分割,具有一定实用性。