基于小波变换的电力设备红外监控图像滤波算法

针对电力设备红外监控图像,提出了一种改进型的半软半硬阈值去噪函数模型。该模型首先对经典的半软半硬阈值去噪函数模型添加了1个小波分解系数相关性因子,使得改进后的模型能够更好的保持图像细节信息的连续性;然后在对传统全局统一阈值的基础上融入了小波分解层数因素,并结合反正弦函数对其进行了改进,使得改进后的阈值能够根据小波分解层数的变化而快速、灵活地调整。为了验证该模型的有效性,对实地获取的电力设备红外监控图像进行去噪试验,结果表明,本研究提出的阈值去噪函数模型的性能明显优于经典小波软、硬阈值函数模型、半软半硬阈值函数模型,对于高效处理电力设备红外监控图像具有一定的参考价值。

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。

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。

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。

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。

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。

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。

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。

基于对齐度的电力设备红外与可见光的图像配准

提出了一种全新的电力设备红外与可见光图像的配准算法,该方法基于图像的小波变换与对齐度最大化完成图像的配准过程。首先进行图像预处理,分别对红外图像取其负像以及对可见光图像取其灰度图像,从而提升两者的相似性特征;然后利用小波变换提取出图像的边缘及特征点,最后利用对齐度准则计算所有特征点对之间的对齐度,得到匹配点对。实验结果证明了此方法的有效性、精确性和适用性。

基于BEMD的电力设备红外与可见光图像的配准研究

电力设备的红外图像和可见光图像从不同角度反映了设备的状态,对它们进行配准可以提高在线监测的准确性。将2维经验模态分解(BEMD)方法引入到电力设备的红外与可见光图像配准中。通过理论分析得出了基于BEMD的图像配准原理,把图像的配准问题转化成了BEMD分解后子图像的配准问题,并确定了原始图像、趋势图像及2维仿射变换在配准中的关系;基于此原理提出了一种红外与可见光图像配准方法。实验结果表明该方法可取得良好的配准效果,同时也验证了该配准原理的正确性和方法的先进性。

基于改进SSD的电力设备红外图像异常自动检测方法

为实现各类巡检机器人、无人机等智能电力巡检设备所携红外热像仪采集的红外图像自动检测,该文提出基于改进SSD的电力设备红外图像异常自动检测方法。对收集的典型故障电力设备红外图像统一预处理;标注电力设备及异常区域并制作标准数据集;搭建检测网络;读入数据与预训练模型到搭建的网络进行微调训练验证,得到最终模型文件并测试。实验表明,该方法泛化性强,准确率较高,能达到实时自动检测红外图像下多类典型电力设备并定位异常发热区域的效果,将使现有电力巡检设备实现“智能+”。

基于改进FAsT-Match算法的电力设备红外图像多目标定位

红外检测技术具有远距离、不接触、不取样、不解体、准确、快速、直观等特点,广泛用于电力设备过热缺陷监测和诊断,对提高电力系统的稳定性具有重要意义。FAs TMatch(fast affine template matching)算法是一种基于灰度值的快速模板匹配算法,可在一幅图像中找到一个近似全局最优目标。文中综合利用可见光和红外图像,提出一种多目标定位方法。首先,通过改进的FAsT-Match算法在电力设备可见光图像中实现多目标定位;其次,利用红外图像和可见光图像之间存在近似仿射变换,求出目标在红外图像中的位置。实验结果表明文中方法的有效性。

基于SIFT的电力设备红外/可见光图像配准方法

提出了一种红外与可见光图像的配准方法,该方法将SIFT(Scale Invariant Feature Transform)特征应用于两者自动配准的特征匹配,SIFT特征对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性。实验表明,该方法具有稳定、可靠、快速等特点。

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。

基于温度梯度的电力设备红外图像盲元块补偿

红外设备的成像质量直接决定了电力设备红外诊断的准确度。盲元问题作为影响成像质量的重要因素,得到了广泛的关注。现有的盲元补偿算法对单一盲元点均有较好的补偿效果,但缺乏对盲元块和边缘位置盲元的适应性,存在算法复杂、补偿精度不高、易造成边缘模糊等问题。基于传热学温度梯度基本理论,提出了一种新的基于梯度变化的补偿算法。先确定盲元块大小,再计算盲元块周围同样大小正常像元块的灰度均值,通过像元块灰度均值的差确定盲元块所处位置及梯度变化方向,最后选取合适像元块,计算其沿梯度变化方向各像元间的灰度变化系数对盲元块进行补偿。实验结果表明,相比传统补偿算法,基于梯度变化的补偿算法的峰值信噪比(PSNR)和结构相似度(SSIM)分别提高了0~14 d B,0~0.002 8,对红外图像中的盲元块具有较好的补偿效果。可以在实际红外系统中实现对电力设备红外图像盲元块的有效补偿,提高故障定位精度。