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。

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。

一种多分辨率特征提取红外图像语义分割算法

针对现有图像语义分割算法在对低分辨率红外图像进行分割时存在准确率不高的问题,提出了一种多分辨率特征提取算法。该算法以DeepLabv3+为基准网络,添加了一组对偶分辨率模块,该模块包含低分辨率分支和高分辨率分支,以进一步聚合红外图像特征。低分辨率分支采用GPU友好的注意力模块捕获高层全局上下文信息,同时引入一个多轴门控感知机模块并行提取红外图像局部信息和全局信息;高分辨率分支采用跨分辨率注意力模块将低分辨率分支上学习到的全局特征传播扩散到高分辨率分支上以获取更强的语义信息。实验结果表明,该算法在数据集DNDS和MSRS上的分割精度优于现有语义分割算法,证明了提出算法的有效性。

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。

红外激光遥感图像散斑特征提取

当前方法对红外激光遥感图像进行散斑特征提取时,采用2D(二维)图像作为数据采集手段,存在散斑特征提取区域误差大的问题。据此,提出基于深度学习的红外激光遥感图像散斑特征提取方法。采用无人机配置自动旋转云台上搭配2D激光测距传感器对区域红外激光数据进行采集、标定和利用激光里程计算法对区域内特征值提取和匹配。结合线性插值法对应的周期内接收的激光数据进行区域转换,利用L-M算法解决红外激光遥感图像范围的预计问题,采用信赖区域法迭代出最优区域范围,将激光数据转化到世界坐标系下的点云中,通过点云叠加完成区域的散斑特征提取。仿真实验结果表明,所提方法在进行红外激光遥感图像散斑特征提取时水平和区域深度定位误差都能控制在±1 m之内,符合分割要求。与其他方法相比,该方法的提取准率95%~99%的范围内变化,平均耗时为0. 45 s,说明该方法提取精度更高,提取速度更快。

基于机器学习的激光遥感图像特征分割

激光遥感图像的特征分割中受到相似纹理和亮度不均匀性的影响,导致图像的冗余信息较多,为了提高激光遥感图像分割精度,提出基于机器学习的激光遥感图像特征分割方法。构建激光遥感图像分块拓扑结构模型,根据图像的拓扑结构信息进行图像像素分组,根据激光遥感图像像素分组之间的属性差异性进行冗余信息滤波,提取激光遥感图像的超像素特征量,构建像素晶格边界,采用机器学习算法进行图像特征分割的最优边界和网格寻优,实现激光遥感图像特征分割优化。仿真结果表明,采用该方法进行激光遥感图像特征分割的像素分布均匀性较好,对冗余信息的滤除能力较强,提高了图像特征分割的精度和识别能力。

融合注意力分支特征的甲烷泄漏红外图像分割

甲烷是现代化工业生产和社会生活的重要能源之一,实现其有效探测与分割对于及时发现甲烷泄漏事故并识别其扩散范围具有重要意义。针对红外成像条件下甲烷气体图像的轮廓模糊、泄漏的甲烷气体与背景对比度较低、形状易受大气流动因素影响等问题,本文提出一种融合注意力分支特征的红外图像分割网络(Attention Branch Feature Network,ABFNet)实现甲烷气体泄漏探测。首先,为增强模型对红外甲烷气体图像的特征提取能力,设计分支特征融合模块将残差模块1和残差模块2的输出特征与残差模块3以逐像素相加的方法融合,获取红外甲烷气体图像丰富细致的特征表达以提高模型识别精度。其次,为进一步加快模型的推理速度,将标准瓶颈单元中的3×3卷积替换为深度可分离卷积,大幅度减少参数量达到实时检测甲烷气体泄漏。最后,将scSE注意力机制嵌入到分支特征融合模块,更多地关注扩散区域边缘和中心语义信息以克服红外甲烷气体轮廓模糊对比度低等问题提高模型的泛化能力。实验结果表明,本文提出的ABFNet模型AP50@95、AP50、AP60定量分割精度分别达到38.23%、89.63%和75.33%,相比于原始YOLACT模型分割精度,分别提高4.66%、3.76%和7.04%,推理速度达到34.99帧/s,满足实时检测需求。实验结果验证了本文算法对红外甲烷泄漏检测的有效性和工程实用性。

基于超像素混合合并方法的铜电解槽红外图像功能区域分割

铜电解槽面红外图像由多类功能区域构成,综合各区域温度特征可有效评估电解状态。但各区域灰度分布复杂,区域间边界模糊,导致功能区域难以分割。为了提高功能区域分割的准确性和鲁棒性,提出超像素混合合并方法。首先,针对小尺度空间,使用区域临界图法,并提出基于灰度空间相关性的合并停止条件,避免过拟合。随后,针对大尺度空间,提取超像素纹理特征进行多类别支持向量机(SVM)训练,完成区域分类。研究结果表明:本文所提方法可以有效分割电解槽红外图像中的功能区域,与活动轮廓方法、Otsu方法相比,在区域完整性方面表现更优。

改进麻雀搜索算法及其在红外图像分割的应用

电力设备的故障常以异常发热的状态经红外图像检测被检测人员发现。针对使用最大类间方差法(Otsu method, Otsu)对电力设备热故障诊断精度不佳,效率不高的问题,提出了基于变螺旋麻雀搜索算法(variable spiral sparrow search algorithm, VSSSA)的红外图像分割方法。变螺旋麻雀搜索算法先采用Tent混沌序列优化初始种群,然后,通过引入Lévy飞行和变螺旋策略提高种群的寻优速度和探索能力,并使用基准函数测试验证了其性能的有效性;最后,在VSSSA优化二维Otsu函数,并对红外图像进行双阈值分割的基础上,结合自适应区域生长法进一步提取精确的目标区域。图像分割实验结果显示,该红外方法相比其他的分割方法,分割精度更优,因而具有一定的实用性。

基于多模态图像信息的变电设备红外分割方法

无人机拍摄下的红外图像中变电设备的分割精度直接影响着热故障诊断的结果,针对复杂红外背景下变电设备分割精度低的问题,提出了一种融合可见光和红外图像的多模态路径聚合网络(Multimodal Path Aggregation Network,MPAN)。首先提取并融合两种模态图像的特征,考虑到两种模态图像的特征空间存在差异,提出了自适应特征融合模块(Adaptive Feature Fuse Module,AFFM),以充分融合两种模态特征;对具有多尺度特征的主干网络增加自底向上的金字塔网络,并对横向连接的路径增强模块引入自注意力机制;最后使用dice系数优化掩膜损失函数。实验结果表明,多模态图像的融合能够增强分割性能,且验证了提出各模块的有效性,该模型能够显著提高红外图像中变电设备实例分割的准确率。

基于多级特征融合的红外图像多目标分割研究

为解决采用单一特征分割红外图像多目标时,分割精度过低的问题,提出基于多级特征融合的红外图像多目标分割方法。分别提取红外图像的熵特征、对比度特征和梯度特征,采用并行加权特征融合方法融合所提取的红外图像的多级特征,构建红外图像的多级特征融合空间,设置红外图像的多级特征融合空间作为Mean-shift算法的遍历空间,对多级特征融合空间内的全部特征点实施均值漂移处理,获取红外图像多目标分割结果。实验结果表明,该方法可以利用所提取红外图像的多级特征,分割红外图像的多目标,红外图像多目标分割精度高达99.5%。

基于水面红外图像的深海网箱鱼群夜间智能监测方法研究

获取深海网箱养殖过程鱼群活动数据,开展鱼群监测是提升深海养殖效率、降低养殖成本的有效手段。基于水面红外相机,利用深度学习前沿技术,提出了一种鱼群智能监测方法。该方法涉及鱼群识别及计数、鱼体分割和鱼体游向判断3个功能模块。首先,通过红外相机采集鱼类的图像信息,并进行标注以构建数据集,然后采用改进的Faster RCNN模型,以Mobilenetv2+FPN网络作为特征提取器,实现鱼类的准确识别,并输出包围框表征鱼类个体位置。其次,从框图内选择亮度前20%的像素点作为分割提示点,利用Segment Anything Model对图像进行分割,生成鱼体分割图。最后,通过对鱼体分割图进行椭圆拟合处理,可以判定鱼类的游向信息。改进的Faster RCNN模型在进行100次迭代训练后,平均精确率达到84.5%,每张图片的检测时间为0.042 s。结果表明,在水面红外图像的鱼类数据集上,所提出的改进Faster RCNN模型和椭圆拟合等关键技术能够实现对鱼群的自动监测。

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。

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。

基于语义分割的红外图像增强方法

针对对比度受限的自适应直方图均衡化(contrast limited adaptive histogram equalization, CLAHE)强行分块造成的视觉不自然现象,本文提出了一种基于语义分割的红外图像增强方法。语义分割网络将整个红外图像分割成种类块而不是传统的矩形图像块。然后,每个种类块各自进行对比度受限的直方图均衡化,以减少过度增强。最后,采用了一种新的边缘过渡方法来避免种类块之间的突变。实验结果表明,本文所提出的红外图像增强方法在对比度和熵上优于其他对比算法,而且避免了传统CLAHE的视觉不自然现象,具有更好的视觉效果。

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。

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。

一种新的红外舰船图像分割方法

为了能够较好地分割出舰船目标,实现后续的目标检测和识别,提出一种基于显著性检测的红外舰船图像分割方法。首先利用AC算法和FT算法对图像进行处理,将两种方法处理后的显著图合并,提高目标轮廓亮度,然后利用选大恒虚警检测的原理对图像进行二值化分割。通过对比其他几种分割算法,证明此算法有更强的抗干扰能力,分割效果更好。