基于深度学习的输变电设备红外图像温宽范围识别方法与流程

本发明涉及输变电设备红外图像识别领域，特别是基于深度学习的输变电设备红外图像温宽范围识别方法。

背景技术：

作为一种主要的输变电设备带电检测手段，红外诊断技术对及时监控输变电设备状态具有重要作用。红外诊断技术即采用红外线对输变电设备进行热成像，通过热成像对输变电设备进行状态监测，诊断其状态是否处于正常状态，红外诊断技术广泛应用于输变电设备监测领域。

红外热像仪在成像过程中，会通过自动或手工设置的温宽显示范围，结合选定的调色板和实际测定的温度对成像得到的伪彩色图像进行展示和存储。红外热像仪如flir等主要厂家生成的图像中都通过多个图层存储红外图像的底层温度等其他相关信息，可以直接用于进一步的温度比较和故障分析。

但是在红外热像仪的实际工作过程中，红外图像在数据流转过程中由于转存以及截图等操作，可能会丢失存储的其他图层信息，从而无法获知温宽范围信息，从而无法掌握输变电设备的状态，该问题的产生会对输变电设备的分析和诊断产生极大的影响。

技术实现要素：

本发明的目的是提供基于深度学习的输变电设备红外图像温宽范围识别方法，旨在解决现有技术中由于图层信息缺失影响对设备故障的分析和诊断问题，实现对图层信息缺失的图像进行信息识别，提高准确度，方便对输变电设备进行故障分析和诊断。

为达到上述技术目的，本发明提供了一种基于深度学习的输变电设备红外图像温宽范围识别方法，包括以下步骤：

s1、截取红外图像待处理区域；

s2、利用rpca算法优化后续待提取数字区域；

s3、对待提取数字区域做膨胀处理，形成连通区域，提取权重最高的连通区域；

s4、通过二值化操作进行单独数字区域分割；

s5、利用样本数据进行深度学习，并根据训练模型和分类器对分割后的数字区域进行识别；

s6、合并识别结果。

优选地，所述rpca算法公式如下：

该公式中，i2即上述的温宽展示区，e为优化得到的数字区域，为优化后的图形区域。

优选地，步骤s3具体操作如下：

s301、膨胀处理，形成多个连通区域；

s302、统计所有连通区域的有效属性；

s303、提取权重最高的两个连通区域，即为最高温区域和最低温区域。

优选地，所述有效属性包括中心点位置、外接矩形、面积、规则度。

优选地，所述权重的计算公式为：

wi＝ni*si

ni为面积，si为规则度。

优选地，步骤s5具体操作如下：

s501、设置样本数字类别；

s502、对红外图像样本数据，标注对应数字类别的数字区域；

s503、通过pcanet深度学习网络进行学习训练，获得对应的训练模型和分类器。

优选地，所述pcanet深度学习网络结构包括两个pca层和一个输出层。

优选地，第一pca层操作如下：

将输入样本的尺寸转换为m×m，第一层的滤波器的尺寸设为k1×k1，滤波器个数为l1，pca层的卷积为逐像素进行，单个样本转化为l1个样本，记为其中i＝1，2，3，l，n为输入样本序号，l1＝1，2，3，l，l1为单个样本的本层的输出结果编号。

优选地，第二pca层操作如下：

滤波器的尺寸设置为k2×k2，滤波器个数为l2，单个初始的样本转化为l1×l2个样本，每一个转化为l2个样本，

优选地，输出层具体操作如下：

对每个得到的进行二值化操作，将l2个二值化后的图像再重新合并为一个灰度图像对每一个合并后的进行灰度直方图统计，并通过级联的方式合并为一个向量。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

与现有技术相比，本发明针对缺失底层数据的红外图像，提出一种基于深度学习的输变电设备红外图像温宽范围识别方法，通过利用rpca提取温度标识数字区域，然后采用pcanet深度学习网络对分割得到的数字以及符号进行快速识别，从而确定温宽范围，解决了现有技术中由于图层信息缺失影响对设备故障的分析和诊断问题，实现对图层信息缺失的图像进行信息识别，提高准确度，方便对输变电设备进行故障分析和诊断。

附图说明

图1为本发明实施例中所提供的一种基于深度学习的输变电设备红外图像温宽范围识别方法流程图；

图2为本发明实施例中所提供的一种红外检测图像；

图3为本发明实施例中所提供的一种温宽展示区；

图4为本发明实施例中所提供的一种优化后的图形区域；

图5为本发明实施例中所提供的一种优化后的数字区域；

图6为本发明实施例中所提供的一种数字区域提取后得到的最高温和最低温区域；

图7a为本发明实施例中所提供的一种数字区域分割过程的二值区域示意图；

图7b为本发明实施例中所提供的一种数字区域分割过程的多个分割后的多个数字区域示意图；

图8为本发明实施例中所提供的一种pcanet流程示意图。

具体实施方式

为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

下面结合附图对本发明实施例所提供的基于深度学习的输变电设备红外图像温宽范围识别方法进行详细说明。

如图1所示，本发明实施例公开了一种基于深度学习的输变电设备红外图像温宽范围识别方法，包括以下步骤：

s1、截取红外图像待处理区域；

如图1所示，将输入红外图像设为i，其中右侧温宽范围显示区定义为i2，由于温宽范围显示区一般位于图像的最右侧，但不会占据图像的设备展示区，因此截取图像i的最右侧20％的区域，作为温宽范围显示区i2，用于进行后续的温度数字提取和识别。所述温宽范围显示区宽度为0.2*w，高度为h，其中w，h分别为图像i的宽度和高度。

s2、利用rpca优化后续待提取数字区域；

所述温宽范围显示区包括数字区域和图形区域，而温宽范围信息存在于数字区域中的，因此对于数字区域，需要进行优化，以从源图像中分离，方便提取温宽信息。而数字区域的提取，为一个低秩矩阵恢复问题，因此可等效为一个rpca优化问题。

rpca(robustprincipalcomponentanalysis，鲁棒主成分分析法)算法广泛应用于图像识别领域中，可很好的描述图片中的误差和噪声。

其计算公式如下：

该公式中，i2即上述的温宽展示区，e为优化得到的数字区域，为优化后的图形区域。优化结果如图2-5所示。其中e即为后续步骤的处理对象。

s3、做膨胀处理，形成连通区域，提取权重最高的连通区域；

对优化得到的数字区域做进一步处理，通过对该图像的膨胀处理，形成多个连通区域，ri，i＝1，2，l，n。其中n为连通区域的个数。对所有的连通区域进行统计，统计每个区域的有效属性。所述有效属性包括中心点位置、外接矩形、面积和规则度。

a.中心点位置[xi，yi]：区域中心点列坐标和行坐标；

b.外接矩形[wi，hi]：外接矩形的宽度和高度；

c.面积ni：区域面积；

d.规则度si：通过区域面积和区域外接矩形的面积获得，其计算公式如下：

si＝ni/(wi*hi)

每个连通区域的权重的计算公式为：

wi＝ni*si

如图6所示，提取图像中权重wi最高的两个连通区域rm1，rm2，即为最高温度以及最低温度的数字区域。通过rm1，rm2的有效属性中的中心点位置来确定所在区域是最低温还是最高温。通过获取rm1，rm2的行坐标，行坐标大的区域为最低温数字区域，行坐标小的区域为最高温数字区域，并将确定的最高温区域重新标记为rmax，最低温区域重新标记为rmin。

s4、通过二值化操作进行单独数字区域分割；

由于每个数字区域中含有多个数字以及小数点，多个数字之间在列方向上具有一定间隔，因此通过提取数字区域中的列方向空白区域可以将多个数字进行分割提取。

对rmax、rmin均进行二值化操作，所述二值化操作如下：

首先，对区域r分别进行二值化操作，二值化阈值设为128，如图7a所示，二值化公式如下：

然后，对矩阵b进行按列求和得到h，h大小为1×nr；

最后，根据h提取区域中的空白区域，获得多个单数字区域di，i＝1，2，3，l，nd，其中nd为数字(或小数点)区域的个数，如图7b所示。

s5、利用样本数据进行深度学习，并根据训练模型和分类器对分割后的数字区域进行识别；

对5000张红外图像样本数据，将样本数字类别设置为12类，分别为：.(小数点)、-(负号)、0、1、2、3、4、5、6、7、8、9；对红外图像样本数据，标注对应数字类别的数字区域；通过pcanet深度学习网络进行学习训练，获得对应的训练模型和分类器。

所述pcanet网络结构如图8所示，结构包含两个pca层和一个输出层。

第一层为pca层，操作如下：

将输入样本的尺寸转换为m×m，第一层的滤波器的尺寸设为k1×k1，滤波器个数为l1，pca层的卷积为逐像素进行，不需要设置步长等参数。单个样本转化为l1个样本，记为其中i＝1，2，3，l，n为输入样本序号，l1＝1，2，3，l，l1为单个样本的本层的输出结果编号。

第二层为pca层，操作如下：

第二层中，滤波器的尺寸设置为k2×k2，滤波器个数为l2。经过第二层操作后，单个初始的样本转化为l1×l2个样本，每一个转化为l2个样本，

输出层为哈希编码及方块化直方图层，操作如下：

对每个得到的进行二值化操作，采用的函数为赫维赛德阶跃函数h()：

然后将l2个二值化后的图像再重新合并为一个灰度图像

通过该操作，的所有像素点值均分布在区间内。

对每一个合并后的进行灰度直方图统计，直方图的分组数为直方图尺寸为bs×bs,块重叠率bor用于计算相连直方图移动的步长s＝bs×bor，最终可以获得lh个直方图：

将得到的每个直方图通过级联的方式进行连接，合并为一个向量，其中每一个输入样本输出的特征维度为

其中，样本尺寸m为28，l1，l2均为8，k1，k2均为7，bs为7，bor为0.6。

s6、合并识别结果。

将rmax、rmin区域内的多个识别结果进行分别合并，从而得到该红外检测图像的温度最小值和温度最大值，也就识别确定了该红外图像的温宽范围。

本发明实施例针对缺失底层数据的红外图像，提出一种基于深度学习的输变电设备红外图像温宽范围识别方法，通过利用rpca提取温度标识数字区域，然后采用pcanet深度学习网络对分割得到的数字以及符号进行快速识别，从而确定温宽范围，解决了现有技术中由于图层信息缺失影响对设备故障的分析和诊断问题，实现对图层信息缺失的图像进行信息识别，由于基于深度学习算法，识别准确度高，方便对输变电设备进行故障分析和诊断。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。