一种基于图像融合深度学习模型的电力设备缺陷识别方法

摘要

本发明涉及一种基于图像融合深度学习模型的电力设备缺陷识别方法，包括采用可见光和红外热成像设备，包括电力巡检机器人在内的变电站电力设备双光谱图像的获取；采用离散小波变换方法，对可见光和红外图像进行融合，精准定位电力设备；运用CNN深度卷积神经网络模型，提取设备缺陷特征，对融合后的图像进行缺陷分类与识别。通过分析融合后的图像，可以有效提高电力设备图像的对比度、电力设备的识别率、电力设备的缺陷识别程度。

说明书

技术领域

本发明涉及图像处理与深度学习领域领域，具体为一种基于图像融合深度学习模型的电力设备缺陷识别方法。

背景技术

传统的变电站故障检测主要通过人工检测。由于变电站设备多，因此需要大量专业人员，费时、费财力。红外热成像检测相比传统检测方法具有非接触、不停电、无损等优点，可以预测设备故障，并能实时检测设备过热缺陷。

随着人工智能的发展，国内外研究者开展了一些图像融合、缺陷识别的研究。有基于相关向量机进行设备分类与识别；有建立多个电力设备模板图像库，通过模板与图像的匹配度来确定目标区域的轮廓和位置；有结合阈值分割机制、像素分割算法等，快速将温度异常连通区域或设备进行分割；有采用卷积神经网络提取红外故障图像的特征，并进行训练学习。

现有的电力设备红外图像缺陷识别的研究还存在特征提取难、准确率低、识别率低、模型通用性差等缺点。基于可见光图像的物体检测得到广泛的应用，但是融合可见光和红外图像后的缺陷识别与检测在电力设备缺陷检测中没有研究和应用过。

为此我们提出一种基于图像融合深度学习模型的电力设备缺陷识别方法用于解决上述问题。

发明内容

本发明的目的在于提供一种基于图像融合深度学习模型的电力设备缺陷识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于图像融合深度学习模型的电力设备缺陷识别方法，采用可见光和红外热成像设备，获取电力设备的可见光和红外图像，包括：

S1：可见光和红外图像的融合：

S1.1：源图像获取，从电力巡检机器人的云台可见光相机中获取可见光图像；从电力巡检机器人的云台红外热成像相机中获取红外图像；

S1.2：图像分解，运用离散小波变换方法，把可见光图像分解成低频子图像、高频子图像；运用离散小波变换方法，把红外图像分解成低频子图像、高频子图像；

S1.3：图像融合，采用加权平均法，融合可见光低频系数L

S2：图像重构：运用小波逆变换，把融合后的低频图像和高频图像重构成融合后的图像；

S3：对融合后的图像采用CNN模型进行电力设备缺陷识别。

优选的，所述可见光和红外图像，采用离散小波变换方法，运用加权平均法对图像的低频分量进行融合，局部方差法对图像的高频分量进行融合，融合后的图像用于电力设备和缺陷的特征提取。

优选的，所述电力设备缺陷识别采用卷积神经网络，自动提取图像融合后的设备和缺陷特征。

优选的，所述CNN模型具有1个输入层、1个输出层、2个卷积层以及2个池化层。

优选的，所述CNN模型的权值采用高斯概率分布函数；卷积层是对融合后的图像进行特征映射；池化层采用均方根池化策略。

与现有技术相比，本发明的有益效果是：本发明提出首先对可见光和红外图像进行融合，精准定位电力设备；然后设计CNN模型，对融合后的图像进行在线缺陷识别；能有效提高电力设备图像的对比度和识别准确率；融合后的图像特征更丰富，缺陷识别率得到提升。

附图说明

图1为本发明可见光和红外图像融合流程图；

图2为本发明中深度卷积神经网络对融合后的图像进行缺陷识别流程。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本发明提供一种技术方案：一种基于图像融合深度学习模型的电力设备缺陷识别方法，可见光和红外图像融合的流程如图1所示。

从图1中可以看出，可见光和红外图像融合的分为源图像获取、图像分解、图像融合、图像重构等4个步骤。

源图像获取：从电力巡检机器人的云台可见光相机中获取可见光图像；从电力巡检机器人的云台红外热成像相机中获取红外图像。

图像分解：运用离散小波变换方法，把可见光图像分解成低频子图像、高频子图像；运用离散小波变换方法，把红外图像分解成低频子图像、高频子图像。

其中a是尺度因子，b是平移参数，Ψ为小波变换算子。

图像融合：采用加权平均法，融合可见光低频系数L

L

μ为方差均值。

其中，D

图像重构：运用小波逆变换，把融合后的低频图像和高频图像重构成融合后的图像。

D＝Ψ

D是可见光和红外图像融合后重构得到的图像，Ψ为小波变换算子，Ψ

深度卷积神经网络对融合后的图像进行缺陷识别的流程如图2所示。

从图2中可以看出，CNN模型拥有1个输入层、1个输出层、2个卷积层以及2个池化层。输入层用于接收可见光和红外图像融合后的图像；输出层用于输出设备的缺陷识别结果。

网络权值：CNN模型的权值采用高斯概率分布函数。

其中:矩阵P中每一元素的尺寸均为r×r；N表示卷积核的数量。

卷积层：对融合后的图像或前一池化层中的特征映射采取卷积操作，提取图像中的特征信息。

其中:Θ表示融合后的图像，P为权值。

池化层：采用均方根策略对池化层进行特征降解。

其中:Θ表示融合后的图像，e为池化邻域半径。

本专利的具体实施过程如下：

从电力巡检机器人的云台可见光相机中获取可见光源图像；

从电力巡检机器人的云台红外热成像相机中获取红外源图像；

运用离散小波变换方法，把可见光图像分解成低频子图像和高频子图像；

运用离散小波变换方法，把红外图像分解成低频子图像和高频子图像；

采用加权平均法融合可见光和红外光的低频分量；

采用局部方差法，融合可见光和红外图像的高频分量；

运用小波逆变换，把融合后的低频图像和高频图像重构成融合后的图像；

构建CNN模型，训练不同缺陷的可见光与红外融合图像；

采用高斯概率分布函数作为CNN网络权值；

对融合后的图像或前一池化层中的特征映射采取卷积操作，提取融合图像中的特征信息；

采用均方根策略对池化层进行特征降解；

采用神经网络对融合图像进行缺陷识别和分类。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。