2025《电力设备状态检测的识别和分割技术概述》7400字.docxVIP

电力设备状态检测的识别和分割技术概述

目录

TOC\o1-3\h\u10333电力设备状态检测的识别和分割技术概述 1

216621.1基于形态学标记的电力设备红外热像分割方法 1

93281.2基于HSI空间梯度法的红外图像高温区域提取方法 12

286471.3基于K-means算法的RGB彩图提取方法 19

由于电力设备状态检测图像的多样性及复杂性，选择具有良好描述和分类性能的检测图像状态特征参数，以及提取这些特征就成为解决图像检测与识别问题的关键，为不同类型、不同部件典型热缺陷或故障的统计分析提供数据支持。本章研究了适合于变电站人工巡视、在线监测等采集图像数据分析应用的背景分离、图像分割、特征提取技术，并通过红外图像处理提取热点温度分布、局部过热区域、异常部位等特征参数，实现红外热像核心区域分割和特征提取。

1.1基于形态学标记的电力设备红外热像分割方法

1）传统的红外热像分割方法

基于阈值的分割方法及基于边缘的分割方法是常见的红外热像分割方法，其中，阈值方法无法体现红外图像中灰度分布的空间情况，只能获取红外热像的像素灰度值变化的范围。而边缘分割方法开展红外热像的分割处理的依据是，边缘所围成区域的两侧特性不同，以下将具体阐述下这两种方法的分割情况。

（1）基于阈值的分割方法

计算便捷是基于阈值分割方法的关键特点，而如何确定最优阈值是红外热像阈值分割处理的最重要步骤。设为分割阈值，为灰度化后的红外热像，表示二值图像，则红外热像的最基本阈值处理：

（式1SEQ公式\*ARABIC\s11）

通过阈值T将分成目标区域和背景区域两部分。但一般情况下，获取的红外热像目标和背景，并不是均匀的处于两个灰度范围，通过两个或两个以上的阈值，进行目标区域分割才能够满足要求。如选择一个区间作为阈值，

（式12）

阈值一般可写成如下形式：

（式13）

其中，是像素点处的灰度值，为像素空间坐标，是该点邻域的局部特性。常见的三种不同类型阈值，(1)全局阈值，仅与目标像素点的灰度值有函数关系；(2)局部阈值，与点的灰度值和该点的局部领域特征有关系；(3)动态阈值，与目标像素点的局部特征、灰度值和位置均有函数关系。

本节主要介绍的是最大类间方差阈值法，即OTSU法，其基本思想是，若灰度化后的红外热像灰度级范围是[0，L-1]，像素个数是N，其灰度是i，ni表示灰度级是i的像素个数，则灰度是i的像素，出现的概率为pi=ni/N，使用阈值t可以把图像灰度级分成两部分，即，C0=(0，1，2…，t)和C1=(t+1，t+2，…，L-1)，则两类出现的概率分别为：

（式14）

两类的灰度均值分别为：

（式15）

（式16）

类间方差定义为：

（式17）

则最佳阈值的表达式为：

（式18）

在最大类间方差阈值法中，方差为灰度分布的均一性度量指标，方差越大，则组建灰度图像的C0和C1差分更大，当目标区域和背景区域的差异最大时，误判概率就最小，得到最佳阈值分割图像。

图1-1变压器套管的红外热像图及OTSU分割图

以电力变压器套管的红外热像图为例，进行OTSU法分割处理，如图中，我们可以发现，OTSU分割法，将变压器套管的红外热像图进行了分割处理，但是效果不理想，提取的目标区域较大，并未准确的定位红外热像的异常区域，需要进一步的完善。

（2）基于边缘检测的分割方法

基于边缘的图像分割方法，主要是通过检测图像局部特性的不连续性，并连接边缘点成边界，从而分割图像。通过使用局部窗口操作，判断边缘点，基本依据就是图像的二阶导数过零点或一阶导数极值。图像边缘像素的灰度变化可以通过下图说明。分别为一阶导数和二阶导数所示形状。

图1-2梯度算子原理图

红外热像图中处的梯度是一个矢量，且梯度对应一阶导数

（式19）

式(2-53)中，是x方向的梯度，是y方向的梯度。梯度的方向角及幅度：

（式110）

（式111）

由上式能够得到，在其灰度最大变化方向上单位距离所增加的量，即梯度值。