1.一种基于红外图像的电气设备故障检测方法,其特征在于,包括:步骤1):获取电气设备第一维度红外图像和第二维度红外图像,所述第一维度和第二维度对应的红外图像位面彼此垂直;
步骤2):通过OTSU算法对红外图像进行初步分割,提取第一维度下的电气设备轮廓的红外图像A和第二维度下的电气设备轮廓的红外图像B;
步骤3):基于红外图像A和红外图像B建立空间直角坐标系(X,Y,Z),其中,红外图像A覆盖的区域的坐标为(Y1‑Y2,Z1‑Z2),红外图像B覆盖的区域的坐标为(Y1‑Y2,X1‑X2);
步骤4):将红外图像A和红外图像B的RGB转换为HSV颜色空间,提取发热点的信息;
步骤5):使用Resnet‑34网络和迁移学习的方法定位发热点;其中,红外图像A中的发热点坐标为(Yn,Zn),红外图像B中的发热点坐标为(Ym,Xm),其中n和m分别为红外图像A和红外图像B中发热点的个数;
步骤6):干扰点排查,包括:
以红外图像A作为识别模型时,排除 以及 的点,排除后的Yn记为Yn’;
基于红外图像B中定位的发热点坐标(Ym,Xm),排除 集合{Ym}的点,最后得到的点即为有效发热点;
或,
以红外图像B作为识别模型时,排除 以及 的点,排除后的Ym记为Ym’;
基于红外图像A中定位的发热点坐标(Yn,Zn),排除 集合{Yn}的点,最后得到的点即为有效发热点;
步骤7):故障测试,采用分水岭算法对设备进行分割,最终提取到故障设备异常区域和故障类型,其中,在所述分水岭算法中加入一次开预算和闭运算;
所述开预算用于去除有效发热点的小点和毛刺,所述闭运算用于填充一些小孔,将原始图像中电气设备的轮廓连通起来,避免提取到的电气设备轮廓缺失。
2.根据权利要求1所述的一种基于红外图像的电气设备故障检测方法,其特征在于,所述第一维度和第二维度分别为垂直维度和水平维度。
3.根据权利要求2所述的一种基于红外图像的电气设备故障检测方法,其特征在于,所述步骤1)还包括一个红外图像增强处理,分别对第一维度红外图像和第二维度红外图像做如下处理:
1‑1):在图像平面上对图像以一定方式进行平移;
1‑2):沿着水平或者垂直方向翻转图像;
1‑3):将原始图像分别旋转45度、90度、180度、270度,每张原始图像将得到4张旋转后的图像;
1‑4):增强图像对比度,也可以用直方图均衡化;
1‑5):将整个图像亮度调高。
4.根据权利要求3所述的一种基于红外图像的电气设备故障检测方法,其特征在于,所述步骤2)中电气设备轮廓的提取包括:
2‑1):构建图像梯度图像;
2‑2):通过规则生成n个最初的注水区域,先验知识或局部梯度最小值;
2‑3):往注水区域内加水,当两注水区域即将合并时,记录下此时的边界;
2‑4):当图像边缘彻底被分割成n个独立区域时算法结束;
腐蚀: 用结构B腐蚀A,B中需要定义一个原点,当B的原点平移到图像A的像元(x,y)时,如果B在(x,y)处,完全被包含在图像A重叠的区域,则将输出图像对应的像元(x,y)赋值为1,否则赋值为0,其中A表示被处理的图像,B是用来处理A,称B为一个结构元。
膨胀: 用结构B膨胀A,将结构元素B的原点平移到图像像元(x,y)位置,如果B在图像像元(x,y)处与A的交集不为空,则输出图像对应的像元(x,y)赋值为1,否则赋值为0。
5.根据权利要求4所述的一种基于红外图像的电气设备故障检测方法,其特征在于,所述规则是指空间相邻并且灰度值相近的像素被划分为一个注水区域。
6.根据权利要求5所述的一种基于红外图像的电气设备故障检测方法,其特征在于,所述步骤4)具体为:
4‑1):从RGB到HSV的转换:
设(r,g,b)分别是一个颜色的红、绿和蓝坐标,它们的值是在0到1之间的实数,找到在HSV空间中的(h,s,v)值,计算为:设max等价于r,g和b中的最大者,设min等于这些值中的最小者;
H=H*60
if H<0,H=H+360
式中,h∈[0,360)是角度的色相角;
V=max(R,G,B)
S=(max‑min)/max
式中,s,v∈[0,1]是饱和度和亮度;
4‑2):利用HSV分量从图像中提取目标区域,提取黄色接近白色部分图像。
7.根据权利要求6所述的一种基于红外图像的电气设备故障检测方法,其特征在于,所述HSV分量设置为:hmax=180、hmin=0、smax=100、smin=0、vmax=255、vmin=221。
8.根据权利要求7所述的一种基于红外图像的电气设备故障检测方法,其特征在于,所述步骤5)为:
5‑1):使用pytorch搭建ResNet网络并基于迁移学习的方法进行训练,通过获取预训练的ResNet权重文件,再将自建的数据集放入模型中继续训练,最终得到训练结果,再放入测试集进行故障预测;
5‑2):红外图像数据集训练完成后,在预测环节加入分水岭算法和HSV颜色空间温度判别法,将深度学习方法识别结合到此环节,输入一张红外图像,最后的输出结果包括故障类型,在输出的图像中绘制出设备轮廓、定位发热点的位置。
9.根据权利要求8所述的一种基于红外图像的电气设备故障检测方法,其特征在于,所述ResNet权重文件为34层的网络层。