人工智能红外图像传感系统及方法与流程

本发明涉及人工智能技术领域，具体涉及一种人工智能红外图像传感系统及方法。

背景技术：

随着设备故障诊断技术的不断研究与突破，借助红外图像传感器的设备状态带电检测技术快速发展，并凭借着其安全、非接触、不停电、准确直观等优势，普及程度很高。设备过热检测作为设备状态带电检测中的重要一项，也常常被采用。

目前设备过热检测的方法主要是将巡检中拍摄的原始热红外图导入到红外热像仪配套的红外图分析软件如flir中，根据热像图中的不同温度呈现的不同颜色初步判断该设备是否存在发热现象，若不存在，则认为设备正常，若发现发热异常部分则使用分析软件中的工具获取发热区域的最高温，据此判断是否存在过热缺陷。这种人工判断的方法存在不准确又耗时耗力的缺陷。因此，有的研究人员通过采用图像处理技术来提高判断准确度和处理速度，例如采用图像分割方法的经典最大类间方差法及最大熵阈值法等，但是此类方法只是提高了前期数据处理的准确度和速度，在后期利用处理的数据进行过热识别的时候大多还是基于人为定义对各项指标做出的判断。为了克服上述缺陷，有人提出采用人工智能算法并将其应用到设备过热识别领域中，例如人工神经网络、粗糙集理论、支持向量机(svm)等算法，但是还是普遍存在特征提取能力较差的缺陷。

技术实现要素：

因此，为了克服上述缺陷，本发明实施例提供一种特征提取能力强的人工智能红外图像传感系统及方法。

为此，本发明实施例的一种人工智能红外图像传感方法，包括以下步骤：

步骤100、采集获得各设备过热状态下的过热红外图像样本集；

步骤200、将所述过热红外图像样本集作为训练样本集，采用基于灰度对数变换的卷积神经网络方法提取训练样本集的过热特征，获得卷积神经网络模型。

优选地，所述采集获得各设备过热状态下的过热红外图像样本集的步骤包括：

步骤101、针对每一设备进行多次过热试验，每次试验过程中实时采集获得预设位置处的红外图像；

步骤102、提取所述红外图像的四个较高温处的灰度值，所述四个较高温处按温度由高到低依次包括最高温处、第一较高温处、第二较高温处和第三较高温处；

步骤103、根据所述四个较高温处的灰度值，计算获得温差度；

步骤104、判断所述温差度是否大于或等于预设过热阈值；

步骤105、当所述温差度大于或等于预设过热阈值时，将所述红外图像作为该设备过热状态下的过热红外图像；

步骤106、获得所有设备所有过热试验过程中过热状态下的过热红外图像，构成过热红外图像样本集。

优选地，所述温差度的计算公式为：

其中，tc为温差度，cb为所述红外图像背景灰度极值，为所述四个较高温处灰度值的平均值。

优选地，所述卷积神经网络卷积层的构建包括以下步骤：

步骤201、将训练样本集中的过热红外图像作为卷积神经网络的输入数据x0，计算输入数据x0的灰度对数作为第1层卷积层的输入数据，计算公式为：

其中，a10、a20、a30为灰度调节因子参数；

步骤202、进入卷积层迭代，i＝1，2，…，k依次取值，每取一次i的值根据第i层卷积层输入数据进行第i次卷积运算，获得特征图y′i-1，计算公式为：

y′i-1＝wi*yi-1+bi

其中，wi为第i层卷积模板，bi为第i层偏置，“*”表示点积运算，yi-1为第i层卷积层输入数据；

对特征图y′i-1的各个通道分别进行灰度对数计算，获得第i层卷积层输出数据yi，计算公式为：

其中，为第i层卷积层第j个通道的灰度调节因子参数，j＝1，2，…，ci，ci为第i层卷积层特征图y′i-1具有的通道数，为特征图y′i-1的第j个通道的特征图像；

步骤203、判断当i＝k时评价函数j(θ)，是否满足阈值条件；当评价函数j(θ)满足阈值条件时，获得第k层卷积层输出数据yk为提取的过热特征，按此时的构建为卷积神经网络模型；当评价函数j(θ)不满足阈值条件时，更新卷积神经网络参数wi、bi、并令i＝k+1返回步骤202进行下一轮迭代。

优选地，所述步骤203具体为：

当i＝k时根据公式进行计算，其中，为所有设备中第t个设备的预设参考图像，t＝1,2,…，m，yk(p，q)为第k层卷积层输出数据，h、w为图像的高度和宽度，ε为预设阈值，1{·}表示指标函数，如果条件为真，则输出的值为“1”，否则为“0”；当评价函数j(θ)的值为“1”时，按此时的构建为卷积神经网络模型；当评价函数j(θ)的值为“0”时，更新卷积神经网络参数wi、bi、并令i＝k+1返回步骤202进行下一轮迭代。

优选地，还包括以下步骤：

步骤300、采集获得设备的待识别红外图像，并将所述待识别红外图像输入构建的卷积神经网络模型，获得所述待识别红外图像的评价函数的值；

步骤400、判断所述待识别红外图像的评价函数的值是否为“1”；

步骤500、当所述待识别红外图像的评价函数的值为“1”时，识别获得为最小值时对应的设备g发生过热，其中，g∈[1，m]，yl(p，q)为上述构建的卷积神经网络模型的最后一层卷积层输出数据，为m个设备中第g个设备的预设参考图像。

优选地，还包括以下步骤：

步骤600、当所述待识别红外图像的评价函数的值为“0”时，识别获得设备未发生过热。

本发明实施例的一种人工智能红外图像传感系统，包括：

红外图像传感器，与红外图像接收处理单元连接，用于采集各设备的红外图像并输出；

红外图像接收处理单元，用于获得各设备过热状态下的过热红外图像样本集，以及获得设备的待识别红外图像；

卷积神经网络训练及结果输出单元，用于将所述过热红外图像样本集作为训练样本集，采用基于灰度对数变换的卷积神经网络方法提取训练样本集的过热特征，获得卷积神经网络模型。

本发明实施例的人工智能红外图像传感系统及方法，具有如下优点：

1.通过采用温差度，将红外图像中四个较高温处相对于背景的明显程度作为判断依据，发现红外图像中的过热现象，从而提高了判断准确度和精度。

2.通过对卷积神经网络的输入数据和每一层卷积层卷积运算后的数据进行参数可调的灰度对数计算，扩展了图像中暗像素的值，同时压缩了更高灰度级的值，从而提高了低分辨率图像像素之间的差异性，增强了所提取过热特征的表达能力，提升了卷积神经网络的特征提取能力。

3.利用对设备采集的红外图像，实现了对红外图像中所显示设备的自动识别与过热智能识别，具有数据分析精度高、智能识别能力强的优点，从而可有效防止火灾的发生。

附图说明

为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1中人工智能红外图像传感方法的一个具体示例的流程图；

图2为本发明实施例1中人工智能红外图像传感方法的另一个具体示例的流程图；

图3为本发明实施例1中人工智能红外图像传感方法的又一个具体示例的流程图；

图4为本发明实施例2中人工智能红外图像传感系统的一个具体示例的原理框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，本说明书中的某些图式是用于例示方法的流程图。应了解，这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器，以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中，所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作，以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上，以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程，从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。

相应地，各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解，所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本实施例提供一种人工智能红外图像传感方法，可应用于自动识别设备过热，防止发生设备故障、火灾等情况，如图1所示，包括以下步骤：

步骤100、采集获得各设备过热状态下的过热红外图像样本集；优选地，如图2所示，具体为：

步骤101、针对每一设备进行多次过热试验，每次试验过程中实时采集获得预设位置处的红外图像；过热试验的方式可根据实际情况进行设置，例如使设备过负荷运行、处于热环境中运行、运行长时间等导致发热超过正常值。

步骤102、提取所述红外图像的四个较高温处的灰度值，所述四个较高温处按温度由高到低依次包括最高温处、第一较高温处、第二较高温处和第三较高温处；优选地，所述四个较高温处为所述红外图像中选出的比其他位置处的温度均高的四个位置；

步骤103、根据所述四个较高温处的灰度值，计算获得温差度；计算公式为：

其中，tc为温差度，cb为所述红外图像背景灰度极值，为所述四个较高温处灰度值的平均值；

步骤104、判断所述温差度是否大于或等于预设过热阈值；当温差度小于预设过热阈值时，表示该设备未处于过热状态下，为正常工作状态，维持现状；所述预设过热阈值可根据每个设备发生过热等情况时所表征的值进行实际设置；

步骤105、当所述温差度大于或等于预设过热阈值时，表示该设备处于过热状态下，将所述红外图像作为该设备过热状态下的过热红外图像；

步骤106、获得所有设备所有过热试验过程中过热状态下的过热红外图像，构成过热红外图像样本集；温差度可以更好的表征红外图像中四个较高温处相对于背景的明显程度，通过采用温差度进行设备是否过热的判断，提高了数据分析的精度。

步骤200、将所述过热红外图像样本集作为训练样本集，采用基于灰度对数变换的卷积神经网络方法提取训练样本集的过热特征，获得卷积神经网络模型；优选地，如图3所示，所述卷积神经网络卷积层的构建具体为：

步骤201、将训练样本集中的过热红外图像作为卷积神经网络的输入数据x0，计算输入数据x0的灰度对数作为第1层卷积层的输入数据，计算公式为：

其中，a10、a20、a30为灰度调节因子参数；

步骤202、进入卷积层迭代，i＝1,2,…,k，根据第i层卷积层输入数据进行第i次卷积运算，获得特征图y′i-1，计算公式为：

y′i-1＝wi*yi-1+bi

其中，wi为第i层卷积模板，bi为第i层偏置，“*”表示点积运算，yi-1为第i层卷积层输入数据；

对特征图y′i-1的各个通道分别进行灰度对数计算，获得第i层卷积层输出数据yi，即下一层卷积层输入数据，计算公式为：

其中，为第i层卷积层第j个通道的灰度调节因子参数，j＝1,2,…,ci，ci为第i层卷积层特征图y′i-1具有的通道数，为特征图y′i-1的第j个通道的特征图像，j个通道的构成yi；

步骤203、判断当i＝k时评价函数j(θ)，是否满足阈值条件；当评价函数j(θ)满足阈值条件时，获得第k层卷积层输出数据yk为提取的过热特征，按此时的构建为卷积神经网络模型；当评价函数j(θ)不满足阈值条件时，更新卷积神经网络参数wi、bi、并令i＝k+1返回步骤202进行下一轮迭代。通过对卷积神经网络的输入数据和每一层卷积层卷积运算后的数据进行参数可调的灰度对数计算，扩展了图像中暗像素的值，同时压缩了更高灰度级的值，从而提高了低分辨率图像像素之间的差异性，增强了所提取过热特征的表达能力，提升了卷积神经网络的特征提取能力。

优选地，步骤203具体为：

当i＝k时根据公式进行计算，其中，为所有设备中第t个设备的预设参考图像，t＝1,2,…,m，yk(p,q)为第k层卷积层输出数据，h、w为图像的高度和宽度，ε为预设阈值，1{·}表示指标函数，如果条件为真，则输出的值为“1”，否则为“0”；当评价函数j(θ)的值为“1”时，按此时的构建为卷积神经网络模型；当评价函数j(θ)的值为“0”时，更新卷积神经网络参数wi、bi、并令i＝k+1返回步骤202进行下一轮迭代。

步骤300、采集获得设备的待识别红外图像，并将所述待识别红外图像输入上述构建的卷积神经网络模型，获得所述待识别红外图像的评价函数的值；

步骤400、判断所述待识别红外图像的评价函数的值是否为“1”；

步骤500、当所述待识别红外图像的评价函数的值为“1”时，识别获得为最小值时对应的设备g发生过热，其中，g∈[1,m]，yl(p,q)为上述构建的卷积神经网络模型的最后一层卷积层输出数据，为m个设备中第g个设备的预设参考图像。

步骤600、当所述待识别红外图像的评价函数的值为“0”时，识别获得设备未发生过热，为正常工作状态。

上述人工智能红外图像传感方法，实现了对红外图像中所显示设备的自动识别与过热智能识别，具有数据分析精度高、智能识别能力强的优点，从而可有效防止火灾的发生。

实施例2

本实施例提供一种人工智能红外图像传感系统，如图4所示，包括：

红外图像传感器300，与红外图像接收处理单元100连接，用于采集各设备的红外图像并输出；

红外图像接收处理单元100，用于获得各设备过热状态下的过热红外图像样本集，以及获得设备的待识别红外图像；

优选地，红外图像接收处理单元100包括：

第一接收单元，用于在每次过热试验过程中实时获得预设位置处的红外图像；

第一提取单元，用于提取所述红外图像的四个较高温处的灰度值，所述四个较高温处按温度由高到低依次包括最高温处、第一较高温处、第二较高温处和第三较高温处；优选地，所述四个较高温处为所述红外图像中选出的比其他位置处的温度均高的四个位置；

第一计算单元，用于根据所述四个较高温处的灰度值，计算获得温差度；计算公式为：

其中，tc为温差度，cb为所述红外图像背景灰度极值，为所述四个较高温处灰度值的平均值；

第一判断单元，用于判断所述温差度是否大于或等于预设过热阈值；当温差度小于预设过热阈值时，表示该设备未处于过热状态下，为正常工作状态，维持现状；所述预设过热阈值可根据每个设备发生过热等情况时所表征的值进行实际设置；

过热红外图像获得单元，用于当所述温差度大于或等于预设过热阈值时，表示该设备处于过热状态下，将所述红外图像作为该设备过热状态下的过热红外图像；

过热红外图像样本集获得单元，用于获得所有设备所有过热试验过程中过热状态下的过热红外图像，构成过热红外图像样本集；温差度可以更好的表征红外图像中四个较高温处相对于背景的明显程度，通过采用温差度进行设备是否过热的判断，提高了数据分析的精度。

卷积神经网络训练单元200，用于将所述过热红外图像样本集作为训练样本集，采用基于灰度对数变换的卷积神经网络方法提取训练样本集的过热特征，获得卷积神经网络模型。

优选地，卷积神经网络训练单元包括：

第二计算单元，用于将训练样本集中的过热红外图像作为卷积神经网络的输入数据x0，计算输入数据x0的灰度对数作为第1层卷积层的输入数据，计算公式为：

其中，a10、a20、a30为灰度调节因子参数；

迭代单元，用于进入卷积层迭代，i＝1,2,…,k，根据第i层卷积层输入数据进行第i次卷积运算，获得特征图y′i-1，计算公式为：

y′i-1＝wi*yi-1+bi

其中，wi为第i层卷积模板，bi为第i层偏置，“*”表示点积运算，yi-1为第i层卷积层输入数据；

对特征图y′i-1的各个通道分别进行灰度对数计算，获得第i层卷积层输出数据yi，即下一层卷积层输入数据，计算公式为：

其中，为第i层卷积层第j个通道的灰度调节因子参数，j＝1,2,…,ci，ci为第i层卷积层特征图y′i-1具有的通道数，为特征图y′i-1的第j个通道的特征图像，j个通道的构成yi；以及

第二判断单元，用于判断当i＝k时评价函数j(θ)，是否满足阈值条件；当评价函数j(θ)满足阈值条件时，获得第k层卷积层输出数据yk为提取的过热特征，按此时的构建为卷积神经网络模型；当评价函数j(θ)不满足阈值条件时，更新卷积神经网络参数wi、bi、并令i＝k+1返回迭代单元进行下一轮迭代。通过对卷积神经网络的输入数据和每一层卷积层卷积运算后的数据进行参数可调的灰度对数计算，扩展了图像中暗像素的值，同时压缩了更高灰度级的值，从而提高了低分辨率图像像素之间的差异性，增强了所提取过热特征的表达能力，提升了卷积神经网络的特征提取能力。

优选地，第二判断单元包括：第三判断单元，

用于当i＝k时根据公式进行计算，其中，为所有设备中第t个设备的预设参考图像，t＝1,2,…,m，yk(p,q)为第k层卷积层输出数据，h、w为图像的高度和宽度，ε为预设阈值，1{·}表示指标函数，如果条件为真，则输出的值为“1”，否则为“0”；当评价函数j(θ)的值为“1”时，按此时的构建为卷积神经网络模型；当评价函数j(θ)的值为“0”时，更新卷积神经网络参数wi、bi、并令i＝k+1返回迭代单元进行下一轮迭代。

优选地，人工智能红外图像传感系统还包括：过热识别单元，用于将所述待识别红外图像输入上述构建的卷积神经网络模型，获得所述待识别红外图像的评价函数的值；判断所述待识别红外图像的评价函数的值是否为“1”；当所述待识别红外图像的评价函数的值为“1”时，识别获得为最小值时对应的设备g发生过热，其中，g∈[1,m]，yl(p,q)为上述构建的卷积神经网络模型的最后一层卷积层输出数据，为m个设备中第g个设备的预设参考图像；当所述待识别红外图像的评价函数的值为“0”时，识别获得设备未发生过热，为正常工作状态。

上述人工智能红外图像传感系统，利用对设备采集的红外图像，实现了对红外图像中所显示设备的自动识别与过热智能识别，具有数据分析精度高、智能识别能力强的优点，从而可有效防止火灾的发生。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。