一种输电线路红外热像异常区域提取方法与流程

本发明涉及一种输电线路红外热像技术领域，尤其是一种输电线路红外热像异常区域提取方法。

背景技术：

输电线路故障的绝大多数都是由于发热升温导致，由于红外成像技术能够将物体本身发出的红外辐射以热分布图像的形式呈现，通过红外热像图分析设备温度的变化情况，以便于判断设备可能存在的各种安全隐患。

红外成像技术能够快速地诊断出输电线路的各类外部过热缺陷，如各种导电部件的连接或结合不良引起的过热故障，因此基于红外成像技术的智能检测系统也得到了广泛应用。

在输电线路智能检测系统中，红外热像图异常区域提取技术是其智能软件模块的重要技术组成，也是智能检测系统实现的关键环节，图像异常区域提取结果的好坏直接影响后续图像分析识别的顺利与否。迄今为止，国内外学者已经提出了大量的异常区域提取方法，但仍没有一种方法能够普遍适用于输电线路的红外热像图处理。

输电线路红外图像的拍摄距离较远，导致红外热像图具有低分辨率，干扰物较多等特点，其异常区域提取难度较大，良好的异常区域提取结果能够为后续设备自动识别提供便利条件，这样不仅能够减轻人力、物力的投入，同时有效排除了人为的主观因素干扰，提高了工作效率和质量，保障了电力系统的正常运行，因此无论从技术上还是经济上，研究变电设备的红外图像异常区域提取都具有良好的发展前景和重要的实用价值。

传统红外图像异常区域提取方法存在以下不足：第一，这种模型不能提取由平均强度值相同，强度的方差不同的两块异常区域所组成的图像，因为它是将图像的全局平均强度值作为区分区域的唯一标准；第二，这种模型不能在异常区域提取强度分布不均匀的图像，如有高噪声的图像，对于这种图像它容易陷入局部最小值；第三，虽然这种模型有一定的抵抗噪声能力，但是还是不能鲁棒地异常区域提取有高噪声的图像。

技术实现要素：

为了克服背景技术的不足，本发明提供一种输电线路红外热像异常区域提取方法，采用pso-cv模型，对输电线路红外热像异常区域进行异常区域提取，能够有效的抑制噪声，并使红外热像的清晰度提高，有利于电力工程师检测输电线路的热故障。

本发明的输电线路红外热像异常区域提取方法，包括以下步骤：

步骤一：输入现场采集的输电线路红外热像图；

步骤二：计算相应pso-cv模型，具体包括以下几步：

1、计算异常区域的范围曲线局部平均灰度值；

2、计算下一代水平集函数：具体包括以下步骤：

(1)输入待优化的水平集函数权重系数，作为粒子群优化算法的

输入参数；

(2)组成初始种群，并将种群初始化，随机产生各粒子的初始速度；

(3)计算初始种群中每个粒子的适应度值，以提取区域与剩余区域的平均灰度值比值为适应度值；更新每个粒子的最佳适应度值和全局最佳适应度值；

(4)重新计算粒子的位置坐标和速度；

(5)判断是否满足终止条件：产生足够好的适应度值，即提取区域与剩余区域的平均灰度值比值是否大于1000或达到一个预设最大代数；是，满足终止条件，进入第(6)步，否，则重新进入第(4)步；

(6)输出最优化的水平集函数的权重系数；

(7)将水平集函数进行更新；

3、判断是否满足收敛终止条件：经过迭代搜索，判断曲线局部平均灰度值比是否达到收敛终止条件，是，进入步骤三；否，重新进入上述第1步进入一个新的循环；

步骤三：输出提取的输电线路红外热像的异常区域。

作为优选的方案：

所述步骤二中，最佳适应度值和全局最佳适应度值更新具体过程为：对每个粒子，将当前适应度值与当代经历过的最佳适应度值做比较，若好于后者，则以当前的适应度值作为最佳适应度值，即以当前位置作为粒子所经历过的最好位置，否则，最佳适应度值不变；把这一循环中得到的种群最好位置的适应度值与全局最佳适应度值比较，若好于后者，则重新记录全局最佳适应度值的大小，否则全局最佳适应度值不变。

所述步骤二中，收敛终止条件为：曲线局部平均灰度值比≥500，或达到最大迭代次数。

本发明输电线路红外热像异常区域提取方法，采用pso-cv模型进行实现，能够根据输电线路红外热像自身特点，不断调整各部分的权重，进而驱动曲线演化，可以提取异常区域强度分布不均匀的图像，提高模型的提取精度。

附图说明

图1为本发明的流程图。

图2本发明实施例中输入的某原始输电线路红外热像图。

图3本发明实施例中迭代过程中的输电线路红外热像图。

图4为本发明实施例中最终提取的输电线路红外热像异常区域图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有作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。

本发明实施例的输电线路红外热像异常区域提取方法，包括以下步骤：

步骤一：输入现场采集的输电线路红外热像图，本实施例中输入的某原始输电线路红外热像图如附图1所示。

步骤二：计算相应pso-cv模型，具体包括以下几步：

1、计算异常区域的范围曲线局部平均灰度值。

输入的某原始输电线路红外热像图被假定是由两个同质区域(目标和背景)组成的，故可通过二值图像来逼近。具体说，它是通过极小化能量泛函来实现异常区域提取的，用水平集方法表示为：

其中，i(x，y)是待异常区域提取的图像；μ,λ1,λ2是权重系数，且μ≥0，λ1、λ2＞0；c1和c2分别定义为图像在区域out(c)和in(c)中的平均灰度值，其中out(c)和in(c)分别表示曲线的外部和内部区域，c是演化曲线；φ是水平集函数；ω为输电线路红外热像区域；h(φ)是heaviside函数，即当φ<0时，h(φ)＝0；当φ>0时，h(φ)＝1；当φ＝0时，h(φ)＝0.5；δ(φ)是dirac函数，即在除了φ＝0以外的点，函数值δ(φ)都等于零，而其在整个定义域上的积分等于1。

利用变分原理和最速下降法，得到相应的演化方程，如下式所示：

此外，平均灰度值c1和c2具有如下表示式：

c1和c2分别是图像在out(c)和in(c)中灰度值的算术平均，即曲线局部平均灰度值。

2、计算下一代水平集函数。

大致步骤为：将上述的权重系数μ,λ1,λ2通过粒子群优化，通过迭代可以得到下一代水平集函数本实施例设置最大的迭代次数为tmax_cv为250代。具体过程如下：

(1)输入待优化的水平集函数权重系数

将权重系数μ，λ1，λ2输入，作为粒子群优化算法的输入参数。

(2)种群初始化

初始化，设置加速常数c1和c2，本实施例加速常数c1和c2分别设置为0.3和0.7。最大迭代次数为tmax_pso，本实施例最大迭代次数tmax_pso设置为500，将当前迭代次数用t表示，本实施例设置t＝1，在定义的空间sⁿ中随机产生m个粒子x1，x2，…，xm，设置m为3，即x1＝μ，x2＝λ1，x3＝λ2，组成初始种群x(t)；随机产生各粒子初始速度组成速度位移矩阵v(t)。

(3)计算初始种群中每个粒子的适应度值，更新每个粒子的当代最佳适应度值和全局最佳适应度值

计算群体中各个个体的适应度值。粒子群算法在搜索进化过程中一般不需要其他外部信息，仅用评估函数值来评价个体或解的优劣，并作为以后粒子群操作的依据。评估函数值又称为适应度值(fitnessvalue)，本发明以提取区域与剩余区域的平均灰度值比值为适应度值。

对每个粒子，当代最佳适应度值用pi表示，全局最佳适应度值用pg表示，将当前适应度值与当代经历过的最佳适应度值做比较，若好于后者，则以当前的适应度值作为pi，即以当前位置作为粒子所经历过的最好位置，否则，pi不变。把这一循环中得到的种群最好位置的适应度值与pg比较，若好于后者，则重新记录pg的大小，否则pg不变。

(4)更新粒子的位置坐标和速度

利用方程(5)和(6)分别重新计算每个粒子的速度和位置。

vi(t+1)＝ωvi(t)+c1r1(pi(t)-xi(t))+c2r2(pg(t)-xi(t))(5)

xi(t+1)＝xi(t)+vi(t+1)(6)

其中i＝1，2，3，…m，t＝1，2，…tmax_pso表示粒子当前的迭代次数，r1,r2是均匀分布在区间[0,1]的随机数，主要是为了让粒子能够以等概率的加速度飞向粒子本身最好位置和粒子全局最好的位置，参数ω称为惯性权重，来起到权衡全局搜索能力和局部搜索能力的作用，本实施例设置为0.5。

(5)判断是否满足终止条件

产生足够好的全局最佳适应度值，即提取区域与剩余区域的平均灰度值比值大于1000或达到一个预设最大代数tmax_pso，即500代，这时，满足终止条件，进入第(6)步，否则重新进入第(4)步。

(6)输出优化的水平集函数的权重系数

经过n1代搜索，得到的最优化权重系数为μ(n1)，λ1(n1)，λ2(n1)。

(7)水平集函数的更新

水平集方法的更新表示为：

3、判断是否达到收敛终止条件

经过n2代搜索，曲线局部平均灰度值比，即c2(n2)/c1(n2)≥500，或者n2达到最大迭代次数，tmax_cv＝250代，则达到收敛终止条件，否则，重新进入上述第1步进入一个新的循环，如附图3所示为本实施例中迭代过程中的输电线路红外热像图。

步骤三：输出提取的输电线路红外热像的异常区域，如附图4所示。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员应当理解：其依然可以对上述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。