基于小波分析的电力系统设备红外图像分割方法及系统的制作方法
【专利摘要】本发明公开了一种基于小波分析的电力系统设备红外图像分割方法及系统，首先本发明采用小波变换、模糊熵、遗传算法和数学形态学的对电力系统设备红外图像进行图像处理，该方法首先采用红外热像仪对电力系统设备进行热故障检测，得到热像图；然后利用小波变换消除红外图像的混合噪声，抑制背景干扰和增强目标；通过运用模糊熵与遗传算法进行组合优化运算，确定最佳阈值，提取目标；利用数学形态学水线区域分割法来解决边界不连续问题并对图像进行分割，从而寻找最大连通域，分离目标区域。最后，根据分离出来的目标区域可以清晰的判断电力设备故障点的位置以及发生故障的元件，既防止了事故的发生，又不盲目的停电检修，提高电力系统运行的可靠性。
【专利说明】基于小波分析的电力系统设备红外图像分割方法及系统
【技术领域】
[0001]本发明涉及电力系统设备图像处理领域，特别涉及一种电力系统设备红外图像处
理方法。
【背景技术】
[0002]随着电网向高电压、特高电压、大机组、大容量的迅猛发展，电力系统对安全可靠运行提出了越来越高的要求。因此，对电气设备运行状态的实时监测、故障诊断受到了高度重视。随着计算机技术、通信技术、网络技术等的发展，采用更为先进的智能技术来改善故障诊断系统的性能以及提高电力系统故障诊断的准确性，具有重要的研究价值和实际意义。
[0003]针对电力系统故障诊断方法的研究，前人已经做了很多有益的探索，出现了很多有关人工智能技术在电力系统故障诊断中的运用。现有技术中有一种基于故障树的多层次电力系统故障诊断系统，其运用故障树分析技术(FTA)建立电力系统发生内部故障的分类树模型，为系统诊断的建立找到一条简捷的途径。但是这种方法的缺陷在于针对越来越复杂的电力系统网络所观测到的症状与所对应诊断之间的联系是相当复杂的，通过归纳专家经验来获取规则进而诊断故障，准确度和通用性不佳；还有一种基于粗糙集理论的电力系统故障诊断，粗糙集理论能有效地分析和处理不精确、不一致、不完整等各种不完备数据，从中发现隐含知识，揭示潜在规律用粗糙集理论进行故障诊断，能较强地处理信息不完整和信息冗余的情形。但是该方法也有需要改进之处在于当电网较复杂、庞大时，将导致决策表的规模变大，约简困难，诊断速度和精度降低。另外，还有一种基于ANN的电力系统故障诊断，ANN在电力系统故障诊断中的应用主要是故障定位和故障类型识别两个方面，具有鲁棒性好，学习能力强，不需要构造推理机，推理速度较快等特点。但是目前ANN在应用中出现的主要问题是难以确保ANN训练时收敛的快速性和避免陷入局部最小。
[0004]另外，电力系统故障的红外成像诊断是一项简便、快捷的设备状态在线检测技术，它具有远距离、不接触、准确、快速的特点，在不停电、不取样、不解体的情况下能快速实时地监测和诊断设备运行状况。目前，红外热像图的分割算法也已经有了很多的探索，例如基于灰度变换的红外图像实时分割算法，基于混沌蚁群算法的快速红外图像分割，小波神经网络自学习算法用于红外图像分割等，这些算法都逐步在提高红外图像分割的速度与精度。但是灰度变换算法提高了分离的速度但是丢失了目标图像精度，混沌蚁群算法能够达到预定的精度但是分离速度很慢。因此，可以说目前很多红外图像分割方法的分割精度与速度对于电力系统故障诊断而言，不能同时达到预定效果，分离出来的目标图像不尽完美。
【发明内容】
[0005]有鉴于此，本发明所要解决的技术问题是提供一种基于小波分析的电力系统设备红外图像分割方法。
[0006]本发明的目的之一是提出一种基于小波分析的电力系统设备红外图像分割方法；本发明的目的之二是提出一种基于小波分析的电力系统设备红外图像分割系统。
[0007]本发明的目的之一是通过以下技术方案来实现的:
[0008]本发明提供的基于小波分析的电力系统设备红外图像分割方法，包括以下步骤:
[0009]S1:获取电力设备红外图像；
[0010]S2:采用小波变换消除红外图像的混合噪声得到去噪图像；
[0011]S3:采用模糊熵与遗传算法确定红外图像的分割阈值；
[0012]S4:根据分割阈值提取红外图像的设备图像；
[0013]S5:利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。
[0014]进一步，还包括以下步骤:
[0015]S6:根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件。
[0016]进一步，所述电力设备红外图像是通过红外热像仪采集得到的。
[0017]进一步，所述采用模糊熵与遗传算法确定红外图像的分割阈值具体步骤如下:
[0018]S31:通过以下 公式来确定红外图像的模糊熵:
[0019]赢)=xIΣΣ飄PU)
[0020]式中，Sn(μ X(xmn))为 shannon 函数:Sn(x)=-xlnx-(l_x) In(l-x) (2),
[0021]X表示一幅包含MXN个像素点的灰度图像，其中M、N e N+;yx(xj表示(m，n)像素点的隶属度；\?表示图像X中坐标为(m，n)像素点的灰度值；
[0022]S32:通过以下公式求得模糊熵最大值时所对应的b值:
【权利要求】
1.基于小波分析的电力系统设备红外图像分割方法，其特征在于:包括以下步骤: S1:获取电力设备红外图像； 52:采用小波变换消除红外图像的混合噪声得到去噪图像； 53:采用模糊熵与遗传算法确定红外图像的分割阈值； 54:根据分割阈值提取红外图像的设备图像； 55:利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。
2.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于:还包括以下步骤: 56:根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件。
3.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于:所述电力设备红外图像是通过红外热像仪采集得到的。
4.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于:所述采用模糊熵与遗传算法确定红外图像的分割阈值具体步骤如下: 531:通过以下公式来确定红外图像的模糊熵:
5.根据权利要求4所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于:所述最佳分割阈值(b，Ab)采用遗传算法来实现。
6.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于:所述数学形态学水线区域分割法采用以下公式进行:
7.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于:所述采用小波变换来消除红外图像的混合噪声是通过以下步骤来实现的:S21:对测得的电力设备红外图像进行离散小波变换，得到各尺度上的小波系数； S22:根据启发式阈值选取规则确定阈值； S23:运用双变量阈值函数处理各尺度上的小波系数，得到各尺度上新的估计小波系数； S24:对各尺度上的估计小波系数进行离散小波逆变换，得到重构后红外图像信号的估计值； 所述双变量阈值函数采用以下公式来计算:
8.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法来实现的基于小波分析的电力系统设备红外图像分割系统，其特征在于:包括红外图像采集模块、小波去噪模块、图像分割阈值计算模块、设备图像提取模块和目标图像分离模块； 所述红外图像采集模块，用于获取电力设备红外图像； 所述小波去噪模块，用于采用小波变换消除红外图像的混合噪声得到去噪图像； 所述图像分割阈值计算模块，用于采用模糊熵与遗传算法确定红外图像的分割阈值； 所述设备图像提取模块，用于根据分割阈值提取红外图像的设备图像； 所述目标图像分离模块，用于利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。
9.根据权利要求8所述的基于小波分析的电力系统设备红外图像分割系统，其特征在于:还包括故障元件判断模块；所述故障元件判断模块；用于根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件； 所述电力设备红外图像是通过红外热像仪采集得到的； 所述图像分割阈值计算模块包括模糊熵计算模块和模糊熵最大值判断模块； 所述模糊熵计算模块采用如下公式来计算红外图像的模糊熵:
10.根据权利要求8所述的基于小波分析的电力系统设备红外图像分割系统，其特征在于:所述小波去噪模块包括小波分解模块、小波分解系数阈值计算模块、图像重构模块和去噪模块； 所述小波分解模块，用于对测得的电力设备红外图像进行离散小波变换，得到各尺度上的小波系数； 所述小波分解系数阈值计算模块，用于根据启发式阈值选取规则来计算小波分解系数阈值； 所述图像重构模块，运用双变量阈值函数处理各尺度上的小波系数，得到各尺度上新的估计小波系数； 所述去噪模块，用于对各尺度上的估计小波系数进行离散小波逆变换，得到重构后红外图像信号的估计值； 所述双变量阈值函数采用以下公式来计算:
【文档编号】G06T5/00GK103617630SQ201310698680
【公开日】2014年3月5日 申请日期:2013年12月18日 优先权日:2013年12月18日
【发明者】王洪授, 段其昌, 陈红光, 毛明轩, 陈德林, 段盼, 黄晓刚, 胡蓓 申请人:国网重庆潼南县供电有限责任公司, 重庆大学