基于小波分析的電力系統(tǒng)設備紅外圖像分割方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于小波分析的電力系統(tǒng)設備紅外圖像分割方法及系統(tǒng)，首先本發(fā)明采用小波變換、模糊熵、遺傳算法和數(shù)學形態(tài)學的對電力系統(tǒng)設備紅外圖像進行圖像處理，該方法首先采用紅外熱像儀對電力系統(tǒng)設備進行熱故障檢測，得到熱像圖；然后利用小波變換消除紅外圖像的混合噪聲，抑制背景干擾和增強目標；通過運用模糊熵與遺傳算法進行組合優(yōu)化運算，確定最佳閾值，提取目標；利用數(shù)學形態(tài)學水線區(qū)域分割法來解決邊界不連續(xù)問題并對圖像進行分割，從而尋找最大連通域，分離目標區(qū)域。最后，根據(jù)分離出來的目標區(qū)域可以清晰的判斷電力設備故障點的位置以及發(fā)生故障的元件，既防止了事故的發(fā)生，又不盲目的停電檢修，提高電力系統(tǒng)運行的可靠性。
【專利說明】基于小波分析的電力系統(tǒng)設備紅外圖像分割方法及系統(tǒng)
【技術領域】
[0001]本發(fā)明涉及電力系統(tǒng)設備圖像處理領域，特別涉及一種電力系統(tǒng)設備紅外圖像處
理方法。
【背景技術】
[0002]隨著電網(wǎng)向高電壓、特高電壓、大機組、大容量的迅猛發(fā)展，電力系統(tǒng)對安全可靠運行提出了越來越高的要求。因此，對電氣設備運行狀態(tài)的實時監(jiān)測、故障診斷受到了高度重視。隨著計算機技術、通信技術、網(wǎng)絡技術等的發(fā)展，采用更為先進的智能技術來改善故障診斷系統(tǒng)的性能以及提高電力系統(tǒng)故障診斷的準確性，具有重要的研究價值和實際意義。
[0003]針對電力系統(tǒng)故障診斷方法的研究，前人已經(jīng)做了很多有益的探索，出現(xiàn)了很多有關人工智能技術在電力系統(tǒng)故障診斷中的運用?，F(xiàn)有技術中有一種基于故障樹的多層次電力系統(tǒng)故障診斷系統(tǒng)，其運用故障樹分析技術(FTA)建立電力系統(tǒng)發(fā)生內部故障的分類樹模型，為系統(tǒng)診斷的建立找到一條簡捷的途徑。但是這種方法的缺陷在于針對越來越復雜的電力系統(tǒng)網(wǎng)絡所觀測到的癥狀與所對應診斷之間的聯(lián)系是相當復雜的，通過歸納專家經(jīng)驗來獲取規(guī)則進而診斷故障，準確度和通用性不佳；還有一種基于粗糙集理論的電力系統(tǒng)故障診斷，粗糙集理論能有效地分析和處理不精確、不一致、不完整等各種不完備數(shù)據(jù)，從中發(fā)現(xiàn)隱含知識，揭示潛在規(guī)律用粗糙集理論進行故障診斷，能較強地處理信息不完整和信息冗余的情形。但是該方法也有需要改進之處在于當電網(wǎng)較復雜、龐大時，將導致決策表的規(guī)模變大，約簡困難，診斷速度和精度降低。另外，還有一種基于ANN的電力系統(tǒng)故障診斷，ANN在電力系統(tǒng)故障診斷中的應用主要是故障定位和故障類型識別兩個方面，具有魯棒性好，學習能力強，不需要構造推理機，推理速度較快等特點。但是目前ANN在應用中出現(xiàn)的主要問題是難以確保ANN訓練時收斂的快速性和避免陷入局部最小。
[0004]另外，電力系統(tǒng)故障的紅外成像診斷是一項簡便、快捷的設備狀態(tài)在線檢測技術，它具有遠距離、不接觸、準確、快速的特點，在不停電、不取樣、不解體的情況下能快速實時地監(jiān)測和診斷設備運行狀況。目前，紅外熱像圖的分割算法也已經(jīng)有了很多的探索，例如基于灰度變換的紅外圖像實時分割算法，基于混沌蟻群算法的快速紅外圖像分割，小波神經(jīng)網(wǎng)絡自學習算法用于紅外圖像分割等，這些算法都逐步在提高紅外圖像分割的速度與精度。但是灰度變換算法提高了分離的速度但是丟失了目標圖像精度，混沌蟻群算法能夠達到預定的精度但是分離速度很慢。因此，可以說目前很多紅外圖像分割方法的分割精度與速度對于電力系統(tǒng)故障診斷而言，不能同時達到預定效果，分離出來的目標圖像不盡完美。

【發(fā)明內容】

[0005]有鑒于此，本發(fā)明所要解決的技術問題是提供一種基于小波分析的電力系統(tǒng)設備紅外圖像分割方法。
[0006]本發(fā)明的目的之一是提出一種基于小波分析的電力系統(tǒng)設備紅外圖像分割方法；本發(fā)明的目的之二是提出一種基于小波分析的電力系統(tǒng)設備紅外圖像分割系統(tǒng)。
[0007]本發(fā)明的目的之一是通過以下技術方案來實現(xiàn)的:
[0008]本發(fā)明提供的基于小波分析的電力系統(tǒng)設備紅外圖像分割方法，包括以下步驟:
[0009]S1:獲取電力設備紅外圖像；
[0010]S2:采用小波變換消除紅外圖像的混合噪聲得到去噪圖像；
[0011]S3:采用模糊熵與遺傳算法確定紅外圖像的分割閾值；
[0012]S4:根據(jù)分割閾值提取紅外圖像的設備圖像；
[0013]S5:利用數(shù)學形態(tài)學水線區(qū)域分割法來對設備圖像分離出目標區(qū)域形成單個電力設備目標圖像。
[0014]進一步，還包括以下步驟:
[0015]S6:根據(jù)單個電力設備目標圖像通過專家系統(tǒng)判斷電力設備故障點的位置以及發(fā)生故障的元件。
[0016]進一步，所述電力設備紅外圖像是通過紅外熱像儀采集得到的。
[0017]進一步，所述采用模糊熵與遺傳算法確定紅外圖像的分割閾值具體步驟如下:
[0018]S31:通過以下 公式來確定紅外圖像的模糊熵:
[0019]贏)=xIΣΣ飄PU)
[0020]式中，Sn(μ X(xmn))為 shannon 函數(shù):Sn(x)=-xlnx-(l_x) In(l-x) (2),
[0021]X表示一幅包含MXN個像素點的灰度圖像，其中M、N e N+;yx(xj表示(m，n)像素點的隸屬度；\?表示圖像X中坐標為(m，n)像素點的灰度值；
[0022]S32:通過以下公式求得模糊熵最大值時所對應的b值:
【權利要求】
1.基于小波分析的電力系統(tǒng)設備紅外圖像分割方法，其特征在于:包括以下步驟: S1:獲取電力設備紅外圖像； 52:采用小波變換消除紅外圖像的混合噪聲得到去噪圖像； 53:采用模糊熵與遺傳算法確定紅外圖像的分割閾值； 54:根據(jù)分割閾值提取紅外圖像的設備圖像； 55:利用數(shù)學形態(tài)學水線區(qū)域分割法來對設備圖像分離出目標區(qū)域形成單個電力設備目標圖像。
2.根據(jù)權利要求1所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割方法，其特征在于:還包括以下步驟: 56:根據(jù)單個電力設備目標圖像通過專家系統(tǒng)判斷電力設備故障點的位置以及發(fā)生故障的元件。
3.根據(jù)權利要求1所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割方法，其特征在于:所述電力設備紅外圖像是通過紅外熱像儀采集得到的。
4.根據(jù)權利要求1所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割方法，其特征在于:所述采用模糊熵與遺傳算法確定紅外圖像的分割閾值具體步驟如下: 531:通過以下公式來確定紅外圖像的模糊熵:
5.根據(jù)權利要求4所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割方法，其特征在于:所述最佳分割閾值(b，Ab)采用遺傳算法來實現(xiàn)。
6.根據(jù)權利要求1所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割方法，其特征在于:所述數(shù)學形態(tài)學水線區(qū)域分割法采用以下公式進行:
7.根據(jù)權利要求1所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割方法，其特征在于:所述采用小波變換來消除紅外圖像的混合噪聲是通過以下步驟來實現(xiàn)的:S21:對測得的電力設備紅外圖像進行離散小波變換，得到各尺度上的小波系數(shù)； S22:根據(jù)啟發(fā)式閾值選取規(guī)則確定閾值； S23:運用雙變量閾值函數(shù)處理各尺度上的小波系數(shù)，得到各尺度上新的估計小波系數(shù)； S24:對各尺度上的估計小波系數(shù)進行離散小波逆變換，得到重構后紅外圖像信號的估計值； 所述雙變量閾值函數(shù)采用以下公式來計算:
8.根據(jù)權利要求1所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割方法來實現(xiàn)的基于小波分析的電力系統(tǒng)設備紅外圖像分割系統(tǒng)，其特征在于:包括紅外圖像采集模塊、小波去噪模塊、圖像分割閾值計算模塊、設備圖像提取模塊和目標圖像分離模塊； 所述紅外圖像采集模塊，用于獲取電力設備紅外圖像； 所述小波去噪模塊，用于采用小波變換消除紅外圖像的混合噪聲得到去噪圖像； 所述圖像分割閾值計算模塊，用于采用模糊熵與遺傳算法確定紅外圖像的分割閾值； 所述設備圖像提取模塊，用于根據(jù)分割閾值提取紅外圖像的設備圖像； 所述目標圖像分離模塊，用于利用數(shù)學形態(tài)學水線區(qū)域分割法來對設備圖像分離出目標區(qū)域形成單個電力設備目標圖像。
9.根據(jù)權利要求8所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割系統(tǒng)，其特征在于:還包括故障元件判斷模塊；所述故障元件判斷模塊；用于根據(jù)單個電力設備目標圖像通過專家系統(tǒng)判斷電力設備故障點的位置以及發(fā)生故障的元件； 所述電力設備紅外圖像是通過紅外熱像儀采集得到的； 所述圖像分割閾值計算模塊包括模糊熵計算模塊和模糊熵最大值判斷模塊； 所述模糊熵計算模塊采用如下公式來計算紅外圖像的模糊熵:
10.根據(jù)權利要求8所述的基于小波分析的電力系統(tǒng)設備紅外圖像分割系統(tǒng)，其特征在于:所述小波去噪模塊包括小波分解模塊、小波分解系數(shù)閾值計算模塊、圖像重構模塊和去噪模塊； 所述小波分解模塊，用于對測得的電力設備紅外圖像進行離散小波變換，得到各尺度上的小波系數(shù)； 所述小波分解系數(shù)閾值計算模塊，用于根據(jù)啟發(fā)式閾值選取規(guī)則來計算小波分解系數(shù)閾值； 所述圖像重構模塊，運用雙變量閾值函數(shù)處理各尺度上的小波系數(shù)，得到各尺度上新的估計小波系數(shù)； 所述去噪模塊，用于對各尺度上的估計小波系數(shù)進行離散小波逆變換，得到重構后紅外圖像信號的估計值； 所述雙變量閾值函數(shù)采用以下公式來計算:
【文檔編號】G06T5/00GK103617630SQ201310698680
【公開日】2014年3月5日 申請日期:2013年12月18日 優(yōu)先權日:2013年12月18日
【發(fā)明者】王洪授, 段其昌, 陳紅光, 毛明軒, 陳德林, 段盼, 黃曉剛, 胡蓓 申請人:國網(wǎng)重慶潼南縣供電有限責任公司, 重慶大學