主要电力设备故障图像特征及识别方法研究改

1、 摘要摘要内容伴随着我国电网规模的日益加大,各类变电设备的运作状态是促使其安全高效运行的最为主要的因素之一。对于各类变电设备的在线状态监测系统的推广越来越发普及。研究基于图像特征的电力设备自动故障识别具有重要意义。本文对各类主要电力设备，研究各类变电设备故障识别分类及相应故障的图像特征，以及基于红外与紫外图像特征的故障识别方法。对于紫外放电成像技术图像的处理与特征提取，本文从紫外成像技术的基本原理出发，在讲解紫外放电图片特性的基础上，对紫外放电图像使用灰度化预处理，以及应用中值滤波等方法对图像进行降噪。并通过canny算子边缘检测计算紫外光斑面积判断是否发生放电故障。针对红外故障图像，本文在红

2、外成像原理的基础上，对红外图像进行超像素分割及HSV空间颜色提取，对应用卷积神经网络对红外故障图像故障区域检测进行理论上的研究。关键词： 红外成像 紫外成像 图像处理 ABSTRACTWith the increasing scale of Chinas power grid, the operation of various types of substation equipment is one of the most important factors to promote the safe and efficient operation. The popularization of t

3、he on-line condition monitoring system for all kinds of transformer equipment is becoming more and more popular. Research on image feature based automatic fault recognition of power equipment is of great significance. In this paper, various types of main power equipment, the study of various types o

4、f substation equipment fault identification and classification of image features, as well as infrared and ultraviolet image features based on fault identification method. For ultraviolet discharge imaging technique to image processing and feature extraction, this paper from the basic principle of UV

5、 imaging technology of on the explanation of the ultraviolet discharge picture characteristics based and discharge on the UV image using grayscale preprocessing and application of median filtering method of image in noise reduction. And through the Canny operator edge detection to determine whether

6、the area of the UV spot to determine whether the discharge fault. Aiming at the fault infrared image, this paper on the basis of the principle of infrared imaging, the infrared image were super pixel segmentation and HSV color space extraction, the convolutional neural network is applied to fault se

7、ction detection of infrared fault image of theoretical research.KEY WORDS: 目录 第一章1.1课题背景伴随着我国国民经济水平的前进与发展,全国各地对电力的需求不断增长,推动我国电网规模不断加大、同时向超高压、大容量和智能化的路线前进。但也对各类电力设备的安全性及可靠性提出更为克刻的要求。由于一旦电力设备和部件产生故障或缺陷，极易导致“链式反应”，致使整个电力系统不能正常工作，从而引发重大的经济损失，而存在隐患的设备故障和缺陷还会造成灾难性事故和人员伤亡，更是从源头波及社会方方面面造成恶劣影响。故障识别与诊断技术给电力单位

8、带来显著的生产利益，其经济意义集中表现在减少维修消耗和避免突发事故这两点上。 而且，研究表明，电气设备故障产生最直接最重要的原因是其绝缘性能发生劣化。电气设备尤其是高压电气设备长期处于高电压、强场强运行条件下，同时承受户外风雨侵袭，不可避免会使得绝缘性能发生劣化。伴随时间的日益推移，当劣化产生一定影响时，就会发生电力设备放电这种现象。若没有及时找到电气设备放电的原因，对故障部件进行维修和更换，放任放电故障发展，结果极有可能导致设备击穿、闪络等现象，致使故障更为严重，波及范围也大大增加。所以必须对电力设备的前期局部放电展开深入研究，对电力设备的绝缘能力特别是其外绝缘能力进行预先评价，保障电力设备

9、安全高效运转，从而提高整体系统的可靠及稳定性。每当电力设备放电时，放电部位会放出波长240致80nm的紫外辐射，对此信号进行有效的监测，将大大的有益于早期检测到放电现象。而且电力设备，凡是其外部发生放电，均可得到其放电紫外图像，这导致紫外放电成像技术在电力设备在线状态监测特别是电力设备外绝缘监测方面的应用领域更加广泛。1.2国内外研究现状1.21红外热像仪成像技术在电力系统的应用对变压器的红外成像在线状态监测系统在电力系统的普遍应用是电力企业对于追求信息化的必经之路，它不但可以代替人为测温，更是达到实时在线监测变压器的发热情况，避免和降低故障发生，保障了变压器的可靠运行，确保了电力系统的稳定供

10、电。电力设备的发热引发的故障是导致大面积停电等事故灾难的最为重要的诱导因素，一直以来怎样实时可靠的在线监测电力设备都是电力行业一个极具意义的问题。变压器作为变电系统中最核心的电力设备，是整个变电环节运行的中心所在，其可靠性关乎整个变电网络。在变压器的工作过程中，无论是负荷过大，还是油位出现了异常，其温度都会发生变化，若不及时发现将会引发变压器设备损坏等事故，直接威胁到供电安全。公司对运行中的变压器的温度监测一直予以高度重视，对变压器的红外测温也有明确规定。但是，随着电网发展和社会科技进步，变电系统的自动化、信息化要求不断严格，变电站大致上完成了无人值班或少人值守的阶段，现在基本通过红外测温仪对

11、变电设备的检测都是通过人为测量的方法，这些都不能达到运转和监控自动化的目标。从上世纪六十年代国外采用红外测温技术，七十年代起将红外成像仪安装于车辆或是直升机上对变电设备及高压输电系统产生的故障与缺陷做定期检测,伴随红外线探测设备,特别是红外线热成像设备的日益进步逐渐发展为专业的红外成像检测技术,而且更是编写出与之配套的技术标规和红外诊断故障判定标准,目前更是在全球各个发达国家当中普及,并得到了极佳的经济效果。我国探寻发展对于电力设备应用红外测温技术起于20世纪七十年代初,应用国内开发的红外测温设备检测高压输电线路接头温度的试验研究工作,开创了我国红外技术的应用。1从八十年代中期开始,随着性能优

12、良可靠的红外诊断仪器的发展及主管部门的重视,通过一些电力科研单位的大量室内模拟试验和现场试验,取得了不少实践经验。不但在现场试验中检测出了大量的缺陷与问题,通过立即的修理,避免了部分严重的灾难性的事故的出现,受到了极佳的反响,更是从中积攒了大量实践知识,慢慢完善了故障的评判准则。1.2.2紫外成像技术在电力系统中的应用2早在1984年，前苏联西伯利亚电力科学研究院就将紫外成像技术运用于电力系统设备监测中，开发了紫外电子光学探伤仪，并用该探伤仪实现了电气设备外绝缘的监测。然而，该设备难以避免日光对紫外图像的影响，因此只能夜间监测，且受天气因素影响较大。为了实现采用紫外成像法对放电设备的实时监测，

13、上世纪90年代，西方少数国家开始研制日盲型紫外成像仪，所谓日盲型紫外成像仪，就是紫外监测的结果不受日光的影响，即紫外成像是不吸收太阳光中紫外谱段。至此，电力系统开始普遍采用日盲型紫外成像仪实现电气设备放电图像的实时监测。现在电力行业中主要普及的是红外热成像检测技术，然而应用紫外成像技术在放电监测方面还在刚刚发展的阶段。通过低通滤波手段对紫外成像图像处理降低紫外线放电图像中各类噪声；通过中值滤波理论，对紫外成像图像增强信噪比。对于紫外放电光斑提取问题：通过改进的candy算法对紫外放电图像实施边缘提取, 从而有效获得故障区域的放电光斑。采用形态学分析理论，对放电光斑进行了自适应提取，同时该方法也

14、能有效抑制噪声对紫外放电光斑提取的影响.第二章 电力设备红外线故障图像2.1红外成像法检测原理红外辐射测温仪 红外线辐射测温仪也叫红外测温仪，是一种对物体放射的红外线的温度检测仪器，它只能检测对象表面上某点四周确定面积的平均温度。在不追求精准测量对象表面二维温度分布时，与别的设备相比较，具有简化结构、价格便宜、操作便携等优点。 3红外测温仪的基本原理是以被测目标的红外辐射能量与温度成一定函数关系而制成的仪器。其工作时，被测目标的红外辐射能量经仪器透镜会聚，并通过红外滤光片进入探测器，探测器将辐射能转换为电能的信号，经放大器放大、电子电路处理，最终由显示器显示出被测物体的表面温度。图2-2所示的

15、是一个装有有目视对准系统的红外测温仪，通过45的分光镜，可见光反射到分划板上，其刻有一圆环，圆环的面积应与光阑孔面积相同，分划板后安装有一组目视透镜，以使人确认测量对象的准确情况以及目标是否填充满小环。 1红外测温仪的基本结构必须包括光学系统、红外探测器、电信号放大及处理系统、结果显示系统和其它附属部分(包括目标瞄准器、供电电源与整体机械结构)等几个主要功能部分。根据测温要求可分为单波段中低温测温仪(8-12m)、高温测温仪(2-2.5m)和高温比色测温仪。现在，各类的红外测温设备都安装有可视瞄准或激光瞄准装置，使人更精准地检测对象的温度而采取了便携的手段。 红外热成像仪不但可以非接触式测温，

16、而且能实现实时反馈对象表面温度的二维分布及改变状况，这是它不同于红外测温仪的一个显著优势。红外热成像仪具有图像处理程序，测温快速、分辨率优异、直观，并具有信息收集、存储、处理和解析方便的优点。因此，虽然它比红外测温仪等装置的结构纷繁、价格高的多，但在电力设备实时监测中还有很大的作用。 红外热成像仪的运行流程是把被测对象表面温度经由红外线的方式，通过收到光学程序和扫描设备显像到探测器上，然后通过探测器转换成视频形式。此微小的视频信号通过信号放大装置后17，传到外端显示屏上，表现出被测对象表面温度分布情况的热成像。5红外热像仪的基本结构由光学系统、扫描机构、红外探测器、前置放大器、视频信号预处理电

17、路、显示记录系统和外围辅助装置等组成。红外热像仪的核心器件是红外探测器，可分为单元探测器、多元探测器和带有内处理功能的探测器。常用热像仪的工作波长为3-5m和8-14m。2.2电力设备红外检测诊断故障典型图谱2.2.1变压器缺陷红外检测诊断故障典型图谱变压器缺陷主要包括以下两个部分:1、变压器本体的缺陷;2、套管部位的缺陷2.2.1.1变压器套管温度分布异常变压器套管包含主变高压侧套管、低压侧套管、抱箍线夹、中性点套管、管出线线夹等部分。温差不超过 10K，未达到严重缺陷的要求，可应用图像特征分析法、同类比较判断法。（1）变压器套管温度分布异常图2-3 220kV 主变高压侧热像图，左侧套管上

18、部温度偏低。（2）变压器套管出线线夹过热图2-4 110kV 主变高压侧套管热图，套管上部温度偏低。（3）变压器套管抱箍线夹过热图2-5 500kV 变压器套管热像图，左侧（中压侧）套管出线线夹有明显热点。（4）变压器套管柱头过热图2-6 110kV 变压器高压侧套管热像图，套管抱箍线夹有明显热点。（5）变压器套管末屏温度分布异常图2-7 220kV 变压器高压侧套管热像图，套管末屏（左侧）温度偏高2.2.1.2变压器本体部分缺陷变压器本体包含主变高压侧本体、低压侧本体、高压侧左面本体、高压侧右面本体。温差不超过 10K，未达到严重缺陷的要求，可应用表面温度判断法、图像特征分析法。（1）变压器

19、本体温度分布异常图2-8 110kV 变压器本体热像图，本体局部温度偏高。（2）变压器冷却器（自冷式）温度分布异常图2-9 110kV 变压器散热器热像图，右 2散热器温度偏低（3）变压器冷却器（水冷式）温度分布异常图2-10变压器冷却器（水冷式）热像图，左 1、左 2冷却器温度偏低。（4）变压器冷却器温度异常图2-11 220kV 变压器冷却器热像图，两侧温度明显不一致。（5）变压器冷却器（强油风冷）进、出油管温度异常图2-12变压器冷却器（强油风冷）热像图2.2.2高压断路器缺陷红外检测诊断故障典型图谱断路器通常由于内部部件接触不良导致温度异常。可应用表面温度诊断法等。图2-13 220k

20、V 断路器热像图，左侧断路器动触头法兰发热（2）断路器中间触头发热图2-14 110kV 断路器热像图，断路器中间触头法兰发热（3）断路器静触头发热图2-15 110kV 断路器热像图，右侧断路器静触头法兰发热（4）断路器瓷套点状温度分布异常图2-16 110kV 断路器热像图，动触头法兰与下瓷磁套接合部有点状发热点。2.2.3隔离开关红外检测诊断故障典型图谱220kV隔离开关的发热缺陷，根据其特点可用表面温度判断法、图像特征分析法、同类比较判断法判断。图2-17 220kV 隔离开关热像图，刀口有明显热点。（2）隔离开关转头过热图2-18 220kV 隔离开关热像图，下转头接触有明显热点(1

21、) 隔离开关接线板过热图2-19 35kV 隔离开关热像图，接线板有明显热点2.2.4电流互感器红外检测诊断故障典型图谱电流互感器多由内部接触不良或内部一次连接线散股、断股引发故障。可应用表面温度判断法、图像特征分析法、同类比较判断法。（1）电流互感器头部过热 图2-20 35kV 电流互感器热像图，头部有异常发热（2）电流互感器头部温度异常图2-21 110kV 电流互感器热像图，右侧互感器头部温度较低（3）电流互感器局部发热图2-22 35kV 电流互感器热像图，头部有异常局部温度异常2.2.5电压互感器红外检测诊断故障典型图谱电压互感器通常由于电磁组件受潮、匝间短路或铁磁谐振等原因导致介

22、质消耗加大，在高压作用中放射热量。可通过图像特征分析法、同类比较判断法。（1）电容式电压互感器电磁单元发热图2-23 220kV 电容式电压互感器热像图，电磁单元整体发热。（2）电容式电压互感器电容单元局部发热18图2-24 220kV 电容式电压互感器热像图，电容单元局部发热(2) 电容式电压互感器阻尼箱过热图2-25 220kV 电容式电压互感器阻尼单元热像图，阻尼单元内部有明显热点2.2.6绝缘子红外检测诊断故障典型图谱(1) 红外检测诊断故障典型图谱图2-26 110kV 合成绝缘子热像图2.3.1 3红外检测判断方法 4表面温度判断法：主要适用于电流致热型和电磁效应引起发热的设备。根

23、据测得的设备表 面温度值，对照 GB/T 11022 中高压开关设备和控制设备各种部件、材料及绝缘介质的温度和 温升极限的有关规定，结合环境气候条件、负荷大小进行分析判断。 同类比较判断法19：根据同组三相设备、同相设备之间及同类设备之间对应部位的温差进行比较分析。对于电压致热型设备，应结合图像特征判断法进行判断；对于电流致热型设备，应结合相对温差判断法进行判断。 图像特征判断法20：主要适用于电压致热型设备。根据同类设备的正常状态和异常状态的热 像图，判断设备是否正常。注意应尽量排除各种干扰因素对图像的影响，必要时结合电气试验 或化学分析的结果，进行综合判断。 相对温差判断法：主要适用于电流

24、致热型设备。特别是对小负荷电流致热型设备，采用相对温差判断法可降低小负荷缺陷的漏判率。 档案分析判断法21：分析同一设备不同时期的温度场分布，找出设备致热参数的变化，判断设备是否正常。 实时分析判断法：在一段时间内使用红外热像仪连续检测某被测设备，观察设备温度随负载、时间等因素变化的方法2.4.1 对红外图像进行基于 HSV 空间颜色提取的超像素分割2.4.1.1 Turbopixels方法的超像素分割2009年Levinshtein6等人描述了一种基于几何流的水平集方法，能快速地产生超像素。他们经由扩大初始化种子点，同时联系曲率演化模型和背景部分的骨架化进程，把图片切割成碎片式的超像素。 T

25、urbopixels产生的超像素须要附合5个准则: a)平均维度，算子需要将图像分割成尺寸与形态基本一致的超像素，经由设建几何流来扩大初始平均分布的种子以完成这个目标; b)连通性，单独超像素需要显示1个普通连续的像素聚集，采取联系水平集的几何流膨胀手段以此保证这个约束都是成立的; c)紧凑性，尽可能让超像素接近极限地紧密，应该让强度平均的部分在法线朝外方向发生不变的运动; d)平滑和边缘保持，当聚类中心扩大结束时，超像素边线需要和图像边界匹配，这要使几何流公式在边界强度变弱及消失的区域，曲线移动速度快，但边界强度较强区域，移动速度变弱以至于静止，致使达到图像分割的目的; e) 超像素不重叠，

26、算子需要将单独像素分布到每个超像素中。所以，当两个不同的种子膨胀到即将碰撞时，应该停止边界增长。整个算法步骤如图所示，包括:a) 初始化等间距的种子点。 b) 迭代以下步骤，直至不再有进一步的演化。 ( a) 第 T 次演化边界; ( b) 估计未分配区域的骨架; ( c) 更新边界上像素点的速度和在边界附近未分配像素点的速度。图2-27 Turbopixels 算法步骤7这种手段产生的超像素不但维持了图像的局部边界，更经由紧凑度的约束条件限制了欠分割。其计算效率极高，算子复杂程度及图片维度是近似线性关系，同时对于上万像素的图像，仅仅很短时间便能得到超像素。 Xiang等人开展通过待分割的图像

27、中组建多维特征图像的方法，广泛使用于Turbopixel架构的超像素分割中。2.4.2 HSV颜色空间进行区域提取(1) 颜色空间选取颜色空间选择由于各样的实际要求，显示颜色的空间也各式各样。现在最为普及的颜色空间是RGB空间，图像一般通过R、G、B3类分量的值来显示。 RGB空间适合于各类设备的表示，然而图像分割和解析并不适用，主要由于R、G、B这些分量由亮度联系，一旦亮度变换，这些分量统统会与之变化。相比之下适于人眼的颜色感官的空间是色调、饱和度和亮度（hue、saturation、value、HSV）空间。 而且，色调与饱和度统一称之为色度，由此解释了颜色的波长区间分布，又解释彩光的深浅

28、的程度。(2) 色彩空间的转换色彩空间的转换 试验中从 RGB 空间一点（R，G，B）转化到 HSV 空间的一 点可定义为：V=max（R，G，B）S=（V-min（R，G，B）/V（当 V=0时，S=0） H=60（G-B）/（V-min（R，G，B）如果 V=R 120+60（B-R）/（V-min（R，G，B）如果V=G 240+60（R-G）/（V-min（R，G，B）如果 V=B 如果所得的H0.65;S0.5orS200 。第三章 电力设备紫外线故障图像3.1紫外成像法检测原理当电力设备产生电离放电现象时，会向外辐射出各种的电磁波，而紫外线就是其中重要的组成。紫外线的波长在100-

29、400nm之间，而电力设备产生的紫外线主要在200-400nm。 图3-1 紫外线波长分布然而自然光中同样包含紫外线，可是因为臭氧层的屏蔽，导致辐射致地面的紫外辐射波长基本处于280 nm之上，低于280 nm的范围被称作日盲区。电力设备故障放电发生的紫外辐射存在280 nm以下，也称其在日盲区中，能够经由观测这些波段的紫外线来诊断局部放电程度，而且也降低环境对检测的影响。 图3-2为紫外成像系统原理图8图3-2为紫外成像系统原理图，信号源通过环境光源直射后发生的杂光到成像系统，经由紫外线分离装置变成两种:一种通过信号放大后到达到可见光镜头，在可见光相机中生成可见光图片;另一种经由紫外日盲滤镜

30、，去除日盲区以外的杂光，到达紫外镜头，同时在紫外相机中生产紫外影像。最后采用特定的图像预处理和融合方法，形成最终输出影像。另一路光信号首先经过紫外太阳盲滤镜滤波。当光波通过该紫外太阳盲滤镜时，绝大部分成分会被滤除，仅剩下波长范围为240280nm范围的紫外光可以通过。而该紫外线正是由电气设备放电辐射出紫外光重要组成部分。经日光滤镜滤波后所得的紫外线同时抑制了日光中紫外辐射部分的扰动，该紫外线经紫外系统转换为数字图像。该数字图像部分及为紫外放电图像放电光斑部分。以达到基于故障局部放电位置准确定位的目的，准确直观的表示出光斑部位与程度。紫外成像仪系统往往应用图像融合算法把摄像图像和局部放电图像进行

31、合并，从而得到紫外局部放电图像。在紫外放电图像中，可以清晰的看清发电发生的位置。图3-3清晰说明了这一过程:图3-3中(a)图为可见光通道所成数字图像，该图像呈现出背景图像及电气设备图像;图3-3中(b)图为240280nm波段的紫外光波经紫外照相机所成的数字图像，该图像反映了紫外放电光斑。(c)图为两者叠加后的图像，由(c)图可准确判定放电发生的位置。 图3-3紫外线成像仪叠加原理3.2紫外线成像图像预处理 为了提取紫外图像的特征，需要对紫外图像处理，放电光斑提取及放电程度计算等，所以得到的放电图像冗余信息量越少，将越有利于判定结果的准确获得。相比RGB模式图像，灰度图所需存储空间小，而且不

32、影响图像特征信息量的提取。灰度图与RGB模式图像的区别正如黑白电视机图像与彩色电视机图像的区别，除色彩饱和度等外，灰度图像与RGB彩色图像所含特征信息基本相同，但存储量大大减少。对于尺寸大小为MxN的紫外放电图片，其灰度图像大小为MxN，所以灰度图必要的存储量与像素点的个数相同，单独的像素仅要一个字节进行。同时，灰度图像使得图像主体与背景部分的对比进一步加强，有利于进一步区分图像主体部分。就紫外放电图像而言，将RGB图像进行灰度变换，变换后灰度图像中放电区域将明显与背景相区分，有利于放电趋势的选取。 9由彩色图像转化为灰度图像的过程叫做图像的灰度化，对于RGB模式的彩色图像，每个像素点均由R,

33、 G, B三个分量构成，且R, G. B可以取。一255之内的任一自然数，故通过R, G, B的自由组合，可产生1600万多种颜色。而灰度图像只采用一个分量就可以描述，且该分量的取值为0255之内的任一自然数。图像灰度化的方法如式(3-1)所示: (3-1)其中，H为灰度图像的灰度值;R, G, B分别为原彩色图像R, G, B分量的数值了f为灰度化函数。目前，灰度化函数主要有以下三种方法:(1） 平均值法即通过求取R, G, B分量的数值的平均值来求取灰度值，即 (3-2)(2)最大值法即某一像素点的灰度值可由该像素点R,G,B分量的数值的最大值进行代替，即 (3-3)灰度值求出后，将原彩色

34、图像中每一点的RGB数值均换成H值，即可得到灰度图像。由于采用亮度法进行灰度变换能有效体现图像的亮度，而紫外放电图像中放电区域正是以亮斑呈现的，因此本文选取亮度法进行图像灰度化处理。3.3紫外灰度图像噪声抑制 现实中，由于紫外成像技术是一个非接触式的电气设备在线监测技术，紫外拍摄的距离常常较远，一般达到及几十米甚至一百米;同时，紫外放电图像拍摄时的光照条件又是难以保证的，常常会遇到雨雪天气、雾霆天气，这就使得外部背景图像的光线较为微弱，使得外部背景图像在数字转换过程中常常会受到噪声污染，导致图像模糊，进而影响可见光部分即背景部分的成像效果，影响放电定位。 研究表明，紫外放电图像其主要噪声类型为

35、:高斯噪声、斑块噪声以及椒盐噪声等，其中又以椒盐噪声最为普遍。本文紫外图像噪声抑制主要是指对灰度化后的紫外图像的椒盐噪声进行抑制。3.3.1椒盐噪声模型 图像在拍摄和输送之中，极可能被椒盐噪声所干扰。椒盐噪声为脉冲型的噪声，生成的原因大致有以下几种:(1通信系统产生的故障;(2)图像传感器本体的固有噪声;(3)通信系统继电器状态改变时混入的随机噪声。 椒盐噪声的像素和相邻位置像素相比，极为具有差异。把图像灰度化处理后，在灰度图像之中，椒盐噪声显示为图像中的黑白斑点。设定灰度处理后图像大小为mxn，用h(x, y)代表像素坐标(x，y)位置灰度值，则此图的全部灰值可体现为: (3-4)椒盐噪音是

36、一种脉冲类型的噪音22，用n(x, y)体现被该噪声干扰的图像，则该模型为如下形式： (3-5)对于8位灰度图像，Smin=0,Smax=255。因此脉冲型噪声在图像中的表现形式为该像素的灰度值取得极大值或极小值。图像某一像素点受到脉冲型噪声污染的概率为P十q，图像某像素点不受脉冲型噪声污染的概率为1-p-q o椒盐噪声是一种特殊的脉冲型噪声，当p=q，即该像素点灰度值取得极大值与极小值的概率相等时，此噪声为椒盐噪声。 相对于原图，椒盐噪声的灰度值取极大值又或者极小值，使整体图片变化剧烈。3.3.2常见椒盐噪声去噪方法数字图像椒盐噪声去除一直数字图像处理领域的研究热点。目前椒盐噪声的去除方法主

37、要有:均值滤波法、中值滤波法等。(1)均值滤波法 顾名思义，均值滤波法就是将受污染像素位置灰度值用其领域内均匀灰度值进行代替，以降低椒盐噪声产生的干扰。该方法思路简单、计算速度较快。但去噪后，会影响到图像的细节成分，尤其使得图像边缘分布较为模糊。（2）中值滤波法 针对被椒盐噪声干扰的位置的灰度值同四周位置灰度值存在十分显著的差异23，中值滤波法将被干扰的领域之中各点灰度值由大到小排列，并求领域内所有点灰度值的中值来代替被干扰部位的灰度值。其可表示如下: (3-6)A是此被污染像素点的区域，即中值滤波的滤波窗口;hA(x,y)是A中的某一像素点的灰度值。对比均值滤波法，中值滤波法不是普通的平均代

38、替被干扰像素点的灰度值，故降噪后恢复的图像可以更为清晰。3.3.3基于可疑噪点判定的改进中值滤波设紫外放电图像为mn，则采用上文方法对该图像使用预处理获得的局部放电灰度图像，可表示为如下形式: (3-7)其中， 对经预处理后的紫外放电灰度图像像素点予以标记，其方法为: (3-8)这样，对图像各像素点灰度值进行标记后，其标记矩阵为如下形式: (3-9) 由前文分析可知，被椒盐噪声干扰的像素点其灰度值为0或25524，没有被椒盐噪声干扰的则灰度值与之前一致。因此F中，数值为0代表的像素点必定不受椒盐噪声污染，无需做去噪处理;数值为1或-1代表的像素点可能就是受到椒盐噪声污染，同时也可能该点原灰度值

39、即为0或255点，该点有待确定是否确实受到噪声污染，即该点可称之为可疑噪点。可疑噪点确定方法 设(xi,yi)为可疑噪点，以该点为中心点3x3像素点的领域窗口内包含的像素点的集合可表示为: (3-10)对集合W内的所有像素点进行分析，根据各像素点标记值，将集合W分为三个子集。即:(1) 有效像素点子集W0 (3-11)(2)白色可疑噪点子集W1 (3-12)(3)黑色可疑噪点子集W-1 (3-13)设各子集的元素数目为分别card(W0)=a, card(W1)=b, card(W3)=c, 必有:a+b+c=9。对可疑噪点(xi,yi)，可根据下列方法予以确定:(1)当a=0时，则此时可疑噪

40、点(xi,yi)领域内各像素点均为可疑噪点，可分为以下四种情况进行区分:若b=9，则认为可疑噪点(xi,yi)内均为白点，且该可疑噪点也为白色可疑噪点。因此，可以认为该像素点未受椒盐噪声污染，原像素点灰度值即为255,对该点不应作去噪处理;若c=9，则认为可疑噪点(xi,yi)内均为黑点，且该可疑噪点也为黑色可疑噪点。因此，可以认为该像素点未受椒盐噪声污染，原像素点灰度值即为0，对该点不应作去噪处理;若0b-c9，即可疑噪点(xi,yi)领域内白色像素点较多，此时可将可疑噪点(xi,yi)认为是白色像素点，灰度值设置为255;若0c-b9，即可疑噪点(xi,yi)领域内黑色像素点较多，此时可将

41、可疑噪点(xi,yi)认为是黑色像素点，灰度值设置为0; 经上述各情况处理后可设置为flag(x,y)=0，即该点已经处理完毕，认为其不受椒盐噪声影响，为有效像素点，予以标记确认。(2)当a0时，此时可疑噪点(xi,yi)领域内有未被污染的像素点。本文通过比较该可疑噪点像素灰度值与未被污染像素点灰度值的相关性来确定该可疑噪点是否受到椒盐噪声污染。其具体步骤为:(a)计算未被噪声污染的像素点灰度值的均值: (3-14)(b)计算未被噪声污染的像素点灰度值的均方差: (3-15)(c)计算可疑噪点灰度值与均值Mean的差值，即 (3-16)若差值dis大于均方差std，则能确定可疑位置的灰度值和此

42、位置之中其余没被噪声干扰的灰度值相关性较小，因此，可认为此点确实被椒盐噪声干扰。计算有效像素点子集W0的中值Median，则h(xi,yi)= Median ;若差值dis小于或等于均方差std，则可认为可疑噪点的灰度值与该点领域内其余未受噪声污染的像素点灰度值相关性较大，因此，不认为该点受到椒盐噪声污染，可认为该点为有效像素点，其灰度值即为0或255。故对该点不做变化。3.4.1数字图像分割方法 数字图像中，同一区域的像素应具有相同或者相似的属性，不同区域的像素其差异应较大。如何从数字图像中将某一区域进行有效提取，对于紫外放电图像处理的实例来说，也就是如何将放电光斑从背景图像中进行有效提取，

43、这就涉及到数字图像分割的方法。目前数字图像分割主要有三种方法:(1)基于边缘的分割技术10基于边缘的分割技术基本是根据图像中相异位置的分界点的灰度值不连续来处理图像分割的，以此锁定不同位置图像边缘从而达到目标区域的成功提取的目的。目前基于边缘的分割技术主要有:Roberts算子法、Sobel算子法、prewitt算子法、Laplace算子法等方法。基于边缘的分割技术其分割结果形象客观，同时能实现多特征、多区域的同时分割。但是其却有个固有的缺点:当灰度图像不同区域分界处其灰度值不连续特性并不十分明显时，会很大程度上影响边缘的判定结果，甚至会得出错误的结论，影响其使用效果。同时，对于紫外放电图像这

44、一实例来说，基于边缘的分割技术，其结果将会同时显示放电设备各组成部分的边缘、紫外光斑的边缘等，很难指出哪一部分是紫外光斑、哪一部分是电气设备本体。(2)基于区域特性的分割技术 11根据领域特点的分割技术包括区域延伸和分裂合并两类。其中区域延伸意为从单个像素点起，慢慢融合来组为要求的分割区域;所谓分裂合并意为从整个图像起，慢慢分裂或合并来成为要求的分割区域。根据区域特点的分割技术综合了图像在空间上的邻接性，能够有利于降低孤立噪声的干扰。区域生长分割技术需通过种子点位起始像素点，并判断周边区域像素点是否与此种子点相似，若相似则合并，若不相似，则舍去。故种子点的选取将对区域生长分割技术产生重要影响;

45、分裂合并算法先从整个图像中分裂出相似的区域，再将这些相似的区域进行整合，如此往返最终得到所需分割区域，故其处理时间将是去打的。以上两点影响了基于区域特性的分割技术的使用效果。(3)基于闭值的分割技术根据闭值原理，顾名思义，是利用像素点和已定的闭值点来确认，若在阂值内，则该像素点属于待分割区域;若不在此闭值范围内，则该像素点并不属于待分割区域。该方法简单易行，其核心就是闽值的准确选择。图像的二值化就是一种典型的闽值分割技术。所谓图像的二值化，就是将灰度图像中各像素点与某一闭值进行判定，判定的结果使得该图像只有0或1两个灰度值。即: (3-17)其中，为阀值;h(x,y)为原图像在(x,y)像素点

46、的灰度值。若灰度值为1代表白色，灰度值为0代表黑色。则经行如(4-1)的阂值判定后，图像将由灰度图像变为纯黑白图像。对于紫外放电图像来说，放电区域往往较亮，即使背景部分日照较为强烈，往往紫外放电光斑处亮度也是最高的。故应用如(4-1)式所示的闭值法，把局部放电图像由灰度图改变成二值化图像，若闭值选取合理，那么图像的发白位置则是紫外放电光斑，黑色位置则是无关因素。这样将较容易的实现紫外放电光斑的提取。3.4.2 基于改进Canny算子的图像边缘检测算法 12紫外图像中放电光斑与背景边缘区分比较明显，可直接根据图像梯度的变化来确定。选用Canny边缘检测算子在紫外图像中检测放电光斑，得到边缘点的坐

47、标，求出光斑面积并根据面积大小去除周围杂散的颗粒点，保留下的较大光斑位置即为电力设备的主放电区域，最后在融合图像中定位故障区域。3.4.3故障检测流程(1)将紫外图像转换为灰度图，灰度级为0-255，对灰度图进行二值化，阂值取240，得到紫外图像的二值图。（2)采用Canny算子对二值图进行边缘检测，其中高斯平滑模板取3x3，双阀值检测时取低阀值1 = 2，高阂值2=4，得到边缘检测效果。(3)根据边缘检测结果，求得每个闭合区域的面积，确定故障区域。选用图像大小为300x180，将光斑面积大于整幅图像0.5%即270的区域定义为故障区域，其余杂散点可忽略不计。第四章 基于卷积神经网络对红外图像

48、识别4.1.1卷积神经网络4. Logo识别的特征模型（1）SIFT特征在目标检测算法中，将输入数据转换为一组压缩的特征表示的过程，称为特征提取。如果选用了合适的特征模型，提取出的特征表示可以更好的抽取原图的相关信息，更利于后续的分类过程。本部分将对现有在不同应用场景中表现出色的特征模型进行介绍。SIFT特征由Lowe等人在2004年提出，其对目标旋转、尺度和亮度的变化均保持不变，对于视角转变、仿射变换和噪声等也具有较好的稳定性，因此，SIFT特征被广泛的应用于目标检测与目标识别的任务中。SIFT特征的提取过程主要包括以下步骤:I、尺度空间极值点检测构造尺度空间是将原始的图像表示为一组经过不同

49、高斯核模糊处理的图像的集合。在真实世界中，不同的目标是由不同尺度下的不同结构共同组合而成的。例如，树在以米为单位的度量尺度下是可分辨的，而树叶却需要在更精细的度量尺度下才可以分辨。因此，在计算机视觉问题中分析一个未知的场景，无法得到能够较好描述感兴趣目标的尺度时，合理的做法就是获取不同尺度下对于场景的描述14，从而尽可能完善的描述目标。15SIFT构建的尺度空间包括多组(octave) ，每一组中的图像由第一幅图像通过高斯模糊产生，然后缩小初始图像的长和宽至原来的一半，逐步生成新一组模糊图像。13图像像素的相近位置包含图像领域和维度领域的全部临近点，因此，在维度空间下查询极值点时，所有像素点都

50、需和其四周邻接点对比大小。如图4-1所示，中部图像中3*3位置的中心点必与它一样尺度的8个邻接点以及邻接的两个尺度图像中对应位置的2*9个点对比差异，如果该点的值是这26个像素中的极大值或者极小值，则选择这个点作为图像在相应尺度下的特征点。 图4-1 尺度空间下极值点的比较 2、特征点定位特征点定位筛选步骤1中确认到的极值点，通过对周围像素位置、维度和主曲率比的拟合，剔除对比度较低(这类特征点对于噪声敏感)的点和位于边缘上的点。3、分配特征点的方向将0“至360“的梯度方向划分为8个大方向，每个方向相隔45度。统计特征点邻近区域各点的梯度方向和幅值，从而得到梯度方向的直方图，直方图中最高值出现

51、的方向即为该特征点的主方向，后续的计算过程都在主方向上计算，从而保证了特征对于旋转不变性。 4、生成局部图像描述子对于图像中的每个关键点，以该点为中心，用一个高斯加权函数对周围区域中的梯度进行加权，与关键点距离更近的点权重更大。将关键点邻近的16*16图像局部划分为多个4*的子区域，在每个子区域上分别统计步骤3中8个方向的梯度图，得到4*4*8共128维的特征向量。对特征向量进行归一化，进一步消除光照对特征的影响。SIFT特征虽然具有尺度不变性和旋转不变性，然而提取特征需要在尺度空间中寻找特征像素，并在高维空间中比较特征向量的处理过程比较繁复，计算复杂度高，时间开销大，因此，不适用于大规模的网

52、络图片。（2）Haar-like特征 基于图像强度，即图像中每个像素的RGB值的特征计算非常耗时，因此，Papageorgiou等人提出基于Haar小波的特征, Viola等人在此基础上提出了16Haar-like特征。Haar-like特征将检测窗口中某个位置邻近像素划分为两个区域，用两个区域的图像强度的差值表示该区域的一种特征。以人脸图像为例，眼睛区域的图像强度一般低于脸颊区域，因此，对应的Haar-like特征中的相邻区域分别位于眼睛和脸颊区域。Haar-like特征一般包括线性特征、中心特征、边缘特征和对角线特征等四种，通过组合这些特征可以进一步得到新的特征模版，如图2.2所示。图中特

53、征模板包括黑色与白色部分，而通过模板得到的特征是白色部分的像素值与黑色部分的像素值之差。 图4-2 Hear-like 特征模版 通过改变模版的位置和大小，可以得到大量的图像子窗口的特征，例如，从大小为24*24的图像中提取的特征值数量可以达到数十万个。因此，使用Haar-like特征需要解决的问题为如何快速计算特征以及如何从海量特征中挑选出适用于任务的特征。快速求取Haar-like特征可以通过积分图的方法实现，由Viola等人提出。积分图是与原始图像大小相同的二维的查询表，以矩阵的形式存储。积分图中每个像素的值为该像素左上方全部区域的像素的加和。对于一幅图像，在计算一次得到积分图后，图像中

54、任意区域的像素和可以通过四次查表操作完成。以计算图2.3中阴影区域的像素和为例，分别获取积分图中A, B, C, D四个点的像素值，即得到了这四个点左上方所有像素点的和，从而将阴影区域的像素和表示为四个点像素的简单加减操作，表示为公式4-1Sum=l(C)+l(A)-l(B)-l(D) （4-1）图4-3 计算图中阴影区域的像素和4.1.2卷积神经网络的基本特征 卷积神经网络通过强制相邻层之间的神经元局部全连接，达到挖掘空间局部关系的目的，如图4-4所示。隐含层m的神经元的输入为m-I层的神经元的子集，并且子集中的神经元是空间连续的。在图4-4中，假设m-l层为视网膜输入，m层对于视网膜输入的

55、感受野宽度为3，因此，m层的每个神经元只与视网膜层的三个相邻单元连接，m+l层的单元的连接方式与下层类似，感受野的宽度也为3。对于m+l层的单元来说，对于相邻下层的感受野宽度为3，但是对于视网膜输入的感受野为S。每个单元只对于感受野范围内的区域有响应，对于感受野范围外的区域没有响应。这样局部连接的结构保证了学习到的“滤波器”对于输入的空间局部模式有最强的响应。另外，局部连接的结构大大减少了连接的数量，也就是减少了神经网络需要训练的权值参数的数量。假设视网膜输入的大小为30*30，局部感受野的范围是3*3，隐含层的每个单元只需要和这3*3范围内共9个下层单元连接，而不需要与900个单元连接，比原来减少了2个数量级，提高了训练的效率，对于更大的视网膜输入来说，效率提高的更明显。局部连接如图4-4所示。 图4-4 卷积神经网络层间局部连接4.1.3卷积神经网络的权值共享2. 2.1.2权值共享 在卷积神经网络中，每个滤波器hi在整个图像上重复，这些重复的单元共享相同的权重和偏置参数，原始图像经过