电力设备红外图像在电力设备状态监测、故障识别等方面发挥着重要作用。针对红外图像应用时存在的分辨率低, 清晰度不足的问题, 本文提出一种基于图像梯度范数比(Gradient Norm-ratio, GNR)先验约束的压缩感知电力设备红外图像超分辨率方法。通过分析电力设备红外图像在不同采样比时重建图像高频信息的变化规律, 将 GNR先验引入传统压缩感知超分辨率模型中。并针对改进后的模型设计了有效的求解算法, 通过半二次分裂方法引入辅助变量, 对不同变量交替迭代求解, 实现红外图像超分辨率重建。仿真实验结果验证了 GNR先验信息的引入, 有利于超分辨率算法取得更好的重建效果。与现有经典超分辨率方法相比, 本文方法重建图像无论在主观视觉效果还是客观评价指标上都有了较好的提升。

常见的电力设备有变压器、开关柜、断路器等, 这些设备都由多个组件构成。通过这类设备的红外热成像实现了对其组件的识别。基于红外热成像信息量较少的特点, 采用多种算法融合。首先是基于 Lab模型采用改进的 K-means聚类和形态学的结合, 提取红外图像中的高温区域, 充分保证了效率和可靠性。其次采用改进的 SURF(speeded-up robust features)和感知哈希算法的结合, 确定被提取区域中的三相组件。SURF的作用是将已知的电气设备可见光图像和被提取区域中所有的图像进行对比, 找出红外图像中特征点匹配最多的区域。将其和其他红外区域进行对比, 通过感知哈希算法找到其他区域中匹配度最高的两个区域, 以此定位出红外图像中的三相组件。此研究适用于大量红外图像数据的识别定位, 为基于红外成像的电气设备故障信息提取提供思路。

在基于传统图像分割法的红外图像目标检测中, 当背景颜色和被检测物体颜色相近时, 往往难以有效地识别红外图像中的被检测物。所以为了进一步提高绝缘套管在红外图像中的识别精度, 文中提出一种基于绝缘套管伞裙纹理特征的目标检测方法。首先为增强图像纹理特性, 将双边滤波代替传统高斯 -拉普拉斯算子中的高斯卷积滤波, 通过双边 -拉普拉斯进行图像滤波和增强。之后针对高压绝缘套管外层伞裙的特殊纹理, 建立反映伞裙周期性分布的描述子, 并通过图像扫描法进行粗识别。最终基于 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法, 建立其超参数求解方法, 实现离群点剔除和特征聚类, 完成高压绝缘套管的精细分割。通过实验对比其他绝缘套管红外图像的识别算法, 文中算法可以有效地精细分割出绝缘套管主体, 克服其他图像分割方法的不足。并在数据集上识别率达到 85%以上。

可见光和红外图像是电力巡检机器人检测电力设备健康状态的重要方式,图像配准可以结合两类图像的优势,为后续状态监测提供更好的依据。针对红外图像模糊导致的配准精度下降问题,提出了一种基于显著性梯度的归一化互信息算法。首先,在红外图像视觉显著性检测的基础上,强化了显著性区域的边缘梯度信息;然后,将显著性梯度信息和归一化互信息相结合作为配准的测度函数;其次,为了提高图像配准算法的收敛性,提出了一种文化狼群算法。该算法将文化算法的分层进化特点引入狼群算法,建立信念空间和群体空间。在迭代过程中,通过信念空间的知识指导群体空间的进化。最后,选取变电站巡检图像、标准配准测试图像集和标准测试函数进行对比实验,结果表明,该算法在配准率和配准速度方面的性能较好。