[发明专利]一种变电站器件表面油污的图像识别方法和装置

说明书

本发明公开了一种变电站器件表面油污的图像识别方法和装置，获取变电站设备监控视频中的当前图片，通过像素点的历史值向量计算像素点历史值的特征分布，将特征分布占比在设定范围以上对应的HSV特征值作为新的特征值，判断像素点对应的HSV值是否在像素点周边区域新的特征值范围内，若在，则判断像素是静态像素，否则为动态像素；通过当前图片中动态像素和静态像素更新历史区域动态特征序列表；计算设备每个区域动态变化特征，判断变电站器件表面是否存在油污。本发明通过区域化延时动态特征识别的方式，检测区域性缓慢变化的特征，能够规避由于光照变化、阴影等照成的影响，从而判断出是否存在着设备器件表面是否存在油污现象。

技术领域

本发明涉及变电站技术领域，具体涉及一种变电站器件表面油污的图像识别方法和装置。

背景技术

变电站器件表面是否存在油污是变电站巡视工作中的一项重要的巡视内容之一，变电站内的注油设备数量多，及时发现变电站设备是否出现漏油和存在油污，对变电站的运行检修具有重要的作用。由于变电站内注油设备类型及其外观存在着差异性，如何有效通过图像识别的方式，准确有效识别器件表面的油污，是目前图像识别技术变电站图像智能化应用中需要解决的重要问题之一。

目前，针对变电站器件表面油污的图像识别技术主要包括了两个方向，一个是采用传统的特征识别技术，通过划分图片中可能出现油污的区域，利用油污在器件表面形成后，可能出现的颜色特征，以此来判断是否存在表面油污，另一个方向是采用深度学习的方式，通过收集大量的存在器件表面油污的图片，通过训练的方式，形成表面油污识别模型，通过调用深度学习模型来识别图片中是否存在器件表面油污。

由于变电站器件表面油污与影响、水渍等现象存在着相似性，采用深度学习、机器学习等方法其准确性很难保证，漏识别和误识别率较高。采用传统颜色等特征的图像识别算法对于油污的特征描述过于狭隘，不具备特征代表性。

发明内容

为解决现有技术中的不足，本发明提供一种变电站器件表面油污的图像识别方法和装置，解决了现有技术中变电站器件表面油污的图像识别漏识别和误识别率较高的问题。

为了实现上述目标，本发明采用如下技术方案：一种变电站器件表面油污的图像识别方法，包括步骤：

获取变电站设备监控视频中的当前图片，通过图片中像素点区域特征值计算每个像素点的平均特征值，将当前图片中各个像素点的平均特征值保存在对应的各个像素点历史值向量中；

通过像素点的历史值向量计算像素点历史值的特征分布，将特征分布占比在设定范围以上对应的HSV特征值作为新的特征值，判断像素点对应的HSV值是否在像素点周边区域新的特征值范围内，若在，则判断像素是静态像素，否则为动态像素；进而得到当前图片中的所有静态像素和动态像素；

通过当前图片中识别到的动态像素和静态像素更新历史区域动态特征序列表；

根据历史区域动态特征序列表计算设备每个区域动态变化特征，判断变电站器件表面是否存在油污。

前述的一种变电站器件表面油污的图像识别方法，其特征是：所述通过图片中像素点区域特征值计算每个像素点的平均特征值，包括步骤：

1)以某个像素点(x,y)为中心点，选取一个区域范围；

2)计算区域范围内HSV直方图，并获取HSV直方图分量最大对应的HSV值，将HSV值转换为RGB值，得到像素点(x,y)的区域特征值pixel_region(x,y)；

3)求取像素点(x,y)的像素值pixel(x,y)、区域特征值pixel_region(x,y)两个值的平均特征值pixel_avg(x,y)。

前述的一种变电站器件表面油污的图像识别方法，其特征是：所述通过像素点的历史值向量计算像素点历史值的特征分布，将特征分布占比在设定范围以上对应的HSV特征值作为新的特征值，包括：