[发明专利]一种基于红外图像的电力设备识别方法及系统

说明书

本发明涉及一种基于红外图像的电力设备识别方法及系统，所述方法包括：获取用于训练的电力设备红外图像，提取红外图像的HOG特征、SIFT特征、LBP特征并利用主成分分析法进行降维融合；基于MLR规则将SVM、KNN和BP神经网络分类器进行集成，得到集成分类器，获取待识别电力设备的红外图像，提取待识别红外图像的HOG特征、SIFT特征和LBP特征进行降维融合，并将降维融合特征输入到集成分类器，计算并返回集成分类器最大值时对应的类标签，完成识别任务。通过将HOG特征、SIFT特征与LBP特征融合，使电力设备特征描述更精准，同时使用主成分分析法进行降维，并集成多个分类器进行分类，在保证实时性的同时，弥补了单一分类器的不足，提高了电力设备分类识别的准确率。

技术领域

本发明涉及电力设备识别技术领域，具体涉及一种基于红外图像的电力设备的识别方法及系统。

背景技术

随着社会的发展，各行各业对电力的需求不断增加，对电网供电的稳定性和安全性的要求也逐渐提高。电力设备是电力电网系统的重要组成部分，电力设备的安全稳定运行是确保供电可靠的重要因素。由于电力设备长期处于运行状态且受到环境因素的影响，往往会出现各种各样的故障，通常的表现形式为整体或局部表面异常发热等。为了保证电力系统的安全生产和可靠运行，必须定期对电力设备进行巡检。而为了完成巡检，首先要能够自动识别出电力设备的类别，然后才能判断其是否发生故障、以及故障的类型等等。

实现自动识别电力设备类别的前提是自动获取电力设备的图像，而电力设备工况的特殊性决定了其往往只能依赖于红外摄像装置获得红外图像。红外图像是通过“测量”物体向外辐射的热量而获得的，图中的纹理细节反映了目标与自身发射的红外辐射的能力差异，与可见光图像相比，红外图像具备分辨率低、对比度低、视觉效果模糊等缺点。红外图像的灰度变化层次不分明，同一温度的物体显示同一灰度，边缘较为平滑，因此给红外图像目标识别带来一定的挑战。

现有技术中，已有利用红外图像识别电力设备的尝试，然而，识别准确率较低，结果不理想。

发明内容

基于上述现状，本发明的主要目的在于提供一种基于红外图像的电力设备识别方法，以全面准确反应电力设备的特征，从而提高分类识别的准确率。

为实现上述目的，本发明采用的技术方案如下：

一种基于红外图像的电力设备识别方法，用于通过电力设备的红外图像识别电力设备类别，包括以下步骤：

S100：获取多幅用于训练的电力设备的红外图像，每一副作为一个红外图像样本X_i；

S200：提取每一幅红外图像的HOG特征、SIFT特征和LBP特征；

S300：利用主成分分析法对所提取的特征进行降维融合，得到降维融合特征向量；

S400：分别以所述降维融合特征向量作为SVM分类器、KNN分类器和BP神经网络分类器的输入，利用SVM分类器、KNN分类器和BP神经网络分类器对红外图像样本X_i进行分类，预测红外图像样本X_i属于电力设备类标签ω_j的概率，并将SVM分类器、KNN分类器和BP神经网络分类器中每个分类器预测的X_i属于ω_j的概率作为输入特征，基于MLR规则建立线性回归模型并进行训练学习，完成学习后得到集成分类器其中，是第l个分类器分配的权重参数；

S500:获取待识别电力设备的红外图像，执行步骤S200-S300，将得到的特征向量输入到步骤S400中得到的所述集成分类器，计算所述集成分类器的值并返回集成分类器最大值时对应的类标签ω_j，该标签即为待识别电力设备的红外图像的最终识别结果。

优选地，步骤S200中，提取每一幅红外图像的HOG特征包括以下步骤：

S201:利用Gamma矫正对红外图像进行规范化；