[发明专利]一种基于多光谱图像的设备检测方法及装置

权利要求书

1.一种基于多光谱图像的设备检测方法，其特征在于，包括：

获得多个图像集合，每个所述图像集合对应于不同的采集参数，所述采集参数至少包含采集尺度、采集角度和采集时刻中的任意一项或任意多项，每个所述图像集合中包含多帧电力设备的设备图像，所述设备图像包含红外图像、可见光图像和紫外图像，且每个所述图像集合中的设备图像对应于同一采集参数；

至少对每个所述图像集合中的所述红外图像进行图像识别，以得到所述红外图像的温升识别结果，所述温升识别结果包括：所述红外图像中所包含的每个图像区域的温升异常检测结果；

至少对每个所述图像集合中的所述红外图像进行图像识别，以得到所述红外图像的温升识别结果，包括：

对每个所述图像集合中的所述红外图像进行图像分割，以得到多个图像区域，每个所述图像区域分别对应于目标设备中的一个设备部件；

至少根据所述红外图像的图像辐射率，获得每个所述图像区域对应的温度矩阵；

根据每个所述图像区域对应的温度矩阵，获得每个所述图像区域的特征参量，所述特征参量包括与电流致热类型相对应的特征参量和/或与电压制热类型相对应的特征参量；

至少根据所述特征参量和预设的参量阈值，获得每个所述图像区域的温升异常检测结果；

至少对每个所述图像集合中的所述可见光图像和所述紫外图像进行图像识别，以得到所述紫外图像的放电识别结果，所述放电识别结果包括：所述紫外图像中所包含的每个图像区域的放电异常检测结果；

根据每个所述图像集合中的所述温升识别结果和所述放电识别结果，获得设备检测结果，所述设备检测结果包括：所述红外图像或所述紫外图像中所包含的每个图像区域的异常检测结果，所述异常检测结果表征所述电力设备中与所述图像区域对应的设备部件是否存在异常。

2.根据权利要求1所述的方法，其特征在于，所述参量阈值至少根据所述与所述特征参量的相关性满足预设的影响条件的影响因素确定；

其中，所述影响因素至少包含季节因素、时刻因素和电压等级因素中的任意一种或任意多种。

3.根据权利要求1所述的方法，其特征在于，所述参量阈值包括多个温升异常等级对应的阈值，每个所述温升异常等级对应的阈值不同；

且，所述参量阈值通过对每个所述温度异常等级对应的多个历史图像样本进行处理得到。

4.根据权利要求1所述的方法，其特征在于，在根据每个所述图像区域对应的温度矩阵，获得每个所述图像区域的特征参量之前，所述方法还包括：

获得所述红外图像中每个图像区域对应的初始红外数据，对所述图像辐射率进行修正；

利用修正后的图像辐射率，对所述红外图像中每个所述图像区域对应的温度矩阵进行调整。

5.根据权利要求1所述的方法，其特征在于，至少对每个所述图像集合中的所述可见光图像和所述紫外图像进行图像识别，以得到所述紫外图像的放电识别结果，包括：

对每个所述图像集合中的所述可见光图像进行图像识别，以识别出所述可见光图像中所包含的多个图像区域以及每个所述图像区域中所对应的所述电力设备中的一个设备部件；

根据所述可见光图像中所包含的多个图像区域以及每个所述图像区域中所对应的目标设备的设备部件，获得每个所述图像集合中的所述紫外图像中所包含的多个图像区域以及每个所述图像区域中所对应的所述电力设备中的设备部件；

利用基于卷积神经网络的检测模型，对所述紫外图像中的每个图像区域进行检测，以得到所述紫外图像中的每个图像区域的放电异常检测结果；

其中，所述检测模型为利用具有放电标签的训练样本集合进行训练得到，所述训练样本集合中至少包含多帧训练图像，所述训练图像为紫外光谱的图像，且所述放电标签表征所述训练图像中的设备部件是否存在放电。