[发明专利]人工智能红外图像传感系统及方法

说明书

本发明公开了一种人工智能红外图像传感系统及方法，涉及人工智能技术领域，该方法包括采集获得各设备过热状态下的过热红外图像样本集；将过热红外图像样本集作为训练样本集，采用基于灰度对数变换的卷积神经网络方法提取训练样本集的过热特征，获得卷积神经网络模型。本发明对红外图像中过热现象的判断准确度和精度高，特征提取能力强，实现了对红外图像中所显示设备的自动识别与过热智能识别，具有数据分析精度高、智能识别能力强的优点，从而可有效防止火灾的发生。

技术领域

本发明涉及人工智能技术领域，具体涉及一种人工智能红外图像传感系统及方法。

背景技术

随着设备故障诊断技术的不断研究与突破，借助红外图像传感器的设备状态带电检测技术快速发展，并凭借着其安全、非接触、不停电、准确直观等优势，普及程度很高。设备过热检测作为设备状态带电检测中的重要一项，也常常被采用。

目前设备过热检测的方法主要是将巡检中拍摄的原始热红外图导入到红外热像仪配套的红外图分析软件如FLIR中，根据热像图中的不同温度呈现的不同颜色初步判断该设备是否存在发热现象，若不存在，则认为设备正常，若发现发热异常部分则使用分析软件中的工具获取发热区域的最高温，据此判断是否存在过热缺陷。这种人工判断的方法存在不准确又耗时耗力的缺陷。因此，有的研究人员通过采用图像处理技术来提高判断准确度和处理速度，例如采用图像分割方法的经典最大类间方差法及最大熵阈值法等，但是此类方法只是提高了前期数据处理的准确度和速度，在后期利用处理的数据进行过热识别的时候大多还是基于人为定义对各项指标做出的判断。为了克服上述缺陷，有人提出采用人工智能算法并将其应用到设备过热识别领域中，例如人工神经网络、粗糙集理论、支持向量机(SVM)等算法，但是还是普遍存在特征提取能力较差的缺陷。

发明内容

因此，为了克服上述缺陷，本发明实施例提供一种特征提取能力强的人工智能红外图像传感系统及方法。

为此，本发明实施例的一种人工智能红外图像传感方法，包括以下步骤：

步骤100、采集获得各设备过热状态下的过热红外图像样本集；

步骤200、将所述过热红外图像样本集作为训练样本集，采用基于灰度对数变换的卷积神经网络方法提取训练样本集的过热特征，获得卷积神经网络模型。

优选地，所述采集获得各设备过热状态下的过热红外图像样本集的步骤包括：

步骤101、针对每一设备进行多次过热试验，每次试验过程中实时采集获得预设位置处的红外图像；

步骤102、提取所述红外图像的四个较高温处的灰度值，所述四个较高温处按温度由高到低依次包括最高温处、第一较高温处、第二较高温处和第三较高温处；

步骤103、根据所述四个较高温处的灰度值，计算获得温差度；

步骤104、判断所述温差度是否大于或等于预设过热阈值；

步骤105、当所述温差度大于或等于预设过热阈值时，将所述红外图像作为该设备过热状态下的过热红外图像；

步骤106、获得所有设备所有过热试验过程中过热状态下的过热红外图像，构成过热红外图像样本集。

优选地，所述温差度的计算公式为：

其中，T_c为温差度，C_b为所述红外图像背景灰度极值，为所述四个较高温处灰度值的平均值。

优选地，所述卷积神经网络卷积层的构建包括以下步骤：

步骤201、将训练样本集中的过热红外图像作为卷积神经网络的输入数据x₀，计算输入数据x₀的灰度对数作为第1层卷积层的输入数据，计算公式为：