[发明专利]一种电气设备金属表面温差检测方法和系统

权利要求书

1.一种电气设备金属表面温差检测方法，其特征在于，包括：

获取电气设备金属表面可见光图像数据集，电气设备金属表面可见光图像数据集包括：参考温度下电气设备金属表面的第一表面图像和在参考温度的基础上依次升高预置温升步长的电气设备金属表面的第二表面图像；

对电气设备金属表面可见光图像数据集中的第一表面图像和第二表面图像进行RGB像素特征提取，得到每个图像中的R分量图像灰度频率分布特征、G分量图像灰度频率分布特征和B分量图像灰度频率分布特征；

将第一表面图像和第二表面图像的R分量图像灰度频率分布特征、G分量图像灰度频率分布特征和B分量图像灰度频率分布特征分别合并，得到由每个第二表面图像分别与第一表面图像的温差特征构成的温差特征数据集，其中，温差特征携带温差标签；

对温差特征数据集中的温差特征数据进行压缩降维，得到由低维温差特征数据构成的低维温差特征数据集；

根据低维温差特征数据集对基于机器学习算法构建的温差识别模型进行训练，得到训练好的温差识别模型，机器学习算法为随机森林回归算法；

实时采集待检测电气设备金属表面图像，将待检测电气设备金属表面图像提取低维温差特征，将待检测电气设备金属表面图像的低维温差特征输入到训练好的温差识别模型，得到训练好的温差识别模型输出的温差检测结果。

2.根据权利要求1所述的电气设备金属表面温差检测方法，其特征在于，电气设备金属表面可见光图像数据集包括：在不同光源亮度下，在参考温度下电气设备金属表面的第一表面图像和在参考温度的基础上依次升高预置温升步长的电气设备金属表面的第二表面图像。

3.根据权利要求1所述的电气设备金属表面温差检测方法，其特征在于，参考温度的取值为19~25°C中的任意一个值。

4.根据权利要求1所述的电气设备金属表面温差检测方法，其特征在于，预置温升步长为1°C。

5.根据权利要求1所述的电气设备金属表面温差检测方法，其特征在于，电气设备金属表面可见光图像数据集包括黄铜材质的电气设备表面图像数据集、铁材质的电气设备表面图像数据集和铝合金材质的电气设备表面图像数据集。

6.根据权利要求1所述的电气设备金属表面温差检测方法，其特征在于，采用自动编码器对温差特征数据集中的温差特征数据进行压缩降维。

7.根据权利要求1所述的电气设备金属表面温差检测方法，其特征在于，每个温升步长下的第二表面图像数量相同，且数量不少于20。

8.一种电气设备金属表面温差检测系统，其特征在于，包括：

表面图像数据集获取模块，用于获取电气设备金属表面可见光图像数据集，电气设备金属表面可见光图像数据集包括参考温度下电气设备金属表面的第一表面图像和在参考温度的基础上依次升高预置温升步长的电气设备金属表面的第二表面图像；

特征提取模块，用于对电气设备金属表面可见光图像数据集中的第一表面图像和第二表面图像进行RGB像素特征提取，得到每个图像中的R分量图像灰度频率分布特征、G分量图像灰度频率分布特征和B分量图像灰度频率分布特征；

温差特征数据集构建模块，用于将第一表面图像和第二表面图像的R分量图像灰度频率分布特征、G分量图像灰度频率分布特征和B分量图像灰度频率分布特征分别合并，得到由每个第二表面图像分别与第一表面图像的温差特征构成的温差特征数据集，其中，温差特征携带温差标签；

降维模块，用于对温差特征数据集中的温差特征数据进行压缩降维，得到由低维温差特征数据构成的低维温差特征数据集；

模型训练模块，用于根据低维温差特征数据集对基于机器学习算法构建的温差识别模型进行训练，得到训练好的温差识别模型，机器学习算法为随机森林回归算法；

温差检测模块，用于实时采集待检测电气设备金属表面图像，将待检测电气设备金属表面图像提取低维温差特征，将待检测电气设备金属表面图像的低维温差特征输入到训练好的温差识别模型，得到训练好的温差识别模型输出的温差检测结果。