Page 65 - 无损检测2022年第十期

李明轩,等:
基于时间序列算法的变电站设备故障红外识别

与空间中心距离的平均值, 即 频图像进行消噪处理, 解决视频图像中的椒盐噪声;
w 然后采用小波阈值变换方法获得系数矩阵, 基于此
av g ( ), ))( 2 )
x t = av g d ( x t - w ),…, d ( x t - 2 d ( x t - 1
, 该点至空间中心 矩阵完成阈值的设定, 达到高斯噪声去除的目标; 最
式中: 对于时间点为 t 的帧图像x t
)。 后通过小波逆变换获得新的系数矩阵, 复原变电站
的距离为d ( x t
设备视频图像。
) ) 进行运算, 并求
( 3 )对c t= d ( x t -d ( x t -1
解其平均值, 即 1.4 变电站设备视频图像可疑区域分割
w 图像分割是故障识别的基础工作, 笔者采用改进
av g ( , ) ( 3 )
c t = av g c t - w ,…, c t - 1 c t
为固定时间间隔 分水岭算法实现变电站设备可疑视频图像的分割处
式中: c t 为 t 时刻的空间距离; c t -w
下t 时刻的空间距离差。 理。对于变电站设备的可疑视频图像, 可通过目标灰
值, 其求解公 度与背景灰度的差值来判断图像分割效果的优劣。
由此可确定分布于均值周围的x t
式为 若二者差别很大, 说明图像分割具有突出效果, 反之,
表明图像存在“ 欠分割” 的问题 [ 11 ] 。数学形态学的图
( w ) w av g - 1 w av g ( 4 )
h t = x t +2 w · c t
像变换可增大二者差异, 有效提升图像对比度。

( w ) <α , 则 基于时
( 4 )令阈值为α , 若 x t-h t
对于任意 一 幅 变 电 站 设 备 视 频 图 像, 其 灰 度
( w )
间 序 列,将 时 间 窗 口 S W ( x t )后 退 w 。 若
(
(
图像为 f x , ), 噪 声 去 除 后 的 图 像 为 u t x , ),
y
y
( w ) 进
x t-h t ⩾α , 则需对时间点为t 的图像帧x t
(
对于 f x , ) 图像, 可通过顶帽变换提取其高亮度
y
行记录, 将其置于变电站设备备选故障缺陷图像集
区域, 即
) 值进行替换 [ 9 ] , 将其更
D 中, 并对该图像帧的d ( x t ( ( 6 )
( w ) g= f - f °n )
新为h t 。
式中: n 为结构元素; °n 表示完成图像的 f x , )
(
f
y
( 5 )退回至步骤( 2 ) 进行循环操作, 完成整段时

的开启; 为顶帽变换图像; 为灰度级原图像。
f
g
间序列的选择, 从而确定变电站设备可疑故障缺陷
然后通过底帽变换提取其细节内容, 即
图像集 D , 其中可能发生故障缺陷的各帧图像已作
j= f•n ) -f ( 7 )
(
记录。
f•n 表示完成图像 f x , ) 的闭合; 为底帽
式中: ( y j
1.2.2 采样时间间隔 w 、 阈值α 的确定
变换图像。
采样时间间隔 w 、 阈值α 的取值直接影响变电
(
对 g x , ), ( x , ) 图像作叠加处理, 可获得
站设备备选故障缺陷图像集的筛选精度, α 可通过 y j y
图像i ( x , ), 即
实际仿真模拟进行确定。设 β 为变电站设备故障缺 y
y = g x , )
(
y
陷识别精度, w 对变电站设备故障缺陷识别的影响 i ( x , ) ( y + j x , ) ( 8 )
叠加处理后, 图像对比度获得明显提升。针对
可通过 β 值来反映, 即
i ( x , ), 由 n 完 成 该 图 像 的 膨 胀 ( i n )、 腐 蚀
y
N outlier
β= ( 5 ) ( iΘn ) 操作, 此时形态学图像梯度l 可表示为
N T
(
-
为识别出的备选变电站设备故障缺陷 l= i n ) ( iΘn ) ( 9 )
式中: N outlier
(
y
y
为样本中包含的变电站设备故障缺 按上述过程获得图像 l ( x , ), 与u t x , ) 图像
图像数量; N T
陷图像总量。 相比, 其视觉效果获得大幅度提升。采用分水岭算
(
1.3 变电站设备视频图像去噪 法对灰度图像 f x , ) 进行分割处理, 获得目标区
y
对筛选后获取的可疑变电站设备视频图像进行 域。图像分割步骤分为以下两步。

(
预处理是提高故障缺陷识别精度的有效措施, 因此 ( 1 )对于图像 f x , ), 其内某一微小区域表示
y
首先进行灰度化处理, 在解决图像处理时内存占用 为 Q , 依据下述条件对其进行预估: 该区域内包含高
较大问题的同时, 可使图像预处理更加高效、 准确度 灰度像素点; 该区域呈连续性; 各像素的灰度值存在
更高 [ 10 ] 。视频图像采集往往容易受到各种因素的 类似性。

影响, 导致视频图像中含有过多噪声, 为此笔者采用 ( 2 )将 Q 作 为 起 始 点, 水 逐 步 向 整 幅 图 像 漫
小波阈值变换的中值去噪方法实现变电站设备视频 延, 水漫延范围为 C ( Q ), S 为汇水盆地, 通过构建
图像的噪声清除, 改善视频图像的视觉效果。其原 分水岭避免水向 S 外漫延, 水漫延过程应遵循以下
理为: 首先利用中值滤波对变电站设备可疑故障视 条件 [ 12 ] :
1
3
2022 年 第 44 卷 第 10 期
无损检测