基于電力設備紅外圖像的溫度值識別算法研究

譚樹雄

（國網湘潭韶山市供電公司，湖南 湘潭 411300）

0 引言

紅外圖像溫度值識別是利用字符設備程序，設計人員通過對字符符號位置的設定，通過模板與實際符號對比的方式，對紅外圖像的特征向量進行識別，從而明確電力設備具體的溫度值參數。該方法可以根據紅外圖像的特點，具有閾值自適應能力，去除背景環境對識別結果產生的影響，實現對電力設備溫度值的準確定位以及分割，判斷電力設備運行是否出現超溫異常問題。

1 溫度值識別算法設計

1.1 整體設計

紅外圖像溫度值識別算法設計包括預處理、數值分割、數值識別三個階段，每個階段所采用的算法以及算法流程均存在一定程度的差異，具體算法流程如圖1所示。

圖1 紅外圖像溫度值識別算法程序

根據圖1 中的識別算法程序圖進行分析，對電力設備進行圖像預處理階段采用自適應閾值設計方法，通過采集紅外圖像信息，系統自動進行灰度變化處理，并對其進行校正。根據校正結果以直方圖的方式呈現，并對圖像進行二值化處理，使其成為識別算法的基礎圖像；數值分割程序則采用像素累加的方式進行框架圈定，從而進行圖像中的字符分割，并確定數據類型以及數據所處的不同區域，通過定位以及輪廓測定的方式建立數據集，將其作為識別算法應用的核心內容；溫度值識別主要使用CNN 網絡執行，搭建網絡系統并對網絡參數進行調整以及優化，按照比例建立算法的訓練集，輸出最終的數值識別結果。根據系統模塊設計的使用，將識別的數值上傳至系統之中，并對結果進行展示和分析。

1.2 圖像預處理

電力設備溫度值識別受環境、建筑物等因素影響，導致其溫度閾值會發生一系列的改變，如光照充足地方的溫度值較高，存在建筑物以及樹木的位置溫度值較低。通過自適應閾值的設計使用，并對采集的紅外圖像進行預處理，按照時間、編號、采集設備參數等進行劃分，可以有效提高溫度值識別的準確率。

圖像預處理的灰度變化過程采用加權法進行計算，為了確保以對比度為基礎的細節變化，采用歸一化的圖像處理方式，對圖像進行校正。該過程會受紅外圖像特征影響，設定的校正參數為0.4，常數值為0.8，進行圖像的灰度變化，具體如式（1）所示。

式中：L（1，2）——采集的原始紅外圖像；Lm（1，2）——經過校正以及灰度處理后的圖像；F——加權法計算采用的常數值參數；n——圖像歸一化處理后的校正參數。

灰度處理、校正圖像后，對閾值進行確定，采用二值化的方式進行閾值適應性改進。陽光、陰影等均會對圖像的色彩展示產生影響，收集大量的數據并對其進行對比分析，以直方圖的方式呈現，以此對照圖像的均勻程度。從直方圖的統計結果可以對像素分布的均勻程度進行分析，根據閾值的峰值大小，評價像素值是否滿足溫度值提取的要求，如果直方圖變化結果并不明顯，且圖像變化存在雙峰值，則可以通過閾值的設定實現目標與背景圖像的分離。設計采用改進閾值二值化的方法，可以屏蔽熵閾值的噪點，完整分離出溫度值參數，減少背景因素對溫度值分離的影響，提高二值化的效果，從而為后續的溫度值識別與輸出奠定基礎。

1.3 溫度值分割

預處理完采集的圖像之后，將無效的背景信息去除，留存有用的信息作為溫度值識別的主要區域。該過程主要基于對圖像以及設備的輪廓處理，實現對溫度值識別區域的科學分類，按照功能程序可以將其分為定位以及字符分割兩個部分，對溫度值進行定位的系統運行程序內容如圖2 所示。

圖2 紅外圖像溫度值定位程序

系統對紅外圖像的定位主要以圖像中電力設備的外形狀態以及輪廓特征為基礎，經過二值化處理后的紅外圖像溫度值顯示邊框位置顯示比較完整，可以支持邊框長度識別的基本工作，且大都以矩形的狀態進行定位。定位主要按照像素累積的方法進行外形定位，以長度為向量進行連續的累積定位，并根據紅外圖像內的矩形的邊框程度進行篩除，將短邊區域作為識別的參考數值，生成紅外圖像像素定位坐標，確定圖像內頂點坐標的位置是否良好，從而匹配邊框與溫度值參數之間的關系，對兩者的關系進行定位。

在完成關系定位工作之后，需要對圖像溫度值進行字符分割。該過程主要使用垂直積分投影的方式進行字符的分割，并生成垂直投影的最終結果。根據生成的垂直投影圖，可以判斷像素累積值是否存在節點位置出現突變問題，突變會導致該區域內存在兩個或者多個字符，根據突變的特點也可以確定字符的位置，從而對其進行字符分割，具體分割如式（2）所示。

式中：Vx——圖像經過垂直投影后的積分結果；F（1，2）——像素點的灰度值參數；N——經過ROI 定位后，測定區域的高度值。長度值控制應在灰度值參數的允許范圍之內。

1.4 溫度值識別

溫度值識別主要應用CNN 識別方法，在網絡體系結構之中，可以將紅外圖像算法程序分為卷積層兩個、連接層1 個以及池化層兩個等幾個區域，以上述區域的構成實現CNN 溫度識別體系的科學構建。在使用CNN 對紅外圖像中電力設備的溫度值進行識別的過程中，首先應輸入經過預處理以及分割后的紅外圖像，設定圖像的標準像素值為16×16，并對CNN 網絡的卷積層積核的大小進行調整，使其像素參數為5×5，并對步長進行規定。池化層1 的設置則需要使其最大化，步長的設置應與卷積層的參數相同，池化層2 的設置則適當的增加池化核的大小參數，其卷積核的像素特征參數大小控制為2×2，步長參數設定為2，最終得到大小適中的特征圖。生產的特征圖與連接層連接完全，實現向連接層的輸入，設置其dropout 值的參數為0.5，采用分類器對特征圖的輸入結果進行最終的分析。按照特征字符類型，將其分為0～9 共計10 個數字，并使用-符號對其進行劃分，共計分為11 個類別，根據上述程序構建CNN 網絡結構，進行溫度值的識別，具體內容如表1 所示。

表1 CNN 溫度值識別設計

根據預測值以及真實值的測定，對具體的偏差量進行分析，采用梯度計算的方式，對其進行樣本數值預測，計算算法過程中的損失函數。

2 溫度值識別系統設計

對紅外圖像的溫度值進行識別與分析，采用模塊化的設計方式，對溫度值進行識別，并將其記錄到系統之中。系統支持溫度值識別與記錄系統識別的可視化現實，并可以實現對數據的傳輸，可以判斷出電力設備在運行過程中是否出現溫度值異常等問題，具體系統的模塊化設計包括三大部分內容，分別是圖像加載模塊、圖像識別模塊、異常狀態預警模塊三部分，系統會顯示電力設備在運行過程中的最高溫度、最低溫度，并加載最終對應的模塊，判斷其狀態是否處于正常的情況下。設計的系統具有識別記錄的儲存能力，并直觀顯示定位的溫度值圖像。

圖像的加載模塊可以進行批量處理，將所有已經采集的紅外圖像以框架的形式展示出來，用戶點擊相應的按鈕便可以實現對不同定位電力設備紅外圖像的溫度值識別，判斷其是否出現異常或者是否持續處于正常的運行狀態之下，具體系統界面設計內容如圖3所示。

圖3 溫度值識別系統界面及功能

3 溫度值識別算法試驗結果分析

3.1 數據集

使用紅外成像儀進行圖像的拍攝，進行軟件配置與硬件配置之后，進行溫度值數據集的建立。數據集建立隨機選擇已經采集的紅外圖像數量1200 個，根據特征數據值的分析進行字符的分割與提取，使用11 個字符進行劃分，將其作為溫度值圖像識別的標簽。樣本的選擇應切實保障其后續的統一性，調整像素大小一致。最終分析結果顯示，溫度值參數區間在零下20°至100℃之間，標簽的生成具有隨機屬性，且出現的頻率有所差別，其中字符數值5 和字符7 的出現頻率最多，符號-的出現頻率最低，為了確保各字符標簽的數量統一，對樣本標簽進行篩選，每個標簽保留100 張，建立溫度值數據集。

3.2 實驗結果

按照4☆1 的比例對其進行集合建立，設置CNN 網格的參數值，同時輸入衰減率參數以及學習率參數，經過批量迭代計算的方式，將集合數值輸入CNN 網絡中進行最終的結果輸出，并以可視化的方式對其進行呈現。

計算過程中會出現CNN 損失，需要對最終識別的準確率進行計算，使用的網絡模型算法在計算過程中，計算次數達到200 次時，迭代的數值支出下降，并在第1800 次迭代計算之后數值接近0，最終進行數值的收斂。經過上千次的迭代計算后，其準確率可以達到98%以上。

3.3 結果分析

將準確率作為結果評價的最終指標，采用交叉檢驗的方式對結果進行驗證，根據標簽中的數值對識別算法的準確率進行驗證，除5 標簽外的識別準確率為89.2%，其余標簽的準確率均為100%，整體準確率較高。因此，對溫度值識別算法的最終結果進行分析，500 張紅外圖像識別結果顯示，其中有491 張識別結果顯示正確，最終的準確率可以達到98%以上，滿足使用要求。

4 結語

綜上所述，紅外圖像的溫度識別算法通過適應性閾值設計的方法，預先進行處理，并去除了識別測定區域的無效信息，根據設備的外形進行溫度參數分割，并對溫度參數進行定位。算法設定包括11 個數字標簽以及符號變遷，采用交叉檢驗的方式驗證結果的真實性、可靠性。最終試驗結果表示，其準確率可以達到98%以上甚至更高。