变电站巡视中图像分析方法的研究
本文主要围绕着图像的智能分析和识别方法展开研究，在阐述红外图像测温原理基础上，指出了电气设备过热缺陷的检测过程，利用 BP 网络计算了基准温标，并实现了电气设备红外图像温差的检测；叙述了图像预处理及其配准方法，给出了电气设备图像颜色和模式识别算法，为变电站巡视图像的智能分析奠定了基础。
红外图像处理方法的研究
红外图像温度测量的实现
红外图像检测过程
想实现过热故障的检测，首先要建立红外图像检测标准（即基准温标），然后利用基准温标检测巡视图像每个像素点的温度，这要经过由图像预处理、温度分析两步完成。图像预处理主要完成对红外图像的前期处理；温度分析部分主要实现对红外图像的温度检测。在此基础上通过横向或纵向的温差判断，确定电气设备的工作状态。发现异常则告警，并将图像信息发往调控中心。
基于红外图像检测的电气设备故障分析过程如图 3-4 所示。
红外图像温标的建立（要进行归一化）
为了确定灰度-温度映射关系，利用图3-5b）中的标准温标，采取构造BP神经网络的方法来解决。
电气设备温度的检测
电气设备的发热现象呈现在图像上具有区域性，将巡视获得的红外图像转换为灰度值，输入到BP神经网络可以得到每个像素对应的温度值。可以得到最高温度、最低温度及坐标，从最高温度点向周围拓展，找到这些较高温度所在区域，进行标记后，与可见光图像进行配准，找到标记区域在可见光图像中的位置，然后可见光图像进行识别，判断设备类型，识别后与数据库的同型设备的图像进行比较，利用式3-6计算图像中最高温度与其历史温度之差，或其他正常相对应点的温差，与表3-1对比，判读是否发生了异常。
电气设备的识别与分析
在智能巡视过程中，红外图像可以发现电气设备的温度过热点，但由于这种图像较为模糊，且可能包含其他电气设备和环境背景，在找到过热点后，确定电气设备类型较为困难。因此，本文提出在红外图像找到过热点后，利用巡视中两个摄像机之间的对应位置关系与可见光图像进行配准，利用可见光图像识别电气设备的类型及某些外观故障。最后由电气设备类型查询红外检修导则和电气设备缺陷标准，再与历史数据库中图像比对综合判断变电站的运行状态。
电气设备识别的过程
用可见光图像对电气设备进行识别比红外直接识别设备类型具有很大优势。整个识别过程如图 4-1 所示。
图像预处理
图像滤波
图像配准（猜测是可见光图像）
Sift
- 对图像进行灰度变换，变化后的图像是放大的。
- 限定图像大小为[240,320],并将图像归一化使得图像增强
- 根据 sift 算法步骤寻找特征点
图像特征分析
颜色特征、纹理特征、形状特征、空间关系特征
图像特征提取及分割
图像分割
区域分割
边缘分割
电气设备图像识别
颜色特征识别
模板匹配
总结：首先分析红外图像，如果存在明显温度很高的像素点（过热点），此时根据过热点位置转到对应拍摄的可见光图像，对应坐标生成一个区域，求取区域图像颜色，初步判断设备类型（如大面积灰色则是变压器），再经过两级模板匹配可确认设备类型。如果没有过热点，则单独对可见光图像进行分析，识别主要设备的类型，判断是否有外观故障（如漏油、裂纹和变形等）。这一部分将由本文的后续研究完成。可见光图像中如没有发现明显缺陷，则分析下一幅巡视图像。最终与伺服系统结合实现变电站的智能巡视。