图像处理：变电站巡视中图像分析方法的研究步骤
本文研究了变电站巡视中图像分析方法，重点探讨了红外图像处理与电气设备识别技术。通过建立基准温标并利用BP神经网络实现红外图像的归一化处理，能够检测电气设备的温度异常。同时，结合红外图像与可见光图像的配准，通过颜色、纹理、形状等特征分析，实现电气设备类型的识别与状态判断。研究提出了一套基于图像分析的智能巡视方法，能够在有温度过热点时通过配准可见光图像进行设备识别，在无过热点时单独分析可见光图像，判断设备外观故障。该方法为变电站智能巡视提供了理论支持和技术方案，未来研究将进一步结合伺服系统实现变电站的智能化运行监控。
变电站巡视中图像分析方法的研究
本文主要针对图像智能分析与识别技术展开深入研究，在详细阐述红外图像测温原理的基础上，着重说明了电气设备过热缺陷的检测流程。通过 BP 网络计算基准温标，成功实现了电气设备红外图像的温差检测。同时，详细说明了图像预处理及配准方法，并提出了基于算法的电气设备图像颜色与模式识别技术，为变电站巡视图像的智能分析提供了可靠的技术支撑。
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
为实现过热故障的检测，需制定红外图像检测基准（基准温标）。然后，通过基准温标对巡视图像的每个像素点进行温度检测。其流程分为两个阶段：首先是图像预处理阶段，负责对红外图像进行前期处理；温度分析阶段则负责对红外图像进行温度检测。在此基础上，通过横向或纵向的温差分析，判断电气设备的工作状态。当检测到异常时，系统会发出告警，并将相关图像信息发送至调控中心。
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）
为建立灰度-温度映射关系，基于图3-5b中的标准温标，通过建立BP神经网络模型用于解决。
电气设备温度的检测
在图像上，电气设备的发热现象呈现出一定的区域特征。通过将获得的红外图像转换为灰度值，并将其输入至BP神经网络，可以计算出设备所在图像中每个像素对应的温度值。能够计算出设备的最高温度、最低温度及其对应坐标。从温度分布的最高点向四周扩展，识别出较高温度区域并进行标注，随后与可见光图像进行对齐。接着，对可见光图像进行识别，确定设备类型后，与数据库中对应型号的图像进行比对。通过式3-6，计算可见光图像中最高温度值与其历史温度差，或其他正常对应点的温差，与表3-1中的数据进行比对，判断设备是否出现异常状态。
电气设备的识别与分析
在智能巡视操作中，红外图像有助于识别电气设备的温度异常点。然而，由于这种图像模糊性较高，且可能包含其他电气设备和环境背景，即使找到温度异常点，也难以准确判断设备类型。因此，本文提出了一种方法，即在红外图像找到温度异常点后，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精确配准。通过这种配准，可以利用可见光图像不仅识别电气设备的类型，还能检测某些外观故障。最后，通过查询红外检修导则和电气设备缺陷标准，结合历史数据库中的图像信息，综合判断变电站的运行状态。
电气设备识别的过程
采用可见光图像识别技术相较于红外直接识别技术具有显著优势。整个识别流程如图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后，其尺寸有所扩大。
- 将图像大小限定为240至320像素，并对图像进行归一化处理，以增强其对比度。
- 依据SIFT算法的步骤，系统性地提取图像中的特征点。
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
首先对红外图像进行分析，若检测到温度异常高的像素点（过热点），则将此过热点位置对应至可见光图像中，确定一个区域区域，计算该区域区域的色彩特征，以此进行设备类型的初步判定（如区域呈现大面积灰色则可能为变压器）。若未检测到过热点，则单独对可见光图像进行分析，识别主要设备类型，并检测是否存在外观问题（如漏油、裂纹或变形等）。这部分的工作将在本文的后续部分进行探讨。可见光图像中若未发现明显缺陷，则转而分析下一幅巡视图像。最终，将上述分析与伺服系统结合，实现变电站的智能巡视。