本发明涉及一种图像识别方法及系统，尤其涉及一种基于图像识别进行电力设备缺陷监测的方法及系统。
背景技术：
1、如今整个电力系统的安全、可靠运行十分重要，需要对电力设备内部的绝缘状况进行实时的掌控。在电力设备内部，尤其是电力设备内部的触头出现绝缘缺陷或设备老化时，会导致局部温度急剧升高，产生发热状况，加重设备老化。
2、目前最常用的一种电力设备发热状况的监测方式为红外检测技术，即通过采集现场温度的红外图像，监测绝缘缺陷发热现象的发生。红外检测主要有手持红外相机和红外窗口扫描两种方式。但手持红外相机耗费大量人力物力；同时红外窗口扫描需要拆除螺栓盖或打开铰链盖、门等来暴露导体，属于3级或4级危险，即所被允许的最高操作级别，另外红外窗口的大小、材料、安装位置都缺乏一个统一且较为合理的配置方案。
3、为此，期望获得一种新的电力设备缺陷实时监测方法及系统，可以准确而有效地定位电力设备中的绝缘缺陷发热位置。
技术实现思路
1、本发明的目的之一在于提供一种基于nsst和图像能量算法的电力设备缺陷实时监测方法，其通过将红外图像中的温度特征显示在可见光图像中，能够实现电力设备缺陷位置的准确定位，该方法能够有效提高电力设备缺陷定位的识别率和准确度，减少现场操作工作量，保障电网的安全稳定运行。
2、根据上述发明目的，本发明提出一种基于nsst和图像能量算法的电力设备缺陷实时监测方法，其包括步骤：
3、采集电力设备的可见光图像以及与该可见光图像对应的红外图像；
4、采用能量图像算法将红外图像分割为若干模块，确定分割后的各模块的温度特征，并将各模块的温度特征标注在红外图像上；
5、将经过标注的红外图像和与之对应的可见光图像分别进行nsst分解，以分别得到各自的低频子带图和高频子带图；
6、将红外图像的低频子带图和与之对应的可见光图像的低频子带图进行融合，得到融合低频子带图；将红外图像的高频子带图和与之对应的可见光图像的高频子带图进行融合，得到融合高频子带图；
7、基于融合低频子带图和融合高频子带图进行nsst逆变换，得到融合图像；
8、基于融合图像判断电力设备的缺陷位置。
9、在本发明中，首先将图像能量算法引入红外图像的处理中，获得经过标注的红外图像；在此基础上引入nsst图像融合技术，实现红外图像和可见光图像的融合；最终根据融合图像可以准确地定位电力设备缺陷的位置，并实现实时监测，保障电网安全稳定运行。
10、需要说明的是，采集电力设备的可见光图像以及与该可见光图像对应的红外图像，须在图像采集装置与该待监测的电力设备保持同一位置、角度、距离的条件下进行，以确保后续图像融合和缺陷定位的精确性。
11、在一些实施例中，采用的图像采集装置包括照相机和红外摄像仪，分别采集可见光图像和与之对应的红外图像，然后通过蓝牙或者无线传输直接将图像传输至pc端进行红外图像分割和nsst处理，得到对应的融合图像。
12、在本技术方案中，采集到的红外图像可以看作多个像素点的结合，这是后续分割红外图像与确定温度特征的基础。
13、进一步地，在本发明所述的电力设备缺陷实时监测方法中，采用能量图像算法将红外图像分割为若干模块，确定分割后的各模块的温度特征，并将各模块的温度特征标注在红外图像上，具体包括步骤：
14、采用综合能量值算法寻找红外图像中综合能量最大的像素点坐标，基于综合能量最大的像素点坐标将所述红外图像分割为若干模块；并且获得分割后各模块的温度特征；
15、采用广义形态能量线性切割点算法寻找红外图像中能量值线性切割点的像素点坐标，基于能量值线性切割点的像素点坐标将所述红外图像分割为若干模块；并且获得分割后各模块的温度特征；
16、采用能量密度算法寻找红外图像中能量密度最大的像素点坐标，基于能量密度最大的像素点坐标将所述红外图像分割为若干模块；并且获得分割后各模块的温度特征；
17、确定综合能量最大的像素点、能量值线性切割点的像素点、能量密度最大的像素点这三者的中心位置像素点坐标，基于中心位置像素点坐标将所述红外图像分割为若干模块；并且获得分割后各模块的温度特征；
18、从上述四种分割方式中选择出分割后的模块的温度特征最明显的分割方式，并将该分割方式分割获得的模块的温度特征标注在红外图像上。
19、进一步地，在本发明所述的电力设备缺陷实时监测方法中，所述模块的温度特征包括该模块内各像素点的能量值的平均值、各像素点的色调的平均值、各像素点的饱和度的平均值和各像素点的明度的平均值。
20、进一步地，在本发明所述的电力设备缺陷实时监测方法中，从所述四种分割方式中选择出模块的温度特征最明显的分割方式，具体包括步骤：
21、比较每种分割方式分割获得的模块的能量值梯度最大点的梯度值；
22、将梯度值最大的分割方式作为温度特征最明显的分割方式。
23、进一步地，在本发明所述的电力设备缺陷实时监测方法中，将经过标注的红外图像和与之对应的可见光图像分别进行nsst分解，具体包括步骤：
24、采用三级尺度对经过标注的红外图像和与之对应的可见光图像分别进行nsst分解。
25、进一步地，在本发明所述的电力设备缺陷实时监测方法中，采用加权平均法将红外图像的低频子带图和与之对应的可见光图像的低频子带图进行融合，得到融合低频子带图；采用加权平均法将红外图像的高频子带图和与之对应的可见光图像的高频子带图进行融合，得到融合高频子带图。
26、本发明的另一目的在于提供一种基于nsst和图像能量算法的电力设备缺陷实时监测系统，其通过将红外图像中的温度特征显示在可见光图像中，能够实现电力设备缺陷位置的准确定位，该系统能够有效提高电力设备缺陷定位的识别率和准确度。
27、根据上述发明目的，本发明还提出一种基于nsst和图像能量算法的电力设备缺陷实时监测系统，其包括：
28、可见光图像采集装置，其采集电力设备的可见光图像；
29、红外图像采集装置，其采集与该可见光图像对应的电力设备的红外图像；
30、红外图像分割模块，其采用能量图像算法将红外图像分割为若干模块，确定分割后的各模块的温度特征，并将各模块的温度特征标注在红外图像上；
31、nsst模块，其将经过标注的红外图像和与之对应的可见光图像分别进行nsst分解，以分别得到各自的低频子带图和高频子带图；以及将红外图像的低频子带图和与之对应的可见光图像的低频子带图进行融合，得到融合低频子带图；将红外图像的高频子带图和与之对应的可见光图像的高频子带图进行融合，得到融合高频子带图；基于融合低频子带图和融合高频子带图进行nsst逆变换，得到融合图像；
32、所述电力设备的缺陷位置显示在融合图像上。
33、进一步地，在本发明所述的电力设备缺陷实时监测系统中，所述红外图像分割模块采用能量图像算法将红外图像分割为若干模块，确定分割后的各模块的温度特征，并将各模块的温度特征标注在红外图像上，具体执行下述步骤：
34、采用综合能量值算法寻找红外图像中综合能量最大的像素点坐标，基于综合能量最大的像素点坐标将所述红外图像分割为若干模块；并且获得分割后各模块的温度特征；
35、采用广义形态能量线性切割点算法寻找红外图像中能量值线性切割点的像素点坐标，基于能量值线性切割点的像素点坐标将所述红外图像分割为若干模块；并且获得分割后各模块的温度特征；
36、采用能量密度算法寻找红外图像中能量密度最大的像素点坐标，基于能量密度最大的像素点坐标将所述红外图像分割为若干模块；并且获得分割后各模块的温度特征；
37、确定综合能量最大的像素点、能量值线性切割点的像素点、能量密度最大的像素点这三者的中心位置像素点坐标，基于中心位置像素点坐标将所述红外图像分割为若干模块；并且获得分割后各模块的温度特征；
38、从上述四种分割方式中选择出分割后的模块的温度特征最明显的分割方式，并将该分割方式分割获得的模块的温度特征标注在红外图像上。
39、进一步地，在本发明所述的电力设备缺陷实时监测系统中，所述红外图像分割模块从四种分割方式中选择出模块的温度特征最明显的分割方式，具体包括步骤：
40、比较每种分割方式中，分割获得的模块的能量值梯度最大点的梯度值；
41、将梯度值最大的分割方式作为温度特征最明显的分割方式。
42、进一步地，在本发明所述的电力设备缺陷实时监测系统中，其中模块的温度特征包括该模块内各像素点的能量值的平均值、各像素点的色调的平均值、各像素点的饱和度的平均值和各像素点的明度的平均值。
43、进一步地，在本发明所述的电力设备缺陷实时监测系统中，所述nsst模块采用加权平均法将红外图像的低频子带图和与之对应的可见光图像的低频子带图进行融合，得到融合低频子带图；采用加权平均法将红外图像的高频子带图和与之对应的可见光图像的高频子带图进行融合，得到融合高频子带图。
44、本发明所述的电力设备缺陷实时监测方法具有以下有益结果：
45、本发明提供的电力设备缺陷实时监测方法通过结合红外图像与可见光图像，将红外图像的温度特征显示在可见光图像中，该方法稳定性较高，可以减少现场操作的工作量，提高电力设备缺陷位置的识别率和准确度。
46、本发明提供的电力设备缺陷实时监测方法能够实现对电力设备的在线监测，实时传输监测到的电力设备缺陷位置，有利于电力设备的运维检修，保障电网的安全稳定运行。
47、本发明提供的电力设备缺陷实时监测系统同样具有上述有益效果。
1.一种基于nsst和图像能量算法的电力设备缺陷实时监测方法，其特征在于，包括步骤：
2.如权利要求1所述的电力设备缺陷实时监测方法，其特征在于，采用能量图像算法将红外图像分割为若干模块，确定分割后的各模块的温度特征，并将各模块的温度特征标注在红外图像上具体包括步骤：
3.如权利要求1所述的电力设备缺陷实时监测方法，其特征在于，所述模块的温度特征包括该模块内各像素点的能量值的平均值、各像素点的色调的平均值、各像素点的饱和度的平均值和各像素点的明度的平均值。
4.如权利要求2所述的电力设备缺陷实时监测方法，其特征在于，从上述四种分割方式中选择出模块的温度特征最明显的分割方式具体包括步骤：
5.如权利要求1所述的电力设备缺陷实时监测方法，其特征在于，将经过标注的红外图像和与之对应的可见光图像分别进行nsst分解具体包括步骤：采用三级尺度对经过标注的红外图像和与之对应的可见光图像分别进行nsst分解。
6.如权利要求1所述的电力设备缺陷实时监测方法，其特征在于，采用加权平均法将红外图像的低频子带图和与之对应的可见光图像的低频子带图进行融合，得到融合低频子带图；采用加权平均法将红外图像的高频子带图和与之对应的可见光图像的高频子带图进行融合，得到融合高频子带图。
7.一种基于nsst和图像能量算法的电力设备缺陷实时监测系统，其特征在于，包括：
8.如权利要求7所述的电力设备缺陷实时监测系统，其特征在于，所述红外图像分割模块采用能量图像算法将红外图像分割为若干模块，确定分割后的各模块的温度特征，并将各模块的温度特征标注在红外图像上具体执行下述步骤：
9.如权利要求8所述的电力设备缺陷实时监测系统，其特征在于，所述红外图像分割模块从四种分割方式中选择出模块的温度特征最明显的分割方式具体包括步骤：
10.如权利要求7所述的电力设备缺陷实时监测系统，其特征在于，其中模块的温度特征包括该模块内各像素点的能量值的平均值、各像素点的色调的平均值、各像素点的饱和度的平均值和各像素点的明度的平均值。
11.如权利要求7所述的电力设备缺陷实时监测系统，其特征在于，所述nsst模块采用加权平均法将红外图像的低频子带图和与之对应的可见光图像的低频子带图进行融合，得到融合低频子带图；采用加权平均法将红外图像的高频子带图和与之对应的可见光图像的高频子带图进行融合，得到融合高频子带图。
