绝缘子的故障会导致表面温度升高，从而导致局部区域高温。此，精确识别绝缘体的高温区域是检测缺陷的有效手段。出了一种基于灰度共生矩阵的绝缘子高温特性提取方法。割红外图像后，将提取纹理特征，并选择能量，熵，惯性矩和相关性作为特征值。试结果验证了该方法的准确性，可作为高温绝缘子区域识别的参考。于隔离器故障检测的问题，中国对零值识别模型进行了大量研究。
世磊和他的合作者提出了一种将相对温度特性和BP神经网络相结合的方法：使用单向ANOVA方法过滤对模型结果有重大影响的特征参数。试结果表明该模型是有效的，对以后的研究是有用的[1]。
岩和他的合作者提出了一种逻辑回归分析方法，该方法可以从13个纹理特征中过滤模型输入，然后结合污染水平确定零值[2]。是，关于高温绝缘子检测的研究相对较少，仅讨论异常发热现象，没有系统的识别方法或抑制热量的措施。而，考虑到各种类型的缺陷，除了零值现象外，其他根本原因也会引起热量，因此迫切需要一种用于识别高温绝缘子的方法。缘子表面温度的升高与电压的分布密切相关，而正常电压的分布所引起的损坏会引起局部温度异常[3]。外图像是基于RGB颜色空间的彩色图像。了减少数据量并提高计算速度，根据等式（1）将RGB彩色图像转换为灰度图像[4]。）以减少数据的大小。公式中，
电缆灰度是灰度转换后每个像素的灰度值，R，G和B分别是红色，绿色和蓝色分量的值。
了在红外图像中准确识别绝缘子的高温区域，提取高温特性至关重要。择一个合适的初始阈值，并将其替换为迭代公式，以获取新的阈值。果两者之间的差异不在误差范围内，则重新计算新阈值。
阈值更新为遵循以下两点：第一次迭代的结果应快速收敛，第二次是每次迭代之后，新阈值的分割精度大于旧阈值的分割精度，直到满足要求。算法的步骤如下。S1：让我们采用初始阈值，通常使用灰度值的中位数。
缘子的高温区域与正常区域的温度差较大，并显示为图像中两个亮度值明显对比的区域。此，将双方的边界信息用作分类和识别的参数。本文中，使用灰度共生矩阵对边界信息的敏感性来从绝缘子中提取红外图像的纹理。了减小输入数据之间的数值差异，本文档统一选择上述四个特性的标准偏差，并对几个红外样品进行实验（提取结果示例请参见表1）。
文利用灰度共生矩阵和纹理特征研究了绝缘子红外图像中高温区域的特征。
代阈值选择方法用于确定适当的阈值。割区域中的每个像素由灰度共生矩阵描述。
量，熵，
电缆惯性矩和相关性被计算为纹理特征值。
几种红外样品进行的实验表明，该方法能够反映高温绝缘子的特性，证明其准确性和可靠性，也可为高温绝缘子中异常高温绝缘子的识别提供参考。食系统。
本文转载自
电缆 https://www.haoluoyi.com
猜您兴趣
首页
QQ