红外图像线夹过热识别方法、装置和计算机设备与流程

1.本技术涉及计算机技术领域，特别是涉及一种红外图像线夹过热识别方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.在电力系统中，随着电网负荷的不断增大，满载或重载运行的电网设备的数量逐渐增加，电网设备的老化问题日益凸显，输电线路中电力设备过热，不仅消耗大量电能，还可能引起电力设备损坏，影响电网运行安全。
3.传统技术中，电力设备过热识别通过在可见光图像上对电力设备进行定位，将可见光图像映射至对应红外图像进行匹配定位，然后基于红外图像中的高温位置定位可见光图像中的过热设备。
4.然而，传统方法进行过热线夹识别时依赖于温度阈值和相关识别参数的设定，不利于提高电网系统中线夹发热识别结果的准确度。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高电网系统中电力设备发热识别结果准确度的红外图像线夹过热识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种红外图像线夹过热识别方法，所述方法包括：获取目标输电线路的待检测红外图像；所述目标输电线路为包含线夹的输电线路；确定所述待检测红外图像的高温区域分布标识；所述高温区域分布标识表征所述待检测红外图像中的高温区域分布在前景或背景；根据所述待检测红外图像的高温区域分布标识，确定针对所述待检测红外图像的线夹识别模型；将所述待检测红外图像输入至所述线夹识别模型，得到所述待检测红外图像中目标过热线夹对应的线夹位置。
7.在其中一个实施例中，所述确定所述待检测红外图像的高温区域分布标识，包括：将所述待检测红外图像输入至预训练的高温区域识别模型，得到所述待检测红外图像对应的高温区域识别结果；所述高温区域识别结果包括前景高温和背景高温；根据所述待检测红外图像对应的高温区域识别结果，确定所述待检测红外图像的高温区域分布标识。
8.在其中一个实施例中，所述方法还包括：确定训练红外图像的高温区域分布结果；所述高温区域分布结果表征所述训练红外图像中的高温区域分布在前景或背景；将所述训练红外图像输入至待训练的高温区域识别模型，得到所述训练红外图像
对应的高温区域识别结果；根据所述训练红外图像对应的高温区域分布结果和所述训练红外图像对应的高温区域识别结果，训练所述待训练的高温区域识别模型，得到训练后的高温区域识别模型。
9.在其中一个实施例中，所述确定训练红外图像的高温区域分布结果，包括：对所述训练红外图像进行色彩空间转换，得到所述训练红外图像对应的亮度通道图像；将所述亮度通道图像中目标像素的像素值置零，得到所述亮度通道图像对应的处理后亮度图像；所述目标像素的像素值小于或等于预设像素值阈值；根据所述处理后亮度图像，确定所述训练红外图像对应的高温区域识别结果。
10.在其中一个实施例中，所述根据所述待检测红外图像的高温区域分布标识，确定针对所述待检测红外图像的线夹识别模型，包括：在所述待检测红外图像的高温区域分布标识表征所述待检测红外图像中的高温区域分布在前景的情况下，将前景高温线夹识别模型作为所述待检测红外图像对应的线夹识别模型；在所述待检测红外图像的高温区域分布标识表征所述待检测红外图像中的高温区域分布在背景的情况下，将背景高温线夹识别模型作为所述待检测红外图像对应的线夹识别模型。
11.在其中一个实施例中，所述方法还包括：对所述待检测红外图像进行色彩空间转换，得到所述待检测红外图像对应的色彩空间转换图像；确定所述色彩空间转换图像的均衡后亮度参数；根据所述均衡后亮度参数，将所述色彩空间转换图像转换为预处理红外图像，将所述预处理红外图像作为新的待检测红外图像。
12.在其中一个实施例中，所述确定所述色彩空间转换图像的均衡后亮度参数，包括：根据所述色彩空间转换图像的饱和度参数和预设的饱和度缩放系数，确定所述饱和度参数对应的饱和度缩放后参数，以及，根据所述色彩空间转换图像的亮度参数和预设的亮度缩放系数，确定所述亮度参数对应的亮度缩放后参数；在所述饱和度缩放后参数小于或等于预设的饱和度缩放后参数阈值，且所述亮度缩放后参数小于或等于预设的亮度缩放后参数阈值的情况下，对所述色彩空间转换图像的亮度参数进行直方图均衡处理，得到所述色彩空间转换图像的均衡后亮度参数。
13.第二方面，本技术还提供了一种红外图像线夹过热识别装置，所述装置包括：图像获取模块，用于获取目标输电线路的待检测红外图像；所述目标输电线路为包含线夹的输电线路；标识确定模块，用于确定所述待检测红外图像的高温区域分布标识；所述高温区域分布标识表征所述待检测红外图像中的高温区域分布在前景或背景；模型确定模块，用于根据所述待检测红外图像的高温区域分布标识，确定针对所述待检测红外图像的线夹识别模型；过热识别模块，用于将所述待检测红外图像输入至所述线夹识别模型，得到所述待检测红外图像中目标过热线夹对应的线夹位置。
14.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
15.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
16.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
17.上述红外图像线夹过热识别方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标输电线路的待检测红外图像，从而得到包含线夹的输电线路的红外图像；确定待检测红外图像的高温区域分布标识，从而确定待检测红外图像中的高温区域分布情况（前景高温和背景高温）；根据待检测红外图像的高温区域分布标识，确定针对待检测红外图像的线夹识别模型，从而针对高温分布情况不同的待检测红外图像，确定对应的线夹识别模型；将待检测红外图像输入至线夹识别模型，得到待检测红外图像中目标过热线夹对应的线夹位置，实现基于输电线路红外图像中的高温区域分布情况，确定针对输电线路红外图像进行线夹过热识别所需的线夹识别模型，进而利用该线夹识别模型，确定输电线路中过热线夹的位置，能够基于输电线路红外图像中高温区域的分布情况，针对性地利用对应的线夹识别模型，确定输电线路中的过热线夹，提高电网系统中线夹发热识别结果的准确度。
附图说明
18.图1为一个实施例中一种红外图像线夹过热识别方法的应用环境图；图2为一个实施例中一种红外图像线夹过热识别方法的流程示意图；图3为一个实施例中一种构建高温区域识别模型和线夹识别模型的流程示意图；图4为一个实施例中一种红外图像线夹过热识别装置的结构框图；图5为一个实施例中计算机设备的内部结构图。
具体实施方式
19.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
20.本技术实施例提供的红外图像线夹过热识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取目标输电线路的待检测红外图像；目标输电线路为包含线夹的输电线路；服务器104确定待检测红外图像的高温区域分布标识；高温区域分布标识表征待检测红外图像中的高温区域分布在前景或背景；服务器104根据待检测红外图像的高温区域分布标识，确定针对待检测红外图像的线夹识别模型；服务器104将待检测红外图像输入至线夹识别模型，得到待检测红外图像中目标过热线夹对应的线夹位置。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设
备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
21.在一些实施例中，如图2所示，提供了一种红外图像线夹过热识别方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：步骤s202，获取目标输电线路的待检测红外图像。
22.其中，目标输电线路可以是指包含线夹的输电线路，实际应用中，电力系统中可能存在高温的电力设备不仅可以为线夹，还可以为其他电力设备，因此，针对电力系统中其他电力设备进行过热识别时，目标输电线路可以是指包含其他电力设备的输电线路。
23.其中，待检测红外图像可以是指通过红外成像传感器对目标输电线路进行红外图像采集得到的图像。
24.作为一种示例，现场操作人员通过控制红外成像传感器对目标输电线路进行红外图像采集，得到目标输电线路的待检测红外图像，服务器接收现场操作人员上传的目标输电线路的待检测红外图像。
25.步骤s204，确定待检测红外图像的高温区域分布标识。
26.其中，高温区域分布标识可以是指表征待检测红外图像中的高温区域分布在前景或背景的信息，实际应用中，高温区域分布标识包括q和b，其中，q表征待检测红外图像中的高温区域分布在前景，b表征待检测红外图像中的高温区域分布在背景。
27.作为一种示例，服务器将待检测红外图像输入至预训练的高温区域识别模型，高温区域识别模型对待检测红外图像进行识别和检测，得到待检测红外图像的高温区域分布标识。
28.步骤s206，根据待检测红外图像的高温区域分布标识，确定针对待检测红外图像的线夹识别模型。
29.其中，针对待检测红外图像的线夹识别模型可以是指基于待检测红外图像中高温区域的分布情况，针对性地确定待检测红外图像中过热线夹的位置的模型，实际应用中，由于待检测红外图像中高温区域的分布情况对过热线夹的识别存在一定影响，为了提高过热线夹识别结果的准确性，需要根据待检测红外图像中高温区域的分布情况，确定针对不同高温区域分布情况的线夹识别模型，线夹识别模型的数量可以为两种。
30.作为一种示例，服务器获取高温区域分布标识和线夹识别模型之间的映射关系表，服务器根据待检测红外图像的高温区域分布标识，从高温区域分布标识和线夹识别模型之间的映射关系表中，确定针对待检测红外图像的线夹识别模型。
31.步骤s208，将待检测红外图像输入至线夹识别模型，得到待检测红外图像中目标过热线夹对应的线夹位置。
32.其中，目标过热线夹可以是指目标输电线路中的温度超过预设温度阈值的线夹，实际应用中，目标输电线中目标过热线夹的数量可以包括但不限于0个、1个和2个。
33.作为一种示例，服务器将待检测红外图像输入至线夹识别模型，线夹识别模型在待检测红外图像中标注出线夹目标框，每个线夹目标框中包含一个线夹，线夹识别模型对待检测红外图像进行解码，提取出待检测红外图像对应的原始热辐射矩阵，线夹识别模型根据线夹目标框在待检测红外图像中的位置，确定线夹目标框对应的线夹热量矩阵，线夹
识别模型根据普朗克辐射定律等公式，通过线夹目标框对应的线夹热量矩阵（二进制热辐射矩阵），计算得到线夹目标框中线夹对应的温度矩阵，线夹识别模型根据线夹目标框中线夹对应的温度矩阵，确定线夹目标框中线夹对应的温度，当线夹目标框中线夹对应的温度大于或等于预设的温度阈值时，服务器判断上述线夹目标框中的线夹为过热线夹，服务器将过热线夹对应的线夹目标框在待检测红外图像中的位置作为待检测红外图像中目标过热线夹对应的线夹位置。
34.上述红外图像线夹过热识别方法中，通过获取目标输电线路的待检测红外图像，从而得到包含线夹的输电线路的红外图像；确定待检测红外图像的高温区域分布标识，从而确定待检测红外图像中的高温区域分布情况（前景高温和背景高温）；根据待检测红外图像的高温区域分布标识，确定针对待检测红外图像的线夹识别模型，从而针对高温分布情况不同的待检测红外图像，确定对应的线夹识别模型；将待检测红外图像输入至线夹识别模型，得到待检测红外图像中目标过热线夹对应的线夹位置，实现基于输电线路红外图像中的高温区域分布情况，确定针对输电线路红外图像进行线夹过热识别所需的线夹识别模型，进而利用该线夹识别模型，确定输电线路中过热线夹的位置，能够基于输电线路红外图像中高温区域的分布情况，针对性地利用对应的线夹识别模型，确定输电线路中的过热线夹，提高电网系统中线夹发热识别结果的准确度。
35.在一些实施例中，确定待检测红外图像的高温区域分布标识，包括：将待检测红外图像输入至预训练的高温区域识别模型，得到待检测红外图像对应的高温区域识别结果；根据待检测红外图像对应的高温区域识别结果，确定待检测红外图像的高温区域分布标识。
36.其中，预训练的高温区域识别模型可以是指识别待检测红外图像中高温区域分布情况的模型，实际应用中，高温区域识别模型可将待检测红外图像分为前景高温和背景高温两种类型。
37.其中，高温区域识别结果可以是指表征待检测红外图像或训练红外图像中高温区域分布在前景或背景的信息，实际应用中，高温区域识别结果包括前景高温和背景高温。
38.作为一种示例，服务器将待检测红外图像输入至预训练的高温区域识别模型，高温区域识别模型对待检测红外图像进行分析，得到待检测红外图像对应的高温区域识别结果；服务器根据待检测红外图像对应的高温区域识别结果，确定待检测红外图像的高温区域分布标识；例如：若待检测红外图像对应的高温区域识别结果为前景高温，服务器将上述待检测红外图像的高温区域分布标识确定为q，若待检测红外图像对应的高温区域识别结果为背景高温，服务器将上述待检测红外图像的高温区域分布标识确定为b。
39.本实施例中，通过将待检测红外图像输入至预训练的高温区域识别模型，得到待检测红外图像对应的高温区域识别结果；根据待检测红外图像对应的高温区域识别结果，确定待检测红外图像的高温区域分布标识，能够基于高温区域识别模型，分析待检测红外图像中的高温区域，确定待检测红外图像对应的高温区域识别结果，进而基于高温区域识别结果，确定待检测红外图像的高温区域分布标识，提高高温区域分布标识的准确性。
40.在一些实施例中，上述方法还包括：确定训练红外图像的高温区域分布结果；将训练红外图像输入至待训练的高温区域识别模型，得到训练红外图像对应的高温区域识别结果；根据训练红外图像对应的高温区域分布结果和训练红外图像对应的高温区域识别结
果，训练待训练的高温区域识别模型，得到训练后的高温区域识别模型。
41.其中，高温区域分布结果可以是指表征训练红外图像中的高温区域分布在前景或背景的信息，实际应用中，高温区域分布结构可以包括前景高温和背景高温。
42.作为一种示例，为了提高高温区域识别结果的准确性，需要对高温区域识别模型进行训练，服务器获取训练红外图像，训练红外图像可组成训练红外图像数据集，训练红外图像数据集中的训练红外图像可包括包含线夹的输电线路红外图像、不包含线夹的输电线路红外图像和非输电线路红外图像，其中，包含线夹的输电线路红外图像可以包括各种不同环境、不同温度下的输电线路红外图像（如不同地域的输电线路红外图像、不同季节的输电线路红外图像、有发热线夹的输电线路红外图像、线夹发热成程度不同的输电线路红外图像、无发热线夹的输电线路红外图像），具体地，训练红外图像数据集中的训练红外图像大部分为包含线夹的输电线路红外图像，训练红外图像数据集还可以包括部分不包含线夹的输电线路红外图像和小部分非输电线路红外图像，上述训练红外图像数据集中的训练红外图像的线夹发热情况和高温区域分布情况是已知的，服务器统计训练红外图像的线夹发热情况和高温区域分布情况，得到训练红外图像的高温区域分布结果；服务器将训练红外图像输入至待训练的高温区域识别模型，高温区域识别模型对训练红外图像进行分析，得到训练红外图像对应的高温区域识别结果；服务器根据训练红外图像对应的高温区域分布结果和训练红外图像对应的高温区域识别结果，训练待训练的高温区域识别模型，以使训练红外图像对应的高温区域分布结果和训练红外图像对应的高温区域识别结果之间的误差小于预设的误差阈值，得到训练后的高温区域识别模型。
43.本实施例中，通过确定训练红外图像的高温区域分布结果；将训练红外图像输入至待训练的高温区域识别模型，得到训练红外图像对应的高温区域识别结果；根据训练红外图像对应的高温区域分布结果和训练红外图像对应的高温区域识别结果，训练待训练的高温区域识别模型，得到训练后的高温区域识别模型，能够基于线夹发热情况和高温区域分布情况均已知的训练红外图像，训练高温区域识别模型，从而提高高温区域识别结果的准确性，进而提高高温区域分布标识的准确性。
44.在一些实施例中，确定训练红外图像的高温区域分布结果，包括：对训练红外图像进行色彩空间转换，得到训练红外图像对应的亮度通道图像；将亮度通道图像中目标像素的像素值置零，得到亮度通道图像对应的处理后亮度图像；根据处理后亮度图像，确定训练红外图像对应的高温区域识别结果。
45.其中，亮度通道图像可以是指将训练红外图像转换为色彩空间表示后，红外图像的色彩空间表示结果中亮度通道对应的图像。
46.其中，目标像素可以是指像素值小于或等于预设像素值阈值。
47.其中，预设像素值阈值可以是指用于检验像素值是否符合预设要求的数据，实际应用中，预设像素值阈值可以为128，预设像素值阈值可基于预设要求或实际操作进行灵活调整。
48.其中，处理后亮度图像可以是指将亮度通道图像中目标像素的像素值置零后得到的图像。
49.作为一种示例，服务器对训练红外图像进行色彩空间转换，如，将训练红外图像转换为hsv（hue，saturation，value）色彩空间表示，得到训练红外图像的色彩空间表示结果，
服务器将训练红外图像的色彩空间表示结果中亮度通道的图像作为亮度通道图像，服务器亮度通道图像作为训练红外图像的灰度图，服务器将亮度通道图像（即训练红外图像的灰度图）中目标像素的像素值置零，得到亮度通道图像对应的处理后亮度图像；服务器将处理后亮度图像输入至预训练的高温区域识别模型，得到训练红外图像对应的高温区域识别结果。
50.本实施例中，通过对训练红外图像进行色彩空间转换，得到训练红外图像对应的亮度通道图像；将亮度通道图像中目标像素的像素值置零，得到亮度通道图像对应的处理后亮度图像；根据处理后亮度图像，确定训练红外图像对应的高温区域识别结果，能够基于训练红外图像进行色彩空间转换后的亮度通道图像，对目标像素的像素值置零，减少图像像素对高温区域识别的影响和干扰，提高高温区域识别结果的准确性。
51.在一些实施例中，根据待检测红外图像的高温区域分布标识，确定针对待检测红外图像的线夹识别模型，包括：在待检测红外图像的高温区域分布标识表征待检测红外图像中的高温区域分布在前景的情况下，将前景高温线夹识别模型作为待检测红外图像对应的线夹识别模型；在待检测红外图像的高温区域分布标识表征待检测红外图像中的高温区域分布在背景的情况下，将背景高温线夹识别模型作为待检测红外图像对应的线夹识别模型。
52.其中，前景高温线夹识别模型可以是指对高温区域分布标识表征高温区域分布在前景的待检测红外图像进行过热线夹识别的模型，实际应用中，前景高温线夹识别模型可以包括预训练的yolov5检测模型。
53.其中，背景高温线夹识别模型可以是指对高温区域分布标识表征高温区域分布在背景的待检测红外图像进行过热线夹识别的模型，实际应用中，背景高温线夹识别模型可以包括预训练的yolov5检测模型。
54.作为一种示例，当待检测红外图像的高温区域分布标识表征待检测红外图像中的高温区域分布在前景时，服务器判定待检测红外图像的高温区域分布情况为前景高温，服务器将前景高温线夹识别模型作为待检测红外图像对应的线夹识别模型；当待检测红外图像的高温区域分布标识表征待检测红外图像中的高温区域分布在背景时，服务器判定待检测红外图像的高温区域分布情况为背景高温，服务器将背景高温线夹识别模型作为待检测红外图像对应的线夹识别模型。
55.本实施例中，通过在待检测红外图像的高温区域分布标识表征待检测红外图像中的高温区域分布在前景的情况下，将前景高温线夹识别模型作为待检测红外图像对应的线夹识别模型；在待检测红外图像的高温区域分布标识表征待检测红外图像中的高温区域分布在背景的情况下，将背景高温线夹识别模型作为待检测红外图像对应的线夹识别模型，能够基于待检测红外图像的高温区域分布标识，确定针对待检测红外图像的线夹识别模型，从而利用针对待检测红外图像的线夹识别模型，确定待检测红外图像中过热线夹的位置，提高待检测红外图像中过热线夹的位置信息的准确性。
56.在一些实施例中，上述方法还包括：对待检测红外图像进行色彩空间转换，得到待检测红外图像对应的色彩空间转换图像；确定色彩空间转换图像的均衡后亮度参数；根据均衡后亮度参数，将色彩空间转换图像转换为预处理红外图像，将预处理红外图像作为新的待检测红外图像。
57.其中，色彩空间转换图像可以是指将待检测红外图像转换为色彩空间表示后得到的图像，实际应用中，色彩空间转换图像可以包括hsv色彩空间表示。
58.其中，均衡后亮度参数可以是指对色彩空间转换图像的亮度通道参数进行数值均衡所需的数据。
59.其中，预处理红外图像可以是指对色彩空间转换图像进行图像转换后得到的图像，实际应用中，预处理红外图像可以包括将色彩空间转换图像转换为rgb色彩空间表示后得到的图像。
60.作为一种示例，服务器将待检测红外图像转换为hsv色彩空间表示，得到待检测红外图像对应的色彩空间转换图像；服务器根据色彩空间转换图像的图像参数，确定色彩空间转换图像的均衡后亮度参数；服务器根据均衡后亮度参数，对色彩空间转换图像的图像参数进行数值均衡，得到均衡后色彩空间转换图像，服务器将均衡后色彩空间转换图像转换为预处理红外图像（rgb色彩空间表示），服务器将预处理红外图像作为新的待检测红外图像。
61.本实施例中，通过对待检测红外图像进行色彩空间转换，得到待检测红外图像对应的色彩空间转换图像；确定色彩空间转换图像的均衡后亮度参数；根据均衡后亮度参数，将色彩空间转换图像转换为预处理红外图像，将预处理红外图像作为新的待检测红外图像，能够基于待检测红外图像对应的色彩空间转换图像的图像参数，对待检测红外图像对应的色彩空间转换图像进行图像处理，将图像处理后的色彩空间转换图像转换为预处理红外图像，并将预处理红外图像作为新的待检测红外图像，减少图像参数对高温区域识别结果的影响和干扰，提高高温区域识别结果的准确性。
62.在一些实施例中，确定色彩空间转换图像的均衡后亮度参数，包括：根据色彩空间转换图像的饱和度参数和预设的饱和度缩放系数，确定饱和度参数对应的饱和度缩放后参数，以及，根据色彩空间转换图像的亮度参数和预设的亮度缩放系数，确定亮度参数对应的亮度缩放后参数；在饱和度缩放后参数小于或等于预设的饱和度缩放后参数阈值，且亮度缩放后参数小于或等于预设的亮度缩放后参数阈值的情况下，对色彩空间转换图像的亮度参数进行直方图均衡处理，得到色彩空间转换图像的均衡后亮度参数。
63.其中，饱和度参数可以是指色彩空间转换图像的图像饱和度参数。
64.其中，饱和度缩放系数可以是指对色彩空间转换图像的饱和度参数进行参数修改（如缩放）时所采用的数据，实际应用中，饱和度缩放系数的取值范围可为0.8至1.2。
65.其中，饱和度缩放后参数可以是指基于饱和度缩放系数对色彩空间转换图像的饱和度参数进行缩放后得到的饱和度参数。
66.其中，亮度参数可以是指色彩空间转换图像的图像亮度参数。
67.其中，亮度缩放系数可以是指对色彩空间转换图像的亮度参数进行参数修改（缩放）时所采用的数据，实际应用中，亮度缩放系数的取值范围可为0.8至1.2。
68.其中，亮度缩放后参数可以是指基于亮度缩放系数对色彩空间转换图像的亮度参数进行缩放后得到亮度参数。
69.其中，饱和度缩放后参数阈值可以是指用于对饱和度缩放后参数进行数值检验的数据。
70.其中，亮度缩放后参数阈值可以是指用于对亮度缩放后参数进行数值检验的数
据。
71.作为一种示例，服务器从饱和度缩放系数取值范围中随机选取饱和度缩放系数作为预设的饱和度缩放系数，服务器对色彩空间转换图像进行解析，得到色彩空间转换图像的饱和度参数，服务器根据色彩空间转换图像的饱和度参数和预设的饱和度缩放系数，确定饱和度参数对应的饱和度缩放后参数，如，服务器将饱和度缩放系数的数值和饱和度参数的数值相乘，得到饱和度缩放后参数；服务器从亮度缩放系数取值范围中随机选取亮度缩放系数作为预设的亮度缩放系数，服务器对色彩空间转换图像进行解析，得到色彩空间转换图像的亮度参数，服务器根据色彩空间转换图像的亮度参数和预设的亮度缩放系数，确定亮度参数对应的亮度缩放后参数，如，服务器将亮度缩放系数的数值和亮度参数的数值相乘，得到亮度缩放后参数；在饱和度缩放后参数小于或等于预设的饱和度缩放后参数阈值，且亮度缩放后参数小于或等于预设的亮度缩放后参数阈值的情况下，服务器对色彩空间转换图像的亮度参数（亮度通道的数值）进行直方图均衡处理，得到色彩空间转换图像的均衡后亮度参数。
72.本实施例中，通过根据色彩空间转换图像的饱和度参数和预设的饱和度缩放系数，确定饱和度参数对应的饱和度缩放后参数，以及，根据色彩空间转换图像的亮度参数和预设的亮度缩放系数，确定亮度参数对应的亮度缩放后参数；在饱和度缩放后参数小于或等于预设的饱和度缩放后参数阈值，且亮度缩放后参数小于或等于预设的亮度缩放后参数阈值的情况下，对色彩空间转换图像的亮度参数进行直方图均衡处理，得到色彩空间转换图像的均衡后亮度参数，能够按照预设的缩放系数，对饱和度参数和亮度参数进行缩放，校验缩放后的饱和度参数和亮度参数，在缩放后的饱和度参数和亮度参数均符合对应的参数要求时，对亮度参数进行直方图均衡，从而减少图像参数（亮度参数）对高温区域识别结果的影响和干扰，提高高温区域识别结果的准确性。
73.在一些实施例中，如图3所示，提供了一种构建高温区域识别模型和线夹识别模型的流程示意图，服务器构建训练红外图像数据集，训练红外图像数据集中的各训练红外图像中的各线夹均标注有线夹目标框，每个线夹目标框中包含一个线夹，由于训练红外图像的高温区域分布情况已知，服务器根据训练红外图像的高温区域分布情况，按照训练红外图像中高温区域的分布情况，为各训练红外图像设置对应的高温区域分布标识，该高温区域分布标识用于表征训练红外图像中的温度分布情况（如前景高温和背景高温），具体地，当训练红外图像中存在大块沥青地面或铁皮屋顶等背景区域时，高温区域一般处于背景中，此时杆塔、线夹等电力设备色彩较浅；反之，当背景为大面积的树林、草地等情况时，背景温度较低，图像中电力设备部分相对温度较高，颜色较鲜艳。由于两种情况下红外图像中电力设备和背景的色彩差异较大，容易为后续线夹识别（检测）模型的泛化性能造成不利影响，需要设置高温区域识别模型（场景分类网络），对不同的高温区域分布情况的红外图像进行对应处理。服务器对训练红外图像进行预处理，如，将训练红外图像数据集中的训练红外图像转换为hsc色彩空间表示，服务器将训练红外图像转换为hsv（hue，saturation，value）色彩空间表示，得到训练红外图像的色彩空间表示结果，服务器将训练红外图像的色彩空间表示结果中亮度通道的图像作为亮度通道图像，服务器亮度通道图像作为训练红外图像的灰度图，服务器将亮度通道图像（即训练红外图像的灰度图）中目标像素的像素值置零，得到亮度通道图像对应的处理后亮度图像；服务器将处理后亮度图像输入至预训练
的高温区域识别模型，得到训练红外图像对应的高温区域识别结果；服务器根据训练红外图像对应的高温区域分布结果和训练红外图像对应的高温区域识别结果，训练高温区域识别模型；服务器将训练红外图像转换为hsv色彩空间表示，得到训练红外图像对应的色彩空间转换图像；服务器对色彩空间转换图像的图像参数进行参数缩放，在缩放后的色彩空间转换图像的图像参数通过参数阈值检验后，服务器对色彩空间转换图像的亮度通道的数值进行直方图均衡，得到均衡后色彩空间转换图像，服务器将均衡后色彩空间转换图像转换为预处理红外图像（rgb色彩空间表示），服务器将预处理红外图像作为新的训练红外图像，新的训练红外图像的高温区域分布情况和原训练红外图像的高温区域分布情况相同，服务器利用新的训练红外图像分别训练针对不同高温区域分布情况的线夹识别模型（前景高温线夹识别模型和背景高温线夹识别模型），得到预训练的线夹识别模型。
74.在一些实施例中，服务器对待检测红外图像进行过热线夹识别时，服务器先对待检测红外图像进行预处理，如，将待检测红外图像转换为hsv色彩空间表示，得到待检测红外图像的色彩空间表示结果，服务器将待检测红外图像的色彩空间表示结果中亮度通道的图像作为亮度通道图像，服务器亮度通道图像作为待检测红外图像的灰度图，服务器将亮度通道图像（即待检测红外图像的灰度图）中目标像素的像素值置零，得到亮度通道图像对应的处理后亮度图像；服务器将处理后亮度图像输入至预训练的高温区域识别模型，得到待检测红外图像对应的高温区域识别结果，服务器根据待检测红外图像的高温区域识别结果，确定待检测红外图像的高温区域分布标识，服务器将待检测红外图像转换为hsv色彩空间表示，得到待检测红外图像对应的色彩空间转换图像；服务器对色彩空间转换图像的图像参数进行参数缩放，在缩放后的色彩空间转换图像的图像参数通过参数阈值检验后，服务器对色彩空间转换图像的亮度（v）通道的数值进行直方图均衡，得到均衡后色彩空间转换图像，服务器将均衡后色彩空间转换图像转换为预处理红外图像（rgb色彩空间表示），服务器将预处理红外图像作为新的待检测红外图像，新的待检测红外图像的高温区域分布情况与原待检测红外图像的高温区域分布情况相同，则新的待检测红外图像的高温区域分布标识与原待检测红外图像的高温区域分布情况相同，服务器根据新的待检测红外图像的高温区域分布标识，确定新的待检测红外图像对应的线夹识别模型，线夹识别模型在新的待检测红外图像中标注出各线夹对应的线夹目标框，线夹识别模型对新的待检测红外图像进行解码，提取出新的待检测红外图像对应的原始热辐射矩阵，线夹识别模型基于新的待检测红外图像中的线夹目标框，利用热辐射定律等公式计算出各线夹目标框中的最高温度，线夹识别模型根据各线夹目标框中的最高温度，判断各线夹目标框对应的线夹是否为过热线夹，线夹识别模型将过热线夹对应的线夹目标框在上述新的待检测红外图像中的位置作为过热线夹的位置，具体地，线夹识别模型使用exif工具对上述新的待检测红外图像进行解码，提取出上述新的待检测红外图像对应的二进制热辐射矩阵raw
img
，线夹识别模型根据线夹目标框box
p
的坐标（如线夹目标框四个顶点的坐标）在二进制热辐射矩阵中截取对应的线夹热量矩阵raw
box
，raw
box
的计算公式可表示为：。
75.其中，x表示目标框左上角的横像素坐标，y表示目标框左上角的纵像素坐标，w表示线夹目标框的宽高像素数，h表示线夹目标框的高像素数，x、y、w、h均是图像二维平面维
度上，单位为像素；线夹识别模型根据普朗克辐射定律等公式，通过二进制热辐射矩阵计算出线夹的温度矩阵，线夹的温度矩阵的计算公式可表示为：。
76.其中，pb、pr、po、pf均是红外传感器的校准值，raw
*box
可为线夹热量矩阵raw
box
，t
box
为线夹目标框的温度矩阵，线夹识别模型可将线夹目标框的温度矩阵中的温度最大值作为线夹目标框对应的线夹的温度，进一步地，服务器得到各线夹的温度后，服务器根据各线夹的温度和线夹缺陷参照表判定线夹的发热等级，线夹缺陷参照表可如表1所示：
77.表1本实施例中，通过直接在红外图像上进行部件识别与发热定级，相比先在可见光图像上进行部件识别，再在红外图像上进行温度识别与发热判定的技术路线更为简便，对采集条件的要求较低，仅需安装一套红外采集设备即可；采用了数据增强的方法结合yolov5算法进行发热线夹识别，通过在训练时对图像在饱和度与亮度通道上进行缩放，有效提升了训练样本的丰富程度，更好模拟了不同季节、不同地域、不同场景、不同发热情况下的线夹红外图像情况，使训练的算法模型在实际应用场景中具有更好的泛化性能。通过在训练与推理时对红外图像的亮度通道进行直方图均衡，有效降低了不同情况下线夹红外图像的特征差异，降低了算法模型的识别难度，使整体方案具有更好的线夹发热识别效果。
78.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
79.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的红外图像线夹过热识别方法的红外图像线夹过热识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个红外图像线夹过热识别装置实施例中的具体限定可以参见上文中对于红外图像线夹过热识别方法的限定，在此不再赘述。
80.在一个实施例中，如图4所示，提供了一种红外图像线夹过热识别装置，包括：图像获取模块402、标识确定模块404、模型确定模块406和过热识别模块408，其中：图像获取模块402，用于获取目标输电线路的待检测红外图像；所述目标输电线路为包含线夹的输电线路；标识确定模块404，用于确定所述待检测红外图像的高温区域分布标识；所述高温区域分布标识表征所述待检测红外图像中的高温区域分布在前景或背景；模型确定模块406，用于根据所述待检测红外图像的高温区域分布标识，确定针对所述待检测红外图像的线夹识别模型；过热识别模块408，用于将所述待检测红外图像输入至所述线夹识别模型，得到所述待检测红外图像中目标过热线夹对应的线夹位置。
81.在一个示例性实施例中，上述标识确定模块404具体还用于将所述待检测红外图像输入至预训练的高温区域识别模型，得到所述待检测红外图像对应的高温区域识别结果；所述高温区域识别结果包括前景高温和背景高温；根据所述待检测红外图像对应的高温区域识别结果，确定所述待检测红外图像的高温区域分布标识。
82.在一个示例性实施例中，上述装置还包括模型训练模块，该模型训练模块具体用于确定训练红外图像的高温区域分布结果；所述高温区域分布结果表征所述训练红外图像中的高温区域分布在前景或背景；将所述训练红外图像输入至待训练的高温区域识别模型，得到所述训练红外图像对应的高温区域识别结果；根据所述训练红外图像对应的高温区域分布结果和所述训练红外图像对应的高温区域识别结果，训练所述待训练的高温区域识别模型，得到训练后的高温区域识别模型。
83.在一个示例性实施例中，上述模型训练模块具体还用于对所述训练红外图像进行色彩空间转换，得到所述训练红外图像对应的亮度通道图像；将所述亮度通道图像中目标像素的像素值置零，得到所述亮度通道图像对应的处理后亮度图像；所述目标像素的像素值小于或等于预设像素值阈值；根据所述处理后亮度图像，确定所述训练红外图像对应的高温区域识别结果。
84.在一个示例性实施例中，上述模型确定模块406具体还用于在所述待检测红外图像的高温区域分布标识表征所述待检测红外图像中的高温区域分布在前景的情况下，将前景高温线夹识别模型作为所述待检测红外图像对应的线夹识别模型；在所述待检测红外图像的高温区域分布标识表征所述待检测红外图像中的高温区域分布在背景的情况下，将背景高温线夹识别模型作为所述待检测红外图像对应的线夹识别模型。
85.在一个示例性实施例中，上述装置还包括图像预处理模块，该图像预处理模块具体用于对所述待检测红外图像进行色彩空间转换，得到所述待检测红外图像对应的色彩空间转换图像；确定所述色彩空间转换图像的均衡后亮度参数；根据所述均衡后亮度参数，将所述色彩空间转换图像转换为预处理红外图像，将所述预处理红外图像作为新的待检测红外图像。
86.在一个示例性实施例中，上述图像预处理模块具体还用于根据所述色彩空间转换图像的饱和度参数和预设的饱和度缩放系数，确定所述饱和度参数对应的饱和度缩放后参数，以及，根据所述色彩空间转换图像的亮度参数和预设的亮度缩放系数，确定所述亮度参数对应的亮度缩放后参数；在所述饱和度缩放后参数小于或等于预设的饱和度缩放后参数
阈值，且所述亮度缩放后参数小于或等于预设的亮度缩放后参数阈值的情况下，对所述色彩空间转换图像的亮度参数进行直方图均衡处理，得到所述色彩空间转换图像的均衡后亮度参数。
87.上述红外图像线夹过热识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
88.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种红外图像线夹过热识别方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
89.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
90.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
91.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
92.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
93.需要说明的是，本技术所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
94.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read-only memory，rom）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器
（reram）、磁变存储器（magnetoresistive random access memory，mram）、铁电存储器（ferroelectric random access memory，fram）、相变存储器（phase change memory，pcm）、石墨烯存储器等。易失性存储器可包括随机存取存储器（random access memory，ram）或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器（static random accessmemory，sram）或动态随机存取存储器（dynamic random access memory，dram）等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
95.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
96.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种红外图像线夹过热识别方法，其特征在于，所述方法包括：获取目标输电线路的待检测红外图像；所述目标输电线路为包含线夹的输电线路；确定所述待检测红外图像的高温区域分布标识；所述高温区域分布标识表征所述待检测红外图像中的高温区域分布在前景或背景；根据所述待检测红外图像的高温区域分布标识，确定针对所述待检测红外图像的线夹识别模型；将所述待检测红外图像输入至所述线夹识别模型，得到所述待检测红外图像中目标过热线夹对应的线夹位置。2.根据权利要求1所述的方法，其特征在于，所述确定所述待检测红外图像的高温区域分布标识，包括：将所述待检测红外图像输入至预训练的高温区域识别模型，得到所述待检测红外图像对应的高温区域识别结果；所述高温区域识别结果包括前景高温和背景高温；根据所述待检测红外图像对应的高温区域识别结果，确定所述待检测红外图像的高温区域分布标识。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：确定训练红外图像的高温区域分布结果；所述高温区域分布结果表征所述训练红外图像中的高温区域分布在前景或背景；将所述训练红外图像输入至待训练的高温区域识别模型，得到所述训练红外图像对应的高温区域识别结果；根据所述训练红外图像对应的高温区域分布结果和所述训练红外图像对应的高温区域识别结果，训练所述待训练的高温区域识别模型，得到训练后的高温区域识别模型。4.根据权利要求3所述的方法，其特征在于，所述确定训练红外图像的高温区域分布结果，包括：对所述训练红外图像进行色彩空间转换，得到所述训练红外图像对应的亮度通道图像；将所述亮度通道图像中目标像素的像素值置零，得到所述亮度通道图像对应的处理后亮度图像；所述目标像素的像素值小于或等于预设像素值阈值；根据所述处理后亮度图像，确定所述训练红外图像对应的高温区域识别结果。5.根据权利要求1所述的方法，其特征在于，所述根据所述待检测红外图像的高温区域分布标识，确定针对所述待检测红外图像的线夹识别模型，包括：在所述待检测红外图像的高温区域分布标识表征所述待检测红外图像中的高温区域分布在前景的情况下，将前景高温线夹识别模型作为所述待检测红外图像对应的线夹识别模型；在所述待检测红外图像的高温区域分布标识表征所述待检测红外图像中的高温区域分布在背景的情况下，将背景高温线夹识别模型作为所述待检测红外图像对应的线夹识别模型。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述待检测红外图像进行色彩空间转换，得到所述待检测红外图像对应的色彩空间转换图像；
确定所述色彩空间转换图像的均衡后亮度参数；根据所述均衡后亮度参数，将所述色彩空间转换图像转换为预处理红外图像，将所述预处理红外图像作为新的待检测红外图像。7.根据权利要求6所述的方法，其特征在于，所述确定所述色彩空间转换图像的均衡后亮度参数，包括：根据所述色彩空间转换图像的饱和度参数和预设的饱和度缩放系数，确定所述饱和度参数对应的饱和度缩放后参数，以及，根据所述色彩空间转换图像的亮度参数和预设的亮度缩放系数，确定所述亮度参数对应的亮度缩放后参数；在所述饱和度缩放后参数小于或等于预设的饱和度缩放后参数阈值，且所述亮度缩放后参数小于或等于预设的亮度缩放后参数阈值的情况下，对所述色彩空间转换图像的亮度参数进行直方图均衡处理，得到所述色彩空间转换图像的均衡后亮度参数。8.一种红外图像线夹过热识别装置，其特征在于，所述装置包括：图像获取模块，用于获取目标输电线路的待检测红外图像；所述目标输电线路为包含线夹的输电线路；标识确定模块，用于确定所述待检测红外图像的高温区域分布标识；所述高温区域分布标识表征所述待检测红外图像中的高温区域分布在前景或背景；模型确定模块，用于根据所述待检测红外图像的高温区域分布标识，确定针对所述待检测红外图像的线夹识别模型；过热识别模块，用于将所述待检测红外图像输入至所述线夹识别模型，得到所述待检测红外图像中目标过热线夹对应的线夹位置。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种红外图像线夹过热识别方法、装置和计算机设备。所述方法包括：获取目标输电线路的待检测红外图像；确定待检测红外图像的高温区域分布标识；根据待检测红外图像的高温区域分布标识，确定针对待检测红外图像的线夹识别模型；将待检测红外图像输入至线夹识别模型，得到待检测红外图像中目标过热线夹对应的线夹位置。采用本方法能够基于输电线路红外图像中的高温区域分布情况，确定针对输电线路红外图像进行线夹过热识别所需的线夹识别模型，针对性地利用对应的线夹识别模型，确定输电线路中的过热线夹，提高电网系统中线夹发热识别结果的准确度。热识别结果的准确度。热识别结果的准确度。


技术研发人员：李鹏 黄文琦 梁凌宇 蔡卓骏 樊灵孟 吴洋 李艳飞
受保护的技术使用者：南方电网数字电网研究院有限公司
技术研发日：2023.06.27
技术公布日：2023/8/5