电力设备多源图像融合诊断方法、装置、设备和介质与流程

本申请涉计算机设备，特别是涉及一种电力设备多源图像融合诊断方法、装置、设备和介质。

背景技术：

1、随着图像识别与智能检测技术的发展，出现了多模态机器视觉检测技术，该技术能够同时采集可见光、红外热成像、紫外成像等多种模态的图像数据，从物理形态、热状态和电气放电状态等多个维度反映电力设备的运行状况，推动了电力设备检测向可视化、智能化方向升级。

2、传统技术中，电力设备检测主要依赖人工巡检或单一传感器监测手段，人工巡检依赖运维人员经验，效率低、主观性强，难以发现早期隐性故障；单一传感器监测（如仅用红外测温或紫外检测）虽可实现局部状态量化，但只能获取设备某一方面的信息，无法全面反映设备状态。

3、然而，现有多模态图像融合未解决空间配准精度低、噪声干扰大的问题，融合图像质量差，导致故障诊断的准确率和定位精度不足，无法满足电力设备精细化、智能化的故障检测需求。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高故障检测效率的电力设备多源图像融合诊断方法、装置、设备和介质。

2、第一方面，本申请提供了一种电力设备多源图像融合诊断方法，包括：

3、获取至少一种图像采集器所采集的电力设备的图像数据；

4、对电力设备的不同图像数据进行图像融合处理，得到融合图像数据；

5、基于融合图像数据中不同维度下的异常特征数据，预测电力设备产生不同故障的故障概率；

6、选取概率故障最高的故障作为电力设备所存在的设备故障。

7、在其中一个实施例中，对电力设备的不同图像数据进行图像融合处理，得到融合图像数据，包括：

8、针对每一图像数据，从图像数据中提取得到电力设备的低频子带系数和至少一个方向上的高频子带系数；低频子带系数用于表征电力设备的边缘特征；高频子带系数用于表征电力设备在边缘朝向上的视觉特征；

9、对不同图像数据中的低频子带系数进行融合处理，得到融合低频子带系数；以及，针对每一方向，从不同图像数据中选取出区域对比度最大的高频子带系数，作为相应方向上的目标高频子带系数；区域对比度用于表征电力设备在相应图像位置处的高频子带系数相对于图像背景的突出程度；

10、对融合低频子带系数和不同方向上的目标高频子带系数进行逆变换，得到融合图像数据。

11、在其中一个实施例中，对不同图像数据中的低频子带系数进行融合处理，得到融合低频子带系数，包括：

12、针对每一图像数据，获取图像数据中电力设备的边缘平滑度和边缘清晰度；

13、基于图像数据的边缘平滑度和边缘清晰度之间的乘积，确定图像数据的图像权重；

14、对不同图像数据中的低频子带系数和相应图像数据的图像权重进行加权融合，得到融合低频子带系数。

15、在其中一个实施例中，高频子带系数的区域对比度的确定过程，包括：

16、针对图像数据中电力设备的每一边缘朝向，确定边缘朝向上的各高频子带系数之间的标准差和均值；

17、基于标准差与均值之间的比值，确定边缘朝向上的高频子带系数的区域对比度。

18、在其中一个实施例中，基于融合图像数据中不同维度下的异常特征数据，预测电力设备产生不同故障的故障概率，包括：

19、获取电力设备在历史时段内不同维度下的历史异常特征数据；

20、针对每一维度，基于维度下的异常特征数据和相应维度下的历史异常特征数据之间的差异，确定电力设备在维度下的异常偏差程度；

21、基于不同维度下的异常偏差程度，预测电力设备产生不同故障的故障概率。

22、在其中一个实施例中，图像采集器包括可见光图像采集器、红外热图像采集器和紫外图像采集器。

23、第二方面，本申请还提供了一种电力设备多源图像融合诊断装置，包括：

24、获取模块，用于获取至少一种图像采集器所采集的电力设备的图像数据；

25、融合模块，用于对电力设备的不同图像数据进行图像融合处理，得到融合图像数据；

26、预测模块，用于基于融合图像数据中不同维度下的异常特征数据，预测电力设备产生不同故障的故障概率；

27、选取模块，用于选取概率故障最高的故障作为电力设备所存在的设备故障。

28、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

29、获取至少一种图像采集器所采集的电力设备的图像数据；

30、对电力设备的不同图像数据进行图像融合处理，得到融合图像数据；

31、基于融合图像数据中不同维度下的异常特征数据，预测电力设备产生不同故障的故障概率；

32、选取概率故障最高的故障作为电力设备所存在的设备故障。

33、第四方面，本申请还提供了一种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以下步骤：

34、获取至少一种图像采集器所采集的电力设备的图像数据；

35、对电力设备的不同图像数据进行图像融合处理，得到融合图像数据；

36、基于融合图像数据中不同维度下的异常特征数据，预测电力设备产生不同故障的故障概率；

37、选取概率故障最高的故障作为电力设备所存在的设备故障。

38、第五方面，本申请还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以下步骤：

39、获取至少一种图像采集器所采集的电力设备的图像数据；

40、对电力设备的不同图像数据进行图像融合处理，得到融合图像数据；

41、基于融合图像数据中不同维度下的异常特征数据，预测电力设备产生不同故障的故障概率；

42、选取概率故障最高的故障作为电力设备所存在的设备故障。

43、上述电力设备多源图像融合诊断方法、装置、设备和介质，通过获取至少一种图像采集器所采集的电力设备的图像数据，并对不同图像数据进行图像融合处理得到融合图像数据，再基于融合图像数据中不同维度下的异常特征数据预测电力设备产生不同故障的故障概率，最终选取概率最高的故障作为设备故障，能够有效突破单一模态成像的信息局限，实现可见光、红外热成像、紫外成像等多模态数据的优势互补，同时捕捉设备的物理形态、热状态和电气放电状态信息；通过非下采样剪切波变换结合低频加权融合与高频区域对比度择优融合策略，最大化保留各模态的有效特征，解决了传统融合方式特征模糊、细节丢失的问题，显著提升融合图像质量；并基于多维异常特征与历史数据的偏差程度预测故障概率，以最大隶属度原则自动判别故障类型，替代人工分析，从而大幅提升电力设备故障检测的全面性、准确率和智能化水平。

1.一种电力设备多源图像融合诊断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述电力设备的不同图像数据进行图像融合处理，得到融合图像数据，包括：

3.根据权利要求2所述的方法，其特征在于，所述对不同图像数据中的低频子带系数进行融合处理，得到融合低频子带系数，包括：

4.根据权利要求2所述的方法，其特征在于，所述高频子带系数的区域对比度的确定过程，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于融合图像数据中不同维度下的异常特征数据，预测所述电力设备产生不同故障的故障概率，包括：

6.根据权利要求1所述的方法，其特征在于，所述图像采集器包括可见光图像采集器、红外热图像采集器和紫外图像采集器。

7.一种电力设备多源图像融合诊断装置，其特征在于，所述装置包括：

8.一种计算机设备，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6中任一项所述的方法的步骤。

9.一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6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。