[发明专利]一种变电设备缺陷图像匹配方法

说明书

本发明涉及一种变电设备缺陷图像匹配方法，与现有技术相比解决了难以有效对变电设备缺陷图像进行匹配的缺陷。本发明包括以下步骤：变电站设备正常图像数据集的获取；变电站设备缺陷图像数据集的获取；构建缺陷图像匹配网络；缺陷图像匹配网络的训练；待匹配图像的获取；变电设备缺陷图像匹配结果的获得。本发明能够充分利用所有卷积层的尺度特征，并在多尺度特征映射图基础上构造关键点检测器与描述器，设计新的图像匹配与检测学习函数，最终实现变电设备缺陷图像的快速准确匹配。

技术领域

本发明涉及变电设备技术领域，具体来说是一种变电设备缺陷图像匹配方法。

背景技术

准确分析与理解图像之间的相关性是计算机视觉领域极具挑战性的一项任务，图像匹配是其中重要的分支，在图像检索、识别与视频分析中均有重要应用。图像匹配的核心问题是将图像中出现同一目标区域在不同分辨率、不同光照、不同位姿情况下所成的像相对应。一般而言，一个典型基于特征的图像匹配与检测框架包括两个主要部分：一是检测图像中关键点，即关键点检测器；二是关键点附加详细的尺度、方向等信息描述，也就是所谓的描述器。

SIFT、SURF等特征提取方法在计算机视觉中起着至关重要的作用，也成为图像匹配的标准。时至今日SIFT、SURF等在众多计算机视觉应用场景中仍然有着重要的应用。近些年，基于计算机视觉技术在变电站设备监测维护中得到了广泛应用。

程攀提出一种基于灰度图编码的变压器进行检测与识别方法。所提方法首先将图像划分N个大小相关的子图像块，然后对每个子图像块进行灰度图编码，最后通过模板匹配算法计算相似度，该方法减少了密集模板匹配过程中的计算量，同时提高了变电站设备识别与定位的准确率。文献中也有提出一种基于SIFT与图像的稀疏表示相结合的特征表示算法，并应用到变电站设备的检测与识别中。首先对变电站设备图像的SIFT进行特征提取；其次，采用 K-means聚类方法实现特征聚类。接下来应用BOF(Bag-of-Features)进行特征的稀疏编码；最后将稀疏编码作为特征输入SVM分类器进行特征学习，实现对变电站设备图像的检测与识别。针对变电站绝缘子设备故障的智能化诊断，姚楠等利用激光扫描进行图像获取，后采用图像分割、信息增强以及直方图等融合方法实现对变电站设备绝缘子破裂裂纹进行检测，仿真试验表明所提方法对变电站绝缘子破裂的检测与识别有着较好的效果。

SIFT、SURF等这类人工构造的特征提取方法，通常利用人类先验知识来建立特征提取模型，它主要针对某一特定任务场景设计，往往无法适应复杂自然场景，且计算复杂度高，无法应用到实时变电站设备缺陷图像的快速匹配与检测。

为了提高传统特征检测算法计算速度，有文献提出ORB(Oriented FAST andRotated BRIEF)，一种快速特征点提取和描述的算法。通过构造空间金字塔特征提取，并将一定半径内像素的质心作为描述子的坐标系，使得特征描述具有尺度和旋转不变性。实验结果表明，ORB算法的速度是SIFT的100 倍，是SURF的10倍。为了减轻光照、变形等因素带来的图像匹配难度，有技术从数据增强角度出发，提出一种新的图像增强方法，在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，可以对各种不同类型的图像进行自适应的增强。进一步，从图像模板匹配角度出发，提出新的一类图像模板匹配方法，在不同的应用图像数据集上获得了令人满意的实验结果。

与传统方法在特征提取方法上所不同的是，深度学习技术的大力发展，基于卷积神经网络特征学习与提取方式逐步取代了传统人工设计特征的过程，同时特征学习能够端到端的训练，计算效率高，可移植性好。现有基于卷积神经网络的图像匹配方法大多数聚焦在对描述器的设计与构造上。Wang 等人联合应用孪生网络和Deepcompare学习图像间非线性距离矩阵，实现特征匹配。LIFT第一个尝试通过可微运算方式将检测器、方向估计器和描述器三个部分组合起来，训练一个端到端的图像匹配网络。SuperPoint训练一个由共享的特征编码器和两个解码器组成全卷积的神经网络，分别用于特征检测和描述，最后联合两个学习的编码器实现图像匹配与检测。