首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于红外与可见光图像融合的电缆火情检测研究

基于红外与可见光图像融合的电缆火情检测研究

2025-06-08 75 上传者：管理员

摘要：110kV地下管廊的电缆受火灾威胁的困扰，采用跨膜态红外与可见光图像融合的智能火情检测方法在火情发生初期可快速识别，为防止电缆火灾带来的安全隐患提供了一种有效的解决方案。因地下管廊环境复杂，识别性能会降低，针对此问题，构建两阶段训练的图像融合网络，基于CDDFuse网络架构分别提取红外与可见光特征，然后利用PLAFusion的CMDAF模块进行特征融合，确保图像的融合效果，使整体准确度达到最优。

关键词：
两阶段训练
人工监测
电缆火情识别
红外与可见光图像
跨模态融合
加入收藏

近年来,电缆附近火情频发,严重威胁到电网的安全稳定运行,但目前国内多采用人工监测输电线路[1],遇到测定位置距被测目标过远时,则会导致测量精度极差｡现提出一种基于红外与可见光进行图像定位的方法,实现火点到摄像仪距离的自动测量,相应的程序及算法也有了发展,国内外的许多研究人员都投入到了这个领域｡

我国地下管廊数量众多,其安全性长期受到威胁[2],如果在火灾发生初期能及时准确识别火源位置,将提高救援效率,降低损失｡此外,由于地下管廊的环境复杂多变,受烟雾的影响较大,仅靠视频监控系统无法及时识别,而两阶段的训练方式灵活有效,第一阶段使用自监督方式重建原始输入图像来优化网络参数,提高模型的泛化能力;第二阶段进行图像融合训练,提升网络在图像融合任务上的性能,且无需真实融合图像标签即可进行有效训练,精确度大幅提高,随着人工智能技术的发展,基于红外与可见光图像融合的电缆火情检测方法具有广阔的应用前景｡

1、两阶段训练的图像融合网络

1.1基于CDDFuse的特征提取

由于传统的多模态图像融合方法存在局限性,如CNN难以提取跨膜态特征,保留各模态的关键特征,以及全局信息处理上的不足,而CDD引入LiteTransforme(LT)和InvertibleNeturalNetworks(INN)优化了这些缺点｡CDDFuse是一种新的关联驱动特征分解融合网络,通过创新的双分支结构,实现不同模态图像的有效融合,保留各模态的关键特征,例如,红外图像的温度信息和可见光图像的细节纹理[3]｡阶段I图像特征提取网络流程如图1所示｡在第一阶段,其训练过程分为三个主要模块:

(1)Restormer_Encoder类｡为处理图像数据,通过补丁嵌入将图像转换为序列数据,再通过TransformerBlock提取特征,基础特征提取层和细节特征提取层则进一步处理提取到的特征,以获取更丰富的信息｡它首先将输入图像分成两路,一路为红外图像,一路为可见光图像,通过嵌入层进行分割和编码,再通过两个不同的路径提取基础特征和细节特征,并返回这些特征以及编码器的输出｡该结构允许模型同时捕获图像的基础结构和细节信息,这对于许多计算机视觉任务非常有用｡

(2)TransformerBlock类｡用于构建Transformer模型的基本模块,定义了TransformerBlock的基本结构,包括多头自注意力子层､前馈网络子层,每个子层前后都使用层归一化进行处理｡这种结构是Transformer模型的核心组成部分,通过堆叠多个这样的块,可以构建深度Transformer模型｡其次,定义基本的Transformer块,通过多头自注意力和前馈网络对输入进行处理,并使用层归一化和残差连接来稳定训练过程｡这种结构是Transformer模型的核心,使得模型能够处理序列数据并捕捉长距离依赖关系｡

(3)Restormer_Decoder类｡在图像处理任务中,这是一个解码器部分,因为它接收输入图像和特征作为输入,并生成一个经过处理的输出图像｡这个解码器模块使用了多头自注意力机制,这表明它可能用于需要捕捉长距离依赖的任务,如图像超分辨率或去噪｡

综上,在进行电缆火情图像特征提取时,Restormer模块用于提取跨膜态的浅层特征,为后续深层特征的提取奠定基础;而Transformer模块采用LT与INN相结合的双分支特征提取器,分别处理低频全局特征和高频局部特征,使模型能够同时捕捉到细节和全局信息,然后生成一个经过处理的图像｡

1.2基于CMDAF的图像融合

特征融合部分的核心是CMDAF方法,旨在融合可见光图像和红外图像的特征｡该方法通过对两种模态的特征差异进行处理和加权,来生成更有意义的融合特征[4]｡具体的特征融合过程如下:

(1)计算特征差异｡计算可见光图像特征与红外图像特征的差异､红外图像特征与可见光图像特征的差异,即sub_vi_ir=F_vi-F_ir､sub_ir_vi=F_ir-F_vi,差异信号代表了两种模态间的相对信息,通常红外和可见光图像的信息分布差异较大,计算该差异有助于提取独特的互补特征｡

(2)全局平均池化｡对上述差异信号分别执行全局平均池化,即通过tf.reduce_mean对sub_vi_ir和sub_ir_vi在空间维度上进行求平均,以得到全局的平均值｡

(3)计算权重｡通过对池化后的差异信号应用sigmoid激活函数,得到在每个位置的权重系数,这是一个0到1之间的加权因子,分别用来强调从可见光图像和红外图像特征中获得的差异信息｡

(4)差异信号放大｡通过将加权的红外-可见光差异信号与原始的红外图像特征相乘,得到一个强化的差异信号F_dvi,同理,通过将加权的可见光-红外差异信号与原始的可见光图像特征相乘,得到一个强化的差异信号F_dir｡

(5)生成最终的融合特征｡将放大后的红外-可见光差异信号F_dir加到可见光图像的特征上,得到融合后的可见光图像特征F_fvi;同理,将放大后的信号F_dvi加到红外图像的特征上,得到融合后的红外图像特征F_fir｡

综上,在进行图像融合时,CMDAF方法的主要思想是通过计算VI和IR图像之间的差异信号并进行加权,从而放大和强化不同模态之间的差异特征｡这种方法能够有效地融合两种图像的互补信息,生成更具代表性的特征,最终用于图像的融合,通过这种方式,CMDAF可以提高融合图像的质量,使其更具区分度和表现力｡

2、实验及结果分析

2.1数据集构建

由于电缆火灾在初期阶段通常呈现出阴燃状态,没有明火,因此其早期火灾特征较为隐蔽｡我们在专用实验室中精心设计了模拟实验,复现了地下管廊环境中的阴燃及燃烧过程,在实验过程中,我们拍摄了多组高质量的照片,这些照片构成了一个全面的数据集,用于火灾检测与分析的训练｡图2､图3是其中一组代表性的实验照片,同时也展示了电缆火灾在不同阶段的演变｡

图2模拟阴燃的图片

图3模拟燃烧的图片

2.2参数设置与评价指标选取

本文采用Pytorch作为深度学习框架,基于红外与可见光融合图像构建两阶段的训练模型,批次大小可设置为8,epoch则设置为120,总轮数模型在训练数据集上迭代120次,初始学习率设置为1×106｡在IVF测试中,选择以下6个评价指标[5]:

(1)EN(熵)｡熵是一种客观度量图像中信息量多少的评价指标｡在IVF测试中,融合后的图像如果熵值较高,意味着该图像能够保留更多的细节和信息,融合效果较好;反之,则可能丢失了部分信息｡

(2)SD(标准差)｡标准差是基于统计理论的标准偏差,反映了像素亮度变化的程度｡在IVF测试中,融合图像的标准差越大,说明在保持图像清晰度和细节方面表现越好｡

(3)MI(互信息)｡互信息是衡量两个或多个变量之间相关性的一种指标｡在IVF测试中,较高的MI值表明融合算法能够有效地整合红外和可见光图像的信息,使融合图像包含更全面､准确的信息｡

(4)SCD(结构一致性)｡结构一致性是通过比较源图像和融合图像的结构信息来评估融合质量的指标｡在IVF测试中,良好的结构一致性是融合效果的重要保证,有助于后续的目标识别､分析等应用｡

(5)VIF(视觉信息保真度)｡VIF是一种基于人类视觉感知的图像融合性能度量方法｡在IVF测试中,较高的VIF值表示融合算法能产生更自然､真实的融合图像｡

(6)SSIM(结构相似性)｡结构相似性是测量基于结构信息的图像相似度的一种方法,通过比较源图像和融合图像在亮度､对比度和结构方面的相似性来衡量它们之间的相似程度｡SSIM的取值范围为[-1,1],越接近1表示相似度越高｡以上6个评价指标结果如表1所示｡

熵为6.38,表明融合后的图像信息量较高,图像的复杂性和不确定性较大,可能包含更多细节和纹理信息;标准差为40.17,说明融合后的图像像素值变化程度较大,图像的对比度和清晰度较高,有助于更好地分辨图像中的细节;互信息值为3.1,表明源图像与融合图像间的相关性较强,融合算法能有效地整合源图像的信息,使融合后的图像能够较好地保留源图像的重要特征;视觉信息保真度为1.02,说明融合图像在视觉上与源图像非常接近,能够很好地满足人眼的观察需求,在主观视觉感知方面表现良好;结构一致性为1.67,表明融合图像与源图像在结构上保持了较高的一致性,能够准确地反映源图像中的物体结构和位置关系,有利于后续的目标识别､分析等应用;结构相似性意味着融合图像与源图像在结构上几乎完全相同,图像的质量和视觉效果非常好,能够为后续的应用提供可靠的基础｡总体而言,这些数值显示出融合后的图像在多个方面都表现出色,如信息丰富度､清晰度､结构一致性等｡

表1评价指标的测试结果

3、结语

随着人工智能与图像处理技术的深度融合,一种基于红外与可见光图像融合的电缆火情检测方法应运而生｡该方法采用先进的两阶段训练策略,巧妙地结合了红外图像的温度信息与可见光图像的细节信息｡这种两阶段训练策略不仅有效保留了火源的局部特征,还保持了图像的全局信息,从而可大幅度提高火源监测的准确性和可靠性｡与传统方法相比,这一创新技术能实时监测电缆的温度变化和可见光图像中的细节,及时发现潜在的火情隐患,同时,通过深度学习模型的优化,在复杂环境下的适应性更强,能够有效降低误报率和漏报率｡此外,该技术还具备良好的鲁棒性,即使个别传感器出现故障,也能通过多传感器互补信息,确保监测系统的正常运行｡未来,将继续探索更高效的融合技术,进一步提升图像融合质量和实际应用效果,在保障地下管廊安全方面发挥更大的作用｡

参考文献:

[1]陈杰,张伟.电缆隧道早期火情识别技术的有效性模拟技术研究[J].中国测试,2024,50(07):191-198.

[2]张小梅.城市地下综合管廊电缆舱火灾动态风险评估[D].重庆科技学院,2022.

[5]翟广辉,李娟.基于大数据分析的可见光图像融合质量评价研究[J].激光杂志,2024,45(05):121-126.

文章来源:李钰瑾,邢卉,石英琦,等.基于红外与可见光图像融合的电缆火情检测研究[J].家电维修,2025,(06):134-136.