引言

计算机技术最初作为一种现代成果，主要用于日常工作处理和数据处理，但随着新时代社会发展水平的不断提高，计算机技术在许多领域具有很强的应用价值，特别是依靠专家系统和神经网络，创造了一系列计算机技术衍生成果，可以取代人脑进行数据分析和信息处理。视觉传达系统是模仿人眼获取事物的一系列生理逻辑，并将其转移到计算机系统中，以创建一系列模拟和智能的信息处理系统。进一步提高计算机图形图像处理的质量，不仅可以增强视觉传达系统的功能，而且可以为不同领域的发展需求提供参考。

计算机图像处理技术简介

计算机科学是一门综合性、系统性的科学知识，图像处理技术是其重要组成部分。计算机硬件性能和计算机技术的快速发展为图像处理技术的进步奠定了有利条件。计算机与图像处理技术逐渐演变为相辅相成、相互促进的内在关系。

从感官影响的角度来看，图像可以缩短操作人员和计算机系统之间的关系，人们可以通过图像获得他们想要的各种信息，因此图像质量的有效保存和恢复已成为早期图像处理技术的一个限制点。计算机图像处理技术可以有效地提高图像呈现水平，将原始质量差的图像转化为精度更高、形式多样的图像。因此，它在军事工程、航空航天和制药工程领域得到了迅速的应用和发展，传统图像精度差、质量不足的问题发生了变化，大量高精度图像信息的出现也极大地促进了这些领域的升级和改革。

随着计算机硬件技术和人工智能技术的逐步完善和全面发展，图像处理技术的演变也成为可能。人工智能技术与计算机图像处理技术的结合，可以形成仿生结构的可视化机器人。这些机械工具可以在指定场景下快速完成各种图像信息获取任务，分析处理相关信息资源。此外，数字图像处理技术在算法层面发展迅速，相关图像的详细处理也变得更加高效。它在动画、电影、地理信息、医疗、办公自动化、工业产品设计等领域都有应用。

2热图像处理技术电力设备温度监测研究

2.1基于神经网络识别红外图像

神经网络方法是在认知科学和神经心理学的基础上建立起来的。强大的计算能力和学习能力可以显著降低故障处理的错误概率。电力设备采用这种故障诊断措施，操作方便，对外部条件适应性强，实际推广应用前景广阔。

基于深度神经网络的电力设备故障检测方法包括收集红外图，构建标准化图数据库；收集的红外图包括测试红外图和建模红外图；建立多层深神经网络，对标准化图数据库中的测试红外图进行分类；建立目标检测框架RCNN，对分类测试红外图进行设备分区；根据红外图缺陷分析标准，设置分区内的温度预警规则；根据温度预警规则，得出设备安全分析结论并实现预警。构建标准化图数据库的过程是：分析收集的红外图，选择表示图像的目标特征，定义红外图中的设备表示类型，构建标准化图数据库。在构建标准化图数据库之前，根据视觉和相关背景对收集的红外图进行过滤。

采用神经网络法可以确定电力故障的监测结果，便于制定有针对性的维护方案。如果故障的性质不确定，神经网络法也会给出更好的处理方案。这种诊断方法可以大大提高电力设备故障诊断的效率和准确性。

2.2温度数据采集

为了验证提出的方法，使用商用RDTS模型APSensingN485B对200m光缆进行温度测量，纤芯直径为500米μm、包层直径为125μm的多模阶跃折射率光纤。实验中使用的RDTS单元配备了1m的空间分辨率、1min的采集时间、15cm的空间采样间隔和0.04℃的温度分辨率。实验还得到了不同光纤长度和时间的温度分布，每个实验持续100min。在热浴池上固定一个特殊的不锈钢盖，以便在热浴池内外环境之间提供更好的隔热。中心的一个小孔允许光纤穿过盖子，环境温度严格控制在22℃。

2.3采用K-means聚类算法对颜色进行分类

K-means聚类算法是一种典型的基于划分的聚类算法，也是一种无监督的学习方法。K-means聚类算法简单，搜索力强，适用于数据量大的处理，广泛应用于数据挖掘和图像处理领域。对于光伏组件的红外热图像，当组件出现热点效应时，热点区域周围没有亮度相似的区域，热点红外图像噪声较小。因此，K-means聚类算法非常适合处理此类问题。K-means聚类算法的想法很简单，对于给定的样本集，用欧几里得距离（EuclideanDistance）作为衡量数据对象之间相似度的指标，相似度与数据对象之间的距离成反比。相似度越大，距离越小。K-means聚类算法的具体步骤如下：

(1)从数据样本中选择K个点作为初始聚类中心；

（2）计算每个样本与聚类之间的距离，将样本归类为离聚类中心最近的类；

（3）计算新形成的每个聚类数据对象的平均值，以获得新的聚类中心；

（4）重复上述步骤，直到相邻的两个聚类中心没有任何变化，表明样本调整结束，聚类标准函数达到最佳。

因此，对于组件红外热图像K-means聚类，首先随机选择图像中的三个像素点，根据它们与每个集群中心的欧几里得之间的距离赋予它们最近的集群，然后重新计算每个集群的平均值。重复这个过程，直到目标函数收敛。然后用K-means聚类结果标记热图像中的每个像素，输入中的每个对象，K-means聚类返回对应于该簇的索引。然后用像素标签将物体按颜色分成三个不同的热图像。

结语

本文提出了一种基于热图像处理技术的电力设备温度监测方法，其分布式测量能力可以在几十公里电缆沿线的几个点上绘制温度图。根据数据的时间连续性，依次堆叠温度曲线创建热图像，引入温度误差值进行修正，证明了提到的方法的实用性。得出以下结论：

1)基于多级阈值的图像分割技术，得到RDTS设备测量热点的温度误差值，结合其与热点大小的关系函数进行校正，可实现3cm-15m内的热点检测和校正，校正偏差仅为1.78%;

2)提出的方法可以避免RTDS设备的局限性，准确有效地解决小空间维度区域的小温度变化问题，使RTDS设备能够用于小于RDTS设备空间分辨率的区域的温度监测，大大提高RTDS设备的适用性。同时，该技术的覆盖范围不仅限于RDTS系统，还可用于测量振动、压力、液位等参数的光纤传感器。