本申请涉及深度学习领域，尤其涉及一种基于热成像的非接触式避雷器异常的检测方法及装置。
背景技术：
1、金属氧化物避雷器(mosas)已被用于保护电气设备免受大气和开关浪涌的影响，但是粉尘、盐、碱等环境污染物在金属氧化物避雷器外壳上的沉积，长期使用会导致避雷器过早失效，从而音箱电气系统的可靠性。由于盐、沙等大气污染物的沉积，mosas的外壳即mosas的外表面会受到污染，长此以往，这些污染物会在表面形成导电层。因此，可以降低mosa的表面电阻率，从而增加增加通过mosa的泄漏电流，但这会带来附加影响例如可能导致电场增强，并在mosa外壳的不同部位形成干带。同时也可以定期检查表面状况，表面污染的严重程度可以通过测量等效盐沉积密度(esdd)来直接评估。而直接测量esdd是一个非常复杂的过程，需要耗费大量的精力和时间。
2、如何准确检测金属氧化物避雷器表面的污染程度是需要解决的问题。
技术实现思路
1、本申请提供了一种基于热成像的非接触式避雷器异常的检测方法及装置，用于准确检测金属氧化物避雷器表面的污染程度。
2、本申请第一方面提供了一种基于热成像的非接触式避雷器异常的检测方法，包括：
3、通过红外热成像仪采集不同污染程度下的金属氧化物避雷器的红外热图像；
4、获取所述红外热图像的不同的颜色区域；
5、根据所述颜色区域通过信息聚类生成超像素区域及特征像素；
6、根据所述特征像素从所述超像素区域提取局部区域的聚类特征；
7、通过目标模型提取所述红外热图像的深度特征；
8、将所述局部区域的聚类特征及所述深度特征结合送入分类器，生成所述金属氧化物避雷器的污染程度分类，并根据所述污染程度分类生成分类效果图。
9、可选地，在所述通过红外热成像仪采集不同污染程度下的金属氧化物避雷器的红外热图像之前，所述检测方法还包括：
10、安装目标框架，导入目标源码及预训练好的目标模型的模型参数；
11、进行基于所述目标模型的推理加速处理和运算类型的优化加速处理。
12、可选地，在所述将所述局部区域的聚类特征及所述深度特征结合送入分类器，生成所述金属氧化物避雷器的污染程度分类，并根据污染程度分类生成分类效果图之后，所述方法还包括：
13、将所述分类效果图输出至显示模块并上传至云端服务器。
14、可选地，所述根据所述颜色区域通过信息聚类生成超像素区域及特征像素包括：
15、根据所述颜色区域通过信息聚类采用简单线性迭代聚类算法生成超像素区域及特征像素。
16、可选地，所述目标模型为resnet50，包括49个卷积层及一个全连接层。
17、可选地，污染程度包括：非常低、低、正常、高、非常高五类。
18、本申请第二方面提供了一种基于热成像的非接触式避雷器异常的检测装置，包括：
19、图像采集单元，用于通过红外热成像仪采集不同污染程度下的金属氧化物避雷器的红外热图像；
20、获取单元，用于获取所述红外热图像的不同的颜色区域；
21、第一生成单元，用于根据所述颜色区域通过信息聚类生成超像素区域及特征像素；
22、第一提取单元，用于根据所述特征像素从所述超像素区域提取局部区域的聚类特征；
23、第二提取单元，用于通过目标模型提取所述红外热图像的深度特征；
24、第二生成单元，用于将所述局部区域的聚类特征及所述深度特征结合送入分类器，生成所述金属氧化物避雷器的污染程度分类，并根据污染程度分类生成分类效果图。
25、可选地，所述检测装置还包括：
26、算法部署单元，用于安装目标框架，导入目标源码及预训练好的目标模型的参数；
27、加速单元，用于进行基于目标模型的推理加速处理和运算类型的优化加速处理。
28、可选地，所述检测装置还包括：
29、输出上传单元，用于将所述分类效果图输出至显示模块并上传至云端服务器。
30、可选地，所述第一生成单元具体用于：
31、根据所述颜色区域通过信息聚类采用简单线性迭代聚类算法生成超像素区域及特征像素。
32、本申请第三方面提供了一种基于热成像的非接触式避雷器异常的检测装置，所述检测装置包括：
33、处理器、存储器、输入输出单元以及总线；
34、所述处理器与所述存储器、所述输入输出单元以及所述总线相连；
35、所述存储器保存有程序，所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的一种基于热成像的非接触式避雷器异常的检测方法。
36、本申请第四方面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上保存有程序，所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的一种基于热成像的非接触式避雷器异常的检测方法。
37、从以上技术方案可以看出，本申请具有以下优点：采集不同污染程度下的金属氧化物避雷器的红外热图像，并获取红外热图像的不同的颜色区域，通过信息聚类生成超像素区域及特征像素，根据特征像素从超像素区域提取局部区域的聚类特征，并通过目标模型提取红外热图像的深度特征，将局部区域的聚类特征及深度特征结合送入分类器，生成金属氧化物避雷器的污染程度分类，本申请将基于超像素的颜色特征与目标模型提取的深度特征结合使用，可以准确检测金属氧化物避雷器表面的污染程度，并且计算复杂度较低，精准度较高，具有很强的实用性。
1.一种基于热成像的非接触式避雷器异常的检测方法，其特征在于，所述检测方法包括：
2.根据权利要求1所述的检测方法，其特征在于，在所述通过红外热成像仪采集不同污染程度下的金属氧化物避雷器的红外热图像之前，所述检测方法还包括：
3.根据权利要求1所述的检测方法，其特征在于，在所述将所述局部区域的聚类特征及所述深度特征结合送入分类器，生成所述金属氧化物避雷器的污染程度分类，并根据污染程度分类生成分类效果图之后，所述方法还包括：
4.根据权利要求1所述的检测方法，其特征在于，所述根据所述颜色区域通过信息聚类生成超像素区域及特征像素包括：
5.根据权利要求1至4中任一项所述的检测方法，其特征在于，所述目标模型为resnet50，包括49个卷积层及一个全连接层。
6.根据权利要求1至4中任一项所述的检测方法，其特征在于，污染程度包括：非常低、低、正常、高、非常高五类。
7.一种基于热成像的非接触式避雷器异常的检测装置，其特征在于，所述检测装置包括：
8.根据权利要求7所述的基于热成像的非接触式避雷器异常的检测装置，其特征在于，所述检测装置还包括：
9.一种基于热成像的非接触式避雷器异常的检测装置，其特征在于，所述检测装置包括：
10.一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行如权利要求1至6中任一项所述方法。
