絕緣子的故障會導致表面溫度升高，從而導致局部區域高溫。此，精確識別絕緣體的高溫區域是檢測缺陷的有效手段。出了一種基于灰度共生矩陣的絕緣子高溫特性提取方法。割紅外圖像后，將提取紋理特征，并選擇能量，熵，慣性矩和相關性作為特征值。試結果驗證了該方法的準確性，可作為高溫絕緣子區域識別的參考。于隔離器故障檢測的問題，中國對零值識別模型進行了大量研究。

　　世磊和他的合作者提出了一種將相對溫度特性和BP神經網絡相結合的方法：使用單向ANOVA方法過濾對模型結果有重大影響的特征參數。試結果表明該模型是有效的，對以后的研究是有用的[1]。
　　巖和他的合作者提出了一種邏輯回歸分析方法，該方法可以從13個紋理特征中過濾模型輸入，然后結合污染水平確定零值[2]。是，關于高溫絕緣子檢測的研究相對較少，僅討論異常發熱現象，沒有系統的識別方法或抑制熱量的措施。而，考慮到各種類型的缺陷，除了零值現象外，其他根本原因也會引起熱量，因此迫切需要一種用于識別高溫絕緣子的方法。緣子表面溫度的升高與電壓的分布密切相關，而正常電壓的分布所引起的損壞會引起局部溫度異常[3]。外圖像是基于RGB顏色空間的彩色圖像。了減少數據量并提高計算速度，根據等式（1）將RGB彩色圖像轉換為灰度圖像[4]。）以減少數據的大小。公式中，電纜灰度是灰度轉換后每個像素的灰度值，R，G和B分別是紅色，綠色和藍色分量的值。
　　了在紅外圖像中準確識別絕緣子的高溫區域，提取高溫特性至關重要。擇一個合適的初始閾值，并將其替換為迭代公式，以獲取新的閾值。果兩者之間的差異不在誤差范圍內，則重新計算新閾值。

　　閾值更新為遵循以下兩點：第一次迭代的結果應快速收斂，第二次是每次迭代之后，新閾值的分割精度大于舊閾值的分割精度，直到滿足要求。算法的步驟如下。S1：讓我們采用初始閾值，通常使用灰度值的中位數。
　　緣子的高溫區域與正常區域的溫度差較大，并顯示為圖像中兩個亮度值明顯對比的區域。此，將雙方的邊界信息用作分類和識別的參數。本文中，使用灰度共生矩陣對邊界信息的敏感性來從絕緣子中提取紅外圖像的紋理。了減小輸入數據之間的數值差異，本文檔統一選擇上述四個特性的標準偏差，并對幾個紅外樣品進行實驗（提取結果示例請參見表1）。
　　文利用灰度共生矩陣和紋理特征研究了絕緣子紅外圖像中高溫區域的特征。

　　代閾值選擇方法用于確定適當的閾值。割區域中的每個像素由灰度共生矩陣描述。
　　量，熵，電纜慣性矩和相關性被計算為紋理特征值。
　　幾種紅外樣品進行的實驗表明，該方法能夠反映高溫絕緣子的特性，證明其準確性和可靠性，也可為高溫絕緣子中異常高溫絕緣子的識別提供參考。食系統。
　　本文轉載自
　　電纜 http://www.sup95.com