CN104331521B - 基于图像处理的变电设备异常自动识别方法 - Google Patents
基于图像处理的变电设备异常自动识别方法 Download PDFInfo
- Publication number
- CN104331521B CN104331521B CN201410710363.4A CN201410710363A CN104331521B CN 104331521 B CN104331521 B CN 104331521B CN 201410710363 A CN201410710363 A CN 201410710363A CN 104331521 B CN104331521 B CN 104331521B
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- msub
- pixel
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000007547 defect Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000013021 overheating Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于图像处理的变电设备异常自动识别方法，包括：建立变电站设备红外图像数据库；采集变电站设备红外测温影像数据，并对所述变电设备影像数据进行预处理；将所述图像的像素点进行分类；形成二值图像；根据识别出的变电站设备二值图像信息，根据红外图像数据库信息判定故障类型。本发明有意效果：可实现红外测温数据的自动分析，减少人工投入，有利于变电设备运检自动化水平的提高。可依据红外测温数据的分析快速诊断出设备的各类外部过热缺陷，以及设备内部可能存在的各种缺陷，促进了故障诊断方法向智能化方向发展。
Description
技术领域
本发明涉及变电设备故障处理领域，尤其涉及一种基于图像处理的变电设备异常自动识别方法。
背景技术
近几年来我国电力网络规模的不断扩大，并且这种增长趋势在未来几年内仍将继续。为了提高电力***生产的自动化水平，电力***正在大力建设无人值守变电站。许多变电站在遥测、遥信、遥控、遥调的基础上增加了“遥视”功能，实现了电力***各种重要参数、设备和场所的监测，尤其是通过图像、声音对电力设备的运行情况进行了采集和远距离传送。如主控制室、高压室、断电器、隔离刀闸、室外场地等重要场所和设备的实时可视化监测。
将视频图像引入电力设备运行状态的远程监视中带来了巨大的技术进步，但现有的视频监控***只有视频监控功能和录像功能，不能对监控目标进行智能化的主动识别分析。仅仅是将大量的图像传输到调度端，需要操作员时刻观察分析图像，无形中增加了操作员的工作负担。同时，人眼难以分辨细微图像的灰度变化，难以客观判断电力设备表面缺陷的程度。另外，人眼易疲劳的弱点和人工判断的主观性，严重影响了电力设备运行状态监测自动化程度的进一步提高。
发明内容
本发明的目的就是为了解决上述技术问题，提供了一种基于图像处理的变电设备异常自动识别方法，该方法基于红外测温影像采集信息，通过对影像信息进行识别与分析，判断变电设备的运行情况，进而发现设备存在的故障及其故障隐患。
为了实现上述目的，本发明采用如下技术方案：
一种基于图像处理的变电设备异常自动识别方法，包括以下步骤：
(1)根据监测的变电站红外图像历史数据，建立变电站设备红外图像数据库；
(2)采集变电站设备红外测温影像数据，并对所述变电设备红外图像数据进行预处理；
(3)利用预处理后的图像中像素点在灰度特性上的差异，通过设定不同的特征阈值，将所述图像的像素点进行分类；
(4)确定预处理后的图像中每个像素点是属于目标还是属于背景，从而形成二值图像；
(5)根据识别出的变电站设备二值图像信息，在变电站设备红外图像数据库中搜索步骤(4)中图像的所有信息，并根据红外图像数据库信息判定故障类型。
所述步骤(1)中红外图像数据库中包含每一个红外图像所代表的设备名称、该设备运行正常时设备的平均温度、目前该设备的最高温度以及环境温度、红外图像类型以及故障类型。
所述步骤(2)中对所述变电设备影像数据进行预处理的方法为：
采用中值滤波法对原始红外图像进行去噪处理，
对彩色图像进行灰度化处理,将输入的彩色图像转化为灰度图像：一幅RGB图像就是彩色像素的一个数组,其中每一个彩色像素点都是在设定空间位置的彩色图像相对应的红、绿、蓝三分量；RGB模型为图像中每一个像素的RGB分量分配一个0至255范围内的灰度值，将三个分量以不同的权值进行加权平均从而得到对应点的灰度值；
采用中值滤波法对原始红外图像进行去噪处理：对待处理的当前像素点(x,y)，选择一个滑动滤波窗口，该窗口由其近邻的若干像素组成，对窗口中所有像素做大小排序，再把该序列的中值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度g(x,y)。
所述步骤(3)中将所述图像的像素点进行分类的具体方法为：
将第k帧和k+1帧图像fk(x，y)，fk+l(x，y)之间的变化用一个二值差分图像D(x，y)表示：
其中，T为差分二值化阈值。
所述差分二值化阈值T采用最大类间方差法确定：
设图像灰度级范围为H，各灰度级出现的概率为Pi，阈值t将图像像素分成2类C1和C2，两类的平均灰度为
其中ω2＝1-ω1，分别代表两类出现的概率，代表图像总的灰度均值；
则两类之间的方差为：
γ2(t)＝ω1(ρ1-ρ)2+ω2(ρ2-ρ)2，
使γ2(t)最大的t即为最佳差分二值化阈值T。
所述步骤(5)的具体方法为：
将当前红外图像信息与变电站设备红外图像数据库进行匹配，通过皮尔逊相关系数法计算当前红外图像处理后的二值化信息与库中的二值化信息之间的相关关系r，当r达到设定值时,判定当前红外测温图像与故障库中某故障信息匹配；通过模板匹配的方法找到与图像匹配的目标故障。
本发明有益效果：
1.本发明可实现红外测温数据的自动分析，减少人工投入，有利于变电设备运检自动化水平的提高。
2.本发明可依据红外测温数据的分析快速诊断出设备的各类外部过热缺陷，以及设备内部可能存在的各种缺陷，促进了故障诊断方法向智能化方向发展。
3.本发明技术的应用可及时而有效地发现和诊断运行中设备的事故隐患和故障先兆，以利于采用合理、可靠的处理措施，降低设备因过热缺陷而造成的能量损失和浪费，减少或避免设备因过热而引发的突发性设备事故。
附图说明
图1为本发明基于图像处理的变电设备异常自动识别方法的流程图；
图2(a)为变电站设备原始红外图像；
图2(b)为变电站设备经中值滤波后的红外图像；
图3(a)为原始红外图像；
图3(b)为识别出的红外故障点图像。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明基于图像处理与识别技术，研究背景复杂变电站图像的分析和电力设备运行故障的判别方法，实现自动推送变电设备异常信息。具体过程如图1所示，包括以下步骤：
(1)根据监测的变电站红外图像历史数据，建立变电站设备红外图像数据库；基于变电设备红外图像故障特征的提取，建立设备红外图像数据库，记录红外图像所代表的设备名称，该设备运行正常时设备平均温度，目前该设备最高温度及环境温度，图像类型和故障类型。
基于红外图像数据，人工建立变电设备故障特征信息库，提取的主要信息是设备名称，故障类型，故障点温升，以及故障时刻设备运行状态信息，同时将该故障下的红外测温图像处理后得到的二值图像作为一个向量存入数据库中。
(2)采集变电站设备红外测温影像数据，并对所述变电设备影像数据进行预处理；
由于所处理的红外图像是彩色图像,为了应用于后续的处理过程首先需要对彩色图像进行灰度化处理,将输入的彩色图像转化为灰度图像。红外图像为RGB(代表红绿蓝)模式,一幅RGB图像就是彩色像素的一个数组,其中每一个彩色像素点都是在特定空间位置的彩色图像相对应的红、绿、蓝三分量。RGB模型为图像中每一个像素的RGB分量分配一个0至255范围内的灰度值，本发明将三个分量以不同的权值进行加权平均从而回去对应点的灰度值。gray＝0.3*R+0.6*G+0.1*B
中值滤波的滤波方法是对滑动滤波窗口内的像素做大小排序,滤波结果的输出像素值规定为序列的中值。对待处理的当前像素点(x,y)，选择一个滑动滤波窗口，该窗口由其近邻的若干像素组成，对窗口中所有像素做大小排序，再把该序列的中值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度g(x,y)，以此类推。常用的二维中值滤波窗口有线形、方形、圆形、十字形及圆环形等,窗口尺寸一般选为3x3,也可以根据滤波效果逐渐增大尺寸,直到获得满意的滤波效果。
原始视频图像的内部噪声主要以高斯噪声和椒盐噪声为主需要对其进行去噪处理。中值滤波是一种去除噪声的非线性处理方法，在某些条件下既可去除噪声又可保护图像细节和边缘，图像显示效果较好，图2(a)和图2(b)为原始红外图像与中值滤波后的红外图像对比示意图。
中值滤波器的数学表达式：
针对一维序列，中值滤波器是一个含奇数个像素的滑动窗口，窗口中央的像素值用窗口各像素值的中值来代替。
输入序列为{zi},窗口长度设为a，对此序列进行中值滤波，其中zi为窗口的中心值，将该序列值按大小排列，取中间值输出，即为yi＝Med{zi-d，…，zi，…zi+d}。
(3)利用预处理后的图像中像素点在灰度特性上的差异，通过设定不同的特征阈值，将所述图像的像素点进行分类；
(4)确定预处理后的图像中每个像素点是属于目标还是属于背景，从而形成二值图像；
红外图像是根据目标和背景的温度分布而得到，但由于受恶劣环境的影响、各种噪声干扰、目标和周围场景的热交换、空气对热辐射的散射和吸收作用，红外图像具有对比度较低，噪音大，图像模糊等特点。本发明基于预处理后的红外图像，利用图像中要提取的目标和背景在灰度特性上的差异，通过设定不同的特征阈值，实现图像像素点的分类，确定图像中每个像素点是属于目标还是属于背景，从而形成二值图像。
将第k帧和k+1帧图像fk(x，y)，fk+l(x，y)之间的变化用一个二值差分图像D(x，y)表示：
T为差分二值化阈值。
差分二值化阈值T采用最大类间方差发来确定，它是在最小二乘法原理的基础上得到的，通过2类间方差最大来确定最佳阈值。计算方法：设图像灰度级范围为H，各灰度级出现的概率为Pi，阈值t将图像像素分成2类C1和C2，两类的平均灰度为 其中ω2＝1-ω1，
则两类之间的方差为：γ2(t)＝ω1(ρ1-ρ)2+ω2(ρ2-ρ)2，使γ2(t)最大的t即为所求最佳阈值。
(5)根据识别出的变电站设备特征信息，在变电站设备红外图像数据库中搜索步骤(4)中图像的所有信息，并与根据红外图像数据库信息判定故障类型；
图3(a)和图3(b)为原始红外图像与识别出的红外故障点图像对比示意图。
基于红外图像数据，人工的建立变电设备故障特征信息库，提取的主要信息是设备名称，故障类型，故障点温升，以及故障时刻设备运行状态信息，同时将该故障下的红外测温图像处理后得到的二值图像作为一个向量存入数据库中。
判断即是根据通过当前红外图像信息来检索故障案例库，找出匹配的信息，通过皮尔逊相关系数法计算当前红外图像处理后的二值化信息与库中的二值化信息之间的相关关系r，当r达到一定值时(0.75),可判定当前红外测温图像与故障库中某故障信息匹配。通过模板匹配的方法找到与图像匹配的目标故障。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (1)
1.一种基于图像处理的变电设备异常自动识别方法，其特征是，包括以下步骤：
(1)根据监测的变电站红外图像历史数据，建立变电站设备红外图像数据库；
(2)采集变电站设备红外测温影像数据，并对所述变电设备红外图像数据进行预处理；
(3)利用预处理后的图像中像素点在灰度特性上的差异，通过设定不同的特征阈值，将所述图像的像素点进行分类；
(4)确定预处理后的图像中每个像素点是属于目标还是属于背景，从而形成二值图像；
(5)根据识别出的变电站设备二值图像信息，在变电站设备红外图像数据库中搜索步骤(4)中图像的所有信息，并根据红外图像数据库信息判定故障类型；
所述步骤(1)中红外图像数据库中包含每一个红外图像所代表的设备名称、该设备运行正常时设备的平均温度、目前该设备的最高温度以及环境温度、红外图像类型以及故障类型；
所述步骤(2)中对所述变电设备影像数据进行预处理的方法为：
采用中值滤波法对原始红外图像进行去噪处理，
对彩色图像进行灰度化处理,将输入的彩色图像转化为灰度图像：一幅RGB图像就是彩色像素的一个数组,其中每一个彩色像素点都是在设定空间位置的彩色图像相对应的红、绿、蓝三分量；RGB模型为图像中每一个像素的RGB分量分配一个0至255范围内的灰度值，将三个分量以不同的权值进行加权平均从而得到对应点的灰度值；
采用中值滤波法对原始红外图像进行去噪处理：对待处理的当前像素点(x,y)，选择一个滑动滤波窗口，该窗口由其近邻的若干像素组成，对窗口中所有像素做大小排序，再把该序列的中值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度g(x,y)；
所述步骤(3)中将所述图像的像素点进行分类的具体方法为：
将第k帧和k+1帧图像fk(x，y)，fk+l(x，y)之间的变化用一个二值差分图像D(x，y)表示：
其中，T为差分二值化阈值；
所述差分二值化阈值T采用最大类间方差法确定：
设图像灰度级范围为H，各灰度级出现的概率为Pi，阈值t将图像像素分成2类C1和C2，两类的平均灰度为
<mrow>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>t</mi>
</msubsup>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>&rho;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>H</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>iP</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
</mrow>
其中ω2＝1-ω1，分别代表两类出现的概率，代表图像总的灰度均值；
则两类之间的方差为：
γ2(t)＝ω1(ρ1-ρ)2+ω2(ρ2-ρ)2,
使γ2(t)最大的t即为最佳差分二值化阈值T；
所述步骤(5)的具体方法为：
将当前红外图像信息与变电站设备红外图像数据库进行匹配，通过皮尔逊相关系数法计算当前红外图像处理后的二值化信息与库中的二值化信息之间的相关关系r，当r达到设定值时,判定当前红外测温图像与故障库中某故障信息匹配；通过模板匹配的方法找到与图像匹配的目标故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410710363.4A CN104331521B (zh) | 2014-11-27 | 2014-11-27 | 基于图像处理的变电设备异常自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410710363.4A CN104331521B (zh) | 2014-11-27 | 2014-11-27 | 基于图像处理的变电设备异常自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104331521A CN104331521A (zh) | 2015-02-04 |
| CN104331521B true CN104331521B (zh) | 2017-10-31 |
Family
ID=52406248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410710363.4A Expired - Fee Related CN104331521B (zh) | 2014-11-27 | 2014-11-27 | 基于图像处理的变电设备异常自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104331521B (zh) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104401835B (zh) * | 2014-11-25 | 2016-10-05 | 沈阳建筑大学 | 一种电梯曳引机温升故障实时检测方法 |
| CN105760827A (zh) * | 2016-02-04 | 2016-07-13 | 四川长虹电器股份有限公司 | 智能识别睡姿的空调***及图像处理方法 |
| CN106548211A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于红外图像的变电站测温点自动识别方法和装置 |
| CN106774054A (zh) * | 2016-11-25 | 2017-05-31 | 国网技术学院 | 基于复杂非结构化数据识别的gis设备分析***及方法 |
| CN106647569A (zh) * | 2016-12-09 | 2017-05-10 | 国网北京市电力公司 | 智能巡检机器人和方法 |
| CN106846304B (zh) * | 2017-01-03 | 2020-08-04 | 中国特种设备检测研究院 | 基于红外检测的电气设备检测方法及装置 |
| CN106951863B (zh) * | 2017-03-20 | 2023-09-26 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的变电站设备红外图像变化检测方法 |
| CN107392886A (zh) * | 2017-06-14 | 2017-11-24 | 国网山东省电力公司菏泽供电公司 | 一种电力设备图像处理方法 |
| CN107590545B (zh) * | 2017-09-13 | 2021-05-28 | 国家电网公司 | 变电设备缺陷处理方法及终端设备 |
| CN107818369A (zh) * | 2017-09-13 | 2018-03-20 | 国家电网公司 | 变电设备故障处理方法及终端设备 |
| CN108305346A (zh) * | 2017-12-28 | 2018-07-20 | 国网上海市电力公司 | 设备巡检方法、装置 |
| CN109443538A (zh) * | 2018-02-05 | 2019-03-08 | 国网浙江省电力公司丽水供电公司 | 一种变电站电缆温升智能分析***及方法 |
| CN108335294A (zh) * | 2018-02-05 | 2018-07-27 | 贵州电网有限责任公司 | 复杂条件下的配电房异常状态图像识别方法 |
| CN108520567A (zh) * | 2018-03-26 | 2018-09-11 | 云南电网有限责任公司丽江供电局 | 一种依靠拍摄设备运行图像识别的辅助巡检方法 |
| CN108983311B (zh) * | 2018-05-24 | 2020-08-11 | 何山 | 安检用x射线发生器的故障诊断***及方法 |
| CN109145134A (zh) * | 2018-07-27 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种检测设备故障的方法及装置 |
| CN109784336A (zh) * | 2019-01-30 | 2019-05-21 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo目标检测算法的红外图像故障点识别方法 |
| CN110319937A (zh) * | 2019-05-21 | 2019-10-11 | 广州供电局有限公司 | 红外测温图像处理方法、装置、计算机设备和存储介质 |
| CN110567964B (zh) * | 2019-07-19 | 2022-07-05 | 华瑞新智科技（北京）有限公司 | 一种检测变电设备缺陷的方法、装置及存储介质 |
| CN110705062A (zh) * | 2019-09-20 | 2020-01-17 | 苏州智博汇能电子科技股份有限公司 | 基于5g的机柜能耗远程统计计量方法 |
| CN111798412B (zh) * | 2020-06-04 | 2024-02-09 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及*** |
| CN111967349A (zh) * | 2020-07-30 | 2020-11-20 | 国网四川省电力公司信息通信公司 | 一种基于深度学习的变电站异常智能识别方法及*** |
| CN112766251B (zh) * | 2020-12-30 | 2022-06-14 | 广东电网有限责任公司佛山供电局 | 变电设备红外检测方法、***、储存介质及计算机设备 |
| CN113091916B (zh) * | 2021-04-21 | 2022-03-25 | 国网山西省电力公司检修分公司 | 一种gis隔离开关故障诊断方法 |
| CN113298178A (zh) * | 2021-06-11 | 2021-08-24 | 国家电网有限公司 | 基于热红外图像的变电站高压设备故障识别方法 |
| CN115656701B (zh) * | 2022-12-12 | 2023-04-07 | 广东电网有限责任公司佛山供电局 | 一种基于红外图像的电容器发热故障识别方法及装置 |
| CN115984756B (zh) * | 2023-03-17 | 2023-07-18 | 佛山市华易科技有限公司 | 一种基于数据分析的农业电网线路巡查管理方法 |
| CN117541582B (zh) * | 2024-01-09 | 2024-04-19 | 山东海纳智能装备科技股份有限公司 | 一种高频变频器igbt绝缘质量检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510262A (zh) * | 2009-03-17 | 2009-08-19 | 江苏大学 | 一种钢中析出粒子的自动测量及其形态分类方法 |
| CN102840918A (zh) * | 2012-08-17 | 2012-12-26 | 中国电力科学研究院 | 输变电设备红外图谱管理及分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6996256B2 (en) * | 2000-06-08 | 2006-02-07 | Honeywell International Inc. | Detection system and method using thermal image analysis |
-
2014
- 2014-11-27 CN CN201410710363.4A patent/CN104331521B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510262A (zh) * | 2009-03-17 | 2009-08-19 | 江苏大学 | 一种钢中析出粒子的自动测量及其形态分类方法 |
| CN102840918A (zh) * | 2012-08-17 | 2012-12-26 | 中国电力科学研究院 | 输变电设备红外图谱管理及分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| "图像识别技术在电力设备在线监测中的应用"，张浩，，;张浩;《中国优秀硕士学位论文全文数据库》;20091231;第17,20,30,63页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104331521A (zh) | 2015-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104331521B (zh) | 基于图像处理的变电设备异常自动识别方法 | |
| CN111523660B (zh) | 一种基于人工智能的音视热一体化异常检测报警方法 | |
| Davari et al. | Corona detection and power equipment classification based on GoogleNet-AlexNet: An accurate and intelligent defect detection model based on deep learning for power distribution lines | |
| US9384560B2 (en) | Contamination level estimation method for high voltage insulators | |
| CN105868722A (zh) | 异常电力设备图像的识别方法及*** | |
| CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN109377713B (zh) | 一种火灾预警方法及*** | |
| CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
| CN108268832A (zh) | 电力作业监测方法、装置、存储介质和计算机设备 | |
| CN116189103B (zh) | 基于视觉图像分析的设备监控自动控制方法及控制*** | |
| CN106454330B (zh) | 视频信号的模糊异常检测方法 | |
| CN104346626A (zh) | 基于图像识别的sf6气体泄漏在线模式识别方法 | |
| CN113436184B (zh) | 基于改进孪生网络的电力设备图像缺陷判别方法及*** | |
| CN106846304A (zh) | 基于红外检测的电气设备检测方法及装置 | |
| CN107392889A (zh) | 一种基于红外图像的电力设备运行状态监控方法及*** | |
| CN109035226A (zh) | 基于LSTM模型的Mura缺陷检测方法 | |
| CN100469138C (zh) | 基于视频监控与图像识别的电力变压器风机状态识别方法 | |
| CN116388379A (zh) | 一种变电站远程红外智能巡检方法及*** | |
| CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
| CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及*** | |
| CN112241707A (zh) | 一种风电场智能视频识别装置 | |
| CN113034465B (zh) | 一种基于红外图像的电力设备热故障监测方法、装置及介质 | |
| CN109190555B (zh) | 一种基于图片对比的智能巡店*** | |
| CN114419506A (zh) | 基于无监督学习的配电房设备异常监测方法与*** | |
| CN108985222B (zh) | 一种用于接打电话识别的深度学习网络模型及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171031 Termination date: 20181127 |