CN106920240A - 一种基于红外图像的绝缘子识别和故障诊断方法 - Google Patents

一种基于红外图像的绝缘子识别和故障诊断方法 Download PDF

Info

Publication number
CN106920240A
CN106920240A CN201710137104.0A CN201710137104A CN106920240A CN 106920240 A CN106920240 A CN 106920240A CN 201710137104 A CN201710137104 A CN 201710137104A CN 106920240 A CN106920240 A CN 106920240A
Authority
CN
China
Prior art keywords
insulator
infrared image
diagnosing faults
faults based
identification
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.)
Withdrawn
Application number
CN201710137104.0A
Other languages
English (en)
Inventor
刘朝辉
刘云鹏
付炜平
尹子会
王伟
肖魁欧
董俊虎
隋少臣
常浩
王江伟
张凯元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, Maintenance Branch of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710137104.0A priority Critical patent/CN106920240A/zh
Publication of CN106920240A publication Critical patent/CN106920240A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiation Pyrometers (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开一种基于红外图像的绝缘子识别和故障诊断方法，包括以下步骤：A、对绝缘子进行拍照，进行图像识别，以区分不同的绝缘子；B、分析不同绝缘子在图像中显示的温度特征，将温度特征异常的绝缘子判定为故障绝缘子。本发明能够改进现有技术的不足，适合复杂环境的自动巡检，误检率低。

Description

一种基于红外图像的绝缘子识别和故障诊断方法
技术领域
本发明涉及电网故障识别诊断技术领域，尤其是一种基于红外图像的绝缘子识别和故障诊断方法。
背景技术
由于国内的电网规模不断扩大，长距离输电线路，如特(超)高压线路增长迅速，且很多输电线路分布在崇山峻岭之间，导致传统的人工巡线受地形环境、人员素质、天气状况等不确定因素的影响，效率低，复巡周期长，巡检数据准确率不高。因此，近年来国内开始逐步发展直升机或无人机智能巡检技术，可以不受地理环境的约束，极大的提高了效率。但是采用无人机的巡检技术尚存的问题是自动化程度较低，巡检后的数据处理工作十分繁重，人工查看大量的录像数据、记录缺陷，易漏检且费时耗力。
目前，很多学者和电力***内部的工程师已经开始了基于无人机自动巡检获得航拍图像，利用图像处理技术对航拍图像进行分析检测绝缘子故障的研究。但是目前的研究主要集中在对可见光航拍图像的智能识别上，并且受限于架空线路沿线的复杂环境以及天气的影响，目前的研究还处于理论阶段，难以应用到实际项目中。由于现实环境中许多会对识别造成干扰的可见光图像细节，如光线、纹理等在红外图像中会得到弱化。采用红外热成像法可以减少环境干扰，且能够检测多数故障，因此基于红外图像的绝缘子识别和故障诊断方法具有更高的实用性，减少线路巡检的人工工作量，提高巡检工作的准确度。
对于绝缘子的识别技术，相关学者提出基于图像分割的方法，这类方法一般采用的是基于OTSU方法的改进算法，如基于形态学算法和连通域思想改善的OTSU算法。然后应用AdaBoost算法，计算粗定位区域的不变矩特征，训练出一个级联分类器，以剔除非绝缘子区域，实现对绝缘子的精确定位，比如一种基于阈值分割和二值形状特征描述的绝缘子串自动定位方法，先利用基于非下采样Contourlet变换(NSCT)的灰熵模型和细菌觅食-粒子群优化(BF-PSO)算法求取阈值，将原始航拍图像分割为二值图像，再利用二值图像中绝缘子串的形状特征，对其特征进行数字化描述，并以此为依据去除非绝缘子目标，实现绝缘子的自动定位。
对于已经定位后绝缘子的故障诊断问题，是目前研究中难以攻克的瓶颈所在。针对绝缘子串部分缺失(掉片)故障，有基于最小二乘椭圆拟合法计算绝缘子串中绝缘子个数的检测方法，还有先利用小波变换模极大值法提取图像边缘，接下来使用改进的Hough变换检测图像中的椭圆，最后基于绝缘子的参数位置信息，实现绝缘子掉片故障类型的诊断。这两种方法都要求包含待识别绝缘子的图像背景简单，干扰少，同时需要提前了解绝缘子串的固定型号。由于前提条件的苛刻，与实际应用仍然相去甚远。针对绝缘子破损、开裂以及夹带异物等故障类型，也有学者进行了研究。
发明内容
本发明要解决的技术问题是提供一种基于红外图像的绝缘子识别和故障诊断方法，能够解决现有技术的不足，适合复杂环境的自动巡检，误检率低。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于红外图像的绝缘子识别和故障诊断方法，包括以下步骤：
A、对绝缘子进行拍照，进行图像识别，以区分不同的绝缘子；
B、分析不同绝缘子在图像中显示的温度特征，将温度特征异常的绝缘子判定为故障绝缘子。
作为优选，步骤A中，首先计算红外图像中所有的surf特征点，然后与模板数据的特征点集进行K近邻匹配，筛选掉不属于绝缘子的特征点，然后将所有特征点进行空间聚类以区分不同的绝缘子。
作为优选，在进行K-近邻匹配过程中，使用K-D树进行加速。
作为优选，在进行K-D树进行加速时，使用特征点周边的关联非特征点进行同步K-近邻匹配，使用匹配后非特征点的平均特征值和特征点的平均特征值对K-D树的根节点值进行修正，修正方法为。
其中，x为修正前的K-D树的根节点，x′为修正后的K-D树的根节点，y为特征点组成的特征向量的模，y0为标准图像中特征点组成的特征向量的模，z为非特征点组成的特征向量的模，z0为标准图像中非特征点组成的特征向量的模。
作为优选，步骤B中，采用每个绝缘子特征集的轴线温度作为温度特征。
作为优选，对每个绝缘子特征集提取主方向，对主方向进行校正拟合出绝缘子轴线，提取轴线温度。
作为优选，使用线性回归提取每个绝缘子特征集的主方向。
采用上述技术方案所带来的有益效果在于：本发明能够实现自动识别红外图像中的绝缘子，节省了传统方法中需要人工识别的步骤，减少工作量的同时，提高了效率和准确度，基于温度数据的故障诊断方法，具有很大的实用性，十分符合复杂的现场环境。该自动识别和诊断方法，极大的减少了误检的情况，同时也增大了检测周期，延长了劣化绝缘子存在的安全隐患，使得全自动电路巡检成为可能。
附图说明
图1是绝缘子串分段校正流程图。
图2是红外热成像绝缘子串中心温度曲线故障判定流程图。
图3是绝缘子的红外图像。
图4是根据图3中红外图像得出的诊断结果。
具体实施方式
参照图1-2，本发明一个具体实施方式包括，
A、对绝缘子进行拍照，进行图像识别，以区分不同的绝缘子；
B、分析不同绝缘子在图像中显示的温度特征，将温度特征异常的绝缘子判定为故障绝缘子。
步骤A中，首先计算红外图像中所有的surf特征点，然后与模板数据的特征点集进行K近邻匹配，筛选掉不属于绝缘子的特征点，然后将所有特征点进行空间聚类以区分不同的绝缘子。
在进行K-近邻匹配过程中，使用K-D树进行加速。
在进行K-D树进行加速时，使用特征点周边的关联非特征点进行同步K-近邻匹配，使用匹配后非特征点的平均特征值和特征点的平均特征值对K-D树的根节点值进行修正，修正方法为。
其中，x为修正前的K-D树的根节点，x′为修正后的K-D树的根节点，y为特征点组成的特征向量的模，y0为标准图像中特征点组成的特征向量的模，z为非特征点组成的特征向量的模，z0为标准图像中非特征点组成的特征向量的模。
步骤B中，采用每个绝缘子特征集的轴线温度作为温度特征。
对每个绝缘子特征集提取主方向，对主方向进行校正拟合出绝缘子轴线，提取轴线温度。
使用线性回归提取每个绝缘子特征集的主方向。
提取绝缘子主方向的方法会存在一定的误差，导致主方向拟合出现错误，本发明使用分段校正的方法校正主方向，在得到初步的绝缘子主方向后，获取所有特征点在主方向上的投影，根据投影坐标的取值范围将一整个绝缘子进行等分，在每一个小段上可以基本忽略绝缘子的形变，然后对每一个小段进行分段校正。根据待分段的绝缘子长度自适应选择分段个数。
绝缘子的故障类型主要有表面破损、开裂、污秽、片间夹带异物以及掉片(部分绝缘子丢失)等，这将引起绝缘子阻值的降低，导致产热增加，温度上升。具体实现方法为：(1)遍历绝缘子串中轴线温度得到温度变化区间[min,max]；(2)在温度变化区间中寻找绝缘子的平均温度，以0.1°作为步长；(3)生成阈值曲线，绝缘子两端取阈值0.35°，中心取阈值0.25°，并由两端向中心递减形成U型分布；(4)利用绝缘子串平均温度和阈值曲线寻找温度异常位置。
参照图3-4，通过对绝缘子进行拍照分析，可以精确获得绝缘子的故障点信息。本发明能够实现自动识别红外图像中的绝缘子，节省了传统方法中需要人工识别的步骤，减少工作量的同时，提高了效率和准确度，基于温度数据的故障诊断方法，具有很大的实用性，十分符合复杂的现场环境。该自动识别和诊断方法，极大的减少了误检的情况，同时也增大了检测周期，延长了劣化绝缘子存在的安全隐患，使得全自动电路巡检成为可能。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于红外图像的绝缘子识别和故障诊断方法，其特征在于包括以下步骤：
A、对绝缘子进行拍照，进行图像识别，以区分不同的绝缘子；
B、分析不同绝缘子在图像中显示的温度特征，将温度特征异常的绝缘子判定为故障绝缘子。
2.根据权利要求1所述的基于红外图像的绝缘子识别和故障诊断方法，其特征在于：步骤A中，首先计算红外图像中所有的surf特征点，然后与模板数据的特征点集进行K近邻匹配，筛选掉不属于绝缘子的特征点，然后将所有特征点进行空间聚类以区分不同的绝缘子。
3.根据权利要求2所述的基于红外图像的绝缘子识别和故障诊断方法，其特征在于：在进行K-近邻匹配过程中，使用K-D树进行加速。
4.根据权利要求3所述的基于红外图像的绝缘子识别和故障诊断方法，其特征在于：在进行K-D树进行加速时，使用特征点周边的关联非特征点进行同步K-近邻匹配，使用匹配后非特征点的平均特征值和特征点的平均特征值对K-D树的根节点值进行修正，修正方法为。
x ′ = | z - z 0 | | y - y 0 | x
其中，x为修正前的K-D树的根节点，x′为修正后的K-D树的根节点，y为特征点组成的特征向量的模，y0为标准图像中特征点组成的特征向量的模，z为非特征点组成的特征向量的模，z0为标准图像中非特征点组成的特征向量的模。
5.根据权利要求1所述的基于红外图像的绝缘子识别和故障诊断方法，其特征在于：步骤B中，采用每个绝缘子特征集的轴线温度作为温度特征。
6.根据权利要求5所述的基于红外图像的绝缘子识别和故障诊断方法，其特征在于：对每个绝缘子特征集提取主方向，对主方向进行校正拟合出绝缘子轴线，提取轴线温度。
7.根据权利要求6所述的基于红外图像的绝缘子识别和故障诊断方法，其特征在于：使用线性回归提取每个绝缘子特征集的主方向。
CN201710137104.0A 2017-03-09 2017-03-09 一种基于红外图像的绝缘子识别和故障诊断方法 Withdrawn CN106920240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710137104.0A CN106920240A (zh) 2017-03-09 2017-03-09 一种基于红外图像的绝缘子识别和故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710137104.0A CN106920240A (zh) 2017-03-09 2017-03-09 一种基于红外图像的绝缘子识别和故障诊断方法

Publications (1)

Publication Number Publication Date
CN106920240A true CN106920240A (zh) 2017-07-04

Family

ID=59461505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710137104.0A Withdrawn CN106920240A (zh) 2017-03-09 2017-03-09 一种基于红外图像的绝缘子识别和故障诊断方法

Country Status (1)

Country Link
CN (1) CN106920240A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107831423A (zh) * 2017-11-06 2018-03-23 海南电网有限责任公司电力科学研究院 基于红外热像轴线温度识别的复合绝缘子界面缺陷鉴别方法
CN107833211A (zh) * 2017-11-01 2018-03-23 国家电网公司 基于红外图像的零值绝缘子自动检测方法及装置
CN110472510A (zh) * 2019-07-16 2019-11-19 上海电力学院 基于红外及可见图像的电力设备故障检测方法及评估设备
CN111624229A (zh) * 2020-05-15 2020-09-04 嘉兴恒创电力设计研究院有限公司明绘分公司 一种基于红外成像的带电设备故障智能诊断方法
WO2021190056A1 (zh) * 2020-03-26 2021-09-30 国网湖北省电力有限公司电力科学研究院 一种瓷质绝缘子串红外零值诊断方法及***
CN114048828A (zh) * 2022-01-11 2022-02-15 合肥金星智控科技股份有限公司 炉管图像处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201115A (zh) * 2011-04-07 2011-09-28 湖南天幕智能科技有限公司 无人机航拍视频实时全景图拼接方法
CN103336224A (zh) * 2013-07-03 2013-10-02 同济大学 基于复合信息的绝缘子温升故障综合诊断方法
CN103413139A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法
US20160342733A1 (en) * 2015-05-18 2016-11-24 Regeneron Pharmaceuticals, Inc. Methods And Systems For Copy Number Variant Detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201115A (zh) * 2011-04-07 2011-09-28 湖南天幕智能科技有限公司 无人机航拍视频实时全景图拼接方法
CN103413139A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法
CN103336224A (zh) * 2013-07-03 2013-10-02 同济大学 基于复合信息的绝缘子温升故障综合诊断方法
US20160342733A1 (en) * 2015-05-18 2016-11-24 Regeneron Pharmaceuticals, Inc. Methods And Systems For Copy Number Variant Detection

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
敬忠良: "《航天器自主操作的测量与控制》", 31 December 2011, 中国宇航出版社 *
袁安富等: "一种基于SURF特征的零件识别算法", 《计算机应用与软件》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833211A (zh) * 2017-11-01 2018-03-23 国家电网公司 基于红外图像的零值绝缘子自动检测方法及装置
CN107833211B (zh) * 2017-11-01 2021-05-25 国家电网公司 基于红外图像的零值绝缘子自动检测方法及装置
CN107831423A (zh) * 2017-11-06 2018-03-23 海南电网有限责任公司电力科学研究院 基于红外热像轴线温度识别的复合绝缘子界面缺陷鉴别方法
CN107831423B (zh) * 2017-11-06 2019-12-13 海南电网有限责任公司电力科学研究院 基于红外热像轴线温度识别的复合绝缘子界面缺陷鉴别方法
CN110472510A (zh) * 2019-07-16 2019-11-19 上海电力学院 基于红外及可见图像的电力设备故障检测方法及评估设备
WO2021190056A1 (zh) * 2020-03-26 2021-09-30 国网湖北省电力有限公司电力科学研究院 一种瓷质绝缘子串红外零值诊断方法及***
CN111624229A (zh) * 2020-05-15 2020-09-04 嘉兴恒创电力设计研究院有限公司明绘分公司 一种基于红外成像的带电设备故障智能诊断方法
CN114048828A (zh) * 2022-01-11 2022-02-15 合肥金星智控科技股份有限公司 炉管图像处理方法
CN114048828B (zh) * 2022-01-11 2022-04-19 合肥金星智控科技股份有限公司 炉管图像处理方法

Similar Documents

Publication Publication Date Title
CN106920240A (zh) 一种基于红外图像的绝缘子识别和故障诊断方法
Davari et al. Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos
CN103487729B (zh) 基于紫外视频与红外视频融合的电力设备缺陷检测方法
CN104764748B (zh) 定位绝缘子的方法、***以及故障检测的方法和***
CN107483014B (zh) 一种光伏板故障自动检测方法
CN112380952A (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN104318582B (zh) 一种高铁接触网旋转双耳部件销钉不良状态检测方法
CN103279765B (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN108280855A (zh) 一种基于Fast R-CNN的绝缘子故障检测方法
CN107358259B (zh) 基于GLOH描述子和GVF-Snake模型的绝缘子覆冰检测方法
CN111814686A (zh) 一种基于视觉的输电线路识别及异物入侵在线检测方法
CN111260629A (zh) 基于图像处理的受电弓结构异常检测算法
CN105354589A (zh) 一种在接触网图像中智能识别绝缘子裂损的方法及***
CN102508110A (zh) 基于纹理的绝缘子缺陷诊断方法
CN105957073B (zh) 输电线路散股故障检测方法
CN108680833B (zh) 基于无人机的复合绝缘子缺陷检测***
CN105741291A (zh) 一种高速铁路接触网悬挂装置等电位线故障检测方法
CN104361314A (zh) 基于红外与可见光图像融合的变电设备定位方法及装置
CN112200178A (zh) 基于人工智能的变电站绝缘子红外图像检测方法
Liu et al. Location and fault detection of catenary support components based on deep learning
CN105096305A (zh) 绝缘子状态分析的方法及装置
CN110348380A (zh) 一种可视化接地刀闸状态视频识别***及方法
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法
WO2024000372A1 (zh) 一种缺陷检测的方法和装置
CN116310274A (zh) 一种输变电设备的状态评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20170704