CN107103598A - 一种基于红外图像聚类处理的电力电缆热故障诊断方法 - Google Patents

一种基于红外图像聚类处理的电力电缆热故障诊断方法 Download PDF

Info

Publication number
CN107103598A
CN107103598A CN201710193166.3A CN201710193166A CN107103598A CN 107103598 A CN107103598 A CN 107103598A CN 201710193166 A CN201710193166 A CN 201710193166A CN 107103598 A CN107103598 A CN 107103598A
Authority
CN
China
Prior art keywords
infrared image
target device
power cable
temperature
fault detection
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.)
Pending
Application number
CN201710193166.3A
Other languages
English (en)
Inventor
杨月仲
陈佳
蒋晓娟
程黎
何磊
徐伟
宋琳
何晨虹
徐纪恩
任琪
周明
王和杰
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 Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai 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 Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN201710193166.3A priority Critical patent/CN107103598A/zh
Publication of CN107103598A publication Critical patent/CN107103598A/zh
Pending 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

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

Abstract

本发明涉及一种基于红外图像聚类处理的电力电缆热故障诊断方法，该方法包括以下步骤：1)获取待诊断的电力电缆设备的红外图像，并进行预处理；2)对预处理后的红外图像通过K‑means聚类算法提取目标设备，并对聚类结果进行标识，获取仅包含目标设备的红外图像；3)获取仅包含目标设备的红外图像对应的RGB向量，获取仅包含目标设备的红外图像中每一点的温度，并结合聚类结果，并对目标设备的发热区域进行标识，形成目标设备各个区域的温度分布；4)根据目标设备各个区域的温度分布获取相对温差，根据相对温差对目标设备进行热故障诊断，判断故障的类型和性质，并进行记录。与现有技术相比，本发明具有分离背景、提高诊断精度等优点。

Description

一种基于红外图像聚类处理的电力电缆热故障诊断方法
技术领域
本发明涉及，尤其是涉及一种基于红外图像聚类处理的电力电缆热故障诊断方法。
背景技术
红外热成像技术具有快速、实时、非接触性等优点，多年来应用于电力电缆运行管理领域。借助便携式红外热成像仪或在线红外测温***，对运行状态下的电缆设备进行温度数据采集，能够及时发现、诊断出大多数的过热故障，有效减少设备损坏和由此导致的电网大面积停电事故发生的次数。通常设备运行人员依据自身的经验知识，借助辅助的红外分析软件对图像进行人工分析、诊断，因采集的图像数量众多，且需要基于历史温度数据进行综合判断，故需要耗费巨大的人力。因此，实现对红外图像自动分析、设备故障诊断的智能化，正成为电力电缆运行管理的一种趋势。
目前，电气设备热缺陷分析判定方法主要有以下6种：(1)表面温度判断法；(2)同类比较法；(3)图像特征判断法；(4)相对温差法；(5)档案分析法；(6)实时分析法。其中除了方法(1)实质上都要基于进行比较的策略，需要同组三相设备、同相设备及同类设备对应部位的温差进行比较，建立电气设备红外档案或基于长时间连续观测。
FLIR公司的专业分析软件ThermaCAM Reporter Pro能够对红外图谱中选取的区域、点、线温度进行分析，作为诊断缺陷的参考。但此类软件也有不足之处：(1)没有对图像中的设备主体和背景进行分离，降低了数据分析的精度；(2)没有自动建立红外档案等功能，不利于后续对故障诊断的自动化处理。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种分离背景、提高诊断精度的基于红外图像聚类处理的电力电缆热故障诊断方法。
本发明的目的可以通过以下技术方案来实现：
一种基于红外图像聚类处理的电力电缆热故障诊断方法，该方法包括以下步骤：
1)获取待诊断的电力电缆设备的红外图像，并进行预处理；
2)对预处理后的红外图像通过K-means聚类算法提取目标设备，并对聚类结果进行标识，获取仅包含目标设备的红外图像；
3)获取仅包含目标设备的红外图像对应的RGB向量，根据RGB向量的欧氏距离与温差的关系获取仅包含目标设备的红外图像中每一点的温度，并结合聚类结果，并对目标设备的发热区域进行标识，形成目标设备各个区域的温度分布；
4)根据目标设备各个区域的温度分布获取相对温差，根据相对温差对目标设备进行热故障诊断，判断故障的类型和性质，并进行记录。
所述的步骤1)中，采用中值滤波对红外图像进行预处理，去除红外图像中的文字和图标。
所述的步骤2)中，通过K-means聚类算法提取目标设备时，选择的聚类结果为：
平均灰度值大小在前75％且聚类中心距离红外图像的竖直中轴线1/4图像宽度内。
所述的步骤3)中，所述的RGB向量的欧氏距离与温差的关系为线性关系。
所述的步骤3)具体包括以下步骤：
31)获取仅包含目标设备的红外图像对应的RGB向量的欧氏距离；
32)根据比色条获取仅包含目标设备的红外图像的最高温度和最低温度，并将最高温度与最低温度分别与RGB向量[255,255,255]和[0,0,0]对应；
33)结合线性关系获取仅包含目标设备的红外图像中每一点的温度；
34)根据通过K-means聚类算法提取目标设备时产生的聚类结果对目标设备的发热区域进行标识。
所述的步骤2)中，在仅包含目标设备的红外图像中包括目标设备的轮廓以及轮廓内部包含的红外图像和聚类结果。
所述的步骤4)中，故障的类型包括电流致热型和电压致热型，故障的性质包括一般缺陷、重要缺陷和紧急缺陷。
与现有技术相比，本发明具有以下优点：
本发明通过采用K-means算法先对电力电缆的红外图像进行聚类，将目标设备与背景分离并提取出来，提高了技术分析的精度，并且将红外图像的RGB向量的欧氏距离与温度看做是线性关系，对红外图像上所有点的温度进行精确获取，有利于提高故障诊断的准确度。
附图说明
图1为本发明的方法流程图。
图2为主变110kV电缆终端红外图像。
图3为聚类结果用不同色彩标识后的图像。
图4为从红外图像中提取的仅包含目标设备的图像。
图5为35kV接地变电缆发热缺陷的红外图像。
图6为中值滤波后的红外图像。
图7为各聚类结果用不同色彩标识后的图像。
图8为分离背景后的接地变红外图像。
图9为接地变发热部位识别图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本文首先应用K-means聚类算法对红外图像中的目标设备进行提取，克服了图像背景引起的误差，然后对目标设备的温度场进行了数据分析，初步实现了红外图像的自动分析。后续可以结合红外图像特征的识别和缺陷的诊断判据，理论上可以确定缺陷类型及性质，最终的目标是生成合适的消缺建议。整个红外图像的故障诊断流程如图1所示。
使用K-means聚类算法对红外图像中的目标设备进行提取是分析的基础。K-means聚类算法是一种使用最广泛的聚类算法。该算法的主要思想是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点。通过迭代过程把数据集划分为不同的类别，使评价聚类性能的准则函数达到最优，从而划分的每个聚类最为紧凑。输入聚类的数目K和包含N个数据样本(设p为数据对象)，输出K个聚类Xi(i＝1～K)。算法步骤如下：
(1)为每个聚类确定一个初始聚类中心mi(i＝1～K)；
(2)将各个样本按照与聚类中心的最小距离原则分配到最为邻近的聚类，此处使用欧式距离作为计算数据样本之间的距离，见式(1)。欧式距离反映了数据样本间的相似性度量。对于红外图像而言，样本xi、xj为任意两个像素点的RGB向量，故d＝3，xik、xjk为R、G或B值。
(3)重新计算每个聚类的样本均值作为新的聚类中心；
(4)迭代过程，重复步骤(2)、步骤(3)直到准则函数最小化，此处采用平方误差和作为准则函数，见式(2)；
(5)获得K个聚类。
该算法的难点在于：(1)聚类数目K的选取；(2)初始聚类中心的选取；(3)选取哪些聚类作为目标设备、哪些作为背景分离。
如图2所示为两张典型的110kV电缆室内终端的红外图像，通过MATLAB软件应用K-means算法进行图像分割试验。选取初始聚类中心使其在图像上均匀分布，设置K＝13时对背景的分离效果较好，处理后的各聚类用不同色彩标识出来，如图3所示。红外图像中目标设备通常温度高于环境温度，同时运行人员拍摄时会使目标设备尽量位于图像的中央，基于以上两个事实，选取满足平均灰度值排序前9(优先选取代表温度较高区域的聚类)、聚类中心距离竖直中轴线1/4图像宽度内的聚类，作为目标设备提取出来，如图4所示，背景基本被分离，证明该算法对目标和背景对比度较高的图像有很好的分割效果。
电气设备红外图谱的缺陷诊断主要依据《带电设备红外诊断应用规范(DL/T_664-2008)》(以下简称规范)以及《电力设备红外检测作业指导书》。电气设备的热缺陷类型可分为电流致热、电压致热、综合致热和电磁致热缺陷，前文所述的6种热缺陷分析判定方法针对不同类型的缺陷各有优劣。现将《规范》中与超高压电力电缆有关的电流致热型、电压致热型设备缺陷诊断判据列于表1和表2。
由表可知，对缺陷性质(一般、重要、紧急缺陷)的判定通常要依据温差和相对温差，相对温差δ反映了两个对应测点之间的温差与其中较热点的温升之比的百分数，即：
式中：τ1，T1——发热点的温升和温度；τ2，T2——正常相对应点的温升和温度；T0——环境参照体的温度。环境温度参照体是用来采集环境温度的物体，它不一定具有当时的真实环境温度，但具有与被测物相似的物理属性，并与被测物处于相似的环境之中。
表1电流致热型设备缺陷诊断判据
表2电压致热型设备缺陷诊断判据
上述步骤通过MATLAB验证了K-means算法对于红外图像的目标设备提取的可行性，并介绍了红外诊断依据，下面通过一个缺陷案例来讲解温度数据分析、诊断的整个流程。图5为某35kV接地变电缆发热缺陷的红外图像。首先将图像进行预处理，对图像进行了中值滤波(如图6所示)，主要是为了减少图像上文字及图标的干扰。运行MATLAB K-means聚类算法程序，得到的各聚类用不同色彩标识(如图7所示)，分离背景后即为接地变的主体部分(如图8所示)，图9标识了温度最高的一类聚类，它对应接地变的发热部位。
温度计算过程：将RGB向量的欧氏距离(式2)与温差近似视为线性关系，已知比色条(如图5右侧所示)的最高温度(34.6℃，RGB向量＝[255,255,255])和最低温度(30.5℃，RGB向量＝[0,0,0])，便可以求得图像上处在温宽范围内任意一点的温度。通过程序搜索出最高温度点，容易得到目标设备的最高温度Tmax＝33.7℃，发热部位(深颜色区域)的平均温度为Tmax＝33.2℃，还可以做出各温度区间的点数统计以辅助分析。
如果知道正常相对应点的温度和环境参照体的温度，进而计算出相对温差，结合表1及表2，便可以诊断出故障的类型与性质。实际该设备为电压致热型缺陷，是由于上方电缆接头与支架距离过短，趴电距离不足，导致放电造成的。

Claims (7)

1.一种基于红外图像聚类处理的电力电缆热故障诊断方法，其特征在于，该方法包括以下步骤：
1)获取待诊断的电力电缆设备的红外图像，并进行预处理；
2)对预处理后的红外图像通过K-means聚类算法提取目标设备，并对聚类结果进行标识，获取仅包含目标设备的红外图像；
3)获取仅包含目标设备的红外图像对应的RGB向量，根据RGB向量的欧氏距离与温差的关系获取仅包含目标设备的红外图像中每一点的温度，并结合聚类结果，并对目标设备的发热区域进行标识，形成目标设备各个区域的温度分布；
4)根据目标设备各个区域的温度分布获取相对温差，根据相对温差对目标设备进行热故障诊断，判断故障的类型和性质，并进行记录。
2.根据权利要求1所述的一种基于红外图像聚类处理的电力电缆热故障诊断方法，其特征在于，所述的步骤1)中，采用中值滤波对红外图像进行预处理，去除红外图像中的文字和图标。
3.根据权利要求1所述的一种基于红外图像聚类处理的电力电缆热故障诊断方法，其特征在于，所述的步骤2)中，通过K-means聚类算法提取目标设备时，选择的聚类结果为：
平均灰度值大小在前75％且聚类中心距离红外图像的竖直中轴线1/4图像宽度内。
4.根据权利要求1所述的一种基于红外图像聚类处理的电力电缆热故障诊断方法，其特征在于，所述的步骤3)中，所述的RGB向量的欧氏距离与温差的关系为线性关系。
5.根据权利要求4所述的一种基于红外图像聚类处理的电力电缆热故障诊断方法，其特征在于，所述的步骤3)具体包括以下步骤：
31)获取仅包含目标设备的红外图像对应的RGB向量的欧氏距离；
32)根据比色条获取仅包含目标设备的红外图像的最高温度和最低温度，并将最高温度与最低温度分别与RGB向量[255,255,255]和[0,0,0]对应；
33)结合线性关系获取仅包含目标设备的红外图像中每一点的温度；
34)根据通过K-means聚类算法提取目标设备时产生的聚类结果对目标设备的发热区域进行标识。
6.根据权利要求1所述的一种基于红外图像聚类处理的电力电缆热故障诊断方法，其特征在于，所述的步骤2)中，在仅包含目标设备的红外图像中包括目标设备的轮廓以及轮廓内部包含的红外图像和聚类结果。
7.根据权利要求1所述的一种基于红外图像聚类处理的电力电缆热故障诊断方法，其特征在于，所述的步骤4)中，故障的类型包括电流致热型和电压致热型，故障的性质包括一般缺陷、重要缺陷和紧急缺陷。
CN201710193166.3A 2017-03-28 2017-03-28 一种基于红外图像聚类处理的电力电缆热故障诊断方法 Pending CN107103598A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710193166.3A CN107103598A (zh) 2017-03-28 2017-03-28 一种基于红外图像聚类处理的电力电缆热故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710193166.3A CN107103598A (zh) 2017-03-28 2017-03-28 一种基于红外图像聚类处理的电力电缆热故障诊断方法

Publications (1)

Publication Number Publication Date
CN107103598A true CN107103598A (zh) 2017-08-29

Family

ID=59675723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710193166.3A Pending CN107103598A (zh) 2017-03-28 2017-03-28 一种基于红外图像聚类处理的电力电缆热故障诊断方法

Country Status (1)

Country Link
CN (1) CN107103598A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108377328A (zh) * 2018-01-03 2018-08-07 广东电网有限责任公司机巡作业中心 一种直升机巡视作业的目标拍摄方法及装置
CN109145755A (zh) * 2018-07-25 2019-01-04 昆明聚信丰科技有限公司 一种结合透视变换与k-均值算法的课桌区域识别方法
CN109492617A (zh) * 2018-11-29 2019-03-19 国网上海市电力公司 基于K-means聚类算法的电力电缆诊断方法
CN109900363A (zh) * 2019-01-02 2019-06-18 平高集团有限公司 一种基于轮廓提取的目标物红外测温方法和装置
CN110318953A (zh) * 2018-03-30 2019-10-11 北京金风科创风电设备有限公司 风电机组电控***的温度监控方法和设备
CN110987190A (zh) * 2019-11-22 2020-04-10 国网江西省电力有限公司电力科学研究院 一种红外图谱温度反演方法
CN111085992A (zh) * 2019-10-12 2020-05-01 国网山东省电力公司莱芜供电公司 一种敞开式变电站内红外测温最佳路径规划方法，智能巡检机器人及可读存储介质
CN111179213A (zh) * 2019-11-28 2020-05-19 国网江苏省电力有限公司电力科学研究院 一种套管故障诊断方法及***
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
CN111798405A (zh) * 2019-11-21 2020-10-20 南京航空航天大学 一种基于深度学习的套管红外图像的故障诊断方法
CN112085037A (zh) * 2020-09-21 2020-12-15 国网吉林省电力有限公司电力科学研究院 一种变电设备红外热故障特征提取及数字化表达方法
CN112881842A (zh) * 2021-01-25 2021-06-01 众智学府信息技术有限公司 一种设备智能诊断的模块
CN113034450A (zh) * 2021-03-12 2021-06-25 西安工业大学 一种变压器过热故障诊断方法
CN113469995A (zh) * 2021-07-16 2021-10-01 华北电力大学（保定） 一种变电站设备热故障诊断方法及***
CN113723189A (zh) * 2021-07-28 2021-11-30 广西大学 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法
CN115219970A (zh) * 2022-06-20 2022-10-21 深圳市研测科技有限公司 电流表测试装置及测试方法
CN115656701A (zh) * 2022-12-12 2023-01-31 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
CN116309303A (zh) * 2023-01-09 2023-06-23 广州智飞科技有限公司 基于红外图像的电气设备缺陷检测方法、装置及相关设备
CN117420402A (zh) * 2023-11-20 2024-01-19 国网上海市电力公司 一种电力电缆局放红外声纹联合诊断方法、装置及介质
CN115219970B (zh) * 2022-06-20 2024-06-28 深圳市研测科技有限公司 电流表测试装置及测试方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361314A (zh) * 2014-10-21 2015-02-18 华北电力大学（保定） 基于红外与可见光图像融合的变电设备定位方法及装置
CN105300528A (zh) * 2015-10-12 2016-02-03 国家电网公司 变电站设备红外图像诊断方法及***
CN106124949A (zh) * 2016-08-30 2016-11-16 国网山东省电力公司济南供电公司 一种基于热红外成像技术对绝缘子故障在线监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361314A (zh) * 2014-10-21 2015-02-18 华北电力大学（保定） 基于红外与可见光图像融合的变电设备定位方法及装置
CN105300528A (zh) * 2015-10-12 2016-02-03 国家电网公司 变电站设备红外图像诊断方法及***
CN106124949A (zh) * 2016-08-30 2016-11-16 国网山东省电力公司济南供电公司 一种基于热红外成像技术对绝缘子故障在线监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨洋: "电气设备红外图像分析与处理", 《中国优秀硕士论文全文数据库》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108377328A (zh) * 2018-01-03 2018-08-07 广东电网有限责任公司机巡作业中心 一种直升机巡视作业的目标拍摄方法及装置
CN110318953A (zh) * 2018-03-30 2019-10-11 北京金风科创风电设备有限公司 风电机组电控***的温度监控方法和设备
CN109145755A (zh) * 2018-07-25 2019-01-04 昆明聚信丰科技有限公司 一种结合透视变换与k-均值算法的课桌区域识别方法
CN109492617A (zh) * 2018-11-29 2019-03-19 国网上海市电力公司 基于K-means聚类算法的电力电缆诊断方法
CN109900363A (zh) * 2019-01-02 2019-06-18 平高集团有限公司 一种基于轮廓提取的目标物红外测温方法和装置
CN111085992B (zh) * 2019-10-12 2023-02-28 国网山东省电力公司莱芜供电公司 一种敞开式变电站内红外测温最佳路径规划方法，智能巡检机器人及可读存储介质
CN111085992A (zh) * 2019-10-12 2020-05-01 国网山东省电力公司莱芜供电公司 一种敞开式变电站内红外测温最佳路径规划方法，智能巡检机器人及可读存储介质
CN111798405A (zh) * 2019-11-21 2020-10-20 南京航空航天大学 一种基于深度学习的套管红外图像的故障诊断方法
CN111798405B (zh) * 2019-11-21 2024-04-19 南京航空航天大学 一种基于深度学习的套管红外图像的故障诊断方法
CN110987190A (zh) * 2019-11-22 2020-04-10 国网江西省电力有限公司电力科学研究院 一种红外图谱温度反演方法
CN111179213A (zh) * 2019-11-28 2020-05-19 国网江苏省电力有限公司电力科学研究院 一种套管故障诊断方法及***
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
CN112085037A (zh) * 2020-09-21 2020-12-15 国网吉林省电力有限公司电力科学研究院 一种变电设备红外热故障特征提取及数字化表达方法
CN112085037B (zh) * 2020-09-21 2024-04-09 国网吉林省电力有限公司电力科学研究院 一种变电设备红外热故障特征提取及数字化表达方法
CN112881842A (zh) * 2021-01-25 2021-06-01 众智学府信息技术有限公司 一种设备智能诊断的模块
CN113034450A (zh) * 2021-03-12 2021-06-25 西安工业大学 一种变压器过热故障诊断方法
CN113469995A (zh) * 2021-07-16 2021-10-01 华北电力大学（保定） 一种变电站设备热故障诊断方法及***
CN113469995B (zh) * 2021-07-16 2022-09-06 华北电力大学（保定） 一种变电站设备热故障诊断方法及***
CN113723189A (zh) * 2021-07-28 2021-11-30 广西大学 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法
CN113723189B (zh) * 2021-07-28 2023-08-01 广西大学 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法
CN115219970A (zh) * 2022-06-20 2022-10-21 深圳市研测科技有限公司 电流表测试装置及测试方法
CN115219970B (zh) * 2022-06-20 2024-06-28 深圳市研测科技有限公司 电流表测试装置及测试方法
CN115656701A (zh) * 2022-12-12 2023-01-31 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
CN116309303A (zh) * 2023-01-09 2023-06-23 广州智飞科技有限公司 基于红外图像的电气设备缺陷检测方法、装置及相关设备
CN117420402A (zh) * 2023-11-20 2024-01-19 国网上海市电力公司 一种电力电缆局放红外声纹联合诊断方法、装置及介质

Similar Documents

Publication Publication Date Title
CN107103598A (zh) 一种基于红外图像聚类处理的电力电缆热故障诊断方法
CN105425123B (zh) 一种紫外成像与红外成像协同检测电力设备故障的方法及***
Zou et al. A novel intelligent fault diagnosis method for electrical equipment using infrared thermography
CN111798412B (zh) 一种基于红外图像的变电设备缺陷智能诊断方法及***
CN103901072B (zh) 利用红外图谱分析诊断设备过热缺陷的方法
CN110674120B (zh) 一种风电场数据清洗方法及装置
CN105445607B (zh) 一种基于等温线绘制的电力设备故障检测方法
CN107992665B (zh) 一种特高压换流站交流滤波器在线故障诊断分析方法
CN104217443B (zh) 一种基于hsv空间的输变电设备红外故障图像分割方法
CN105371957A (zh) 变电站设备红外温度配准定位***及方法
CN112697798B (zh) 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置
CN111965214B (zh) 一种架空线路复合绝缘子发热缺陷判断方法及***
Jiang et al. Research on infrared image recognition method of power equipment based on deep learning
CN114494185B (zh) 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
CN115290696A (zh) 一种变电站绝缘子的红外热成像缺陷检测方法及装置
CN113947746A (zh) 一种基于反馈机制监督下的配网安全质量管控方法
CN110490261B (zh) 一种输电线路巡检图像绝缘子的定位方法
CN111798405B (zh) 一种基于深度学习的套管红外图像的故障诊断方法
CN106548211A (zh) 基于红外图像的变电站测温点自动识别方法和装置
CN116167999A (zh) 一种基于图像匹配的配电线路零值绝缘子红外热像检测方法
CN105374029A (zh) 变电站设备红外图像感兴趣区域的分割方法及***
CN115690012A (zh) 一种电能表接错线的检测方法
Zhang et al. Intelligent detection technology of infrared image of substation equipment based on deep learning algorithm
CN111160305A (zh) 一种变压器套管异常监测方法及计算机可读介质
CN109492617A (zh) 基于K-means聚类算法的电力电缆诊断方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170829