CN108389137A - 基于红外图谱技术的电力故障诊断预警*** - Google Patents
基于红外图谱技术的电力故障诊断预警*** Download PDFInfo
- Publication number
- CN108389137A CN108389137A CN201810119765.5A CN201810119765A CN108389137A CN 108389137 A CN108389137 A CN 108389137A CN 201810119765 A CN201810119765 A CN 201810119765A CN 108389137 A CN108389137 A CN 108389137A
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- infared spectrum
- early warning
- equipment
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000012015 optical character recognition Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000001914 filtration Methods 0.000 description 19
- 230000007547 defect Effects 0.000 description 14
- 239000000523 sample Substances 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 239000012212 insulator Substances 0.000 description 7
- 239000002131 composite material Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010019133 Hangover Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000000825 ultraviolet detection Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于红外图谱技术的电力故障诊断预警***,包括顺次连接的识别模块、分析模块与诊断显示模块,所述识别模块包括图像采集客户端及其连接的处理电路,所述分析模块包括图像智能分析单元及其连接的通信单元,所述诊断显示模块包括预警单元、显示单元,所述处理电路连接所述图像智能分析单元,所述通信单元连接所述诊断显示模块,所述图像采集客户端采集红外数据,并结合以可见光方式采集的设备信息,经处理后送入所述分析模块形成设备图像自动标注模型。本发明通过对电力设备红外图谱的识别,进而对设备进行识别标注,建立双向设备种类标注模型,实现对电力设备的故障诊断。
Description
技术领域
本发明涉及电力故障诊断信息测量预警技术领域,尤其涉及基于红外图谱技术的电力故障诊断预警***。
背景技术
随着我国经济的快速发展,特高压、交直流混合、新能源大量接入等成为电网必然的发展趋势。目前,我国的电网覆盖范围非常大,各种变电设备的数量也是巨大的,如变电站、导线、杆塔等数量大量增加,而且分布范围广、距离远。全部依靠人工来进行检修显然是不可能的,同时对于这些变电设备的统一管理监控的要求也随之提高。在此基础上,无人值守变电站得到了快速发展也为其安全运行管理提出了新的要求。因此,为提高无人值守或少人值守变电站人员和设备的安全性,需要实时监控变电设备的运行状态及信息隐患。目前有些变电站安装了视频监控***,可实现现场设备监视、控制远程摄像机运动、数字视频录像等功能。但只有监视功能没有图像识别功能,缺乏对变电站变电设备的自动识别与分析功能。依然依靠值班人员去观察和分析采集的图像,从而分析变电设备的运行状态,***缺乏对变电设备图像的自动识别与分析功能。其根本是对背景复杂的变电站图像的分析和变电设备运行信息的判别方法的研究还不够成熟,切实提高图像分析能力,成为迫切需要解决的问题。
专利号为201410332599.9的发明涉及涉及一种基于光谱分析的变压器油中多组分气体检测装置及方法,包括波长可调光源、调制电路、气室、光电探测器、影像信息采集处理电路及计算机,采用时分复用思想,控制光源在不同时间段内输出中心波长不同的窄线宽光,每个波长对应一种待检测气体的特定吸收谱峰,通过分析对应气体的光谱吸收获得其浓度值。该发明通过结构简单、成本低廉的基于光谱分析的变压器油中多组分气体检测装置,采用时分复用思想,实现变压器油中多组分气体的快速可靠检测。解决了不同气体光谱信号交叠造成的检测困难问题,实现多种气体的同步检测,测量灵敏度高,响应速度快,结构紧凑简单,***成本低廉。
专利号为201510412958.6的发明公开了一种基于多光谱的复合绝缘子检测方法,包括:选择检测设备,在相同运行工况下,对同一复合绝缘子利用检测设备进行可见光检测、红外检测及紫外检测,获得该复合绝缘子的检测图像;对可见光图像的局部放电发光点、红外图像的局部过热点和紫外图像的电晕放电点进行比较;在相同运行工况下对同一线路同一基杆塔的不同复合绝缘子的可见光图像、红外图像和紫外图像进行比较;针对每个复合绝缘子,建立多光谱检测数据库,根据一定周期的检测的数据,对数据进行比较,找出存在的数据差异。该发明将可见光、红外、紫外三种检测手段有机地结合起来,优势互补,易对绝缘子进行带电检测,能够及时发现复合绝缘子缺陷,便于开展大面积的巡检。
然而,在实际应用中,通过可见光、红外、紫外等多光谱检测分析与识别技术可从根本上解决目前变电设备在线监测中存在的一些问题:重要设备的运行参数需要实时监测,采用人工巡视难以满足实时性要求,巡视员的责任心、工作态度和精神状况严重影响了检测的结果;很多高压设备的运行状态难以转换成电信号,在信号转换和传输过程中易受强电磁场干扰而影响诊断;使用红外对设备进行检测仍处于对温度记录的简单应用层次,没有与设备状态关联,历史数据也难以存储检索;另外,人眼难以分辨细微图像的灰度变化,难以客观分析变电设备表面缺陷的程度。因此,图谱分析与识别技术的运用可促进在线监测***的智能化、自动化,提高变电站工作人员的工作效率,取得更高的经济效益,将具有较大的实用价值和应用前景。
发明内容
本发明的目的在于解决上述技术问题,提供基于红外图谱技术的电力故障诊断预警***,通过对电力设备红外图谱的识别,进而对设备进行识别标注,建立双向设备种类标注模型,实现对电力设备的故障诊断。
为实现上述目的,本发明采用的技术方案是:基于红外图谱技术的电力故障诊断预警***,包括顺次连接的识别模块、分析模块与诊断显示模块,所述识别模块包括图像采集客户端及其连接的处理电路,所述分析模块包括图像智能分析单元及其连接的通信单元,所述诊断显示模块包括预警单元、显示单元,所述处理电路连接所述图像智能分析单元,所述通信单元连接所述诊断显示模块,所述图像采集客户端包括红外热像传感器、数据采集卡与可见光传感器,所述处理电路包括数据集中器与信号处理单元,所述可见光传感器、所述红外热像传感器连接所述数据采集卡;所述图像采集客户端采集红外数据,并结合以可见光方式采集的设备信息,经处理后送入所述分析模块形成设备图像自动标注模型。
进一步地,所述图像智能分析单元包括单片机芯片、网络服务器及数据存储器,所述通信单元包括无线传输模块与双向网络通信接口。
进一步地,所述设备图像自动标注模型基于光学字符识别***算法,以单片机芯片进行指令调配,以网络服务器进行数据来源比对,以数据存储器进行模型结果存储;所述光学字符识别***算法包括:1)设备图像预处理;2)特征提取;3)模式识别;4)结果标注。
进一步地,所述信号处理单元包括红外图谱预处理单元、温度场分割单元、红外图谱特征提取单元和设备标识比对单元。
进一步地,所述红外图谱预处理单元包括自适应中值滤波器和均值滤波器。
进一步地,所述温度场分割单元通过图像处理的方法找出温度场的形状参数以及提取标识区域,建立电力设备红外故障样本库。
进一步地,所述显示单元包括连接光伏阵列的人机交互界面,所述光伏阵列连接直流蓄电池。
进一步地,所述无线传输模块包括GSM数传模块与CDMA数传模块。
进一步地,预警单元包括现场声光预警单元和网络云数据传输预警单元。
本发明的有益效果在于以下几个方面:
1)本发明通过研究电力设备红外图谱识别与分析技术,包括非监督学习、边缘检测和图像分割等技术,完成设备图像不同区域的有效划分,完成设备种类的识别;
2)本发明通过研究红外图谱故障诊断技术,包括红外图像所特有的等温线温度场分割技术,深度学习算法研究等,完成变压器、避雷器、容性设备、隔离开关等设备的红外检测及故障分析;
3)本发明通过研究可见光与红外图像的设备图像配准及融合技术,结合电网不同来源的可见光与红外图像这一多模态图像形式,利用SIFT、Harris等多特征融合的方法,完成红外和可见光图像配准和融合,实现在设备图像上疑似故障区域和故障点的自动精确定位;
4)本发明应用多图谱融合的电力设备故障点检测诊断方法,是智能电网状态检修中重要研究方向,解决了单一传感器捕获的图像不能很好的定位设备的故障隐患点的问题,使多源图像间具有互补性,最终通过设备不同时期的图谱状态数据和其他在线监测数据,利用云客户端人机交互的方式,实现多位专家对设备进行实时滚动式评价,从而实现对设备状态的科学评价。
附图说明
图1是本发明***的整体结构流程图。
图2是本发明***的设备图像自动标注模型图。
图3是本发明***红外图谱故障诊断流程图。
具体实施方式
实施例
如图1至图3所示,基于红外图谱技术的电力故障诊断预警***,包括顺次连接的识别模块、分析模块与诊断显示模块,识别模块包括图像采集客户端及其连接的处理电路,分析模块包括图像智能分析单元及其连接的通信单元,诊断显示模块包括预警单元、显示单元,处理电路连接图像智能分析单元,通信单元连接诊断显示模块,图像采集客户端包括红外热像传感器、数据采集卡与可见光传感器,处理电路包括数据集中器与信号处理单元,可见光传感器、红外热像传感器连接数据采集卡;图像采集客户端采集红外数据,并结合以可见光方式采集的设备信息,经处理后送入分析模块形成设备图像自动标注模型。
本发明首先要建立方便快捷的图像收集方式,并与设备关联起来。然后以设备为中心,对设备图谱进行监督学习实现对设备状态的智能分析,形成设备正常状态和异常状态的时间线查询方式,最后通过设备不同时期的图谱状态数据和其他在线监测数据,利用云客户端实现多位专家对设备进行实时滚动式评价,从而实现对设备状态的科学评价,整体流程如图1所示。
图像智能分析单元包括单片机芯片、网络服务器及数据存储器,通信单元包括无线传输模块与双向网络通信接口。设备图像自动标注模型基于光学字符识别***算法,以单片机芯片进行指令调配,以网络服务器进行数据来源比对,以数据存储器进行模型结果存储。
本发明的主要创新点在于:1、对电力设备可见光图像的识别标注;2、结合识别标注,实现多图谱融合,最终实现对电力设备红外图谱故障诊断。
在实施例中,对于第一创新点,是通过图像智能分析单元建立设备图像自动标注模型来实现的,由于设备红外图谱主要体现温度的分布规律,对于设备特征细节呈现的不明显。因此,电力设备红外图谱的识别,需通过可见光对设备进行识别标注,建立双向设备种类标注模型。其中,在可见光针对设备表面标注文字和标牌:设计并研究适合多数机器视觉领域的光学字符识别***所需的核心算法,利用识别结果对图像进行标注。进而检验系列算法的可行性与实用性,对比选取抗噪能力强、效果好的处理算法。光学字符识别***所需的核心算法包含以下几个方面:a)图像预处理步骤:电力设备图像进行必要的预处理,包括增强输入图像的质量图像去噪、边缘增强、边缘检测等,数字图像通过图像处理算法定位并截出感兴趣区域,在感兴趣区域基础上,根据具体任务要求,继续分割提取出相关结构,要对采集到的以保证电力设备及其运行状态识别和分析的准确性;b)特征提取步骤:将离散化的字符数字图像进行特征向量提取,关键是提取出字符间区别度高的特征向量;c)模式识别步骤:输入提取到的特征向量,通过模式匹配算法识别与描述,正确区分出字符,完成图像处理任务;d)将识别结果对图像进行标注。
对于图像区域内无文字标牌的图像:研究多尺度空间模型,建立图像金字塔的简单***,用于简单而有效的解释多尺度图像特征,在图像特征提取中方便加入尺度空间信息;研究将传统有监督分类器与深度学习相结合,让算法在大数据量和小数据量情况下,都有好的表现。在实施过程中,通常选择深度学习的方法提取样本特征,用传统有监督分类器方法进行分类。
针对此类设备图像的自动标注方法,首先利用图像处理技术提取设备图像的底层视觉特征,包括颜色、纹理、形状和空间信息等,作为图像的元数据。对一幅电力设备图像标注时,将标注问题视为图像分类问题,主要分为两个阶段:
i)标注模型训练阶段(用大量的已分类图像训练分类器):提交代表项目具体视觉要求的图像,利用己标注的图像集,构建从图像底层视觉特征到高级语义特征逐层进行迭代、逐层抽象的深度网络映射模型;
ii)图像标注阶段:计算与训练库中所有图像的相似度,将与之最相似的图像返回,根据测试图像的视觉信息把它分类到预先定义的类别中,每个关键词视为一个独立的类别名称,并对应一个分类器。从而更精准的标注未知样本的电力设备图像,如图2所示。
对于第二创新点,由于目前红外检测装置带有自动判断温度的功能,但只限于固定角度画面中的点,而设备可能的故障点多种多样,情况复杂。且该点所属设备依旧需要人工判断。因此,对于利用红外图谱进行设备故障诊断,首先要对红外图谱进行预处理,再进行基于等温线的温度场分割,确定红外图谱的缺陷中心位置。然后于可见光图像进行标识匹配,从而进行故障诊断。其流程如图3所示。
在实际引用中,红外热图谱具有以下的特点:a.由于景物热平衡、光波波长、传输距离远、大气衰减等原因,造成红外图像空间相关性强、对比度低、视觉效果模糊。b.红外热图像表征景物的温度分布,是灰度图像,没有彩色或阴影,故对人眼而言,分辨率低、分辨潜力差。c.热成像***的探测能力和空间分辨率低于可见光 CCD 阵列,使得红外图像的清晰度低于可见光图像。d.外界环境的随机干扰和热成像***的不完善,给红外图像带来多种多样的噪声,比如热噪声、散粒噪声、光子电子涨落噪声等等。这些分布复杂的噪声使得红外图像的信噪比比普通电视图像低。e.由于红外探测器各探测单元的响应特性不一致、光机扫描***缺陷等原因,造成红外图像的非均匀性,体现为图像的固定图案噪声、串扰、畸变等。从上面的分析中可知,红外图像一般较暗,目标图像与背景对比度低,边缘比较模糊,噪声大等。
根据红外图谱的这些特征,首先需要采取均值滤波和中值滤波算法达到平滑去除噪声的红外图谱预处理目的。1)均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素点和其本身像素点。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其邻近的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度值g(x,y),即g(x,y)=1/m∑f(x,y), m为该模板中包含当前像素在内的像素总个数。均值滤波能够有效滤除图像中的加性噪声,但均值滤波本身存在着固有的缺陷,即它不能很好地保护图像细节,在图像去噪的同时也破坏了图像的细节部分,从而使图像变得模糊。均值滤波主要有算术均值滤波,几何均值滤波,谐波均值滤波以及逆谐波均值滤波,本项目拟验证算术均值滤波,几何均值滤波和逆谐波均值滤波的降噪效果。2)中值滤波是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值来替换,其主要功能是让周围像素灰度值差别比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。常规中值滤波器对长拖尾概率分布的噪声能起到良好的平滑效果。不仅如此,它在消除噪声的同时还具有保护边界信息的优点,对图像中的某些细节起到保护作用,因而在图像去噪处理中得到了比较广泛的应用。但是常规中值滤波去脉冲噪声的性能受滤波窗口尺寸的影响较大,而且它在抑制图像噪声和保护细节两方面存在一定的矛盾:取的滤波窗口越小,就可较好地保护图像中某些细节,但滤除噪声的能力会受到限制;反之,取的滤波窗口越大就可加强噪声抑制能力,但对细节的保护能力会减弱。这种矛盾在图像中噪声干扰较大时表现得尤为明显。根据经验:在脉冲噪声强度大于0.2时常规中值滤波的效果就显得不令人满意了。因此,单单采用常规中值滤波的方法在图像去噪应用中是远远不够的,这就需要寻求新的改进算法来解决这一矛盾。 自适应中值滤波器的滤波方式和常规的中值滤波器一样,都使用一个矩形区域的窗口Sxy,不同的是在滤波过程中,自适应滤波器会根据一定的设定条件改变(即增加)滤波窗的大小,同时当判断滤波窗中心的像素是噪声时,该值用中值代替,否则不改变其当前像素值。这样用滤波器的输出来替代像素(x,y)处(即目前滤波窗中心的坐标)的值。经过优化的中值滤波算法可以处理噪声概率更大的脉冲噪声,同时能够更好地保持图像细节。
红外图像特征是指红外图像中温度场的梯度、等温线的形状、温度等级等参数,它们与电力设备热故障的类型和故障位置有着非常密切的关系,研究通过图像处理的方法找出温度场的形状参数以及提取标识区域。红外图像特征信息提取的目的是为了进行图像匹配,进而通过图像匹配找出待诊断热图像与以前的故障形态的相似性,而图像温度场分割的目的是为了建立电力设备红外故障样本库。
红外图谱都具有按规律渐变的丰富色彩,而渐变色的区域就是划分等温线的主要标识,为了进行等温线的识别进而完成温度场的分割,需要对红外图像首先进行灰度化处理,将温度场的形态特征更明确的表示出来。然后进行形态学的闭运算,根据需要凸显等温线。最后进行连通域计算,对相近的温度场进行分割标识。过程中用到的算法原理可简述如下:
a.图像灰度化处理:由于照片都是彩色图像,都是采用RGB颜色模式,处理图像的时候,要分别对RGB三种分量进行处理,实际上RGB并不能反映图像的形态特征,只是从光学的原理上进行颜色的调配。现在有很多其他的颜色模式,例如HSI模式,HSI是由色调,饱和度,亮度三个分量来表示颜色。HSI比RGB更符合人的视觉特性。彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255中值可取,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,其中一个像素点的变化范围为255种,所以在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。方法是根据YUV的颜色空间中,Y的分量的物理意义是点的亮度,由该值反映亮度等级,根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应:Y=0.3R+0.59G+0.11B,以这个亮度值表达图像的灰度值。
b.形态学闭运算:形态学闭运算用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。形态学腐蚀运算是一种消除边界点,使边界向内部收缩的过程。可以用来消除小且无意义的物体。腐蚀的算法:用3x3的结构元素,扫描图像的每一个像素;用结构元素与其覆盖的二值图像做“与”操作;如果都为1,结果图像的该像素为1。否则为0;可将二值图像减小一圈。膨胀是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程。可以用来填补物体中的空洞。膨胀的算法:用3x3的结构元素,扫描图像的每一个像素;用结构元素与其覆盖的二值图像做“与”操作;如果都为0,结果图像的该像素为0。否则为1;可将二值图像扩大一圈。将图像先进行膨胀算法再进行腐蚀算法即完成形态学闭运算。
c.连通域计算:所谓连通域是指由若干像素组成的集合,该集合中的像素具有以下特性: ①所有像素的灰度级别均小于或等于连通域的级别; ②同一个连通域中的像素两两相通,即在任意两个像素之间存在一条完全由这个集合的元素构成的通路。连通域标记是指将图像中符合某种连通规则的像素标识为同一目标,设计合适的数据结构保存每个像素点所属的目标的标号,和保存相关的目标的属性。
对于基于温度场的红外图谱特征提取技术,是通过对红外图像灰度化处理,然后进行形态学闭运算,再进行连通域计算,就可以获得不同温度的温度场数据,将这些温度场数据在原图上进行标识再进行特征提取就获得了红外图谱的温度场特征参数。
一般故障红外图谱都有一个很小的区域是温度最高的区域,从这个区域开 始温度向周边辐射形成一个有温度等级的温度场,而最高温度是一个点或者一 小块区域,将这个点称为最高温度点或者缺陷中心点。红外热像仪是用颜色来 表示温度的高低,颜色越黑的地方温度越低,颜色越白的地方温度越高。将原 图灰度化后彩色热图像变成灰度图像,在红外故障诊断中,一般可以用缺陷中 心来确定故障位罝,而根据红外图像的特点,缺陷中心往往对应着图像像素对 比度最髙或最低的点,红外图像灰度化后,缺陷中心就是灰度值最大的区域或 点,因此搜索公式可以表示为:
Idef=max{I(i,j)>k(ave+k std)}
在公式中,I(i,j)为热图图像像素灰度值,ave为热图图像灰度平均值,std 为热图图像灰度标准偏差,k为比例调节系数,在本箅法中取为1。从红外图 谱可以看出,大部分区域的灰度都是一样的,为了快速定位缺陷中心,在实际 应用中应先求得图像的平均灰度值,然后根据缺陷中心的灰度值是最大的条件 来对灰度值大于平均灰度值的像素点进行搜索比较,进而快速找出缺陷中心。 通过算法的处理,可以很轻松地找出温度最高的区域点的坐标,然后再在原图上 标定出来并作提取特征处理,从而得到红外图谱故障中心点的标识。
本发明的最终目的是利用设备标识对比进行红外图谱故障诊断技术,通过算法的处理,可以很轻松地找出温度最高的区域点的坐标,然后再在原图上标定出来并作提取特征处理,从而得到红外图谱故障中心点的标识。再通过和可见光图谱对设备的标识,明确设备种类以及设备异常区域的相关部件,通过与红外图谱温度异常区域特征进行比对,判断设备那个部件存在温度异常。再根据红外故障样本库进行判断,从而实现对设备红外异常的识别。
因此,首先需要建立红外故障样本库。红外故障样本库需要首先人工对设备红外图谱按设备类型进行分类,找到主要设备典型的可见光图谱、正常红外图谱、异常红外图谱。并根据不同部件的异常情况进行分类。然后对这些典型样本进行分析,对设备和设备部件进行标识,对红外图谱温度场进行划分,找出异常温度区域进行标识。再将可见光标识信息和红外图谱标识信息进行链接比对,从而记录典型故障的特征,形成故障样本库。
本发明中的单片机芯片,实施例选用的是C8051F单片机系列中的性价比较高的C8051F410。它集成了丰富的模拟和数字资源,是完全意义上的低功耗***级的微可见光传感器,主要有以下特征:速度提高:使用SiliconLabs的专利CIP-51微可见光传感器核。CIP-51完全兼容 典型51单片机指令集,采用标准结构的51单片机相比,使用CIP-51内核的单片机采用流水线结构,大大提高了指令执行速度;硬件资源丰富:具备上电复位及电压监视等功能;自带24.5MHz高精度可 编程的内部振荡器;拥有32KB的片内FLASH存储器,2304字节片内RAM; 4 个16位通用定时器、看门狗定时器、12位可编程DAC、24个I/O 口;内置AD转换器:自带12位逐次逼近寄存器型(SAR)ADC,采样率最高可 到200ksps ;单片机24个外部端口都可以通过一个27通道的多路模拟开关选择 器配置为ADC的输入;ADC的基准电压可根据需要由编程选择内部基准或外部基准;低功耗、完善的时钟***、先进的非侵入式***调试技术。预警单元包括现场声光预警单元和网络云数据传输预警单元,可以在专家诊断结果成型后,对比数据库的结果输出预警诊断,实现快捷准确的故障诊断结果。
显示单元包括连接光伏阵列的人机交互界面,光伏阵列连接直流蓄电池,可以通过太阳能供源,从而增加***的持续性和安全可靠性。无线传输模块包括GSM数传模块与CDMA数传模块,CDMA和GSM均是目前已经应用成熟与稳定的2G通信的主流制式,在通信质量上,CDMA的通信质量要高于GSM,在相同环境下语音通信,CDMA的杂音要比GSM小很多,在手机辐射上,CDMA采用了出色的功率控制技术,也要比GSM小;然而,GSM在信号传输的稳定性上,采用时分多址的数字移动通信模式,在应用范围以及简单的短信传输上,在成本与应用范围上均具有优势,所以在本发明中应根据具体情况,择优选取。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.基于红外图谱技术的电力故障诊断预警***,其特征在于:包括顺次连接的识别模块、分析模块与诊断显示模块,所述识别模块包括图像采集客户端及其连接的处理电路,所述分析模块包括图像智能分析单元及其连接的通信单元,所述诊断显示模块包括预警单元、显示单元,所述处理电路连接所述图像智能分析单元,所述通信单元连接所述诊断显示模块,所述图像采集客户端包括红外热像传感器、数据采集卡与可见光传感器,所述处理电路包括数据集中器与信号处理单元,所述可见光传感器、所述红外热像传感器连接所述数据采集卡;所述图像采集客户端采集红外数据,并结合以可见光方式采集的设备信息,经处理后送入所述分析模块形成设备图像自动标注模型。
2.如权利要求1所述的基于红外图谱技术的电力故障诊断预警***,其特征在于:所述图像智能分析单元包括单片机芯片、网络服务器及数据存储器,所述通信单元包括无线传输模块与双向网络通信接口。
3.如权利要求1所述的基于红外图谱技术的电力故障诊断预警***,其特征在于:所述设备图像自动标注模型基于光学字符识别***算法,以单片机芯片进行指令调配,以网络服务器进行数据来源比对,以数据存储器进行模型结果存储;所述光学字符识别***算法包括:1)设备图像预处理;2)特征提取;3)模式识别;4)结果标注。
4.如权利要求1所述的基于红外图谱技术的电力故障诊断预警***,其特征在于:所述信号处理单元包括红外图谱预处理单元、温度场分割单元、红外图谱特征提取单元和设备标识比对单元。
5.如权利要求4所述的基于红外图谱技术的电力故障诊断预警***,其特征在于:所述红外图谱预处理单元包括自适应中值滤波器和均值滤波器。
6.如权利要求4所述的基于红外图谱技术的电力故障诊断预警***,其特征在于:所述温度场分割单元通过图像处理的方法找出温度场的形状参数以及提取标识区域,建立电力设备红外故障样本库。
7.如权利要求1所述的基于红外图谱技术的电力故障诊断预警***,其特征在于:所述显示单元包括连接光伏阵列的人机交互界面,所述光伏阵列连接直流蓄电池。
8.如权利要求2所述的基于红外图谱技术的电力故障诊断预警***,其特征在于:所述无线传输模块包括GSM数传模块与CDMA数传模块。
9.如权利要求1所述的基于红外图谱技术的电力故障诊断预警***,其特征在于:预警单元包括现场声光预警单元和网络云数据传输预警单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810119765.5A CN108389137A (zh) | 2018-02-06 | 2018-02-06 | 基于红外图谱技术的电力故障诊断预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810119765.5A CN108389137A (zh) | 2018-02-06 | 2018-02-06 | 基于红外图谱技术的电力故障诊断预警*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108389137A true CN108389137A (zh) | 2018-08-10 |
Family
ID=63075306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810119765.5A Pending CN108389137A (zh) | 2018-02-06 | 2018-02-06 | 基于红外图谱技术的电力故障诊断预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389137A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165625A (zh) * | 2018-09-11 | 2019-01-08 | 国网山东省电力公司莱芜供电公司 | 一种基于图像识别的试验报告智能生成方法 |
CN109443812A (zh) * | 2018-09-21 | 2019-03-08 | 同济大学 | 基于图像数据的暖通空调设备故障诊断方法及*** |
CN109448009A (zh) * | 2018-11-21 | 2019-03-08 | 国网江苏省电力有限公司扬州供电分公司 | 用于输电线路检测的红外图像处理方法及装置 |
CN109544497A (zh) * | 2018-11-21 | 2019-03-29 | 国网江苏省电力有限公司扬州供电分公司 | 用于输电线路检测的图像融合方法及电子设备 |
CN109543505A (zh) * | 2018-09-29 | 2019-03-29 | 江苏濠汉智能设备有限公司 | 一种基于视频图像的目标检测***及方法 |
CN109553140A (zh) * | 2018-12-05 | 2019-04-02 | 江西书源科技有限公司 | 家用净水机的远程控制方法 |
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110487410A (zh) * | 2019-07-31 | 2019-11-22 | 上海电力大学 | 多模态图像特征融合的电力设备构件温度提取方法及装置 |
CN110517245A (zh) * | 2019-08-20 | 2019-11-29 | 北京远舢智能科技有限公司 | 一种机械设备故障诊断*** |
CN110850723A (zh) * | 2019-12-02 | 2020-02-28 | 西安科技大学 | 一种基于变电站巡检机器人***的故障诊断及定位方法 |
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 |
CN111458030A (zh) * | 2020-03-11 | 2020-07-28 | 华瑞新智科技(北京)有限公司 | 一种红外人体测温的校准方法以及装置 |
CN111488868A (zh) * | 2020-03-27 | 2020-08-04 | 贵州电网有限责任公司 | 一种基于变压器红外图像的高温区域识别方法及*** |
CN111751002A (zh) * | 2020-05-15 | 2020-10-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于红外热成像的带电设备故障智能诊断方法 |
CN111862073A (zh) * | 2020-07-29 | 2020-10-30 | 广东电网有限责任公司 | 一种电力设备的温度采集方法和装置 |
CN112233133A (zh) * | 2020-10-29 | 2021-01-15 | 上海电力大学 | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 |
CN112241707A (zh) * | 2020-10-19 | 2021-01-19 | 华能阜新风力发电有限责任公司 | 一种风电场智能视频识别装置 |
CN112634590A (zh) * | 2020-11-12 | 2021-04-09 | 珠海许继电气有限公司 | 一种基于视觉识别技术的台区故障检测方法及装置 |
CN113239731A (zh) * | 2021-04-12 | 2021-08-10 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113610874A (zh) * | 2021-06-21 | 2021-11-05 | 福建睿思特科技股份有限公司 | 一种基于ai深度学习的多功能电力图像智能分析装置 |
CN113609901A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种输变电设备故障监测方法及*** |
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 |
CN116188471A (zh) * | 2023-05-04 | 2023-05-30 | 飞杨电源技术(深圳)有限公司 | 一种用于磷酸铁锂电池充电器的智能缺陷检测方法 |
CN116362166A (zh) * | 2023-05-29 | 2023-06-30 | 青岛泰睿思微电子有限公司 | 芯片封装用的图谱合并***及方法 |
CN117113283A (zh) * | 2023-10-25 | 2023-11-24 | 天津阿尔法优联电气有限公司 | 隔离开关的状态识别方法及*** |
CN117312930A (zh) * | 2023-11-29 | 2023-12-29 | 南京邮电大学 | 一种变压器零样本故障诊断方法、装置、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654135A (zh) * | 2015-12-30 | 2016-06-08 | 成都数联铭品科技有限公司 | 一种基于递归神经网络的图像文字序列识别*** |
CN106980933A (zh) * | 2017-03-24 | 2017-07-25 | 国家电网公司 | 一种电力***隐患及跳闸风险分析*** |
CN107622104A (zh) * | 2017-09-11 | 2018-01-23 | 中央民族大学 | 一种文字图像识别标注方法及*** |
CN107643125A (zh) * | 2017-08-14 | 2018-01-30 | 中车青岛四方机车车辆股份有限公司 | 设备故障的确定方法和装置 |
-
2018
- 2018-02-06 CN CN201810119765.5A patent/CN108389137A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654135A (zh) * | 2015-12-30 | 2016-06-08 | 成都数联铭品科技有限公司 | 一种基于递归神经网络的图像文字序列识别*** |
CN106980933A (zh) * | 2017-03-24 | 2017-07-25 | 国家电网公司 | 一种电力***隐患及跳闸风险分析*** |
CN107643125A (zh) * | 2017-08-14 | 2018-01-30 | 中车青岛四方机车车辆股份有限公司 | 设备故障的确定方法和装置 |
CN107622104A (zh) * | 2017-09-11 | 2018-01-23 | 中央民族大学 | 一种文字图像识别标注方法及*** |
Non-Patent Citations (1)
Title |
---|
杨洋: ""电气设备红外图像分析与处理"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165625A (zh) * | 2018-09-11 | 2019-01-08 | 国网山东省电力公司莱芜供电公司 | 一种基于图像识别的试验报告智能生成方法 |
CN109443812A (zh) * | 2018-09-21 | 2019-03-08 | 同济大学 | 基于图像数据的暖通空调设备故障诊断方法及*** |
CN109543505A (zh) * | 2018-09-29 | 2019-03-29 | 江苏濠汉智能设备有限公司 | 一种基于视频图像的目标检测***及方法 |
CN109448009A (zh) * | 2018-11-21 | 2019-03-08 | 国网江苏省电力有限公司扬州供电分公司 | 用于输电线路检测的红外图像处理方法及装置 |
CN109544497A (zh) * | 2018-11-21 | 2019-03-29 | 国网江苏省电力有限公司扬州供电分公司 | 用于输电线路检测的图像融合方法及电子设备 |
CN109553140A (zh) * | 2018-12-05 | 2019-04-02 | 江西书源科技有限公司 | 家用净水机的远程控制方法 |
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110487410A (zh) * | 2019-07-31 | 2019-11-22 | 上海电力大学 | 多模态图像特征融合的电力设备构件温度提取方法及装置 |
CN110487410B (zh) * | 2019-07-31 | 2021-03-02 | 上海电力大学 | 多模态图像特征融合的电力设备构件温度提取方法及装置 |
CN110517245A (zh) * | 2019-08-20 | 2019-11-29 | 北京远舢智能科技有限公司 | 一种机械设备故障诊断*** |
CN110517245B (zh) * | 2019-08-20 | 2021-09-07 | 北京远舢智能科技有限公司 | 一种机械设备故障诊断*** |
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 |
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 |
CN110850723A (zh) * | 2019-12-02 | 2020-02-28 | 西安科技大学 | 一种基于变电站巡检机器人***的故障诊断及定位方法 |
CN111458030A (zh) * | 2020-03-11 | 2020-07-28 | 华瑞新智科技(北京)有限公司 | 一种红外人体测温的校准方法以及装置 |
CN111458030B (zh) * | 2020-03-11 | 2021-04-09 | 华瑞新智科技(北京)有限公司 | 一种红外人体测温的校准方法以及装置 |
CN111488868A (zh) * | 2020-03-27 | 2020-08-04 | 贵州电网有限责任公司 | 一种基于变压器红外图像的高温区域识别方法及*** |
CN111488868B (zh) * | 2020-03-27 | 2023-06-30 | 贵州电网有限责任公司 | 一种基于变压器红外图像的高温区域识别方法及*** |
CN111751002A (zh) * | 2020-05-15 | 2020-10-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于红外热成像的带电设备故障智能诊断方法 |
CN111862073A (zh) * | 2020-07-29 | 2020-10-30 | 广东电网有限责任公司 | 一种电力设备的温度采集方法和装置 |
CN112241707A (zh) * | 2020-10-19 | 2021-01-19 | 华能阜新风力发电有限责任公司 | 一种风电场智能视频识别装置 |
CN112233133A (zh) * | 2020-10-29 | 2021-01-15 | 上海电力大学 | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 |
CN112634590A (zh) * | 2020-11-12 | 2021-04-09 | 珠海许继电气有限公司 | 一种基于视觉识别技术的台区故障检测方法及装置 |
CN112634590B (zh) * | 2020-11-12 | 2023-10-31 | 珠海许继电气有限公司 | 一种基于视觉识别技术的台区故障检测方法及装置 |
CN113239731B (zh) * | 2021-04-12 | 2022-06-14 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113239731A (zh) * | 2021-04-12 | 2021-08-10 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113610874A (zh) * | 2021-06-21 | 2021-11-05 | 福建睿思特科技股份有限公司 | 一种基于ai深度学习的多功能电力图像智能分析装置 |
CN113610874B (zh) * | 2021-06-21 | 2024-03-12 | 福建睿思特科技股份有限公司 | 一种基于ai深度学习的多功能电力图像智能分析装置 |
CN113609901A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种输变电设备故障监测方法及*** |
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 |
CN116188471A (zh) * | 2023-05-04 | 2023-05-30 | 飞杨电源技术(深圳)有限公司 | 一种用于磷酸铁锂电池充电器的智能缺陷检测方法 |
CN116362166A (zh) * | 2023-05-29 | 2023-06-30 | 青岛泰睿思微电子有限公司 | 芯片封装用的图谱合并***及方法 |
CN117113283A (zh) * | 2023-10-25 | 2023-11-24 | 天津阿尔法优联电气有限公司 | 隔离开关的状态识别方法及*** |
CN117113283B (zh) * | 2023-10-25 | 2024-01-26 | 天津阿尔法优联电气有限公司 | 隔离开关的状态识别方法及*** |
CN117312930A (zh) * | 2023-11-29 | 2023-12-29 | 南京邮电大学 | 一种变压器零样本故障诊断方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389137A (zh) | 基于红外图谱技术的电力故障诊断预警*** | |
CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
Manno et al. | Deep learning strategies for automatic fault diagnosis in photovoltaic systems by thermographic images | |
Shahtahmassebi et al. | Remote sensing of urban green spaces: A review | |
CN109544497A (zh) | 用于输电线路检测的图像融合方法及电子设备 | |
Pouliot et al. | Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration | |
CN101493980B (zh) | 一种基于多特征融合的快速视频火焰探测方法 | |
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
Kumar et al. | N-CNN based transfer learning method for classification of powdery mildew wheat disease | |
CN109242439A (zh) | 基于变电站设备相关联数据的特征提取识别方法 | |
CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
CN112347895A (zh) | 一种基于边界优化神经网络的舰船遥感目标检测方法 | |
CN116543241B (zh) | 泄露气体云团的检测方法、装置、存储介质和电子设备 | |
CN108344931A (zh) | 基于紫外图谱技术的电力设备安全分析*** | |
Oishi et al. | A new Landsat 8 cloud discrimination algorithm using thresholding tests | |
CN108280449A (zh) | 基于多光谱传感器组的电力设备影像采集方法 | |
CN107679569A (zh) | 基于自适应超图算法的拉曼光谱物质自动识别方法 | |
Zheng et al. | Using continous wavelet analysis for monitoring wheat yellow rust in different infestation stages based on unmanned aerial vehicle hyperspectral images | |
Cohen et al. | An introduction to digital methods in remote sensing of forested ecosystems: focus on the Pacific Northwest, USA | |
Quan et al. | Tree species classification in a typical natural secondary forest using UAV-borne LiDAR and hyperspectral data | |
Zhang et al. | Contrail recognition with convolutional neural network and contrail parameterizations evaluation | |
CN112304364A (zh) | 一种耗能换流阀的全景巡检方法及耗能换流阀的监视装置 | |
Tan et al. | Automatic extraction of built-up area based on deep convolution neural network | |
Zhou et al. | Mathematic descriptors for identifying plant species: A case study on urban landscape vegetation | |
CN110991243A (zh) | 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 |
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: 20180810 |