CN111738148A - 一种利用红外巡检拍摄的故障识别方法 - Google Patents
一种利用红外巡检拍摄的故障识别方法 Download PDFInfo
- Publication number
- CN111738148A CN111738148A CN202010573632.2A CN202010573632A CN111738148A CN 111738148 A CN111738148 A CN 111738148A CN 202010573632 A CN202010573632 A CN 202010573632A CN 111738148 A CN111738148 A CN 111738148A
- Authority
- CN
- China
- Prior art keywords
- equipment
- detected
- camera
- fault
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000007689 inspection Methods 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims description 37
- 239000003990 capacitor Substances 0.000 claims description 10
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000012212 insulator Substances 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/02—Sensing devices
- B25J19/04—Viewing devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供了一种利用红外巡检拍摄的故障识别方法,属于设备管理领域。本发明包括如下步骤:步骤1,将相机设置为最广角状态后拍摄全景图,并存储全景图;步骤2,对全景图进行检测及图像分割,得到全景分割图,初步确定待检设备中存在故障的设备;步骤3,确定在全景分割图中待检设备的数量,设置待检设备巡检的检测顺序;步骤4,对待检设备进行拍摄,得单个待检设备图片;步骤5,对单个待检设备图片的进行识别;步骤6,对单个待检设备图片进行图像分割,确定与该单个待检设备图片相对应的待检设备是否存在故障;步骤7,生成待检设备的检测报告。本发明可以对每个设备在短时间内实现两次检测判断其是否存在故障。
Description
技术领域
本发明属于设备管理领域,具体涉及一种利用红外巡检拍摄的故障识别方法。
背景技术
传统的变电站的故障检测主要通过人工检测。由于变电站设备多,因此需要大量专业人员,非常耗费人力和物力。
现有技术中,虽然智能巡检机器人被广泛地应用于设备故障检测中,通过安装有红外探头的巡检机器人测量设备的温度来检测设备是否存在故障,但由于变电站中设备众多,有时无法精确定位到具体设备上,因此只能做参考。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种降低变电站的人力消耗和成本的利用红外巡检拍摄的故障识别方法。
本发明提供了一种利用红外巡检拍摄的故障识别方法,用于使用带有红外镜头的相机的巡检机器人对待检区域中的待检设备进行故障识别,待检区域中具有a个机器人作业点,巡检机器人存储有待检区域图、所有待检设备的信息列表以及所有机器人作业点的位置信息,信息列表用于记录待检设备的类型和编号,具有这样的特征,包括如下步骤:步骤1,巡检机器人移动到第n个机器人作业点,将相机设置为最广角状态后拍摄全景图,并存储全景图,进入步骤2;步骤2,对全景图进行检测,在全景图中在每一个待检设备外生成检测框,并识别每一个待检设备的类型,然后对所有检测框内的图像进行像素级别图像分割,得到全景分割图,利用红外镜头对全景分割图中的设备区域进行红外像素级别测温,使用预定的故障确定方法初步确定待检设备中存在故障的设备,进入步骤3;步骤3,确定在全景分割图中待检设备的数量为b个,设置b个待检设备巡检的检测顺序,进入步骤4;步骤4,根据检测顺序,巡检机器人对第m个待检设备进行拍摄,得单个待检设备图片,进入步骤5;步骤5,对单个待检设备图片的进行识别,确认该单个待检设备图片相对应的待检设备的类型和编号,进入步骤6;步骤6,对单个待检设备图片进行图像分割,得到单个设备分割图,对单个设备分割图的设备区域进行红外像素级别测温,使用预定的故障确定方法确定与该单个待检设备图片相对应的待检设备是否存在故障,进入步骤7;步骤7,生成待检设备的检测报告,从信息列表中删除该待检设备的信息,进入步骤8;步骤8,判断m是否等于b,当判断为是时,进入步骤9,否则令m=m+1,并返回步骤4;步骤9,判断n是否等于a,当判断为是时,结束,否则令n=n+1,并返回步骤1,其中,a、b、n以及m均为大于等于1的正整数,n和m的起始值均为1。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,在步骤2中,对全景图进行检测的算法为fasterrcnn算法。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,在步骤2中对所有检测框内的图像进行像素级别图像分割以及在步骤6中对单个待检设备图片进行图像分割的算法为maskrcnn算法。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,在步骤3中,还会分别判断在步骤2中生成的检测框是否超出全景图的边界,当判断为是时,则不将该检测框内的待检设备加入到检测顺序中,否则不进行任何操作。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,在步骤5中,对单个待检设备图片进行识别的方法为光学字符识别。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,相机的最广角状态为俯仰角0°,偏航角0°,调整焦距使相机视野范围最大。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,在步骤4中,巡检机器人对第m个待检设备进行拍摄的方法包括如下步骤:步骤4-1,将相机调节为最广角状态;步骤4-2,巡检机器人调节相机的俯仰角,在调节俯仰角的过程中,相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在截图的图片中在待检设备外生成视频流检测框,确定视频流检测框最接近相机屏幕垂直方向中心时相机的俯仰角为α,调节相机的俯仰角为α;步骤4-3,巡检机器人调节相机的偏航角,在调节偏航角的过程中,相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在截图的图片中在待检设备外生成视频流检测框,确定视频流检测框最接近相机屏幕水平方向中心时相机的偏航角为β,调节相机的偏航角为β;步骤4-4,巡检机器人调节相机的焦距,在调节焦距的过程中,相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在截图的图片中在待检设备外生成视频流检测框,取视频流检测框最接近相机屏幕面积80%时的图片为第m个单个待检设备的图片。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,当待检设备类型为电容器时,预定的故障判断方法包括如下步骤:步骤1,确定设备区域内的最高温度为T1,平均温度为T2;步骤2,当T1-T2<2,确定电容器不存在故障,当T1-T2≥2,确定电容器存在紧急缺陷。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,当所述待检设备类型为套管时,所述预定的故障判断方法包括如下步骤:步骤1,确定所述设备区域内的最高温度为T1,平均温度为T2,环境温度为T0,并令步骤2,当T1-T2≤10时,确定所述套管不存在故障,当T1-T2>10或0.8>r≥0.35时,确定所述套管存在一般缺陷,当T1>55或0.95>r≥0.8时,确定所述套管存在严重缺陷,当T1>80或r≥0.95时,确定所述套管存在紧急缺陷。
在本发明提供的利用红外巡检拍摄的故障识别方法中,还可以具有这样的特征:其中,步骤3中设置b个待检设备巡检的检测顺序的优先顺序依次为存在紧急缺陷的待检设备、存在严重缺陷的待检设备、存在一般缺陷的待检设备以及不存在故障的待检设备。
发明的作用与效果
根据本发明所涉及的利用红外巡检拍摄的故障识别方法,因为当巡检机器人到达一个作业点时,先通过拍摄该作业点的全景图来对待检设备中可能存在故障的设备进行初步判断,再对单个设备进行拍摄,进行再次判断,所以,本发明可以对每个设备在短时间内实现两次检测是否存在故障。
附图说明
图1是本发明的实施例中巡检机器人使用利用红外巡检拍摄的故障识别方法对某变电站进行巡检的路线图;以及
图2是本发明的实施例中利用红外巡检拍摄的故障识别方法的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明作具体阐述。
在下述实施例中,图像分割是指把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术或过程。
在下述实施例中,fasterrcn算法的神经网络框架为经典神经网络框架,训练的数据集为含有电力设备的图像。电力领域的专家对图像进行分析,人工标注图像中电力设备的识别框,形成训练集。训练时通过调节训练超参数使得神经网络在验证集上有最好的检测结果。fasterrcnn算法用检测框的方式输出电力设备及其它们的位置。
在下述实施例中,maskrcnn算法的神经网络框架为经典神经网络框架,训练的数据集为含有电力设备的图像。电力领域的专家对图像进行分析,人工标注图像中电力设备的像素级别的图像分割结果,形成训练集。训练时通过调节训练超参数使得神经网络在验证集上有最好的图像分割结果。maskrcnn算法识别检测框中的像素级别的设备区域和背景区域。
在下述实施例中,巡检机器人具有云台和一个双镜头相机,其中,双镜头分别为可见光镜头和红外光镜头,均可实现像素级别自动对齐,可见光镜头安装在云台上,云台可以控制相机拍摄的俯仰角和偏航角,相机可以变焦和执行拍摄命令。
<实施例>
图1是本发明的实施例中巡检机器人使用利用红外巡检拍摄的故障识别方法对某变电站进行巡检的路线图。
如图1所示,图中五角星代表巡检机器人的初始位置。黑色实线代表过道,所有过道两侧均设置有待检设备,所有的待检设备外侧均有一个写明该设备类型和编号的铭牌。黑色方框代表机器人作业点,共有a个,在本实施例中共有12个机器人作业点,即a=12。带箭头的线代表巡检机器人在不同作业点之间的移动路线。虚线框内区域为待检区域。
在本实施例中,巡检机器人存储有待检区域的地图、所有待检设备的信息列表(包括所有待检设备的类型及编号)、所有机器人作业点的位置信息以及作业点之间的移动路线。
图2是本发明的实施例中利用红外巡检拍摄的故障识别方法的流程图。
如图2所示,本实施例提供的利用红外巡检拍摄的故障识别方法包括如下步骤:
步骤1,巡检机器人移动到第n个机器人作业点,将相机设置为最广角状态(即俯仰角0°,偏航角0°,调整焦距使相机视野范围最大)后拍摄全景图,并存储全景图,其中n的起始值为1,进入步骤2;
步骤2,利用训练好的fasterrcn算法对全景图进行检测,在全景图中在每一个待检设备外生成检测框,并识别每一个待检设备的类型,然后利用maskrcnn算法对所有检测框内的图像进行像素级别图像分割,得到全景分割图,全景分割图中包括设备区域和背景区域,利用红外镜头对全景分割图中的设备区域进行红外像素级别测温,使用预定的故障确定方法初步确定待检设备中存在故障的设备,进入步骤3;
在本实施例中,温度识别设备故障流程参照中华人民共和国电力行业标准(DLT-664-2016,《带电设备红外诊断应用规范》)进行,具体地,预定的故障确定方法根据待检设备的类型的不同而不同,具体如下:
当所述待检设备类型为变压器时,所述预定的故障判断方法包括如下步骤:
步骤2,当T1-T2≤15或r<0.35时,确定所述变压器不存在故障,当T1-T2>15或0.8>r≥0.35时,确定所述变压器存在一般缺陷,当T1>80或0.95>r≥0.8时,确定所述变压器存在严重缺陷,当T1>110或r≥0.95时,确定所述变压器存在紧急缺陷。
当所述待检设备类型为电容器时,所述预定的故障判断方法包括如下步骤:
步骤1,确定设备区域内的最高温度为T1,平均温度为T2;
步骤2,当T1-T2<2,确定所述电容器不存在故障,当T1-T2≥2,确定所述电容器存在紧急缺陷。
当所述待检设备类型为套管时,所述预定的故障判断方法包括如下步骤:
步骤2,当T1-T2≤10时,确定所述套管不存在故障,当T1-T2>10或0.8>r≥0.35时,确定所述套管存在一般缺陷,当T1>55或0.95>r≥0.8时,确定所述套管存在严重缺陷,当T1>80或r≥0.95时,确定所述套管存在紧急缺陷。
当所述待检设备类型为避雷器时,所述预定的故障判断方法包括如下步骤:
步骤1,确定设备区域内的最高温度为T1,平均温度为T2;
步骤2,当T1-T2<0.5,确定所述避雷器不存在故障,当T1-T2≥0.5,确定所述避雷器存在紧急缺陷。
当所述待检设备类型为绝缘子时,所述预定的故障判断方法包括如下步骤:
步骤1,确定设备区域内的最高温度为T1,平均温度为T2;
步骤2,当T1-T2<0.5,确定所述绝缘子不存在故障,当T1-T2≥0.5,确定所述绝缘子存在紧急缺陷。
当所述待检设备类型为电感时,所述预定的故障判断方法包括如下步骤:
步骤2,当T1-T2≤10时,确定所述电感不存在故障,当T1-T2>10或0.8>r≥0.35时,确定所述电感存在一般缺陷,当T1>55或0.95>r≥0.8时,确定所述电感存在严重缺陷,当T1>80或r≥0.95时,确定所述电感存在紧急缺陷。
当所述待检设备类型为断路器时,所述预定的故障判断方法包括如下步骤:
步骤2,当T1-T2≤10时,确定所述断路器不存在故障,当T1-T2>10或0.8>r≥0.35时,确定所述断路器存在一般缺陷,当T1>55或0.95>r≥0.8时,确定所述断路器存在严重缺陷,当T1>80或r≥0.95时,确定所述断路器存在紧急缺陷。
当所述待检设备类型为隔离开关时,所述预定的故障判断方法包括如下步骤:
步骤2,当T1-T2≤10或r<0.35时,确定所述隔离开关不存在故障,当T1-T2>10或0.8>r≥0.35时,确定所述隔离开关存在一般缺陷,当T1>55或0.95>r≥0.8时,确定所述隔离开关存在严重缺陷,当T1>80或r≥0.95时,确定所述隔离开关存在紧急缺陷。
当所述待检设备类型为电流互感器时,所述预定的故障判断方法包括如下步骤:
步骤2,当T1-T2≤10时,确定所述电流互感器不存在故障,当T1-T2>10或0.8>r≥0.35时,确定所述电流互感器存在一般缺陷,当T1>55或0.95>r≥0.8时,确定所述电流互感器存在严重缺陷,当T1>80或r≥0.95时,确定所述电流互感器存在紧急缺陷。
当所述待检设备类型为电压互感器时,所述预定的故障判断方法包括如下步骤:
步骤1,确定设备区域内的最高温度为T1,平均温度为T2;
步骤2,当T1-T2<2,确定所述电压互感器不存在故障,当T1-T2≥2,确定所述电压互感器存在紧急缺陷。
当所述待检设备类型为散热器时,所述预定的故障判断方法包括如下步骤:
步骤2,当T1-T2≤15或r<0.35时,确定所述散热器不存在故障,当T1-T2>15或0.8>r≥0.35时,确定所述散热器存在一般缺陷,当T1>80或0.95>r≥0.8时,确定所述散热器存在严重缺陷,当T1>110或r≥0.95时,确定所述散热器存在紧急缺陷。
步骤3,分别判断全景分割图中的每一个待检设备检测框是否已经到达全景分割图的边界,当判断为是时,则不将该检测框内的待检设备加入到检测顺序中,否则不进行任何操作,确定在全景分割图中需要检测的待检设备的数量为b个,设置b个待检设备巡检的检测顺序,,进入步骤4;
在本实施例中,优先顺序依次为存在紧急故障的待检设备、存在严重故障的待检设备、存在一般故障的待检设备以及不存在故障的待检设备,如果存在多个故障级别相同的待检设备,则根据设备类型决定优先顺序,设备类型的优先顺序依次为变压器、电容器、套管、避雷器、绝缘子、电感、断路器、隔离开关、电流互感器、电压互感器、散热器,在别的实施例中,检测顺序可以根据实际需求调整;
步骤4,根据检测顺序,巡检机器人对第m个待检设备进行拍摄,m的起始值为1,得单个待检设备图片,进入步骤5;
在本实施例中,步骤4中巡检机器人对第m个待检设备进行拍摄的方法包括如下步骤:
步骤4-1,将相机调节为最广角状态(即俯仰角0°,偏航角0°,调整焦距使相机视野范围最大);
步骤4-2,巡检机器人调节相机的俯仰角,在调节俯仰角的过程中,相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在截图的图片中在待检设备外生成视频流检测框,确定视频流检测框最接近相机屏幕垂直方向中心时相机的俯仰角为α,调节相机的俯仰角为α;
步骤4-3,巡检机器人调节相机的偏航角,在调节偏航角的过程中,相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在截图的图片中在待检设备外生成视频流检测框,确定视频流检测框最接近相机屏幕水平方向中心时相机的偏航角为β,调节相机的偏航角为β;
步骤4-4,巡检机器人调节相机的焦距,在调节焦距的过程中,相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在截图的图片中在待检设备外生成视频流检测框,取视频流检测框最接近相机屏幕面积80%时的图片为第m个单个待检设备的图片。
步骤5,对单个待检设备图片的进行光学字符识别(OCR识别),确认该单个待检设备图片相对应的待检设备的类型和编号,进入步骤6;在某些特殊情况中,会出现通过OCR识别设备铭牌的名称编号不在设备列表中的情况,此时可以将识别出的设备名称编号与地图上的设备名称编号进行字符对照,如果大部分相同,则也可以确认设备。
步骤6,对单个待检设备图片进行图像分割,得到单个设备分割图,对单个设备分割图的设备区域进行红外像素级别测温,使用预定的故障确定方法确定与该单个待检设备图片相对应的待检设备是否存在故障,进入步骤7;在本实施例中步骤6使用的预定的故障确定方法与步骤2中使用的预定的故障确定方法相同,在此不再赘述,但是在别的实施例中,步骤2和步骤6中使用的预定的故障确定方法可以不同;
步骤7,生成所述待检设备的检测报告,从信息列表中删除该待检设备的信息,表明该设备已经被检查过了,不会在之后的作业点再对该设备进行检测,进入步骤8;
步骤8,判断m是否等于b,当判断为是时,进入步骤9,否则令m=m+1,并返回步骤4;
步骤9,判断n是否等于a,当判断为是时,结束,否则令n=n+1,并返回步骤1。
实施例的作用与效果
根据本实施例所涉及的利用红外巡检拍摄的故障识别方法,因为当巡检机器人到达一个作业点时,先通过拍摄该作业点的全景图来对待检设备中可能存在故障的设备进行初步判断,再对单个设备进行拍摄,进行再次判断,所以,本实施例可以对每个设备在短时间内实现两次检测是否存在故障。
根据本实施例所涉及的利用红外巡检拍摄的故障识别方法,因为在对拍摄某个特定设备时采用云台和相机控制,改变相机的拍摄的俯仰角和偏航角,并对相机进行变焦,使得相机只拍摄特定设备,并占到屏幕的一个固定比例,所以本实施例能够实现对每个设备的拍摄,并且拍摄的图像非常清晰完整,有利于后续对图像的检测和分割。
根据本实施例所涉及的利用红外巡检拍摄的故障识别方法,因为采用红外镜头计算图像分割后的设备区域每一个像素点的温度,通过进一步计算判断是否存在故障,并且针对不同类型的设备,计算方法和判断标准也不同,所以,本实施例对设备故障的判断更为准确。
根据本实施例所涉及的利用红外巡检拍摄的故障识别方法,因为采用事先训练好的fasterrcnn算法对图像进行检测,采用事先训练好的maskrcnn算法对图像进行图像分割,因此本实施例不仅对设备类型的检测速度快准确性高,而且对图片的分割也很快速准确,为后续判断设备是否存在故障奠定了坚实的基础。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (10)
1.一种利用红外巡检拍摄的故障识别方法,用于使用带有红外镜头的相机的巡检机器人对待检区域中的待检设备进行故障识别,所述待检区域中具有a个机器人作业点,所述巡检机器人存储有所述待检区域图、所有所述待检设备的信息列表以及所有所述机器人作业点的位置信息,所述信息列表用于记录所述待检设备的类型和编号,其特征在于,包括如下步骤:
步骤1,所述巡检机器人移动到第n个机器人作业点,将所述相机设置为最广角状态后拍摄全景图,并存储所述全景图,进入步骤2;
步骤2,对所述全景图进行检测,在所述全景图中在每一个所述待检设备外生成检测框,并识别每一个所述待检设备的类型,然后对所有所述检测框内的图像进行像素级别图像分割,得到全景分割图,利用所述红外镜头对所述全景分割图中的设备区域进行红外像素级别测温,使用预定的故障确定方法初步确定所述待检设备中存在故障的设备,进入步骤3;
步骤3,确定在所述全景分割图中所述待检设备的数量为b个,设置b个所述待检设备巡检的检测顺序,进入步骤4;
步骤4,根据所述检测顺序,所述巡检机器人对第m个所述待检设备进行拍摄,得单个待检设备图片,进入步骤5;
步骤5,对所述单个待检设备图片的进行识别,确认该单个待检设备图片相对应的待检设备的类型和编号,进入步骤6;
步骤6,对所述单个待检设备图片进行图像分割,得到单个设备分割图,对所述单个设备分割图的设备区域进行红外像素级别测温,使用预定的故障确定方法确定与该单个待检设备图片相对应的待检设备是否存在故障,进入步骤7;
步骤7,生成所述待检设备的检测报告,从所述信息列表中删除该待检设备的信息,进入步骤8;
步骤8,判断m是否等于b,当判断为是时,进入步骤9,否则令m=m+1,并返回步骤4;
步骤9,判断n是否等于a,当判断为是时,结束,否则令n=n+1,并返回步骤1,
其中,a、b、n以及m均为大于等于1的正整数,n和m的起始值均为1。
2.根据权利要求1所述的利用红外巡检拍摄的故障识别方法,其特征在于:
其中,在步骤2中,对所述全景图进行检测的算法为fasterrcnn算法。
3.根据权利要求1所述的利用红外巡检拍摄的故障识别方法,其特征在于:
其中,在步骤2中对所有所述检测框内的图像进行像素级别图像分割以及在步骤6中对所述单个待检设备图片进行图像分割的算法为maskrcnn算法。
4.根据权利要求1所述的利用红外巡检拍摄的故障识别方法,其特征在于:
其中,在步骤3中,还会分别判断在步骤2中生成的所述检测框是否超出所述全景图的边界,当判断为是时,则不将该检测框内的所述待检设备加入到检测顺序中,否则不进行任何操作。
5.根据权利要求1所述的利用红外巡检拍摄的故障识别方法,其特征在于:
其中,在步骤5中,对所述单个待检设备图片进行识别的方法为光学字符识别。
6.根据权利要求1所述的利用红外巡检拍摄的故障识别方法,其特征在于,
其中,所述相机的最广角状态为俯仰角0°,偏航角0°,调整焦距使所述相机视野范围最大。
7.根据权利要求1所述的利用红外巡检拍摄的故障识别方法,其特征在于,
其中,在步骤4中,所述巡检机器人对第m个所述待检设备进行拍摄的方法包括如下步骤:
步骤4-1,将所述相机调节为最广角状态;
步骤4-2,所述巡检机器人调节所述相机的俯仰角,在调节所述俯仰角的过程中,所述相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在所述截图的图片中在所述待检设备外生成视频流检测框,确定所述视频流检测框最接近相机屏幕垂直方向中心时所述相机的俯仰角为α,调节所述相机的俯仰角为α;
步骤4-3,所述巡检机器人调节所述相机的偏航角,在调节所述偏航角的过程中,所述相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在所述截图的图片中在所述待检设备外生成视频流检测框,确定所述视频流检测框最接近相机屏幕水平方向中心时所述相机的偏航角为β,调节所述相机的偏航角为β;
步骤4-4,所述巡检机器人调节所述相机的焦距,在调节所述焦距的过程中,所述相机拍摄视频流,等间隔截取该视频流中的图片,并对截取的图片进行检测,在所述截图的图片中在所述待检设备外生成视频流检测框,取视频流检测框最接近相机屏幕面积80%时的图片为第m个单个待检设备的图片。
8.根据权利要求1所述的利用红外巡检拍摄的故障识别方法,其特征在于,
其中,当所述待检设备类型为电容器时,所述预定的故障判断方法包括如下步骤:
步骤1,确定设备区域内的最高温度为T1,平均温度为T2;
步骤2,当T1-T2<2,确定所述电容器不存在故障,当T1-T2≥2,确定所述电容器存在紧急缺陷。
10.根据权利要求9所述的利用红外巡检拍摄的故障识别方法,其特征在于,
其中,步骤3中设置b个所述待检设备巡检的检测顺序的优先顺序依次为存在紧急故障的待检设备、存在严重故障的待检设备、存在一般故障的待检设备以及不存在故障的待检设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573632.2A CN111738148B (zh) | 2020-06-22 | 2020-06-22 | 一种利用红外巡检拍摄的故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573632.2A CN111738148B (zh) | 2020-06-22 | 2020-06-22 | 一种利用红外巡检拍摄的故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738148A true CN111738148A (zh) | 2020-10-02 |
CN111738148B CN111738148B (zh) | 2024-02-20 |
Family
ID=72650353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573632.2A Active CN111738148B (zh) | 2020-06-22 | 2020-06-22 | 一种利用红外巡检拍摄的故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738148B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115278016A (zh) * | 2022-07-25 | 2022-11-01 | 烟台艾睿光电科技有限公司 | 红外智能拍摄方法及装置、红外热成像设备、介质 |
CN117893933A (zh) * | 2024-03-14 | 2024-04-16 | 国网上海市电力公司 | 一种用于输变电设备的无人巡检故障检测方法和*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003102706A1 (fr) * | 2002-05-31 | 2003-12-11 | Fujitsu Limited | Robot telecommande et procede d'identification automatique de la position de robot. |
CN103001328A (zh) * | 2012-11-19 | 2013-03-27 | 山东大学 | 一种智能变电站的故障诊断与评估方法 |
WO2013067745A1 (zh) * | 2011-11-09 | 2013-05-16 | 南方电网科学研究院有限公司 | 一种变电站驾驶舱技术 |
CN103427366A (zh) * | 2013-08-09 | 2013-12-04 | 江西理工大学 | 一种用于控制识别输电线路的直升机机载*** |
CN106597185A (zh) * | 2015-10-14 | 2017-04-26 | 山东鲁能智能技术有限公司 | 变电站一次设备红外分析***及方法 |
CN110246175A (zh) * | 2019-05-24 | 2019-09-17 | 国网安徽省电力有限公司检修分公司 | 全景相机与云台相机结合的变电站巡检机器人图像检测***及方法 |
CN110363878A (zh) * | 2019-07-31 | 2019-10-22 | 国网天津市电力公司 | 一种基于图像处理技术的机房巡检方法 |
CN110796754A (zh) * | 2019-09-17 | 2020-02-14 | 国网天津市电力公司 | 一种基于图像处理技术的机房巡检方法 |
-
2020
- 2020-06-22 CN CN202010573632.2A patent/CN111738148B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003102706A1 (fr) * | 2002-05-31 | 2003-12-11 | Fujitsu Limited | Robot telecommande et procede d'identification automatique de la position de robot. |
WO2013067745A1 (zh) * | 2011-11-09 | 2013-05-16 | 南方电网科学研究院有限公司 | 一种变电站驾驶舱技术 |
CN103001328A (zh) * | 2012-11-19 | 2013-03-27 | 山东大学 | 一种智能变电站的故障诊断与评估方法 |
CN103427366A (zh) * | 2013-08-09 | 2013-12-04 | 江西理工大学 | 一种用于控制识别输电线路的直升机机载*** |
CN106597185A (zh) * | 2015-10-14 | 2017-04-26 | 山东鲁能智能技术有限公司 | 变电站一次设备红外分析***及方法 |
CN110246175A (zh) * | 2019-05-24 | 2019-09-17 | 国网安徽省电力有限公司检修分公司 | 全景相机与云台相机结合的变电站巡检机器人图像检测***及方法 |
CN110363878A (zh) * | 2019-07-31 | 2019-10-22 | 国网天津市电力公司 | 一种基于图像处理技术的机房巡检方法 |
CN110796754A (zh) * | 2019-09-17 | 2020-02-14 | 国网天津市电力公司 | 一种基于图像处理技术的机房巡检方法 |
Non-Patent Citations (2)
Title |
---|
崔建强;: "基于Matlab的牵引变压器故障智能诊断方法研究", 电气化铁道, no. 01 * |
金立军;胡娟;闫书佳: "基于图像的高压输电线间隔棒故障诊断方法", 高电压技术, vol. 39, no. 5 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115278016A (zh) * | 2022-07-25 | 2022-11-01 | 烟台艾睿光电科技有限公司 | 红外智能拍摄方法及装置、红外热成像设备、介质 |
CN117893933A (zh) * | 2024-03-14 | 2024-04-16 | 国网上海市电力公司 | 一种用于输变电设备的无人巡检故障检测方法和*** |
CN117893933B (zh) * | 2024-03-14 | 2024-05-24 | 国网上海市电力公司 | 一种用于输变电设备的无人巡检故障检测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111738148B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703800A (zh) | 基于无人机的电力设施智能识别方法及*** | |
WO2019111976A1 (ja) | 対象物検出装置、予測モデル作成装置、対象物検出方法及びプログラム | |
CN111738148B (zh) | 一种利用红外巡检拍摄的故障识别方法 | |
CN110763697B (zh) | 一种使用飞行器检测工程结构表面裂缝的方法 | |
WO2024027009A1 (zh) | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 | |
CN112580600A (zh) | 粉尘浓度检测方法、装置、计算机设备和存储介质 | |
CN114266299A (zh) | 基于无人机作业的铁路桥梁钢结构缺陷检测方法及*** | |
CN115359239A (zh) | 风电叶片缺陷检测定位方法、装置、存储介质和电子设备 | |
CN113763484A (zh) | 基于视频图像分析技术的船舶目标定位及速度估算方法 | |
CN112595936A (zh) | 基于无人机巡检的输电线复合绝缘子智能检测*** | |
CN114581760B (zh) | 一种机房巡检的设备故障检测方法及*** | |
CN109977850B (zh) | 基于人脸识别的课堂姓名提示方法 | |
CN112260402B (zh) | 基于视频监控的变电站智能巡检机器人状态的监控方法 | |
CN113269744A (zh) | 一种应用于输电线路设备缺陷的红外智能识别方法及*** | |
CN112257514B (zh) | 一种用于设备故障巡检的红外视觉智检的拍摄方法 | |
CN111079743A (zh) | 基于无人机航拍数据绝缘子自动识别的数据采集方法 | |
CN108615057B (zh) | 一种基于cnn的电缆隧道照明设备的异常识别方法 | |
CN116958764A (zh) | 一种基于深度学习的检测挂载设备数据的方法 | |
CN114355083A (zh) | 基于人工智能算法的巡检机器人故障识别方法、*** | |
CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
WO2021189429A1 (zh) | 图像拍摄方法、装置、可移动平台和存储介质 | |
CN115049623A (zh) | 一种视觉分割分析受电弓轮廓的装置 | |
CN114442658A (zh) | 输配电线路无人机自动巡检***及其运行方法 | |
CN113723248A (zh) | 一种基于视觉的智能网联公交客流检测方法及*** | |
CN102314612A (zh) | 一种笑脸图像的识别方法、识别装置和图像获取设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |