CN111949809B - 一种输电线路红外巡检数据智能处理方法 - Google Patents
一种输电线路红外巡检数据智能处理方法 Download PDFInfo
- Publication number
- CN111949809B CN111949809B CN202010684426.9A CN202010684426A CN111949809B CN 111949809 B CN111949809 B CN 111949809B CN 202010684426 A CN202010684426 A CN 202010684426A CN 111949809 B CN111949809 B CN 111949809B
- Authority
- CN
- China
- Prior art keywords
- picture
- defect
- ground wire
- area
- temperature
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 74
- 238000007689 inspection Methods 0.000 title claims abstract description 42
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 274
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 47
- 239000012212 insulator Substances 0.000 claims description 30
- 238000012423 maintenance Methods 0.000 claims description 28
- 239000002131 composite material Substances 0.000 claims description 27
- 238000013519 translation Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 16
- 239000000725 suspension Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 claims description 4
- 101100438010 Arabidopsis thaliana BZIP11 gene Proteins 0.000 claims description 3
- 101000887307 Arabidopsis thaliana Short-chain dehydrogenase reductase ATA1 Proteins 0.000 claims description 3
- 101000713305 Homo sapiens Sodium-coupled neutral amino acid transporter 1 Proteins 0.000 claims description 3
- 101000640813 Homo sapiens Sodium-coupled neutral amino acid transporter 2 Proteins 0.000 claims description 3
- 101100424621 Schizosaccharomyces pombe (strain 972 / ATCC 24843) tub1 gene Proteins 0.000 claims description 3
- 102100036916 Sodium-coupled neutral amino acid transporter 1 Human genes 0.000 claims description 3
- 102100033774 Sodium-coupled neutral amino acid transporter 2 Human genes 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 6
- 238000010438 heat treatment Methods 0.000 description 33
- 238000009529 body temperature measurement Methods 0.000 description 6
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 101100074336 Xenopus laevis ripply2.1 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004801 process automation Methods 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007557 optical granulometry Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
Images
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
- H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种输电线路红外巡检数据智能处理方法，包括：S1：输入红外巡检图片；S2：输入的图片进行重命名；S3：对重命名图片进行部件识别和区域温度检测分析；S4：人工审核缺陷；S5：利用缺陷生成器生成缺陷信息；S6：利用RPA机器人录入缺陷并通知班组管理人员。本发明自动分析红外巡检照片，检测相关部件是否发热，并将缺陷自动录入***，可节省大量的人力物力资源，减轻人员工作负担，缩短工作时间，提高工作效率；通过重命名提高输电线路红外巡检数据智能处理的针对性与准确性；本发明可有效增加输电线路红外巡检数据处理的效率。
Description
技术领域
本发明涉及高压输电线路运检领域，更具体地，涉及一种输电线路红外巡检 数据智能处理方法。
背景技术
近年来，随着经济发展电力供应需求也逐年增加，高压输电线路作为保证电 网稳定运行的大动脉，其重要意义不言而喻。然而高压输电线路大多运行在户外， 常年受高温恶劣天气、高压运行工况等影响，再加上人为施工不规范等原因造成 的部件隐患，容易造成输电设备发热缺陷，进而危及线路的安全稳定运行。为了 保证高压输电线路的安全，输电线路运维单位制定了严格的运行维护措施，需对 输电线路进行定期的红外测温。现输电线路红外测温主要依靠无人机进行，即运 用搭载红外摄像机的无人机进行输电设备红外测温巡检，查找设备发热缺陷。但 无论是无人机红外测温巡检作业，还是人工手持红外成像仪红外测温作业，均采 集了大量的红外照片，现有红外照片主要依靠人工查看，测量分析，重命名归档 并将缺陷隐患录入公司***，开启缺陷隐患流程。人工处理方法存在着以下三方 面的问题：一、工作量巨大，浪费了大量的人力物力资源。根据统计一个负责管 理五千公里输电线路的地市局运维单位每年采集的无人机红外巡检照片有十万 张以上，传统的方法需要人工重命名归档，再运用温度分析软件进行检测分析， 并将发热缺陷录入公司***，这就造成运维人员工作量巨大，而且为了保证处理 信息的准确可靠往往需要专门负责人员与线路运维人员反复沟通核实发热缺陷 信息，反复核实工作既占用了运维人员的时间，造成不必要的工作负担，还浪费 了大量的人力物力资源；二、耗时过长，效率低，不能及时处理线路发热缺陷， 保证线路的安全稳定运行。巡检数据人工处理不仅工作量大，而且操作繁琐、耗 时长。人工利用温度分析软件检测分析红外图片操作繁琐，每年需要耗费上万工 作小时，过长的处理时间造成了不能及时发现发热缺陷，进而影响输电线路缺陷整改，无法保证线路的安全稳定运行；三、容易出错遗漏，造成存在缺陷而实际 没有录入***、整改处理。人工利用温度分析软件检测分析红外图片方法较为繁 琐，复合绝缘子等部分细微发热缺陷难以发现，再加上运维人员素质参差不齐， 部分人员对红外缺陷分析不甚了解，因此很容易造成线路发热缺陷发现、录入不 齐全。根据统计每年上百条发热缺陷，人工处理错漏大概接近20％，影响线路的 安全稳定运行。
上海大学韩军等提出了一种基于红外图像智能诊断高压输电线路缺陷的方 法，主要通过两步诊断发热缺陷，即第一步采用基于线对象感知聚类识别线路中 的部件，第二步对识别的线路部件采用相对温差法诊断该部件是否存在发热缺陷。 虽然该方法在一定程度上可以达到自动检测输电线路红外图像、分析发热缺陷的 效果，但是仍然存在以下三个方面的问题。一、识别结果不太准确，容易出错遗 漏。由于现场作业红外图像中物体较多，基于线对象感知聚类识别线路部件方法 容易导致部件分类错误或部件有所遗漏的情况，即使分类正确采用相对温差法诊 断发热缺陷也会导致诊断结果不准确，因为有的发热部件整体温度较高，如果采 用相对温差很容易误判成不存在缺陷，进而导致发热缺陷遗漏。二、温度提取方 法不适用于部分红外测温图像，比如菲力尔FLIR公司的红外热成像仪拍摄的红 外图像，其并不能直接读取图像中的温度值，因此该方法不具有普适性。三、该方法仍然需要人工处理缺陷，对于检测的缺陷仍然需要人工录入公司***，因此 该方法自动化水平不够高。
发明内容
本发明为克服上述现有技术所述的输电线路红外巡检效率不够高的缺陷，提 供一种输电线路红外巡检数据智能处理方法。
所述方法包括以下步骤：
S1：将日常运维输电线路红外巡检图片输入到***中；
S2：利用图片命名器对输入的图片进行重命名；
S3：对重命名图片进行部件识别和区域温度检测分析：依据AI部件识别及 温度检测工作流程，依次对重命名图片进行部件识别、区域温度检测、缺陷判别 和标注，并按照识别缺陷类型和等级重命名图片，最终输出缺陷图片；
S4：人工审核缺陷：人工审核判断缺陷识别结果，若识别正确则将图片输入 至缺陷生成器，若识别错误或温度检测错误则将图片相关信息记录到问题数据库， 图片另外保存，供人工分析识别出错原因，不断完善***；
S5：利用缺陷生成器生成缺陷信息：缺陷生成器根据图片中线路、杆塔、部 件、缺陷类型，再结合缺陷库和工作票库，分别判断此图片时间后历史缺陷和工 作票中是否存在相关缺陷信息，若不存在，则依据人员设备库和缺陷表象库，查 找相关线路杆塔的负责人员信息和缺陷类型对应描述表象信息，生成缺陷消息， 发送至RPA(Robotic ProcessAutomation)机器人处理，若存在，则不生成缺陷 消息，并将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核；
S6：利用RPA机器人录入缺陷并通知班组管理人员。
本发明通过重命名提高输电线路红外巡检数据智能处理的针对性与准确性， 减少图像处理时间，提高巡线效率。通过AI部件识别、缺陷生成器统一识别检 测缺陷，保证发热缺陷识别的准确性和处理的规范性，与传统的输电线路红外巡 检数据方法相比更加客观全面，也比现有的红外图像智能诊断错误率和遗漏率更 低，具有更高的识别效率。
优选地，S2包括以下步骤：
S2.1：提取图片中经度、纬度、高度和拍摄时间信息；
S2.2：循环提取线路台账库中线路A相、B相、C相、地线和基础等部件的 经度、纬度和高度信息；
计算红外图片与提取台账部件两者的空间距离，取所有距离中最小值；若此 距离小于10米则认为红外图片拍摄对象为该线路部件，将红外图片与该台账线 路部件进行匹配；若距离在10米至200米范围内，则认为红外图片为该线路杆 塔的整体图片，将红外图片与该台账线路杆塔进行匹配；若距离大于200米，则 认为此图片不属于任何一回台账线路，存在问题，将图片相关信息记录到问题数 据库，图片另外保存，由人工查看审核；
S2.3：根据匹配结果重命名图片；
S2.4：输出重命名红外图片，完成重命名工作流程。
优选地，S2.3中重命名的规则为：若红外图片与台账中的线路部件匹配，则 根据“电压等级_线路名称_杆塔号_部件_时间戳.JPG”格式重命名红外图片，若 红外图片与台账线路杆塔匹配，则根据“电压等级_线路名称_杆塔号_全塔_时间 戳.JPG”格式重命名红外图片。
优选地，S3包括以下步骤：
S3.1：输入需要识别的红外图片；
S3.2：对图片进行部件识别：构建并训练Faster R-CNN输电设备部件识别模 型，利用Faster R-CNN输电设备部件识别模型对图片中的输电设备部件进行识 别；
其中，输电设备部件包括：复合绝缘子、避雷器、地线金具和导线金具；
地线金具包括悬垂线夹、耐张线夹接续金具、联接金具等，导线金具包括悬 垂线夹、耐张线夹、接续金具、联接金具；
S3.3：判断识别结果，若识别存在设备部件，则将图片输入S3.4；若识别不 存在设备部件，则将图片相关信息记录到问题数据库，图片另外保存，由人工查 看审核；
S3.4：获取图片中设备部件的位置，并提取红外图片的参数信息，计算出图 片中各个点的温度，形成温度矩阵；
对于识别得出的复合绝缘子和避雷器，根据获取的部件位置平均划分成三个 区域，分析每个区域中所有像素点的温度，分别提取最高温度，进入S3.6；
对于识别得出的地线金具，根据空间位置关系的导地线位置获取方法，通过 地线金具区域位置平移和红外图像特征判定获取地线区域位置，进入S3.5；
对于识别得出的导线金具，根据空间位置关系的导地线位置获取方法，通过 导线金具区域位置平移和红外图像特征判定获取导线区域位置，进入S3.5；
S3.5：判定获取的导地线区域是否准确，根据导地线区域红外图像特征判断 确定是否为导地线区域，若判定获取的导地线区域准确，则自动分析获取的部件 位置区域中所有点的温度，提取最高温度，同时提取该部件区域附近的导地线区 域中最高温度，进入S3.6；若判定均不存在导地线区域则将图片相关信息记录到 问题数据库，图片另外保存，由人工查看审核；
S3.6：分析提取的温度，按缺陷定级标准判定是否缺陷及缺陷等级；
S3.7：输出缺陷图片，完成缺陷识别。
优选地，S3.2具体为：
采用Faster R-CNN输电设备部件识别模型，输入原始红外图片，以图片左 上角像素点为坐标原点，水平向右为X轴，垂直向下为Y轴，经过识别，若存 在输电设备部件，则标记部件类别和部件标签，并标注部件标注框左上角坐标 (x1,y1)和部件标注框右下角坐标(x2,y2)，若不存在识别结果，则将部件标 签记为0。
优选地，S3.4具体为：
获取图片中设备部件的位置[x1,y1,x2,y2]，并提取红外图片的参数信息， 参数包括：16位RAW原始值、辐射系数E、相机距离OD、大气温度AT、反射 物表面温度RT、折射物表面温度IT、折射率IRT、相对湿度RH、普朗克R1常 数PR1、普朗克B常数PB、普朗克F常数PF、普朗克偏移常数PO、普朗克R2 常数PR2；根据公式(1)-(9)计算出图片中各个像素点的温度，形成温度矩 阵；
若红外图片的像素为m*n，则温度矩阵为
公式(1)：
公式(2)：
公式(3)：
公式(4)：
公式(5)：
公式(6)：
公式(7)：
公式(8)：
公式(9)：
其中raw为16位RAW原始值；
ATA1为大气热传输常数，用于计算湿度对传输的影响；
ATA2为大气热传输常数，用于计算湿度对传输的影响；
ATB1为大气热传输常数，用于计算湿度对传输的影响；
ATB2为大气热传输常数，用于计算湿度对传输的影响；
ATX为大气热传输常数，用于计算湿度对传输的影响；
对于识别得出的复合绝缘子和避雷器，将根据获取的部件位置平均划分成三 个区域，即根据复合绝缘子和避雷器的位置[x1,y1,x2,y2]，判断x2-x1与y2-y1大小， 若y2-y1≥x2-x1，则划分以下三个区域
若y2-y1<x2-x1，则划分以下三个区域
分析每个区域中所有像素点的温度，分别提取最高温度，即分析m*n像素 红外图片温度矩阵
中对应区域中的最高温度 值(Tmax1,Tmax2,Tmax3)，进入S3.6；
对于识别得出的地线金具，根据空间位置关系的导地线位置获取方法，通过 地线金具区域位置平移和红外图像特征判定获取地线区域位置，即根据地线金具 的位置[x1,y1,x2,y2]，通过区域位置平移获得地线区域[2x2-x1,y1,3x2-2x1,y2]或 [3x1-2x2,y1,2x1-x2,y2]，进入S3.5；
对于识别得出的导线金具，根据空间位置关系的导地线位置获取方法，通过 导线金具区域位置平移和红外图像特征判定获取导线区域位置，即根据导线金具 的位置[x1,y1,x2,y2]，通过区域位置平移获得地线区域[2x2-x1,y1,3x2-2x1,y2]或 [3x1-2x2,y1,2x1-x2,y2]，进入S3.5。
优选地，S3.5具体为：
判定获取的导地线区域是否准确，根据导地线区域红外图像特征判断确定是 否为导地线区域。
对于导地线区域判断，包括制作匹配模板并生成模型以及用模型匹配目标图 像。
其中生成模型包括以下步骤：
(1)采集模板图像，对模板图像进行canny边缘提取，提取模板图形的边 界点；
(2)用sobel算子分别求出模板图像每个点的x方向梯度和y方向梯度；
(3)根据x、y梯度结合和边界点位置信息，求取每个边界的梯度方向和梯 度大小；
(4)计算模板边缘点的重心(X,Y)；
用模型匹配目标图像包括以下步骤：
步骤1：对导地线待匹配区域进行canny边缘提取，得到待匹配图像的边界 点信息；
步骤2：用sobel算子(索贝尔算子)分别求取待匹配图像中每个点的x方 向梯度和y方向梯度；
步骤3：滑窗匹配搜索，将模板在待匹配图像上从左到右，从上往下依次计 算匹配分值，假设模板图像的边缘点总数为N，在对应的匹配区域上，分别计算 模板边界点上每个点与对应的待匹配图像点的方向向量的夹角余弦值a1，a2， a3，…，an，匹配分值可记为
若p大于等于预设的阈 值，则判定获取的导地线区域准确，接着自动分析获取的部件位置区域中所有点 的温度，提取最高温度，同时提取该部件区域附近的导地线区域中最高温度，即 分析m*n像素红外图片温度矩阵
中对应导地 线金具和导地线区域中的最高温度值(Tj,Tx)，进入S3.6；若p小于预设的阈值， 判定均不存在导地线区域则将图片相关信息记录到问题数据库，图片另外保存， 由人工查看审核。
优选地，S3.6具体为：
对于复合绝缘子和避雷器，分析三个区域中最高温度差值，若温度差值在0.5-1℃之间，则判定为其他缺陷；若温度差值在1-3℃之间，则判定为一般缺陷； 若温度差值在3-5℃之间，则判定为重大缺陷；若温度差值大于5℃，则判定为 重大缺陷；
对于地线金具，计算地线金具区域中最高温度和地线区域最高温度差值和相 对温差，分析地线金具最高温度、地线金具最高温度与地线区域最高温度差值和 相对温差，若温度差值在5～15℃之间，或者相对温差35％～80％，则判定为一 般缺陷；
若地线金具区域最高温度达到90～130℃，或者与地线区域最高温度差值在 15～40℃之间，再或者相对温差80％～95％，则判定为重大缺陷；
若地线金具区域最高温度达到130℃以上，或者与地线区域最高温度差值大 于40℃，再或者相对温差大于95％，则判定为紧急缺陷；
对于导线金具，计算导线金具区域中最高温度和导线区域最高温度差值和相 对温差，分析导线金具最高温度、导线金具最高温度与导线区域最高温度差值和 相对温差，若温度差值在5～15℃之间，或者相对温差35％～80％，则判定为一 般缺陷；
若导线金具区域最高温度达到90～130℃，或者与导线区域最高温度差值在 15～40℃之间，再或者相对温差80％～95％，则判定为重大缺陷；
若导线金具区域最高温度达到130℃以上，或者与地线区域最高温度差值大 于40℃，再或者相对温差大于95％，则判定为紧急缺陷；
若图片中存在缺陷，则标注缺陷类型和等级，并根据“电压等级_线路名称_ 杆塔号_部件_时间戳_缺陷类型_缺陷等级.JPG”格式重命名图片，进入S3.7。
优选地，相对温差具体公式为：
其中，Tj为部件区域最高温度，Tx为相邻导线/地线区域最高温度。
优选地，S5具体为：
S5.1：输入缺陷图片；
S5.2：提取缺陷图片名字中线路、杆塔、部件、缺陷类型、缺陷等级和时间 信息；
S5.3：比对缺陷库，搜索查看此图片时间后历史缺陷库中是否存在相关缺陷 信息，若不存在，则说明缺陷未录入***，进入S5.4；若存在相关缺陷信息，则 说明运维人员已将缺陷录入生成管理***，因此将图片相关信息记录到问题数据 库，图片另外保存，由人工查看审核；
S5.4；比对工作票库，搜索查看此图片时间后历史工作票中是否存在相关消 除缺陷信息，若不存在，则说明缺陷未处理，进入S5.5；若存在相关缺陷已处理， 则说明运维人员可能已处理相关缺陷，因此将图片相关信息记录到问题数据库， 图片另外保存，由人工查看审核；
S5.5：比对人员设备库，提取相应线路的运维班组、人员和班组长信息，若 线路区段运维信息存在，则进入S5.6；若不存在，则将图片相关信息记录到问题 数据库，图片另外保存，由人工查看审核；
S5.6：比对缺陷表象库，提取相应缺陷类型的具体表象，若缺陷表象存在， 则进入S5.7；若不存在，则将图片相关信息记录到问题数据库，图片另外保存， 由人工查看审核；
S5.7：生成缺陷录入信息，进而生成缺陷录入消息，完成缺陷消息生成。
录入信息包括线路名称、杆塔号、部件、运维班组、运维人员、线路班组长、 缺陷类型、缺陷等级、缺陷具体表象信息。
与现有技术相比，本发明技术方案的有益效果是：本发明自动分析红外巡检 照片，检测相关部件是否发热，并将缺陷自动录入***，可节省大量的人力物力 资源，减轻人员工作负担，缩短工作时间，提高巡线效率。通过重命名提高输电 线路红外巡检数据智能处理的针对性与准确性，减少图像处理时间，提高巡线效 率。通过AI部件识别、缺陷生成器统一识别检测缺陷，保证发热缺陷识别的准 确性和处理的规范性，与传统的输电线路红外巡检数据方法相比更加客观全面， 也比现有的红外图像智能诊断错误率和遗漏率更低，更能保证红外照片按要求处 理，保证线路发热缺陷的及时全面地发现和录入。
附图说明
图1为实施例1所述输电线路红外巡检数据智能处理方法流程图。
图2为图片重命名流程图。
图3为部件识别和区域温度检测分析流程图。
图4为缺陷生成流程图。
图5为复合绝缘子区域温度提起分析图。
图6为地线金具区域温度提取分析图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实 际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理 解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种输电线路红外巡检数据智能处理方法，如图1所示，所述 方法包括以下步骤：
S1：输入原始的红外图片。
将日常运维输电线路红外巡检图片(即巡检照片)输入到***中；
S2：利用图片命名器重命名图片。
图片命名器根据图片经度、纬度、高度和拍摄时间等信息，再结合线路台账 库中的相关线路、杆塔和部件经度、纬度和高度信息，计算两者距离，根据距离 进行匹配，进而按照固定格式重命名图片。
S3：对重命名图片进行部件识别和区域温度检测分析。
依据AI部件识别及温度检测工作流程，依次对重命名图片进行部件识别、 区域温度检测、缺陷判别和标注，并按照识别缺陷类型和等级重命名图片，最终 输出缺陷图片。
S4：人工审核缺陷。
人工审核判断缺陷识别结果，若识别正确则将图片输入至缺陷生成器，若识 别或温度检测错误则将图片相关信息记录到问题数据库，图片另外保存，供人工 分析识别出错原因，不断完善***。
S5：利用缺陷生成器生成缺陷相关信息。
缺陷生成器根据图片中线路、杆塔、部件、缺陷类型和等级等信息，再结合 缺陷库和工作票库，分别判断此照片时间后历史缺陷和工作票中是否存在相关缺 陷信息，若不存在则依据人员设备库和缺陷表象库，查找相关线路杆塔的负责人 员信息和缺陷类型对应描述表象信息，生成缺陷消息，发送至RPA机器人处理， 若存在则不生成缺陷消息，并将图片相关信息记录到问题数据库，图片另外保存， 由人工查看审核。
S6：利用RPA机器人录入缺陷并通知班组管理人员。
由RPA机器操作生产***模拟人工录入缺陷过程，将缺陷录入至生产管理 ***，并模拟人工发送消息过程，将已录入缺陷信息通过内部通讯工具发送给相 关管理人员。
其中生产管理***为电网统一建设的信息***，出于保证***安全运行的考 虑，***不开放任何API操作接口，工单录入只能通过其提供前端页面操作录入。
RPA是机器人流程自动化Robotic Process Automation，RPA可模拟人工进 行***操作，替代人工进行重复性录入和发送消息工作。
如图2所示，S2包括以下步骤：
S2.1：提取输入原始的红外图片中经度、纬度、高度和拍摄时间等信息；
S2.2：循环提取线路台账库中线路A相、B相、C相、地线和基础等部件的 经度、纬度和高度信息，计算红外图片与提取台账部件两者的空间距离，取所有 距离中最小值。
若此距离小于10米则认为红外图片拍摄对象为该线路部件，将红外图片与 该台账线路部件进行匹配；若距离在10米至200米范围内，则认为红外图片为 该线路杆塔的整体图片，将红外图片与该台账线路杆塔进行匹配。
若距离大于200米，则认为此图片不属于任何一回台账线路，存在问题，将 图片相关信息记录到问题数据库，图片另外保存，由人工查看审核。
S2.3：根据匹配结果重命名图片，若红外图片与台账中的线路部件匹配，则 根据“电压等级_线路名称_杆塔号_部件_时间戳.JPG”格式重命名红外图片，若 红外图片与台账线路杆塔匹配，则根据“电压等级_线路名称_杆塔号_全塔_时间 戳.JPG”格式重命名红外图片；
S2.4：输出重命名红外图片，完成重命名工作流程。
关于AI部件识别及温度检测工作流程。
输电设备发热缺陷主要集中在三类部件，一、复合绝缘子或避雷器等绝缘子 本体发热缺陷；二、地线金具如悬垂线夹、耐张线夹等金具发热缺陷；三、导线 金具如悬垂线夹、耐张线夹、接续金具等金具发热缺陷。
对于第一类绝缘子类发热缺陷主要通过三步检测出发热缺陷，一、基于深度 学***均分成 三个区域，进而分别提取各个区域中的最高温度，具体区域划分如图5复合绝缘子区域温度提取分析图所示。三、根据缺陷定级标准判定缺陷。为了准确检测 缺陷，根据缺陷定级标准中的规定，进行详细的比较，主要三个区域中最高温度 差值，若温度差值在0.5-1℃之间，则判定为其他缺陷；若温度差值在1-3℃之间， 则判定为一般缺陷；若温度差值在3-5℃之间，则判定为重大缺陷；若温度差值 大于5℃，则判定为重大缺陷。
对于第二、第三类地线和导线金具类发热缺陷主要通过四步检测出发热缺陷，一、基于深度学***移获取导地线可能存在的区域位置，然后根据该区域图像特 征判断确定是否为导地线区域，若是则确定导地线区域，若不是则往另一方向平 移接着判定导地线区域，若判定均不存在导地线区域则将图片相关信息记录到问 题数据库，图片另外保存，由人工查看审核。具体的地线区域确定如图6地线 金具区域温度提取分析图所示。三、开展温度检测，计算红外图像温度，提取指 定区域最高温度。同第一类缺陷的第二步方法一样，通过提取红外图片的参数信 息，利用公式计算图片中各个点的温度，形成温度矩阵，进而通过分析可提取部 件区域和导地线区域的最高温度。四、根据缺陷定级标准判定缺陷。对于导地线 金具，为了准确检测缺陷，根据缺陷定级标准中的规定，进行详细的比较，主要 比较三项：(1)部件区域最高温度；(2)部件区域最高温度与导地线区域最高温 度差值；(3)部件区域最高温度与导地线区域最高温度相对温差。若三项中其中一项达到缺陷定级标准中对应数值，则判定为对应等级缺陷。
如图3所示，S3包括以下步骤：
S3.1：输入需要识别的红外图片。
S3.2：对图片进行部件识别，依据前期训练的Faster R-CNN输电设备部件识 别模型，对图片中的输电设备部件进行识别，主要识别复合绝缘子、避雷器、地 线金具和导线金具四类部件。其中地线金具包括悬垂线夹、耐张线夹接续金具、 联接金具等，导线金具包括悬垂线夹、耐张线夹、接续金具、联接金具等。
对于图像识别，采用基于深度卷积神经网络技术的图像识别模型，输入原始 红外图片，以图片左上角像素点为坐标原点，水平向右为X轴，垂直向下为Y 轴，经过识别，若存在以上所述部件，可返回具体部件类别和位置标签，即类别 标签b，部件标注框左上角坐标(x1,y1)和部件右下角坐标(x2,y2)，若不存在识别 结果，部件标签b将记为0。
S3.3：判断识别结果，若部件标签b不等于0，识别存在设备部件，则将图 片输入S3.4；若部件标签b等于0，识别不存在设备部件，则将图片相关信息记 录到问题数据库，图片另外保存，由人工查看审核。
S3.4：获取图片中设备部件的位置[x1,y1,x2,y2]，并提取红外图片的参数信 息，参数包括‘16位RAW原始值’,'辐射系数E','相机距离OD','大气温度AT','反 射物表面温度RT','折射物表面温度IT','折射率IRT','相对湿度RH','普朗克R1常 数PR1','普朗克B常数PB','普朗克F常数PF','普朗克偏移常数PO','普朗克R2 常数PR2'等，根据公式(1)-(9)计算出图片中各个像素点的温度，形成温度 矩阵，若m*n像素的红外图片，温度矩阵为
公式(1)：
公式(2)：
公式(3)：
公式(4)：
公式(5)：
公式(6)：
公式(7)：
公式(8)：
公式(9)：
其中raw：16位RAW原始值；
E：辐射系数；
OD：相机距离；
AT：大气温度；
RT：反射物表面温度；
IT：折射物表面温度；
IRT：折射率；
RH：相对湿度；
PR1：普朗克R1常数；
PB：普朗克B常数；
PF：普朗克F常数；
PO：普朗克偏移常数；
PR2：普朗克R2常数。
以上均为红外图片获取参数。
ATA1：大气热传输常数α1，用于计算湿度对传输的影响，取0.006569；
ATA2：大气热传输常数α2，用于计算湿度对传输的影响，取0.012620；
ATB1：大气热传输常数β1，用于计算湿度对传输的影响，取-0.002276；
ATB2：大气热传输常数β2，用于计算湿度对传输的影响，取-0.006670；
ATX：大气热传输常数X，用于计算湿度对传输的影响，取1.900000。
对于识别得出的复合绝缘子和避雷器，将根据获取的部件位置平均划分成三 个区域，即根据复合绝缘子和避雷器的位置[x1,y1,x2,y2]，判断x2-x1与y2-y1大 小，若y2-y1≥x2-x1，则划分以下三个区域
若y2-y1<x2-x1，则划分以下三个区域
分析每个区域中所有像素点的 温度，分别提取最高温度，即分析m*n像素红外图片温度矩阵 
中对应区域中的最高温度值 (Tmax1,Tmax2,Tmax3)，进入S3.6；对于识别得出的地线金具，根据空间位置关系的 导地线位置获取方法，通过地线金具区域位置平移和红外图像特征判定获取地线 区域位置，即根据地线金具的位置[x1,y1,x2,y2]，通过区域位置平移获得地线区 域[2x2-x1,y1,3x2-2x1,y2]或[3x1-2x2,y1,2x1-x2,y2]，进入S3.5；对于识别得出的 导线金具，根据空间位置关系的导地线位置获取方法，通过导线金具区域位置平 移和红外图像特征判定获取导线区域位置，即根据导线金具的位置 [x1,y1,x2,y2]，通过区域位置平移获得地线区域[2x2-x1,y1,3x2-2x1,y2]或 [3x1-2x2,y1,2x1-x2,y2]，进入S3.5；
S3.5：判定获取的导地线区域是否准确，根据导地线区域红外图像特征判断 确定是否为导地线区域。
对于导地线区域判断，采用基于形状匹配算法的匹配模型，整个过程主要包 含两部分，一制作匹配模板，生成模型；二采用模型匹配目标图像。
其中模型生成过程主要有以下几步：1、采集模板图像，对模板图像进行canny 边缘提取，提取，模板图形的边界点；2、用sobel算子分别求出模板图像每个点 的x方向梯度和y方向梯度；3、根据x、y梯度结合和边界点位置信息，求取每 个边界的梯度方向和梯度大小；4、计算模板边缘点的重心(X,Y)。
匹配过程主要有以下几步：1、对导地线待匹配区域进行canny边缘提取， 得到待匹配图像的边界点信息；2、用sobel算子分别求取待匹配图像中每个点的 x方向梯度和y方向梯度；3、滑窗匹配搜索，将模板在待匹配图像上从左到右， 从上往下依次计算匹配分值，假设模板图像的边缘点总数为N，在对应的匹配区 域上，分别计算模板边界点上每个点与对应的待匹配图像点的方向向量的夹角余 弦值a1，a2，a3，…，an，匹配分值可记为
若p大于 等于阈值0.8，则判定获取的导地线区域准确，接着自动分析获取的部件位置区 域中所有点的温度，提取最高温度，同时提取该部件区域附近的导地线区域中最 高温度，即即分析m*n像素红外图片温度矩阵 
中对应导地线金具和导地线区域中的最高温 度值(Tj,Tx)，进入S3.6；若p小于阈值0.8，判定均不存在导地线区域则将图片相 关信息记录到问题数据库，图片另外保存，由人工查看审核。
S3.6：分析提取的温度，按缺陷定级标准判定是否缺陷及缺陷等级。
对于复合绝缘子和避雷器，分析三个区域中最高温度(Tmax1,Tmax2,Tmax3)差 值，若温度差值在0.5-1℃之间，则判定为其他缺陷；若温度差值在1-3℃之间， 则判定为一般缺陷；若温度差值在3-5℃之间，则判定为重大缺陷；若温度差值 大于5℃，则判定为重大缺陷。
对于地线金具，计算地线金具区域中最高温度Tj和地线区域最高温度Tx差值 和相对温差ΔT，分析地线金具最高温度Tj、与地线区域最高温度差值Tj-Tx和相对 温差ΔT，若温度差值Tj-Tx在5～15℃之间，或者相对温差ΔT在35％～80％之间， 则判定为一般缺陷；若地线金具区域最高温度Tj达到90～130℃，或者与地线区 域最高温度差值Tj-Tx在15～40℃之间，再或者相对温差ΔT在80％～95％之间， 则判定为重大缺陷；若地线金具区域最高温度Tj达到130℃以上，或者与地线区 域最高温度差值Tj-Tx大于40℃，再或者相对温差ΔT大于95％，则判定为紧急缺 陷。
对于导线金具，计算导线金具区域中最高温度Tj和导线区域最高温度差值Tx和相对温差ΔT，分析导线金具最高温度Tj、导线金具最高温度与导线区域最高温 度差值Tj-Tx和相对温差ΔT，若温度差值Tj-Tx在5～15℃之间，或者相对温差ΔT在 35％～80％之间，则判定为一般缺陷；若导线金具区域最高温度Tj达到90～130℃， 或者与导线区域最高温度差值Tj-Tx在15～40℃之间，再或者相对温差ΔT在 80％～95％之间，则判定为重大缺陷；若导线金具区域最高温度Tj达到130℃以 上，或者与地线区域最高温度差值Tj-Tx大于40℃，再或者相对温差ΔT大于95％， 则判定为紧急缺陷。
相对温差具体公式为：
Tj：部件区域最高温度，
Tx：相邻导线/地线区域最高温度。
若图片中存在缺陷，则标注缺陷类型和等级，并根据“电压等级_线路名称_ 杆塔号_部件_时间戳_缺陷类型_缺陷等级.JPG”格式重命名图片，进入S3.7；
S3.7：输出缺陷图片，完成缺陷识别工作流程。
如图4所示，S5包括以下步骤：
S5.1：输入缺陷图片；
S5.2：提取图片名字中线路、杆塔、部件、缺陷类型、缺陷等级和时间等信 息。
S5.3：比对缺陷库，搜索查看此照片时间后历史缺陷库中是否存在相关缺陷 信息，若不存在，则说明缺陷未录入***，进入S5.4；若存在相关缺陷信息，则 说明运维人员可能已将缺陷录入生成管理***，因此将图片相关信息记录到问题 数据库，图片另外保存，由人工查看审核。
S5.4；比对工作票库，搜索查看此照片时间后历史工作票中是否存在相关消 除缺陷信息，若不存在，则说明缺陷未处理，进入S5.5；若存在相关缺陷已处理， 则说明运维人员可能已处理相关缺陷，因此将图片相关信息记录到问题数据库， 图片另外保存，由人工查看审核。
S5.5：比对人员设备库，提取相应线路的运维班组、人员和班组长信息，若 线路区段运维信息存在，则进入S5.6；若不存在，则将图片相关信息记录到问题 数据库，图片另外保存，由人工查看审核。
S5.6：比对缺陷表象库，提取相应缺陷类型的具体表象，若缺陷表象存在， 则进入S5.7；若不存在，则将图片相关信息记录到问题数据库，图片另外保存， 由人工查看审核。
S5.7：生成缺陷录入信息，依据前述步骤，生成包括线路名称、杆塔号、部 件、运维班组、运维人员、线路班组长、缺陷类型、缺陷等级、缺陷具体表象等 需要录入生产管理***的相关信息，进而生成缺陷录入消息，完成缺陷消息生成 工作流程。
本实施例从机器代人的角度出发提出一种灵活高效、准确可靠的输电线路红 外巡检数据智能处理方法，按照本实施例所述方法可执行输电线路红外巡检照片 分析处理，自动检测发热缺陷，并将相关的发热缺陷自动录入***，完全替代人 工开展此项工作。平均每张照片处理时间2秒，缺陷录入2分钟，每年10万张 照片计算，本实施例所述方法的应用全年可以节约1200个工时，替代15名班组 人员的工作。相比于现有技术，本实施例具备以下有益效果：
(1)***自动分析红外巡检照片，检测相关部件是否发热，并将缺陷自动 录入***，可节省大量的人力物力资源，减轻人员工作负担。运用该发明提供的 智能处理方法，***可自动命名红外巡检照片、检测关键部件温度并判别发热缺 陷、将缺陷录入公司***。与传统的人工反处理相比，减少了人员工作量，节省 了大量的人力物力资源。
(2)缩短工作时间，提高工作效率。该发明提供的智能处理方法，程序自 动处理，无需人员操作繁琐的温度分析软件,省去了人工统计的相互沟通、交流 核实过程，并且可24小时不间断工作，可节省大量时间，保证输电线路发热缺 陷的及时发现与处理，从而保证线路的安全稳定运行。
(3)分析红外照片更加准确可靠，处理发热缺陷不易出错遗漏。该发明提 供的智能处理方法，机器统一识别检测缺陷，按照规范科学的缺陷判别方法判定 缺陷，保证发热缺陷识别的准确性和处理的规范性，与传统的人工处理相比更加 客观全面，也比现有的红外图像智能诊断错误率和遗漏率更低，更能保证红外照 片按要求处理，保证线路发热缺陷的及时全面地发现和录入。
(4)分析方法具有普适性。该发明提供的红外图像温度提取方法适用于所 有的红外测温图像，保证了该方法普遍适用于所有红外图像，更加可靠有效。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非 是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进 等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种输电线路红外巡检数据智能处理方法，其特征在于，所述方法包括以下步骤：
S1：将日常运维输电线路红外巡检图片输入到***中；
S2：利用图片命名器对输入的图片进行重命名；
S3：对重命名图片进行部件识别和区域温度检测分析：依据AI部件识别及温度检测工作流程，依次对重命名图片进行部件识别、区域温度检测、缺陷判别和标注，并按照识别缺陷类型和等级重命名图片，最终输出缺陷图片；
S4：人工审核缺陷：人工审核判断缺陷识别结果，若识别正确则将图片输入至缺陷生成器，若识别错误或温度检测错误则将图片相关信息记录到问题数据库，图片另外保存，供人工分析识别出错原因，不断完善***；
S5：利用缺陷生成器生成缺陷信息：缺陷生成器根据图片中线路、杆塔、部件、缺陷类型，再结合缺陷库和工作票库，分别判断此图片时间后历史缺陷和工作票中是否存在缺陷信息，若不存在，则依据人员设备库和缺陷表象库，查找相关线路杆塔的负责人员信息和缺陷类型对应描述表象信息，生成缺陷消息，发送至RPA机器人处理，若存在，则不生成缺陷消息，并将图片信息记录到问题数据库，图片另外保存，由人工查看审核；
S6：利用RPA机器人录入缺陷并通知班组管理人员。
2.根据权利要求1所述的输电线路红外巡检数据智能处理方法，其特征在于，S2包括以下步骤：
S2.1：提取图片中经度、纬度、高度和拍摄时间信息；
S2.2：循环提取线路台账库中线路A相、B相、C相、地线和基础部件的经度、纬度和高度信息；
计算红外图片与提取台账部件两者的空间距离，取所有距离中最小值；若此距离小于10米则认为红外图片拍摄对象为该线路部件，将红外图片与该台账线路部件进行匹配；若距离在10米至200米范围内，则认为红外图片为该线路杆塔的整体图片，将红外图片与该台账线路杆塔进行匹配；若距离大于200米，则认为此图片不属于任何一回台账线路，存在问题，将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核；
S2.3：根据匹配结果重命名图片；
S2.4：输出重命名红外图片，完成重命名工作流程。
3.根据权利要求2所述的输电线路红外巡检数据智能处理方法，其特征在于，S2.3中重命名的规则为：若红外图片与台账中的线路部件匹配，则根据“电压等级_线路名称_杆塔号_部件_时间戳.JPG”格式重命名红外图片，若红外图片与台账线路杆塔匹配，则根据“电压等级_线路名称_杆塔号_全塔_时间戳.JPG”格式重命名红外图片。
4.根据权利要求1-3任一项所述的输电线路红外巡检数据智能处理方法，其特征在于，S3包括以下步骤：
S3.1：输入需要识别的红外图片；
S3.2：对图片进行部件识别：构建并训练Faster R-CNN输电设备部件识别模型，利用Faster R-CNN输电设备部件识别模型对图片中的输电设备部件进行识别；
其中，输电设备部件包括：复合绝缘子、避雷器、地线金具和导线金具；
地线金具包括悬垂线夹、耐张线夹接续金具、联接金具，导线金具包括悬垂线夹、耐张线夹、接续金具、联接金具；
S3.3：判断识别结果，若识别存在设备部件，则将图片输入S3.4；若识别不存在设备部件，则将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核；
S3.4：获取图片中设备部件的位置，并提取红外图片的参数信息，计算出图片中各个点的温度，形成温度矩阵；
对于识别得出的复合绝缘子和避雷器，根据获取的部件位置平均划分成三个区域，分析每个区域中所有像素点的温度，分别提取最高温度，进入S3.6；
对于识别得出的地线金具，根据空间位置关系的导地线位置获取方法，通过地线金具区域位置平移和红外图像特征判定获取地线区域位置，进入S3.5；
对于识别得出的导线金具，根据空间位置关系的导地线位置获取方法，通过导线金具区域位置平移和红外图像特征判定获取导线区域位置，进入S3.5；
S3.5：判定获取的导地线区域是否准确，根据导地线区域红外图像特征判断确定是否为导地线区域，若判定获取的导地线区域准确，则自动分析获取的部件位置区域中所有点的温度，提取最高温度，同时提取该部件区域附近的导地线区域中最高温度，进入S3.6；若判定均不存在导地线区域则将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核；
S3.6：分析提取的温度，按缺陷定级标准判定是否缺陷及缺陷等级；
S3.7：输出缺陷图片，完成缺陷识别。
5.根据权利要求4所述的输电线路红外巡检数据智能处理方法，其特征在于，S3.2具体为：
采用Faster R-CNN输电设备部件识别模型，输入原始红外图片，以图片左上角像素点为坐标原点，水平向右为X轴，垂直向下为Y轴，经过识别，若存在输电设备部件，则标记部件类别和部件标签，并标注部件标注框左上角坐标(x1,y1)和部件标注框右下角坐标(x2,y2)，若不存在识别结果，则将部件标签记为0。
6.根据权利要求5所述的输电线路红外巡检数据智能处理方法，其特征在于，S3.4具体为：
获取图片中设备部件的位置[x1,y1,x2,y2]，并提取红外图片的参数信息，参数包括：16位RAW原始值、辐射系数E、相机距离OD、大气温度AT、反射物表面温度RT、折射物表面温度IT、折射率IRT、相对湿度RH、普朗克R1常数PR1、普朗克B常数PB、普朗克F常数PF、普朗克偏移常数PO、普朗克R2常数PR2；根据公式(1)-(9)计算出图片中各个像素点的温度，形成温度矩阵，
若红外图片的像素为m*n，则温度矩阵为
公式(1)：
公式(2)：
公式(3)：
公式(4)：
公式(5)：
公式(6)：
公式(7)：
公式(8)：
公式(9)：
其中raw为16位RAW原始值；
ATA1为大气热传输常数，用于计算湿度对传输的影响；
ATA2为大气热传输常数，用于计算湿度对传输的影响；
ATB1为大气热传输常数，用于计算湿度对传输的影响；
ATB2为大气热传输常数，用于计算湿度对传输的影响；
ATX为大气热传输常数，用于计算湿度对传输的影响；
对于识别得出的复合绝缘子和避雷器，将根据获取的部件位置平均划分成三个区域，即根据复合绝缘子和避雷器的位置[x1,y1,x2,y2]，判断x2-x1与y2-y1大小，若y2-y1≥x2-x1，则划分以下三个区域
若y2-y1<x2-x1，则划分以下三个区域
分析每个区域中所有像素点的温度，分别提取最高温度，即分析m*n像素红外图片温度矩阵
中对应区域中的最高温度值(Tmax 1,Tmax 2,Tmax 3)，进入S3.6；
对于识别得出的地线金具，根据空间位置关系的导地线位置获取方法，通过地线金具区域位置平移和红外图像特征判定获取地线区域位置，即根据地线金具的位置[x1,y1,x2,y2]，通过区域位置平移获得地线区域[2x2-x1,y1,3x2-2x1,y2]或[3x1-2x2,y1,2x1-x2,y2]，进入S3.5；
对于识别得出的导线金具，根据空间位置关系的导地线位置获取方法，通过导线金具区域位置平移和红外图像特征判定获取导线区域位置，即根据导线金具的位置[x1,y1,x2,y2]，通过区域位置平移获得地线区域[2x2-x1,y1,3x2-2x1,y2]或[3x1-2x2,y1,2x1-x2,y2]，进入S3.5。
7.根据权利要求6所述的输电线路红外巡检数据智能处理方法，其特征在于，S3.5具体为：
判定获取的导地线区域是否准确，根据导地线区域红外图像特征判断确定是否为导地线区域；
对于导地线区域判断，包括制作匹配模板并生成模型以及用模型匹配目标图像；
其中生成模型包括以下步骤：
(1)采集模板图像，对模板图像进行canny边缘提取，提取模板图形的边界点；
(2)用sobel算子分别求出模板图像每个点的x方向梯度和y方向梯度；
(3)根据x、y梯度结合和边界点位置信息，求取每个边界的梯度方向和梯度大小；
(4)计算模板边缘点的重心(X,Y)；
用模型匹配目标图像包括以下步骤：
步骤1：对导地线待匹配区域进行canny边缘提取，得到待匹配图像的边界点信息；
步骤2：用sobel算子分别求取待匹配图像中每个点的x方向梯度和y方向梯度；
步骤3：滑窗匹配搜索，将模板在待匹配图像上从左到右，从上往下依次计算匹配分值，假设模板图像的边缘点总数为N，在对应的匹配区域上，分别计算模板边界点上每个点与对应的待匹配图像点的方向向量的夹角余弦值a1，a2，a3，…，an，匹配分值可记为
若p大于等于预设的阈值，则判定获取的导地线区域准确，接着自动分析获取的部件位置区域中所有点的温度，提取最高温度，同时提取该部件区域附近的导地线区域中最高温度，即分析m*n像素红外图片温度矩阵
中对应导地线金具和导地线区域中的最高温度值(Tj,Tx)，进入S3.6；若p小于预设的阈值，判定均不存在导地线区域则将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核。
8.根据权利要求5-7任一项所述的输电线路红外巡检数据智能处理方法，其特征在于，S3.6具体为：
对于复合绝缘子和避雷器，分析三个区域中最高温度差值，若温度差值在0.5-1℃之间，则判定为其他缺陷；若温度差值在1-3℃之间，则判定为一般缺陷；若温度差值在3-5℃之间，则判定为重大缺陷；若温度差值大于5℃，则判定为重大缺陷；
对于地线金具，计算地线金具区域中最高温度和地线区域最高温度差值和相对温差，分析地线金具最高温度、地线金具最高温度与地线区域最高温度差值和相对温差，若温度差值在5～15℃之间，或者相对温差35％～80％，则判定为一般缺陷；
若地线金具区域最高温度达到90～130℃，或者与地线区域最高温度差值在15～40℃之间，再或者相对温差80％～95％，则判定为重大缺陷；
若地线金具区域最高温度达到130℃以上，或者与地线区域最高温度差值大于40℃，再或者相对温差大于95％，则判定为紧急缺陷；
对于导线金具，计算导线金具区域中最高温度和导线区域最高温度差值和相对温差，分析导线金具最高温度、导线金具最高温度与导线区域最高温度差值和相对温差，若温度差值在5～15℃之间，或者相对温差35％～80％，则判定为一般缺陷；
若导线金具区域最高温度达到90～130℃，或者与导线区域最高温度差值在15～40℃之间，再或者相对温差80％～95％，则判定为重大缺陷；
若导线金具区域最高温度达到130℃以上，或者与地线区域最高温度差值大于40℃，再或者相对温差大于95％，则判定为紧急缺陷；
若图片中存在缺陷，则标注缺陷类型和等级，并根据“电压等级_线路名称_杆塔号_部件_时间戳_缺陷类型_缺陷等级.JPG”格式重命名图片，进入S3.7。
9.根据权利要求8所述的输电线路红外巡检数据智能处理方法，其特征在于，相对温差具体公式为：
其中，Tj为部件区域最高温度，Tx为相邻导线/地线区域最高温度。
10.根据权利要求1或9所述的输电线路红外巡检数据智能处理方法，其特征在于，S5具体为：
S5.1：输入缺陷图片；
S5.2：提取缺陷图片名字中线路、杆塔、部件、缺陷类型、缺陷等级和时间信息；
S5.3：比对缺陷库，搜索查看此图片时间后历史缺陷库中是否存在相关缺陷信息，若不存在，则说明缺陷未录入***，进入S5.4；若存在相关缺陷信息，则说明运维人员已将缺陷录入生成管理***，因此将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核；
S5.4；比对工作票库，搜索查看此图片时间后历史工作票中是否存在相关消除缺陷信息，若不存在，则说明缺陷未处理，进入S5.5；若存在相关缺陷已处理，则说明运维人员可能已处理相关缺陷，因此将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核；
S5.5：比对人员设备库，提取相应线路的运维班组、人员和班组长信息，若线路区段运维信息存在，则进入S5.6；若不存在，则将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核；
S5.6：比对缺陷表象库，提取相应缺陷类型的具体表象，若缺陷表象存在，则进入S5.7；若不存在，则将图片相关信息记录到问题数据库，图片另外保存，由人工查看审核；
S5.7：生成缺陷录入信息，进而生成缺陷录入消息，完成缺陷消息生成；
录入信息包括线路名称、杆塔号、部件、运维班组、运维人员、线路班组长、缺陷类型、缺陷等级、缺陷具体表象信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010684426.9A CN111949809B (zh) | 2020-07-16 | 2020-07-16 | 一种输电线路红外巡检数据智能处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010684426.9A CN111949809B (zh) | 2020-07-16 | 2020-07-16 | 一种输电线路红外巡检数据智能处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111949809A CN111949809A (zh) | 2020-11-17 |
| CN111949809B true CN111949809B (zh) | 2023-01-20 |
Family
ID=73340595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010684426.9A Active CN111949809B (zh) | 2020-07-16 | 2020-07-16 | 一种输电线路红外巡检数据智能处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111949809B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529859A (zh) * | 2020-12-04 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种配电设备缺陷检测方法及*** |
| CN112651454B (zh) * | 2020-12-31 | 2022-11-29 | 国网湖北省电力有限公司技术培训中心 | 一种电力设备红外数据采集***和螺旋式数据处理方法 |
| CN112819183A (zh) * | 2021-01-29 | 2021-05-18 | 广州中科智巡科技有限公司 | 一种输配电线路发热缺陷智能判别的算法及*** |
| CN113129284B (zh) * | 2021-02-26 | 2023-04-07 | 山东大学 | 一种基于5g云边协同的外观检测方法及实现*** |
| CN113112487A (zh) * | 2021-04-20 | 2021-07-13 | 广东电网有限责任公司 | 热缺陷的识别方法、装置、设备和存储介质 |
| CN113269744A (zh) * | 2021-05-20 | 2021-08-17 | 国网天津市电力公司 | 一种应用于输电线路设备缺陷的红外智能识别方法及*** |
| CN113420686A (zh) * | 2021-06-29 | 2021-09-21 | 广东电网有限责任公司 | 一种输电线路巡检方法、装置及*** |
| CN113838046A (zh) * | 2021-10-08 | 2021-12-24 | 南方电网数字电网研究院有限公司 | 引流板过热识别方法、装置、计算机设备和存储介质 |
| CN114047779A (zh) * | 2021-10-22 | 2022-02-15 | 贵州电网有限责任公司 | 一种基于无人机巡检的缺陷追踪方法及*** |
| CN114964510A (zh) * | 2022-07-27 | 2022-08-30 | 北京智芯半导体科技有限公司 | 架空线路的金具温度异常监测方法、***及智能电力终端 |
| CN115661468A (zh) * | 2022-12-29 | 2023-01-31 | 广东信通通信有限公司 | 一种基于颜色空间的输变电设备故障图像分割方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其*** |
| CN110197176A (zh) * | 2018-10-31 | 2019-09-03 | 国网宁夏电力有限公司检修公司 | 基于图像识别技术的巡检数据智能分析***及分析方法 |
-
2020
- 2020-07-16 CN CN202010684426.9A patent/CN111949809B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其*** |
| CN110197176A (zh) * | 2018-10-31 | 2019-09-03 | 国网宁夏电力有限公司检修公司 | 基于图像识别技术的巡检数据智能分析***及分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于无人机图像识别技术的输电线路缺陷检测;李宁等;《电子设计工程》;20190520(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111949809A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111949809B (zh) | 一种输电线路红外巡检数据智能处理方法 | |
| CN108037133B (zh) | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其*** | |
| CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
| CN111709361B (zh) | 一种输电线路无人机巡检数据处理方法 | |
| CN103901072B (zh) | 利用红外图谱分析诊断设备过热缺陷的方法 | |
| CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测*** | |
| CN113962659A (zh) | 一种基于云计算的智能电网大数据信息管理***及方法 | |
| CN109872317A (zh) | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 | |
| CN112906694A (zh) | 变电站倾斜式指针式仪表图像的读数矫正***及方法 | |
| CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
| CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
| CN110427943A (zh) | 一种基于r-cnn的智能电表数值识别方法 | |
| CN112102296A (zh) | 一种基于人类概念学的电力设备目标识别方法 | |
| CN112115770A (zh) | 一种用于架空线路无人机自主巡检缺陷识别的方法及*** | |
| CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
| CN115019294A (zh) | 一种指针式仪表读数识别方法及*** | |
| CN108510487A (zh) | 一种光伏组件远程监测装置 | |
| CN111027565A (zh) | 一种光学视觉语义提取的输变电设备报告内容生成方法 | |
| CN117498225B (zh) | 一种无人机智能电力线路巡检*** | |
| CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| CN117114420A (zh) | 一种基于图像识别的工贸安全事故风险管控***和方法 | |
| CN109360289B (zh) | 融合巡检机器人定位信息的电力表计检测方法 | |
| CN112732773A (zh) | 一种继电保护缺陷数据的唯一性校核方法及*** | |
| CN113780224B (zh) | 一种变电站无人化巡视方法及*** |
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 |