CN112001327B - 一种阀厅设备故障识别方法及*** - Google Patents
一种阀厅设备故障识别方法及*** Download PDFInfo
- Publication number
- CN112001327B CN112001327B CN202010865489.4A CN202010865489A CN112001327B CN 112001327 B CN112001327 B CN 112001327B CN 202010865489 A CN202010865489 A CN 202010865489A CN 112001327 B CN112001327 B CN 112001327B
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- image
- detected
- discharge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000007635 classification algorithm Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 238000010438 heat treatment Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 8
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种阀厅设备故障识别方法及***，方法包括：获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；当检测到故障时，生成故障类型并定位到具***置。本发明提出了通过对红外图像和紫外图像进行预处理及特征数据提取，利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，明确阀厅设备故障发生的类型及故障区域位置，提高了阀厅设备运维的可靠性、科学性和智能化。
Description
技术领域
本发明涉及电力巡检技术领域，具体涉及一种阀厅设备故障识别方法及***。
背景技术
目前，以时间为基础的预防性试验及定期维修的电力设备检修制度，由于其自身的盲目性及检修水平不高等因素，可能使设备良好的运行状态造成破坏或者使设备“越修越坏”，尤其是特高压换流阀、换流变压器、穿墙套管等复杂大型设备，由于常用的预防性试验通常是在离线情况下施加低电压进行的，低压试验完全无法模拟设备在特高压情况下的运行工况；离线情况下，也无法模拟设备的热应力等特性；同时，阀厅内特高压换流阀等设备结构复杂，在其阀体内部存在水路穿梭、高低电位的交叉，虽然整体的绝缘特性在产品的设计生产中有可靠的保证，但随着长期运行，元件性能下降、运行环境变化，尤其是渗水，对换流站的可靠运行造成了潜在威胁以及换流变压器高压端子渗油异常等情况，通过当前人为监视手段很难及时发现异常情况，对整个特高压直流工程的持续稳定运行形成了潜在风险。
换流阀阀厅是特高压换流站核心的建筑单元，其长期运行在电、磁、热等多物理场交织的复杂环境中，换流阀阀厅运行的可靠性是直接影响整个直流工程稳定的关键点，当前排除换流阀阀厅内设备的运行隐患方法是定期检修，而停电状态下的定期检修无法模拟换流阀等设备的实际运行工况，同时导致设备某些运行缺陷或隐患无法重现，存在不能明确阀厅设备故障发生的类型及故障区域位置的问题。
发明内容
因此，本发明提供的一种阀厅设备故障识别方法及***，克服了现有技术中不能明确阀厅设备故障发生的类型及故障区域位置的缺陷。
为达到上述目的，本发明提供如下技术方案：
第一方面，本发明实施例提供一种阀厅设备故障识别方法，包括：
获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；
对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；
利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；
当检测到故障时，生成故障类型并定位到具***置。
在一实施例中，所述当检测到故障时，生成故障类型并定位到具***置的步骤后，还包括：生成报警信息，并对报警信息进行图表绘制、可视化显示，报警信息包括故障阀厅设备的故障类型、时间、图像和视频信息。
在一实施例中，所述故障类型包括：明火、放电、过热、渗水。
在一实施例中，当检测到设备故障为明火、过热、渗水类型时，在红外图像中标识出故障区域；当检测到设备故障为放电类型时，在紫外图像中标识出故障区域。
在一实施例中，明火故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，通过预设图像处理算法确定火焰可疑区域，提取可疑区域每一个时刻每一个火焰的特征值，并输入动态特征池，特征值包括:平均圆形度、面积平均变化率、周长平均变化率，利用启发式分类算法对特征值进行分类归队，结合动态特征分析算法判断多个待检测设备是否存在明火故障。
在一实施例中，放电故障检测的步骤包括：获取图像采集设备实时拍摄的紫外图像，通过预设图像检测算法检测出单帧图像中的可疑放电点，根据放电负样本，统计紫外噪声的分布，利用概论模型拟合，可得到噪声的概率密度函数，基于所述概率密度函数利用启发式特征分类算法构建可疑放电区域在时间上的序列，计算序列为噪声序列的概率，通过与对应的预设阈值比较来判断待检测设备是否存在放电故障。
在一实施例中，过热故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，通过预设图像处理算法确定发热可疑区域，提取发热区域的温度值，利用动态特征分析算法分析发热区域的温升、温差、相对温差，通过与对应的预设阈值比较来判断待检测设备是否存在过热故障。
在一实施例中，渗水故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，利用图像分割算法求出单帧图像中渗水可疑区域，计算区域内与区域边界外附区域的平均温度差，初步筛选可疑区域，利用轮廓在时间序列上启发式分类算法，将多帧下不同轮廓划分为不同的队列，每个队列表示一片渗水区域在时间序列上的变化，计算各个队列在时间序列上的面积平均变化率和周长平均变化率，与设定的变化率阈值比较，筛选出渗水区域。
第二方面，本发明实施例提供一种阀厅设备故障识别***，包括：
图像获取模块，用于获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；
特征提取模块，用于对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；
故障检测模块，用于利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；
故障识别模块，用于当检测到故障时，生成故障类型并定位到具***置。
第三方面，本发明实施例提供一种终端，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的阀厅设备故障识别方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的阀厅设备故障识别方法。
本发明技术方案，具有如下优点：
本发明提供的阀厅设备故障识别方法及***，获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；当检测到故障时，生成故障类型并定位到具***置。提出了通过对红外图像和紫外图像进行预处理及特征数据提取，利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，明确阀厅设备故障发生的类型及故障区域位置，提高了阀厅设备运维的可靠性、科学性和智能化。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种阀厅设备故障识别方法的一个具体示例的流程图；
图2为本发明实施例提供的一种阀厅设备故障识别方法的一个具体登录示例的流程图；
图3为本发明实施例提供的一种阀厅设备故障识别方法的一个具体示例的动态特征池的示意图；
图4为本发明实施例提供的一种阀厅设备故障识别方法的一个具体示例的解决故障重叠的示意图；
图5为本发明实施例提供的一种阀厅设备故障识别***的模块组成图；
图6为本发明实施例提供的一种终端一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供的一种阀厅设备故障识别方法，如图1所示，包括如下步骤：
步骤S1：获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像。
在本发明实施例中，如图2所示，用户实时获取图像采集设备实时拍摄的待检测设备的视频流时，需输入用户名以及密码登录，***登陆成功后向网络视频录像机(NetworkVideo Recorder，NVR)等网络设备发起登陆请求，仅以次举例，不以此为限，在实际应用中选择相应的网络设备。设备登录成功后进行数据初始化，包括：初始化TCP连接，视频流，红外原始数据流，监控界面，故障检测规则参数等，之后根据网络设备信息更新设备树，对于每一个设备管理员可以设置警报阈值等参数。
在本发明实施例中，图像采集设备包括：RGB相机、紫外相机、红外相机等图像采集设备，仅以次举例，不以此为限，在实际应用中选择相应的图像采集设备。
步骤S2：对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据。
在本发明实施例中，通过设置视频流回调函数，实时更新内存中的当前帧图像，以及红外原始温度数据，读取当前帧以及红外原始温度数据，首先对视频流中的任意一帧图像进行预处理，预处理操作包括滤除部分噪声，边缘锐化，将设备区域进行分割，仅以此举例，不以此为限，在实际应用中选择相应的预处理手段，提取可疑候选区域特征数据并进行简单过滤。
步骤S3：利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障。
在本发明实施例中，所述故障类型包括：明火、放电、过热、渗水；仅以此举例，不以此为限，在实际应用中选择相应的故障类型；当检测到设备故障为明火、过热、渗水类型时，在红外图像中标识出故障区域；当检测到设备故障为放电类型时，在紫外图像中标识出故障区域。
在本发明实施例中，明火故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，通过预设图像处理算法确定火焰可疑区域，提取可疑区域每一个时刻每一个火焰的特征值，并输入动态特征池，特征值包括:平均圆形度、面积平均变化率、周长平均变化率，利用启发式分类算法对特征值进行分类归队，结合动态特征分析算法判断多个待检测设备是否存在明火故障。
具体地，当遇到火焰燃烧时会产生大量的电磁波辐射，其中电磁波的波段主要集中在红外区域以及可见光区域，紫外波段也存在一定量辐射，由于红外图像中火焰区域的亮度要远远高于其他区域，利用预设图像处理算法分割火焰区域，但是与白炽灯、卤素灯类似等热源也会发出类似于火焰的电磁波辐射，所以红外图像初步识别的区域作为可疑区域。
在红外图像中白炽灯等物体的轮廓类似于圆形，大多数高温移动的干扰源如人等，也通常具有比较规则的形状，变化相对平缓，而火焰的形状是不规则的，其圆形度不但平均值较低，而且会随着时间变化而明显变化，因此，选择圆形度及其变化率作为火焰的重要判据。
圆形度计算公式如下：
其中，A为火灾疑似区域的面积；P为火灾疑似区域的周长。
圆形度平均变化率计算公式如下：
其中，n为圆形度特征向量长度。
分析火焰样本，根据火焰的平均圆形度，设定圆形度阈值Ct，排除部分干扰轮廓，统计圆形度动态变化规律，设定平均变化率阈值Vct，排除圆形度变化平缓的干扰轮廓。
由于火焰的形态随时间变化明显，面积变化率与周长变化率也可以作为排除干扰物的重要判据。通过以下公式分别计算面积变化率与周长变化率：
则面积平均变化率与周长平均变化率计算公式分别为：
分析火焰样本，根据样本的面积平均变化率与周长平均变化率设定变化率阈值Vat与Vlt，排除面积与周长变化平缓的干扰轮廓。
在火焰的动态变化中，其轮廓形状会随时间不断变化，统计其轮廓形状变化率也可作为火焰的判据。提取可疑区域的轮廓V＝(x(i),y(i))，可将轮廓视为一维复数序列：
V(i)＝x(i)+jy(i)
对其做离散余弦变换(DCT):
其中低频部分主要反映区域的整体形状，取低频部分的系数，定义形状描述系数：
通过以下公式利用欧式距离计算任意两个轮廓S1、S2之间的形状变化：
分析火焰样本，设定帧间形状变化阈值Dst。对含M个特征元素的特征队列统计相邻两帧间形状变化大于Dst的特征元素总数，若小于M/3认为轮廓在时间序列上变化不明显，仅以此举例，不以此为限，在实际应用中根据实际需求选择相应的数值，则该特征队列追踪的发热目标不认为是火焰。
在本发明实施例应用场景下可能会同时出现多个发热源，而以往的火焰识别算法可以归纳为三步：可疑区域的提取；动态特征的检测；特征数据分析与决策，只适用于单目标分析。本发明实施例实现了多目标区域跟踪与优化算法，对每一个时刻每一个可疑区域计算特征值，并输入如图3所示的动态特征池，利用启发式分类算法对特征值进行分类归队。
对每一个可疑区域利用上述算法，可求得其各个特征值，例如：对一个火焰可疑区域可以计算其圆形度，面积，周长，形状描述系数，这一组特征值称为此可疑区域的特征元素q，通过以下公式计算特征元素的位置属性(Xq,Yq)：
其中，(x(i),y(i))为组成可疑区域轮廓的点，(Xq,Yq)为特征元素q的位置，即为此可疑区域的轮廓中心。
将特征元素输入动态特征池中，多个特征元素按时间顺序排列，组成了一个特征队列Q，一个特征队列对应红外图像中的一个发热源，定义当前队列跟踪的发热目标区域在图像中的中心坐标值为队列的位置属性(XQ,YQ)；当t时刻，一个新的特征元素q加入队列时，通过以下公式采用“加权平均运动”更新队列的位置：
其中，λ为平滑因子，λ较大时，新加入的元素对队列的位置属性影响较大，队列可以快速的跟踪元素的位置变化，但是抖动也较大，容易受个别元素影响导致跟踪失败；λ较小时，新加入的元素对队列的位置属性影响较小，历史元素对队列的位置影响较大，队列位置抖动较小，但是当λ过小时，不能有效的跟踪元素的位置变化，因此λ要选择合适的值。
通过以下公式计算特征元素或特征队列的距离为欧氏距离：
定义特征元素和特征队列之间的三种操作：
元素归队：特征元素加入某个特征队列的末尾，更新队列位置；
创建队列：创建一个新的特征队列，即一个新的发热区域的特征时间序列；队列融合：
将两个队列融合为一个队列，元素按时间顺序排列，若同一时间出现多个元素，保留面积较大者。当新元素加入动态特征池，利用距离公式计算其与所有队列的距离Dn，取最小距离和对应的队列Dmin、Qmin。设定最大归队距离阈值Dt，当Dmin≤Dt时，将元素归入Qmin队列，否则创建新队列；检查新队列与其它队列的距离，当存在距离小于Dt的情况时，将两个队列合并。
最后利用动态特征算法对每个队列分别进行分析，实现了对多目标的跟踪与检测，这种启发式特征分类算法也用于渗水检测与放电检测中。
在本发明实施例中，放电故障检测的步骤包括：获取图像采集设备实时拍摄的紫外图像，通过预设图像检测算法检测出单帧图像中的可疑放电点，根据放电负样本，统计紫外噪声的分布，利用概论模型拟合，可得到噪声的概率密度函数，基于所述概率密度函数利用启发式特征分类算法构建可疑放电区域在时间上的序列，计算序列为噪声序列的概率，通过与对应的预设阈值比较来判断待检测设备是否存在放电故障。
在本发明实施例中，利用像素亮度信息在紫外图像中可以很容易得到放电可疑区域，其区分的关键在于放电点与紫外噪点，利用简单的图像检测技术，检测出单帧图像中的可疑放电点所在的可疑区域，之后再利用统计学算法，计算在一个时间序列上，可疑区域周围连续出现放电点的概率，当概率的值大于设定的先验概率时，判定此可疑区域为放电区域。
紫外图像中放电点亮度明显高于背景环境的亮度，形状随机，没有纹理信息，但是紫外图像的噪声同样具有类似的特征，以往的基于紫外成像的放电检测，多关注于研究放电强度与紫外增益、光斑面积、形态、距离、光子数量等参数的关系，目的是为了量化放电强度，仅以此举例，不以此为限，在实际应用中根据实际需求选择相应的研究参数；当放电强度较大，检测距离较近时，光斑面积较大，可以很好的与背景噪声区分，但当放电强度小，放电点与紫外相机之间存在遮挡，检测距离较远时，放电点在紫外图像中的面积可能较小，无法利用光斑面积与背景噪声进行有效区分。
紫外噪声在图像中出现的位置呈随机分布，而放电点总是出现设备故障区域，位置相对固定，并且具有一定频率，在紫外图像中随时间序列呈一定规律出现，考虑光斑的时间序列，放电点在紫外图像中的相邻帧连续出现，而噪声在一个区域连续出现的概率较低。
首先，由于紫外图像下放电点具有高亮度的特点，所以可以利用简单的图像检测技术，检测出单帧图像中的可疑放电点，根据放电负样本，统计紫外噪声的分布，利用概论模型拟合，可得到噪声的概率密度函数f(t)。
利用启发式特征分类算法构建可疑放电区域在时间上的序列，计算序列为噪声序列的概率：
其中，t为同一队列中当前光斑与上一个光斑之间的时间差，通过与对应的预设阈值比较来判断待检测设备是否存在放电故障，当PQ<0.01时，判断此序列为放电序列，仅以此举例，不以此为限，在实际应用中根据实际需求选择相应的预设阈值。
在本发明实施例中，过热故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，通过预设图像处理算法确定发热可疑区域，提取发热区域的温度值，利用动态特征分析算法分析发热区域的温升、温差、相对温差，通过与对应的预设阈值比较来判断待检测设备是否存在过热故障。
在本发明实施例中，输变电设备在正常运行时，导电回路、绝缘介质和铁芯均存在正常设计范围内的发热升温；当设备存在接触不良、短路、污染物覆盖等各种不良状态时，处在电力设备外部与内部的各种部件可能会产生不同的、超过设计标准的热效应。利用红外热像仪探测的是电力设备热缺陷发射的红外能量，一旦被测设备存在缺陷，相应部位温度场会发生变化，这一变化可以被红外热像仪精确的捕捉到，检测设备在运行状态下的温度的分布情况，就可以及时对设备故障进行诊断。
利用红外成像的过热检测在电力设备巡检中非常重要，已经发现并预防了多起潜在事故，但目前红外检测依赖现场工程师手持红外热像仪，根据红外图像，对设备状态进行人为分析。本发明实施例利用在线式红外成像仪，利用动态特征分析算法分析发热区域的温升、温差、相对温差，通过与对应的预设阈值比较来判断待检测设备是否存在过热故障，实现了对电力设备温度状态全天候监控，同时结合了图像处理技术，对设备过热实现了实时自主故障定位与精确分析。
本发明实施例通过实时获取设备的红外图像，利用图像处理技术确定发热区域，同时读取红外原始数据流，对原始数据进行数学变换得到温度数据，统计发热区域温度数据，获得发热点温度T。比较发热点温度T与正常工作温度阈值Tt，当T>Tt时发出警报。例如《江苏省红外测温标准化作业指导书》规定：金属导线热点温度＞80℃时，判定为严重缺陷，仅以此举例，不以此为限，在实际应用中选择相应的报警标准。
根据T以及环境温度参照体表面温度Te计算温升：
θ＝T-Te。
计算不同被测设备或同一被测设备不同部位之间的温差：
D＝T1-T2
比较当前温差D与正常工作温差阈值Dt，当D>Dt时发出警报，例如：规定金属导线温升>15K时，判定为严重缺陷，仅以此举例，不以此为限，在实际应用中根据实际需求选择相应的阈值。
根据温升胃与温差D计算相对温差：
比较当前相对温差δt与正常工作相对温差阈值δt，当δt>δt时发出警报。例如：规定金属导线相对温差≥95％时，判定为危急缺陷，仅以此举例，不以此为限，在实际应用中根据实际需求选择相应的阈值。
由负责设备运行安全的工程师，制定相应红外特征检测标准，利用红外热像仪实时采集计算设备的红外特征值，依据标准对设备故障进行诊断，实现全天候自动监测设备发热情况，一旦出现发热故障，可以及时发出警报。
在本发明实施例中，渗水故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，利用图像分割算法求出单帧图像中渗水可疑区域，计算区域内与区域边界外附区域的平均温度差，初步筛选可疑区域，利用轮廓在时间序列上启发式分类算法，将多帧下不同轮廓划分为不同的队列，每个队列表示一片渗水区域在时间序列上的变化，计算各个队列在时间序列上的面积平均变化率和周长平均变化率，与设定的变化率阈值比较，筛选出渗水区域。
在本发明实施例中，渗水是指由于管道破损，连接处密封不严等原因，管道里的水渗透扩散至设备表面甚至出现滴水的情况；当冷却水渗出时，水温度低于运行设备的温度时，会在红外热像仪下呈现出一片连续的，孤立的低温区域，以往的渗水检测利用水分检测试纸或是现场人员手持红外热像仪对设备进行观察的方式进行。本发明实施例结合渗水的低温特征以及动态特征变化，提供了一种在线的实时渗水检测算法，可以对低于设备温度的冷却水渗出故障进行检测。
首先利用图像分割算法求出单帧图像中渗水可疑区域，计算区域内与区域边界外附区域的平均温度差，初步筛选可疑区域。利用轮廓在时间序列上启发式分类算法，将多帧下不同轮廓划分为不同的队列，每个队列表示一片渗水区域在时间序列上的变化。计算各个队列在时间序列上的面积平均变化率和周长平均变化率，与设定的变化率阈值比较，从而筛选出渗水区域。
步骤S4：当检测到故障时，生成故障类型并定位到具***置。
在本发明实施例中，所述当检测到故障时，生成故障类型并定位到具***置的步骤后，还包括：生成报警信息，并对报警信息进行图表绘制、可视化显示，报警信息包括故障阀厅设备的故障类型、时间、图像和视频信息。
在本发明实施例中，本发明实施例通过分析红外与紫外通道图像，对过热、明火、渗水、放电四种故障实时同步进行检测，但是除渗水故障外，其他三种故障并非相互独立，当明火故障发生时，红外图像中高温火焰区域同样会被检测为过热故障，火焰在紫外波段释放的辐射会被检测为放电故障，将这种现象称为故障之间的重叠。故障的重叠会引发错误的类型的故障警报。下表列出了四种故障检测的重叠情况。
| 故障类型 | 涉及通道 | 重叠情况 |
| 过热 | 红外 | 与明火重叠 |
| 明火 | 紫外、红外 | 与明火、放电重叠 |
| 放电 | 紫外 | 与明火重叠 |
| 渗水 | 红外 | 独立无重叠 |
为了消除故障重叠引起的故障类型错误检测，需要结合各类故障检测综合分析决策。当明火故障发生时，由于检测算法原因，过热和放电检测会先于明火检测立即判断故障发生，如果立即发出过热或放电警报，则出现警报类型错误。为了消除这种错误，当检测到过热或放电时需要等待一段时间，结合明火检测的结果综合分析故障类型，这段时间称为“冲突等待时间”，如果经过冲突等待后未检测到明火，则发出响应类型警报。当检测到明火故障时，需要结合过热和放电故障的检测结果，如果有过热和放电故障在等待，则发出明火警报，取消前两种警报。
设置一个发送缓冲区，当放电或过热被检测到时，即刻生成故障报文、故障截图以及故障短视频，将故障信息加入缓冲区开始冲突等待，等待结束后，发送故障信息，当检测到明火故障时，检查发送缓冲区中的故障信息，当存在放电与过热故障信息时，生成并发送明火故障信息，且清空缓冲区。这样做的好处是可以在过热和放电发生时，及时的捕捉并保存故障信息，避免等待结束后丢失了相应的故障图像与短视频等信息，并且在等待结束后能立刻发送故障信息，降低了***延迟，火焰检测结合了过热与放电检测的结果综合分析，可以进一步降低误检率。
本发明实施例中提供的阀厅设备故障识别方法，通过获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；当检测到故障时，生成故障类型并定位到具***置。提出了通过对红外图像和紫外图像进行预处理及特征数据提取利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，明确阀厅设备故障发生的类型及故障区域位置，提高了阀厅设备运维的可靠性、科学性和智能化。
实施例2
本发明实施例提供一种阀厅设备故障识别***，如图5所示，包括：
图像获取模块1，用于获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。
特征提取模块2，用于对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。
故障检测模块3，用于利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；此模块执行实施例1中的步骤S3所描述的方法，在此不再赘述。
故障识别模块4，用于当检测到故障时，生成故障类型并定位到具***置；此模块执行实施例1中的步骤S4所描述的方法，在此不再赘述。
本发明实施例提供一种阀厅设备故障识别***，提出了通过获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；当检测到故障时，生成故障类型并定位到具***置。通过对红外图像和紫外图像进行预处理及特征数据提取利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，明确阀厅设备故障发生的类型及故障区域位置，提高了阀厅设备运维的可靠性、科学性和智能化。
实施例3
本发明实施例提供一种终端，如图6所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的阀厅设备故障识别方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的阀厅设备故障识别方法。其中，通信总线402可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：HDD)或固降硬盘(英文：solid-statedrive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：networkprocessor，缩写：NP)或者CPU和NP的组合。
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请执行实施例1中的阀厅设备故障识别方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1中的阀厅设备故障识别方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。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。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种阀厅设备故障识别方法，其特征在于，包括：
获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；
对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；
利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；
当检测到故障时，生成故障类型并定位到具***置，其中，当检测到设备故障为放电类型时，放电故障检测的步骤包括：获取图像采集设备实时拍摄的紫外图像，通过预设图像检测算法检测出单帧图像中的可疑放电点，根据放电负样本，统计紫外噪声的分布，利用概论模型拟合，可得到噪声的概率密度函数，基于所述概率密度函数利用启发式特征分类算法构建可疑放电区域在时间上的序列，计算序列为噪声序列的概率，通过与对应的预设阈值比较来判断待检测设备是否存在放电故障，其中，利用启发式特征分类算法构建可疑放电区域在时间上的序列，计算序列为噪声序列的概率：
其中，t为同一队列中当前光斑与上一个光斑之间的时间差，为噪声的概率密度函数，通过与对应的预设阈值比较来判断待检测设备是否存在放电故障。
2.根据权利要求1所述的阀厅设备故障识别方法，其特征在于，所述当检测到故障时，生成故障类型并定位到具***置的步骤后，还包括：生成报警信息，并对报警信息进行图表绘制、可视化显示，报警信息包括故障阀厅设备的故障类型、时间、图像和视频信息。
3.根据权利要求1所述的阀厅设备故障识别方法，其特征在于，所述故障类型包括：明火、放电、过热、渗水。
4.根据权利要求3所述的阀厅设备故障识别方法，其特征在于，当检测到设备故障为明火、过热、渗水类型时，在红外图像中标识出故障区域；当检测到设备故障为放电类型时，在紫外图像中标识出故障区域。
5.根据权利要求4所述的阀厅设备故障识别方法，其特征在于，明火故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，通过预设图像处理算法确定火焰可疑区域，提取可疑区域每一个时刻每一个火焰的特征值，并输入动态特征池，特征值包括:平均圆形度、面积平均变化率、周长平均变化率，利用启发式分类算法对特征值进行分类归队，结合动态特征分析算法判断多个待检测设备是否存在明火故障。
6.根据权利要求4所述的阀厅设备故障识别方法，其特征在于，过热故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，通过预设图像处理算法确定发热可疑区域，提取发热区域的温度值，利用动态特征分析算法分析发热区域的温升、温差、相对温差，通过与对应的预设阈值比较来判断待检测设备是否存在过热故障。
7.根据权利要求4所述的阀厅设备故障识别方法，其特征在于，渗水故障检测的步骤包括：获取图像采集设备实时拍摄的红外图像，利用图像分割算法求出单帧图像中渗水可疑区域，计算区域内与区域边界外附区域的平均温度差，初步筛选可疑区域，利用轮廓在时间序列上启发式分类算法，将多帧下不同轮廓划分为不同的队列，每个队列表示一片渗水区域在时间序列上的变化，计算各个队列在时间序列上的面积平均变化率和周长平均变化率，与设定的变化率阈值比较，筛选出渗水区域。
8.一种阀厅设备故障识别***，其特征在于，包括：
图像获取模块，用于获取图像采集设备实时拍摄的待检测设备的视频流，所述视频流包括：红外图像和紫外图像；
特征提取模块，用于对视频流中的任意一帧图像进行预处理，并提取预处理后图像的特征数据；
故障检测模块，用于利用动态特征分析算法、启发式分类算法至少之一对特征数据进行分析，判断待检测设备是否存在故障；
故障识别模块，用于当检测到故障时，生成故障类型并定位到具***置，其中，当检测到设备故障为放电类型时，放电故障检测的步骤包括：获取图像采集设备实时拍摄的紫外图像，通过预设图像检测算法检测出单帧图像中的可疑放电点，根据放电负样本，统计紫外噪声的分布，利用概论模型拟合，可得到噪声的概率密度函数，基于所述概率密度函数利用启发式特征分类算法构建可疑放电区域在时间上的序列，计算序列为噪声序列的概率，通过与对应的预设阈值比较来判断待检测设备是否存在放电故障，其中，利用启发式特征分类算法构建可疑放电区域在时间上的序列，计算序列为噪声序列的概率：
其中，t为同一队列中当前光斑与上一个光斑之间的时间差，为噪声的概率密度函数，通过与对应的预设阈值比较来判断待检测设备是否存在放电故障。
9.一种终端，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7任一所述的阀厅设备故障识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一所述的阀厅设备故障识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010865489.4A CN112001327B (zh) | 2020-08-25 | 2020-08-25 | 一种阀厅设备故障识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010865489.4A CN112001327B (zh) | 2020-08-25 | 2020-08-25 | 一种阀厅设备故障识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001327A CN112001327A (zh) | 2020-11-27 |
| CN112001327B true CN112001327B (zh) | 2023-08-18 |
Family
ID=73470439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010865489.4A Active CN112001327B (zh) | 2020-08-25 | 2020-08-25 | 一种阀厅设备故障识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001327B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734637B (zh) * | 2020-12-18 | 2022-06-21 | 厦门大学 | 一种导线温度监测的热红外图像处理方法和*** |
| 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 |
| CN113191313B (zh) * | 2021-05-20 | 2024-07-09 | 国能大渡河沙坪发电有限公司 | 基于水电厂的视频流放电识别方法、装置及计算机设备 |
| CN113340352A (zh) * | 2021-06-08 | 2021-09-03 | 国网浙江省电力有限公司 | 阀厅的监测方法、装置及*** |
| CN116168464A (zh) * | 2022-12-22 | 2023-05-26 | 国网河南省电力公司郑州供电公司 | 基于分布式存储的无人机巡检数据识别与管理方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006010365A (ja) * | 2004-06-23 | 2006-01-12 | Kansai Electric Power Co Inc:The | 電気設備点検方法及び装置、並びに紫外線映像処理方法及びプログラム |
| CN101726693A (zh) * | 2009-11-26 | 2010-06-09 | 绍兴电力局 | 一种在紫外图像上寻找电力设备放电区域的方法 |
| CN103487729A (zh) * | 2013-09-06 | 2014-01-01 | 广东电网公司电力科学研究院 | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 |
| CN105425123A (zh) * | 2015-11-20 | 2016-03-23 | 国网福建省电力有限公司泉州供电公司 | 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*** |
| CN107861915A (zh) * | 2017-11-09 | 2018-03-30 | 东软集团股份有限公司 | 获取预警阈值的方法、装置以及存储介质 |
| CN108008259A (zh) * | 2017-11-14 | 2018-05-08 | 国网江西省电力有限公司电力科学研究院 | 基于红外、紫外和可见光图像融合一体化的检测方法和装置 |
-
2020
- 2020-08-25 CN CN202010865489.4A patent/CN112001327B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006010365A (ja) * | 2004-06-23 | 2006-01-12 | Kansai Electric Power Co Inc:The | 電気設備点検方法及び装置、並びに紫外線映像処理方法及びプログラム |
| CN101726693A (zh) * | 2009-11-26 | 2010-06-09 | 绍兴电力局 | 一种在紫外图像上寻找电力设备放电区域的方法 |
| CN103487729A (zh) * | 2013-09-06 | 2014-01-01 | 广东电网公司电力科学研究院 | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 |
| CN105425123A (zh) * | 2015-11-20 | 2016-03-23 | 国网福建省电力有限公司泉州供电公司 | 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*** |
| CN107861915A (zh) * | 2017-11-09 | 2018-03-30 | 东软集团股份有限公司 | 获取预警阈值的方法、装置以及存储介质 |
| CN108008259A (zh) * | 2017-11-14 | 2018-05-08 | 国网江西省电力有限公司电力科学研究院 | 基于红外、紫外和可见光图像融合一体化的检测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| "基于互信息的紫外成像仪中图像配准研究";侯思祖等;《光电技术及应用》;598-604页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001327A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001327B (zh) | 一种阀厅设备故障识别方法及*** | |
| CN106124949B (zh) | 一种基于热红外成像技术对绝缘子故障在线监测方法 | |
| US11361423B2 (en) | Artificial intelligence-based process and system for visual inspection of infrastructure | |
| CN108254077B (zh) | 基于局部与全局特征信息融合的gis热故障诊断方法 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及*** | |
| US20170323435A1 (en) | Defect quantification method, defect quantification device, and defect evaluation value display device | |
| JP6922539B2 (ja) | 表面欠陥判定方法および表面欠陥検査装置 | |
| CN111624229A (zh) | 一种基于红外成像的带电设备故障智能诊断方法 | |
| CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
| CN110660065A (zh) | 一种红外故障检测识别算法 | |
| CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
| Jadin et al. | Thermal condition monitoring of electrical installations based on infrared image analysis | |
| CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
| Kakillioglu et al. | Autonomous heat leakage detection from unmanned aerial vehicle-mounted thermal cameras | |
| 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 | |
| CN117740811B (zh) | 一种新能源汽车遮阳篷性能检测方法、***及存储介质 | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| CN116958905A (zh) | 输电线路故障监测方法、***、介质及设备 | |
| CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、***及存储介质 | |
| CN114549421A (zh) | 一种融合多参量的电力外绝缘设备紫外图像缺陷评估***及方法 | |
| JP4796535B2 (ja) | 画像処理による多導体電線の追跡方法、装置及びプログラム並びにこれを用いた多導体電線の異常検出方法、装置及びプログラム | |
| CN114699702A (zh) | 消防设备检测方法及相关装置 | |
| CN113643234A (zh) | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 | |
| CN112307916A (zh) | 一种基于可见光摄像机的报警监控方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 18 Binhe Avenue, future science and Technology City, Changping District, Beijing 102200 Patentee after: State Grid Smart Grid Research Institute Co.,Ltd. Country or region after: China Address before: 102209 18 Riverside Avenue, Changping District science and Technology City, Beijing Patentee before: GLOBAL ENERGY INTERCONNECTION RESEARCH INSTITUTE Co.,Ltd. Country or region before: China |