CN112016641A - 一种异物导致线路短路故障告警方法及装置 - Google Patents
一种异物导致线路短路故障告警方法及装置 Download PDFInfo
- Publication number
- CN112016641A CN112016641A CN202010826178.7A CN202010826178A CN112016641A CN 112016641 A CN112016641 A CN 112016641A CN 202010826178 A CN202010826178 A CN 202010826178A CN 112016641 A CN112016641 A CN 112016641A
- Authority
- CN
- China
- Prior art keywords
- line
- image
- detected
- foreign matter
- short circuit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 86
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 27
- 241000256247 Spodoptera exigua Species 0.000 claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 230000009193 crawling Effects 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 239000002985 plastic film Substances 0.000 description 7
- 229920006255 plastic film Polymers 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241001481710 Cerambycidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明实施例提供一种异物导致线路短路故障告警方法及装置,所述方法包括:收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。通过基于霍夫变换和尺蠖蠕行算法的融合,并对待测线路图像进行检测,提高了区分导线和异物的准确率,并提高了预警的准确率。
Description
技术领域
本发明涉及电力传输技术领域,尤其涉及一种异物导致线路短路故障告警方法及装置。
背景技术
架空输电线路常年在野外运行,受外界自然条件影响较大,在雷暴、台风、冻雨等极端气象条件下极易引起跳闸故障,影响供电的可靠性,甚至在特殊情况下可能会导致电网大面积长时间停电事故发生,给生产生活带来极大的不便利。受全球气候变化加剧的影响,近年来我国异常天气增多,如“安比”、“摩羯”、“温比亚”、“利奇马”等台风都登陆过东部沿海地区,因风灾造成的输电线路故障给电力***带来了巨大损失。
导致输电线路异物短接跳闸的异物包括大棚塑料布、地膜、反光膜、气球、防晒网、广告布、铝箔纸等表面积较大的物体,极易随风刮上输电线路,因大棚塑料薄膜、树障、防尘膜等引起的线路异物短路时有发生。因此,对输电线路进行因异物导致的线路短路故障告警和预警就显得尤为重要。
但是,目前现有的异物导致线路短路故障告警方法主要依靠对输电线路上异物种类检测方法或者基于无人机的航拍异物图像识别方法、导线异物清理装置等;但是由于这些方法不能精确的区分导线和异物,往往会导致告警准确率低的缺陷。
发明内容
本发明实施例提供一种异物导致线路短路故障告警方法及装置,用以解决现有技术中告警准确率低的缺陷的缺陷,实现对于异物导致线路短路故障的精确告警。
本发明实施例提供一种异物导致线路短路故障告警方法,包括:
收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;
根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;
获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
可选地,所述根据线路检测算法对所述样本图像进行处理,获取异物对比图库具体包括:
基于边缘检测算法和霍夫变换,获取导线大致位置图像;
基于所述导线大致位置图像和尺蠖蠕行算法,获取导线精确位置图像;
基于所述导线精确位置图像获取异物图像,并根据所述异物图像建立异物对比图库。
可选地,所述基于边缘检测算法和霍夫变换,获取导线大致位置图像具体包括:
通过边缘检测算法提取所述样本图像的边缘图像;
将所述边缘图像通过直线的霍夫变换实现点到曲线的转换;
计算所述边缘图像的最大霍夫值,基于所述最大霍夫值和预设的霍夫值阈值,获取导线大致位置图像。
可选地,所述基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警具体包括:
基于所述待检测线路的图像,获取待检测线路的异物特征;
将所述待检测线路的异物特征与所述异物对比图库进行对比生成对比结果;
根据所述对比结果对所述待检测线路进行实时告警。
可选地,所述获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警之后还包括:
利用预设的异物短路风险预警模型对待检测线路的异物短路风险进行预警;其中,所述异物短路风险预警模型是基于样本线路的线路重要程度值、样本线路的地理特征值和样本线路的风速大小值进行训练后得到的。
可选地,所述利用预设的异物短路风险预警模型对待检测线路的异物短路风险进行预警具体包括:
将待检测线路的线路重要程度值、待检测线路的地理特征值和待检测线路的风速大小值输入至所述异物短路风险预警模型,输出待检测线路的异物短路风险等级信息。
可选地,所述输出待检测线路的异物短路风险等级信息之后还包括:
将所述待检测线路的异物短路风险等级信息发送至目标终端。
本发明实施例还提供一种异物导致线路短路故障告警装置,包括:
样本图像获取装置,用于收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;
样本图像处理装置,用于根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;
告警装置,用于获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述一种异物导致线路短路故障告警方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述一种异物导致线路短路故障告警方法的步骤。
本发明实施例提供的一种异物导致线路短路故障告警方法及装置,通过基于霍夫变换和尺蠖蠕行算法的融合,并对待测线路图像进行检测,提高了区分导线和异物的准确率,并提高了预警的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的一种异物导致线路短路故障告警方法的流程示意图;
图2是本发明实施例提供的一种异物导致线路短路故障告警方法的基础图像处理流程图;
图3是本发明实施例提供的一种异物导致线路短路故障告警方法的;
图4是本发明实施例提供的一种异物导致线路短路故障告警装置的结构示意图;
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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作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。
本发明的目的在于提供一种计及气象数据与可视化融合的线路风致异物短路故障预警分析方法,克服仅依靠传统图像或无人机航拍图像进行导线异物识别的缺点,以及无法结合通道隐患信息进行综合预警与分析判断的缺点,在基于可视化监拍装置采集到的不同季节图像背景特征图像的基础上,提出一种基于Hough和尺蠖蠕行方法结合的导线检测方法,实现对可视化监拍装置图像的动态处理与分析,建立典型的导线异物对比图库;结合山东电网的30年、50年和100年一遇的风区分布图和线路的重要程度建立通道隐患分布地理图;综合可视化图像信息、通道隐患分布图及气象信息等多因素的影响,能够实现对风致异物短路的提前预警及实时告警,可将潜在的通道隐患故障提前遏制及为故障分析提供基础的信息支撑,为山东电网输电线路的安全稳定运行保驾护航。
图1是本发明实施例提供的一种异物导致线路短路故障告警方法,如图1所示,该流程具体可以包括:
步骤101、收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;
具体地,首先需要获取样本图像,样本图像需要收集预设时间段内的,预设线路的由于异物导致的线路短路故障发生前和故障发生后的图像,作为样本图像。
例如,收集目标电网10年来的110kV及以上风致异物短路故障照片及从2016年安装第一套可视化监拍装置后采集到的风致异物短路故障前后的图像信息,并将图像信息按照春、夏、秋、冬四个季节进行标记区分。
通过收集样本图像,为进一步处理样本图像,获取异物对比库创造了条件。
步骤102、根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;
具体地,对于样本图像首先进行图像处理与特征提取,包括对图像进行灰度化处理、直方图计算、图像增强及噪点滤除等处理,增强图像的有效特征;线性线状检测,将可视化监拍装置采集的非故障图像进行预处理后,采用边缘检测算法、霍夫变换和尺蠖蠕行方法融合建立线路检测算法,通过算法相互补充融合,提高对于导线识别的准确率;异物识别,在导线识别的基础上,结合电网异物短路特征,按照塑料薄膜、反光膜、风筝、气球及其他类型对异物进行识别,建立典型的异物短路故障对比图库作为异物对比库。异物识别是在导线识别的基础上,结合步骤一中搜集到的图像信息按照塑料薄膜、反光膜、风筝、气球及其他五种类型对异物进行识别分析,建立典型的异物对比库。
例如,线路检测算法首先采用Canny方法进行边缘提取、根据直线的Hough变换公式实现Hough变换、寻找最大霍夫值设置阈值后反变换至图像RGB值空间,得到Hough变换后的图像值;Hough变换的算法在其广泛应用基础上,受制于其低效率和高空间占用率影响算法的准确性。
通过对样本图像首先进行预处理,以及对边缘检测算法、霍夫变换和尺蠖蠕行方法融合建立线路检测算法并对预处理后的图像进行进行,获取异物对比库,为后续的告警创造条件。
步骤103、获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
具体地,通过Webservice方式获取线路的实时可视化通道图像信息,作为待检测线路的图像。实现对通道图像的获取,并结合图像检测算法和异物对比图库对异物进行实时识别,对导线异物进行实时预警。
通过基于霍夫变换和尺蠖蠕行算法的融合,并对待测线路图像进行检测,提高了区分导线和异物的准确率,并提高了预警的准确率。
可选地,在上述各实施例的基础上,所述根据线路检测算法对所述样本图像进行处理,获取异物对比图库具体包括:
基于边缘检测算法和霍夫变换,获取导线大致位置图像;
基于所述导线大致位置图像和尺蠖蠕行算法,获取导线精确位置图像;
基于所述导线精确位置图像获取异物图像,并根据所述异物图像建立异物对比图库。
具体地,如图2中所示将可视化监拍装置采集的非故障图像进行预处理后,采用Hough和尺蠖蠕行方法融合建立直线检测算法,通过两种算法相互补充融合,提高对于导线识别的准确率;异物识别,在导线识别的基础上,结合山东电网异物短路特征,按照塑料薄膜、反光膜、风筝、气球及其他类型对异物进行识别,建立典型的异物对比图库。Hough方法首先是采用Canny方法进行边缘提取、根据直线的Hough变换公式实现Hough变换、寻找最大霍夫值设置阈值后反变换至图像RGB值空间,得到Hough变换后的图像值;Hough变换的算法在其广泛应用基础上,受制于其低效率和高空间占用率影响算法的准确性
尺蠖蠕行方法是依据尺蠖的仿生学特征识别直线,因此需要对图像进行整体扫描和搜索。为了减少扫描区域、增加搜索的准确性,依据Hough方法确定的导线的大致位置和识别结果,首先在图像中设定原点坐标和确定导线初始搜索点,然后沿着导线搜索的方向选择,确定导线特征,得到精确的导线识别图像。
通过基于霍夫变换和尺蠖蠕行算法的融合,并对待测线路图像进行检测,提高了区分导线和异物的准确率,并提高了预警的准确率。
可选地,在上述各实施例的基础上,所述基于边缘检测算法和霍夫变换,获取导线大致位置图像具体包括:
通过边缘检测算法提取所述样本图像的边缘图像;
将所述边缘图像通过直线的霍夫变换实现点到曲线的转换;
计算所述边缘图像的最大霍夫值,基于所述最大霍夫值和预设的霍夫值阈值,获取导线大致位置图像。
具体地,Hough方法首先是采用Canny方法进行边缘提取、根据直线的Hough变换公式实现Hough变换、寻找最大霍夫值设置阈值后反变换至图像RGB值空间,得到Hough变换后的图像值;Hough变换的算法在其广泛应用基础上,受制于其低效率和高空间占用率影响算法的准确性。在可视化图像中识别导线时,导线可区分为在图像中一系列离散点的集合,首先将可视化监拍装置采集的非故障图像进行预处理后,采用Canny方法进行边缘提取,提取边缘信息的图像按照直线的Hough变化实现点到曲线的转换,每个像素坐标点(X,Y)被转换到(ρ,θ)曲线点上面,寻找最大霍夫值,设定阈值P,识别出导线,最后将识别的图像反变换至图像RGB值标注出来,其中:
ρ=x*cosθ+y*sinθ;
Hough变换的算法在其广泛应用基础上,受制于其低效率和高空间占用率影响算法的准确性,为了提高导线识别的效率和速率,引入尺蠖蠕行方法。依据Hough方法确定的导线的大致位置和识别结果,首先在图像中设定原点坐标和确定导线初始搜索点,然后沿着导线搜索的方向选择,确定导线特征,得到精确的导线识别图像。
可选地,在上述各实施例的基础上,所述基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警具体包括:
基于所述待检测线路的图像,获取待检测线路的异物特征;
将所述待检测线路的异物特征与所述异物对比图库进行对比生成对比结果;
根据所述对比结果对所述待检测线路进行实时告警。
具体地,根据获取的待检测线路的图像和异物对比图库,通过图像识别算法提取待检测线路的异物特征,并将待检测线路的异物特征与异物对比图库进行对比生成对比结果,并根据对比结果对待检测线路进行实时告警。
通过获取的待检测线路的图像和异物对比图库,对待检测线路进行实时告警,提高了区分导线和异物的准确率,并提高了预警的准确率。
可选地,在上述各实施例的基础上,所述获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警之后还包括:
利用预设的异物短路风险预警模型对待检测线路的异物短路风险进行预警;其中,所述异物短路风险预警模型是基于样本线路的线路重要程度值、样本线路的地理特征值和样本线路的风速大小值进行训练后得到的。
具体地,除了对待检测线路进行告警以外,还包括利用预设的异物短路风险预警模型对待检测线路的异物短路风险进行预警。其中,异物短路风险预警模型是基于样本线路的线路重要程度值、样本线路的地理特征值和样本线路的风速大小值进行训练后得到的。
其中线路重要程度值划分如表1所示,地理特征值包括大棚区、垃圾场、临建区及其他四种区域特征,风速大小值按照风区图分为30年、50年和100年一遇的风区图分布等级,通道隐患包括特殊关注隐患区、重要隐患区和一般隐患区。
表1线路重要程度划分
通过训练异物短路风险预警模型对待检测线路进行预警,提升了预警的准确度。
可选地,在上述各实施例的基础上,所述利用预设的异物短路风险预警模型对待检测线路的异物短路风险进行预警具体包括:
将待检测线路的线路重要程度值、待检测线路的地理特征值和待检测线路的风速大小值输入至所述异物短路风险预警模型,输出待检测线路的异物短路风险等级信息。
具体地,风险预警为通过安装在通道内20基杆塔范围内的微气象数据及当地气象部门气象数据,如图3所示,结合历史风致异物短路故障发生时风速特点,将风速划分为清风(3~8m/s)、大风(8~13.8m/s)和强风(13.8m/s以上)三种等级,其中在清风条件下多发生风筝、气球等引起的短路故障,大风天气多发生塑料薄膜、广告牌等引起的短路故障,强风天气多发生临建设施引起的短路故障;结合风速大小和隐患区域类型特征,设置风致异物风险预警等级,并采用短信和微信双重消息推送机制至线路所属责任人,其中风险等级划分如表2所示:
表2风险等级划分
通过训练异物短路风险预警模型以及获取的相关数据对待检测线路进行预警,提高了对于待检测线路异物导致短路故障的预警的准确率。
可选地,在上述各实施例的基础上,所述输出待检测线路的异物短路风险等级信息之后还包括:
将所述待检测线路的异物短路风险等级信息发送至目标终端。
具体地,将获取的异物短路风险等级通过微信或短信的方式发送到目标终端,通常是待检测线路责任人的手机或其他接收设备上。
通过将待检测线路的异物短路风险等级信息发送至目标终端,使得待检测线路的责任人能够及时知悉待检测线路的线路情况,使得相关责任人能够及时消除故障,降低故障发生的风险。
图4是本发明实施例提供的一种异物导致线路短路故障告警装置,如图4所示,具体包括:样本图像获取装置401,用于收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;样本图像处理装置402,用于根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;告警装置403,用于获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
具体地,样本图像获取装置401,用于收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;例如,收集待测线路10年来的110kV及以上风致异物短路故障照片及从可视化监拍装置后采集到的风致异物短路故障前后的图像信息,并将图像信息按照春、夏、秋、冬四个季节进行标记区分,针对电网特点按照背景颜色、背景场景进行特征提取,其中春季背景颜色为枯黄色或者嫩绿色、夏季背景为颜色均匀的绿色、秋季背景颜色复杂(黄、红、绿等颜色均有)、冬季背景颜色为黄色或白色;样本图像处理装置402,用于根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;对于样本图像首先进行图像处理与特征提取,包括对图像进行灰度化处理、直方图计算、图像增强及噪点滤除等处理,增强图像的有效特征;线性线状检测,将可视化监拍装置采集的非故障图像进行预处理后,采用边缘检测算法、霍夫变换和尺蠖蠕行方法融合建立线路检测算法,通过算法相互补充融合,提高对于导线识别的准确率;异物识别,在导线识别的基础上,结合电网异物短路特征,按照塑料薄膜、反光膜、风筝、气球及其他类型对异物进行识别,建立典型的异物短路故障对比图库作为异物对比库。异物识别是在导线识别的基础上,结合步骤一中搜集到的图像信息按照塑料薄膜、反光膜、风筝、气球及其他五种类型对异物进行识别分析,建立典型的异物对比库。告警装置403,用于获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。通过Webservice方式获取线路的实时可视化通道图像信息,作为待检测线路的图像。实现对通道图像的获取,并结合图像检测算法和异物对比图库对异物进行实时识别,对导线异物进行实时预警。
通过基于霍夫变换和尺蠖蠕行算法的融合,并对待测线路图像进行检测,提高了区分导线和异物的准确率,并提高了预警的准确率。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行一种异物导致线路短路故障告警方法,该方法包括:收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的一种异物导致线路短路故障告警方法,该方法包括:收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的一种异物导致线路短路故障告警方法,该方法包括:收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种异物导致线路短路故障告警方法,其特征在于,包括:
收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;
根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;
获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
2.根据权利要求1所述的异物导致线路短路故障告警方法,其特征在于,所述根据线路检测算法对所述样本图像进行处理,获取异物对比图库具体包括:
基于边缘检测算法和霍夫变换,获取导线大致位置图像;
基于所述导线大致位置图像和尺蠖蠕行算法,获取导线精确位置图像;
基于所述导线精确位置图像获取异物图像,并根据所述异物图像建立异物对比图库。
3.根据权利要求2所述的异物导致线路短路故障告警方法,其特征在于,所述基于边缘检测算法和霍夫变换,获取导线大致位置图像具体包括:
通过边缘检测算法提取所述样本图像的边缘图像;
将所述边缘图像通过直线的霍夫变换实现点到曲线的转换;
计算所述边缘图像的最大霍夫值,基于所述最大霍夫值和预设的霍夫值阈值,获取导线大致位置图像。
4.根据权利要求1所述的异物导致线路短路故障告警方法,其特征在于,所述基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警具体包括:
基于所述待检测线路的图像,获取待检测线路的异物特征;
将所述待检测线路的异物特征与所述异物对比图库进行对比生成对比结果;
根据所述对比结果对所述待检测线路进行实时告警。
5.根据权利要求1所述的异物导致线路短路故障告警方法,其特征在于,所述获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警之后还包括:
利用预设的异物短路风险预警模型对待检测线路的异物短路风险进行预警;其中,所述异物短路风险预警模型是基于样本线路的线路重要程度值、样本线路的地理特征值和样本线路的风速大小值进行训练后得到的。
6.根据权利要求5所述的异物导致线路短路故障告警方法,其特征在于,所述利用预设的异物短路风险预警模型对待检测线路的异物短路风险进行预警具体包括:
将待检测线路的线路重要程度值、待检测线路的地理特征值和待检测线路的风速大小值输入至所述异物短路风险预警模型,输出待检测线路的异物短路风险等级信息。
7.根据权利要求6所述的异物导致线路短路故障告警方法,其特征在于,所述输出待检测线路的异物短路风险等级信息之后还包括:
将所述待检测线路的异物短路风险等级信息发送至目标终端。
8.一种异物导致线路短路故障告警装置,其特征在于,包括:
样本图像获取装置,用于收集预设时间范围内预设线路由于异物导致的线路短路故障发生前后的图像,作为样本图像;
样本图像处理装置,用于根据线路检测算法对所述样本图像进行处理,获取异物对比图库;其中,所述线路检测算法是基于边缘检测算法、霍夫变换和尺蠖蠕行算法获取的;
告警装置,用于获取待检测线路的图像,基于所述异物对比图库和所述待检测线路的图像对待检测线路进行告警。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述一种异物导致线路短路故障告警方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述一种异物导致线路短路故障告警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826178.7A CN112016641A (zh) | 2020-08-17 | 2020-08-17 | 一种异物导致线路短路故障告警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826178.7A CN112016641A (zh) | 2020-08-17 | 2020-08-17 | 一种异物导致线路短路故障告警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016641A true CN112016641A (zh) | 2020-12-01 |
Family
ID=73504826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010826178.7A Pending CN112016641A (zh) | 2020-08-17 | 2020-08-17 | 一种异物导致线路短路故障告警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016641A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311354A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN115311355A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960438A (zh) * | 2017-03-25 | 2017-07-18 | 安徽继远软件有限公司 | 基于霍夫直线变换对输电线路的异物识别方法 |
CN110414308A (zh) * | 2019-05-16 | 2019-11-05 | 南京理工大学 | 一种针对输电线路上动态异物的目标识别方法 |
CN111028452A (zh) * | 2019-12-20 | 2020-04-17 | 云南电网有限责任公司保山供电局 | 一种变电站异物入侵监控***和方法 |
-
2020
- 2020-08-17 CN CN202010826178.7A patent/CN112016641A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960438A (zh) * | 2017-03-25 | 2017-07-18 | 安徽继远软件有限公司 | 基于霍夫直线变换对输电线路的异物识别方法 |
CN110414308A (zh) * | 2019-05-16 | 2019-11-05 | 南京理工大学 | 一种针对输电线路上动态异物的目标识别方法 |
CN111028452A (zh) * | 2019-12-20 | 2020-04-17 | 云南电网有限责任公司保山供电局 | 一种变电站异物入侵监控***和方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311354A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN115311355A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
CN115311355B (zh) * | 2022-09-20 | 2023-07-07 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
CN115311354B (zh) * | 2022-09-20 | 2024-01-23 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108307146B (zh) | 一种高压输电线路安全隐患检测***及方法 | |
CN111695506B (zh) | 一种输电线路风致异物短路故障预警方法及*** | |
CN111342391B (zh) | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 | |
CN109631848B (zh) | 输电线路异物入侵检测***和检测方法 | |
CN112507865B (zh) | 一种烟雾识别方法及识别装置 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN106355580B (zh) | 一种杆塔倾倒的检测方法及装置 | |
CN102446390A (zh) | 一种对输电线路附近监控区域进行安全检测、预警的方法和*** | |
CN105654461A (zh) | 一种多***导线间隔棒断裂的机器视觉检测方法 | |
CN111862013A (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
CN112016641A (zh) | 一种异物导致线路短路故障告警方法及装置 | |
CN111639530B (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及*** | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN115880231A (zh) | 一种基于深度学习的输电线路隐患检测方法和*** | |
CN113744267B (zh) | 一种基于深度学习的输电导线覆冰检测和厚度估计的方法 | |
CN115272852A (zh) | 一种输电线路保护区隐患识别方法、设备及介质 | |
CN113269175B (zh) | 一种火情监测方法和装置 | |
CN104573650B (zh) | 一种基于滤波响应的电线检测分类方法 | |
CN113111728A (zh) | 面向变电站内电力生产作业风险的智能识别方法及*** | |
CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
CN101894373A (zh) | 采用外接矩形的气象传真图像锋线提取方法 | |
CN115937683A (zh) | 基于激光清障设备的高空输电线异物目标检测方法及*** | |
CN103198326B (zh) | 一种输电线路直升机巡检的图像分类方法 | |
CN115761644A (zh) | 基于深度学习和帧差法的输电导线异物检测方法 |
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 |