CN112700424A - 一种变电设备带电检测红外检测质量评估方法 - Google Patents
一种变电设备带电检测红外检测质量评估方法 Download PDFInfo
- Publication number
- CN112700424A CN112700424A CN202110016425.1A CN202110016425A CN112700424A CN 112700424 A CN112700424 A CN 112700424A CN 202110016425 A CN202110016425 A CN 202110016425A CN 112700424 A CN112700424 A CN 112700424A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- infrared
- images
- similarity
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 105
- 230000009466 transformation Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000013441 quality evaluation Methods 0.000 title claims description 13
- 238000013519 translation Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
在输变电设备运维检修实际运维过程中,检测人员往往对于相邻的测点基本不变换角度和位置进行拍摄,无法体现出分别的观察目的,后续对该设备的分析也很难真实反映设备的真实状态。本发明为了解决上述问题,提出了一种带电检测红外检测质量评估指标及方法,结合红外检测现场实际检测要求,基于信息论、图像处理相关技术手段,从不同测点红外图像相似性、红外图像中被测设备主体性、检测时刻环境信息四个维度实现检测质量的自动化评估,保证了检测的有序开展和有效性。
Description
技术领域
本发明涉及输变电设备运维检修领域,更具体涉及一种变电设备带电检测红外检测质量评估方法。
背景技术
红外检测是一种在输变电设备运维检修中常见的带电检测手段,通过红外检测可以对设备的早期故障缺陷、绝缘性能做出可靠的预测。在国网山东省电力公司,红外检测是一种日常性的设备运维手段,绝大多数设备一年内至少要检测3~4次。
和在线监测装置有所不同,带电检测的质量由检测仪器和操作人员决定,即使具备高精度的检测仪器,检测人员对仪器的操作、数据的流转、汇总对检测结果的分析影响巨大。
为了最大程度的降低检测人员对检测数据的影响,国网山东省电力公司制定了变电设备带电检测标准化检测流程,在变电站内根据设备台账和检测需求进行测点制定,测点名称及检测顺序均有规定顺序,并改造红外热像仪实现变电站内设备的规定测点检测、检测数据实时上传和规范化管理。
例如对于某电流互感器,会制定A,B,C,三相整体四个测点。其目的是为了对于每一相设备、三相设备之间、三相设备整体都有一个全局和个体的对比和分析。
但是在实际运维过程中,会发现检测人员在到达被检设备区域后,往往对于相邻的测点基本不变换角度和位置进行拍摄,根本无法体现出对多相设备分别的观察目的,后续对该设备的分析也很难真实反映设备的真实状态。
发明内容:
本发明为了解决上述问题,本发明的具体方案如下:
一种变电设备带电检测红外检测质量评估方法,包括步骤:
a)评估不同测点红外图像相似性:
a-1)计算余弦相似度;
a-2)计算图像特征点相似度:,即计算两张红外图像最终的匹配点个数;
b)计算被测设备中心性和主体性:
评估被测设备主体中心是否位于或接近图像中心;
评估被测设备主体面积是否在高度或宽度上占据图像大部分空间;
c)检测时刻环境信息是否符合DLT664-2016中规定的最佳检测环境要求;
d)利用历史检测数据整理多组覆盖不同变电站、不同电压等级、不同检测季节、不同类型的设备红外带电检测图像数据,每组包含3张图像,选取相邻三个测点的设备红外检测数据,人工标记质量评估分类标签,所述分类标签的划分原则为:该幅图像与临近测点是否相似、检测图像本身检测位置选取不佳、检测环境不符合要求,分别对应不合格Ⅰ级、不合格II级、不合格Ⅲ级,若未出现以上问题则标记为合格;
e)对每组图像中的每张图像,按照步骤a计算该图像与该组内其余两张图像余弦相似度的最大值、特征点相似度的最大值,按照步骤b计算被测设备中心性和主体性,依据检测记录获得该图像检测时刻的天气、温度、湿度信息进行步骤c,将上述所有信息构成该张图像的属性记录;
f)计算每张图像的属性记录及分类标签,利用ID3算法训练得到决策树,从而得到了明确的检测质量评估分类原则;
g)在获得训练好的决策树后,对于任一张需评估检测质量的图像,按步骤e计算其与前后两个测点的红外图像相似性、被测设备中心性和主体性、环境信息,将提取的属性记录输入决策树,可获得该图像的最终检测质量评估分级结果。
进一步,步骤a-1评估余弦相似度的具体步骤为:
拍摄获取需检测的带电设备待评价红外图像I1和其他测点用于比较的红外图像I2;
对I1进行仿射变换,仿射变换的变换公式如(1)所示,其中x,y为I1中图像的坐标,α为图像顺时针旋转角度,k1和k2分别为x和y轴方向的图像缩放系数,t1和t2分别为x和y轴的平移系数,x′,y′为旋转后的图像坐标。
经变换后
从实际校验图像相似度考虑出发,如果利用红外热像仪采集时检测人员仅进行微小变动,两个图像相似度较高,其图像顺时针旋转角度α,缩放系数k1、k2,平移系数t1、t2均在较小范围内变化,本例中,α取值范围设定为[-3°,3°],步长为0.5°,k1、k2取数值范围[0.95,1.05],步长为0.05,t1、t2取值范围分别[-.0.05n,0.05n],[-0.05m,0.05m],步长设为3,定义I1依照上述取值范围的仿射变换后得到的图像为T1;
对I1,T1,I2进行灰度图像转换,得到转换后的图像G1、G12、G2;
对于待比较的两张红外图像I1、I2,将其余弦相似度定义为:
式中,m是I1、I2的行数,n是列数;
[α0,k1,k2,t1,t2]=argmax(sc)
进一步,步骤a-2利用SIFT算法进行评估,具体步骤包括:
a-2-1)各自对I1,I2进行SIFT特征点提取,并获取特征点位置及128维描述符;
记I1提取的特征点集为F1,I2提取的特征点集为F2,
F1={loc1,i,des1,i}i=1,2,...n1
F2={loc2,i,des2,i}i=1,2,...n2
loc表征的为该特征点的位置,loc=[x,y,σ,θ],x,y为该特征点的坐标,σ为所处尺度,θ为方向。des为提取的该特征点的128维特征。n1为I1中提取的特征点个数,n2为I2中提取的特征点个数;
a-2-2)对于F1中第i个特征点,依次计算其描述符des1,i,des1,i遍历F2中的所有描述符des2并求反余弦值,提取最小的两个反余弦值,并计算比值,若比值小于阈值tr,tr设为0.6,则认为反余弦值最小的点就是与第i个特征点匹配上的点;
a-2-3)经过a-2-2的循环遍历,计算得到两张红外图像最终的匹配点个数Nm。
进一步,步骤b包括:
记I1的灰度图像G1进行otsu二值分割后得到的二值化图像为B0,
其中tB为otsu二值分割阈值;
统计图像B0中最大的二值化区域R的区域属性,包括区域中心点C=(x0,y0)、区域面积A,(x0,y0)为中心点C的坐标,为区域R内所有像素点坐标(xi,yi)的平均值:
设图像I1的图像中心点坐标为(xc,yc),定义被测设备中心性d1:
被测设备主体性d2:
优选的,步骤d中选取500-5000组设备红外带电检测图像数据。
本发明可以替代人工校核,从数据源头上对带电检测红外检测的检测质量进行实时评估和反馈,从技术手段上一方面敦促了现场检测质量的提升,保证了检测的有序开展和有效性,另一方面,规范化高质量的源头数据也有利于红外智能化缺陷诊断结果的可靠性和准确性。可以极大地促进人工智能、移动互联技术在变电设备智能运检领域的有效落地。
附图说明
图1为实施例中三个测点红外检测图像;
图2为实施例中三个测点红外检测图像特征点匹配结果图;
图3为实施例中不同设备类型的两组样本红外图像;
图4为实施例中决策树示意图。
具体实施方式
下面将根据具体实施例对本发明提出的技术方案进行进一步说明。
在实际运维过程中,会发现检测人员在到达被检设备区域后,往往对于相邻的测点基本不变换角度和位置进行拍摄。如图1所示,三张图分别为某110kV电流互感器A,B,C三相三个测点分别检测的图像,但是从图像中可以看出,三张图像基本为同一位置角度,根本无法体现出对三相设备分别的观察目的,后续对该设备的分析也很难真实反映设备的真实状态。
因此,本发明提出一种变电设备带电检测红外检测质量评估方法,包括步骤:
评估不同测点红外图像相似性:
若不同测点的红外图像相似性较高,则并未达到精确检测的检测目的,对于一张输入的待评价红外图像I1,比较与其他测点的红外图像I2之间的相似性,可以从一个维度上反映其检测质量。
S1评估余弦相似度:对I1进行仿射变换,仿射变换的变换公式如(1)所示,其中x,y为I1中图像的坐标,α为图像顺时针旋转角度,k1和k2分别为x和y轴方向的图像缩放系数,t1和t2分别为x和y轴的平移系数,x′,y′为旋转后的图像坐标
经变换后
从实际校验图像相似度考虑出发,如果利用红外热像仪采集时检测人员仅进行微小变动,两个图像相似度较高,其图像顺时针旋转角度α,缩放系数k1、k2,平移系数t1、t2均在较小范围内变化,本例中,α取值范围设定为[-3°,3°],步长为0.5°,k1、k2取数值范围[0.95,1.05],步长为0.05,t1、t2取值范围分别[-.0.05n,0.05n],[-0.05m,0.05m],步长设为3,定义I1依照上述取值范围的仿射变换后得到的图像为T1;
首先对I1,T1,I2进行灰度图像转换,得到G1、G12、G2,
对于一张彩色图像I,其转换为灰度图像G的公式如下
G=r×0.299+g×0.587+b×0.114
其中,r、g、b为红色、绿色、蓝色三种颜色分量,测点图像余弦相似度是利用向量空间中两个向量夹角的余弦值作为衡量两个图像个体间差异的大小,将两张红外图像等效看作两个向量,两个图像越相似,其余弦值越接近1。因此,对于待比较的两张红外图像I1、I2,其余弦相似度为
式中,m是I1、I2的行数,n是列数;
[α0,k1,k2,t1,t2]=argmax(sc)
S2图像特征点相似度
利用SIFT算法(或其他能够达到相似效果的特征匹配方法)提取特征点并利用特征点匹配的方式来进行相似度校验:
对于待评价红外图像I1,及其他测点红外图像I2,如果两张图像拍摄内容、角度相近,则能匹配上的特征点个数较多,若两张图像拍摄内容差异大,则匹配点数量极少,甚至为0,因此匹配点个数可以等效理解为两图像间的相似度;
S2.1首先各自对I1,I2进行SIFT特征点提取,并获取特征点位置及128维描述符;
记I1提取的特征点集为F1,I2提取的特征点集为F2,
F1={loc1,i,des1,i}i=1,2,...n1
F2={loc2,i,des2,i}i=1,2,...n2
loc表征的为该特征点的位置,loc=[x,y,σ,θ],x,y为该特征点的坐标,σ为所处尺度,θ为方向。des为提取的该特征点的128维特征。n1为I1中提取的特征点个数,n2为I2中提取的特征点个数;
S2.2对于F1中第i个特征点,依次计算其描述符des1,i,des1,i遍历F2中的所有描述符des2并求反余弦值,提取最小的两个反余弦值,并计算比值,若比值小于阈值tr,tr设为0.6,则认为反余弦值最小的点就是与第i个特征点匹配上的点;
S3.3经过上述循环遍历,计算得到两张红外图像最终的匹配点个数Nm用于表征测点间的特征点相似度,如图2所示,即为前述110kV电流互感器A,B,C三相三个测点分别检测的图像特征点匹配结果。
S3被测设备主体性计算
在DLT664-2016中规定,在进行带电设备红外精确检测时,要求红外热像仪宜尽量靠近被测设备,使被测设备尽量充满整个仪器的视场。这一要求可以等效为:
(1)被测设备主体中心应该处于或接近于图像中心
(2)被测设备主体面积应该在高度或宽度上占据图像的大部分空间。
S3.1记I1的灰度图像G1进行otsu二值分割后,得到二值化图像B0
其中tB为otsu二值分割阈值;
统计图像B0中最大的二值化区域R的区域属性,包括区域中心点C=(x0,y0)、区域面积A(区域包含的像素点个数)。(x0,y0)为中心点C的坐标,为区域R内所有像素点坐标(xi,yi)的平均值:
S3.2被测设备主体性d2:
通过计算主体设备区域图像占比,占比越小表明该设备区域在图像中不够突出。
S4检测时刻环境信息
在DLT664-2016中规定,为了避免环境对检测精度的影响,带电设备红外精确检测时,对检测环境要求有:天气、温度、湿度等,根据相关行业规定,户外检测期间天气以阴天、夜间或晴天日落后时段为佳,环境温度宜不低于0℃,相对湿度不宜大于85%,不宜在雷、雨、雾、雪等恶劣气象条件下进行,因此得出下表:
S5利用历史检测数据整理了共计1000组3000条红外带电检测图像数据,覆盖了不同变电站、不同电压等级、不同检测季节、不同类型的设备,每组包含3张图像,选取的是相邻三个测点的设备红外检测数据,例如,图3所示的是两组示例数据,第一行是110kV变压器高压侧套管A、B、C相三个相邻测点检测的红外数据,第二行为同一间隔下相邻三个隔离开关测点的红外数据,可以看出,第一行相邻测点间相似度较高,可认为未达到检测的要求,第二行相邻测点间各不相同,设备主体性也较好。
S6通过经验丰富的专家团队对红外图像的检测质量进行检测质量分级,人工标记质量评估分类标签的划分原则是查看该幅图像与临近测点是否相似、检测图像本身检测位置选取不佳、检测环境不符合要求,分别对应不合格Ⅰ级、不合格II级、不合格Ⅲ级,若未出现以上问题则标记为合格。
S7对每组图像中的每张图像,按照步骤1、2计算该图像与该组内其余两张图像余弦相似度的最大值、特征点相似度的最大值,按照步骤3计算被测设备中心性和被测设备主体性,依据检测记录可以获得该图像检测时刻的天气、温度、湿度等信息,最终构成该张图像的属性记录。
S8对于计算得到的3000条属性记录及分类标签,利用ID3算法训练得到决策树,从而得到了明确的检测质量评估分类原则。图1、图3三组图像计算的部分分类特征因素及标注的分类结果如下表所示:
产生的决策树如图4所示;
图4中,天气、温度、湿度的分类条件描述见表1,余弦相似度、特征点相似度等其他量为真实取值。
S9在获得训练好的决策树后,对于任一张需评估检测质量的图像,按上述步骤按计算该图像与该组内其余两张图像余弦相似度的最大值、特征点相似度的最大值、被测设备中心性和被测设备主体性、获得该图像检测时刻的天气、温度、湿度等信息,将该图像的属性记录输入步骤8得到的决策树,可获得该图像的最终检测质量评估分级结果。
应注意的是,上述实施例仅为本发明技术方案的一种实施方式,并不限制本发明的保护范围,任何无需创造性劳动的等效技术手段替换所产生的其他实施方式,都应落在本发明所保护的范围内。
Claims (5)
1.一种变电设备带电检测红外检测质量评估方法,其特征在于,包括步骤:
a)评估不同测点红外图像相似性:
a-1)计算余弦相似度;
a-2)使用特征匹配算法计算图像特征点相似度:,即计算两张红外图像最终的匹配点个数;
b)计算被测设备中心性和主体性:
评估被测设备主体中心是否位于或接近图像中心;
评估被测设备主体面积是否在高度或宽度上占据图像大部分空间;
c)检测时刻环境信息是否符合DLT664-2016中规定的检测环境要求:
d)利用历史检测数据整理多组覆盖不同变电站、不同电压等级、不同检测季节、不同类型的设备红外带电检测图像数据,每组包含3张图像,选取相邻三个测点的设备红外检测数据,人工标记质量评估分类标签,所述分类标签的划分原则为:该幅图像与临近测点是否相似、检测图像本身检测位置选取不佳、检测环境不符合要求,分别对应不合格Ⅰ级、不合格II级、不合格Ⅲ级,若未出现以上问题则标记为合格;
e)对每组图像中的每张图像,按照步骤a计算该图像与该组内其余两张图像余弦相似度的最大值、特征点相似度的最大值,按照步骤b计算被测设备中心性和主体性,依据检测记录获得该图像检测时刻的天气、温度、湿度信息进行步骤c,将上述所有信息构成该张图像的属性记录;
f)计算每张图像的属性记录及分类标签,利用ID3算法训练得到决策树,从而得到了明确的检测质量评估分类原则;
g)在获得训练好的决策树后,对于任一张需评估检测质量的图像,按步骤e计算其与前后两个测点的红外图像相似性、被测设备中心性和主体性、环境信息,将提取的属性记录输入决策树,可获得该图像的最终检测质量评估分级结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤a-1评估余弦相似度的具体步骤为:
拍摄获取需检测的带电设备待评价红外图像I1和其他测点用于比较的红外图像I2;
对I1进行仿射变换,仿射变换的变换公式如(1)所示,其中x,y为I1中图像的坐标,α为图像顺时针旋转角度,k1和k2分别为x和y轴方向的图像缩放系数,t1和t2分别为x和y轴的平移系数,x′,y′为旋转后的图像坐标。
经变换后
从实际校验图像相似度考虑出发,如果利用红外热像仪采集时检测人员仅进行微小变动,两个图像相似度较高,其图像顺时针旋转角度α,缩放系数k1、k2,平移系数t1、t2均在较小范围内变化,本例中,α取值范围设定为[-3°,3°],步长为0.5°,k1、k2取数值范围[0.95,1.05],步长为0.05,t1、t2取值范围分别[-.0.05n,0.05n],[-0.05m,0.05m],步长设为3,定义I1依照上述取值范围的仿射变换后得到的图像为T1;
对I1,T1,I2进行灰度图像转换,得到转换后的图像G1、G12、G2;
对于待比较的两张红外图像I1、I2,将其余弦相似度定义为:
式中,m是I1、I2的行数,n是列数;
[α0,k1,k2,t1,t2]=arg max(sc)
3.根据权利要求1所述的方法,其特征在于,所述步骤a-2利用SIFT算法进行评估,具体步骤包括:
a-2-1)各自对I1,I2进行SIFT特征点提取,并获取特征点位置及128维描述符;
记I1提取的特征点集为F1,I2提取的特征点集为F2,
F1={loc1,i,des1,i}i=1,2,...n1
F2={loc2,i,des2,i}i=1,2,...n2
loc表征的为该特征点的位置,loc=[x,y,σ,θ],x,y为该特征点的坐标,σ为所处尺度,θ为方向,des为提取的该特征点的128维特征。n1为I1中提取的特征点个数,n2为I2中提取的特征点个数;
a-2-2)对于F1中第i个特征点,依次计算其描述符des1,i,des1,i遍历F2中的所有描述符des2并分别计算两个描述符之间的欧氏距离,若最近距离除以次近距离的比值小于阈值tr,tr设为0.6,则认为欧氏距离最小的点就是与第i个特征点匹配上的点;
a-2-3)经过a-2-2的循环遍历,计算得到两张红外图像最终的匹配点个数Nm。
5.根据权利要求1所述的方法,其特征在于,所述步骤d中选取500-5000组设备红外带电检测图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016425.1A CN112700424B (zh) | 2021-01-07 | 2021-01-07 | 一种变电设备带电检测红外检测质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016425.1A CN112700424B (zh) | 2021-01-07 | 2021-01-07 | 一种变电设备带电检测红外检测质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700424A true CN112700424A (zh) | 2021-04-23 |
CN112700424B CN112700424B (zh) | 2022-11-11 |
Family
ID=75514976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110016425.1A Active CN112700424B (zh) | 2021-01-07 | 2021-01-07 | 一种变电设备带电检测红外检测质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700424B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
CN105894041A (zh) * | 2016-04-26 | 2016-08-24 | 国网山东省电力公司经济技术研究院 | 基于高光谱遥感影像提取配电网***中变电站信息的方法 |
CN106529416A (zh) * | 2016-10-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于毫米波雷达决策树分类的电力线检测方法及*** |
CN106934802A (zh) * | 2017-03-09 | 2017-07-07 | 国家电网公司 | 一种基于决策树的裂化瓷质绝缘子判定诊断方法 |
CN107016694A (zh) * | 2017-04-12 | 2017-08-04 | 国网山东省电力公司电力科学研究院 | 一种基于红外视频的sf6气体泄漏自动检测方法 |
CN107025648A (zh) * | 2017-03-20 | 2017-08-08 | 中国人民解放军空军工程大学 | 一种电路板故障红外图像自动检测方法 |
CN107331220A (zh) * | 2017-09-01 | 2017-11-07 | 国网辽宁省电力有限公司锦州供电公司 | 基于增强现实的变电设备运维仿真培训***和方法 |
CN109949229A (zh) * | 2019-03-01 | 2019-06-28 | 北京航空航天大学 | 一种多平台多视角下的目标协同检测方法 |
CN110264448A (zh) * | 2019-06-06 | 2019-09-20 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及*** |
-
2021
- 2021-01-07 CN CN202110016425.1A patent/CN112700424B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
CN105894041A (zh) * | 2016-04-26 | 2016-08-24 | 国网山东省电力公司经济技术研究院 | 基于高光谱遥感影像提取配电网***中变电站信息的方法 |
CN106529416A (zh) * | 2016-10-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于毫米波雷达决策树分类的电力线检测方法及*** |
CN106934802A (zh) * | 2017-03-09 | 2017-07-07 | 国家电网公司 | 一种基于决策树的裂化瓷质绝缘子判定诊断方法 |
CN107025648A (zh) * | 2017-03-20 | 2017-08-08 | 中国人民解放军空军工程大学 | 一种电路板故障红外图像自动检测方法 |
CN107016694A (zh) * | 2017-04-12 | 2017-08-04 | 国网山东省电力公司电力科学研究院 | 一种基于红外视频的sf6气体泄漏自动检测方法 |
CN107331220A (zh) * | 2017-09-01 | 2017-11-07 | 国网辽宁省电力有限公司锦州供电公司 | 基于增强现实的变电设备运维仿真培训***和方法 |
CN109949229A (zh) * | 2019-03-01 | 2019-06-28 | 北京航空航天大学 | 一种多平台多视角下的目标协同检测方法 |
CN110264448A (zh) * | 2019-06-06 | 2019-09-20 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及*** |
Non-Patent Citations (3)
Title |
---|
U. PREMARATNE, C. LING, J. SAMARABANDU , T. SIDHU: "Possibilistic decision trees for Intrusion Detection in IEC61850 automated substations", 《2009 INTERNATIONAL CONFERENCE ON INDUSTRIAL AND INFORMATION SYSTEMS (ICIIS)》 * |
付炜平,施凤祥,王伟,刘云鹏,张凯元,裴少通: "基于决策树的劣化瓷质绝缘子的判定阈值选择方法与诊断", 《高压电器》 * |
张坤, 黄俊杰, 王文烁, 方圆, 马琳: "决策树分类算法在输变电设备", 《数字技术与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112700424B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507194B (zh) | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 | |
CN106595551B (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
Stefenon et al. | Classification of distribution power grid structures using inception v3 deep neural network | |
CN106022345B (zh) | 一种基于霍夫森林的高压隔离开关状态识别方法 | |
CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测*** | |
CN109544501A (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
Zheng et al. | An infrared image detection method of substation equipment combining Iresgroup structure and CenterNet | |
CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN109389322A (zh) | 基于目标检测和长短时记忆模型的导地线断散股识别方法 | |
Lin et al. | An intelligent infrared image fault diagnosis for electrical equipment | |
CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
Xiao et al. | A fault diagnosis method of insulator string based on infrared image feature extraction and probabilistic neural network | |
CN113191419B (zh) | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 | |
CN114662976A (zh) | 一种基于卷积神经网络的配电网架空线路状态评估方法 | |
Guo et al. | Foreign object detection of transmission lines based on faster R-CNN | |
CN112700424B (zh) | 一种变电设备带电检测红外检测质量评估方法 | |
CN116704497B (zh) | 一种基于三维点云的油菜表型参数提取方法及*** | |
CN116738355A (zh) | 一种考虑数据差异性的电力多模态特征级融合方法 | |
Wang et al. | High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5 | |
CN116385950A (zh) | 一种小样本条件下电力线路隐患目标检测方法 | |
CN115661446A (zh) | 基于深度学习的指针式仪表示数自动读取***及方法 | |
Zhouhua et al. | Multi-target defect intelligent recognition of transmission line based on improved Faster-RCNN | |
Huang et al. | Insulator detection based on deep learning method in aerial images for power line patrol | |
Lin et al. | Quality evaluation of infrared live detection for transformation equipment |
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 |