CN112734637A - 一种导线温度监测的热红外图像处理方法和*** - Google Patents
一种导线温度监测的热红外图像处理方法和*** Download PDFInfo
- Publication number
- CN112734637A CN112734637A CN202011503810.0A CN202011503810A CN112734637A CN 112734637 A CN112734637 A CN 112734637A CN 202011503810 A CN202011503810 A CN 202011503810A CN 112734637 A CN112734637 A CN 112734637A
- Authority
- CN
- China
- Prior art keywords
- temperature
- image
- images
- wire
- lead
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 33
- 238000012806 monitoring device Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
一种导线温度监测的热红外图像处理方法和***，包括如下步骤：1)定点采集配电柜多张不同导线的红外热像图像，进行存储和预处理；2)对红外热像图像采用机器学习算法进行图像处理，再识别每张图中导线区域及其温度；3)重复步骤1)和2)，将识别后的多张图像拼接，得到配电柜全部导线及其对应温度图。本发明实现了实时更新并储存每根导线温度数据，提高了温度监测的准确性，同时有效避免导线由于温度的升高，出现热异常现象。
Description
技术领域
本发明涉及配电柜领域，特别是指一种导线温度监测的热红外图像处理方法和***。
背景技术
电力资源在我国社会的各个领域都是进行生产生活等活动的所必需的能源资源，与民众的生产生活密切相关。随着社会的不断进步及由此带来的科学技术的蓬勃发展，配电柜参与的应用技术领域也变得更加广泛。小到个人家庭，大到国防、航空航天、工业生产等诸多领域，配电柜都作为重要载体参与至***功能的表达过程。
配电柜分为动力配电柜和照明配电柜、计量柜，是配电***的末级设备。配电柜的功能是通过配电控制将电能分配到每个负载位置，并在电路发生短路、过载和泄漏时执行停电维护。最常见的配电柜品种是固定面板式配电柜，保护性配电柜，抽屉式配电柜和电力照明配电柜。配电线路作为供电***和输电网络中最为核心的组成部分，能够保障用户的生产、生活需要。
配电柜设备的安全正常运行，既关系到生产***能否按时有效地产出，也关系到生产人员乃至整个产业的安全。配电柜出现安全事故的主要原因有电流过载、短路、线路老化等。而几乎所有的原因最终都会造成导线温度的升高，从而引发热异常现象，再加上其通常需要在封闭环境中长时间运行，这导致其配电柜整体容易出现温度异常从而引发停电或火灾等安全事故。电气事故在大多数情况下都不是瞬间发生的，它存在一个温度变化的过程，如果监测***在其出现异常时便报警，工作人员就可以在其没有造成重大灾难时提前检修解决问题。
因此，为了保证配电柜运行的寿命以及运行的可靠高效性，在其运行时，需要对其的运行温度进行实时监测。而传统的人工测温方式时间、人力成本高且步骤机械，是一种低效率的安全保障方式。由此，设计一种能够在生产***运行中对导线温度进行实时监测的在线监测***具有重要的现实意义。
发明内容
本发明的主要目的在于克服现有配电柜内的输电导线长时间在封闭环境下运行，容易出现温度异常而引起停电或火灾等事故的缺陷，提出一种导线温度监测的热红外图像处理方法和***，使运维人员准确的获得配电柜内导线温度信息，有效避免运维人员因人工检测所导线温度而浪费时间与体力，保证配电柜的正常运行，同时有效排除导线由于温度的升高出现的各类安全隐患。
本发明采用如下技术方案：
一种导线温度监测的热红外图像处理方法，其特征在于，包括如下步骤：
1)定点采集配电柜多张不同导线的红外热像图像，进行存储和预处理；
2)对红外热像图像采用机器学习算法进行图像处理，再识别每张图中导线区域及其温度；
3)重复步骤1)和2)，将识别后的多张图像拼接，得到配电柜全部导线及其对应温度图。
优选的，所述预处理包括插值处理、灰度增强和伪彩色化编码处理。
优选的，所述伪彩色化编码处理为对图像进行数值归一化处理后，再将其映射到对应的彩色像素点，具体为：将数据序列D的一个原始值x通过Min-max标准化映射成在区间[0,1]中的值x*，公式如下：
其中，Dmin和Dmax分别为数据序列D的最小值和最大值。
优选的，所述图像处理包括如下：采用K-means无监督聚类算法进行图像分割，分割得到的二值化图像利用4邻域区域增长法进行标记，并提取连通域的面积及坐标属性，即得到导线区域及其坐标。
优选的，所述识别导线区域的温度，具体为：连通域标记后提取每个连通域图像数组中的最大值，即每根导线的最高温度，然后将其标记在每根导线的红色矩形框内，最后在获得全部导线中的最高温度坐标后用十字光标将其标记出来，作为最高温度值指标。
优选的，利用移动式定点采集红外热像图像，采集时图像间的重叠比例控制在30％-60％，得到的多张图像，经过步骤1)-步骤2)处理后，进行相邻图像有重叠部分的图像拼接，得到配电柜全部导线及其对应温度图。
优选的，所述拼接包括图像配准和图像融合重构。
优选的，所述图像融合重构是将图像在重叠区域内的像素值按线性权重叠相加作为拼接后的像素值，完成图像融合重构，公式为：
其中I1(x，y)和I2(x，y)分别是第一幅和第二幅图像的像素值，R1表示第一幅图像内非重叠区域，R2表示两幅图像的重叠区域，R3表示第二幅图像内非重叠区域，d(x)为权重系数。
一种导线温度监测***，其特征在于，包括：
若干移动式监测装置，用于定点采集配电柜多张不同导线的红外热像图像；
主机模块，与移动式监测装置通信，对红外热像图像进行存储和预处理，采用机器学习算法进行图像处理，再识别每张图中导线区域及其温度，及将识别后的多张图像拼接，得到配电柜全部导线及其对应温度图。
优选的，所述移动式监测装置包括主体、红外热像仪、二自由度云平台和控制模块，该二自由度云平台连接驱动红外热像仪左右旋转或上下移动，该控制模块安装于主体底座上且连接控制二自由度云平台，所述主机模块与控制模块和红外热成像仪通信。
优选的，所述主机模块包括导线温度识别模块、导线温度报警模块、导线温度可视化模块和数据库；该导线温度识别模块用于图像处理、识别每张图中导线区域及其温度，以及将识别后的多张图像拼接；该导线温度报警模块用于在导线最高温度超过正常运行允许温度时进行报警，该导线温度可视化模块用于显示最终全局的导线及温度识别图；该数据库用于存储红外热像图像及温度信息。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明的方法与装置，基于红外热像与图像处理、图像拼接技术融合，实现对配电柜内全部导线的识别以及每根导线对应的温度识别，实现了实时更新并储存每根导线温度数据，提高了温度监测的准确性，同时有效避免导线由于温度的升高，出现热异常现象。
本发明有利于通过长期监测，长期反映出配电柜的安全状态，工作人员就可以在其没有造成重大灾难时提前检修解决问题，为配电柜内导线安全健康在线监测、动态预测与控制提供了良好基础。
本发明中，红外热像技术的移动式定点检测装置具有结构简单成本低、近距离获取导线温度信息的优点，相对于远距离测量提高了导线温度识别的精确性。
本发明中，配电柜内全局导线识别方法与导线温度图像拼接，不仅对实验配电柜的实时监测有重大意义，而且对于后期的动态预测也具有重要意义，它实现了由局部导线温度识别的精确到全局导线温度识别的精确，保证了整个在线监测***的良好运行。
本发明的实施，使运维人员准确的获得配电柜内导线温度信息，提高与保证配电柜的良好运行，同时有效排除导线由于温度的升高出现的各类安全隐患，以及有效避免运维人员因人工检测所导线温度而浪费时间与体力。
附图说明
图1为本发明方法流程图；
图2为本发明***模块图；
图3为本发明移动式监测装置结构图；
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明中，对于术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于描述中，采用了“上”、“下”、“左”、“右”、“前”和“后”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，而不是指示或暗示所指的装置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保护范围的限制。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
另外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
参见图1，一种导线温度监测的热红外图像处理方法，包括如下步骤：
1)定点采集配电柜多张不同导线的红外热像图像，进行存储和预处理。该步骤中，预处理包括插值处理、灰度增强和伪彩色化编码处理。
其中，共选用三种常见的插值方法进行插值，分别是：最邻近插值、双线性插值、双立方插值。作为优选，将32*24像素的原始图像进行双线性插值处理后，得到512*384像素的插补图，但不限于双线性插值。
伪彩色编码处理，得到伪彩色红外数字图像，是将温度进行归一化，然后对应到0-255区间，再将灰度值0-255按一定规律对应到其他颜色则呈现彩色图。利用Python的matplotlib模块中内嵌的Colormaps，所获得的Colormap，即可将图像伪彩色化。
数值归一化具体为：
将图像数组序列D的一个原始值x通过Min-max标准化映射成在区间[0,1]中的值x*，公式为：
其中，Dmin和Dmax分别为图像数组序列D的最小值和最大值。
同时对经双线性插值后得到的图像进行采用对数公式的非线性灰度增强，这里针对导线区域检测问题，对插值后图像利用灰度增强算法，增强导线的区域特征及空间结构特征，使得导线所在区域相较于其它区域更具有独立性，为后续检测导线轮廓提供技术基础。该步骤将独立输出一张图片用作导线区域提取。
采用对数公式的非线性灰度增强算法主要用于将图像的低灰度值部分扩展，将其高灰度值部分压缩，以达到强调图像低灰度部分的目的。具体为：
s＝c*logv+1(1+v*r)r∈[0,1]
其中，s为输出图像，r为灰度归一化后的输入图像，c、v为常数，v越大，灰度提高越明显。
图像彩色化具体为：
分别获取整型和浮点型的jet map，并将其保存在txt文件中以备使用，调用gray2color函数，将数组0-255区间的数组按规律进行彩色映射，得到导线彩色映射图。
2)对红外热像图像采用机器学习算法进行图像处理，再识别每张图中导线区域及其温度。该步骤包括图像分割、图像腐蚀、连通域标记及属性分析和温度识别等。
常见的图像分割方法有基于阈值的分割方法、基于边缘的分割方法、基于深度学习的分割方法、基于机器学习的分割方法，基于阈值的分割方法与基于边缘的分割方法忽略了图像中目标的空间结构信息，导致在同样的增强效果下识别效果不如其余算法。而基于深度学习的分割方法需要大量的数据集且其泛化性与鲁棒性均受到数据集的限制，成本高且效率不定，实用度不强。故采用机器学习中的聚类算法实行对导线区域的分割，常见的聚类算法有层次聚类、模糊聚类、K-means聚类等。
作为优选，图像分割采用K-means聚类，但不仅限于此方法，其中K-means聚类的图像分割具体为：将上一步经过对数增强的图像转化为灰度序列G，随机选取2个对象作为灰度序列G的初始聚类中心μ1、μ2，对灰度序列G中的每一个样例xi,计算其到聚类中心μ1、μ2的欧氏距离，其公式为:
利用算出的距离对样例进行分类,可以得到初始的样例分类集G1、G2。对于每个分类集内的样例，重新计算样例的质心，其公式为：
在这之后，不断地迭代以上两个步骤，当质心μj的变化频率小于一定阈值时，认为分类完成。取此时的灰度分类序列G1、G2。赋予序列G1内所有的点以灰度值0，序列G2内所有的点以灰度值255，对灰度序列进行灰度图像重构，形成二值化图像。
连通域的是对于二值图像来说的，如果两个像素点位置相邻且取值相同，那么这两个像素点即处于同一个相互连通的区域内。从视觉上看，彼此连通的点形成了一个区域，而该区域中所有连通点构成的集合，称之为一个连通区域。在图像中，每个像素当以自身为中心时，周围一般存在8个邻接像素。4连通只考虑4个邻接像素，即上下左右；8连通则总共考虑8个邻接像素，额外还包括了对角线位置的点。
作为优选，连通域提取标记及属性分析采用4邻域区域增长法，具体为：将腐蚀化后的二值化图像利用4邻域区域增长法进行标记，并提取连通域的面积及坐标属性。对面积设定一个极小值200，去除干扰区域，获得导线的正确区域及其坐标。在获得导线坐标后，将其可视化标记，将每根导线用红色矩形框标记。
温度识别具体为：连通域标记后提取每个连通域图像数组中的最大值，即是每根导线的最高温度，然后将其标记在每根导线的红色矩形框内，最后在获得全部导线中的最高温度坐标后用十字光标将其标记出来，作为最高温度值指标。
3)重复步骤1)和2)，将识别后的多张图像拼接，得到配电柜全部导线及其对应温度图。
本发明利用移动式定点采集红外热像图像，采集时图像间的重叠比例控制在30％-60％，得到的多张图像，经过步骤1)-步骤2)处理后，进行相邻图像有重叠部分的图像拼接，得到配电柜全部导线及其对应温度图。拼接包括图像配准和图像融合重构。
图像配准采用基于特征点的图像配准包括：特征点检测、特征点描述、特征点搜索与匹配。本发明使用基于特征点的SIFT特征检测算法。
特征点检测：检测待拼接图像的SIFT关键特征点，并计算特征点，匹配待拼接图像的所有特征点，返回匹配结果。
特征点描述：提取已检测出的特征点其邻域内的梯度或灰度相关信息，生成多维度的特征描述符。
特征点搜索与匹配：基于SIFT算法检测与描述的特征点之间距离常用欧式距离进行度量。在特征匹配阶段采用BBF(Best Bin First)算法搜索特征空间，即找到距离最近的匹配特征点。
图像融合实现将配准后的多幅图像的重叠部分融合，将图像在重叠区域内的像素值按线性权重叠相加作为拼接后的像素值，完成图像融合重构。
公式为：
其中I1(x，y)和I2(x，y)分别是第一幅和第二幅图像的像素值，R1表示第一幅图像内非重叠区域，R2表示两幅图像的重叠区域，R3表示第二幅图像内非重叠区域，d(x)为权重系数，表示第一幅图像像素值占总像素值的比例，取值范围为[0,1]，假设第一幅图像在重叠区域的边缘位置为X0，重叠区域宽度为w,则权重系数为：
最终，全局的导线及温度识别图将显示在数据显示器上，实时更新并储存每根导线温度数据，通过调取长期的监测，判断配电柜内每根导线的健康状态；当全局图像中的最高温度超过导线正常运行允许温度后，***将立即报警提醒监测人员，待工作人员进行及时的抢修运维后，通过监测导线温度恢复正常后，程序回到数据采集，继续进行下一次的循环操作。
本发明还提出一种导线温度监测***，包括若干移动式监测装置和主机模块，该主机模块与移动式监测装置通信。
参见图3，若干移动式监测装置用于定点采集配电柜多张不同导线的红外热像图像。每个移动式监测装置包括红外热像仪1、二自由度云平台2、控制模块3、主体4和WIFI模块7等，该二自由度云平台2连接驱动红外热像仪1左右旋转或上下移动，该控制模块3安装于主体4上且连接控制二自由度云平台2动作。
本发明中，主体4设置有行走机构和电源模块，控制模块3还可控制行走机构动作移动和转向，从而带动主体4行走，并且在合适位置停止驱动。电源模块用于为移动式监测装置提供电源。红外热像仪1采用MLX90640。控制模块可选用ESP32单片机，通过I2C数据总线采集红外热像仪的图像信息，并通过WIFI模块7发送至主机模块。
进一步的，二自由度云平台2通过支撑架固定安装于主体4，该移动式监测装置，通过控制模块3控制行走机构的移动、转向及停止驱动，配合红外热像仪对开关柜内部不同位置导线的定点近距离采集图像信息，得到32*24像素的数组源红外数字图像，并将获得的数组信息传输到主机模块。
主机模块可以选用STM、PIC、ARM等系列的处理器芯片，其主要作用包括WIFI通讯、参数配置、数据存储、导线温度识别、导线温度报警、图像拼接的实现等，通过对红外热像图像进行存储和预处理，采用机器学习算法进行图像处理，再识别每张图中导线区域及其温度，及将识别后的多张图像拼接，得到配电柜全部导线及其对应温度图。
具体的，主机模块可包括导线温度识别模块、导线温度报警模块、导线温度可视化模块和数据库等功能模块；该导线温度识别模块可用于图像处理、识别每张图中导线区域及其温度，以及将识别后的多张图像拼接；该导线温度报警模块用于在导线最高温度超过正常运行允许温度时进行报警，该导线温度可视化模块用于显示最终全局的导线及温度识别图；该数据库用于存储红外热像图像及温度信息。
本发明中，移动式监测装置还可设置数据显示器5和温度报警器6，均与控制模块3连接。控制模块3接收来自主机模块的图像处理及图形拼接分析处理后的导线温度数值、报警信息等，通过数据显示器5进行显示，及通过温度报警进行异常温度声光报警。数据显示器5可布置于移动式监测装置顶部，以倾斜方式放置便于运维人员检查记录。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (11)
1.一种导线温度监测的热红外图像处理方法，其特征在于，包括如下步骤：
1)定点采集配电柜多张不同导线的红外热像图像，进行存储和预处理；
2)对红外热像图像采用机器学习算法进行图像处理，再识别每张图中导线区域及其温度；
3)重复步骤1)和2)，将识别后的多张图像拼接，得到配电柜全部导线及其对应温度图。
2.如权利要求1所述的一种导线温度监测的热红外图像处理方法,其特征在于，所述预处理包括插值处理、灰度增强和伪彩色化编码处理。
3.如权利要求2所述的一种导线温度监测的热红外图像处理方法,其特征在于，所述伪彩色化编码处理为对图像进行数值归一化处理后，再将其映射到对应的彩色像素点，具体为：将数据序列D的一个原始值x通过Min-max标准化映射成在区间[0,1]中的值x*，公式如下：
其中，Dmin和Dmax分别为数据序列D的最小值和最大值。
4.如权利要求1所述的一种导线温度监测的热红外图像处理方法,其特征在于，所述图像处理包括如下：采用K-means无监督聚类算法进行图像分割，分割得到的二值化图像利用4邻域区域增长法进行标记，并提取连通域的面积及坐标属性，即得到导线区域及其坐标。
5.如权利要求1所述的一种导线温度监测的热红外图像处理方法,其特征在于，所述识别导线区域的温度，具体为：连通域标记后提取每个连通域图像数组中的最大值，即每根导线的最高温度，然后将其标记在每根导线的红色矩形框内，最后在获得全部导线中的最高温度坐标后用十字光标将其标记出来，作为最高温度值指标。
6.如权利要求1所述的一种导线温度监测的热红外图像处理方法,其特征在于，利用移动式定点采集红外热像图像，采集时图像间的重叠比例控制在30％-60％，得到的多张图像，经过步骤1)-步骤2)处理后，进行相邻图像有重叠部分的图像拼接，得到配电柜全部导线及其对应温度图。
7.如权利要求1所述的一种导线温度监测的热红外图像处理方法,其特征在于，所述拼接包括图像配准和图像融合重构。
8.如权利要求1所述的一种导线温度监测的热红外图像处理方法,其特征在于，所述图像融合重构是将图像在重叠区域内的像素值按线性权重叠相加作为拼接后的像素值，完成图像融合重构，公式为：
其中I1(x，y)和I2(x，y)分别是第一幅和第二幅图像的像素值，R1表示第一幅图像内非重叠区域，R2表示两幅图像的重叠区域，R3表示第二幅图像内非重叠区域，d(x)为权重系数。
9.一种导线温度监测***，其特征在于，包括：
若干移动式监测装置，用于定点采集配电柜多张不同导线的红外热像图像；
主机模块，与移动式监测装置通信，对红外热像图像进行存储和预处理，采用机器学习算法进行图像处理，再识别每张图中导线区域及其温度，及将识别后的多张图像拼接，得到配电柜全部导线及其对应温度图。
10.如权利要求9所述的一种导线温度监测***，其特征在于，所述移动式监测装置包括主体、红外热像仪、二自由度云平台和控制模块，该二自由度云平台连接驱动红外热像仪左右旋转或上下移动，该控制模块安装于主体底座上且连接控制二自由度云平台，所述主机模块与控制模块和红外热成像仪通信。
11.如权利要求9所述的一种导线温度监测***，其特征在于，所述主机模块包括导线温度识别模块、导线温度报警模块、导线温度可视化模块和数据库；该导线温度识别模块用于图像处理、识别每张图中导线区域及其温度，以及将识别后的多张图像拼接；该导线温度报警模块用于在导线最高温度超过正常运行允许温度时进行报警，该导线温度可视化模块用于显示最终全局的导线及温度识别图；该数据库用于存储红外热像图像及温度信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503810.0A CN112734637B (zh) | 2020-12-18 | 2020-12-18 | 一种导线温度监测的热红外图像处理方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503810.0A CN112734637B (zh) | 2020-12-18 | 2020-12-18 | 一种导线温度监测的热红外图像处理方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112734637A true CN112734637A (zh) | 2021-04-30 |
| CN112734637B CN112734637B (zh) | 2022-06-21 |
Family
ID=75603082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011503810.0A Active CN112734637B (zh) | 2020-12-18 | 2020-12-18 | 一种导线温度监测的热红外图像处理方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734637B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782300A (zh) * | 2022-04-29 | 2022-07-22 | 苏州华兴源创科技股份有限公司 | 产品图像重构方法、产品重构模型训练方法、装置 |
| CN116503633A (zh) * | 2023-07-03 | 2023-07-28 | 山东艾迈科思电气有限公司 | 基于图像识别的开关柜状态智能检测控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567983A (zh) * | 2010-12-26 | 2012-07-11 | 浙江大立科技股份有限公司 | 即时红外热图中被监测目标位置的确定方法及应用 |
| GB201507124D0 (en) * | 2015-04-27 | 2015-06-10 | Thermoteknix Systems Ltd | Conveyer belt monitoring system and method |
| CN112001327A (zh) * | 2020-08-25 | 2020-11-27 | 全球能源互联网研究院有限公司 | 一种阀厅设备故障识别方法及*** |
| CN112013966A (zh) * | 2020-08-24 | 2020-12-01 | 电子科技大学 | 一种基于测量温度的电力设备红外图像处理方法 |
-
2020
- 2020-12-18 CN CN202011503810.0A patent/CN112734637B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567983A (zh) * | 2010-12-26 | 2012-07-11 | 浙江大立科技股份有限公司 | 即时红外热图中被监测目标位置的确定方法及应用 |
| GB201507124D0 (en) * | 2015-04-27 | 2015-06-10 | Thermoteknix Systems Ltd | Conveyer belt monitoring system and method |
| CN112013966A (zh) * | 2020-08-24 | 2020-12-01 | 电子科技大学 | 一种基于测量温度的电力设备红外图像处理方法 |
| CN112001327A (zh) * | 2020-08-25 | 2020-11-27 | 全球能源互联网研究院有限公司 | 一种阀厅设备故障识别方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 褚磊等: "基于紫外联合红外热像的三通道便携式变电站监测装置", 《电子技术与软件工程》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782300A (zh) * | 2022-04-29 | 2022-07-22 | 苏州华兴源创科技股份有限公司 | 产品图像重构方法、产品重构模型训练方法、装置 |
| WO2023206844A1 (zh) * | 2022-04-29 | 2023-11-02 | 苏州华兴源创科技股份有限公司 | 产品图像重构方法、产品重构模型训练方法、装置 |
| CN116503633A (zh) * | 2023-07-03 | 2023-07-28 | 山东艾迈科思电气有限公司 | 基于图像识别的开关柜状态智能检测控制方法 |
| CN116503633B (zh) * | 2023-07-03 | 2023-09-05 | 山东艾迈科思电气有限公司 | 基于图像识别的开关柜状态智能检测控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112734637B (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| 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*** | |
| CN103247039B (zh) | 一种基于复合视觉的高压线缆带电检测方法 | |
| CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和*** | |
| Pal et al. | Real‐time condition monitoring of substation equipment using thermal cameras | |
| CN113920097B (zh) | 一种基于多源图像的电力设备状态检测方法及*** | |
| CN117274722A (zh) | 基于红外图像的配电箱智能检测方法 | |
| CN115965578A (zh) | 一种基于通道注意力机制的双目立体匹配检测方法及装置 | |
| CN116168351A (zh) | 电力设备巡检方法及装置 | |
| CN115346083A (zh) | 一种温度异常检测模型训练方法、装置、设备及介质 | |
| Nassu et al. | A computer vision system for monitoring disconnect switches in distribution substations | |
| CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
| CN116824517B (zh) | 基于可视化的变电站运维安全管控*** | |
| CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
| CN112113638A (zh) | 水表功能自检装置及方法 | |
| CN116051539A (zh) | 一种变电设备发热故障的诊断方法 | |
| Shi et al. | Diagnosis and classification decision analysis of overheating defects of substation equipment based on infrared detection technology | |
| Tang et al. | Fault diagnosis of the external insulation infrared images based on Mask Region convolutional neural network and perceptual hash joint algorithm | |
| Wang et al. | Substation Equipment Defect Detection based on Temporal-spatial Similarity Calculation | |
| CN113031110B (zh) | 云层监测方法和装置、光伏功率预测方法和装置 | |
| CN113239731B (zh) | 断路器热故障红外热像谱的图像数字特征提取方法 | |
| Murthy et al. | Distribution system insulator monitoring using video surveillance and support vector machines for complex background images | |
| 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 |