CN113538434A - 一种电力设备缺陷识别方法、***和可读存储介质 - Google Patents
一种电力设备缺陷识别方法、***和可读存储介质 Download PDFInfo
- Publication number
- CN113538434A CN113538434A CN202111089935.8A CN202111089935A CN113538434A CN 113538434 A CN113538434 A CN 113538434A CN 202111089935 A CN202111089935 A CN 202111089935A CN 113538434 A CN113538434 A CN 113538434A
- Authority
- CN
- China
- Prior art keywords
- defect
- power equipment
- type
- running state
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 524
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008030 elimination Effects 0.000 claims abstract description 32
- 238000003379 elimination reaction Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 229910052573 porcelain Inorganic materials 0.000 claims description 11
- 206010017076 Fracture Diseases 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 208000031294 Upper limb fractures Diseases 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 18
- 238000012423 maintenance Methods 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 10
- 230000007613 environmental effect Effects 0.000 description 60
- 230000007717 exclusion Effects 0.000 description 14
- 238000012937 correction Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011551 log transformation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种电力设备缺陷识别方法、***和可读存储介质,本方法通过无人机自动巡查,可以获取到电子设备的运行状态图片,并通过预先训练好的缺陷识别神经网络识别出运行状态图片中的缺陷类型,从而使缺陷变化识别能力更加精准,相较于人工核查,降低了漏判和误判情况的发生概率,也提高了缺陷识别效率。同时,还根据识别出的目标缺陷类型在预存的缺陷措施库匹配并输出对应的缺陷排除措施单,以提高运维效率。
Description
技术领域
本申请涉及电力故障检测技术领域,尤其涉及一种电力设备缺陷识别方法、***和可读存储介质。
背景技术
目前,国内多地都已开始架设自动化巡航低压电线的线路,低压线路巡视采用的方式由人巡逐步转变为无人机机巡,主要针对线路中的线路周围复杂环境进行检查,其中,广东省江门市恩平电力局就已完成10kV架空线路自动巡航的全覆盖,自动巡航具有自动驾驶和定点拍照的功能,其RTK定位误差甚至在10cm内,在此强大功能的支持下,“机巡”也逐步取代“人巡”,但目前通过自动巡航所收集的设备图像只能利用人工识别方式来判断设备是否存在缺陷。
人工识别缺陷方式不仅耗时耗费精力,而且,对于设备细小的缺陷变化识别能力不够精准,存在漏判和误判情况,造成缺陷识别效率较低。
发明内容
本申请提供了一种电力设备缺陷识别方法、***和可读存储介质,用于解决缺陷识别存在漏判和误判以及缺陷识别效率较低的技术问题。
有鉴于此,本申请第一方面提供了一种电力设备缺陷识别方法,包括以下步骤:
通过无人机获取电力设备的运行状态图片;
对所述运行状态图片进行预处理,从而得到预处理图像集;
将所述预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型;
基于预存的缺陷措施库调用所述目标缺陷类型进行匹配,输出对应的缺陷排除措施单。
可选地,所述获取电力设备的运行状态图片的步骤具体包括:
建立由多个信号中继器构成的有线通信连接网络,所述信号中继器与所述无人机无线通信连接;
基于所述信号中继器实时接收所述无人机拍摄的所述电力设备的运行状态的摄像视频;
将所述摄像视频进行逐帧提取,得到所述电力设备的运行状态图片。
可选地,所述对所述运行状态图片进行预处理,从而得到预处理图像集的步骤具体包括:
对所述运行状态图片进行设备类型分类;
对分类后的所述运行状态图片进行图像二值化处理得到灰度图;
通过预设的图像增强机制对所述灰度图进行图像增强,从而得到所述预处理图像集,所述预处理图像集包含缺陷位置。
可选地,所述将所述预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型的步骤具体包括:
将所述预处理图像集输入到预先训练好的所述缺陷识别神经网络中进行识别,得到图像形状特征与缺陷点特征;
基于所述图像形状特征与所述缺陷点特征,根据所述缺陷位置得到所述目标缺陷类型。
可选地,所述将所述预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型的步骤之前还包括:
获取至少一种类型的所述电力设备的历史缺陷数据,所述历史缺陷数据包括图像形状特征和缺陷点特征;
将所述历史缺陷数据进行增广操作处理,得到训练样本集;
将所述训练样本集输入至初始化后的卷积神经网络中进行训练,输出目标缺陷类型;
获取输出目标缺陷类型的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到缺陷识别神经网络。
可选地,所述目标缺陷类型包括导线脱落、过桥接驳断裂、瓷担断裂、瓷瓶放电破损以及避雷器与隔离开关异常。
第二方面,本发明提供了一种电力设备缺陷识别***,包括:
获取模块,用于通过无人机获取电力设备的运行状态图片;
预处理模块,用于对所述运行状态图片进行预处理,从而得到预处理图像集;
缺陷识别模块,用于将所述预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型;
措施输出模块,用于基于预存的缺陷措施库调用所述目标缺陷类型进行匹配,输出对应的缺陷排除措施单。
可选地,所述获取模块具体包括:
通信子模块,用于建立由多个信号中继器构成的有线通信连接网络,所述信号中继器与所述无人机无线通信连接;
视频接收子模块,用于基于所述信号中继器实时接收所述无人机拍摄的所述电力设备的运行状态的摄像视频;
提取子模块,用于将所述摄像视频进行逐帧提取,得到所述电力设备的运行状态图片。
可选地,所述预处理模块具体包括:
分类子模块,用于对所述运行状态图片进行设备类型分类;
二值化子模块,用于对分类后的所述运行状态图片进行图像二值化处理得到灰度图;
图像处理子模块,用于通过预设的图像增强机制对所述灰度图进行图像增强,从而得到所述预处理图像集,所述预处理图像集包含缺陷位置。
第三方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种电力设备缺陷识别方法程序,所述电力设备缺陷识别方法程序被处理器执行时,实现如上述的一种电力设备缺陷识别方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过无人机自动巡查,可以获取到电子设备的运行状态图片,并通过预先训练好的缺陷识别神经网络识别出运行状态图片中的缺陷类型,从而使缺陷变化识别能力更加精准,相较于人工核查,降低了漏判和误判情况的发生概率,也提高了缺陷识别效率。同时,还根据识别出的目标缺陷类型在预存的缺陷措施库匹配并输出对应的缺陷排除措施单,以提高运维效率。
附图说明
图1为本申请实施例提供的一种电力设备缺陷识别方法的流程图;
图2为本申请实施例提供的一个设备缺陷示意图;
图3为本申请实施例提供的另一个设备缺陷示意图;
图4为本申请实施例提供的一种电力设备缺陷识别***的***框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
目前,电力设备在使用过程中,伴随着设备老化以及雷雨暴晒的影响,会出现不同程度的电力设备损坏致使其出现使用缺陷的情况,其中,主要缺陷存在于电导线本身、过桥接驳介质,例如瓷担以及瓷瓶之类的安全缺陷,目前主要还是沿用传统的检验方式,采用人工徒步进行分段识别标记缺陷,不仅效率低下,操作人员的安全性保障也存在一定问题。而由于人工识别缺陷方式不仅耗时耗费精力,而且,对于设备细小的缺陷变化识别能力不够精准,存在漏判和误判情况,造成缺陷识别效率较低。
为此,请参阅图1,本发明提供的一种电力设备缺陷识别方法,包括以下步骤:
S1、通过无人机获取电力设备的运行状态图片;
S2、对运行状态图片进行预处理,从而得到预处理图像集;
S3、将预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型;
S4、基于预存的缺陷措施库调用目标缺陷类型进行匹配,输出对应的缺陷排除措施单。
需要说明的是,本发明提供的一种电力设备缺陷识别方法,通过无人机自动巡查,可以获取到电子设备的运行状态图片,并通过预先训练好的缺陷识别神经网络识别出运行状态图片中的缺陷类型,从而使缺陷变化识别能力更加精准,相较于人工核查,降低了漏判和误判情况的发生概率,也提高了缺陷识别效率。同时,还根据识别出的目标缺陷类型在预存的缺陷措施库匹配并输出对应的缺陷排除措施单,以提高运维效率。
以下为本发明提供的一种电力设备缺陷识别方法的实施例的具体描述。
本发明提供的一种电力设备缺陷识别方法,包括以下步骤:
S100、通过无人机获取电力设备的运行状态图片;
在本实施例中,步骤S100具体包括:
S101、建立由多个信号中继器构成的有线通信连接网络,信号中继器与无人机无线通信连接;
S102、基于信号中继器实时接收无人机拍摄的电力设备的运行状态的摄像视频;
S103、将摄像视频进行逐帧提取,得到电力设备的运行状态图片。
需要说明的是,获取无人机拍摄的图像信息,本申请通过“有线+无线”的有机合理结合实现信息获取,通过实体线路,铺设多个信号中继器,用于与无人机进行实时无线沟通,由于存在多个信号中继器,可以保证与无人机的通信不会出现掉线的情况,进而保证每段拍摄的图像可以及时地进行保存,同时通过实体线路与信号中继器进行有线通信连接,可以保证传输的稳定性,使得介质设备接收到的图像信息准确度大大提高。
值得一提的是,在图像拍摄采集的过程中,通过多个信号中继器作为接收点满足单个无人机的通信要求,可以获得无人机拍摄的所有图像,不会出现因为单路通信掉线而出现传输失败的问题;同时在图像信息传输的过程中,采用一个介质设备通过实体线路接收多个信号中继器的信息,可以保证传输线路的稳定,使得图像信息传输不掉帧,图像信息的有效性得以提高。
S200、对运行状态图片进行预处理,从而得到预处理图像集;
在本实施例中,步骤S200具体包括:
S201、对运行状态图片进行设备类型分类;
S202、对分类后的运行状态图片进行图像二值化处理得到灰度图;
S203、通过预设的图像增强机制对灰度图进行图像增强,从而得到预处理图像集,预处理图像集包含缺陷位置。
需要说明的是,在本实施例中,先将运行状态图片按照设备类型进行区分,包括导线类、瓷担类、瓷瓶类以及避雷器类等电子设备类型,区分好类型后,对单个图片进行灰度化得到二值化的图片,并通过几何变换法和图像增强算法对灰度图进行图像增强以得到缺陷位置,以得到预处理图像集,其中,图像增强算法包括直方图均衡化、拉普拉斯算子增强、Log变换增强以及伽马变换增强。增强之后,就可以看的清晰和准确,可以准确快速识别出来缺陷位置。
其中,c为自然参数,x为不同的灰度值。
S300、将预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型;
在本实施例中,步骤S300具体包括:
S301、将预处理图像集输入到预先训练好的缺陷识别神经网络中进行识别,得到图像形状特征与缺陷点特征;
S302、基于图像形状特征与缺陷点特征,根据缺陷位置得到目标缺陷类型。
需要说明的是,得到预处理图像集后,将其带入训练好的缺陷识别神经网络中进行识别,通过训练好的缺陷识别神经网络可以得到单个图像的图像形状特征与缺陷点特征,以区分不同的电子设备以及缺陷的类型,结合缺陷点特征与缺陷位置可以得到目标缺陷类型。不同的缺陷点可以有不同的缺陷特征,缺陷部分可以通过图像形状和缺陷点特征判断出来。缺陷位置就可以得到缺陷的类型,例如,过桥接驳断裂或者瓷担断裂,这都是不同位置的缺陷。
在本实施例中,目标缺陷类型包括导线脱落、过桥接驳断裂、瓷担断裂、瓷瓶放电破损以及避雷器与隔离开关异常。
如图2所示,示意为瓷担出现破损断裂,经由无人机实时摄像后,发现有缺陷位置,带入到训练好的缺陷识别神经网络中可进一步确认缺陷为出现断裂的特征信息,同时获取缺陷位置的图像形状可进一步确定出现故障缺陷的电子设备为瓷担。
在一个具体实施例中,在步骤S300之前还包括:
S311、获取至少一种类型的电力设备的历史缺陷数据,历史缺陷数据包括图像形状特征和缺陷点特征;
S312、将历史缺陷数据进行增广操作处理,得到训练样本集;
S313、将训练样本集输入至初始化后的卷积神经网络中进行训练,输出目标缺陷类型;
S314、获取输出目标缺陷类型的准确率;
S315、若准确率大于预设的准确率阈值,则停止训练,得到缺陷识别神经网络。
需要说明的是,缺陷识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确。本申请中的缺陷识别神经网络模型可以通过图像预处理之后的图片作为输入进行训练,当然,在进行神经网络模型训练时,不仅要通过图片进行训练,还需要结合缺陷信息以及对应的缺陷结果进行训练。本申请为了提高图片识别的结果准确率,会对图像进行相关的处理。首先,对目标图像信息进行灰度二值化,得到特征区域图像,然后将得到特征区域图像,进行自动化筛选,去除质量差的图像;将筛选后的图像进行图像增强处理,进行多分辨率的变化处理,得到多个分辨率的图像,然后随机选择一个分辨率的图像,进行模糊处理,再进行光滑处理;将经过光滑处理之后的图像还原回原始分辨率的大小,得到缺陷识别神经网络模型的输入,进行缺陷识别神经网络的训练。通过一些列的分辨率变化处理和图像的光滑处理,可以使得输入的图像更加容易分辨,得到的结果也会更加准确,再结合缺陷信息以及对应的缺陷结果,可以使得缺陷识别神经网络的输出结果更加准确。准确率是人工判断或者机器判断的,采用机器判断时,将预设的多组图片输入缺陷识别神经网络中得到结果,比对结果的准确率即可。
S400、基于预存的缺陷措施库调用目标缺陷类型进行匹配,输出对应的缺陷排除措施单。
在本实施例中,预存的缺陷措施库包括目标缺陷类型及其呈映射关系的缺陷排除措施单,如图3所示,为导线出现导线磨损与导线融扩的缺陷现象,基于预存的缺陷措施库可以匹配到导线缺陷的缺陷排除措施单进行输出,以供维修人员参考维修。
在一个具体实施例中,步骤S400还包括:
S401、获取对应的缺陷排除措施单,并将其向运维***输出;
S402、运维***自动生成进度跟新表供给维修人员填写,并实时获取表内的更新内容;
S403、识别实时更新内容中的完成因子并自动读取以结束对应的维修项目。
需要说明的是,在电子设备出现故障缺陷时,本申请不仅输出缺陷排除措施单说明故障内容信息还供给维修人员以维修指导,同时还自动生成进度跟新表实时跟踪本次维修的具体进度,直到本次维修项目结束。
根据本发明实施例,所述基于预存的缺陷措施库调用目标缺陷类型进行匹配,输出对应的缺陷排除措施单,还包括:
根据各类型电力设备建立电力设备缺陷数据库;
所述电力设备缺陷数据库包括各类型电力设备历史缺陷类型样本集;
所述各类型电力设备历史缺陷类型样本集包含多个各类型电力设备历史缺陷类型样本,所述各类型电力设备历史缺陷类型样本根据获取的各类型电力设备历史缺陷数据和对应历史缺陷位置在卷积神经网络中处理获得;
根据所述各类型电力设备历史缺陷类型样本对应的历史缺陷排除措施获得各类型电力设备历史缺陷排除措施样本;
根据所述各类型电力设备历史缺陷排除措施样本建立各类型电力设备缺陷排除措施库;
根据目标缺陷类型在所述各类型电力设备缺陷排除措施库中进行相似性对比,获得与所述目标缺陷类型相似度最大的历史缺陷类型样本对应的历史缺陷排除措施样本作为目标缺陷排除措施;
根据获得的目标缺陷排除措施合成缺陷排除措施单。
需要说明的是,对各类型电力设备的历史缺陷类型进行收集合成电力设备缺陷数据库,并根据各类型电力设备的历史缺陷类型的缺陷排除措施建立各类型电力设备缺陷排除措施库,当获得某电力设备的目标缺陷类型时,将该电力设备目标缺陷类型与各类型电力设备缺陷排除措施库中的历史缺陷排除措施对应的缺陷类型进行相似性对比,将相似度最大的历史缺陷类型的缺陷排除措施作为某电力设备的目标缺陷排除措施,并合成为缺陷排除措施单。
根据本发明实施例,还包括:
根据获得的目标缺陷类型在电力设备缺陷数据库中进行匹配;
若目标缺陷类型在电力设备缺陷数据库中匹配失败,则所述获得的目标缺陷类型与各类型电力设备历史缺陷类型样本均不相似;
则判定目标缺陷类型对应缺陷位置失准,重新选择运行状态图片进行灰度化和图像增强处理获得修正缺陷位置;
根据所述修正缺陷位置与缺陷位置进行相似度对比,若相似度小于预设值,则修正缺陷位置有效;
根据所述修正缺陷位置结合缺陷点特征在电力设备缺陷数据库中进行阈值对比,获取与所述修正缺陷位置阈值重合度最大的历史缺陷类型样本对应缺陷位置作为目标缺陷位置,将对应历史缺陷类型样本作为修正目标缺陷类型;
根据所述修正目标缺陷类型作为更新后的目标缺陷类型在各类型电力设备缺陷排除措施库中匹配获得缺陷排除措施单。
需要说明的是,根据电力设备的目标缺陷类型在电力设备缺陷数据库中进行匹配,若匹配失败,则说明电力设备的目标缺陷类型与数据库中所有各类型电力设备的历史缺陷类型都不符合,则判定电力设备的目标缺陷类型对应缺陷位置判断不准确,需重新选择电力设备的运行状态图片并进行处理获得修正缺陷位置,再将修正缺陷位置与原始判断的缺陷位置进行对比,若对比相似度大于预设值,则说明获得的修正缺陷位置仍不准确,需进行再次修正,若对比相似度小于预设值,则说明修正缺陷位置准确,修正结果有效,根据修正缺陷位置结合缺陷点特征在电力设备缺陷数据库中进行阈值对比获得符合阈值重合度要求的历史缺陷类型的缺陷位置作为目标缺陷位置,将该历史缺陷类型作为电力设备修正目标缺陷类型,并获取修正目标缺陷类型对应的缺陷排除措施单。
根据本发明实施例,还包括:
建立无人机摄像电力设备数据库,所述无人机摄像电力设备数据库包括各类型电力设备在各种环境特征下的运行状态摄像视频;
所述环境特征包括对应摄像时间下的天气、季节、光线、地形、海拔等环境参数;
根据无人机摄像电力设备数据库的各类型电力设备的运行状态摄像视频进行逐帧提取获得各类型电力设备的运行状态图片,对运行状态图片根据所述类型电力设备的环境特征进行修正获得电力设备修正运行状态图片;
根据各类型电力设备所述电力设备修正运行状态图片建立电力设备运行状态图片库,所述电力设备运行状态图片库包括各类型电力设备在各种环境特征下的运行状态图片样本。
需要说明的是,建立各类型电力设备在各种环境下的运行状态图片库方便根据气候、地形、季节、海拔等不同环境下的各类型电力设备的运行状态进行图片收集,也便于对无人机发出指令有针对性进行各类型电力设备巡查工作,同时也利于根据环境条件判断不同类型电力设备的故障高发率,具体为根据收集的各类型电力设备在各种环境特征下的运行状态摄像视频建立无人机摄像电力设备数据库,对运行状态摄像视频逐帧提取获得对应类型电力设备的运行状态图片,并根据类型电力设备状态图片采集所处的环境特征进行修正得到电力设备修正运行状态图片,合成电力设备运行状态图片库。
根据本发明实施例,还包括:
若目标缺陷类型在电力设备缺陷数据库中匹配失败,则获取的电力设备运行状态图片的设备类型分类不准确;
提取所述电力设备运行状态图片对应的运行状态视频进行无人机摄像时的环境特征;
调取无人机摄像的电力设备运行状态摄像视频逐帧提取的运行状态图片,对所述运行状态图片与对应无人机摄像时间点的环境特征进行加权;
根据加权后的运行状态图片与电力设备运行状态图片库中的电力设备运行状态图片样本进行相似度对比,获取与所述加权后的运行状态图片相似度最大的电力设备运行状态图片样本作为目标电力设备运行状态图片;
将所述目标电力设备运行状态图片对应的电力设备类型作为电力设备的修正设备类型。
需要说明的是,若电力设备的目标缺陷类型在电力设备缺陷数据库中匹配失败则说明针对电力设备运行状态图片的设备类型分类不准确,提取获取电力设备运行状态图片对应运行状态视频进行无人机摄像时的环境特征,重新调取无人机摄像的电力设备运行状态摄像视频逐帧提取的运行状态图片,对运行状态图片与摄像时间点的环境特征进行加权,将加权后的运行状态图片与电力设备运行状态图片库中的电力设备运行状态图片样本进行相似度对比,将相似度最大的电力设备运行状态图片作为目标电力设备运行状态图片,其对应的电力设备类型作为电力设备的修正后的设备类型分类,其中,相似度对比可以是余弦相似度、欧几里德相似度或其他。
根据本发明实施例,还包括:
无人机在巡查某一类型电力设备时,获取所述某一类型电力设备所处的天气、季节、地形、海拔环境参数;
根据所述环境参数在电力设备缺陷数据库中查询某一类型电力设备在所述环境参数下的历史缺陷类型样本;
根据所述某一类型电力设备的历史缺陷类型样本进行区间统计,获取缺陷类型出现概率大于预设阈值的历史缺陷类型样本作为标记缺陷类型;
根据所述标记缺陷类型的对应缺陷位置向无人机发出巡查指令;
无人机根据所述巡查指令对所述对应缺陷位置进行巡查。
需要说明的是,当需要发出巡查指令控制无人机进行电力设备缺陷故障巡查时,为提高无人机巡查有效性和准确率,可根据电力设备所处的环境特征如季节、天气、地形、时间点等查询同等历史条件下该电力设备发生缺陷故障率较高的缺陷位置或故障点而进行有针对性的巡查,可根据电力设备缺陷数据库中数据输入当前环境特征查询同等历史条件下电力设备的历史缺陷类型,并统计出历史缺陷类型出现概率较大的缺陷类型进行标记,根据标记的缺陷类型对应缺陷位置数据向无人机发出巡查指令实现有针对性的高效巡查。
根据本发明实施例,还包括:
建立电力设备缺陷数据库;
所述电力设备缺陷数据库包括各类型电力设备在各种环境特征下产生的缺陷点特征对应的历史缺陷类型数据,并对各类型电力设备进行缺陷点特征发生频次统计,获取高频次缺陷点特征对应的各类型电力设备历史缺陷类型数据;
根据所述各类型电力设备历史缺陷类型数据统计各类型电力设备的高频次缺陷点特征产生时的环境特征;
所述环境特征包括时间、天气、季节、光线、地形、海拔等环境参数中的一种或几种;
根据各类型电力设备的实时环境特征在电力设备缺陷数据库进行相似度查询,查询所述电力设备缺陷数据库中满足相似度的环境特征是否存在对应高频次缺陷点特征,并获取高频次缺陷点特征对应的历史缺陷类型数据以及电力设备类型;
根据获取类型的电力设备的对应高频次缺陷点特征和缺陷位置对无人机发出巡查指令;
无人机根据所述巡查指令对电力设备的高频次缺陷点特征和缺陷位置进行巡查。
需要说明的是,不同类型电力设备在不同环境条件下的缺陷点特征和缺陷位置存在差异,但针对同一环境条件可统计出各类型电力设备在某一环境条件下的高发缺陷,并可明确该高发缺陷的对应缺陷点特征和缺陷位置,再控制无人机进行有针对性巡查,可在极端突发环境条件变化下实现无人机快速高效寻找到缺陷点或故障位置,有效提升电力设备运行安全性,具体为:建立电力设备缺陷数据库,包括各类型电力设备在各种环境特征下产生的缺陷点特征,和其对应的历史缺陷类型数据,并对各类型电力设备进行缺陷点特征发生频次统计获取高频次缺陷点特征对应的各类型电力设备历史缺陷类型数据,该统计数据可以明确得知各类型电力设备的高频次缺陷点特征产生时所处的环境特征,包括时间、天气、季节、光线、地形、海拔等环境参数中的一种或几种,当需要查询某类型电力设备在实时环境下的高频次缺陷点以及缺陷位置时,将电力设备所处的实时环境特征输入电力设备缺陷数据库进行相似度查询,查询该实时环境特征在数据库中是否存在对应高频次缺陷点特征,如有查询其对应的历史缺陷类型数据以及电力设备类型,再根据对应类型电力设备的高频次目标缺陷点和缺陷位置对无人机发出巡查指令,控制无人机对电力设备的目标缺陷点和缺陷位置进行巡查,可大大提升应对环境变化下的电力设备缺陷故障巡查成效,提升电力设备运行安全性。
以上为本发明提供的一种电力设备缺陷识别方法的实施例的详细描述,以下为本发明提供的一种电力设备缺陷识别***的实施例的详细描述。
为了方便理解,请参阅图4,本发明提供的一种电力设备缺陷识别***,包括:
获取模块100,用于通过无人机获取电力设备的运行状态图片;
预处理模块200,用于对运行状态图片进行预处理,从而得到预处理图像集;
缺陷识别模块300,用于将预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型;
措施输出模块400,用于基于预存的缺陷措施库调用目标缺陷类型进行匹配,输出对应的缺陷排除措施单。
进一步地,获取模块具体包括:
通信子模块,用于建立由多个信号中继器构成的有线通信连接网络,信号中继器与无人机无线通信连接;
视频接收子模块,用于基于信号中继器实时接收无人机拍摄的电力设备的运行状态的摄像视频;
提取子模块,用于将摄像视频进行逐帧提取,得到电力设备的运行状态图片。
进一步地,预处理模块具体包括:
分类子模块,用于对运行状态图片进行设备类型分类;
二值化子模块,用于对分类后的运行状态图片进行图像二值化处理得到灰度图;
图像处理子模块,用于通过预设的图像增强机制对灰度图进行图像增强,从而得到预处理图像集,预处理图像集包含缺陷位置。
进一步地,缺陷识别模块具体包括:
特征获取子模块,用于将预处理图像集输入到预先训练好的缺陷识别神经网络中进行识别,得到图像形状特征与缺陷点特征;
缺陷类型子模块,用于基于图像形状特征与缺陷点特征,根据缺陷位置得到目标缺陷类型。
进一步地,本***还包括:
历史数据模块,用于获取至少一种类型的电力设备的历史缺陷数据,历史缺陷数据包括图像形状特征和缺陷点特征;
样本模块,用于将历史缺陷数据进行增广操作处理,得到训练样本集;
训练模块,用于将训练样本集输入至初始化后的卷积神经网络中进行训练,输出目标缺陷类型;
准确率获取模块,用于获取输出目标缺陷类型的准确率;
准确率判断模块,用于若准确率大于预设的准确率阈值,则停止训练,得到缺陷识别神经网络。
进一步地,目标缺陷类型包括导线脱落、过桥接驳断裂、瓷担断裂、瓷瓶放电破损以及避雷器与隔离开关异常。
需要说明的是,本发明提供的一种电力设备缺陷识别***的工作过程与上述实施例提供的一种电力设备缺陷识别方法的工作流程一致,在此不再赘述。
同时,本发明提供的一种电力设备缺陷识别***,通过无人机自动巡查,可以获取到电子设备的运行状态图片,并通过预先训练好的缺陷识别神经网络识别出运行状态图片中的缺陷类型,从而使缺陷变化识别能力更加精准,相较于人工核查,降低了漏判和误判情况的发生概率,也提高了缺陷识别效率。同时,还根据识别出的目标缺陷类型在预存的缺陷措施库匹配并输出对应的缺陷排除措施单,以提高运维效率。
根据本发明实施例,所述基于预存的缺陷措施库调用目标缺陷类型进行匹配,输出对应的缺陷排除措施单,还包括:
根据各类型电力设备建立电力设备缺陷数据库;
所述电力设备缺陷数据库包括各类型电力设备历史缺陷类型样本集;
所述各类型电力设备历史缺陷类型样本集包含多个各类型电力设备历史缺陷类型样本,所述各类型电力设备历史缺陷类型样本根据获取的各类型电力设备历史缺陷数据和对应历史缺陷位置在卷积神经网络中处理获得;
根据所述各类型电力设备历史缺陷类型样本对应的历史缺陷排除措施获得各类型电力设备历史缺陷排除措施样本;
根据所述各类型电力设备历史缺陷排除措施样本建立各类型电力设备缺陷排除措施库;
根据目标缺陷类型在所述各类型电力设备缺陷排除措施库中进行相似性对比,获得与所述目标缺陷类型相似度最大的历史缺陷类型样本对应的历史缺陷排除措施样本作为目标缺陷排除措施;
根据获得的目标缺陷排除措施合成缺陷排除措施单。
需要说明的是,对各类型电力设备的历史缺陷类型进行收集合成电力设备缺陷数据库,并根据各类型电力设备的历史缺陷类型的缺陷排除措施建立各类型电力设备缺陷排除措施库,当获得某电力设备的目标缺陷类型时,将该电力设备目标缺陷类型与各类型电力设备缺陷排除措施库中的历史缺陷排除措施对应的缺陷类型进行相似性对比,将相似度最大的历史缺陷类型的缺陷排除措施作为某电力设备的目标缺陷排除措施,并合成为缺陷排除措施单。
根据本发明实施例,还包括:
根据获得的目标缺陷类型在电力设备缺陷数据库中进行匹配;
若目标缺陷类型在电力设备缺陷数据库中匹配失败,则所述获得的目标缺陷类型与各类型电力设备历史缺陷类型样本均不相似;
则判定目标缺陷类型对应缺陷位置失准,重新选择运行状态图片进行灰度化和图像增强处理获得修正缺陷位置;
根据所述修正缺陷位置与缺陷位置进行相似度对比,若相似度小于预设值,则修正缺陷位置有效;
根据所述修正缺陷位置结合缺陷点特征在电力设备缺陷数据库中进行阈值对比,获取与所述修正缺陷位置阈值重合度最大的历史缺陷类型样本对应缺陷位置作为目标缺陷位置,将对应历史缺陷类型样本作为修正目标缺陷类型;
根据所述修正目标缺陷类型作为更新后的目标缺陷类型在各类型电力设备缺陷排除措施库中匹配获得缺陷排除措施单。
需要说明的是,根据电力设备的目标缺陷类型在电力设备缺陷数据库中进行匹配,若匹配失败,则说明电力设备的目标缺陷类型与数据库中所有各类型电力设备的历史缺陷类型都不符合,则判定电力设备的目标缺陷类型对应缺陷位置判断不准确,需重新选择电力设备的运行状态图片并进行处理获得修正缺陷位置,再将修正缺陷位置与原始判断的缺陷位置进行对比,若对比相似度大于预设值,则说明获得的修正缺陷位置仍不准确,需进行再次修正,若对比相似度小于预设值,则说明修正缺陷位置准确,修正结果有效,根据修正缺陷位置结合缺陷点特征在电力设备缺陷数据库中进行阈值对比获得符合阈值重合度要求的历史缺陷类型的缺陷位置作为目标缺陷位置,将该历史缺陷类型作为电力设备修正目标缺陷类型,并获取修正目标缺陷类型对应的缺陷排除措施单。
根据本发明实施例,还包括:
建立无人机摄像电力设备数据库,所述无人机摄像电力设备数据库包括各类型电力设备在各种环境特征下的运行状态摄像视频;
所述环境特征包括对应摄像时间下的天气、季节、光线、地形、海拔等环境参数;
根据无人机摄像电力设备数据库的各类型电力设备的运行状态摄像视频进行逐帧提取获得各类型电力设备的运行状态图片,对运行状态图片根据所述类型电力设备的环境特征进行修正获得电力设备修正运行状态图片;
根据各类型电力设备所述电力设备修正运行状态图片建立电力设备运行状态图片库,所述电力设备运行状态图片库包括各类型电力设备在各种环境特征下的运行状态图片样本。
需要说明的是,建立各类型电力设备在各种环境下的运行状态图片库方便根据气候、地形、季节、海拔等不同环境下的各类型电力设备的运行状态进行图片收集,也便于对无人机发出指令有针对性进行各类型电力设备巡查工作,同时也利于根据环境条件判断不同类型电力设备的故障高发率,具体为根据收集的各类型电力设备在各种环境特征下的运行状态摄像视频建立无人机摄像电力设备数据库,对运行状态摄像视频逐帧提取获得对应类型电力设备的运行状态图片,并根据类型电力设备状态图片采集所处的环境特征进行修正得到电力设备修正运行状态图片,合成电力设备运行状态图片库。
根据本发明实施例,还包括:
若目标缺陷类型在电力设备缺陷数据库中匹配失败,则获取的电力设备运行状态图片的设备类型分类不准确;
提取所述电力设备运行状态图片对应的运行状态视频进行无人机摄像时的环境特征;
调取无人机摄像的电力设备运行状态摄像视频逐帧提取的运行状态图片,对所述运行状态图片与对应无人机摄像时间点的环境特征进行加权;
根据加权后的运行状态图片与电力设备运行状态图片库中的电力设备运行状态图片样本进行相似度对比,获取与所述加权后的运行状态图片相似度最大的电力设备运行状态图片样本作为目标电力设备运行状态图片;
将所述目标电力设备运行状态图片对应的电力设备类型作为电力设备的修正设备类型。
需要说明的是,若电力设备的目标缺陷类型在电力设备缺陷数据库中匹配失败则说明针对电力设备运行状态图片的设备类型分类不准确,提取获取电力设备运行状态图片对应运行状态视频进行无人机摄像时的环境特征,重新调取无人机摄像的电力设备运行状态摄像视频逐帧提取的运行状态图片,对运行状态图片与摄像时间点的环境特征进行加权,将加权后的运行状态图片与电力设备运行状态图片库中的电力设备运行状态图片样本进行相似度对比,将相似度最大的电力设备运行状态图片作为目标电力设备运行状态图片,其对应的电力设备类型作为电力设备的修正后的设备类型分类,其中,相似度对比可以是余弦相似度、欧几里德相似度或其他。
根据本发明实施例,还包括:
无人机在巡查某一类型电力设备时,获取所述某一类型电力设备所处的天气、季节、地形、海拔环境参数;
根据所述环境参数在电力设备缺陷数据库中查询某一类型电力设备在所述环境参数下的历史缺陷类型样本;
根据所述某一类型电力设备的历史缺陷类型样本进行区间统计,获取缺陷类型出现概率大于预设阈值的历史缺陷类型样本作为标记缺陷类型;
根据所述标记缺陷类型的对应缺陷位置向无人机发出巡查指令;
无人机根据所述巡查指令对所述对应缺陷位置进行巡查。
需要说明的是,当需要发出巡查指令控制无人机进行电力设备缺陷故障巡查时,为提高无人机巡查有效性和准确率,可根据电力设备所处的环境特征如季节、天气、地形、时间点等查询同等历史条件下该电力设备发生缺陷故障率较高的缺陷位置或故障点而进行有针对性的巡查,可根据电力设备缺陷数据库中数据输入当前环境特征查询同等历史条件下电力设备的历史缺陷类型,并统计出历史缺陷类型出现概率较大的缺陷类型进行标记,根据标记的缺陷类型对应缺陷位置数据向无人机发出巡查指令实现有针对性的高效巡查。
根据本发明实施例,还包括:
建立电力设备缺陷数据库;
所述电力设备缺陷数据库包括各类型电力设备在各种环境特征下产生的缺陷点特征对应的历史缺陷类型数据,并对各类型电力设备进行缺陷点特征发生频次统计,获取高频次缺陷点特征对应的各类型电力设备历史缺陷类型数据;
根据所述各类型电力设备历史缺陷类型数据统计各类型电力设备的高频次缺陷点特征产生时的环境特征;
所述环境特征包括时间、天气、季节、光线、地形、海拔等环境参数中的一种或几种;
根据各类型电力设备的实时环境特征在电力设备缺陷数据库进行相似度查询,查询所述电力设备缺陷数据库中满足相似度的环境特征是否存在对应高频次缺陷点特征,并获取高频次缺陷点特征对应的历史缺陷类型数据以及电力设备类型;
根据获取类型的电力设备的对应高频次缺陷点特征和缺陷位置对无人机发出巡查指令;
无人机根据所述巡查指令对电力设备的高频次缺陷点特征和缺陷位置进行巡查。
需要说明的是,不同类型电力设备在不同环境条件下的缺陷点特征和缺陷位置存在差异,但针对同一环境条件可统计出各类型电力设备在某一环境条件下的高发缺陷,并可明确该高发缺陷的对应缺陷点特征和缺陷位置,再控制无人机进行有针对性巡查,可在极端突发环境条件变化下实现无人机快速高效寻找到缺陷点或故障位置,有效提升电力设备运行安全性,具体为:建立电力设备缺陷数据库,包括各类型电力设备在各种环境特征下产生的缺陷点特征,和其对应的历史缺陷类型数据,并对各类型电力设备进行缺陷点特征发生频次统计获取高频次缺陷点特征对应的各类型电力设备历史缺陷类型数据,该统计数据可以明确得知各类型电力设备的高频次缺陷点特征产生时所处的环境特征,包括时间、天气、季节、光线、地形、海拔等环境参数中的一种或几种,当需要查询某类型电力设备在实时环境下的高频次缺陷点以及缺陷位置时,将电力设备所处的实时环境特征输入电力设备缺陷数据库进行相似度查询,查询该实时环境特征在数据库中是否存在对应高频次缺陷点特征,如有查询其对应的历史缺陷类型数据以及电力设备类型,再根据对应类型电力设备的高频次目标缺陷点和缺陷位置对无人机发出巡查指令,控制无人机对电力设备的目标缺陷点和缺陷位置进行巡查,可大大提升应对环境变化下的电力设备缺陷故障巡查成效,提升电力设备运行安全性。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质中包括一种电力设备缺陷识别方法程序,电力设备缺陷识别方法程序被处理器执行时,实现如上述的一种电力设备缺陷识别方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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,本申请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全部或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,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电力设备缺陷识别方法,其特征在于,包括以下步骤:
通过无人机获取电力设备的运行状态图片;
对所述运行状态图片进行预处理,从而得到预处理图像集;
将所述预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型;
基于预存的缺陷措施库调用所述目标缺陷类型进行匹配,输出对应的缺陷排除措施单。
2.根据权利要求1所述的电力设备缺陷识别方法,其特征在于,所述获取电力设备的运行状态图片的步骤具体包括:
建立由多个信号中继器构成的有线通信连接网络,所述信号中继器与所述无人机无线通信连接;
基于所述信号中继器实时接收所述无人机拍摄的所述电力设备的运行状态的摄像视频;
将所述摄像视频进行逐帧提取,得到所述电力设备的运行状态图片。
3.根据权利要求1所述的电力设备缺陷识别方法,其特征在于,所述对所述运行状态图片进行预处理,从而得到预处理图像集的步骤具体包括:
对所述运行状态图片进行设备类型分类;
对分类后的所述运行状态图片进行图像二值化处理得到灰度图;
通过预设的图像增强机制对所述灰度图进行图像增强,从而得到所述预处理图像集,所述预处理图像集包含缺陷位置。
4.根据权利要求3所述的电力设备缺陷识别方法,其特征在于,所述将所述预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型的步骤具体包括:
将所述预处理图像集输入到预先训练好的所述缺陷识别神经网络中进行识别,得到图像形状特征与缺陷点特征;
基于所述图像形状特征与所述缺陷点特征,根据所述缺陷位置得到所述目标缺陷类型。
5.根据权利要求4所述的电力设备缺陷识别方法,其特征在于,所述将所述预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型的步骤之前还包括:
获取至少一种类型的所述电力设备的历史缺陷数据,所述历史缺陷数据包括图像形状特征和缺陷点特征;
将所述历史缺陷数据进行增广操作处理,得到训练样本集;
将所述训练样本集输入至初始化后的卷积神经网络中进行训练,输出目标缺陷类型;
获取输出目标缺陷类型的准确率;
若所述准确率大于预设的准确率阈值,则停止训练,得到缺陷识别神经网络。
6.根据权利要求1所述的电力设备缺陷识别方法,其特征在于,所述目标缺陷类型包括导线脱落、过桥接驳断裂、瓷担断裂、瓷瓶放电破损以及避雷器与隔离开关异常。
7.一种电力设备缺陷识别***,其特征在于,包括:
获取模块,用于通过无人机获取电力设备的运行状态图片;
预处理模块,用于对所述运行状态图片进行预处理,从而得到预处理图像集;
缺陷识别模块,用于将所述预处理图像集输入到预先训练好的缺陷识别神经网络中,以获得目标缺陷类型;
措施输出模块,用于基于预存的缺陷措施库调用所述目标缺陷类型进行匹配,输出对应的缺陷排除措施单。
8.根据权利要求7所述的电力设备缺陷识别***,其特征在于,所述获取模块具体包括:
通信子模块,用于建立由多个信号中继器构成的有线通信连接网络,所述信号中继器与所述无人机无线通信连接;
视频接收子模块,用于基于所述信号中继器实时接收所述无人机拍摄的所述电力设备的运行状态的摄像视频;
提取子模块,用于将所述摄像视频进行逐帧提取,得到所述电力设备的运行状态图片。
9.根据权利要求7所述的电力设备缺陷识别***,其特征在于,所述预处理模块具体包括:
分类子模块,用于对所述运行状态图片进行设备类型分类;
二值化子模块,用于对分类后的所述运行状态图片进行图像二值化处理得到灰度图;
图像处理子模块,用于通过预设的图像增强机制对所述灰度图进行图像增强,从而得到所述预处理图像集,所述预处理图像集包含缺陷位置。
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中包括一种电力设备缺陷识别方法程序,所述电力设备缺陷识别方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种电力设备缺陷识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089935.8A CN113538434B (zh) | 2021-09-17 | 2021-09-17 | 一种电力设备缺陷识别方法、***和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089935.8A CN113538434B (zh) | 2021-09-17 | 2021-09-17 | 一种电力设备缺陷识别方法、***和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538434A true CN113538434A (zh) | 2021-10-22 |
CN113538434B CN113538434B (zh) | 2022-01-25 |
Family
ID=78093319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111089935.8A Active CN113538434B (zh) | 2021-09-17 | 2021-09-17 | 一种电力设备缺陷识别方法、***和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538434B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115566236A (zh) * | 2022-12-05 | 2023-01-03 | 广东电网有限责任公司江门供电局 | 一种电池储能***运行控制方法、装置、设备和介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815647A (zh) * | 2016-12-28 | 2017-06-09 | 国家电网公司 | 一种基于数据分析的高效率配电网故障抢修***及方法 |
CN107809589A (zh) * | 2017-11-08 | 2018-03-16 | 天津市普迅电力信息技术有限公司 | 一种电力线路无人机巡检作业辅助支持工具 |
US20180232601A1 (en) * | 2017-02-16 | 2018-08-16 | Mitsubishi Electric Research Laboratories, Inc. | Deep Active Learning Method for Civil Infrastructure Defect Detection |
KR20190108832A (ko) * | 2018-03-15 | 2019-09-25 | (주)니어스랩 | 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법 |
CN110689531A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 |
CN110807359A (zh) * | 2019-09-19 | 2020-02-18 | 江苏濠汉信息技术有限公司 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
CN210112002U (zh) * | 2019-05-09 | 2020-02-21 | 广东电网有限责任公司 | 一种用于配电线路的无人机信号中继箱 |
CN111726577A (zh) * | 2020-05-29 | 2020-09-29 | 孝感市光源电力集团有限责任公司 | 基于无人机巡查的配电网工程审计方法 |
US20210266461A1 (en) * | 2018-07-04 | 2021-08-26 | c/o H3 DYNAMICS PTE. LTD. | Defect detection system using a camera equipped uav for building facades on complex asset geometry with optimal automatic obstacle deconflicted flightpath |
-
2021
- 2021-09-17 CN CN202111089935.8A patent/CN113538434B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815647A (zh) * | 2016-12-28 | 2017-06-09 | 国家电网公司 | 一种基于数据分析的高效率配电网故障抢修***及方法 |
US20180232601A1 (en) * | 2017-02-16 | 2018-08-16 | Mitsubishi Electric Research Laboratories, Inc. | Deep Active Learning Method for Civil Infrastructure Defect Detection |
CN107809589A (zh) * | 2017-11-08 | 2018-03-16 | 天津市普迅电力信息技术有限公司 | 一种电力线路无人机巡检作业辅助支持工具 |
KR20190108832A (ko) * | 2018-03-15 | 2019-09-25 | (주)니어스랩 | 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법 |
US20210266461A1 (en) * | 2018-07-04 | 2021-08-26 | c/o H3 DYNAMICS PTE. LTD. | Defect detection system using a camera equipped uav for building facades on complex asset geometry with optimal automatic obstacle deconflicted flightpath |
CN210112002U (zh) * | 2019-05-09 | 2020-02-21 | 广东电网有限责任公司 | 一种用于配电线路的无人机信号中继箱 |
CN110807359A (zh) * | 2019-09-19 | 2020-02-18 | 江苏濠汉信息技术有限公司 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
CN110689531A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 |
CN111726577A (zh) * | 2020-05-29 | 2020-09-29 | 孝感市光源电力集团有限责任公司 | 基于无人机巡查的配电网工程审计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115566236A (zh) * | 2022-12-05 | 2023-01-03 | 广东电网有限责任公司江门供电局 | 一种电池储能***运行控制方法、装置、设备和介质 |
CN115566236B (zh) * | 2022-12-05 | 2023-03-24 | 广东电网有限责任公司江门供电局 | 一种电池储能***运行控制方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113538434B (zh) | 2022-01-25 |
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 | |
CN109544501B (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 | |
CN107766801B (zh) | 一种基于红外热点追踪的绝缘子识别方法及装置 | |
CN111292321A (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
CN113538434B (zh) | 一种电力设备缺陷识别方法、***和可读存储介质 | |
CN115359239A (zh) | 风电叶片缺陷检测定位方法、装置、存储介质和电子设备 | |
CN114943841A (zh) | 一种基于图像识别辅助作业安全管控的方法及装置 | |
CN113888462A (zh) | 一种裂纹识别方法、***、可读介质及存储介质 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN109447946B (zh) | 一种架空通信光缆异常检测方法 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别*** | |
CN115359449B (zh) | 一种转辙机道岔缺口图像的自动识别方法和*** | |
CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 | |
CN112235589B (zh) | 网络直播识别方法、边缘服务器、计算机设备及存储介质 | |
CN114061476A (zh) | 一种输电线路绝缘子挠度检测方法 | |
CN111652055B (zh) | 一种基于两阶段定位的开关仪表智能识别方法 | |
CN116188348A (zh) | 裂缝检测方法、装置及设备 | |
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 | |
CN111160066B (zh) | 人脸识别方法、装置、设备和介质 | |
CN113034021A (zh) | 基于机巡数据的输电线路缺陷分析方法及*** | |
CN117953434B (zh) | 基于智能网关的输电线路外力破坏监测方法及*** | |
CN114333345B (zh) | 停车位被遮挡时的预警方法、设备、存储介质及程序产品 | |
CN116229369B (zh) | 人流量的检测方法、装置、设备及计算机可读存储介质 | |
CN117057377B (zh) | 码的识别匹配方法 | |
CN117632937B (zh) | 一种工业互联网大数据平台及数据处理方法 |
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 |