发明内容
以下是对本申请实施例详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供一种油浸式互感器的检测方法、设备及存储介质,能够有效提升油浸式互感器检测的便捷性和准确性。
第一方面,本申请实施例提供一种油浸式互感器的检测方法,包括:
获取油浸式互感器当前图像信息;
根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息;
根据所述油浸式互感器当前图像信息和油量识别算法,识别得到油量信息;
根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息;
根据所述渗漏油信息、油量信息和油色信息,得到油浸式互感器的当前状态信息。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息,包括:
根据所述油浸式互感器当前图像信息,分割得到单个套管图像;
提取所述单个套管图像各个像素点的RGB值;
根据像素点的RGB值和套管外观识别模型,判断该像素点是否为渗漏油区域;
根据判断结果,生成渗漏油信息。
在一可选的实施方式中,所述提取所述单个套管图像各个像素点的RGB值之前,还包括:
提取所述单个套管图像各个像素点的HSV值;
根据像素点的HSV值,判断该像素点是否为背景区域。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息之前,还包括:
获取用于套管外观识别模型训练的第一样本集;其中,所述第一样本集包括第一训练集和第一测试集,所述第一训练集包括多个套管图像,套管图像分为正常套管图像和渗漏油套管图像,且所述正常套管图像和渗漏油套管图像数量相等;
提取套管图像的方向梯度直方图特征;
将所述方向梯度直方图特征输入线性支持向量机进行训练,得到第一初始线性支持向量机模型;
利用正常套管图像、渗漏油套管图像和所述第一初始线性支持向量机模型,得到套管外观识别模型;
利用第一测试集对套管外观识别模型进行测试。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和油量识别算法,识别得到油量信息,包括:
根据所述油浸式互感器当前图像信息,分割得到单个油量计图像;
将所述单个油量计图像转换为二值化图像;
识别二值化图像中灰度区域和刻度线段;
识别所述灰度区域对应的刻度线段的数量;
根据所述数量得到油量信息。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息,包括:
根据所述油浸式互感器当前图像信息,分割得到单个油量计图像;
提取所述单个油量计图像各个像素点的HSV值;
根据像素点的HSV值,判断该像素点是否为背景区域;
若该像素点不为背景区域,提取该像素点的RGB值;
根据像素点的RGB值和油色识别模型,判断该像素点是否为油色正常区域;
根据判断结果,生成油色信息。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息之前,还包括:
获取用于油色识别模型训练的第二样本集;其中,所述第二样本集包括第二训练集和第二测试集,所述第二训练集包括多个油量计图像,油量计图像分为正常油量计图像和异常油量计图像,且所述正常油量计图像和异常油量计图像数量相等;
提取油量计图像的方向梯度直方图特征;
将所述方向梯度直方图特征输入线性支持向量机进行训练,得到第二初始线性支持向量机模型;
利用正常油量计图像、异常油量计图像和所述第二初始线性支持向量机模型,得到油色识别模型;
利用第二测试集对油色识别模型进行测试。
第二方面,本申请还提供一种油浸式互感器的检测装置,包括:
获取模块,获取油浸式互感器当前图像信息;
渗漏油识别模块,根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息;
油量识别模块,根据所述油浸式互感器当前图像信息和油量识别算法,识别得到油量信息;
油色识别模块,根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息;
状态获取模块,根据所述渗漏油信息、油量信息和油色信息,得到油浸式互感器的当前状态信息。
第三方面,本申请实施例提供一种电子设备,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,处理器执行计算机程序时实现:
如第一方面的油浸式互感器的检测方法。
第四方面,本申请实施例提供一种计算机可读存储介质,存储有计算机可执行指令,其特征在于,计算机可执行指令用于执行:
如第一方面的油浸式互感器的检测方法。
本申请实施例第一方面提供一种油浸式互感器的检测方法,包括:获取油浸式互感器当前图像信息;根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息;根据所述油浸式互感器当前图像信息和油量识别算法,识别得到油量信息;根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息;根据所述渗漏油信息、油量信息和油色信息,得到油浸式互感器的当前状态信息。本申请实施例通过利用油浸式互感器当前图像信息和多种图像分析算法,有效识别油浸式互感器的渗漏油、油量、油色信息,从而得到油浸式互感器的状态信息,能够有效提升油浸式互感器检测的便捷性和准确性;而且由于只需要获取油浸式互感器当前图像信息,因此实现简单,硬件成本低。
可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请实施例。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请实施例的描述。
需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是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。
还应当理解,在本申请实施例说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请实施例的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
变电站是电力***的重要组成部分,变电站的安全可靠运行对维持电力***的稳定运行具有十分重要的意义。专业变电站工作者为变电站保持良好运行的关键基础,同时科学合理的变电站巡检为此活动顺利进行的重要基础。
电流互感器是变电站中重要的一次设备,它通过将一次***的高电压和大电流按比例变换成低电压和小电流,供给测量仪表和保护装置,来对电力设备的运行情况进行监视和测量。由于油浸式电流互感器具有成本低、动热稳定性好等优点,越来越多地被电力***所应用。
然而,油浸式互感器的故障如果未能及时排查,容易引发事故,其中包括油浸倒立式电流互感器喷油着火事故,倒立式电流互感器泄漏问题等,给电力企业造成了重大经济损失、也给供电稳定性造成了很大威胁。这就更需要使用有效的检测方法来对变电站中的油浸式互感器设备进行严格检测,防止发生影响电力***生产运行的事故发生。
目前,油浸式互感器的巡检工作一般采用人工现场检查,由于运行工作人员数量有限,设备分布地域面积广、变电站距离路程远,因巡检工作造成人员任务重,工作效率低。
为此,本申请实施例提供一种油浸式互感器的检测方法、装置、设备及存储介质。其中,油浸式互感器的检测方法,包括:获取油浸式互感器当前图像信息;根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息;根据所述油浸式互感器当前图像信息和油量识别算法,识别得到油量信息;根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息;根据所述渗漏油信息、油量信息和油色信息,得到油浸式互感器的当前状态信息。本申请实施例通过利用油浸式互感器当前图像信息和多种图像分析算法,有效识别油浸式互感器的渗漏油、油量、油色信息,从而得到油浸式互感器的状态信息,能够有效提升油浸式互感器检测的便捷性和准确性;而且由于只需要获取油浸式互感器当前图像信息,因此实现简单,硬件成本低。
参照图1,如图1所示,图1是本申请一个实施例提供的用于执行油浸式互感器的检测方法的***架构的示意图。在图1的示例中,该***架构包括处理器110和摄像装置120。
其中,处理器110与摄像装置120通信连接。本申请一个实施例提供的处理器110可以是电子设备的神经中枢和指挥中心。电子设备可以是服务器或终端设备。其中,服务器可以是独立的物理实体,也可以是逻辑上的实体。服务器可以包括管理服务器、数据库服务器、流媒体服务器等。终端设备可以为移动终端设备,也可以为非移动终端设备。移动终端设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载终端设备、可穿戴设备、超级移动个人计算机、上网本、个人数字助理等;非移动终端设备可以为个人计算机、电视机、柜员机或者自助机等处理器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。处理器可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),处理器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了***的效率。
摄像装置120与处理器110通信连接。本申请一个实施例提供的摄像装置120可以将采集到的图像信息传输给处理器110处理。也可以接收来自处理器110的控制指令以执行相应操作。在一些实施例中,摄像装置120可以固定机位拍摄油浸式互感器,例如,摄像装置120可以设置在龙门架或支架或建筑物楼顶,设置为拍摄油浸式互感器的预置位,摄像装置120可以带有高清摄像头,以采集得到高清的油浸式互感器当前图像信息。
本申请实施例描述的***架构以及应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着***架构的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,上述硬件平台并不构成对本申请实施例的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
上述硬件平台中,处理器110可以调用其储存的油浸式互感器的检测程序,以执行油浸式互感器的检测方法。
参照图2,本申请实施例提供一种油浸式互感器的检测方法,探测器包括摄像装置,方法包括:
第一方面,本申请实施例提供一种油浸式互感器的检测方法,包括:
S1100,获取油浸式互感器当前图像信息;
S1200,根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息;
S1300,根据所述油浸式互感器当前图像信息和油量识别算法,识别得到油量信息;
S1400,根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息;
S1500,根据所述渗漏油信息、油量信息和油色信息,得到油浸式互感器的当前状态信息。
在一些实施例中,如图4所示,油浸式互感器100为电流互感器,油浸式互感器100外表面设置有套管101,油量计102可以设置在油浸式互感器100的上方或下方或侧方,油量计102采用带有刻度的油量计,油量计102内部填充的油位高低用于指示油存量。
在一些实施例中,S1100中,可以获取来自摄像装置120的油浸式互感器当前图像信息。固定机位。摄像装置120可以固定机位拍摄油浸式互感器,例如,摄像装置120可以设置在龙门架或支架或建筑物楼顶,设置为拍摄油浸式互感器的预置位,摄像装置120可以带有高清摄像头,以采集得到高清的油浸式互感器当前图像信息。油浸式互感器当前图像信息的清晰程度至少要能够放到后能够看清油量计的刻度,在最大程度保证油浸式互感器的套管和油量计都可以清晰显示,以便后续的分析检测。由于摄像装置120的拍摄机位固定,油浸式互感器在图像中的位置也相对固定,有利于识别和分割单个油浸式互感器图像。
在一些实施例中,步骤S1200、S1300、S1400根据油浸式互感器当前图像信息,从渗漏油、油量、油色三个维度进行故障检测,得到对应的渗漏油信息、油量信息、油色信息三个状态信息。实现对渗漏油状态、油量状态、油色状态的检测。
在一些实施例中,S1500可以将渗漏油信息、油量信息、油色信息作为当前状态信息直接输出,也可以形成判断信息(如有无故障)后输出。
本申请实施例通过利用油浸式互感器当前图像信息和多种图像分析算法,有效识别油浸式互感器的渗漏油、油量、油色信息,从而得到油浸式互感器的状态信息,能够有效提升油浸式互感器检测的便捷性和准确性;而且由于只需要获取油浸式互感器当前图像信息,因此实现简单,硬件成本低。
下列分别描述渗漏油、油量、油色三个维度进行故障检测的方法。
一、渗漏油故障检测
在一些实施例中,进行渗漏油故障检测之前需要先训练得到套管外观识别模型。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息之前,还包括套管外观识别模型训练步骤,具体包括:
S1271,获取用于套管外观识别模型训练的第一样本集;其中,所述第一样本集包括第一训练集和第一测试集,所述第一训练集包括多个套管图像,套管图像分为正常套管图像和渗漏油套管图像,且所述正常套管图像和渗漏油套管图像数量相等;
S1272,提取套管图像的方向梯度直方图特征;
S1273,将所述方向梯度直方图特征输入线性支持向量机进行训练,得到第一初始线性支持向量机模型;
S1274,利用正常套管图像、渗漏油套管图像和所述第一初始线性支持向量机模型,得到套管外观识别模型;
S1275,利用第一测试集对套管外观识别模型进行测试。
在一些实施例中,可预先在采集多张套管图像,可拍摄多张(如600张)不同故障状态、不同光照条件下的套管图像,作为第一样本集。由于相机拍摄的套管图像中含若干个套管,且图像中可能含噪声,因此需要进行图像分割。本申请实施例通过采用图像压缩、二值化、边缘轮廓检测等方法实现了图像分割。在对多幅多套管图像进行图像分割后,对这些套管图像进行图像增强并将其分辨率统一调整为64×64像素。然后将这些图像随机分为第一训练集和第一测试集,其中训练集占80%,如480张,测试集占20%,,如120张,且训练集和测试集中正常套管图像、渗漏油套管图像各占50%。
在进行图像分类时,首先要对图像提取特征。由于方向梯度直方图算法提取到的特征可以很好地描述图像的局部纹理,因此本申请实施例提取了套管图像的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征。然后与支持向量机(Support VectorMachine,SVM)进行结合,从而构建出第一初始线性支持向量机模型。HOG算法是通过统计图像局部区域的梯度方向直方图,并将其表示为特征向量的算法。在检测窗口大小为64*64像素、每个块包含4个细胞、块滑动步长为1个细胞大小、细胞中梯度方向数为9的条件下,提取到的HOG维数dim(HOG)与细胞大小n*n的关系如下式所示:
可获得的HOG特征维数为8100、1764、324、36。
由于线性SVM模型相对非线性SVM模型较为简单,无需设置核参数和惩罚参数,因此本申请实施例在构建套管破损识别算法时首先选择线性SVM模型。本申请实施例在MATLAB平台上,首先对套管图像进行灰度化,然后将提取到的HOG特征输入到线性SVM模型中进行训练。
为了方便选择适合HOG特征的最佳细胞大小,同时加快模型训练速度,本申请实施例采用PCA(principal component analysis,主成分分析)算法对不同维数的HOG特征统一降维至36维。再对特征进行归一化。在训练第一初始线性支持向量机模型时,采用5折交叉验证的方式获得5折平均准确率。
在一些实施例中,本申请基于支持向量机(Support Vector Machine,SVM)对套管图像是否存在渗漏油现象进行识别。以单个套管为识别对象,根据套管是否存在渗漏油情况将套管分为2类:正常套管和渗漏油套管。本申请的分类目标是根据套管表面渗漏油的情况,将套管分为正常套管和渗漏油套管2类。
由于正常套管的颜色与套管渗漏油区域的颜色差别较大,因此本申请实施例将训练集中套管正常及套管渗漏油区域颜色的RGB值分别作为正、负样本,利用第一初始线性支持向量机模型来寻找可以区分这2类颜色的RGB分割平面。得到的颜色分割平面(套管外观识别模型)的表达式如下式所示:
0.32×R+0.43×G+0.37×B+1.4=0。
S1275,利用第一测试集对套管外观识别模型进行测试,以对外观识别模型。在评价分类结果时采用的指标为准确率,准确率定义如下式所示:
准确率=分类正确的样本数量/所有样本数量×100%;
当对套管图像识别的准确率即可达到预设值(如80%),即可投入使用进行检测。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息,包括:
S1210,根据所述油浸式互感器当前图像信息,分割得到单个套管图像;
S1220,提取所述单个套管图像各个像素点的RGB值;
S1230,根据像素点的RGB值和套管外观识别模型,判断该像素点是否为渗漏油区域;
S1240,根据判断结果,生成渗漏油信息。
在一些实施例中,S1210可以通过采用图像压缩、二值化、边缘轮廓检测等方法实现图像分割,得到单个套管图像。
线性SVM模型(油色识别模型)获得的分割平面可以很好地将不同套管渗漏油状态、不同光照条件下获得的正样本(套管正常区域的RGB值)与负样本(套管渗漏油区域的RGB值)区分开来。因此在得到颜色分割平面(油色识别模型)之后,便可以区分套管图像的正常区域颜色与渗漏油区域颜色。
在一可选的实施方式中,所述提取所述单个套管图像各个像素点的RGB值之前,还包括:
S1250,提取所述单个套管图像各个像素点的HSV值;
S1260,根据像素点的HSV值,判断该像素点是否为背景区域。
在一些实施例中,套管图像中还包含白色或浅色背景,这种背景像素点的典型特点是:在HSV(HSV即色相(Hue)、饱和度(Saturation)、亮度(Value))颜色空间中的S分量值很小。本申请实施例认为若像素点的S分量值小于预设值(如0.2),即认定为背景像素点,则直接判断结束,无需再执行步骤S1210至S1240。
在一些实施例中,如果判断存在像素点为渗漏油区域,即可输出渗漏油信息为存在渗漏油故障;在另一些实施例中,如果判断存在超过预设比例的像素点为渗漏油区域,可输出渗漏油信息为存在渗漏油故障。
二、油量检测
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和油量识别算法,识别得到油量信息,包括:
S1310,根据所述油浸式互感器当前图像信息,分割得到单个油量计图像;
S1320,将所述单个油量计图像转换为二值化图像;
S1330,识别二值化图像中灰度区域和刻度线段;
S1340,识别所述灰度区域对应的刻度线段的数量;
S1350,根据所述数量得到油量信息。
在一些实施例中,S1310和S1320可以通过采用图像压缩、二值化、边缘轮廓检测等方法实现图像分割,得到单个油量计图像。二值化图像去噪后,一般只剩下刻度线段信息和油位填充部分的灰度区域,由于刻度线段均为预设的刻度线段,方便识别,只需要识别所述灰度区域对应的刻度线段的数量,即可得到油量信息。
三、油色检测
在实践过程中,如果油色出现异常,可能油质发生变化,如不及时处理,容易引发事故。因此,可通过油色检测排查。
在一些实施例中,进行油色检测之前需要先训练得到油色识别模型。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息之前,还包括:
S1471,获取用于油色识别模型训练的第二样本集;其中,所述第二样本集包括第二训练集和第二测试集,所述第二训练集包括多个油量计图像,油量计图像分为正常油量计图像和异常油量计图像,且所述正常油量计图像和异常油量计图像数量相等;
S1472,提取油量计图像的方向梯度直方图特征;
S1473,将所述方向梯度直方图特征输入线性支持向量机进行训练,得到第二初始线性支持向量机模型;
S1474,利用正常油量计图像、异常油量计图像和所述第二初始线性支持向量机模型,得到油色识别模型;
S1475,利用第二测试集对油色识别模型进行测试。
在一些实施例中,可预先在采集多张油量计图像,可拍摄多张(如600张)不同故障状态、不同光照条件下的油量计图像,作为第二样本集。由于相机拍摄的油量计图像中含若干个油量计,且图像中可能含噪声,因此需要进行图像分割。本申请实施例通过采用图像压缩、二值化、边缘轮廓检测等方法实现了图像分割。在对多幅多油量计图像进行图像分割后,对这些油量计图像进行图像增强并将其分辨率统一调整为64×64像素。然后将这些图像随机分为第二训练集和第二测试集,其中训练集占80%,如480张,测试集占20%,,如120张,且训练集和测试集中正常油量计图像、油色异常油量计图像各占50%。
在进行图像分类时,首先要对图像提取特征。由于方向梯度直方图算法提取到的特征可以很好地描述图像的局部纹理,因此本申请实施例提取了油量计图像的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征。然后与支持向量机(Support VectorMachine,SVM)进行结合,从而构建出第二初始线性支持向量机模型。HOG算法是通过统计图像局部区域的梯度方向直方图,并将其表示为特征向量的算法。在检测窗口大小为64*64像素、每个块包含4个细胞、块滑动步长为1个细胞大小、细胞中梯度方向数为9的条件下,提取到的HOG维数dim(HOG)与细胞大小n*n的关系如下式所示:
可获得的HOG特征维数为8100、1764、324、36。
由于线性SVM模型相对非线性SVM模型较为简单,无需设置核参数和惩罚参数,因此本申请实施例在构建油量计破损识别算法时首先选择线性SVM模型。本申请实施例在MATLAB平台上,首先对油量计图像进行灰度化,然后将提取到的HOG特征输入到线性SVM模型中进行训练。
为了方便选择适合HOG特征的最佳细胞大小,同时加快模型训练速度,本申请实施例采用PCA(principal component analysis,主成分分析)算法对不同维数的HOG特征统一降维至36维。再对特征进行归一化。在训练第二初始线性支持向量机模型时,采用5折交叉验证的方式获得5折平均准确率。
在一些实施例中,本申请基于支持向量机(Support Vector Machine,SVM)对油量计图像是否存在油色异常现象进行识别。以单个油量计为识别对象,根据油量计是否存在油色异常情况将油量计分为2类:正常油量计和油色异常油量计。本申请的分类目标是根据油量计表面油色异常的情况,将油量计分为正常油量计和油色异常油量计2类。
由于正常油量计的颜色与油量计油色异常区域的颜色差别较大,因此本申请实施例将训练集中油量计正常及油量计油色异常区域颜色的RGB值分别作为正、负样本,利用第二初始线性支持向量机模型来寻找可以区分这2类颜色的RGB分割平面。得到的颜色分割平面(油量计外观识别模型)的表达式如下式所示:
0.15×R+0.38×G+0.47×B+3.5=0。
S1275,利用第二测试集对油量计外观识别模型进行测试,以对外观识别模型。在评价分类结果时采用的指标为准确率,准确率定义如下式所示:
准确率=分类正确的样本数量/所有样本数量×100%;
当对油量计图像识别的准确率即可达到预设值(如80%),即可投入使用进行油色检测。
在一可选的实施方式中,所述根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息,包括:
S1410,根据所述油浸式互感器当前图像信息,分割得到单个油量计图像;
S1420,提取所述单个油量计图像各个像素点的HSV值;
S1430,根据像素点的HSV值,判断该像素点是否为背景区域;
S1440,若该像素点不为背景区域,提取该像素点的RGB值;
S1450,根据像素点的RGB值和油色识别模型,判断该像素点是否为油色正常区域;
S1460,根据判断结果,生成油色信息。
在一些实施例中,S1410可以通过采用图像压缩、二值化、边缘轮廓检测等方法实现图像分割,得到单个油量计图像。
在一些实施例中,油量计图像中还包含白色或浅色背景,这种背景像素点的典型特点是:在HSV(HSV即色相(Hue)、饱和度(Saturation)、亮度(Value))颜色空间中的S分量值很小。本申请实施例认为若像素点的S分量值小于预设值(如0.2),即认定为背景像素点,则直接判断结束,无需再执行步骤S1440至S1460;如果S分量值大于或等于预设值(如0.2),则继续执行步骤S1440至S1460。
在一些实施例中,如果判断存在像素点为油色异常区域,即可输出油色异常信息为存在油色异常故障;在另一些实施例中,如果判断存在超过预设比例的像素点为油色异常区域,可输出油色异常信息为存在油色异常故障。
线性SVM模型获得的分割平面(油色识别模型)可以很好地将不同油量计油色异常状态、不同光照条件下获得的正样本(油量计正常区域的RGB值)与负样本(油量计油色异常区域的RGB值)区分开来。因此在得到颜色分割平面(油色识别模型)之后,便可以区分油量计图像的正常区域颜色与油色异常区域颜色。
本申请实施例通过利用油浸式互感器当前图像信息和多种图像分析算法,有效识别油浸式互感器的渗漏油、油量、油色信息,从而得到油浸式互感器的状态信息,能够有效提升油浸式互感器检测的便捷性和准确性;而且由于只需要获取油浸式互感器当前图像信息,因此实现简单,硬件成本低。
另外,参照图3,本申请实施例还提供一种油浸式互感器的检测装置,包括:
获取模块111,获取油浸式互感器当前图像信息;
渗漏油识别模块112,根据所述油浸式互感器当前图像信息和套管外观识别模型,识别得到渗漏油信息;
油量识别模块113,根据所述油浸式互感器当前图像信息和油量识别算法,识别得到油量信息;
油色识别模块114,根据所述油浸式互感器当前图像信息和油色识别模型,识别得到油色信息;
状态获取模块115,根据所述渗漏油信息、油量信息和油色信息,得到油浸式互感器的当前状态信息。
图2所示的油浸式互感器的检测方法实施例中的内容均适用于图3所示的本油浸式互感器的检测装置实施例中,图3所示的本油浸式互感器的检测装置实施例所具体实现的功能与图2所示的油浸式互感器的检测方法实施例相同,并且达到的有益效果与图2所示的油浸式互感器的检测方法实施例所达到的有益效果也相同。
另外,本申请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,处理器执行计算机程序时实现:
如上述的油浸式互感器的检测方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
需要说明的是,本实施例中的电子设备,可以应用为如图1所示实施例的***架构中的电子设备,本实施例中的电子设备和如图1所示实施例的***架构中的电子设备具有相同的发明构思,因此这些实施例具有相同的实现原理以及技术效果,此处不再详述。
实现上述实施例的油浸式互感器的检测方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例中的油浸式互感器的检测方法,例如,执行以上描述的图3中的方法步骤S1100至步骤S1500。
另外,本申请还提供一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行:
如上述的油浸式互感器的检测方法。
该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述电子设备实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的油浸式互感器的检测方法,例如,执行以上描述的图3中的方法步骤1100至步骤S1500。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本申请实施例的较佳实施进行了具体说明,但本申请实施例并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。