CN114897798A - 一种基于成长式检测的变压器渗油图像识别方法及*** - Google Patents

一种基于成长式检测的变压器渗油图像识别方法及*** Download PDF

Info

Publication number
CN114897798A
CN114897798A CN202210435435.3A CN202210435435A CN114897798A CN 114897798 A CN114897798 A CN 114897798A CN 202210435435 A CN202210435435 A CN 202210435435A CN 114897798 A CN114897798 A CN 114897798A
Authority
CN
China
Prior art keywords
image
transformer
image data
oil leakage
abnormal
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
Application number
CN202210435435.3A
Other languages
English (en)
Inventor
唐冬来
李科峰
陈文康
杨梅
钟声
陈泽宇
谢飞
龚奕宇
聂潇
康乐
钟旭
付世峻
李擎宇
周鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Siji Technology Co ltd
Original Assignee
Sichuan Siji Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Siji Technology Co ltd filed Critical Sichuan Siji Technology Co ltd
Priority to CN202210435435.3A priority Critical patent/CN114897798A/zh
Publication of CN114897798A publication Critical patent/CN114897798A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的一种基于成长式检测的变压器渗油图像识别方法及***，涉及数字电力技术领域。本发明通过变压器图像采集处理步骤对输入的变压器图像数据进行质量分析，判断图像质量是否在误差范围内，若在误差范围外，则控制摄像头进行图像补采；若在误差运行范围内，则进行图像对齐，消除摄像头抖动带来的影响；采用语义分割算法提取变压器关键区域位置，降低环境因素对环境的影响；本发明通过变压器图像成长式训练步骤进行模型训练和正常变压器样本库；从而解决变电器渗油异常样本不足的问题；将变压器异常图像区域进行环境正常化重建，以过滤蜘蛛网、雨雪天气等环境因素对变压器渗油异常识别的影响。

Description

一种基于成长式检测的变压器渗油图像识别方法及***
技术领域
本发明涉及数字电力技术领域，尤其涉及一种基于成长式检测的变压器渗油图像识别方法及***。
背景技术
随着中国经济迅猛发展，电力需求不断增加，配电网规模日益扩大。中国配电网地理分布广泛，各区域分布安装有大量变压器；其中，油浸式变压器具有散热效率高、绝缘性能好、成本低等特点，被广泛的应用在中国各电压等级的变电站中。油浸式变压器受运行环境、装配工艺、密封垫老化等因素影响，容易造成渗油的情况，将造成变压器绝缘损坏，严重的影响电网的安全运行。传统的油浸式变压器渗油监测中，供电公司运维检修人员按周期进行巡检，但巡检频次低，不能及时发现油浸式变压器的渗油隐患。
国内外许多学者对变压器渗油监测做了大量研究，渗油监测主要分为油位传感器和图像识别两类。在油位传感器监测方式中，通过读取套管油位高度，从而判断变压器是否渗油。现有文献中，通过变电运维人员巡检读取套管油位或指针油位计信息，当出现油位低于告警阈值时，判断变压器出现渗油现象。现有文献中，通过声表面波对变压器油位信息进行监测，并通过微功率无线将变压器油位信息回传至监控主站，通过油位阈值对变压器渗油进行判断。现有文献中，通过光纤光栅传感器对变压器油位进行监测，并采用波长偏移量判断变压器是否存在渗油现象。由此可见，油位传感器方法检测多样，但上述方法仅能发现大量渗油的情况，当变压器出现少量渗油，油位高于阈值时，并未进行告警。
在图像识别变压器渗油方式中，通过变电站高清识别摄像头对变压器拍摄的图像进行分析，当变压器周围出现漏油现象时，进行告警。现有文献中，通过卷积神经网络对变压器的红外图像进行识别，从而判断变压器的渗油情况。现有文献中，通过多深度神经网络对变压器渗油图像进行训练，通过多决策算法辨识变压器渗油的情况。现有文献中，通过特征优选方法训练变压器渗油识别模型，采用哈里斯鹰搜索对变压器渗油图像进行辨识。由此可见，图像识别变压器渗油方法多样，但上述方法采用缺陷样本训练识别模型，而缺陷样本数量有限，不能穷举渗油的类型，因此变压器渗油识别准确率较低。
因此，有必要提供一种基于成长式检测的变压器渗油图像识别方法及***来解决上述之一技术问题。
发明内容
为解决上述技术问题之一，本发明提出一种基于成长式检测的变压器渗油图像识别方法，包括变压器图像采集处理步骤、变压器图像成长式训练步骤和变压器渗油图像识别步骤。
具体的，变压器图像采集处理步骤：对变压器图像进行图像采集，并判断图像质量是否在误差范围内；若图像质量在误差范围外，则进行图像补采；若图像质量在误差范围内，则对变压器图进行图像对齐，消除图像采集设备抖动带来的影响，并通过语义分割算法对变压器图像关键区域进行提取，消除非关键区域图像数据带来的影响，得到变压器图像关键区域图像数据。
具体的，变压器图像成长式训练步骤：通过变压器图像采集处理步骤采集若干变压器图像关键区域图像数据，并根据变压器是否渗油进行图像数据标注，得到变压器正常图像数据和变压器异常图像数据；将变压器正常图像数据进行高纬特征编码和高纬特征记忆，得到正常样本库；将正常样本库用于模型训练，得到正样本重建模型，所述正样本重建模型能将正常样本库中的高纬特征用于对图像的高维特征解码，得到正常化重建图像。
具体的，变压器渗油图像识别步骤：将变压器异常图像数据作为图像样本输入正样本重建模型中；所述正样本重建模型对图像样本进行高维特征解码和正常化重建，得到正常化重建图像；将正常化重建图像与图像样本进行图像对比，获取差异区域和差值；将差异区域作为变压器异常区域图像数据进行输出，将差值作为异常差值进行输出；完成变压器渗油图像识别。
作为更进一步的解决方案，还包括对变压器异常区域图像数据进行环境正常化重建；通过变压器图像采集处理步骤采集若干变压器图像关键区域图像数据，并根据图像环境是否正常进行图像数据标注，得到环境正常图像数据和环境异常图像数据；将环境正常图像数据进行高纬特征编码和高纬特征记忆，得到环境正常样本库；将环境正常样本库用于模型训练，得到环境正常化重建模型，所述环境正常化重建模型能将环境正常样本库中的高纬特征用于对图像的高维特征解码，得到环境正常化重建图像；将变压器异常区域图像数据作为环境异常图像数据，输入环境正常化重建模型进行环境正常化重建，以过滤环境异常对图像的影响。
作为更进一步的解决方案，当正样本重建模型经过变压器图像成长式训练步骤成长迭代后，正常化重建图像的准确度超过置信阈值时；即能不进行图像数据标注，直接将变压器图像关键区域图像数据输入正样本重建模型，若得到的正常化重建图像与变压器图像关键区域图像数据的差异区域和差值在误差范围内，则视为未发生变压器渗油；若得到的正常化重建图像与变压器图像关键区域图像数据的差异区域和差值在误差范围外，则视为发生变压器渗油，将差异区域作为变压器异常区域图像数据进行输出，将差值作为异常差值进行输出；完成变压器渗油图像识别。
作为更进一步的解决方案，判断图像质量通过对变压器图像进行特征提取实现：通过神经网络读取变压器图像，并进行质量特征分层识别，所述分层识别的特征包括：图像模糊层度、图像亮度、拍摄角度和遮挡物占比。
作为更进一步的解决方案，对变压器图像进行图像对齐通过透视变换PT进行，所述透视变换PT将变压器图像变换为矩阵[as,bs,ws]:
[as,bs,ws]＝[a,b,w]λ
其中，a、b、w分别为变压器原始图像的x轴、y轴与z轴,λ为PT矩阵，λ分解为：
Figure BDA0003612351710000031
其中，ka为变压器图像的线性变换，kb为变压器图像的生成透视变换，kc为变压器图像的平移转换，gt为变压器图像的拉伸。
作为更进一步的解决方案，通过FCN网络实现变压器语义分割，并对变压器图像关键区域进行提取；所述FCN网络通过双线性插值对变压器图像进行缩放，变压器语义分割的双线性插值ha为：
Figure BDA0003612351710000032
其中，ua为变压器语义分割需要插值的位置，ub和uc为变压器语义分割中已知的横坐标插值点，hb和hc为变压器语义分割中已知的纵坐标插值点。
具体的，在缩放完成后，进行变压器图像的反卷积采样，并对变压器图像进行扩大：将图像边缘设置为零值，并进行卷积操作。
具体的，在扩大完成后，进行变压器图像的反池化采样：将变压器图像中最大的值放进池化位置，其余位置的值设置为零。
具体的，在反池化采样完成后，进行变压器图像的跳级处理：将指定层的变压器图像进行数据输出并做融合，得到变压器图像精细分割结果。
作为更进一步的解决方案，通过卷积神经网络进行学习模型部署，并通过半监督学习进行模型训练，得到正样本重建模型；并将变压器正常图像数据输入卷积神经网络，
获取高维特征编码la：
Figure BDA0003612351710000041
其中，ea为输入变压器图像数据，r为卷积神经网络中补零的层数，qa为卷积核的大小，ga为卷积神经网络的步幅。
作为更进一步的解决方案，在图像对比时，通过哈希算法将对比图像数据压缩成简要，固定图像数据的格式，并创建图像数据的特征指纹；将对比图像的两特征指纹进行差异对比，得到差异区域和差值。
作为更进一步的解决方案，在差异对比时，通过汉明距离来计算差值，汉明距离表示dc为：
Figure BDA0003612351710000042
其中，nc为用于比对的两张图像的标准像素点，ui为不同的变压器图像的数据像素点；vi为不同的正常化重建图像的数据像素点。
一种基于成长式检测的变压器渗油图像识别***，运行在硬件设备上，并通过如上述任一项所述的一种基于成长式检测的变压器渗油图像识别方法来实现对变压器渗油的识别。
与相关技术相比较，本发明提供的一种基于成长式检测的变压器渗油图像识别方法具有如下有益效果：
1、本发明通过变压器图像采集处理步骤对输入的变压器图像数据进行质量分析，判断图像质量是否在误差范围内，若在误差范围外，则控制摄像头进行图像补采；若在误差运行范围内，则进行图像对齐，消除摄像头抖动带来的影响；采用语义分割算法提取变压器关键区域位置，降低环境因素对环境的影响；
2、本发明通过变压器图像成长式训练步骤进行模型训练和正常变压器样本库；从而解决变电器渗油异常样本不足的问题；
3、本发明在变压器异常区域渗油分析中，首先判断变压器的异常图像区域，把PT对齐和FCN关键区域提取的变压器图像数据和正常化重建变压器图像进行对比，获得其中的差异区域和差值，并输出变压器异常图像区域和差值。
4、本发明在异常区域输出前，首先将变压器异常图像区域进行环境正常化重建，以过滤蜘蛛网、雨雪天气等环境因素对变压器渗油异常识别的影响。环境异常样本库的作用是动态积累变压器渗油识别过程中出现的蜘蛛网、雨雪天气等各类的环境异常数据，使模型具备环境异常分析能力
附图说明
图1为本发明提供的一种基于成长式检测的变压器渗油图像识别方法的较佳实施例流程图；
图2为本发明提供的一种基于成长式检测的变压器渗油图像识别方法的图像反卷积采样示意图；
图3为本发明提供的一种基于成长式检测的变压器渗油图像识别方法的正常化重建流程图；
图4为本发明提供的一种基于成长式检测的变压器渗油图像识别方法的卷积神经网络训练流程图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
如图1至图4所示，本发明提供的一种基于成长式检测的变压器渗油图像识别方法，包括变压器图像采集处理步骤、变压器图像成长式训练步骤和变压器渗油图像识别步骤。
需要说明的是：在视频巡检过程中，99％的变压器图像均为正常样本数据，因此，为解决渗油缺陷样本数量少，而造成变压器渗油识别准确率提高困难的问题，本实施例采用了学习正常变压器图像来区分渗油异常的原理进行识别，其流程图如图1所示。
首先，对现场采集的变压器数据进行图像过滤，消除图像噪声。其次，该方法采用变压器正常样本对模型进行训练，并将其作为标准的变压器样本数据。最后，将现场采集的变压器图像与标准变压器样本数据进行比对，当发现差异时，则提取异常数据。
需要说明的是：近年来，供电公司在变电站的主变压器周围安装球形高清视频摄像头用于变压器视频巡检。在巡检过程中，高清球形视频摄像头按照预制点位，按周期进行变压器的图像巡检，并将变压器巡检图像信息回传至变电站智能巡检平台分析。由于高清视频摄像头长期在室外运行，易受灰尘、雨水、大雾、下雪等环境因素影响，出现图像对焦不清晰、环境噪声大等情形，造成图像质量不佳，影响巡检人员读图的准确性。因此，在进行变压器渗油图像识别前，首先对高清视频摄像头拍摄的图像进行预处理，消除环境、对焦等因素对变压器渗油图像识别模型的影响。
具体的，变压器图像采集处理步骤：对变压器图像进行图像采集，并判断图像质量是否在误差范围内；若图像质量在误差范围外，则进行图像补采；若图像质量在误差范围内，则对变压器图进行图像对齐，消除图像采集设备抖动带来的影响，并通过语义分割算法对变压器图像关键区域进行提取，消除非关键区域图像数据带来的影响，得到变压器图像关键区域图像数据。
具体的，变压器图像成长式训练步骤：通过变压器图像采集处理步骤采集若干变压器图像关键区域图像数据，并根据变压器是否渗油进行图像数据标注，得到变压器正常图像数据和变压器异常图像数据；将变压器正常图像数据进行高纬特征编码和高纬特征记忆，得到正常样本库；将正常样本库用于模型训练，得到正样本重建模型，正样本重建模型能将正常样本库中的高纬特征用于对图像的高维特征解码，得到正常化重建图像。
具体的，变压器渗油图像识别步骤：将变压器异常图像数据作为图像样本输入正样本重建模型中；正样本重建模型对图像样本进行高维特征解码和正常化重建，得到正常化重建图像；将正常化重建图像与图像样本进行图像对比，获取差异区域和差值；将差异区域作为变压器异常区域图像数据进行输出，将差值作为异常差值进行输出；完成变压器渗油图像识别。
作为更进一步的解决方案，还包括对变压器异常区域图像数据进行环境正常化重建；通过变压器图像采集处理步骤采集若干变压器图像关键区域图像数据，并根据图像环境是否正常进行图像数据标注，得到环境正常图像数据和环境异常图像数据；将环境正常图像数据进行高纬特征编码和高纬特征记忆，得到环境正常样本库；将环境正常样本库用于模型训练，得到环境正常化重建模型，环境正常化重建模型能将环境正常样本库中的高纬特征用于对图像的高维特征解码，得到环境正常化重建图像；将变压器异常区域图像数据作为环境异常图像数据，输入环境正常化重建模型进行环境正常化重建，以过滤环境异常对图像的影响。
需要说明的是：在异常区域输出前，首先将变压器异常图像区域进行环境正常化重建，以过滤蜘蛛网、雨雪天气等环境因素对变压器渗油异常识别的影响。环境异常样本库的作用是动态积累变压器渗油识别过程中出现的蜘蛛网、雨雪天气等各类的环境异常数据，使模型具备环境异常分析能力。
作为更进一步的解决方案，当正样本重建模型经过变压器图像成长式训练步骤成长迭代后，正常化重建图像的准确度超过置信阈值时；即能不进行图像数据标注，直接将变压器图像关键区域图像数据输入正样本重建模型，若得到的正常化重建图像与变压器图像关键区域图像数据的差异区域和差值在误差范围内，则视为未发生变压器渗油；若得到的正常化重建图像与变压器图像关键区域图像数据的差异区域和差值在误差范围外，则视为发生变压器渗油，将差异区域作为变压器异常区域图像数据进行输出，将差值作为异常差值进行输出；完成变压器渗油图像识别。
作为更进一步的解决方案，判断图像质量通过对变压器图像进行特征提取实现：通过神经网络读取变压器图像，并进行质量特征分层识别，分层识别的特征包括：图像模糊层度、图像亮度、拍摄角度和遮挡物占比。
需要说明的是：变压器图像质量分析是变压器渗油图像识别模型的数据基础，变压器的图像质量受对焦模糊、逆光、暗光、遮挡等因素影响，造成图像质量下降。若变压器图像的质量越低，则变压器渗油识别的准确性越差。
变压器图像质量分析算法采用特征提取方法，从神经网络中读取变压器图像质量的特征分为图像模糊层度、图像亮度、拍摄角度和遮挡物四部分，获取的特征如下表所示：
Figure BDA0003612351710000071
Figure BDA0003612351710000081
由上表可见，若变电站高清视频摄像头采集到的图像在阈值范围内，则进行变压器图像对齐。若在阈值范围外，算法则控制变电站高清视频摄像头再次拍摄变压器的图像，直至满足质量分析标准为止。
作为更进一步的解决方案，对变压器图像进行图像对齐通过透视变换PT进行，透视变换PT将变压器图像变换为矩阵[as,bs,ws]:
[as,bs,ws]＝[a,b,w]λ
其中，a、b、w分别为变压器原始图像的x轴、y轴与z轴,λ为PT矩阵，λ分解为：
Figure BDA0003612351710000082
其中，ka为变压器图像的线性变换，kb为变压器图像的生成透视变换，kc为变压器图像的平移转换，gt为变压器图像的拉伸。
需要说明的是：变电站高清视频摄像头通过旋转镜头角度来拍摄不同预制点位的变压器图像信息。摄像头在拍摄过程中，因云台旋转会产生抖动的现象，造成多次拍摄的图像抖动偏差，所以，需要依赖变压器图像中焦点信息和辅助标识物来进行多张图像的特征对齐，以减小摄像头位移误差带来的识别误差。
透视变换(Perspective Transformation,PT)是一种图像投影对齐方式，该方式采用投射中心点、像素点、投射目标点三点共同线的前置条件，按照映射旋转角度的方式进行图像特征对齐。
作为更进一步的解决方案，通过FCN网络实现变压器语义分割，并对变压器图像关键区域进行提取；FCN网络通过双线性插值对变压器图像进行缩放，变压器语义分割的双线性插值ha为：
Figure BDA0003612351710000091
其中，ua为变压器语义分割需要插值的位置，ub和uc为变压器语义分割中已知的横坐标插值点，hb和hc为变压器语义分割中已知的纵坐标插值点。
具体的，如图2所示，在缩放完成后，进行变压器图像的反卷积采样，并对变压器图像进行扩大：将图像边缘设置为零值，并进行卷积操作。
具体的，在扩大完成后，进行变压器图像的反池化采样：将变压器图像中最大的值放进池化位置，其余位置的值设置为零。
具体的，在反池化采样完成后，进行变压器图像的跳级处理：将指定层的变压器图像进行数据输出并做融合，得到变压器图像精细分割结果。
需要说明的是：在变电站高清视频巡检拍摄的变压器图像中，背景图像区域是无需进行监控的，因此，需提取变压器图像的关键区域位置，降低环境因素对变压器渗油识别的影响。
全卷积网络(fully convolutional network，FCN)采用了卷积神经网络(Convolutional Neural Networks,CNN)实现了像素级别的图像区域切割。FCN网络采用转置卷积层(transposed convolution,TC)将变压器图像中间层给定区域的特征图转换为该位置对应的原始图像。因此，本实施例采用FCN网络进行图像的语义分割，提取变压器渗油相关部分图像。FCN网络完成对每个变压器图像像素分类，以便输出采样的原始图像。
作为更进一步的解决方案，如图3所示，通过卷积神经网络进行学习模型部署，并通过半监督学习进行模型训练，得到正样本重建模型；并将变压器正常图像数据输入卷积神经网络，获取高维特征编码la：
Figure BDA0003612351710000092
其中，ea为输入变压器图像数据，r为卷积神经网络中补零的层数，qa为卷积核的大小，ga为卷积神经网络的步幅。
需要说明的是：在正常样本库的训练中，首先将PT对齐和FCN关键区域提取的变压器图像数据输入半监督学习变压器正样本重建模型的卷积神经网络(ConvolutionalNeural Networks,CNN)，通过神经网络内部的高维特征提取、记忆模块检索和重建特征解码，最后，神经网络输出完全基于正常样本特征的正常化变压器重建图像。并将正常化重建的变压器图像数据与当前输入的变压器图像数据进行比对。将PT对齐和FCN关键区域提取后的变压器图像数据输入CNN网络，获取的高维特征编码la。然后，采用CNN网络池化，降低变压器图像高维特征编码的数据量，经过多层的卷积、池化后，将生成的变压器特征编码图展开，并形成变压器特征向量，输入全连接网络，并由全连接网络生成正常化图像重建的变压器样本，变压器图像正常样本CNN网络训练过程如图4所示。
作为更进一步的解决方案，在图像对比时，通过哈希算法将对比图像数据压缩成简要，固定图像数据的格式，并创建图像数据的特征指纹；将对比图像的两特征指纹进行差异对比，得到差异区域和差值。
作为更进一步的解决方案，在差异对比时，通过汉明距离来计算差值，汉明距离表示dc为：
Figure BDA0003612351710000101
其中，nc为用于比对的两张图像的标准像素点，ui为不同的变压器图像的数据像素点；vi为不同的正常化重建图像的数据像素点。
需要说明的是：在变压器异常区域渗油分析中，首先判断变压器的异常图像区域。把PT对齐和FCN关键区域提取的变压器图像数据和正常化重建变压器图像进行对比，获得其中的差异区域和差值，并输出变压器异常图像区域和差值。
哈希算法是一种可从任何数据中创建数据特征的方法，该算法首先把图像数据压缩成简要，实现数据量的减少；其次，固定图像数据的格式，并创建图像数据的特征指纹。最后，将两张图像的特征指纹进行比对，判断图像中的差异区域和差值。该算法具有分析准确率高的特点，因此，文中采用哈希算法进行变压器图像数据比对。
在采用哈希算法将输入变压器图像与正常化重建变压器图像比较过程中，采用离散余弦变换(Discrete Cosine Transform,DCT)来降低比对的频率。首先，通过将输入的变压器图像进行缩小，并将其转换为灰度图。然后，计算DCT变压器图像的分离成分率集合，并将计算结果进行缩小。在此基础上，计算变压器图像所有像素点的平均值，并得到变压器图像的特征指纹，最后，通过比对输入变压器图像与正常化重建变压器图像的汉明距离，即可判断出差异区域和差值。
一种基于成长式检测的变压器渗油图像识别***，运行在硬件设备上，并通过如上述任一项的一种基于成长式检测的变压器渗油图像识别方法来实现对变压器渗油的识别。
以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于成长式检测的变压器渗油图像识别方法，其特征在于，包括变压器图像采集处理步骤、变压器图像成长式训练步骤和变压器渗油图像识别步骤；
变压器图像采集处理步骤：对变压器图像进行图像采集，并判断图像质量是否在误差范围内；若图像质量在误差范围外，则进行图像补采；若图像质量在误差范围内，则对变压器图进行图像对齐，消除图像采集设备抖动带来的影响，并通过语义分割算法对变压器图像关键区域进行提取，消除非关键区域图像数据带来的影响，得到变压器图像关键区域图像数据；
变压器图像成长式训练步骤：通过变压器图像采集处理步骤采集若干变压器图像关键区域图像数据，并根据变压器是否渗油进行图像数据标注，得到变压器正常图像数据和变压器异常图像数据；将变压器正常图像数据进行高纬特征编码和高纬特征记忆，得到正常样本库；将正常样本库用于模型训练，得到正样本重建模型，所述正样本重建模型能将正常样本库中的高纬特征用于对图像的高维特征解码，得到正常化重建图像；
变压器渗油图像识别步骤：将变压器异常图像数据作为图像样本输入正样本重建模型中；所述正样本重建模型对图像样本进行高维特征解码和正常化重建，得到正常化重建图像；将正常化重建图像与图像样本进行图像对比，获取差异区域和差值；将差异区域作为变压器异常区域图像数据进行输出，将差值作为异常差值进行输出；完成变压器渗油图像识别。
2.根据权利要求1所述的一种基于成长式检测的变压器渗油图像识别方法，其特征在于，还包括对变压器异常区域图像数据进行环境正常化重建；通过变压器图像采集处理步骤采集若干变压器图像关键区域图像数据，并根据图像环境是否正常进行图像数据标注，得到环境正常图像数据和环境异常图像数据；将环境正常图像数据进行高纬特征编码和高纬特征记忆，得到环境正常样本库；将环境正常样本库用于模型训练，得到环境正常化重建模型，所述环境正常化重建模型能将环境正常样本库中的高纬特征用于对图像的高维特征解码，得到环境正常化重建图像；将变压器异常区域图像数据作为环境异常图像数据，输入环境正常化重建模型进行环境正常化重建，以过滤环境异常对图像的影响。
3.根据权利要求1所述的一种基于成长式检测的变压器渗油图像识别方法，其特征在于，当正样本重建模型经过变压器图像成长式训练步骤成长迭代后，正常化重建图像的准确度超过置信阈值时，直接将变压器图像关键区域图像数据输入正样本重建模型，若得到的正常化重建图像与变压器图像关键区域图像数据的差异区域和差值在误差范围内，则视为未发生变压器渗油；若得到的正常化重建图像与变压器图像关键区域图像数据的差异区域和差值在误差范围外，则视为发生变压器渗油，将差异区域作为变压器异常区域图像数据进行输出，将差值作为异常差值进行输出；完成变压器渗油图像识别。
4.根据权利要求1所述的一种基于成长式检测的变压器渗油图像识别方法，其特征在于，判断图像质量通过对变压器图像进行特征提取实现：通过神经网络读取变压器图像，并进行质量特征分层识别，所述分层识别的特征包括：图像模糊层度、图像亮度、拍摄角度和遮挡物占比。
5.根据权利要求1所述的一种基于成长式检测的变压器渗油图像识别方法，其特征在于，对变压器图像进行图像对齐通过透视变换PT进行，所述透视变换PT将变压器图像变换为矩阵[as,bs,ws]:
[as,bs,ws]＝[a,b,w]λ
其中，a、b、w分别为变压器原始图像的x轴、y轴与z轴,λ为PT矩阵，λ分解为：
Figure FDA0003612351700000021
其中，ka为变压器图像的线性变换，kb为变压器图像的生成透视变换，kc为变压器图像的平移转换，gt为变压器图像的拉伸。
6.根据权利要求1所述的一种基于成长式检测的变压器渗油图像识别方法，其特征在于，通过FCN网络实现变压器语义分割，并对变压器图像关键区域进行提取；所述FCN网络通过双线性插值对变压器图像进行缩放，变压器语义分割的双线性插值ha为：
Figure FDA0003612351700000022
其中，ua为变压器语义分割需要插值的位置，ub和uc为变压器语义分割中已知的横坐标插值点，hb和hc为变压器语义分割中已知的纵坐标插值点；
在缩放完成后，进行变压器图像的反卷积采样，并对变压器图像进行扩大：将图像边缘设置为零值，并进行卷积操作；
在扩大完成后，进行变压器图像的反池化采样：将变压器图像中最大的值放进池化位置，其余位置的值设置为零；
在反池化采样完成后，进行变压器图像的跳级处理：将指定层的变压器图像进行数据输出并做融合，得到变压器图像精细分割结果。
7.根据权利要求1所述的一种基于成长式检测的变压器渗油图像识别方法，其特征在于，通过卷积神经网络进行学习模型部署，并通过半监督学习进行模型训练，得到正样本重建模型；并将变压器正常图像数据输入卷积神经网络，获取高维特征编码la：
Figure FDA0003612351700000031
其中，ea为输入变压器图像数据，r为卷积神经网络中补零的层数，qa为卷积核的大小，ga为卷积神经网络的步幅。
8.根据权利要求1所述的一种基于成长式检测的变压器渗油图像识别方法，其特征在于，在图像对比时，通过哈希算法将对比图像数据压缩成简要，固定图像数据的格式，并创建图像数据的特征指纹；将对比图像的两特征指纹进行差异对比，得到差异区域和差值。
9.根据权利要求8所述的一种基于成长式检测的变压器渗油图像识别方法，其特征在于，在差异对比时，通过汉明距离来计算差值，汉明距离表示dc为：
Figure FDA0003612351700000032
其中，nc为用于比对的两张图像的标准像素点，ui为不同的变压器图像的数据像素点；vi为不同的正常化重建图像的数据像素点。
10.一种基于成长式检测的变压器渗油图像识别***，其特征在于，运行在硬件设备上，并通过如权利要求1至权利要求9中任一项所述的一种基于成长式检测的变压器渗油图像识别方法来实现对变压器渗油的识别。
CN202210435435.3A 2022-04-24 2022-04-24 一种基于成长式检测的变压器渗油图像识别方法及*** Pending CN114897798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210435435.3A CN114897798A (zh) 2022-04-24 2022-04-24 一种基于成长式检测的变压器渗油图像识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210435435.3A CN114897798A (zh) 2022-04-24 2022-04-24 一种基于成长式检测的变压器渗油图像识别方法及***

Publications (1)

Publication Number Publication Date
CN114897798A true CN114897798A (zh) 2022-08-12

Family

ID=82717049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210435435.3A Pending CN114897798A (zh) 2022-04-24 2022-04-24 一种基于成长式检测的变压器渗油图像识别方法及***

Country Status (1)

Country Link
CN (1) CN114897798A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210443A (zh) * 2020-01-03 2020-05-29 吉林大学 基于嵌入平衡的可变形卷积混合任务级联语义分割方法
CN114155468A (zh) * 2021-12-03 2022-03-08 国网北京市电力公司 一种变压器渗漏油检测方法、装置、设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210443A (zh) * 2020-01-03 2020-05-29 吉林大学 基于嵌入平衡的可变形卷积混合任务级联语义分割方法
CN114155468A (zh) * 2021-12-03 2022-03-08 国网北京市电力公司 一种变压器渗漏油检测方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DONG GONG等: "Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection" *
张善文等: "《图像模式识别》", 西安电子科技大学出版社 *

Similar Documents

Publication Publication Date Title
CN112379231B (zh) 一种基于多光谱图像的设备检测方法及装置
CN107767374B (zh) 一种gis盆式绝缘子内部导体局部过热智能诊断方法
CN112381784A (zh) 一种基于多光谱图像的设备检测***
CN108648169A (zh) 高压输电塔绝缘子缺陷自动识别的方法及装置
CN114120363A (zh) 基于背景及姿态归一化的行人跨镜重识别方法及***
CN114241310B (zh) 基于改进yolo模型的堤防管涌险情智能识别方法
CN112116573A (zh) 一种高精度的红外图像异常检测方法及***
CN115953408A (zh) 一种基于YOLOv7的避雷器表面缺陷检测方法
CN109919936B (zh) 一种复合绝缘子运行状态的分析方法、装置及设备
CN112700476A (zh) 一种基于卷积神经网络的红外船视频跟踪方法
Lu et al. Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion.
Weng et al. Newly designed identifying method for ice thickness on high‐voltage transmission lines via machine vision
CN114581654A (zh) 一种基于互感器状态监测方法及装置
CN116665101B (zh) 基于轮廓波变换的监控视频关键帧提取方法
CN114897798A (zh) 一种基于成长式检测的变压器渗油图像识别方法及***
CN116152633A (zh) 一种基于空间特征表示的目标检测网络的检测方法和***
CN116342496A (zh) 一种用于智能巡检的异常物体检测方法和***
CN110223273A (zh) 一种结合离散余弦变换与神经网络的图像修复取证方法
CN114187550A (zh) 一种基于改进yolo v3网络的弓网核心零部件识别方法
CN115115573A (zh) 一种基于transformer模型的铆钉缺陷检测方法及***
Qiao et al. Research on the Rapid Extraction Method of Overhead Line Laser Point Cloud Based on Fusion Segmentation
Tribak et al. Automatic inspection of solar panels based on Images stitching technique
Bi et al. Transmission line abnormal target detection algorithm based on improved YOLOX
CN118334556A (zh) 一种基于改进YOLOv8的变压器电力设备渗漏油检测方法
CN118365584A (zh) 基于融合SLIC与Transformer的输电设备锈蚀检测方法及***

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220812