CN115965579B - 一种变电站巡检三维缺陷识别和定位的方法及*** - Google Patents
一种变电站巡检三维缺陷识别和定位的方法及*** Download PDFInfo
- Publication number
- CN115965579B CN115965579B CN202211419444.XA CN202211419444A CN115965579B CN 115965579 B CN115965579 B CN 115965579B CN 202211419444 A CN202211419444 A CN 202211419444A CN 115965579 B CN115965579 B CN 115965579B
- Authority
- CN
- China
- Prior art keywords
- data
- inspection
- substation
- transformer substation
- equipment
- 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.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 180
- 230000007547 defect Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 71
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 238000003384 imaging method Methods 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000009413 insulation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computer Graphics (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种变电站巡检三维缺陷识别和定位方法与***,属于变电设备缺陷识别和定位技术领域。本发明方法,包括:采集变电站的多源巡检数据及点云数据,并记录所述巡检采集设备的空间位置及姿态;基于点云数据对所述巡检设备在预先搭建的变电站的实景三维模型中进行精定位;生成时序可扩展的巡视数据;生成部件级数据;确定部件级数据中所述变电站参数的变化数据,基于变化数据进行变电站部件设备的缺陷诊断,以识别变电站设备部件的缺陷类型,以及定位变电站设备部件的缺陷空间。本发明可以实现变电站设备典型的外部热缺陷和绝缘缺陷的快速诊断和定位。
Description
技术领域
本发明涉及变电设备缺陷识别和定位技术领域,并且更具体地,涉及一种变电站巡检三维缺陷识别和定位的方法及***。
背景技术
随着中国经济不断发展,各行各业对电力的需求不断增加,电能成为能源行业中发展最快的行业之一;随着变电站智能化、集约化、无人化要求不断提升,越来越多变电站采用远程智能巡检***,远程巡检***包括:高清摄像机、红外、紫外、机器人、无人机和声纹装备等,可实现对变电站设备外部的“可观、可听、可测”,结合人工智能图像识别和神经网络算法,可实现对结果的分类、目标检测和实例分割。但由于变电站场景复杂,变电设备缺陷诊断的准确率提升存在瓶颈,主要存在以下问题:
1)不同采集手段的人工智能识别算法相互独立
目前,可见光、红外、紫外图像采用基于人工智能神经网络的计算机视觉算法进行目标检测和实例分割;声纹、声成像和主要采用基于人工智能深度神经网络的分类算法;不同采集手段对应的人工智能算法输出的结果没有直接关系,对于变电设备状态评价无法形成综合研判。
2)不同采集手段的结果缺少统一的数据级融合载体
目前,可见光、红外、紫外、声纹和声成像等数据都是以独立的非结构化文件进行存储和分析,例如RGB图像文件、红外热成像图像文件、紫外图像文件、声纹音频文件和声成像图像文件。不同采集手段的结果缺少统一的数据级的融合载体,例如,无法在统一个结果里表示可见光的缺陷、过热缺陷和电晕放电。因此,越来越多元的数据不仅给数据融合分析带来困难,也给运维人员数据维护和诊断带来越来越重的数据负担。
3)不同采集手段的人工智能识别算法缺少设备业务属性先验知识
目前,不同采集手段的人工智能识别算法都是基于样本标注和学***,一方面和样本数量和样本质量有比较大关系,由于变电站缺陷发生比较随机,难以人工模拟,很难在不同电压等级、不同型号、不同场景的变电站中收集全面的缺陷样本,因此,仅通过扩充样本的方式来提升缺陷识别准确率在短时间是很难得到突破的。另一方面,变电站设备和缺陷之间存在强关系,而人工智能识别算法仅通过样本本身进行学习,是缺少设备的业务属性这个重要的先验知识的。
4)不同采集手段在保留空间属性时都缺少时序维度
目前,可见光、红外、紫外、声成像等数据都保留了采集时刻画面的空间信息,但由于大量缺陷是难以通过单一时刻进行判断的,需结合历史变化规律进行判断。通常在进行不同时序维度比较时,传统的方式是通过给非结构化数据的名称或字段上标注上时间戳,然后对不同时刻的非结构化数据比较。由于同一采集手段在不同时刻采集的结果缺少空间上的对齐,不同时刻维度的结果比较也就缺少了统一的标准,例如,对于不同时刻采集的红外图像的同一坐标点的温度值对应的设备部件的位置不完全相同,无法直接进行比对,而不同时刻的最高温、最低温对应的设备空间位置也存在差异,因此缺少时序维度比较的有效手段。
发明内容
针对上述问题,本发明提出了一种变电站巡检三维缺陷识别和定位的方法,包括:
对变电站移动巡检装备搭载的巡检采集设备,进行相对物理位置的标定,以对所述巡检采集设备的内外参进行转换,在所述巡检采集设备的内外参转换后,基于所述巡检采集设备,采集变电站的多源巡检数据及点云数据,并记录所述巡检采集设备的空间位置及姿态;
通过所述空间位置及姿态,对所述巡检设备在预先搭建的变电站的实景三维模型中进行粗定位,在粗定位后,基于点云数据对所述巡检设备在预先搭建的变电站的实景三维模型中进行精定位;
根据精定位所对应的所述巡检采集设备的空间位置、姿态及内外参,对所述多源巡检数据在所述实景三维模型上进行配准映射,且对所述配准映射后的所述多源巡检数据,以时序可扩展的结构化数据格式进行存储,以生成时序可扩展的巡视数据;
对所述时序可扩展的巡视数据,基于预先搭建的部件级实景三维模型,进行数据划分,以生成部件级数据;
确定部件级数据中所述变电站参数的变化数据,基于变化数据进行变电站部件设备的缺陷诊断,以识别变电站设备部件的缺陷类型,以及定位变电站设备部件的缺陷空间。
可选的,检采集设备,包括如下中的至少一种:激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器。
可选的,可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器用于采集变电站的多源巡检数据。
可选的,激光雷达用于扫描获取变电站的点云数据。
可选的,通过多站式激光雷达采集变电站的激光点云数据,对所述激光点云数据进行拼接,以搭建变电站的实景三维模型。
可选的,通过变电站的台账信息,对预先搭建的变电站的实景三维模型进行空间和业务语义的分割,以搭建变电站的部件级实景三维模型。
可选的,变化数据,包括如下中的至少一种:变电站的三维外观变化数据、温度变化数据、电晕放电变化数据、振动变化数据和内部放电变化数据。
可选的,方法还包括:根据预先设定的置信度初值,核实多源巡检数据的识别正确率,并根据所述正确率调整多源巡检数据的置信度,并对置信度不断下降的多源巡检数据,所对应的巡检采集设备发出状态异常告警。
可选的,根据变电站部件设备的设备类型,设定不同多源巡检数据的缺陷诊断置信度初值。
再一方面,本发明还提出了一种变电站巡检三维缺陷识别和定位的***,包括:
数据采集单元,对变电站移动巡检装备搭载的巡检采集设备,进行相对物理位置的标定,以对所述巡检采集设备的内外参进行转换,在所述巡检采集设备的内外参转换后,基于所述巡检采集设备,采集变电站的多源巡检数据及点云数据,并记录所述巡检采集设备的空间位置及姿态;
定位单元,通过所述空间位置及姿态,对所述巡检设备在预先搭建的变电站的实景三维模型中进行粗定位,在粗定位后,基于点云数据对所述巡检设备在预先搭建的变电站的实景三维模型中进行精定位;
数据处理单元,根据精定位所对应的所述巡检采集设备的空间位置、姿态及内外参,对所述多源巡检数据在所述实景三维模型上进行配准映射,且对所述配准映射后的所述多源巡检数据,以时序可扩展的结构化数据格式进行存储,以生成时序可扩展的巡视数据;
数据转换单元,对所述时序可扩展的巡视数据,基于预先搭建的部件级实景三维模型,进行数据划分,以生成部件级数据;
诊断单元,确定部件级数据中所述变电站参数的变化数据,基于变化数据进行变电站部件设备的缺陷诊断,以识别变电站设备部件的缺陷类型,以及定位变电站设备部件的缺陷空间。
可选的,巡检采集设备,包括如下中的至少一种:激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器。
可选的,可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器用于采集变电站的多源巡检数据。
可选的,激光雷达用于扫描获取变电站的点云数据。
可选的,通过多站式激光雷达采集变电站的激光点云数据,对所述激光点云数据进行拼接,以搭建变电站的实景三维模型。
可选的,通过变电站的台账信息,对预先搭建的变电站的实景三维模型进行空间和业务语义的分割,以搭建变电站的部件级实景三维模型。
可选的,述变化数据,包括如下中的至少一种:变电站的三维外观变化数据、温度变化数据、电晕放电变化数据、振动变化数据和内部放电变化数据。
可选的,诊断单元还用于:根据预先设定的置信度初值,核实多源巡检数据的识别正确率,并根据所述正确率调整多源巡检数据的置信度,并对置信度不断下降的多源巡检数据,所对应的巡检采集设备发出状态异常告警。
可选的,根据变电站部件设备的设备类型,设定不同多源巡检数据的缺陷诊断置信度初值。
再一方面,本发明还提供了一种计算设备,包括:一个或多个处理器;
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如上述所述的方法。
再一方面,本发明还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如上述所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提供了一种用于对变电站三维缺陷识别定位的方法,包括:对变电站移动巡检装备搭载的巡检采集设备,进行相对物理位置的标定,以对所述巡检采集设备的内外参进行转换,在所述巡检采集设备的内外参转换后,基于所述巡检采集设备,采集变电站的多源巡检数据及点云数据,并记录所述巡检采集设备的空间位置及姿态;通过所述空间位置及姿态,对所述巡检设备在预先搭建的变电站的实景三维模型中进行粗定位,在粗定位后,基于点云数据对所述巡检设备在预先搭建的变电站的实景三维模型中进行精定位;根据精定位所对应的所述巡检采集设备的空间位置、姿态及内外参,对所述多源巡检数据在所述实景三维模型上进行配准映射,且对所述配准映射后的所述多源巡检数据,以时序可扩展的结构化数据格式进行存储,以生成时序可扩展的巡视数据;对所述时序可扩展的巡视数据,基于预先搭建的部件级实景三维模型,进行数据划分,以生成部件级数据;确定部件级数据中所述变电站参数的变化数据,基于变化数据进行变电站部件设备的缺陷诊断,以识别变电站设备部件的缺陷类型,以及定位变电站设备部件的缺陷空间。本发明可以实现变电站设备典型的外部热缺陷和绝缘缺陷的快速诊断和定位。
附图说明
图1为本发明方法的流程图;
图2为本发明方法实施例的流程示意图;
图3(a)为本发明方法实施例的多站激光点云实现整站实景三维模型扫描示意图;
图3(b)为本发明方法实施例的多站激光点云拼接构建完整的变电站区域实景三维模型示意图;
图4为本发明方法实施例的缺陷识别和定位***示意图;
图5为本发明方法实施例的通过变电站设备台账信息对变电站实景三维模型进行空间和业务语义分割的示意图;
图6为本发明方法实施例的一种变电站移动巡检装备的示意图;
图7为本发明方法实施例的巡检采集模块内外参转换的示意图;
图8为本发明方法实施例的点云数据与变电站实景三维模型比对配准实现精定位的示意图;
图9为本发明方法实施例的设备部件的缺陷类型识别和缺陷空间定位的示意图;
图10为本发明方法实施例的缺陷识别正确率调整不同数据源诊断的置信度的示意图;
图11为本发明方法实施例的对诊断置信度不断下降的数据源进行巡检装备状态异常告警的示意图;
图12为本发明***的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
实施例1:
本发明提出了一种变电站巡检三维缺陷识别和定位的方法,如图1所示,包括:
步骤1、对变电站移动巡检装备搭载的巡检采集设备,进行相对物理位置的标定,以对所述巡检采集设备的内外参进行转换,在所述巡检采集设备的内外参转换后,基于所述巡检采集设备,采集变电站的多源巡检数据及点云数据,并记录所述巡检采集设备的空间位置及姿态;
步骤2、通过所述空间位置及姿态,对所述巡检设备在预先搭建的变电站的实景三维模型中进行粗定位,在粗定位后,基于点云数据对所述巡检设备在预先搭建的变电站的实景三维模型中进行精定位;
步骤3、根据精定位所对应的所述巡检采集设备的空间位置、姿态及内外参,对所述多源巡检数据在所述实景三维模型上进行配准映射,且对所述配准映射后的所述多源巡检数据,以时序可扩展的结构化数据格式进行存储,以生成时序可扩展的巡视数据;
步骤4、对所述时序可扩展的巡视数据,基于预先搭建的部件级实景三维模型,进行数据划分,以生成部件级数据;
步骤5、确定部件级数据中所述变电站参数的变化数据,基于变化数据进行变电站部件设备的缺陷诊断,以识别变电站设备部件的缺陷类型,以及定位变电站设备部件的缺陷空间。
其中,检采集设备,包括如下中的至少一种:激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器。
其中,可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器用于采集变电站的多源巡检数据。
其中,激光雷达用于扫描获取变电站的点云数据。
其中,通过多站式激光雷达采集变电站的激光点云数据,对所述激光点云数据进行拼接,以搭建变电站的实景三维模型。
其中,通过变电站的台账信息,对预先搭建的变电站的实景三维模型进行空间和业务语义的分割,以搭建变电站的部件级实景三维模型。
其中,变化数据,包括如下中的至少一种:变电站的三维外观变化数据、温度变化数据、电晕放电变化数据、振动变化数据和内部放电变化数据。
其中,方法还包括:根据预先设定的置信度初值,核实多源巡检数据的识别正确率,并根据所述正确率调整多源巡检数据的置信度,并对置信度不断下降的多源巡检数据,所对应的巡检采集设备发出状态异常告警。
其中,根据变电站部件设备的设备类型,设定不同多源巡检数据的缺陷诊断置信度初值。
下面结合某变电站的具体实施对本发明进行进一步的说明:
如图2所示,实施步骤,包括:
步骤101,通过多站式激光雷达采集的激光点云数据,通过多站激光点云拼接构建完整的变电站实景三维模型。
具体地,多站式激光点云拼接构建完整变电站实景三维模型的示意图如图3(a)所示。
具体地,激光雷达扫描的站点数量根据变电站规模、区域、设备密集程度、设备遮挡情况设置。
具体地,在每个激光雷达扫描的站点记录激光雷达的空间坐标,通过空间坐标进行激光点云的粗配准,通过激光点云的特征点实现精配准,构建完整的变电站实景三维模型。
具体地,如图3(b)所示,在每个区域和设备都至少包括不同角度的激光雷达扫描,以确保该区域和设备的完整三维模型。
具体地,激光雷达架设高度一般为1.5m~2m,考虑一般巡检人员观测的高度为1.7m左右;扫描距离为20m范围内,考虑20m外的激光雷达精度下降,截取20m范围内的点云数据作为该站点的有效点云数据。
步骤102,通过变电站设备台账信息对变电站实景三维模型进行空间和业务语义分割,构建部件级变电站实景三维模型。
具体地,如图4所示是一种变电站巡检三维缺陷识别和定位***示意图。包括:联合巡检装备和站端分析主机。
其中,联合巡检装备包括:联合巡检一体化感知装置、运动模块和定位模块;联合巡检一体化感知装置用于采集可见光图像、红外热成像图像、紫外电晕放电图像、声成像图像、特高频局部放电阵列空间定位图像和激光点云;运动模块用于水平和垂直方向改变联合巡检一体化感知装置的姿态;定位模块用于确定联合巡检装备的位置;联合巡检装备可用于机器人或无人机的搭载。
其中,联合巡检一体化感知装置包括:可见光摄像头、红外摄像头、紫外摄像头、声成像传感器、特高频传感器、激光雷达和时间同步模块、前端信号处理模块、前端通讯模块;可见光摄像头用于采集400nm~780nm波长的电磁波成像,反映设备表面颜色、纹理和边缘信息;红外摄像头用于采集-20℃~+200℃温度范围780nm~14um波长的电磁波成像,反映设备表面温度分布;紫外摄像头用于采集10nm~400nm波长的电磁波成像,反映设备电晕放电量分布;声成像传感器用于采集20Hz~20kHz频率的声波,反映设备运行声响的声场分布;特高频传感器用于采集0.1m~1m波长的电磁波空间分布,反映设备局部放电场强分布;激光雷达用于发射和接收850nm、905nm,1550nm等波长的电磁波,反映设备外观空间形状;时间同步模块用于发送us级同步指令,实现不同模块的同步数据采集;前端信号处理模块用于压缩编码高帧率和高清晰度的视频流,实现多路模块采集的高帧率数据的压缩编码;前端通讯模块用于将压缩编码的数据流传输至站端分析主机,可按需配置有线传输或无线传输协议。
其中,站端分析主机包括:站端通讯模块和分析计算模块;站端通讯模块用于接收前端通讯模块压缩编码的数据流;分析计算模块用于实现1)变电站设备台账信息对变电站实景三维模型进行空间和业务语义分割,构建部件级变电站实景三维模型;2)实现不同巡检采集装备内外参的转换;3)通过巡检采集装备的空间位置和姿态实现巡检采集装备在实景三维模型的粗定位,通过点云数据与变电站实景三维模型比对配准实现精定位;4)根据精定位的空间位置、姿态和巡检采集装置内外参,实现二维巡检数据在实景三维模型上的配准映射,并通过时序可扩展的结构化数据格式对巡检数据进行存储和分析;5)对时序可扩展的巡视数据按照部件级变电站实景三维模型进行数据划分,通过部件级数据的三维外观变化、温度变化、电晕放电变化、振动变化、内部放电变化实现对设备部件的缺陷类型识别和缺陷空间定位;6)按照缺陷类型设定不同数据源缺陷诊断的置信度初值,在通过人工核实缺陷类型计算不同缺陷下不同数据源缺陷识别正确率,根据缺陷识别正确率调整不同数据源诊断的置信度;7)对诊断置信度不断下降的数据源进行巡检装备状态异常告警。
具体地,如图5所示,空间和业务语义分割是指通过变电站实景三维模型的点集P{p1,p2,p3,...,pn}进行按照区域Z、设备E、部件U对点集进行划分并赋予业务属性,构建部件级变电站实景三维模型。
表1
具体地,不同的部件点集之间是无公共点的,所有的同一设备下的部件点集构建一个完整的设备点集,所有的同一区域下的设备点集构建一个完整区域点集。
具体地,部件级变电站实景三维模型是指描述一个变电站设备部件的完整的外部激光点云点集PZnEmUk,点集中包括不同空间点{pa,pa+1,pa+2,...,pb},空间点pk={xk,yk,zk}是由三维空间坐标来描述的。
步骤103,通过变电站移动巡检装备搭载激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器、特高频传感器等巡检采集模块,通过标定激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器、特高频传感器相对物理位置,实现不同巡检采集装备内外参的转换。
具体地,本发明提出的一种变电站移动巡检装备如图6所示,可用于搭载激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器、特高频传感器等巡检采集模块。其中,云台可搭载不同巡检采集模块,可实现不同巡检采集模块的组合,实现不同感知参量的联合巡检。
具体地,激光雷达模块固定双自由度云台上,用于采集设备外部空间状态,并可通过与实景三维模型比对,实现对变电站移动巡检装备位置姿态的定位。
具体地,可见光摄像头、红外摄像头为一般常用变电站巡检采集模块,可拆卸安装在激光雷达上,并可根据特殊巡视需求,拆换成其他巡检采集模块,例如声成像传感器、紫外摄像头或特高频传感器。
具体地,内外参转换如图7所示,巡检采集模块坐标系是Oc-XcYcZc,激光雷达坐标系为OL-XLYLZL,二维图像坐标系为Oi-uv,统一坐标系为Ow-XwYwZw。内参转换是为Oi-uv二维图像坐标系通过(fx,fy)变换得到Oc-XcYcZc坐标系坐标;4)外参转换是将Oc-XcYcZc坐标系和OL-XLYLZL都转换到统一坐标系Ow-XwYwZw,其中Oc-XcYcZc通过Pc变换得到Ow-XwYwZw坐标系坐标,OL-XLYLZL通过(RL-w,TL-w)变换得到Ow-XwYwZw坐标系坐标。
步骤104,在采集多源巡检数据同时,记录巡检采集装备的空间位置和姿态,以及激光雷达扫描的点云数据。
具体地,通过如图4所示的时间同步模块实现对不同巡检采集模块的同步数据采集。
具体地,巡检采集装备的空间位置通过如图4所示的定位模块实现对巡检采集装备的定位,包括但不限于北斗定位***、GPS、RTK等定位方式,空间位置信息通过时间同步模块同步时间戳,通过前端信号处理模块传递给前端通讯模块,编码后传回站端通讯模块并在站端分析计算模块中用于巡检采集装备在实景三维模型的粗定位。
具体地,巡检采集装备的姿态通过如图4所示的运动模块将云台码盘的角度通过时间同步模块同步时间戳,通过前端信号处理模块传递给前端通讯模块,编码后传回站端通讯模块并在站端分析计算模块中用于巡检采集装备在实景三维模型的粗定位。
步骤105,通过巡检采集装备的空间位置和姿态实现巡检采集装备在实景三维模型的粗定位,通过点云数据与变电站实景三维模型比对配准实现精定位。
具体地,定位模块可提供米级的定位精度,实景三维模型具有绝对的空间坐标,通过定位模块米级的空间定位实现巡检采集装备在实景三维模型的粗定位,同时获取粗定位下的局部实景三维模型。
具体地,精定位如图8所示,1)局部实景三维模型提取特征点;2)激光雷达采集的点云数据提取特征点;3)激光雷达采集点云的特征点和粗定位下局部的实景三维模型的特征点进行匹配,匹配精度可以达到毫米级;4)通过激光雷达采集点云反推激光雷达坐标位置;5)将坐标位置映射至实景三维模型实现巡检采集装备在实景三维模型中的精定位。
步骤106,根据精定位的空间位置、姿态和巡检采集装置内外参,实现二维巡检数据在实景三维模型上的配准映射,并通过时序可扩展的结构化数据格式对巡检数据进行存储和分析。
具体地,二维巡检数据在实景三维模型上的配准映射通过步骤103所述的内外参转换的方式和步骤105所述的粗定位+精定位的方式实现。
具体地,时序可扩展的结构化数据格式如图9所示,其中点云的X、Y、Z空间坐标不变,其他所有属性都是随时间变化的,例如,在t0时刻采集点云p1颜色属性RGB值(Rp1-t0,Gp1-t0,Bp1-t0);在t1时刻采集点云p1声场强度值P值Pp1-t1;在t2时刻采集点云p2声场强度值P值Pp2-t2,在t3时刻采集点云p3属性温度T值Tp3-t3。
表2
步骤107,对时序可扩展的巡视数据按照部件级变电站实景三维模型进行数据划分,通过部件级数据的三维外观变化、温度变化、电晕放电变化、振动变化、内部放电变化实现对设备部件的缺陷类型识别和缺陷空间定位。
具体地,温度变化、电晕放电变化、振动变化、内部放电变化可通过点云的温度属性T、电晕放电属性C、振动变化属性P、内部局部放电属性D的时域变化实现异常区域的定位。
具体地,如图9所示,横轴是时间,纵轴是不同点云的属性值,一般点云属性值在pmax和pmin之间,当某个点云或某个区域点云的属性超过pmax和pmin的范围,且超限占比超过30%,可对该属性对应的缺陷进行主动预警。
具体地,三维外观变化通过采集的点云坐标与实景三维模型的坐标进行比较,连续3次空间位置坐标差值的趋势大于10mm,可进行外观变形告警。
具体地,对部件级点云的属性值结合导则的诊断规则,可实现不同类型缺陷的识别。
步骤108,按照缺陷类型设定不同数据源缺陷诊断的置信度初值,在通过人工核实缺陷类型计算不同缺陷下不同数据源缺陷识别正确率,根据缺陷识别正确率调整不同数据源诊断的置信度如图10所示。
具体地,置信度初值是根据缺陷类型的统计情况设定的,然后通过步骤107缺陷定位、缺陷识别后,通过人工核实缺陷类型是否正确,对置信度进行修正。以避雷器受潮缺陷为例,红外的置信度初值为60%,紫外的置信度初值为60%,特高频的置信度初值为20%,声成像的置信度初值为50%,激光点云的置信度初值为20%。由于红外对避雷器受潮缺陷识别正确,紫外判断错误,特高频判断错误,声成像无法判断,激光点云无法判断,因此更新后的置信度为:红外的置信度初值为90%,紫外的置信度初值为55%,特高频的置信度初值为15%,声成像的置信度初值为50%,激光点云的置信度初值为20%。
具体地,置信度可作为融合诊断时诊断结果的权重。其中,融合诊断结果=红外诊断结果*红外的置信度+紫外诊断结果*紫外的置信度+特高频诊断结果*特高频的置信度+声成像诊断结果*声成像的置信度+激光点云诊断结果*激光点云的置信度。
步骤109,对诊断置信度不断下降的数据源进行巡检装备状态异常告警。
具体地,如图11所示,在巡检采集装备长期监测和诊断的情况下,不同巡检数据诊断置信度会从置信度初值回归稳定,这个区间是置信度回归区;但随着巡检装置巡检次数的进一步增加,置信度不会产生太大变化,这个区间是置信度稳定区,在置信度稳定区,巡检采集装备融合诊断准确率最高;当某个巡检数据诊断置信度连续下降时,说明是巡检装备前端硬件采集存在隐患,这个区间是置信度下降区,可对巡检装备状态异常进行主动告警,并提醒运维人员对巡检装备前端硬件进行查看。
实施例2:
本发明还提出了一种变电站巡检三维缺陷识别和定位的***200,如图12所示,包括:
数据采集单元201,对变电站移动巡检装备搭载的巡检采集设备,进行相对物理位置的标定,以对所述巡检采集设备的内外参进行转换,在所述巡检采集设备的内外参转换后,基于所述巡检采集设备,采集变电站的多源巡检数据及点云数据,并记录所述巡检采集设备的空间位置及姿态;
定位单元202,通过所述空间位置及姿态,对所述巡检设备在预先搭建的变电站的实景三维模型中进行粗定位,在粗定位后,基于点云数据对所述巡检设备在预先搭建的变电站的实景三维模型中进行精定位;
数据处理单元203,根据精定位所对应的所述巡检采集设备的空间位置、姿态及内外参,对所述多源巡检数据在所述实景三维模型上进行配准映射,且对所述配准映射后的所述多源巡检数据,以时序可扩展的结构化数据格式进行存储,以生成时序可扩展的巡视数据;
数据转换单元204,对所述时序可扩展的巡视数据,基于预先搭建的部件级实景三维模型,进行数据划分,以生成部件级数据;
诊断单元205,确定部件级数据中所述变电站参数的变化数据,基于变化数据进行变电站部件设备的缺陷诊断,以识别变电站设备部件的缺陷类型,以及定位变电站设备部件的缺陷空间。
其中,巡检采集设备,包括如下中的至少一种:激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器。
其中,可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器用于采集变电站的多源巡检数据。
其中,激光雷达用于扫描获取变电站的点云数据。
其中,通过多站式激光雷达采集变电站的激光点云数据,对所述激光点云数据进行拼接,以搭建变电站的实景三维模型。
其中,通过变电站的台账信息,对预先搭建的变电站的实景三维模型进行空间和业务语义的分割,以搭建变电站的部件级实景三维模型。
其中,述变化数据,包括如下中的至少一种:变电站的三维外观变化数据、温度变化数据、电晕放电变化数据、振动变化数据和内部放电变化数据。
其中,诊断单元还用于:根据预先设定的置信度初值,核实多源巡检数据的识别正确率,并根据所述正确率调整多源巡检数据的置信度,并对置信度不断下降的多源巡检数据,所对应的巡检采集设备发出状态异常告警。
其中,根据变电站部件设备的设备类型,设定不同多源巡检数据的缺陷诊断置信度初值。
本发明解决了如下问题:
1)不同采集手段的人工智能识别算法相互独立;
2)不同采集手段的结果缺少统一的数据级融合载体;
3)不同采集手段的人工智能识别算法缺少设备业务属性先验知识;
4)不同采集手段在保留空间属性时都缺少时序维度。
本发明可实现变电站设备典型外部热缺陷和绝缘缺陷的快速诊断和定位功能,实现变电站巡检的智能化和自动化。
实施例3:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中方法的步骤。
实施例4:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (18)
1.一种变电站巡检三维缺陷识别和定位的方法,其特征在于,所述方法包括:
对变电站移动巡检装备搭载的巡检采集设备,进行相对物理位置的标定,以对所述巡检采集设备的内外参进行转换,在所述巡检采集设备的内外参转换后,基于所述巡检采集设备,采集变电站的多源巡检数据及点云数据,并记录所述巡检采集设备的空间位置及姿态;
通过所述空间位置及姿态,对所述巡检采集设备在预先搭建的变电站的实景三维模型中进行粗定位,在粗定位后,基于点云数据对所述巡检采集设备在预先搭建的变电站的实景三维模型中进行精定位;
根据精定位所对应的所述巡检采集设备的空间位置、姿态及内外参,对所述多源巡检数据在所述实景三维模型上进行配准映射,且对所述配准映射后的所述多源巡检数据,以时序可扩展的结构化数据格式进行存储,以生成时序可扩展的巡视数据;
对所述时序可扩展的巡视数据,基于预先搭建的部件级实景三维模型,进行数据划分,以生成部件级数据;其中,通过变电站的台账信息,对预先搭建的变电站的实景三维模型进行空间和业务语义的分割,以搭建变电站的部件级实景三维模型;
确定部件级数据中变电站参数的变化数据,基于变化数据进行变电站部件设备的缺陷诊断,以识别变电站设备部件的缺陷类型,以及定位变电站设备部件的缺陷空间;
所述变电站参数,包括如下中的至少一种:变电站的三维外观参数、温度参数、电晕放电参数、振动参数和内部放电参数。
2.根据权利要求1所述的方法,其特征在于,所述巡检采集设备,包括如下中的至少一种:激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器。
3.根据权利要求2所述的方法,其特征在于,所述可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器用于采集变电站的多源巡检数据。
4.根据权利要求2所述的方法,其特征在于,所述激光雷达用于扫描获取变电站的点云数据。
5.根据权利要求1所述的方法,其特征在于,通过多站式激光雷达采集变电站的激光点云数据,对所述激光点云数据进行拼接,以搭建变电站的实景三维模型。
6.根据权利要求1所述的方法,其特征在于,所述变化数据,包括如下中的至少一种:变电站的三维外观变化数据、温度变化数据、电晕放电变化数据、振动变化数据和内部放电变化数据。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:根据预先设定的置信度初值,核实多源巡检数据的识别正确率,并根据所述正确率调整多源巡检数据的置信度,并对置信度不断下降的多源巡检数据,所对应的巡检采集设备发出状态异常告警。
8.根据权利要求7所述的方法,其特征在于,根据变电站部件设备的设备类型,设定不同多源巡检数据的缺陷诊断置信度初值。
9.一种变电站巡检三维缺陷识别和定位的***,其特征在于,所述***包括:
数据采集单元,对变电站移动巡检装备搭载的巡检采集设备,进行相对物理位置的标定,以对所述巡检采集设备的内外参进行转换,在所述巡检采集设备的内外参转换后,基于所述巡检采集设备,采集变电站的多源巡检数据及点云数据,并记录所述巡检采集设备的空间位置及姿态;
定位单元,通过所述空间位置及姿态,对所述巡检采集设备在预先搭建的变电站的实景三维模型中进行粗定位,在粗定位后,基于点云数据对所述巡检采集设备在预先搭建的变电站的实景三维模型中进行精定位;
数据处理单元,根据精定位所对应的所述巡检采集设备的空间位置、姿态及内外参,对所述多源巡检数据在所述实景三维模型上进行配准映射,且对所述配准映射后的所述多源巡检数据,以时序可扩展的结构化数据格式进行存储,以生成时序可扩展的巡视数据;
数据转换单元,对所述时序可扩展的巡视数据,基于预先搭建的部件级实景三维模型,进行数据划分,以生成部件级数据;其中,通过变电站的台账信息,对预先搭建的变电站的实景三维模型进行空间和业务语义的分割,以搭建变电站的部件级实景三维模型;
诊断单元,确定部件级数据中变电站参数的变化数据,基于变化数据进行变电站部件设备的缺陷诊断,以识别变电站设备部件的缺陷类型,以及定位变电站设备部件的缺陷空间;
所述变电站参数,包括如下中的至少一种:变电站的三维外观参数、温度参数、电晕放电参数、振动参数和内部放电参数。
10.根据权利要求9所述的***,其特征在于,所述巡检采集设备,包括如下中的至少一种:激光雷达、可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器。
11.根据权利要求10所述的***,其特征在于,所述可见光摄像头、红外摄像头、紫外摄像头、声成像传感器和特高频传感器用于采集变电站的多源巡检数据。
12.根据权利要求10所述的***,其特征在于,所述激光雷达用于扫描获取变电站的点云数据。
13.根据权利要求9所述的***,其特征在于,通过多站式激光雷达采集变电站的激光点云数据,对所述激光点云数据进行拼接,以搭建变电站的实景三维模型。
14.根据权利要求9所述的***,其特征在于,所述变化数据,包括如下中的至少一种:变电站的三维外观变化数据、温度变化数据、电晕放电变化数据、振动变化数据和内部放电变化数据。
15.根据权利要求9所述的***,其特征在于,所述诊断单元还用于:根据预先设定的置信度初值,核实多源巡检数据的识别正确率,并根据所述正确率调整多源巡检数据的置信度,并对置信度不断下降的多源巡检数据,所对应的巡检采集设备发出状态异常告警。
16.根据权利要求15所述的***,其特征在于,根据变电站部件设备的设备类型,设定不同多源巡检数据的缺陷诊断置信度初值。
17.一种计算机设备,其特征在于,包括:
一个或多个处理器;
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1-8中任一所述的方法。
18.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1-8中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419444.XA CN115965579B (zh) | 2022-11-14 | 2022-11-14 | 一种变电站巡检三维缺陷识别和定位的方法及*** |
PCT/CN2023/139706 WO2024104497A1 (zh) | 2022-11-14 | 2023-12-19 | 一种用于对变电站三维缺陷识别定位的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419444.XA CN115965579B (zh) | 2022-11-14 | 2022-11-14 | 一种变电站巡检三维缺陷识别和定位的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965579A CN115965579A (zh) | 2023-04-14 |
CN115965579B true CN115965579B (zh) | 2023-09-22 |
Family
ID=87353800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211419444.XA Active CN115965579B (zh) | 2022-11-14 | 2022-11-14 | 一种变电站巡检三维缺陷识别和定位的方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115965579B (zh) |
WO (1) | WO2024104497A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965579B (zh) * | 2022-11-14 | 2023-09-22 | 中国电力科学研究院有限公司 | 一种变电站巡检三维缺陷识别和定位的方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2009228317B2 (en) * | 2008-03-28 | 2014-01-23 | Lockheed Martin Corporation | System, program product, and related methods for registering three-dimensional models to point data representing the pose of a part |
CN111091609A (zh) * | 2019-12-11 | 2020-05-01 | 云南电网有限责任公司保山供电局 | 一种基于三维动态建模的变电站现场作业管控***和方法 |
CN112767391A (zh) * | 2021-02-25 | 2021-05-07 | 国网福建省电力有限公司 | 融合三维点云和二维图像的电网线路部件缺陷定位方法 |
CN114627021A (zh) * | 2022-03-18 | 2022-06-14 | 南通拓维思智能科技有限公司 | 基于点云与深度学习的缺陷检测方法和*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113767409A (zh) * | 2019-05-20 | 2021-12-07 | 西门子股份公司 | 输配电设备诊断方法、装置、***、计算设备、介质以及产品 |
US20220358635A1 (en) * | 2019-07-26 | 2022-11-10 | Nec Corporation | Inspection apparatus, measuring method, and computer readable medium |
US20220051395A1 (en) * | 2020-08-11 | 2022-02-17 | Baker Hughes Oilfield Operations Llc | Automated defect detection |
CN111998832A (zh) * | 2020-08-12 | 2020-11-27 | 河北雷神科技有限公司 | 一种基于激光点云的利用无人机准确定位目标物的巡检方法 |
CN114119926A (zh) * | 2021-11-30 | 2022-03-01 | 广东电网有限责任公司 | 一种电力巡检机器人三维温度场构建方法及相关装置 |
CN115965579B (zh) * | 2022-11-14 | 2023-09-22 | 中国电力科学研究院有限公司 | 一种变电站巡检三维缺陷识别和定位的方法及*** |
-
2022
- 2022-11-14 CN CN202211419444.XA patent/CN115965579B/zh active Active
-
2023
- 2023-12-19 WO PCT/CN2023/139706 patent/WO2024104497A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2009228317B2 (en) * | 2008-03-28 | 2014-01-23 | Lockheed Martin Corporation | System, program product, and related methods for registering three-dimensional models to point data representing the pose of a part |
CN111091609A (zh) * | 2019-12-11 | 2020-05-01 | 云南电网有限责任公司保山供电局 | 一种基于三维动态建模的变电站现场作业管控***和方法 |
CN112767391A (zh) * | 2021-02-25 | 2021-05-07 | 国网福建省电力有限公司 | 融合三维点云和二维图像的电网线路部件缺陷定位方法 |
CN114627021A (zh) * | 2022-03-18 | 2022-06-14 | 南通拓维思智能科技有限公司 | 基于点云与深度学习的缺陷检测方法和*** |
Non-Patent Citations (2)
Title |
---|
3D Point Cloud Analysis for Detection and Characterization of Defects on Airplane Exterior Surface;Igor Jovančević et al.;《HAL》;全文 * |
基于点云处理的产品表面质量缺陷识别研究综述;赵文慈等;《冶金自动化》;第第46卷卷(第第5期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2024104497A1 (zh) | 2024-05-23 |
CN115965579A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763443B2 (en) | Method for monitoring manufacture of assembly units | |
CN109344813B (zh) | 一种基于rgbd的目标识别和场景建模方法 | |
CN109887020B (zh) | 一种植株器官分离方法及*** | |
CN113192646B (zh) | 目标检测模型构建方法及不同目标间距离监控方法、装置 | |
Wang et al. | Research on image recognition of insulators based on YOLO algorithm | |
CN115965579B (zh) | 一种变电站巡检三维缺陷识别和定位的方法及*** | |
CN109752722A (zh) | 多模态声学成像工具 | |
CN109752721A (zh) | 具有扫描和分析能力的便携式声学成像工具 | |
CN116704377A (zh) | 一种基于数字孪生模型的无感化人员定位方法及*** | |
CN109756720A (zh) | 使用距离信息的声学成像中的焦点和/或视差调整 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别*** | |
CN113284144A (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN116993681A (zh) | 一种变电站巡检缺陷检测方法及*** | |
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 | |
CN113935379B (zh) | 一种基于毫米波雷达信号的人体活动分割方法及*** | |
CN113281780B (zh) | 对图像数据进行标注的方法、装置及电子设备 | |
CN107147877A (zh) | 固定区域夜雾天况全天候彩***成像***及其构建方法 | |
CN113674205A (zh) | 一种基于单目深度摄像头的人体测量的方法及*** | |
Hua et al. | Kinect‐Based Real‐Time Acquisition Algorithm of Crop Growth Depth Images | |
CN116821409A (zh) | 基于图像数据处理的生产安全管理方法及*** | |
He et al. | Visual recognition and location algorithm based on optimized YOLOv3 detector and RGB depth camera | |
CN116883945A (zh) | 一种融合目标边缘检测和尺度不变特征变换的人员识别定位方法 | |
Tu et al. | 2D in situ method for measuring plant leaf area with camera correction and background color calibration | |
CN116055521A (zh) | 一种电力巡检机器人巡检***及图像识别方法 | |
CN112069997B (zh) | 一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置 |
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 |