CN116051539A - 一种变电设备发热故障的诊断方法 - Google Patents
一种变电设备发热故障的诊断方法 Download PDFInfo
- Publication number
- CN116051539A CN116051539A CN202310188784.4A CN202310188784A CN116051539A CN 116051539 A CN116051539 A CN 116051539A CN 202310188784 A CN202310188784 A CN 202310188784A CN 116051539 A CN116051539 A CN 116051539A
- Authority
- CN
- China
- Prior art keywords
- fault
- value
- gray
- suspected
- pixel
- 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
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种变电设备发热故障的诊断方法,包括,采集待诊断的变电设备的红外图像数据,并将所述红外图像数据转化为对应的灰度图像;对所述灰度图像进行识别确定各区域对应的灰度值,根据所述灰度值对疑似发热故障区域进行分割;对所述疑似发热故障区域做灰度处理计算该区域对应的梯度幅值;通过预设的灰度共生矩阵确定所述疑似发热故障区域对应的纹理特征值;将所述纹理特征值输入到预设的MLP神经网络对所有的疑似发热故障区域进行标注,并输出各疑似发热故障区域对应的故障等级,作为最终的变电设备发热故障的诊断结果。本发明利用图像处理对变电站设备的红外图像进行识别并判断发热故障等级。
Description
技术领域
本发明涉及电力设备识别技术领域,特别是涉及一种变电设备发热故障的诊断方法。
背景技术
电力***设备运行的过程中,变电设备因为各种原因出现发热故障,影响了变电设备正常安全运行,严重时会引起重大事故的发生,如***火灾等事故,所以需要对各设备进行温度的实时监测。
红外图像监测是常用的温度检测方式,常用的人工诊断故障耗时耗力,所以目前常采用目标检测算法如SSD和YOLO等对红外图像进行故障发热区域识别,识别效率远高于人工识别。但目标检测神经网络算法体积较为庞大,不利于布置在边缘终端等轻量级设备中,在边缘端装置中的运行速度和加载速度较慢,为了使边缘端轻量级设备能够快速设备判断故障等级,故本发明。
发明内容
本发明的目的在于,提出一种变电设备发热故障的诊断方法,解决如何利用图像处理对变电站设备的红外图像进行识别并判断发热故障等级的技术问题。
一方面,提供一种变电设备发热故障的诊断方法,包括:
采集待诊断的变电设备的红外图像数据,并将所述红外图像数据转化为对应的灰度图像;
对所述灰度图像进行识别确定各区域对应的灰度值,将对应灰度值大于预设阈值的区域判定为疑似发热故障区域,并根据所述灰度值对疑似发热故障区域进行分割;
提取出所述疑似发热故障区域,对所述疑似发热故障区域做灰度处理计算该区域对应的梯度幅值;
通过预设的灰度共生矩阵确定所述疑似发热故障区域对应的纹理特征值,其中,所述纹理特征值至少包括对比度、熵、角二阶矩、反差分矩阵;
将所述纹理特征值作为输入量输入到预设的MLP神经网络对所有的疑似发热故障区域进行标注,并输出各疑似发热故障区域对应的故障等级,作为最终的变电设备发热故障的诊断结果。
优选地,所述将所述红外图像数据转化为对应的灰度图像包括:
获取所述红外图像数据中的多个颜色通道在对应的取值范围内的取值参数,其中,所述颜色通道至少包括红、绿及蓝;
将颜色通道在对应的取值范围内的取值参数转化为对应的灰度值,并将所有转化后的灰度值组合成对应的灰度图像。
优选地,通过以下公式计算对应的灰度值:
I=0.299R+0.587G+0.114B
其中,I为像素点的灰度值,R、G、B分别为红颜色通道、绿颜色通道及蓝颜色通道。
优选地,所述根据所述灰度值对疑似发热故障区域进行分割包括:
随机选择多个灰度值中心点,每个中心点即为每个簇对应的中心点;
将图像中所有的灰度值分别对多个灰度值中心点进行距离计算,并将各像素点归划到与其距离值最小的中心点的簇;
重复取每个簇中的平均值,生成一个新的中心点,将各像素点归划到与其距离值最小的中心点的簇,直到所有的像素点不再被分配或达到最大的迭代次数为止,输出聚类图像。
优选地,还包括:
预设的轮廓处理工具对所述聚类图像进行轮廓的提取,输出为一个列表,所述列表中包含了每个区域轮廓点的数组集;
通过预设的轮廓判断阈值判断每组轮廓点的数量将轮廓点数小于该轮廓判断阈值的区域过滤掉;
将剩余的轮廓点的列表输入到所述轮廓处理工具,生成各轮廓的矩形框边界并返回坐标信息,所述坐标信息至少包括表示矩形框边界左上角顶点的x坐标、y坐标、x方向的长度w、y方向上的长度h;
根据所述坐标信息确定矩形框的左上坐标为x,y,右下坐标为x+w,y+h,并根据矩形框的左上坐标和右上坐标在所述灰度图像绘制对应的矩形框图,分割为疑似发热故障区域。
优选地,根据以下公式计算疑似发热故障区域对应的梯度幅值:
G=|Gx|+|Gy|
其中,G为梯度幅值,|Gx|为x方向的梯度值的绝对值之和,|Gy|为y方向的梯度值的绝对值。
优选地,所述灰度共生矩阵包括:
其中,CON为对比度,ENT为熵,ASM为角二阶矩,H为反差分矩阵,i为灰度值为i的像素点,j为像素点上灰度值为j的频数,d为灰度值为i的像素点和灰度值为j的像素点之间的间隔距离,θ为灰度值为i的像素点和灰度值为j的像素点之间的方位,N为像素点的上限值。
优选地,所述MLP神经网络将一个像素点对应的纹理特征值作为一组输入项向量映射到一组输出向量,其中,所述输出向量表示概率值。
优选地,所述输出向量中将严重故障的概率输出定义为Y1,一般故障的概率输出定义为Y2,正常故障的概率输出定义为Y3,其中,严重故障所对应的输出标注为[Y1,Y2,Y3]=[1,0,0],一般故障对应的输出为[Y1,Y2,Y3]=[0,1,0],正常对应的输出为[Y1,Y2,Y3]=[0,0,1]。
优选地,所述输出各疑似发热故障区域对应的故障等级包括:
通过判断Y1、Y2及Y3生成的概率值,选取最大概率对应的故障等级作为对应的发热区域图像的故障等级。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的变电设备发热故障的诊断方法,将图像的像素点值按灰度值进行分类,选取灰度中心值最大的类为疑似故障区域,将疑似发热故障区域用方框框选出来,提取框选区域并生成区域的灰度梯度图像,计算梯度图像的灰度共生矩阵并提取特征值,经过MLP神经网络判断设备故障等级(正常、一般、严重)。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种变电设备发热故障的诊断方法的主流程示意图。
图2为本发明实施例中Roberts梯度算子示意图。
图3为本发明实施例中MLP网络结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明提供的一种变电设备发热故障的诊断方法的一个实施例的示意图。在该实施例中,所述方法包括以下步骤:
步骤S1,采集待诊断的变电设备的红外图像数据,并将所述红外图像数据转化为对应的灰度图像;也就是,先将红外图像灰度化,再进行后续处理与分析,能够有效减少所需运算量与存储空间,提高处理速度与效率。
具体实施例中,所述将所述红外图像数据转化为对应的灰度图像包括:获取所述红外图像数据中的多个颜色通道在对应的取值范围内的取值参数,其中,所述颜色通道至少包括红、绿及蓝;将颜色通道在对应的取值范围内的取值参数转化为对应的灰度值,并将所有转化后的灰度值组合成对应的灰度图像。可理解的,原始红外图像包含红、绿、蓝3个颜色通道,每个通道取值范围0-255,图像包含像素信息超过16000000(256×256×256),直接处理彩色图像运算量大,速度慢,效率低。将红外图像转化为灰度图像的过程称为灰度化,灰度图像本质上是红、绿、蓝3个颜色分量R、G、B大小一致的特殊彩色图像,3个分量大小即为灰度大小。灰度图像仍然能够反映轮廓、纹理与温度等信息,灰度大小与温度高低成正相关,灰度值越大,对应像素点的温度越高。灰度取值为0-255,共0-255种情况,相较于原始红外图像,数据量显著减少。
具体地,考虑到人眼对绿色的敏感度最高,而对蓝色的敏感度最低,采用加权平均法实现红外图像灰度化,通过以下公式计算对应的灰度值:
I=0.299R+0.587G+0.114B
其中,I为像素点的灰度值,R、G、B分别为红颜色通道、绿颜色通道及蓝颜色通道。
步骤S2,对所述灰度图像进行识别确定各区域对应的灰度值,将对应灰度值大于预设阈值的区域判定为疑似发热故障区域,并根据所述灰度值对疑似发热故障区域进行分割;也就是,在识别前,先将红外图像转化为灰度图像,通过对灰度图像的分析可以得到发热故障的区域。输变电设备温度越高的区域,图像的灰度值对应越高,灰度值最大的区域对应的是温度最大的区域,有可能就是发热故障区域,可先对疑似发热故障区域进行区域的分割,再进一步分析确定是否为发热故障。
具体实施例中,所述根据所述灰度值对疑似发热故障区域进行分割包括:随机选择多个灰度值中心点,每个中心点即为每个簇对应的中心点;将图像中所有的灰度值分别对多个灰度值中心点进行距离计算,并将各像素点归划到与其距离值最小的中心点的簇;重复取每个簇中的平均值,生成一个新的中心点,将各像素点归划到与其距离值最小的中心点的簇,直到所有的像素点不再被分配或达到最大的迭代次数为止,输出聚类图像。可理解的,对疑似发热区域的分割,可采用K-means算法将图像按照灰度值进行分割,然后提取出灰度值值较大的区域。对于灰度图像,K-means算法的步骤分为5步,首先随机选择k个灰度值中心点,每个中心点即为每个簇对应的中心点,记为a1,a2……ak,第二步将图像中所有的灰度值分别对k个中心点进行距离计算(差值的绝对值),并将像素点归划到与之距离值最小的中心点的簇,第三步将取每个簇中的平均值,生成一个新的中心点,第四步分配每个数据到它最近的中心点,第五步重复步骤四和五,直到所有的观测值不再被分配或是达到最大的迭代次数。
聚类图像确定之后,通过预设的轮廓处理工具对所述聚类图像进行轮廓的提取,输出为一个列表,所述列表中包含了每个区域轮廓点的数组集;
通过预设的轮廓判断阈值判断每组轮廓点的数量将轮廓点数小于该轮廓判断阈值的区域过滤掉;
将剩余的轮廓点的列表输入到所述轮廓处理工具,生成各轮廓的矩形框边界并返回坐标信息,所述坐标信息至少包括表示矩形框边界左上角顶点的x坐标、y坐标、x方向的长度w、y方向上的长度h;
根据所述坐标信息确定矩形框的左上坐标为x,y,右下坐标为x+w,y+h,并根据矩形框的左上坐标和右上坐标在所述灰度图像绘制对应的矩形框图,分割为疑似发热故障区域。
可以理解的,对聚类出的图像进行轮廓的提取,利用openCV中的cv2.findContours函数将轮廓点进行提取,它能将二值化图像中的轮廓提取出来,最终输出为一个列表,包含了每个区域轮廓点的数组集。通过判断每组轮廓点的数量将一些轮廓点数特别小的区域(如一些噪声)过滤掉。
将剩余的轮廓点列表输入到openCV中的cv2.boundingRect函数,生成各轮廓的矩形框边界,返回了x,y,w,h四个坐标,分别表示矩形框边界左上角顶点x坐标和y坐标以及x方向的长度w和y方向上的长度h。易得矩形框的左上坐标为(x,y),右下坐标为(x+w,y+h),最后用将矩形框的左上坐标,和右上坐标输入cv2.rectangle函数,就能绘制对应的矩形框图到对应的图上。
步骤S3,提取出所述疑似发热故障区域,对所述疑似发热故障区域做灰度处理计算该区域对应的梯度幅值;将框选出来的疑似发热区域提取出来,对疑似发热区域做灰度处理,用梯度检测算子Roberts算子计算灰度图像的梯度幅值。
具体实施例中,根据以下公式计算疑似发热故障区域对应的梯度幅值:
G=|Gx|+|Gy|
其中,G为梯度幅值,|Gx|为x方向的梯度值的绝对值,|Gy|为y方向的梯度值的绝对值,如图2所示。
步骤S4,通过预设的灰度共生矩阵确定所述疑似发热故障区域对应的纹理特征值,其中,所述纹理特征值至少包括对比度、熵、角二阶矩、反差分矩阵;也就是,。
具体实施例中,所述灰度共生矩阵包括:
其中,CON为对比度,ENT为熵,ASM为角二阶矩,H为反差分矩阵,i为灰度值为i的像素点,j为像素点上灰度值为j的频数,d为灰度值为i的像素点和灰度值为j的像素点之间的间隔距离,θ为灰度值为i的像素点和灰度值为j的像素点之间的方位,N为像素点的上限值。
可理解的,灰度共生矩阵是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下,提出的具有广泛性的纹理分析方法,它被定义为从灰度为i的像素点出发,离开某个固定位置(相隔距离为d,方位为θ)的点上灰度值为j的频数或概率(统计像素点对中按某一位置关系灰度值对为(i,j)的频数或概率),即所有估计的值可以表示成一个矩阵的形式,以此被称为灰度共生矩阵,体现了图像中灰度的空间相关特性。由于灰度共生矩阵的数据量较大,一般不直接作为区分纹理的特征,而是基于它构建的一些统计量作为纹理分类特征。对比度、熵、角二阶矩、反差分矩阵是其中的四个统计量。根据梯度灰度图像生成灰度共生矩阵,并提取四个统计量作为梯度灰度图像纹理的特征值。利用统计量能对图像纹理信息进行描述的特性,可以将其作为判断故障等级的依据。
步骤S5,将所述纹理特征值作为输入量输入到预设的MLP神经网络对所有的疑似发热故障区域进行标注,并输出各疑似发热故障区域对应的故障等级,作为最终的变电设备发热故障的诊断结果。也就是,如图3所示,构建一个MLP神经网络,MLP多层感知器(Multi-layerPerceptron)是一种前向结构的人工神经网络ANN,映射一组输入向量(图中的x1、x2、x3、x4)到一组输出向量(y1、y2、y3),MLP准确率高且运行速度较快。在MLP中加入softmax层,将输出转为概率的形式。
具体实施例中,所述MLP神经网络将一个像素点对应的纹理特征值作为一组输入项向量映射到一组输出向量,其中,所述输出向量表示概率值。所述输出向量中将严重故障的概率输出定义为Y1,一般故障的概率输出定义为Y2,正常故障的概率输出定义为Y3,其中,严重故障所对应的输出标注为[Y1,Y2,Y3]=[1,0,0],一般故障对应的输出为[Y1,Y2,Y3]=[0,1,0],正常对应的输出为[Y1,Y2,Y3]=[0,0,1]。可理解的,将所有图像的疑似区域进行标注,将严重故障的概率输出定义为Y1,一般故障的概率输出定义为Y2,正常故障的概率输出定义为Y3,则其中严重故障所对应的输出标注为[Y1,Y2,Y3]=[1,0,0],一般故障对应的输出为[Y1,Y2,Y3]=[0,1,0],正常对应的输出为[Y1,Y2,Y3]=[0,0,1],4个输入为灰度共生矩阵生成的4个特征值。
经过神经网络训练后,通过判断Y1,Y2,Y3生成的概率值,选取最大概率对应的故障等级作为发热区域图像的故障等级,实现对设备故障等级的判断。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的变电设备发热故障的诊断方法,将图像的像素点值按灰度值进行分类,选取灰度中心值最大的类为疑似故障区域,将疑似发热故障区域用方框框选出来,提取框选区域并生成区域的灰度梯度图像,计算梯度图像的灰度共生矩阵并提取特征值,经过MLP神经网络判断设备故障等级(正常、一般、严重)。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种变电设备发热故障的诊断方法,其特征在于,包括:
采集待诊断的变电设备的红外图像数据,并将所述红外图像数据转化为对应的灰度图像;
对所述灰度图像进行识别确定各区域对应的灰度值,将对应灰度值大于预设阈值的区域判定为疑似发热故障区域,并根据所述灰度值对疑似发热故障区域进行分割;
提取出所述疑似发热故障区域,对所述疑似发热故障区域做灰度处理计算该区域对应的梯度幅值;
通过预设的灰度共生矩阵确定所述疑似发热故障区域对应的纹理特征值,其中,所述纹理特征值至少包括对比度、熵、角二阶矩、反差分矩阵;
将所述纹理特征值作为输入量输入到预设的MLP神经网络对所有的疑似发热故障区域进行标注,并输出各疑似发热故障区域对应的故障等级,作为最终的变电设备发热故障的诊断结果。
2.如权利要求1所述的方法,其特征在于,所述将所述红外图像数据转化为对应的灰度图像包括:
获取所述红外图像数据中的多个颜色通道在对应的取值范围内的取值参数,其中,所述颜色通道至少包括红、绿及蓝;
将颜色通道在对应的取值范围内的取值参数转化为对应的灰度值,并将所有转化后的灰度值组合成对应的灰度图像。
3.如权利要求2所述的方法,其特征在于,通过以下公式计算对应的灰度值:
I=0.299R+0.587G+0.114B
其中,I为像素点的灰度值,R、G、B分别为红颜色通道、绿颜色通道及蓝颜色通道。
4.如权利要求3所述的方法,其特征在于,所述根据所述灰度值对疑似发热故障区域进行分割包括:
随机选择多个灰度值中心点,每个中心点即为每个簇对应的中心点;
将图像中所有的灰度值分别对多个灰度值中心点进行距离计算,并将各像素点归划到与其距离值最小的中心点的簇;
重复取每个簇中的平均值,生成一个新的中心点,将各像素点归划到与其距离值最小的中心点的簇,直到所有的像素点不再被分配或达到最大的迭代次数为止,输出聚类图像。
5.如权利要求4所述的方法,其特征在于,还包括:
通过预设的轮廓处理工具对所述聚类图像进行轮廓的提取,输出为一个列表,所述列表中包含了每个区域轮廓点的数组集;
通过预设的轮廓判断阈值判断每组轮廓点的数量将轮廓点数小于该轮廓判断阈值的区域过滤掉;
将剩余的轮廓点的列表输入到所述轮廓处理工具,生成各轮廓的矩形框边界并返回坐标信息,所述坐标信息至少包括表示矩形框边界左上角顶点的x坐标、y坐标、x方向的长度w、y方向上的长度h;
根据所述坐标信息确定矩形框的左上坐标为x,y,右下坐标为x+w,y+h,并根据矩形框的左上坐标和右上坐标在所述灰度图像绘制对应的矩形框图,分割为疑似发热故障区域。
6.如权利要求5所述的方法,其特征在于,根据以下公式计算疑似发热故障区域对应的梯度幅值:
G=|Gx|+|Gy|
其中,G为梯度幅值,|Gx|为x方向的梯度值的绝对值,|Gy|为y方向的梯度值的绝对值。
8.如权利要求7所述的方法,其特征在于,所述MLP神经网络将一个像素点对应的纹理特征值作为一组输入项向量映射到一组输出向量,其中,所述输出向量表示概率值。
9.如权利要求8所述的方法,其特征在于,所述输出向量中将严重故障的概率输出定义为Y1,一般故障的概率输出定义为Y2,正常故障的概率输出定义为Y3,其中,严重故障所对应的输出标注为[Y1,Y2,Y3]=[1,0,0],一般故障对应的输出为[Y1,Y2,Y3]=[0,1,0],正常对应的输出为[Y1,Y2,Y3]=[0,0,1]。
10.如权利要求9所述的方法,其特征在于,所述输出各疑似发热故障区域对应的故障等级包括:
通过判断Y1、Y2及Y3生成的概率值,选取最大概率对应的故障等级作为对应的发热区域图像的故障等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188784.4A CN116051539A (zh) | 2023-02-23 | 2023-02-23 | 一种变电设备发热故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188784.4A CN116051539A (zh) | 2023-02-23 | 2023-02-23 | 一种变电设备发热故障的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051539A true CN116051539A (zh) | 2023-05-02 |
Family
ID=86113490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310188784.4A Pending CN116051539A (zh) | 2023-02-23 | 2023-02-23 | 一种变电设备发热故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051539A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912178A (zh) * | 2023-06-26 | 2023-10-20 | 成都理工大学 | 导线表面痕迹识别方法 |
-
2023
- 2023-02-23 CN CN202310188784.4A patent/CN116051539A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912178A (zh) * | 2023-06-26 | 2023-10-20 | 成都理工大学 | 导线表面痕迹识别方法 |
CN116912178B (zh) * | 2023-06-26 | 2024-05-24 | 成都理工大学 | 导线表面痕迹识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
CN111915572B (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测***及方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别***及方法 | |
CN111915544B (zh) | 基于图像融合的保护压板运行状态辨识方法 | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
CN116051539A (zh) | 一种变电设备发热故障的诊断方法 | |
CN111833347A (zh) | 一种输电线路防振锤缺陷检测方法及相关装置 | |
CN111339967A (zh) | 一种基于多视域图卷积网络的行人检测方法 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN117593499A (zh) | 一种基于分布式巡检策略的水电站机电设备故障识别方法 | |
CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
CN116309270A (zh) | 一种基于双目图像的输电线路典型缺陷识别方法 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN114565753A (zh) | 一种基于改进YOLOv4网络的无人机小目标识别方法 |
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 |