发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了基于图像识别技术和红外热成像技术的设备外观检测***,用于解决现有技术在对高压直流换流站进行巡检过程中,难以发现设备在长期使用过程中的细微异常,导致无法对高压直流换流站的状态进行准确评估的技术问题。
为实现上述目的,本发明的第一方面提供了基于图像识别技术和红外热成像技术的设备外观检测***,包括中枢控制模块,以及与之相连接的智能终端和若干数据采集模块;智能终端用于进行故障监测和预警;
数据采集模块通过与之相连接的红外摄像头获取长时序的红外图像数据,将红外图像数据进行预处理之后发送至中枢控制模块;
中枢控制模块从长时序的红外图像数据中提取时序温度特征,结合曲线拟合法分析时序温度特征,根据分析结果获取温度风险评分;
中枢控制模块基于设备风险评分采集设备外观图像,对设备外观图像进行校正之后通过图像识别技术分析设备外观,根据分析结果获取设备外观评分。
优选的,所述中枢控制模块分别与智能终端和若干数据采集模块通信和/或电气连接;且所述数据采集模块与设备一一对应;
所述数据采集模块分别与红外摄像头和高清摄像头通信和/或电气连接;其中,红外摄像头用于采集红外图像数据,高清摄像头用于采集设备外观图像。
优选的,所述中枢控制模块基于长时序的红外图像数据提取时序温度特征,包括:
通过红外摄像头连续采集设备工作过程的红外图像数据;
从红外图像数据提取设备表面的异常温度数据,将该异常温度数据对应位置的若干采集时刻的平均温度数据拼接起来,生成时序温度特征。
优选的,所述中枢控制模块结合曲线拟合法分析时序温度特征,包括:
基于曲线拟合法对时序温度特征中的若干平均温度数据进行拟合,获取温度特征曲线;
通过温度特征曲线识别时序温度特征的离散特征和趋势特征;其中,离散特征表示时序温度特征的离散状态,趋势特征表示时序温度特征的变化趋势。
优选的,通过温度特征曲线计算时序温度特征对应的温度风向评分,包括:
设定温度特征阈值,将温度特征阈值在坐标轴中围成的矩形区域标记为标准区域;统计温度特征曲线在标准区域内部所占的比例,标记为离散特征;
计算温度特征曲线末尾三个采集时刻的一阶导数均值与所有采集时刻的一阶导数均值的比值,标记为趋势特征。
优选的,根据所述离散特征和所述趋势特征计算温度风险评分,包括:
将离散特征标记为LST,将趋势特征标记为QST;
通过公式WFP=α×|QST-QSY|/LST获取温度风险评分WFP;其中,α为大于0的比例系数,QSY为趋势特征阈值。
优选的,当温度风险评分大于温度风险阈值时,将温度风险评分对应的位置标记为异常位置;则所述中枢控制模块通过高清摄像头采集设备外观图像,基于设备外观图像识别异常位置的材料劳损和细微形变,根据材料劳损和细微形变计算设备外观评分。
优选的,根据材料劳损和细微形变获取设备外观评分,包括:
通过图像识别技术识别异常位置是否出现材料劳损或者细微形变;是,则将异常位置标记风险位置;否,则不进行处理;
统计若干风险位置对应面积在设备外观上的占比,根据所占比例获取设备外观评分;其中,风险位置面积越大,设备外观评分越小。
与现有技术相比,本发明的有益效果是:本发明通过红外摄像头实时采集设备的长时序红外图像数据,通过对红外图像数据的分析判断可能出现故障的异常位置,再根据设备外观图像对若干异常位置进行识别统计,获取设备外观评分。本发明通过红外图像数据来分析设备的运行状态,能够更加灵敏的识别出可能出现异常的位置,再结合设备外观图像来进行总体分析,能够对设备进行客观准确地评价。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,本发明第一方面实施例提供了基于图像识别技术和红外热成像技术的设备外观检测***,包括中枢控制模块,以及与之相连接的智能终端和若干数据采集模块;智能终端用于进行故障监测和预警;数据采集模块通过与之相连接的红外摄像头获取长时序的红外图像数据,将红外图像数据进行预处理之后发送至中枢控制模块;中枢控制模块从长时序的红外图像数据中提取时序温度特征,结合曲线拟合法分析时序温度特征,根据分析结果获取温度风险评分;中枢控制模块基于设备风险评分采集设备外观图像,对设备外观图像进行校正之后通过图像识别技术分析设备外观,根据分析结果获取设备外观评分。
现有技术在对高压直流换流站进行巡检时,一般仅检查是否能够正常工作,以及各项工作参数是否在设定范围之内,且巡检工作也是工作人员定期进行,无法及时对高压直流换流站的细微异常进行准确识别,也就无法对故障进行预判。
本发明通过红外摄像头实时采集设备的长时序红外图像数据,通过对红外图像数据的分析判断可能出现故障的异常位置,再根据设备外观图像对若干异常位置进行识别统计,获取设备外观评分。本发明通过红外图像数据来分析设备的运行状态,能够更加灵敏的识别出可能出现异常的位置,再结合设备外观图像来进行总体分析,能够对设备进行客观准确地评价。
本发明中中枢控制模块分别与智能终端和若干数据采集模块通信和/或电气连接;且数据采集模块与设备一一对应;数据采集模块分别与红外摄像头和高清摄像头通信和/或电气连接。
整个设备外观检测***实质就是先通过红外图像数据来判断高压直流换流站哪些位置的温度数据不正常,再通过高清摄像头拍摄设备外观图像来识别材料性能和细微形变。因此,针对每个设备均对应设置有红外摄像头和高清摄像头,红外摄像头和高清摄像头与同一数据采集模块相连接,该数据采集模块即负责对应设备的图像数据采集和图像预处理。中枢控制模块与若干个数据采集模块相连接,也就是可以同时对多个设备进行检测。智能终端主要用于查看各设备的状态以及检测过程。
红外摄像头用于采集红外图像数据,高清摄像头用于采集设备外观图像。无论是红外摄像头还是高清摄像头均应该能够获取设备的全方位图像数据,在整个检测过程中,红外摄像头是定时工作,而高清摄像头是根据红外图像数据的分析结果确定是否工作。
本发明中中枢控制模块基于长时序的红外图像数据提取时序温度特征,包括:通过红外摄像头连续采集设备工作过程的红外图像数据;从红外图像数据提取设备表面的异常温度数据,将该异常温度数据对应位置的若干采集时刻的平均温度数据拼接起来,生成时序温度特征。
红外摄像头定时且连续的采集设备的红外图像数据,长时间连续采集自然可以获取设备的长时序红外图像数据。在设备正常工作的时候,通过红外图像数据显示的温度数据应该是正常的,工作状态异常时,设备表面对应的温度数据可能会出现异常,此时并不能单纯分析某一采集时刻的异常温度数据,而是将长时序红外图像数据中的平均温度数据联合起来分析,能够分析设备性能变化趋势。
当红外图像数据异常时,能够识别对应位置,该位置并不是一个点,实际是一片区域,因此回溯该位置对应的历史红外图像数据,计算历史红外图像数据对应的平均温度数据,这样采集了多少次红外图像数据,则对应多少个平均温度数据,则最后一个平均温度数据是异常的。
上述的时序温度特征是单个位置的,也就是某个位置某一个时刻的平均温度数据异常时,则结合历史红外图像数据拼接形成该位置对应的时序温度特征,则每个设备可以对应若干个时序温度特征。
本发明中中枢控制模块结合曲线拟合法分析时序温度特征,包括:基于曲线拟合法对时序温度特征中的若干平均温度数据进行拟合,获取温度特征曲线;通过温度特征曲线识别时序温度特征的离散特征和趋势特征;其中,离散特征表示时序温度特征的离散状态,趋势特征表示时序温度特征的变化趋势。
根据时序温度特征可以拟合获取温度特征曲线,根据温度特征曲线即可获取该组时序温度特征的离散特征和趋势特征。离散特征在数学上可以用均方差、方差等来表示,趋势特征是根据温度特征曲线的变化来判断后续对应位置的温度变化趋势,两个特征结合起来能够判定该位置是否存在风险。
在一个可选的实施例中,通过温度特征曲线计算时序温度特征对应的温度风向评分,包括:设定温度特征阈值,将温度特征阈值在坐标轴中围成的矩形区域标记为标准区域;统计温度特征曲线在标准区域内部所占的比例,标记为离散特征;计算温度特征曲线末尾三个采集时刻的一阶导数均值与所有采集时刻的一阶导数均值的比值,标记为趋势特征。
设定温度特征阈值,也是判断温度数据是否异常的基础,如[40℃,60℃],则温度特征阈值在坐标轴(纵轴为温度)上结合采集时刻可以划定一个矩形区域,这个矩形区域之内的温度均是符合设备工作场景的,一旦超出这个矩形区域,则说明温度数据异常。实施例统计温度特征曲线在标准区域(也就是矩形区域)中的部分占比整条温度特征曲线的比例,也就是离散特征。可见,离散特征越大,说明时序特征数据越趋于正常。
曲线的一阶导数能够敏感的表征出曲线走势,因此将温度特征曲线末尾若干采集时刻的一阶导数均值与所有采集时刻的一阶导数均值的比值作为趋势特征。具体采用末尾采集时刻的数量需要根据样本数量来确定,样本数量较多时,则可以用末尾三个采集时刻的一阶导数均值,若样本数量较少,则可以用最后一个采集时刻的一阶导数值。
本发明根据离散特征和趋势特征计算温度风险评分,包括:将离散特征标记为LST,将趋势特征标记为QST;通过公式WFP=α×|QST-QSY|/LST获取温度风险评分WFP;其中,α为大于0的比例系数,QSY为趋势特征阈值。
综合考虑离散特征和趋势特征来判断对应位置是否存在异常。在上述经过大量数据模拟获取的公式之中,温度风险评分与趋势特征和趋势特征区域的差值成正比,与离散特征成反比。举例说明如下:设定比例系数α=100,QST-QSY=10,LST=20,则该位置的温度风险评分WFP=50分。
本发明中当温度风险评分大于温度风险阈值(根据历史经验设定)时,将温度风险评分对应的位置标记为异常位置;则中枢控制模块通过高清摄像头采集设备外观图像,基于设备外观图像识别异常位置的材料劳损和细微形变,根据材料劳损和细微形变计算设备外观评分。
通过图像识别技术和高清图像数据的结合,能够提取设备材料特征(如颜色、腐蚀程度等)和形变特征(各种因素导致的细微形变)。本发明根据材料劳损和细微形变获取设备外观评分,包括:通过图像识别技术识别异常位置是否出现材料劳损或者细微形变;是,则将异常位置标记风险位置;否,则不进行处理;统计若干风险位置对应面积在设备外观上的占比,根据所占比例获取设备外观评分;其中,风险位置面积越大,设备外观评分越小。
当某位置出现了材料劳损或者细微形变时,则将该位置标记为风险位置。统计设备上风险位置的面积所占比例,根据比例大小来获取设备外观评分。根据设备外观评分来进行预警,以便于工作人员及时进行处理。
上述公式中的部分数据均是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理:
数据采集模块通过与之相连接的红外摄像头获取长时序的红外图像数据,将红外图像数据进行预处理之后发送至中枢控制模块。
中枢控制模块从长时序的红外图像数据中提取时序温度特征,结合曲线拟合法分析时序温度特征,根据分析结果获取温度风险评分。
中枢控制模块基于设备风险评分采集设备外观图像,对设备外观图像进行校正之后通过图像识别技术分析设备外观,根据分析结果获取设备外观评分。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。