CN116383612B - 基于温度数据的电力设备部件框的检测补全方法 - Google Patents
基于温度数据的电力设备部件框的检测补全方法 Download PDFInfo
- Publication number
- CN116383612B CN116383612B CN202310669450.9A CN202310669450A CN116383612B CN 116383612 B CN116383612 B CN 116383612B CN 202310669450 A CN202310669450 A CN 202310669450A CN 116383612 B CN116383612 B CN 116383612B
- Authority
- CN
- China
- Prior art keywords
- frame
- equipment
- component
- detection model
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000295 complement effect Effects 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013526 transfer learning Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001502 supplementing effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003169 complementation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/096—Transfer learning
-
- 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)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了基于温度数据的电力设备部件框的检测补全方法,包括以下步骤:S1、红外温度传感器采集电力设备温度数据,将电力设备温度数据进行标记和预处理,得到三维温度矩阵数据;S2、分别获得电力设备的设备框检测模型和部件框检测模型;S3、将未知设备类型的三维温度矩阵数据,输入设备框检测模型中,输出设备框;S4、根据斜率和相对位置系数,通过设备框生成部件框A;S5、将未知设备类型的三维温度矩阵数据,输入部件框检测模型中进行检测,输出部件框,然后筛选得到部件框B;S6、用部件框A对部件框B中缺失的部件框进行补全。本发明具有提高部件框检测全面性的特点。
Description
技术领域
本发明涉及一种电力设备检测方法,特别是一种基于温度数据的电力设备部件框的检测补全方法。
背景技术
目前电力设备故障诊断检测的工作中,需要通过电力设备各部件之间的温度差来判断电力设备是否存在故障,此时精准的找出电力设备各部件的就显得尤为重要。目前主要是以红外图片为研究对象,从中提取出温度数据进行模型训练,定位检测设备的部件框。
但是由于电力设备种类多,且多种设备间具有相似性,红外图片中又会包含多种伪彩色,而且拍摄环境也比较复杂,从而容易使得被拍摄设备被干扰严重,导致单纯的电力设备部件框的检测,通常会出现漏检的问题,不能精准定位电力设备中的各个部件,对电力设备的异常发热诊断不够准确,出现误判。
发明内容
本发明的目的在于,提供一种基于温度数据的电力设备部件框的检测补全方法。本发明具有提高部件框检测全面性的特点。
本发明的技术方案:基于温度数据的电力设备部件框的检测补全方法,包括以下步骤:
S1、数据采集和预处理:红外温度传感器采集电力设备温度数据,将电力设备温度数据进行标记和预处理,得到三维温度矩阵数据;
S2、搭建并训练电力设备的设备框检测模型和部件框检测模型:以YoloV4作为框架,以mobilenet0.25作为主干特征提取网络,SGD作为优化器,输入三维温度矩阵数据进行端到端的网络训练,分别获得电力设备的设备框检测模型和部件框检测模型;
S3、设备框检测模型处理:将未知设备类型的三维温度矩阵数据,输入设备框检测模型中进行检测,输出设备框,获得设备的类型、位置和置信度,只保留位于最中心的设备框;
S4、根据斜率和相对位置系数,通过设备框生成部件框A;
S5、部件框检测模型处理:将未知设备类型的三维温度矩阵数据,输入部件框检测模型中进行检测,输出部件框,获得设备部件框的类型、位置和置信度,然后筛选得到部件框B;
S6、用部件框A对部件框B中缺失的部件框进行补全。
前述的基于温度数据的电力设备部件框的检测补全方法中,步骤S1中的数据标记是标记温度矩阵中设备的位置和类型以及设备部件的位置和类型;将标记的设备的位置和类型数据输入到设备框检测模型进行训练,将标记的设备部件的位置和类型数据输入到部件框检测模型进行训练。
前述的基于温度数据的电力设备部件框的检测补全方法中,步骤S1中的预处理为:将电力设备温度数据提取得到640×480的二维数组温度矩阵,然后在深度方向上拼接成三维数组,对拼接后的三维数组作数据的归一化处理,并映射到0-255之间,再在上下各填充80行0,转换为640×640的三维温度矩阵数据。
前述的基于温度数据的电力设备部件框的检测补全方法中,步骤S2中,模型训练采用迁移学习的方法,共设置800次迭代,前300次迭代,冻结主干网络参数,batch_size设置为64,后500次迭代对整个网络权重值训练,batch_size设置为32,学习率采用余弦衰减方式,初始值设置为1e-2,最小学习率设置为1e-4,最后获得电力设备的设备框检测模型和部件框检测模型。
前述的基于温度数据的电力设备部件框的检测补全方法中,步骤S4,具体包括以下步骤:
a、对要检测的电力设备标注实际的设备框和部件框;
b、计算实际的同一电力设备中所有的部件框和设备框之间的斜率和相对位置系数,并获得所有标记数据的平均斜率和平均相对位置系数;
c、将电力设备的三维温度矩阵数据经设备框检测模型检测后,得到设备框坐标,根据平均斜率和平均相对位置系数,计算电力设备中各部件框的坐标,得到部件框A。
前述的基于温度数据的电力设备部件框的检测补全方法中,步骤b中部件框和设备框之间的斜率和相对位置系数的计算公式为:
其中,令实际标注的设备框的左上角坐标为,设备框的右下角坐标为;部件框的左上角坐标为/>,部件框的右下角坐标为/>;/>为/>和所在直线的斜率;/>为/>和/>所在直线的相对位置系数;/>为和/>所在直线的斜率,/>为/>和/>所在直线的相对位置系数。
前述的基于温度数据的电力设备部件框的检测补全方法中,步骤c中的各部件框的坐标计算公式为:
其中,令设备框模型检测的设备框的左上角坐标为,设备框的右下角坐标为/>,令部件框的左上角坐标为/>,部件框的右下角的坐标为/>;为/>和/>所在直线的斜率,/>为/>和/>所在直线的斜率;/>为所有标记的部件框和设备框/>的平均斜率、/>为所有相对位置系数/>的平均相对位置系数,/>为所有/>的平均斜率,/>为所有相对位置系数/>的平均相对位置系数。
前述的基于温度数据的电力设备部件框的检测补全方法中,步骤S5中的部件框B的筛选方法包括以下步骤:
a、保留置信度大于阈值0.5且同设备类型的部件框;
b、删除部件框的中心点不在设备框内的部件框;
c、将每种部件类型的部件框保留一个置信度最高的部件框,得到部件框B。
与现有技术相比,本发明的有益效果为:
本发明运用深度学习的方法检测出电力设备的设备框和电力设备的部件框位置,根据部件框和设备框相对位置不变性,用设备框生成的部件框,从而对模型推理中漏检的部件框进行补全,完整找到各电力设备的部件框,提高部件框检测的召回率。
附图说明
图1是本发明的流程图;
图2是套管的设备框和部件框的实际红外标记图;
图3是套管设备框和部件框的位置坐标图;
图4是套管部件框A的红外图;
图5是套管部件框检测模型检测的部件框B的红外图;
图6是套管补全后的部件框B图;
图7是隔离开关的设备框和部件框的实际红外标记图;
图8是隔离开关设备框和部件框的位置坐标图;
图9是隔离开关部件框A的红外图;
图10是隔离开关部件框检测模型检测的部件框B的红外图;
图11是隔离开关补全后的部件框B图。
具体实施方式
下面结合实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例1:基于温度数据的电力设备部件框的检测补全方法,按照图1所示,包括以下步骤:
S1、数据采集和预处理:
红外温度传感器采集电力设备温度数据,将电力设备温度数据进行标记和预处理,提取得到640×480的二维数组温度矩阵,然后在深度方向上拼接成三维数组,对拼接后的三维数组作数据的归一化处理,并映射到0-255之间,再在上下各填充80行0,转换为640×640的三维温度矩阵数据;数据标记具体是标记温度矩阵中设备的位置和类型以及设备部件的位置和类型;将整理好的三维温度矩阵数据按7:1:2的比例随机划分为训练集、验证集和测试集。
S2、搭建并训练电力设备的设备框检测模型和部件框检测模型:
以YoloV4作为框架,以mobilenet0.25作为主干特征提取网络,SGD作为优化器,输入训练集、验证集和测试集进行端到端的网络训练。模型训练采用迁移学习的方法,共设置800次迭代,前300次迭代,冻结主干网络参数,batch_size设置为64,后500次迭代对整个网络权重值训练,batch_size设置为32,学习率采用余弦衰减方式,初始值设置为1e-2,最小学习率设置为1e-4,将标记的设备的位置和类型数据输入到设备框检测模型进行训练,将标记的设备部件的位置和类型数据输入到部件框检测模型进行训练,最后获得电力设备的设备框检测模型和部件框检测模型。
S3、设备框检测模型处理:将未知设备类型的三维温度矩阵数据,输入设备框检测模型中,输出设备框,获得设备的类型、位置和置信度信息,保留检测结果中位于红外热像图最中心的设备,其中红外热像图是温度矩阵的可视化呈现,温度矩阵中一个温度值对应红外热像图一个像素点的温度。根据检测结果中的位置信息,计算出各设备框中心点与红外热像图中心点的距离,保留距离最小的设备框和其对应的类型,即为设备框检测模型最终的检测结果。将设备类型、位置和置信度信息以列表的形式保存。
若经设备框检测模型处理后得知未知设备为套管,则以套管为例,进行后续的操作:
设备框检测模型处理后得到套管的设备框,设备框的坐标为[276,62,354,411],其中(276,62)为设备框的左上角坐标,(354,411)为设备框的右下角坐标。
S4、根据斜率和相对位置系数,通过套管设备框生成套管部件框A,具体计算步骤为:
a、对套管标注实际的设备框和部件框,如图2所示,其中,最大的标注框为设备框,在设备框内部的上部分、中间部分和下部分的3个小标注框为部件框;
b、计算套管中所有的部件框和设备框之间的斜率和相对位置系数,然后得到所有标记数据的平均相对斜率和平均相对位置系数。具体方法如下所示:令套管设备框的左上角坐标为,设备框的右下角坐标为/>;部件框的左上角坐标为/>,部件框的右下角坐标为/>;如图3所示。
根据公式1先计算出和/>所在直线的斜率/>和相对位置系数/>,和/>所在直线的斜率/>和相对位置系数/>,然后计算所有标注数据中/>、、/>和/>的平均值/>、/>、/>、/>,/>公式1
经计算,图2中套管设备框内部的上部分、中间部分和下部分的3个部件框的、、/>、/>分别为:
上部分:[ 0.4302526,0.20888039,27.20275201,0.13388763]
中间部分:[3.46318621,0.32164608,7.86961153,0.26671192]
下部分:[8.12985111,0.3126763,2.3139523,0.2756817 ]。
c、套管的三维温度矩阵数据经设备框检测模型检测后,如图4所示,得到设备框的左上角坐标为:P 1(276,62),设备框的右下角坐标为/>:P 4(354,411),根据设备框坐标和步骤a中计算的各部件框的平均斜率和平均相对位置系数,根据公式2计算出各部件框的左上角坐标为/>,部件框的右下角的坐标为/>;公式2
其中为/>和/>所在直线的斜率,/>为/>和/>所在直线的斜率。
计算取整得到套管设备框内部的3个部件框:上部分的部件框坐标为[292,69,343,126]、中间部分的部件框坐标为[301,148,333,247]、下部分的部件框坐标为[300,260,332,361],即为部件框A,如图4所示。
S5、部件框检测模型处理:将套管的三维温度矩阵数据,输入部件框检测模型中进行检测,输出部件框,获得设备部件框的类型、位置和置信度信息。
将得到的所有部件框进行筛选,保留置信度大于阈值0.5且同设备类型的部件框,然后删除部件框的中心点不在设备框内的部件框,最后,将每种部件类型的部件框保留一个置信度最高的部件框,得到部件框B。如图5所示,得到套管两个部件框,分别为套管上部分的部件框,坐标为[294,73,344,132];中间部分的部件框,坐标为[301,153,333,254];即为部件框B,但是缺失了套管下部分的部件框。
此时,经过筛选后得到的部件框B出现了缺失的情况,因此需要对部件框B中缺失的下部分的部件框进行补全。
S6、设备框B补全:根据设备框检测模型推理得到的设备框类型为套管,用套管的部件框A对检测到的套管部件框B中缺失的部件框进行补全,对比后找出部件框B中缺失的部件框为套管下部分的部件框,坐标为[300,260,332,361],补充到部件框B中,以补全后的部件框B作为最终的部件框输出结果。补充结果如图6所示,补全后的套管部件框B为:上部分的部件框,坐标为[294,73,344,132],中间部分的部件框,坐标为[301,153,333,254]和下部分的部件框,坐标为[300,260,332,361]。
经验证:在相同实验环境选取1200个套管测试数据,根据部件框检测模型直接检测得到的部件框召回率最高为95.21%,而在添加部件框补全方法后,部件框召回率可达99.35%。
因此,本方法可有效提高部件框的召回率。
实施例2:
基于温度数据的电力设备部件框的检测补全方法,按照图1所示,包括以下步骤:
S1、数据采集和预处理:
红外温度传感器采集电力设备温度数据,将电力设备温度数据进行标记和预处理,提取得到640×480的二维数组温度矩阵,然后在深度方向上拼接成三维数组,对拼接后的三维数组作数据的归一化处理,并映射到0-255之间,再在上下各填充80行0,转换为640×640的三维温度矩阵数据;数据标记具体是标记温度矩阵中设备的位置和类型以及设备部件的位置和类型;将整理好的三维温度矩阵数据按7:1:2的比例随机划分为训练集、验证集和测试集。
S2、搭建并训练电力设备的设备框检测模型和部件框检测模型:
以YoloV4作为框架,以mobilenet0.25作为主干特征提取网络,SGD作为优化器,输入训练集、验证集和测试集进行端到端的网络训练。模型训练采用迁移学习的方法,共设置800次迭代,前300次迭代,冻结主干网络参数,batch_size设置为64,后500次迭代对整个网络权重值训练,batch_size设置为32,学习率采用余弦衰减方式,初始值设置为1e-2,最小学习率设置为1e-4,将标记的设备的位置和类型数据输入到设备框检测模型进行训练,将标记的设备部件的位置和类型数据输入到部件框检测模型进行训练,最后获得电力设备的设备框检测模型和部件框检测模型。
S3、设备框检测模型处理:将未知设备类型的三维温度矩阵数据,输入设备框检测模型中,输出设备框,获得设备的类型、位置和置信度信息,保留检测结果中位于红外热像图最中心的设备,其中红外热像图是温度矩阵的可视化呈现,温度矩阵中一个温度值对应红外热像图一个像素点的温度。根据检测结果中的位置信息,计算出各设备框中心点与红外热像图中心点的距离,保留距离最小的设备框和其对应的类型,即为设备框检测模型最终的检测结果。将设备类型、位置和置信度信息以列表的形式保存。
若经设备框检测模型处理后得知未知设备为隔离开关,则以隔离开关为例,进行后续的操作:
设备框检测模型处理后得到隔离开关的设备框,设备框的坐标为[183,191,496,280],其中(183,191)为设备框的左上角坐标,(496,280)为设备框的右下角坐标。
S4、根据斜率和相对位置系数,通过隔离开关设备框生成隔离开关部件框A,具体计算步骤为:
a、对隔离开关标注实际的设备框和部件框,如图7所示,其中,最大的标注框为设备框,在设备框内部的左部分、中间部分和右部分的3个小标注框为部件框;
b、计算隔离开关中所有的部件框和设备框之间的斜率和相对位置系数,然后得到所有标记数据的平均相对斜率和平均相对位置系数。具体方法如下所示:
令隔离开关设备框的左上角坐标为,设备框的右下角坐标为/>;部件框的左上角坐标为/>,右下角坐标为/>;如图8所示。
根据公式1先计算出和/>所在直线的斜率/>和相对位置系数/>,和/>所在直线的斜率/>和相对位置系数/>,然后计算所有标注数据中/>、、/>和/>的平均值/>、/>、/>、/>,
公式1
经计算,图7中隔离开关设备框内部的左部分、中间部分和右部分的3个部件框的、/>、/>、/>分别为:
左部分:[1.59722222,0.01637461,0.02319872,0.78683843]
中间部分:[0.23713306,0.3304129,0.06720749,0.46600185]
右部分:[0.0336377,0.69066939,0.85416667,0.02029716]。
c、隔离开关的三维温度矩阵数据经设备框检测模型检测后,如图9所示,得到设备框的左上角坐标为:P 1(183,191),设备框的右下角坐标为/>:P 4(496,280),根据设备框坐标和步骤a中计算的各部件框的平均斜率和平均相对位置系数,根据公式2计算出各部件框的左上角坐标为/>,部件框的右下角的坐标为/>;
公式2
其中为/>和/>所在直线的斜率,/>为/>和/>所在直线的斜率。
计算取整,得到隔离开关设备框内部的3个部件框:左部分的部件框坐标为[188,199,249,274]、中间部分的部件框坐标为[281,219,352,268]、右部分的部件框坐标为[400,202,491,275],即为部件框A,如图9所示。
S5、部件框检测模型处理:将隔离开关的三维温度矩阵数据,输入部件框检测模型中进行检测,输出部件框,获得设备部件框的类型、位置和置信度信息。
将得到的所有部件框进行筛选,保留置信度大于阈值0.5且同设备类型的部件框,然后删除部件框的中心点不在设备框内的部件框,最后,将每种部件类型的部件框保留一个置信度最高的部件框,得到部件框B。如图10所示,得到隔离开关两个部件框,分别为隔离开关中间部分的部件框,坐标为[281,219,352,268];右部分的部件框,坐标为[400,202,491,275];即为部件框B,但是缺失了隔离开关左部分的部件框。
此时,经过筛选后得到的部件框B出现了缺失的情况,因此需要对部件框B中缺失的左部分的部件框进行补全。
S6、设备框B补全:根据设备框检测模型推理得到的设备框类型为隔离开关,用隔离开关的部件框A对检测到的隔离开关部件框B中缺失的部件框进行补全,对比后找出部件框B中缺失的部件框为隔离开关左部分的部件框,坐标为[188,199,249,274],补充到部件框B中,以补全后的部件框B作为最终的部件框输出结果。补充结果如图11所示,补全后的隔离开关部件框B为:左部分的部件框,坐标为[188,199,249,274];中间部分的部件框,坐标为[281,219,352,268]和右部分的部件框,坐标为[400,202,491,275]。
经验证:在相同实验环境选取1200个隔离开关测试数据,根据部件框检测模型直接检测得到的部件框召回率最高为94.35%,而在添加部件框补全方法后,部件框召回率可达98.96%。
因此,本方法可有效提高部件框的召回率。
Claims (5)
1.基于温度数据的电力设备部件框的检测补全方法,其特征在于:包括以下步骤:
S1、数据采集和预处理:红外温度传感器采集电力设备温度数据,将电力设备温度数据进行标记和预处理,得到三维温度矩阵数据;
S2、搭建并训练电力设备的设备框检测模型和部件框检测模型:以YoloV4作为框架,以mobilenet0.25作为主干特征提取网络,SGD作为优化器,输入三维温度矩阵数据进行端到端的网络训练,分别获得电力设备的设备框检测模型和部件框检测模型;
S3、设备框检测模型处理:将未知设备类型的三维温度矩阵数据,输入设备框检测模型中,输出设备框,获得设备的类型、位置和置信度,只保留位于最中心的设备框;
S4、根据斜率和相对位置系数,通过设备框生成部件框A:
a、对要检测的电力设备标注实际的设备框和部件框;
b、计算实际的同一电力设备中所有的部件框和设备框之间的斜率和相对位置系数,并获得所有标记数据的平均斜率和平均相对位置系数;
部件框和设备框之间的斜率和相对位置系数的计算公式为:
其中,令实际标注的设备框的左上角坐标为(x1,y1),设备框的右下角坐标为(x4,y4);部件框的左上角坐标为(x2,y2),部件框的右下角坐标为(x3,y3);kl为(x1,y1)和(x2,y2)所在直线的斜率;cl为(x1,y1)和(x2,y2)所在直线的相对位置系数;kr为(x3,y3)和(x4,y4)所在直线的斜率,cr为(x3,y3)和(x4,y4)所在直线的相对位置系数;
c、将电力设备的三维温度矩阵数据经设备框检测模型检测后,得到设备框坐标,根据平均斜率和平均相对位置系数,计算电力设备中各部件框的坐标,得到部件框A;
各部件框的坐标计算公式为:
其中,令设备框模型检测的设备框的左上角坐标为p1(ls,ts),设备框的右下角坐标为p4(rs,bs),令部件框的左上角坐标为p2(lb,tb),部件框的右下角的坐标为p3(rb,bb);bl为p1(ls,ts)和p2(lb,tb)所在直线的斜率,br为p3(rb,bb)和p4(rs,bs)所在直线的斜率;kl为所有标记的部件框和设备框kl的平均斜率、为所有相对位置系数cl的平均相对位置系数,kr为所有kr的平均斜率,/>为所有相对位置系数cr的平均相对位置系数;
S5、部件框检测模型处理:将未知设备类型的三维温度矩阵数据,输入部件框检测模型中,输出部件框,获得设备部件框的类型、位置和置信度,然后筛选得到部件框B;
S6、用部件框A对部件框B中缺失的部件框进行补全。
2.根据权利要求1所述的基于温度数据的电力设备部件框的检测补全方法,其特征在于:步骤S1中的数据标记是标记温度矩阵中设备的位置和类型以及设备部件的位置和类型;将标记的设备的位置和类型数据输入到设备框检测模型进行训练,将标记的设备部件的位置和类型数据输入到部件框检测模型进行训练。
3.根据权利要求1所述的基于温度数据的电力设备部件框的检测补全方法,其特征在于:步骤S1中的预处理为:将电力设备温度数据提取得到640×480的二维数组温度矩阵,然后在深度方向上拼接成三维数组,对拼接后的三维数组作数据的归一化处理,并映射到0-255之间,再在上下各填充80行0,转换为640×640的三维温度矩阵数据。
4.根据权利要求1所述的基于温度数据的电力设备部件框的检测补全方法,其特征在于:步骤S2中,模型训练采用迁移学习的方法,共设置800次迭代,前300次迭代,冻结主干网络参数,batch_size设置为64,后500次迭代对整个网络权重值训练,batch_size设置为32,学习率采用余弦衰减方式,初始值设置为1e-2,最小学习率设置为1e-4,最后获得电力设备的设备框检测模型和部件框检测模型。
5.根据权利要求1所述的基于温度数据的电力设备部件框的检测补全方法,其特征在于:步骤S5中的部件框B的筛选方法包括以下步骤:
a、保留置信度大于阈值0.5且同设备类型的部件框;
b、删除部件框的中心点不在设备框内的部件框;
c、将每种部件类型的部件框保留一个置信度最高的部件框,得到部件框B。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669450.9A CN116383612B (zh) | 2023-06-07 | 2023-06-07 | 基于温度数据的电力设备部件框的检测补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669450.9A CN116383612B (zh) | 2023-06-07 | 2023-06-07 | 基于温度数据的电力设备部件框的检测补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383612A CN116383612A (zh) | 2023-07-04 |
CN116383612B true CN116383612B (zh) | 2023-09-01 |
Family
ID=86981035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310669450.9A Active CN116383612B (zh) | 2023-06-07 | 2023-06-07 | 基于温度数据的电力设备部件框的检测补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383612B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523027A (zh) * | 2018-10-22 | 2019-03-26 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
CN112017173A (zh) * | 2020-09-02 | 2020-12-01 | 西南交通大学 | 基于目标检测网络和结构化定位的电力设备缺陷检测方法 |
CN114088212A (zh) * | 2021-11-29 | 2022-02-25 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的诊断方法及诊断装置 |
CN114463299A (zh) * | 2022-01-26 | 2022-05-10 | 浙江天铂云科光电股份有限公司 | 一种穿墙套管的红外图像检测方法 |
CN114898102A (zh) * | 2022-05-26 | 2022-08-12 | 浙江天铂云科光电股份有限公司 | 基于Efficientdet电力设备智能检测方法 |
CN115827888A (zh) * | 2022-11-17 | 2023-03-21 | 成都航天科工大数据研究院有限公司 | 一种复杂设备的故障预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE527467C2 (sv) * | 2003-12-22 | 2006-03-14 | Abb Research Ltd | Förfarande för positionering och ett positioneringssystem |
-
2023
- 2023-06-07 CN CN202310669450.9A patent/CN116383612B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523027A (zh) * | 2018-10-22 | 2019-03-26 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
CN112017173A (zh) * | 2020-09-02 | 2020-12-01 | 西南交通大学 | 基于目标检测网络和结构化定位的电力设备缺陷检测方法 |
CN114088212A (zh) * | 2021-11-29 | 2022-02-25 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的诊断方法及诊断装置 |
WO2023092760A1 (zh) * | 2021-11-29 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的诊断方法及诊断装置 |
CN114463299A (zh) * | 2022-01-26 | 2022-05-10 | 浙江天铂云科光电股份有限公司 | 一种穿墙套管的红外图像检测方法 |
CN114898102A (zh) * | 2022-05-26 | 2022-08-12 | 浙江天铂云科光电股份有限公司 | 基于Efficientdet电力设备智能检测方法 |
CN115827888A (zh) * | 2022-11-17 | 2023-03-21 | 成都航天科工大数据研究院有限公司 | 一种复杂设备的故障预测方法 |
Non-Patent Citations (1)
Title |
---|
基于点云数据输入的三维鲁棒修复技术;刘家宗;《中国优秀硕士学位论文全文数据库信息科技辑》(第02期);第I138-1323页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116383612A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264416B (zh) | 稀疏点云分割方法及装置 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及*** | |
US9165365B2 (en) | Method and system for estimating attitude of camera | |
CN103252778B (zh) | 用于估计机器人位置的设备及其方法 | |
CN109308719B (zh) | 一种基于三维卷积的双目视差估计方法 | |
CN107742093A (zh) | 一种红外图像电力设备部件实时检测方法、服务器及*** | |
KR20190059594A (ko) | 디스패리티 추정 장치 및 방법 | |
CN111784778A (zh) | 基于线性求解非线性优化的双目相机外参标定方法和*** | |
CN105574533B (zh) | 一种图像特征提取方法和装置 | |
CN112258409A (zh) | 一种用于无人驾驶的单目相机绝对尺度恢复方法及装置 | |
CN106709901A (zh) | 基于深度先验的模拟雾图生成方法 | |
KR100934904B1 (ko) | 거리 추정 장치 및 추정 방법 | |
CN115359295A (zh) | 一种解耦知识蒸馏金具目标检测方法及*** | |
CN116383612B (zh) | 基于温度数据的电力设备部件框的检测补全方法 | |
CN110659593A (zh) | 基于改进DiracNet的城市雾霾能见度检测方法 | |
CN104573085B (zh) | 图像检索方法、图像检索装置和终端 | |
CN109583341A (zh) | 对包含人像的图像的多人骨骼关键点检测方法及装置 | |
CN110411439B (zh) | 一种根据星能量等级生成仿真星点的方法、装置及介质 | |
CN112434559A (zh) | 一种机器人识别定位方法 | |
WO2018021657A1 (ko) | 스테레오 매칭을 통한 깊이값의 신뢰도 측정 방법 및 장치 | |
CN115239794B (zh) | 道路积水面积检测方法、装置及电子设备 | |
CN115880428A (zh) | 一种基于三维技术的动物检测数据处理方法、装置及设备 | |
CN116206140A (zh) | 一种基于双目立体视觉与U-Net神经网络的裂缝图像匹配方法 | |
CN114155289A (zh) | 基于双目视觉的电点火***电火花轮廓尺寸测量方法 | |
CN113538411A (zh) | 一种绝缘子缺陷检测方法及装置 |
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 |