CN105388414A - 一种隔离开关的全方位故障自动识别方法 - Google Patents
一种隔离开关的全方位故障自动识别方法 Download PDFInfo
- Publication number
- CN105388414A CN105388414A CN201510698475.7A CN201510698475A CN105388414A CN 105388414 A CN105388414 A CN 105388414A CN 201510698475 A CN201510698475 A CN 201510698475A CN 105388414 A CN105388414 A CN 105388414A
- Authority
- CN
- China
- Prior art keywords
- disconnector
- infrared
- image
- isolation switch
- fused images
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radiation Pyrometers (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种隔离开关的全方位故障自动识别方法。本发明通过对隔离开关各个方位分别采集可见光图像信息和红外检测图像信息,然后对相应图像信息进行预处理,算法融合,特征点提取、描述,生成描述向量,随后对描述向量进行特征匹配,再消除错误的匹配特征点,接着确定识别区域和边缘点的坐标,把所得边缘点通过仿射变换,标示在隔离开关的红外融合图像中,从而完成隔离开关红外融合图像的自动识别,并与隔离开关的模板图像进行模式识别,从而判断隔离开关是否有故障。本发明解决了目前隔离开关故障检测技术中的缺陷,具有非接触式精准识别、隔离开关部件全方位识别、全自动故障检测识别等优点。
Description
技术领域
本发明属于变电站设备故障自动识别技术领域,具体涉及一种隔离开关的全方位故障自动识别方法。
背景技术
隔离开关的安全运行直接影响到变电站运行的安全可靠性,因此隔离开关的运行状态监控与故障的自动识别非常有必要。隔离开关有多种故障类型,包括其机械故障,即开关是否闭合、是否发生机械形变、断裂;热故障,隔离开关的很多故障都是通过温度异常表现出来,包括两端绝缘陶瓷的发热,以及开关上有无异物附着等。普通的红外热像仪可以检测其内部或者外部的缺陷,但只有通过可见光和红外图像的融合,加上自动识别算法,才能进行全方位的故障诊断。
长期以来,隔离开关的状态判断都是通过定期停电检修实现的。专利公开为CN101614591A的“一种用于高压隔离开关触头的温度监测装置”中提出了一种在线监测装置,该装置仅仅监测隔离开关触头温度,无法识别小电流缺陷处的发热及其他热故障。专利公开号为CN202275146U的“带载情况下的高压配电隔离开关运行状态在线监测系统”中提出了一种隔离开关的在线监测系统,但只是通过电流互感器、振动传感器和红外温度传感器组成监测系统,监测隔离开关触头温度随电流的变化而变化情况,且只能监测隔离开关触头的温度情况。专利公开号为CN1141525A的“电力系统自动化的视觉信息辨识的监控方法”中提出了一种由CCD摄像机和视频放大器和报警装置等构成辨识系统,但这套系统只能简单的通过图像判断隔离开关的闭合故障。专利公开号为CN202587229U的“隔离开关视频监控系统”提出了一种利用户外监控数字摄像机和3G无线以太网终端器组成的视频监控系统,该系统只能将隔离开关的当前视频图像传回控制中心,人为的进行监测隔离开关的闭合情况。专利公开号为CN203745083U的“基于zigbee网络的高压隔离开关触头温度监控系统”中,提出了一种基于zigbee网络技术组网,通过通过红外温度传感器仅仅是对隔离开关的触头温度进行监测。专利公开号为CN103022903A的“一种高压开关柜内隔离开关状态智能视频监测系统”中,提出了一种在隔离开关的触头处安装多个视频采集器,通过以太网将各方面的触头视频信息传回控制中心,人为的对各个方向的触头进行分析比对,仅仅判断隔离开关的分合状态。公开专利号为CN101614591A的“一种用于高压隔离开关触头的温度监测装置”中提出了一种由红外温度传感器和数据采集单元以及声光报警单元组成的温度监测装置,该装置只能对隔离开关的触头进行热故障中温度过高的现场报警。
由于SIFT(ScaleInvariantFeatureTransform,尺度不变特征变换)算法在目标发生平移、旋转、缩放、亮度变化、部分遮挡、视角变换时都能取得较好的识别效果,故本发明采用的是SIFT算法识别红外融合图像中的隔离开关,并由此为基础进行故障诊断。
发明内容
本发明的目的在于提供一种隔离开关的全方位故障自动识别方法,解决现有技术中存在的隔离开关的故障识别停留在通过可见光图片对其闭合故障进行识别且不能满足实际情况中多种故障类型的诊断需求的问题。
为了实现上述目的,本发明采用的技术方案如下:
一种隔离开关的全方位故障自动识别方法,包括以下步骤:
(1)对隔离开关的各个方位分别采集可见光图像信息和红外检测图像信息;
(2)分别对隔离开关的红外检测图像、可见光检测图像和模板图像进行预处理;
(3)将预处理过后的隔离开关的红外检测图像和可见光图像采用改进形态学算法进行算法融合;
(4)将隔离开关融合过后的各个方向的图像利用SIFT算法进行特征点提取和特征描述,生成描述向量;
(5)采用欧氏距离和最近邻距离比例的匹配策略,对隔离开关四个方向的融合图像所生成的描述向量进行特征匹配;并将匹配成功的特征点作为候选匹配特征点;
(6)采用随机抽样一致性算法消除步骤(5)中错误的匹配特征点;
(7)通过矩阵逆运算,得到相对于隔离开关的红外模板图像在隔离开关红外融合图像里的具体位置,进一步利用所在位置的边界在融合图像中得到隔离开关的识别区域;
(8)利用边缘检测的方法对隔离开关四个方向的红外融合图像中的隔离开关的边缘进行检测,从而得到边缘点的坐标;
(9)在隔离开关红外融合图像的隔离开关识别区域里面,把步骤(8)所得到的边缘点通过仿射变换,标示在隔离开关的红外融合图像中,从而完成隔离开关红外融合图像的自动识别;
(10)根据步骤(9)对隔离开关全方位的自动识别,与隔离开关的模板图像进行模式识别,从而判断隔离开关是否有故障,并且判断其故障类型,将其故障情况上报,从而达到隔离开关故障的自动识别。
进一步地,所述步骤(2)操作如下:
(2-1)分别对隔离开关的可见光图像、红外检测图像和模板图像进行图像灰度化;
(2-2)运用改进的形态学算法对红外检测图像及模板图像进行处理,完成去噪的过程;
(2-3)对隔离开关的可见图像、红外检测图像和模板图像进行对比度增强工作。
再进一步地,所述步骤(3)操作如下:
(3-1)以高分辨率的可见光图像信息为背景,以红外图像的热敏感信息为目标,以改进的形态学滤波对红外检测图像预处理,除去红外图像中的冗余信息;
(3-2)将剩余的红外目标轮廓信息与可见光图像进行融合,并且利用人眼对红色与绿色目标较为敏感的特性进行彩色融合。
更进一步地,所述步骤(4)操作如下:
(4-1)利用SIFT算法分别对隔离开关融合图像及其模板图像进行高斯差分算子DOG运算检测局部极值点,并去除噪声和边缘得到特征点;
(4-2)利用特征点领域像素的梯度方向分布特性为每个特征点指定方向参数,实现特征点的方向分配;
(4-3)采用128维向量对特征点进行描述,生成描述向量。
另外,所述步骤(5)操作如下:
(5-1)将隔离开关模板图像中某特征点描述向量分别于隔离开关的红外融合图像中的每一个特征点的描述向量进行欧氏距离计算;
(5-2)将得到的对应于该特征点的最小欧氏与较小的欧氏距离比值跟设定的阈值进行比较;若得到的比值小于设定的阈值,则特征点匹配成功;否则丢弃该特征点。
值得说明的是,本发明涉及的模板图像来自于双目摄像头采集到的适用于高压变电站的满足GB1985《交流高压隔离开关和接地开关》及IEC-129(1984)标准要求的双柱水平旋转式高压隔离开关。
本发明与现有技术相比,具有以下优点及有益效果:
本发明解决了目前隔离开关故障检测技术中的缺陷(包括接触式故障检测、单一故障检测、半人工式故障识别等缺陷),具有非接触式精准识别、隔离开关部件全方位识别、全自动故障检测识别等优点。
附图说明
图1为本发明拍摄装置的结构示意图。
图2为本发明对图1中第三隔离开关正常时采集到的红外融合图像示意图。
图3为本发明对图1中第三隔离开关绝缘陶瓷部分升温过程的红外融合图像。
图4为本发明对图1中第三隔离开关绝缘陶瓷部分过热情况采集红外融合图像。
其中,附图中标记对应的零部件名称为:1-第一轨道,2-第二轨道,3-双目摄像头,4-第一隔离开关,5-第二隔离开关,6-第三隔离开关。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1~4所示,一种隔离开关的全方位故障自动识别方法,包括以下步骤:
(1)首先利用铺设十字轨道上的双目摄像头3,在第一轨道1和第二轨道2上移动,对第一隔离开关4、第二隔离开关5以及第三隔离开关6的前后左右四个方位分别采集可见光和红外检测图像信息。
(2)分别对隔离开关的红外检测图像和可见光检测图像进行预处理;其中,预处理的具体步骤如下:
(2-1)分别对隔离开关的可见光图像、红外检测图像和模板图像进行图像灰度化;
(2-2)运用改进的形态学算法对红外检测图像及模板图像进行处理,完成去噪的过程;
(2-3)对隔离开关的可见图像、红外检测图像和模板图像进行对比度增强工作。
(3)将预处理过后的隔离开关的红外检测图像和可见光图像采用改进形态学算法进行算法融合;其中,算法融合具体步骤如下:
(3-1)以高分辨率的可见光图像信息为背景,以红外图像的热敏感信息为目标,以改进的形态学滤波对红外检测图像预处理,除去红外图像中的冗余信息;
(3-2)将剩余的红外目标轮廓信息与可见光图像进行融合,并且利用人眼对红色与绿色目标较为敏感的特性进行彩色融合。
(4)将隔离开关融合过后的四个方向的图像利用SIFT算法进行特征点提取和特征描述,生成描述向量;其中特征点提取、描述、生成的具体步骤如下:
(4-1)利用SIFT算法分别对隔离开关融合图像及其模板图像进行高斯差分算子DOG运算检测局部极值点,并去除噪声和边缘得到特征点;
(4-2)利用特征点领域像素的梯度方向分布特性为每个特征点指定方向参数,实现特征点的方向分配;
(4-3)采用128维向量对特征点进行描述,生成描述向量。
(5)采用欧氏距离和最近邻距离比例的匹配策略,对隔离开关四个方向的融合图像所生成的描述向量进行特征匹配;并将匹配成功的特征点作为候选匹配特征点;具体地操作步骤如下:
(5-1)将隔离开关模板图像中某特征点描述向量分别于隔离开关的红外融合图像中的每一个特征点的描述向量进行欧氏距离计算;
(5-2)将得到的对应于该特征点的最小欧氏与较小的欧氏距离比值跟设定的阈值进行比较;若得到的比值小于设定的阈值,则特征点匹配成功;否则丢弃该特征点。
本实施例设在隔离开关模板图像中的特征匹配点集为G1,隔离开关红外融合图像的候选匹配点集为G2,这里的点集G1和点集G2是一一对应的;
(6)采用随机抽样一致性算法消除G1和G2中的错误匹配特征点,让隔离开关的全方位融合图像在操作之后的匹配特征点集为G3和G4,并且G3和G4中的点也是一一对应的。
(7)因为隔离开关的末班图像和红外融合图像之间会存在着缩放、平移和旋转的问题,而且G3和放射变换矩阵H的积为G4,所以通过矩阵逆运算可以得到相对隔离开关的红外模板图像在隔离开关红外融合图像里的具体位置,进一步利用所在位置的边界在融合图像中得到隔离开关的识别区域。
(8)利用边缘检测的方法对隔离开关四个方向的红外融合图像中的隔离开关的边缘进行检测,从而得到边缘点的坐标。
(9)在隔离开关红外融合图像的隔离开关识别区域里面,把步骤(8)所得到的边缘点通过仿射变换,标示在隔离开关的红外融合图像中,从而完成隔离开关红外融合图像的自动识别;
(10)根据步骤(9)对隔离开关全方位的自动识别,与隔离开关的模板图像进行模式识别,从而判断隔离开关是否有故障,并且判断其故障类型,将其故障情况上报,从而达到隔离开关故障的自动识别。
按照上述实施例,便可很好地实现本发明。值得说明的是,基于上述结构设计的前提下,为解决同样的技术问题,即使在本发明上做出的一些无实质性的改动或润色,所采用的技术方案的实质仍然与本发明一样,故其也应当在本发明的保护范围内。
Claims (5)
1.一种隔离开关的全方位故障自动识别方法,其特征在于,包括以下步骤:
(1)对隔离开关的各个方位分别采集可见光图像信息和红外检测图像信息;
(2)分别对隔离开关的红外检测图像、可见光检测图像和模板图像进行预处理;
(3)将预处理过后的隔离开关的红外检测图像和可见光图像采用改进形态学算法进行算法融合;
(4)将隔离开关融合过后的各个方向的图像利用SIFT算法进行特征点提取和特征描述,生成描述向量;
(5)采用欧氏距离和最近邻距离比例的匹配策略,对隔离开关四个方向的融合图像所生成的描述向量进行特征匹配;并将匹配成功的特征点作为候选匹配特征点;
(6)采用随机抽样一致性算法消除步骤(5)中错误的匹配特征点;
(7)通过矩阵逆运算,得到相对于隔离开关的红外模板图像在隔离开关红外融合图像里的具体位置,进一步利用所在位置的边界在融合图像中得到隔离开关的识别区域;
(8)利用边缘检测的方法对隔离开关四个方向的红外融合图像中的隔离开关的边缘进行检测,从而得到边缘点的坐标;
(9)在隔离开关红外融合图像的隔离开关识别区域里面,把步骤(8)所得到的边缘点通过仿射变换,标示在隔离开关的红外融合图像中,从而完成隔离开关红外融合图像的自动识别;
(10)根据步骤(9)对隔离开关全方位的自动识别,与隔离开关的模板图像进行模式识别,从而判断隔离开关是否有故障,并且判断其故障类型,将其故障情况上报,从而达到隔离开关故障的自动识别。
2.根据权利要求1所述的一种隔离开关的全方位故障自动识别方法,其特征在于,所述步骤(2)操作如下:
(2-1)分别对隔离开关的可见光图像、红外检测图像和模板图像进行图像灰度化;
(2-2)运用改进的形态学算法对红外检测图像及模板图像进行处理,完成去噪的过程;
(2-3)对隔离开关的可见图像、红外检测图像和模板图像进行对比度增强工作。
3.根据权利要求1所述的一种隔离开关的全方位故障自动识别方法,其特征在于,所述步骤(3)操作如下:
(3-1)以高分辨率的可见光图像信息为背景,以红外图像的热敏感信息为目标,以改进的形态学滤波对红外检测图像预处理,除去红外图像中的冗余信息;
(3-2)将剩余的红外目标轮廓信息与可见光图像进行融合,并且利用人眼对红色与绿色目标较为敏感的特性进行彩色融合。
4.根据权利要求1所述的一种隔离开关的全方位故障自动识别方法,其特征在于,所述步骤(4)操作如下:
(4-1)利用SIFT算法分别对隔离开关融合图像及其模板图像进行高斯差分算子DOG运算检测局部极值点,并去除噪声和边缘得到特征点;
(4-2)利用特征点领域像素的梯度方向分布特性为每个特征点指定方向参数,实现特征点的方向分配;
(4-3)采用128维向量对特征点进行描述,生成描述向量。
5.根据权利要求1所述的一种隔离开关的全方位故障自动识别方法,其特征在于,所述步骤(5)操作如下:
(5-1)将隔离开关模板图像中某特征点描述向量分别于隔离开关的红外融合图像中的每一个特征点的描述向量进行欧氏距离计算;
(5-2)将得到的对应于该特征点的最小欧氏与较小的欧氏距离比值跟设定的阈值进行比较;若得到的比值小于设定的阈值,则特征点匹配成功;否则丢弃该特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510698475.7A CN105388414A (zh) | 2015-10-23 | 2015-10-23 | 一种隔离开关的全方位故障自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510698475.7A CN105388414A (zh) | 2015-10-23 | 2015-10-23 | 一种隔离开关的全方位故障自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105388414A true CN105388414A (zh) | 2016-03-09 |
Family
ID=55420908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510698475.7A Pending CN105388414A (zh) | 2015-10-23 | 2015-10-23 | 一种隔离开关的全方位故障自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105388414A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327459A (zh) * | 2016-09-06 | 2017-01-11 | 四川大学 | 基于udct和pcnn的可见光与红外图像融合算法 |
CN106650787A (zh) * | 2016-11-16 | 2017-05-10 | 合肥普望电子有限责任公司 | 一种隔离开关故障自动判断方法 |
CN106650788A (zh) * | 2016-11-16 | 2017-05-10 | 合肥普望电子有限责任公司 | 隔离开关故障检测方法 |
CN106680705A (zh) * | 2017-02-20 | 2017-05-17 | 中国神华能源股份有限公司 | 隔离开关监控系统 |
CN106932692A (zh) * | 2017-03-07 | 2017-07-07 | 北京瑞盈智拓科技发展有限公司 | 基于红外紫外可见光图像融合的检测装置以及检测方法 |
CN108037384A (zh) * | 2017-11-30 | 2018-05-15 | 国网河北省电力公司经济技术研究院 | 电力设施现场监测方法及装置 |
CN108732484A (zh) * | 2017-04-20 | 2018-11-02 | 深圳市朗驰欣创科技股份有限公司 | 用于元器件定位的检测方法及检测系统 |
CN109164112A (zh) * | 2018-09-26 | 2019-01-08 | 深圳森阳环保材料科技有限公司 | 一种基于无人机的缆索表面缺陷检测系统 |
CN110335271A (zh) * | 2019-07-10 | 2019-10-15 | 浙江铁素体智能科技有限公司 | 一种电气部件故障的红外检测方法及装置 |
CN110472510A (zh) * | 2019-07-16 | 2019-11-19 | 上海电力学院 | 基于红外及可见图像的电力设备故障检测方法及评估设备 |
CN110728709A (zh) * | 2019-10-16 | 2020-01-24 | 广州中科智巡科技有限公司 | 一种基于双目视觉技术的刀闸智能识别系统及方法 |
CN110795307A (zh) * | 2019-10-18 | 2020-02-14 | 国网浙江宁波市奉化区供电有限公司 | 开关柜的部件状态监测方法 |
CN110889383A (zh) * | 2019-11-29 | 2020-03-17 | 南京航硕电气有限公司 | 一种基于ai技术的隔离开关状态在线监测系统 |
CN111863539A (zh) * | 2020-08-05 | 2020-10-30 | 沈阳铁路信号有限责任公司 | 一种电磁继电器的触头表面成分叠加融合方法 |
CN113721103A (zh) * | 2021-11-01 | 2021-11-30 | 广东电网有限责任公司东莞供电局 | 一种高压开关柜在线故障诊断方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937055A (zh) * | 2009-06-29 | 2011-01-05 | 国际商业机器公司 | 产生图像的方法和用于获取及处理图像的系统 |
CN102289676A (zh) * | 2011-07-30 | 2011-12-21 | 山东鲁能智能技术有限公司 | 基于红外检测的变电站刀闸模式识别方法 |
CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
CN102547063A (zh) * | 2012-02-08 | 2012-07-04 | 南京航空航天大学 | 基于颜色对比度增强的自然感彩色融合方法 |
CN103136531A (zh) * | 2013-03-26 | 2013-06-05 | 华北电力大学(保定) | 一种绝缘子串红外图像自动识别方法 |
CN103617630A (zh) * | 2013-12-18 | 2014-03-05 | 国网重庆潼南县供电有限责任公司 | 基于小波分析的电力系统设备红外图像分割方法及系统 |
CN103630244A (zh) * | 2013-12-18 | 2014-03-12 | 重庆大学 | 电力系统设备故障诊断方法及系统 |
CN203722342U (zh) * | 2014-03-03 | 2014-07-16 | 江西省电力设计院 | 一种变电站的巡视系统 |
CN104267343A (zh) * | 2014-10-17 | 2015-01-07 | 广东电网有限责任公司佛山供电局 | 断路器故障状态诊断方法和断路器故障状态诊断装置 |
CN104361314A (zh) * | 2014-10-21 | 2015-02-18 | 华北电力大学(保定) | 基于红外与可见光图像融合的变电设备定位方法及装置 |
CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
-
2015
- 2015-10-23 CN CN201510698475.7A patent/CN105388414A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937055A (zh) * | 2009-06-29 | 2011-01-05 | 国际商业机器公司 | 产生图像的方法和用于获取及处理图像的系统 |
CN102289676A (zh) * | 2011-07-30 | 2011-12-21 | 山东鲁能智能技术有限公司 | 基于红外检测的变电站刀闸模式识别方法 |
CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
CN102547063A (zh) * | 2012-02-08 | 2012-07-04 | 南京航空航天大学 | 基于颜色对比度增强的自然感彩色融合方法 |
CN103136531A (zh) * | 2013-03-26 | 2013-06-05 | 华北电力大学(保定) | 一种绝缘子串红外图像自动识别方法 |
CN103617630A (zh) * | 2013-12-18 | 2014-03-05 | 国网重庆潼南县供电有限责任公司 | 基于小波分析的电力系统设备红外图像分割方法及系统 |
CN103630244A (zh) * | 2013-12-18 | 2014-03-12 | 重庆大学 | 电力系统设备故障诊断方法及系统 |
CN203722342U (zh) * | 2014-03-03 | 2014-07-16 | 江西省电力设计院 | 一种变电站的巡视系统 |
CN104267343A (zh) * | 2014-10-17 | 2015-01-07 | 广东电网有限责任公司佛山供电局 | 断路器故障状态诊断方法和断路器故障状态诊断装置 |
CN104361314A (zh) * | 2014-10-21 | 2015-02-18 | 华北电力大学(保定) | 基于红外与可见光图像融合的变电设备定位方法及装置 |
CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
Non-Patent Citations (1)
Title |
---|
张宝辉: "红外与可见光的图像融合系统及应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327459A (zh) * | 2016-09-06 | 2017-01-11 | 四川大学 | 基于udct和pcnn的可见光与红外图像融合算法 |
CN106327459B (zh) * | 2016-09-06 | 2019-03-12 | 四川大学 | 基于udct和pcnn的可见光与红外图像融合方法 |
CN106650787A (zh) * | 2016-11-16 | 2017-05-10 | 合肥普望电子有限责任公司 | 一种隔离开关故障自动判断方法 |
CN106650788A (zh) * | 2016-11-16 | 2017-05-10 | 合肥普望电子有限责任公司 | 隔离开关故障检测方法 |
CN106680705A (zh) * | 2017-02-20 | 2017-05-17 | 中国神华能源股份有限公司 | 隔离开关监控系统 |
CN106932692A (zh) * | 2017-03-07 | 2017-07-07 | 北京瑞盈智拓科技发展有限公司 | 基于红外紫外可见光图像融合的检测装置以及检测方法 |
CN108732484A (zh) * | 2017-04-20 | 2018-11-02 | 深圳市朗驰欣创科技股份有限公司 | 用于元器件定位的检测方法及检测系统 |
CN108037384A (zh) * | 2017-11-30 | 2018-05-15 | 国网河北省电力公司经济技术研究院 | 电力设施现场监测方法及装置 |
CN109164112A (zh) * | 2018-09-26 | 2019-01-08 | 深圳森阳环保材料科技有限公司 | 一种基于无人机的缆索表面缺陷检测系统 |
CN110335271B (zh) * | 2019-07-10 | 2021-05-25 | 浙江铁素体智能科技有限公司 | 一种电气部件故障的红外检测方法及装置 |
CN110335271A (zh) * | 2019-07-10 | 2019-10-15 | 浙江铁素体智能科技有限公司 | 一种电气部件故障的红外检测方法及装置 |
CN110472510A (zh) * | 2019-07-16 | 2019-11-19 | 上海电力学院 | 基于红外及可见图像的电力设备故障检测方法及评估设备 |
CN110728709A (zh) * | 2019-10-16 | 2020-01-24 | 广州中科智巡科技有限公司 | 一种基于双目视觉技术的刀闸智能识别系统及方法 |
CN110728709B (zh) * | 2019-10-16 | 2022-08-16 | 广州中科智巡科技有限公司 | 一种基于双目视觉技术的刀闸智能识别系统及方法 |
CN110795307A (zh) * | 2019-10-18 | 2020-02-14 | 国网浙江宁波市奉化区供电有限公司 | 开关柜的部件状态监测方法 |
CN110889383A (zh) * | 2019-11-29 | 2020-03-17 | 南京航硕电气有限公司 | 一种基于ai技术的隔离开关状态在线监测系统 |
CN111863539A (zh) * | 2020-08-05 | 2020-10-30 | 沈阳铁路信号有限责任公司 | 一种电磁继电器的触头表面成分叠加融合方法 |
CN111863539B (zh) * | 2020-08-05 | 2022-04-12 | 沈阳铁路信号有限责任公司 | 一种电磁继电器的触头表面成分叠加融合方法 |
CN113721103A (zh) * | 2021-11-01 | 2021-11-30 | 广东电网有限责任公司东莞供电局 | 一种高压开关柜在线故障诊断方法及系统 |
CN113721103B (zh) * | 2021-11-01 | 2022-02-11 | 广东电网有限责任公司东莞供电局 | 一种高压开关柜在线故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105388414A (zh) | 一种隔离开关的全方位故障自动识别方法 | |
Almeida et al. | Intelligent thermographic diagnostic applied to surge arresters: a new approach | |
CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
CN107767374B (zh) | 一种gis盆式绝缘子内部导体局部过热智能诊断方法 | |
CN103136531B (zh) | 一种绝缘子串红外图像自动识别方法 | |
US11694320B2 (en) | System for monitoring a switchgear | |
Pal et al. | Real‐time condition monitoring of substation equipment using thermal cameras | |
CN110174174A (zh) | 基于红外热和可见光成像的检测终端及其使用方法 | |
CN107103598A (zh) | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 | |
CN104361314A (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN106056594A (zh) | 一种基于双光谱的可见光图像提取系统与方法 | |
CN112734698A (zh) | 基于红外图像的电缆终端异常诊断方法和装置 | |
CN112001327A (zh) | 一种阀厅设备故障识别方法及系统 | |
CN105374029B (zh) | 变电站设备红外图像感兴趣区域的分割方法及系统 | |
CN106920240A (zh) | 一种基于红外图像的绝缘子识别和故障诊断方法 | |
Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
US20220057271A1 (en) | Apparatus for monitoring a switchgear | |
CN117392565A (zh) | 一种无人机电力巡检缺陷自动识别方法 | |
CN112465797A (zh) | 一种电缆终端热状态智能诊断方法及系统 | |
CN109492617A (zh) | 基于K-means聚类算法的电力电缆诊断方法 | |
CN115731443A (zh) | 一种输变电设备热缺陷识别方法、装置、设备和存储介质 | |
CN112686886A (zh) | 一种电力巡检系统及其设备故障诊断方法 | |
Bin et al. | Study on the method of switch state detection based on image recognition in substation sequence control | |
Jin et al. | Temperature rising recognition of IR image of electrical equipment based on seeded region growing | |
CN114264933B (zh) | 一种集成电路板的故障检测方法和故障检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20160309 |