CN105844268B - 一种基于视频的引风机静叶监视方法及系统 - Google Patents
一种基于视频的引风机静叶监视方法及系统 Download PDFInfo
- Publication number
- CN105844268B CN105844268B CN201610413859.4A CN201610413859A CN105844268B CN 105844268 B CN105844268 B CN 105844268B CN 201610413859 A CN201610413859 A CN 201610413859A CN 105844268 B CN105844268 B CN 105844268B
- Authority
- CN
- China
- Prior art keywords
- stator blade
- air
- introduced machine
- blade
- video
- 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
Classifications
-
- 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
- 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
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频的引风机静叶监视方法及系统,该方法包括:实时获取对引风机静叶进行监控的视频帧图像;对获取的所述视频帧图像进行预处理;对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线;对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测。本发明可以根据电力工业需求,替代人工巡检,自动实时对引风机的静叶片进行跟踪,实现引风机开度状态的实时监控,进一步地,还能够将跟踪结果结合引风机现场仪表的反馈进行静叶故障的诊断,并对异常状态进行报警。本申请能够有效避免因引风机静叶拉杆断裂等故障发现不及时导致的电厂运行工况的失衡。
Description
技术领域
本发明涉及引风机静叶监视技术领域,特别是涉及一种基于视频的引风机静叶监视方法及系统。
背景技术
日常生活中,我们主要是利用我们的视觉器官来认知世界,与静止物体相比,人们更容易留意运动的物体。这些物体通过成像设备就成为所需要的视频图像。图像中不仅有静态的物体还有运动目标的物体。在图像处理时候,图像视频帧一般是二维的,这样真实世界的三维图像直接转变成视频图像的二维。通过对视频图像中的运动目标的时空域的图像处理,就完成了目标的检测和跟踪。
国内从上世纪80年代就着手跟踪技术的研究,但是主要集中于理论层面上的研究。在90年代目标跟踪进入了一个新的阶段,有了一些相关的成果,如应用在奥运期间中国科学院研究的智能视频监控系统等等。2012年,关于智能监控方面的研讨会议已经逐步开展。整个发展趋势是将三维空间的目标物体,转化为二维空间的视频图像,通过图像处理算法更精确的发现二维视频图像中的目标物体,以实现对目标状态的实时跟踪,如果目标状态异常就会及时报警,以减轻目标异常带来的严重后果。
随着我国电力行业的高速发展,全国火电装机容量以每年8%的速度快速增长,新上机组的额定功率也日益增大,对引风机的要求随之增高。作为火力发电的重要辅机,引风机的运行工况直接影响锅炉正常的热力循环,对电厂的安全运行具有非常重要的作用。由于长期工作于锅炉烟道中,且烟气杂质多、温湿度高以及连续运行等因素,引风机静叶卡涩或拉杆断裂等故障时有发生,是电厂故障率比较高的设备之一。当引风机静叶出现卡涩或拉杆断裂时,此时若电厂运行人员发现不及时,却仍进行升/降负荷操作,会出现炉膛燃烧不稳、负压摆动、引风机出力偏差大甚至抢风等现象。此时,如若仍未发现引风机设备故障,盲目加大引风机出力指令会加剧锅炉工况的恶化,甚至导致MFT的发生。
目前,火电厂主要通过加强运行人员巡检,提高操作员的监控质量,出现故障时快速冷静分析处理等措施来规避此类事故的发生。然而,这类被动措施并不能及时有效地发现引风机静叶故障来降低事故风险及影响范围。
发明内容
本发明的目的是提供一种基于视频的引风机静叶监视方法及系统,目的在于通过实时对引风机的静叶片进行跟踪,实现对引风机开度状态的实时监控,解决现有技术中不能及时有效发现引风机静叶故障的问题。
为解决上述技术问题,本发明提供一种基于视频的引风机静叶监视方法,包括:
实时获取对引风机静叶进行监控的视频帧图像;
对获取的所述视频帧图像进行预处理;
对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线;
对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测。
可选地,所述对获取的所述视频帧图像进行预处理包括:
对所述视频帧图像进行灰度化处理,并采用非线性中值滤波器对随机噪声进行过滤。
可选地,所述对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线包括:
通过自适应阈值边缘检测算法对所述视频帧图像进行静叶叶片的边缘检测,并基于Hough变换将检测到的边缘点识别为直线。
可选地,所述对检测到的静叶叶片的边缘进行跟踪包括:
将当前视频帧图像中检测到的直线的参数数据与前一帧图像中检测到的参数数据进行匹配,以确定同一直线在当前视频帧中的位置。
可选地,在所述对检测到的静叶叶片的边缘进行跟踪之后还包括:
接收对静叶开度变化的指令,检测视频识别的静叶实际开度;
当所述静叶实际开度不变或反向变化时,判定引风机静叶发生故障,生成故障状态信息。
可选地,还包括:
对静叶识别结果以及故障状态信息进行实时显示。
本发明还提供了一种基于视频的引风机静叶监视系统,包括:
获取模块,用于实时获取对引风机静叶进行监控的视频帧图像;
预处理模块,用于对获取的所述视频帧图像进行预处理;
边缘检测模块,用于对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线;
开度检测模块,用于对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测。
可选地,所述开度检测模块具体用于:
将当前视频帧图像中检测到的直线的参数数据与前一帧图像中检测到的参数数据进行匹配,以确定同一直线在当前视频帧中的位置。
可选地,还包括:
故障检测模块,用于在所述对检测到的静叶叶片的边缘进行跟踪之后,接收对静叶开度变化的指令,检测视频识别的静叶实际开度;当所述静叶实际开度不变或反向变化时,判定引风机静叶发生故障,生成故障状态信息。
可选地,还包括:
显示模块,用于对静叶识别结果以及故障状态信息进行实时显示。
本发明所提供的基于视频的引风机静叶监视方法及系统,通过实时获取对引风机静叶进行监控的视频帧图像;将获取的视频帧图像进行预处理;对视频帧图像进行静叶叶片的边缘检测,对检测到的边缘点识别为直线;对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测。本发明所提供的基于视频的引风机静叶监视方法及系统,可以根据电力工业需求,替代人工巡检,自动实时对引风机的静叶片进行跟踪,实现引风机开度状态的实时监控,进一步地,还能够将跟踪结果结合引风机现场仪表的反馈进行静叶故障的诊断,并对异常状态进行报警。本申请能够有效避免因引风机静叶拉杆断裂等故障发现不及时导致的电厂运行工况的失衡。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于视频的引风机静叶监视方法的一种具体实施方式的流程图;
图2为本发明所提供的基于视频的引风机静叶监视方法的另一种具体实施方式的流程图;
图3为引风机系统的组成结构框图;
图4(a)为原始灰度图像;
图4(b)为降噪后的灰度图像;
图4(c)为阈值化后的二值图像;
图4(d)为自适应边缘检测的二值图像;
图5(a)为静叶开度0%时的检测结果图;
图5(b)为静叶开度0%时的二值图;
图5(c)为静叶开度25%时的检测结果图;
图5(d)为静叶开度25%时的二值图;
图5(e)为静叶开度50%时的检测结果图;
图5(f)静叶开度50%时的二值图;
图5(g)为静叶开度75%时的检测结果图;
图5(h)为静叶开度75%时的二值图;
图5(i)为静叶开度92%时的检测结果图;
图5(j)为静叶开度92%时的二值图;
图6为本发明所提供的基于视频的引风机静叶监视方法中故障诊断的流程图;
图7为本发明实施例提供的基于视频的引风机静叶监视系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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他实施例,都属于本发明保护的范围。
本发明所提供的基于视频的引风机静叶监视方法的一种具体实施方式的流程图如图1所示,该方法包括:
步骤S101:实时获取对引风机静叶进行监控的视频帧图像;
步骤S102:对获取的所述视频帧图像进行预处理;
步骤S103:对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线;
步骤S104:对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测。
本发明所提供的基于视频的引风机静叶监视方法,通过实时获取对引风机静叶进行监控的视频帧图像;将获取的视频帧图像进行预处理;对视频帧图像进行静叶叶片的边缘检测,对检测到的边缘点识别为直线;对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测。本发明所提供的基于视频的引风机静叶监视方法,可以根据电力工业需求,替代人工巡检,自动实时对引风机的静叶片进行跟踪,实现引风机开度状态的实时监控,进一步地,还能够将跟踪结果结合引风机现场仪表的反馈进行静叶故障的诊断,并对异常状态进行报警。本申请能够有效避免因引风机静叶拉杆断裂等故障发现不及时导致的电厂运行工况的失衡。
在上述实施例的基础上,本发明所提供的基于视频的引风机静叶监视方法中步骤S101对获取的所述视频帧图像进行预处理的过程可以具体为:
对所述视频帧图像进行灰度化处理,并采用非线性中值滤波器对随机噪声进行过滤。
视频帧的预处理主要实现图像的边缘检测。首先对帧图像进行灰度化处理,然后采用非线性滤波器,具体可以采用中值滤波对灰度帧图像的随机噪声进行过滤。
由于静叶的光滑金属平面属性,容易成视频帧中的光斑现象。为了消除光斑对边缘检测的影响,本方法实施例采用自适应阈值边缘检测方法。自适应阈值边缘检测方法通过给每个像素一个阈值,无论在高光区域还是比较暗的区域都能有较好的边缘检测效果。
由于基于Hough变换计算量小、鲁棒性高以及适用性好的特点,本系统主要采用基于Hough变换方法实现边缘检测。
因此,本实施例中步骤S102对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线的过程可以具体为:
通过自适应阈值边缘检测算法对所述视频帧图像进行静叶叶片的边缘检测,并基于Hough变换将检测到的边缘点识别为直线。
在检测到静叶片的边缘后需要通过对静叶片边缘的跟踪来检测引风机的开度。对检测到的静叶叶片的边缘进行跟踪的过程可以具体为:
将当前视频帧图像中检测到的直线的参数数据与前一帧图像中检测到的参数数据进行匹配,以确定同一直线在当前视频帧中的位置。
需要指出的是,由于噪声、摄像头的抖动等原因会造成无法检测到边缘的情况,因此,当无法检测到跟踪直线的边缘时,可以通过对图像中已经确认为有效的静叶边缘直线进行基于卡尔曼滤波器的跟踪。
在上述任一实施例的基础上,本发明所提供的基于视频的引风机静叶监视方法在所述对检测到的静叶叶片的边缘进行跟踪之后还可以进一步包括:对静叶是否故障进行检测的过程,并且还可以包括对识别结果以及故障状态信息进行实时显示的过程。如图2本发明所提供的基于视频的引风机静叶监视方法的另一种具体实施方式的流程图所示,该方法包括:
步骤S201:实时获取对引风机静叶进行监控的视频帧图像;
步骤S202:对获取的所述视频帧图像进行预处理;
步骤S203:对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线;
步骤S204:对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测;
步骤S205:接收对静叶开度变化的指令,检测视频识别的静叶实际开度;
步骤S206:当所述静叶实际开度不变或反向变化时,判定引风机静叶发生故障,生成故障状态信息;
步骤S207:对静叶识别结果以及故障状态信息进行实时显示。
静叶故障诊断中,本发明依据现场仪表的静叶指令且结合视频识别结果而做出静叶是否故障的判断。当静叶指令变化时,如果视频识别的静叶实际开度不变或者反向变化,则认为引风机静叶执行机构发生故障,立即以CRT报警方式通知监控人员,以便能够及时响应此类故障避免事故范围的进一步扩大。
下面结合引风机系统,对本发明所提供的方法进行进一步详细阐述。如图3引风机系统的组成结构框图所示,本系统按照组成结构分为:引风机静叶(视频识别对象),摄像机,视频处理服务器以及CRT显示器。通过摄像机实时采集引风机静叶视频信息,并传入服务器中结合图像处理及视频处理技术将静叶实时状态识别出来。接着根据视频识别结果结合来自引风机现场仪表的反馈进行静叶故障诊断,并将视频识别结合和诊断结果显示于CRT画面上以实现状态实时显示与报警输出。
该过程中,视频帧的预处理主要实现图像的边缘检测。本发明实施例首先对帧图像进行灰度化处理,然后采用非线性滤波器——中值滤波对灰度帧图像的随机噪声进行过滤。然后进行边缘检测;由于静叶的光滑金属平面属性,容易成视频帧中的光斑现象。为了消除光斑对边缘检测的影响,本方法采用自适应阈值边缘检测方法。
作为一种具体实施方式,本方法对每个图像中的像素计算各自的二值化阈值,采用窗口大小为7的均值作为像素的阈值,然后通过阈值与像素值差是否大于25来确定是否是边缘点。自适应阈值边缘检测方法通过给每个像素一个阈值,无论在高光区域还是比较暗的区域都能有较好的边缘检测效果,其预处理的效果图如图4(a)-4(d)所示。其中,图4(a)为原始灰度图像;图4(b)为降噪后的灰度图像;图4(c)为阈值化后的二值图像;图4(d)为自适应边缘检测的二值图像。
基于Hough变换的静叶叶片边缘检测。主要实现将检测得到的图像帧中的边缘点识别为直线。基于Hough变换计算量小、鲁棒性高以及适用性好的特点,本实施例主要采用OpenCV中的Hough变换方法。通过hough变换,图像中直线的寻找问题就转换为计算机最擅长的参数空间峰值寻找问题。图像空间中的任何直线都可以表示为:
ρ=x cosθ+y sinθ (1)
其中,ρ表示坐标原点(0,0)到直线的垂直距离,θ表示坐标轴X与直线的夹角。
根据式(1)即可将图像空间(x,y)中的任一条直线变换到参数空间(ρ,θ)中的一个点。为了检测出图像中的直线,只需要按照式(1)遍历图像中的各个像素点,计算出所有(ρ,θ)对后寻找(ρ,θ)的局部最大值即可检测出图像中存在的直线。
采用的OpenCV函数的具体参数设置和介绍:
HoughLinesBinary(Double rhoResolution,Double thetaResolution,Int32threshold,Double minLineWidth,Double gapBetweenLines)
参数:rhoResolution,像素相关单位的距离分辨率,本发明实施例中rhoResolution=1;thetaResolution,角分辨率测量弧度,本发明实施例中thetaResolution=0.01;threshold,如果相应的蓄能器值,则返回该函数的值,本发明实施例中threshold=40;minLineWidth:线的最小宽度,本发明实施例中minLineWidth=80;gapBetweenLines,线之间的最小间隙,本发明实施例中gapBetweenLines=500;返回结果:检测为每个通道的线段。
静叶叶片边缘的跟踪和开度自动检测。为了能够有效的检测到静叶的开度,在检测到静叶片的边缘后需要通过对静叶片边缘的跟踪来检测引风机的开度,边缘跟踪与状态补偿后的边缘检测结果如图5(a)-5(h)所示。其中,图5(a)为静叶开度0%时的检测结果图;图5(b)为静叶开度0%时的二值图;图5(c)为静叶开度25%时的检测结果图;图5(d)为静叶开度25%时的二值图;图5(e)为静叶开度50%时的检测结果图;图5(f)静叶开度50%时的二值图;图5(g)为静叶开度75%时的检测结果图;图5(h)为静叶开度75%时的二值图;图5(i)为静叶开度92%时的检测结果图;图5(j)为静叶开度92%时的二值图。
而对于一条图像中的直线(y=a*x+b),主要采用两个参数进行表示:斜率和位置。位置可以通过直线与x轴的交点来表示,也就是b。因此,跟踪直线就是确认当前视频帧中检测得到的直线(a,b)与前一帧中检测到的直线进行匹配(a,b’).本方法采用阈值法来确认当前直线(a,b)是否是前一帧中直线(a’,b’)的运动结果。如果|a-a’|<th1,且|b-b’|<th2,则前后帧中的两直线匹配。通过直线匹配可以确认同一直线在视频帧序列中的位置。
为了应对检测得到的不稳定的非静叶边缘直线,本方法实施例采用视频帧序列中直线出现频率来进行确认的方法。如果跟踪的直线偶尔出现,本方法并不将其看作是一条有效的直线,而是要求直线在视频序列中持续出现比较长的时间后才认为是有效的静叶边缘直线。由于噪声、摄像头的抖动等原因造成无法检测到边缘的情况,因此,当无法检测到跟踪直线的边缘时,有必要对图像中已经确认为有效的静叶边缘直线进行基于卡尔曼滤波器的跟踪。该直线跟踪过程就是跟踪直线的两个变量(a,b)的值。卡尔曼滤波跟踪的依据是首先根据系统的运动方程来对状态值做预测,由于直线的运动是基本稳定的,因此可以根据当前状态预测下一时刻该直线的状态(a,b),但是该预测值存在一定的误差,需要通过当前帧中直线的检测结果来校正。
卡尔曼滤波就是利用预测和校正不断迭代进行目标的跟踪。其理论公式如下:
过程方程:X(k+1)=A X(k)+B U(k)+W(K) (2)
测量方程:Z(k+1)=H X(k+1)+V(k+1) (3)
其中,A、B为系统参数,H为测量系统参数,W(k)和V(k+1)分别为过程和测量的噪声。X是m行的单列矩阵,Z是n行的单列矩阵。
静叶故障诊断及报警
在静叶故障诊断中,本发明实施例依据现场仪表的静叶指令且结合视频识别结果而做出静叶是否故障的判断。当静叶指令变化时,如果视频识别的静叶实际开度不变或者反向变化,则认为引风机静叶执行机构发生故障,立即以CRT报警方式通知监控人员,以便能够及时响应此类故障避免事故范围的进一步扩大。具体诊断算法流程图如图6所示。
本实施例通过对视频帧图像进行灰度化处理,然后采用非线性滤波器——中值滤波对灰度帧图像的随机噪声进行过滤。然后进行边缘检测,基于Hough变换的静叶叶片边缘检测与跟踪,主要实现将检测得到的图像帧中的边缘点识别为直线。然后,利用现场仪表的反馈结合视频识别结果采用故障诊断算法进行故障诊断,并通过CRT画面显示静叶实时状态和报警输出。
下面对本发明实施例提供的基于视频的引风机静叶监视系统进行介绍,下文描述的基于视频的引风机静叶监视系统与上文描述的基于视频的引风机静叶监视方法可相互对应参照。
图7为本发明实施例提供的基于视频的引风机静叶监视系统的结构框图,参照图7基于视频的引风机静叶监视系统可以包括:
获取模块100,用于实时获取对引风机静叶进行监控的视频帧图像;
预处理模块200,用于对获取的所述视频帧图像进行预处理;
边缘检测模块300,用于对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线;
开度检测模块400,用于对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测。
作为一种具体实施方式,本发明所提供的基于视频的引风机静叶监视系统中,开度检测模块可以具体用于:
将当前视频帧图像中检测到的直线的参数数据与前一帧图像中检测到的参数数据进行匹配,以确定同一直线在当前视频帧中的位置。
在上述任一实施例的基础上,本申请实施例还可以进一步包括:
故障检测模块,用于在所述对检测到的静叶叶片的边缘进行跟踪之后,接收对静叶开度变化的指令,检测视频识别的静叶实际开度;当所述静叶实际开度不变或反向变化时,判定引风机静叶发生故障,生成故障状态信息。
优选地,本实施例还可以进一步包括:
显示模块,用于对静叶识别结果以及故障状态信息进行实时显示。
本发明所提供的基于视频的引风机静叶监视系统,通过实时获取对引风机静叶进行监控的视频帧图像;将获取的视频帧图像进行预处理;对视频帧图像进行静叶叶片的边缘检测,对检测到的边缘点识别为直线;对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测。本发明所提供的基于视频的引风机静叶监视系统,可以根据电力工业需求,替代人工巡检,自动实时对引风机的静叶片进行跟踪,实现引风机开度状态的实时监控,进一步地,还能够将跟踪结果结合引风机现场仪表的反馈进行静叶故障的诊断,并对异常状态进行报警。本申请能够有效避免因引风机静叶拉杆断裂等故障发现不及时导致的电厂运行工况的失衡。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于视频的引风机静叶监视方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种基于视频的引风机静叶监视方法,其特征在于,包括:
实时获取对引风机静叶进行监控的视频帧图像;
对获取的所述视频帧图像进行预处理;
对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线;
对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测;
在所述对检测到的静叶叶片的边缘进行跟踪之后还包括:
接收对静叶开度变化的指令,检测视频识别的静叶实际开度;
当所述静叶实际开度不变或反向变化时,判定引风机静叶发生故障,生成故障状态信息。
2.如权利要求1所述的基于视频的引风机静叶监视方法,其特征在于,所述对获取的所述视频帧图像进行预处理包括:
对所述视频帧图像进行灰度化处理,并采用非线性中值滤波器对随机噪声进行过滤。
3.如权利要求2所述的基于视频的引风机静叶监视方法,其特征在于,所述对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线包括:
通过自适应阈值边缘检测算法对所述视频帧图像进行静叶叶片的边缘检测,并基于Hough变换将检测到的边缘点识别为直线。
4.如权利要求3所述的基于视频的引风机静叶监视方法,其特征在于,所述对检测到的静叶叶片的边缘进行跟踪包括:
将当前视频帧图像中检测到的直线的参数数据与前一帧图像中检测到的参数数据进行匹配,以确定同一直线在当前视频帧中的位置。
5.如权利要求1至4任一项所述的基于视频的引风机静叶监视方法,其特征在于,还包括:
对静叶识别结果以及故障状态信息进行实时显示。
6.一种基于视频的引风机静叶监视系统,其特征在于,包括:
获取模块,用于实时获取对引风机静叶进行监控的视频帧图像;
预处理模块,用于对获取的所述视频帧图像进行预处理;
边缘检测模块,用于对所述视频帧图像进行静叶叶片的边缘检测,将检测到的边缘点识别为直线;
开度检测模块,用于对检测到的静叶叶片的边缘进行跟踪,以实现对引风机静叶开度的检测;
还包括:故障检测模块,用于在所述对检测到的静叶叶片的边缘进行跟踪之后,接收对静叶开度变化的指令,检测视频识别的静叶实际开度;当所述静叶实际开度不变或反向变化时,判定引风机静叶发生故障,生成故障状态信息。
7.如权利要求6所述的基于视频的引风机静叶监视系统,其特征在于,所述开度检测模块具体用于:
将当前视频帧图像中检测到的直线的参数数据与前一帧图像中检测到的参数数据进行匹配,以确定同一直线在当前视频帧中的位置。
8.如权利要求6或7所述的基于视频的引风机静叶监视系统,其特征在于,还包括:
显示模块,用于对静叶识别结果以及故障状态信息进行实时显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610413859.4A CN105844268B (zh) | 2016-06-13 | 2016-06-13 | 一种基于视频的引风机静叶监视方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610413859.4A CN105844268B (zh) | 2016-06-13 | 2016-06-13 | 一种基于视频的引风机静叶监视方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844268A CN105844268A (zh) | 2016-08-10 |
CN105844268B true CN105844268B (zh) | 2019-07-26 |
Family
ID=56575869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610413859.4A Active CN105844268B (zh) | 2016-06-13 | 2016-06-13 | 一种基于视频的引风机静叶监视方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844268B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986071B (zh) | 2018-05-31 | 2020-12-01 | 上海扩博智能技术有限公司 | 叶片自动检测跟踪方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102365458A (zh) * | 2009-06-29 | 2012-02-29 | 光帆能源公司 | 使用两相流以便于热交换的压缩空气能量存储系统 |
CN104737707A (zh) * | 2015-03-04 | 2015-07-01 | 江苏大学 | 一种联合收获机清选含杂率自适应控制装置及自适应清洗方法 |
CN104865269A (zh) * | 2015-04-13 | 2015-08-26 | 华北理工大学 | 风力机叶片故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781210B2 (en) * | 2011-11-09 | 2014-07-15 | United Technologies Corporation | Method and system for automated defect detection |
-
2016
- 2016-06-13 CN CN201610413859.4A patent/CN105844268B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102365458A (zh) * | 2009-06-29 | 2012-02-29 | 光帆能源公司 | 使用两相流以便于热交换的压缩空气能量存储系统 |
CN104737707A (zh) * | 2015-03-04 | 2015-07-01 | 江苏大学 | 一种联合收获机清选含杂率自适应控制装置及自适应清洗方法 |
CN104865269A (zh) * | 2015-04-13 | 2015-08-26 | 华北理工大学 | 风力机叶片故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
300MW机组引风机并列运行中振动故障诊断处理;张小科 等;《风机技术运行与维护》;20140531(第5期);80-83页 |
Also Published As
Publication number | Publication date |
---|---|
CN105844268A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aghaei et al. | Single image human proxemics estimation for visual social distancing | |
CN111047568B (zh) | 一种漏汽缺陷检测识别方法及系统 | |
CN103761826B (zh) | 一种热成像视频双鉴林火识别系统的识别方法 | |
CN105354831B (zh) | 一种基于图像分块方差-加权特征值的多缺陷检测方法 | |
CN109190473A (zh) | 一种“机器视觉理解”在电力远程监控中的应用 | |
TW200930054A (en) | Moving object detection apparatus and method | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN117274722B (zh) | 基于红外图像的配电箱智能检测方法 | |
CN107229548A (zh) | 一种基于红外图像的服务器热故障监测及诊断方法 | |
CN112001327A (zh) | 一种阀厅设备故障识别方法及系统 | |
CN108537170A (zh) | 一种电力设备固件无人机巡检销钉缺失检测方法 | |
CN108710841A (zh) | 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法 | |
CN109035278A (zh) | 基于图像的消防门及其开关状态的检测方法 | |
CN112101090B (zh) | 人体检测方法及装置 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
CN113418617A (zh) | 一种风电场箱式变压器三维温度场测量与诊断方法 | |
CN105844268B (zh) | 一种基于视频的引风机静叶监视方法及系统 | |
CN106683040A (zh) | 一种基于ncc算法的红外全景图像拼接方法 | |
CN113762161A (zh) | 一种障碍物智能监测方法及系统 | |
Ueda et al. | A Two-Stage Deep Learning-Based Approach for Automatic Reading of Analog Meters | |
CN115100245A (zh) | 一种基于高空抛物的溯源追踪系统及其追踪方法 | |
CN110930362B (zh) | 一种螺钉安全检测方法、装置及系统 | |
Li et al. | Teamgl at acrv robotic vision challenge 1: Probabilistic object detection via staged non-suppression ensembling | |
Power et al. | ATR subsystem performance measures using manual segmentation of SAR target chips | |
CN207766425U (zh) | 一种基带数字视频帧率检测卡 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |