CN106023185B - 一种输电设备故障诊断方法 - Google Patents
一种输电设备故障诊断方法 Download PDFInfo
- Publication number
- CN106023185B CN106023185B CN201610323911.7A CN201610323911A CN106023185B CN 106023185 B CN106023185 B CN 106023185B CN 201610323911 A CN201610323911 A CN 201610323911A CN 106023185 B CN106023185 B CN 106023185B
- Authority
- CN
- China
- Prior art keywords
- image
- power transmission
- network equipment
- transmission network
- color
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000007547 defect Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 239000012212 insulator Substances 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 20
- 238000007906 compression Methods 0.000 claims description 20
- 230000006835 compression Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 17
- 238000011084 recovery Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000036961 partial effect Effects 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000002829 reductive effect Effects 0.000 abstract description 5
- 238000001914 filtration Methods 0.000 description 6
- 239000011449 brick Substances 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 229910052573 porcelain Inorganic materials 0.000 description 4
- 238000006722 reduction reaction Methods 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 241001544487 Macromiidae Species 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种一种输电设备故障诊断方法,包括以下步骤:A:建立输电网设备正常图谱库,输电网设备包括输电导线、金具和绝缘子;B:采集输电网设备运行图像,对采集到的输电网设备运行图像进行预处理并进行图像特征提取;C:通过图像对比模块,利用采集到的输电网设备运行图像与输电网设备正常图谱库中的图像,分析输电网设备运行图像中输电网设备所发生的变化和缺陷特征,与输电网设备正常图谱库中设备正常状态下的图谱差别,对输电网设备进行故障辨识诊断。本发明能够通过结构模板分析与缺陷特征模式匹配相结合的方法,及时发现输电线路可能存在的故障隐患,大幅降低故障判决误差。
Description
技术领域
本发明涉及一种输电设备故障诊断方法,尤其涉及一种基于结构模板分析与缺陷特征模式匹配的输电设备故障诊断方法。
背景技术
高压架空输电线一般采用钢芯铝绞线。输电线路在巨大的交变张力、由振动引起的弯曲应力和气温急剧变化引起的长期疲劳共同作用下导致材质脆变,在雷击、电气闪络的作用下引起表面损伤,从而不可避免地造成高压架空输电线产生散股缺陷,严重威胁导线本身及其送变电设备和人身安全。
各地因为施放风筝、气球等社会行为,导致电网出现安全隐患的事件时有发生。此时,输电线路上悬挂的异物不仅影响线路的正常供电,还会使高压电的极限放电距离变短,严重危及电力线下的行人与车辆安全,进一步而言,若造成线路跳闸,则会导致片区大面积停电,给社会造成巨大的经济损失。
目前输电线路检测的方式主要采用监测设备量测采集等技术对线路进行故障的监测,但由于输电网分配较广其故障的判断有很大的一部分成份需要人为来完成,且对于存在的一些还没有发生的隐患还不能及时的发现,如绝缘子、金具等表面损坏,在很大程度上降低了高压输电线路故障监测系统的可靠性。
现有基于图像分析的自动检测方法,大多数依赖纹理斜率分布的判决模型,这类检测方法不仅能够在复杂背景中提取导线边缘,能得到边缘较宽的图像,保存了更多的边缘信息,同时也为输电线路安全运行提供一种新的手段,提高了在线监测系统的利用效率。
然而,这类检测方法的问题在于:一方面,采用简单的sobel等灰度梯度算子来定位边缘,在光照和背景噪声干扰下鲁棒性有所降低。另一方面,采用纹理斜率分布的判决模型时,简单地通过观测斜率的正负取值来判决设备故障,数值的不稳定性易造成误判断,而且无法提供故障的置信度度量。
本发明的技术背景涉及视频图像处理技术领域,尤其涉及设备图像数字化处理和图像信息精确比对两方面。根据输电网的各种正常设备图谱信息建立设备信息库,采集设备运行状态图谱信息,用智能进化算法进行信息比对,正确快速地生成故障定位、故障诊断、故障处理的方案,最终迅速解决故障问题。
发明内容
本发明的目的是提供一种输电设备故障诊断方法,能够通过结构模板分析与缺陷特征模式匹配相结合的方法,对采集到的输电网设备图谱进行进行分析,然后与标准库中正常图像的数据进行比对,及时发现输电线路可能存在的故障隐患,大幅降低故障判决误差。
本发明采用下述技术方案:
一种输电设备故障诊断方法,包括以下步骤:
A:建立输电网设备正常图谱库,输电网设备包括输电导线、金具和绝缘子;
B:采集输电网设备运行图像,对采集到的输电网设备运行图像进行预处理并进行图像特征提取;
C:通过图像对比模块,利用采集到的输电网设备运行图像与输电网设备正常图谱库中的图像,分析输电网设备运行图像中输电网设备所发生的变化和缺陷特征,与输电网设备正常图谱库中设备正常状态下的图谱差别,对输电网设备进行故障辨识诊断。
步骤A中,按照不同电压等级和不同设备型号分别采集各个输电网设备在正常运行状态下的图谱信息,从而建立输电网正常图谱库。
步骤A中,各个输电网设备在正常运行状态下的图谱信息包括:
输电导线:输电线宽度、输电线的灰度值、输电线表面平整度和电力线的边缘点梯度变化;
金具:金具表面颜色;
绝缘子:绝缘子尺寸。
步骤B中,首先利用图像处理系统,对采集到的输电网设备运行图像进行图像预处理,包括图像降噪、边缘检测、图像压缩和图像分割,以及对采集到的输电网设备运行图像进行对比度增强、运动模糊图像的复原和图像降噪;然后再利用图像处理系统,对预处理后的输电网设备运行图像进行滤波,采用图像去噪方法去除前景中的背景干扰,最后对电力设备特征进行提取。在图像预处理过程中,采用空间域图像去噪算法、变换域去噪方法和/或偏微分方程去噪方法进行图像降噪;
采用Roberts算子、Prewitt算子、Sobel算子、Isotropic Sobel算子和/或Laplacian算子进行边缘检测;
采用统计冗余度的压缩方法、空间冗余度的压缩和/或视觉冗余度的压缩方法进行图像压缩;
采用基于全局阈值或自适应阈值的分割方法进行图像分割;
在对图像进行对比度增强时,采用直方图均衡化法增强图像对比度;
在对图像进行运动模糊图像的复原时,采用逆滤波法、维纳滤波法和/或有约束最小二乘滤波法进行模糊图像的复原;
在对图像进行图像降噪时,采用空间域图像去噪算法、变换域去噪方法和/或偏微分方程去噪方法;
对去除前景中的背景干扰时,采用空间域图像去噪算法、变换域去噪方法和/或偏微分方程去噪方法去除前景中的背景干扰。
步骤B中,针对颜色特征、纹理特征和/或形状特征对电力设备特征进行提取。
提取颜色特征时,采用颜色直方图、颜色矩、颜色集和/或颜色聚合向量表征颜色特征;提取形状特征时,采用包括不变矩和骨架的形状特征,通过Canny算子进行形状特征提取。
步骤C中,使用基于图像灰度的匹配方法和基于图像特征的匹配方法,将采集到的输电网设备运行图像与输电网设备正常图谱库中的图像进行匹配即精确化比对,分析输电网设备运行图像中输电网设备所发生的变化和缺陷特征,与输电网设备正常图谱库中设备正常状态下的图谱差别。
基于图像灰度的匹配方法采用AbsoluteBalanceSeareh匹配法、归一化互相关匹配法和/或图像矩匹配法;
基于图像特征的匹配方法包括以下步骤:
a:提取待匹配图像与参考图像中共有的图像特征;
b:建立两幅图像中特征点之间对应关系;
c:根据待匹配图像与参考图像之间几何畸变的情况,选择拟合两幅图像之间变化的几何变换模型;
d:对匹配图像进行参数变换使匹配图像与参考图像处于同一坐标系下,然后进行图像融合或目标变化检测处理;并对待匹配图像在参数变换后坐标不为整像素数进行插值处理。
步骤C中,输电网设备所发生的变化和缺陷特征包括:
输电导线:输电导线断股、输电导线宽度变细、输电导线的灰度值变低、输电导线凸起及输电导线的边缘点梯度变化;
金具:金具锈蚀及颜色发生变化;
绝缘子:绝缘子边缘破损以及形状特征发生变化;
输电导线悬挂异物。
本发明能够通过结构模板分析与缺陷特征模式匹配相结合的方法,对采集到的输电网设备图谱进行进行分析,然后与标准库中正常图像的数据进行比对,及时发现输电线路可能存在的故障隐患,大幅降低故障判决误差。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述:
如图1所示,本发明所述的输电设备故障诊断方法,包括以下步骤:
A:建立输电网设备正常图谱库,输电网设备包括输电导线、金具和绝缘子。按照不同电压等级和不同设备型号分别采集各个输电网设备在正常运行状态下的图谱信息,从而建立输电网正常图谱库。输电网设备图谱信息建立应保证尽可能全面完整并存储在指定设备,如上位机,以方便后期设备信息维护。其中,各个输电网设备在正常运行状态下的图谱信息包括:
输电导线:输电线宽度、输电线的灰度值、输电线表面平整度和电力线的边缘点梯度变化;
金具:金具表面颜色;
绝缘子:绝缘子尺寸。
建立输电网设备正常图谱库的过程为:将航拍采集的视频图像首先进行图像预处理,然后再存储到设备图谱库中。图像预处理流程主要包括图像降噪、边缘检测、图像压缩和图像分割。航拍视频图像背景图像及不同天气条件下拍摄的视频,在图像处理前都需要对图像进行降噪提高故障识别能力,识别的对象往往只是视频拍摄的部分图像,因此要对识别的区域进行边缘检测及分割预处理。
本发明中,使用以下三种降噪方法中的一种或多种对图像进行降噪:
1.空间域滤波去噪
空间域滤波去噪是在原图像上直接进行数据运算,对像素的灰度值进行处理。常见的空间域图像去噪算法有邻域平均法、中值滤波、低通滤波等。
2.变换域滤波去噪
变换域去噪方法是对图像进行变换,将图像从空间域转换到变换域,再对变换域中的变换系数进行处理,再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。将图像从空间域转换到变换域的变换方法包括傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等。而傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。
3.偏微分方程去噪
偏微分方程(PDE)主要针对低层图像处理已实现降噪。偏微分方程具有各向异性的特点,应用在图像去噪中,可以在去除噪声的同时,很好的保持边缘。偏微分方程的应用主要可以分为两类:一种是基本的迭代格式,通过随时间变化的更新,使得图像向所要得到的效果逐渐逼近,这种算法的代表为Perona和Malik的方程,以及对其改进后的后续工作。该方法在确定扩散系数时有很大的选择空间,在前向扩散的同时具有后向扩散的功能,因此具有平滑图像和将边缘尖锐化的能力。
边缘检测主要用于检测线路设备图像边缘,为后续处理提供基础数据。不同图像灰度不同,边界处会有明显的边缘,利用此特征可以分割图像。本发明中,利用以下五种检测算子中的一种或多种对图像进行边缘检测:
1.Roberts算子
Roberts算子具有边缘定位准及对噪声敏感的特点,适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析,由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应,故采用上述算子检测的边缘图像常需做细化处理,边缘定位的精度不是很高。
2.Prewitt算子
对噪声有抑制作用,抑制噪声的原理是通过像素平均,但是像素平均相当于对图像的低通滤波,所以Prewitt算子对边缘的定位不如Roberts算子。
3.Sobel算子
Sobel算子和Prewitt算子都是加权平均,但是Sobel算子认为,邻域的像素对当前像素产生的影响不是等价的,所以距离不同的像素具有不同的权值,对算子结果产生的影响也不同。一般来说,距离越远,产生的影响越小。
4.Isotropic Sobel算子
加权平均算子,权值反比于邻点与中心点的距离,当沿不同方向检测边缘时梯度幅度一致,就是通常所说的各向同性。
5.Laplacian算子
Laplacian算子属于二阶微分算子,具有各向同性,即与坐标轴方向无关,坐标轴旋转后梯度结果不变。但是,Laplacian算子对噪声比较敏感,所以,图像一般先经过平滑处理,因为平滑处理也是用模板进行的,通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。
图像压缩不仅能够去除图像空域和统计冗余,更重要的是减少时域的冗余,即将可推知的确定信息去掉。本发明中利用以下三种图像压缩方法对图像进行压缩:
1.统计冗余度的压缩
对于一串由很多数值构成的数据来说,如果某些值经常出现,而另外一些值很少出现,则这种由统计上的不均匀性就构成了统计冗余度,可以对之进行压缩。具体方法是对那些经常出现的值用短的码组来表示,对不经常出现的值用长的码组来表示,因而最终用于表示这一串数据的总的码位,相对于用定长码组来表示的码位而言得到了降低。本发明中用于图像压缩的具体熵编码方法主要是霍夫曼编码,即一个数值的编码长度与此数值出现的概率尽可能地成反比。霍夫曼编码虽然压缩比不高,约为1.6:1,但好处是无损压缩。
2.空间冗余度的压缩
一幅视频图像相邻各点的取值往往相近或相同,具有空间相关性,这就是空间冗余度。图像的空间相关性表示相邻像素点取值变化快慢。图像信号的能量主要集中在低频附近,高频信号的能量随频率的增加而迅速衰减。通过频域变换,可以将原图像信号用直流分量及少数低频交流分量的系数来表示,这就是变换编码中的正交余弦变换DCT的方法。DCT是JPEG和MPEG压缩编码的基础,可对图像的空间冗余度进行有效的压缩。
3.视觉冗余度的压缩
视觉冗余度是相对于人眼的视觉特性而言的。由于人眼视觉的非均匀性,使得人眼视觉对某些空间频率感觉迟钝。因此视频中不同频率成分的内容对于人眼系统而言其重要性是不同的,也就是存在频域冗余。人眼对于图像的视觉特性包括:对亮度信号比对色度信号敏感,对低频信号比对高频信号敏感,对静止图像比对运动图像敏感,以及对图像水平线条和垂直线条比对斜线敏感。因此,包含在色度信号,图像高频信号和运动图像中的一些数据并不能对增加图像相对于人眼的清晰度作出贡献,而被认为是多余的。本发明利用人眼对低频信息的敏感,而对高频信息不敏感的特性,将离散余弦变换DCT后的低频分量进行精细量化,而对高频分量进行粗量化,处理后再进行量化、编码,能更有效地降低码率。
图像分割能够通过将图像分割成不同的区域,使同一区域内的所有像素该特性相同,是图像处理到图像分析的关键步骤。本发明中,采用基于阈值的分割方法。
阈值确定后,将阈值与像素点的灰度值进行比较,将像素灰度值分为大于阈值和小于阈值两类,即可获得前景和背景两类图像分割结果。阈值分割具有计算简单、运算效率较高、速度快的优点。
阈值处理包括全局阈值以及自适应阈值等。全局阈值是指整幅图像使用同一个阈值做分割处理,如最大类间方差法、最大熵自动阈值法等,适用于背景和前景有明显对比的图像。有时,目标和背景的对比度在图像中的不同区域是不一样的,这使得很难用一个统一的阈值将目标与背景分开,这时可以根据图像的局部特征分别采用不同的阈值进行分割。在实际处理时,通常动态地根据一定的邻域范围,来选择每点处的阈值,进行图像分割,这样的阈值为自适应阈值。
针对输电线路航拍图像,由于其背景多为天空或地表植被,用全局阈值或自适应阈值均可获取较好的阈值分割结果。
B:采集输电网设备运行图像,对采集到的输电网设备运行图像进行预处理并进行图像特征提取。
由于在实际输电网设备运行图像采集过程中,输电网走线方式和周围环境恶劣将造成大量不可能人为采集的状况,因此,本发明中可采用人造智能巡航飞机拍摄输电网设备的工作图像,并进行自动存贮和发送至图像处理系统。图像处理系统用于对采集到的输电网设备运行图像进行预处理,并进行图像特征提取。绝缘子主要故障特征表现为边缘缺损,存在边缘缺损现象时,边缘点的密度会发生较大的变化,主要提取形状及颜色特征;导线主要故障特征变形为断股,发生此类故障时,导线宽度变细,灰度值变低,并且伴随导线某处凸起,输电导线的边缘点梯度变化较大,主要提取形状及纹理特征,金具主要故障特征表现为锈蚀现象,发生此类故障时,目标区域内颜色特征发生明显变化,主要提取颜色特征。
首先利用图像处理系统,对采集到的输电网设备运行图像进行图像预处理,包括进行图像降噪,边缘检测,图像压缩,图像分割,以及对采集到的输电网设备运行图像进行对比度增强、运动模糊图像的复原和图像降噪,以实现对所采集到的采集输电网设备运行图像的视觉质量提升,并有助于提高前景提取步骤的有效性。
然后再利用图像处理系统,对采集到的输电网设备运行图像进行滤波,采用图像去噪方法去除前景中的背景干扰,实现对电力设备特征提取。并在后续步骤中以此特征对比判断电力设备故障类型。
图像降噪,边缘检测,图像压缩,图像分割的方法在步骤A中已有详细说明,在此不再赘述。
对采集到的采集输电网设备运行图像进行对比度增强:
图像对比度都是在灰度图上进行增强,本发明中采用的办法是直方图均衡化。直方图均衡化处理是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。
对采集到的采集输电网设备运行图像进行运动模糊图像的复原:
运动模糊图像的恢复是图像复原的主要分支之一,它的恢复算法有很多种。有些算法虽然有很好的恢复效果,但算法复杂,恢复时间比较长,如最大熵法。有些算法虽然计算速度较快,但恢复效果不尽人意,如空间域逆向恢复,本发明主要用到逆滤波、维纳滤波和/或有约束最小二乘滤波三种恢复方法。
对采集到的输电网设备运行图像进行图像降噪,采用空间域图像去噪算法、变换域去噪方法和/或偏微分方程去噪方法。
利用图像处理系统进行图像特征提取:
图像特征提取是在图像的预处理之后进行并基于预处理,能够更为容易地提取出较好的特征,使特征更具有区别性和独立性。根据对所提取特征内容的不同,本发明特征提取主要采用颜色特征提取、纹理特征提取和/或形状特征提取。
1)颜色特征
颜色特征是在图像检索中应用最为广泛的视觉特征,主要原因在于颜色往往和图像中所包含的物体或场景十分相关。此外,与其他的视觉特征相比,颜色特征对图像本身的尺寸、方向、视角的依赖性较小,从而具有较高的鲁棒性。
颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。
面向图像检索的颜色特征提取时,首先,选择合适的颜色空间来描述颜色特征;其次,采用量化方法将颜色特征表达为向量的形式。本发明中,采用颜色直方图、颜色矩、颜色集和/或颜色聚合向量表征颜色特征,不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响。例如当发生金具腐蚀时,采用颜色直方图法对金具识别区域进行特征描述,如果故障不同区域颜色反差较大,可采用颜色矩进行分区域特征描述,能显示提示故障识别能力。
2)纹理特征
在邻近的像素点之间存在着亮度层次上的有意义的变化,正是由于这些变化图像中才展现出各种各样的纹理。纹理是图像区域的一个属性,一个像素点的纹理是没有意义的。因此,纹理涉及到上下文,与一个空间邻居关系内的像素的灰度值有关,换句话说,纹理跟图像像素灰度值的空间分布有关.这个空间关系的大小取决于纹理的类型,或者定义纹理的基元的大小。
纹理是一个在某种空间尺度大于图像分辨率下的同质属性一些研究人员以人的视觉系统来描述纹理:纹理没有始终如一的亮度,但仍然可以被人像同质区域那样所观察到。图像纹理在不同尺度和不同分辨率下都能被感知。例如,考虑一幅砖墙所表示的纹理,在一个粗糙的分辨率下,所观察到的纹理是由墙上个体的砖块所形成,而砖块内部的细节会丢失;在一个高的分辨率下,仅有少量的砖块在视野范围以内,观察到的纹理会显示出砖块的细节。在不同的距离和不同的视觉注意程度下,纹理区域都会给出不同的解释。在一个正常注意力和标准距离下,它给出了用来表征特定纹理的宏观规则性的概念,当近距离非常仔细地观察时,可以注意到一些同质区域和边缘,它们有时候会构成纹理素,纹理是依赖于尺度的。当一个区域内基元对象的数目足够大时才会被感知为纹理。如果仅有少量的基元数目,那么会被观察为一组可数的对象而不是一幅纹理图像。
由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功。作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力。。
在检索具有粗细、疏密等方面较大差别的纹理图像时,利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候,通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。导线发生变形或断股故障时,导线宽度变细,灰度值变低,并且伴随导线某处凸起,纹理之间的粗细、疏密等易于分辨,区域内基元对象的数目明细变化,通过纹理能有效识别此类故障。
3)形状特征
形状是刻画物体的基本特征之一,用形状特征区别物体非常直观。现在有基于形状特征的字母手势的分类及识别、基于形状特征的运动目标分类、基于形状特征的图像检索技术等。形状特征提取的正确与否直接关系到后续图像检索和识别的优劣,因此研究数字图像的形状特征提取有重要意义。对于简单的图像,可以直接采用轮廓提取算法,而对于较为复杂的图像采用先边缘检测再轮廓提取的方法或是用Canny算子把目标的轮廓提取出来。形状特征可以用不变矩和骨架来描述形状信息。
各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,通常情况下,形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。图像的轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域,要获得有关目标的形状参数要先对图像进行分割,否则会影响到形状特征的提取。导线断股及绝缘子边缘缺损是,识别区域形状特征发生较大变化,可采用形状特征通过Canny算子把目标的轮廓提取出来对故障进行识别。
C:通过图像对比模块,利用采集到的输电网设备运行图像与输电网设备正常图谱库中的图像,分析输电网设备运行图像中输电网设备所发生的变化和缺陷特征,与输电网设备正常图谱库中设备正常状态下的图谱差别,建立并不断完善缺陷特征数据库,不断增强对输电网设备故障辨识能力。
本发明中所述的图像对比模块,根据输电网设备特征点选取匹配方法,先将采集到的输电网设备运行图像与缺陷特征数据库图像进行对比,如有相似故障图像可快速判断故障类型,没有匹配缺陷特征图像,再将采集到的输电网设备运行图像,与输电网设备正常图谱库中不同的输电设备进行图谱精确化比对,如对比时发现输电设备故障,可将此故障图像添加到缺陷特征数据库中。本发明中,使用基于图像灰度的匹配方法和基于图像特征的匹配方法,将采集到的输电网设备运行图像与输电网设备正常图谱库中的图像进行匹配即精确化比对,以分析输电网设备运行图像中输电网设备所发生的变化和缺陷特征与输电网设备正常图谱库中设备正常状态下的图谱差别。
1.基于图像灰度的匹配方法
图像的像素灰度值信息包含了图像记录的所有信息,通常直接利用整幅图像的灰度信息建立两幅图像之间的相似性度量,然后采用某种搜索方法寻找使相似性度量值最大或最小的变换模型的参数值,相似性度量有:两幅图像灰度的平方差之和、序贯相似度检测(SSDA)、互相关和相位相关;基于图像灰度的匹配方法主要有:
1)ABS(Absolute BalanCe Seareh)法
用模板图像和待匹配图像上的搜索窗口之间的像素灰度值的差别,来表示二者的相关性。假设待匹配图像为F(x,y),而模板图像为G(x,y),并且待匹配图像大小为MXN,而模板图像大小为PxQ,则在待匹配图像中共有(M-P+1)x(N-Q+1)个可能的匹配点存在,每一个可能的匹配点对应一个PxQ的搜索窗口。所以匹配也可以看作是大小等于模板图像的搜索窗口在待匹配图像上按照某一顺序滑动,每滑动一次就进行一次模板图像和搜索窗口之间的相关计算。以此来判断当前的搜索窗口是否匹配。如果差别小于预定的阂值,就可以认为匹配成功,否则,就认为匹配失败。
2)归一化互相关匹配法
通过计算模板图像和待匹配图像的互相关值,来确定匹配的程度。互相关值最大时的搜索窗口位置决定了模板图像在待匹配图像中的位置。
归一化互相关应用在对图像特征点进行初始匹配时执行步骤为:
(1)原图像-测试图像经过平均平滑滤波的图像;
(2)利用(1)中的结果,产生归一化互相关矩阵;
(3)根据产生的归一化互相关矩阵,得出每行、每列(每幅图像中一点相对于另一幅图像中所有对应点)的最大值及相应索引;
(4)由(3)结果,如两图像对应点索引一致,则为一对初始匹配点对;
(5)由(4)循环求出一一匹配的点对。
NC算法具有很高的准确性,适应性,对图像灰度值的线性变换具有“免疫性”,即所求的NC值不受灰度值的线性变换的影响。
3)图像矩匹配方法
在图像处理中,矩是一种统计特性,可以采用不同阶次的矩来计算模板的位置,方向和尺寸变换参数。由于高阶矩对噪声和变形非常敏感,在实际应用中通常选用低阶来实现图像匹配,一般采用具有平移、旋转与尺寸不变性的矩特征参数。对于圆形窗口内的归一化矩特征,平移、旋转和尺度变化的模板匹配简化为一般的平移模板匹配。
p+q阶矩定义为:
其中,(x,y)为图像位置坐标,f(x,y)为图像灰度。当图像发生平移变化时,mpq也将发生改变。
2.基于图像特征的匹配方法
基于图像特征的匹配方法包括特征提取、特征匹配选取、变换模型及求取参数坐标、变换与插值四个主要部分。
1)特征提取
提取两幅图像中共有的图像特征。这种特征是出现在两幅图像中对比例、旋转、平移等变换保持一致性的特征,如线交叉点、物体边缘、角点、虚圆、闭区域的中心等。可提取的特征包括点、线和面三类。其中,点特征是最常采用的一种图像特征,包括物体边缘点、角点线、交叉点等。
2)特征匹配
建立两幅图像中特征点之间对应关系的过程。用数学语言可以描述为:两幅图像A和B中分别有m和n个特征点(m和n常常是不相等的),其中有k对点是两幅图像中共同拥有的,则如何确定两幅图像中k对相对应的点对即为特征匹配要解决的问题。
3)选取变换模型及求取参数
变换模型是指根据待配准图像与参考图像之间几何畸变的情况,所选择的能最佳拟合两幅图像之间变化的几何变换模型。可采用的变换模型有:仿射变换、透视变换、投影变换和多项式变换,本发明采用仿射变换和多项式变换。
仿射变换是最常用的一种几何变换。它是一种刚性变换,具有良好的数学特性仿射变换通常有4个参数:尺度因子s,旋转角夕,x方向平移量tx,y方向平移量ty,它将第一幅图像中的点(xl,y1)映射为第二幅图像中的点(x2,y2),数学表示为:
多项式变换是图像间存在非线性变形时最常用的变换类型,如遥感图像中存在由缓和的地形起伏引起的变形,就可以采用多项式变换模型校正。它将第一幅图像中的点(xl,y1)映射为第二幅图像中的点(x2,y2),数学表示为:
4)坐标变换与插值
在得到两幅图像间的变换参数后,要将待匹配图像做相应参数的变换使之与参考图像处于同一坐标系下。则校正后的待匹配图像与参考图像可用作后续的图像融合或目标变化检测处理。对待匹配图像在参数变换后所得点坐标不为整像素数,则应进行插值处理。
输电设备正常图谱库主要包括:
1)输电导线
通过对输电导线缺陷特征分析,发现导线断股缺陷在可见光图像中主要表现出如下特征:输电导线宽度变细,输电导线的灰度值变低,输电导线某处凸起,输电导线的边缘点梯度变化。同时,断股点处的分叉会存在几种典型模式。因此,拟设计导线断股缺陷模式库,包括断股形状特征描述、灰度/梯度统计分布描述、分叉特征模板,通过多模态的缺陷特征模式匹配给出高置信度的断股缺陷检测结果。
2)金具
通过图像匹配以及局部窗扫描搜索技术,可以对金具进行定位。在定位之后,可以对该目标区域进行颜色统计特性的建模,通过核密度估计手段判定当前目标区域是否发生了锈蚀现象。此外,对事先存储的前景图像与当前提取的前景图像做进一步的颜色统计特性差异比较,可辅助判定金具锈蚀缺陷的程度。
3)绝缘子
考虑到完整的瓷质绝缘子二值图像横向、纵向灰度变化是对称峰值清晰的,如果提取出的灰度变化存在不对称或者是峰值不明显,则说明瓷件的边缘可能存在破损。另外,当瓷质绝缘子存在边缘缺损现象时,边缘点的密度会发生较大的变化。因此,对瓷质绝缘子区域的边缘点建立其横向和纵向投影的统计直方图,可帮助进一步判别破损是否存在,并可通过观测边缘点密度大小对破损缺口进行有效定位。
4)悬挂异物
采用直线形状模板对前景区域进行滤波,并通过对前景区域的空间位置分布特性的分析,如平行特性,精确标识电力线的位置,从而筛选出悬挂异物的候选区域。这些候选区域的形状参数,包括面积、周长、形状复杂度等将作为最终输出异物识别结果的分类特征。
本发明所述的基于缺陷特征模式匹配的输电设备故障诊断系统,采用多种边缘检测方法,比传统的基于梯度算子的边缘定位更为准确。同时,采用缺陷特征模式匹配方法,对采集输电网设备图谱进行精细化的数字化预处理,在设备图谱比对方面,采用基于图像灰度和图像特征的匹配方法,从根本上降低了故障判决误差。
不同的输电网设备结构所具有的缺陷特征不完全一样,在进行特征匹配应选取不一样的手段。根据输电网的各种正常设备图谱信息建立设备信息库,采集设备运行状态图谱信息,用智能进化算法进行信息比对,正确快速定位故障,确保设备故障诊断准确无误。
本发明还可以将最终输出的输电网设备故障分析结果进行反馈,即将检测到的设备故障信息反馈到巡检工作人员的工作栏中,等待工作的进一步核实和故障整改修复。
Claims (7)
1.一种输电设备故障诊断方法,其特征在于,包括以下步骤:
A:按照不同电压等级和不同设备型号分别采集各个输电网设备在正常运行状态下的图谱信息,从而建立输电网设备正常图谱库,输电网设备包括输电导线、金具和绝缘子;各个输电网设备在正常运行状态下的图谱信息包括:
输电导线:输电线宽度、输电线的灰度值、输电线表面平整度和电力线的边缘点梯度变化;
金具:金具表面颜色;
绝缘子:绝缘子尺寸;
B:采集输电网设备运行图像,对采集到的输电网设备运行图像进行预处理并进行图像特征提取;
C:通过图像对比模块,利用采集到的输电网设备运行图像与输电网设备正常图谱库中的图像,分析输电网设备运行图像中输电网设备所发生的变化和缺陷特征,与输电网设备正常图谱库中设备正常状态下的图谱差别,对输电网设备进行故障辨识诊断;
输电网设备所发生的变化和缺陷特征包括:
输电导线:输电导线断股、输电导线宽度变细、输电导线的灰度值变低、输电导线凸起及输电导线的边缘点梯度变化;
金具:金具锈蚀及颜色发生变化;
绝缘子:绝缘子边缘破损以及形状特征发生变化;
输电导线悬挂异物。
2.根据权利要求1所述的输电设备故障诊断方法,其特征在于:步骤B中,首先利用图像处理系统,对采集到的输电网设备运行图像进行图像预处理,包括图像降噪、边缘检测、图像压缩和图像分割,以及对采集到的输电网设备运行图像进行对比度增强、运动模糊图像的复原和图像降噪;然后再利用图像处理系统,对预处理后的输电网设备运行图像进行滤波,采用图像去噪方法去除前景中的背景干扰,最后对电力设备特征进行提取。
3.根据权利要求2所述的输电设备故障诊断方法,其特征在于:在图像预处理过程中,
采用空间域图像去噪算法、变换域去噪方法和/或偏微分方程去噪方法进行图像降噪;
采用Roberts算子、Prewitt算子、Sobel算子、Isotropic Sobel算子和/或Laplacian算子进行边缘检测;
采用统计冗余度的压缩方法、空间冗余度的压缩和/或视觉冗余度的压缩方法进行图像压缩;
采用基于全局阈值或自适应阈值的分割方法进行图像分割;
在对图像进行对比度增强时,采用直方图均衡化法增强图像对比度;
在对图像进行运动模糊图像的复原时,采用逆滤波法、维纳滤波法和/或有约束最小二乘滤波法进行模糊图像的复原;
在对图像进行图像降噪时,采用空间域图像去噪算法、变换域去噪方法和/或偏微分方程去噪方法;
对去除前景中的背景干扰时,采用空间域图像去噪算法、变换域去噪方法和/或偏微分方程去噪方法去除前景中的背景干扰。
4.根据权利要求1所述的输电设备故障诊断方法,其特征在于,步骤B中,
针对颜色特征、纹理特征和/或形状特征对电力设备特征进行提取。
5.根据权利要求4所述的输电设备故障诊断方法,其特征在于,提取颜色特征时,采用颜色直方图、颜色矩、颜色集和/或颜色聚合向量表征颜色特征;提取形状特征时,采用包括不变矩和骨架的形状特征,通过Canny算子进行形状特征提取。
6.根据权利要求1所述的输电设备故障诊断方法,其特征在于,步骤C中,使用基于图像灰度的匹配方法和基于图像特征的匹配方法,将采集到的输电网设备运行图像与输电网设备正常图谱库中的图像进行匹配即精确化比对,分析输电网设备运行图像中输电网设备所发生的变化和缺陷特征,与输电网设备正常图谱库中设备正常状态下的图谱差别。
7.根据权利要求6所述的输电设备故障诊断方法,其特征在于:基于图像灰度的匹配方法采用AbsoluteBalanceSeareh匹配法、归一化互相关匹配法和/或图像矩匹配法;
基于图像特征的匹配方法包括以下步骤:
a:提取待匹配图像与参考图像中共有的图像特征;
b:建立两幅图像中特征点之间对应关系;
c:根据待匹配图像与参考图像之间几何畸变的情况,选择拟合两幅图像之间变化的几何变换模型;
d:对匹配图像进行参数变换使匹配图像与参考图像处于同一坐标系下,然后进行图像融合或目标变化检测处理;并对待匹配图像在参数变换后坐标不为整像素数进行插值处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610323911.7A CN106023185B (zh) | 2016-05-16 | 2016-05-16 | 一种输电设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610323911.7A CN106023185B (zh) | 2016-05-16 | 2016-05-16 | 一种输电设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023185A CN106023185A (zh) | 2016-10-12 |
CN106023185B true CN106023185B (zh) | 2019-07-30 |
Family
ID=57098081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610323911.7A Active CN106023185B (zh) | 2016-05-16 | 2016-05-16 | 一种输电设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023185B (zh) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501673B (zh) * | 2016-10-21 | 2019-03-08 | 国网江苏省电力有限公司检修分公司 | 一种基于输电线路隐患放电实测电流行波的正常谐波判别方法 |
CN106774054A (zh) * | 2016-11-25 | 2017-05-31 | 国网技术学院 | 基于复杂非结构化数据识别的gis设备分析系统及方法 |
CN106600580B (zh) * | 2016-11-30 | 2020-01-21 | 浙江大学 | 一种基于霍夫变换的电力线异常识别方法及其系统 |
CN106709466A (zh) * | 2016-12-30 | 2017-05-24 | 国网山西省电力公司电力科学研究院 | 基于mpeg7标准的电力设备图像识别方法和系统 |
CN107392886A (zh) * | 2017-06-14 | 2017-11-24 | 国网山东省电力公司菏泽供电公司 | 一种电力设备图像处理方法 |
CN107515227A (zh) * | 2017-07-27 | 2017-12-26 | 武汉精测电子技术股份有限公司 | 基于缺陷无损的图像压缩方法及显示面板缺陷检测系统 |
CN110188783A (zh) * | 2018-02-22 | 2019-08-30 | 北京猎户星空科技有限公司 | 一种图像分类方法、装置及电子设备 |
CN108564572A (zh) * | 2018-04-02 | 2018-09-21 | 滁州晨润工贸有限公司 | 一种基于图像特征的产品质量监测方法 |
CN108960256A (zh) * | 2018-06-28 | 2018-12-07 | 东软集团股份有限公司 | 一种部件损伤程度的确定方法、装置及设备 |
CN109801302A (zh) * | 2018-12-14 | 2019-05-24 | 华南理工大学 | 一种基于双目视觉的高压输电线路异物检测方法 |
CN109494882B (zh) * | 2018-12-29 | 2020-11-24 | 上海南华兰陵电气有限公司 | 一种变电站开关设备状态的诊断方法及系统 |
CN110252504B (zh) * | 2019-03-25 | 2020-03-03 | 泰州三凯工程技术有限公司 | 基于信号采集的随动控制系统 |
CN110009632A (zh) * | 2019-04-17 | 2019-07-12 | 国网重庆市电力公司电力科学研究院 | 一种金属腐蚀状态的评估方法、装置和设备 |
CN110334750B (zh) * | 2019-06-21 | 2021-06-08 | 西安工程大学 | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 |
CN110706293B (zh) * | 2019-09-03 | 2023-04-25 | 佛山科学技术学院 | 基于surf特征匹配的电子元器件定位和检测方法 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN111028289B (zh) * | 2019-11-20 | 2022-05-17 | 国网浙江省电力有限公司电力科学研究院 | 基于模板匹配的变电站内设备异物定位方法 |
CN111007315B (zh) * | 2019-11-26 | 2020-10-13 | 武汉大学 | 一种基于电流谐波图谱的线路分支识别方法 |
CN112116106B (zh) * | 2019-12-07 | 2021-09-10 | 山东九州信泰信息科技股份有限公司 | 基于显示特征搜索的器件自查系统 |
CN111832571B (zh) * | 2020-07-09 | 2021-03-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车制动梁支柱故障自动检测方法 |
CN111862074B (zh) * | 2020-07-30 | 2023-11-24 | 国网湖南省电力有限公司 | 一种电缆阻水缓冲层缺陷识别方法及装置 |
CN112634590B (zh) * | 2020-11-12 | 2023-10-31 | 珠海许继电气有限公司 | 一种基于视觉识别技术的台区故障检测方法及装置 |
CN112699794B (zh) * | 2020-12-29 | 2021-09-14 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法 |
CN112803592B (zh) * | 2021-01-13 | 2023-03-31 | 广东省电力开发有限公司 | 一种适用于分布式电站的智能故障预警方法及系统 |
CN114792299A (zh) * | 2021-01-25 | 2022-07-26 | 山东信通电子股份有限公司 | 一种输电线路异常状态检测方法及装置 |
CN113052104A (zh) * | 2021-03-31 | 2021-06-29 | 广东电网有限责任公司 | 基于图像识别的绝缘子定位识别方法及系统 |
CN113469953B (zh) * | 2021-06-10 | 2022-06-14 | 南昌大学 | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 |
CN113515655A (zh) * | 2021-06-24 | 2021-10-19 | 国网山东省电力公司邹城市供电公司 | 一种基于图像分类的故障识别方法及装置 |
CN113763677A (zh) * | 2021-08-18 | 2021-12-07 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于视频监测技术的输电线路绝缘子偏移预警系统 |
CN114283091B (zh) * | 2021-12-27 | 2022-08-09 | 国网黑龙江省电力有限公司伊春供电公司 | 基于视频融合的电力设备图像恢复系统 |
CN114511120B (zh) * | 2022-04-21 | 2022-07-19 | 浙江天铂云科光电股份有限公司 | 基于温度视觉电线的电力设备故障诊断方法 |
CN115468645A (zh) * | 2022-08-26 | 2022-12-13 | 国网湖北省电力有限公司黄冈供电公司 | 一种基于振动信号分段时频图谱优选的有载分接开关故障智能诊断方法 |
CN115620496B (zh) * | 2022-09-30 | 2024-04-12 | 北京国电通网络技术有限公司 | 应用于输电线路的故障报警方法、装置、设备和介质 |
CN115293303B (zh) * | 2022-10-10 | 2023-01-24 | 广东电网有限责任公司中山供电局 | 一种高压输电线网监测方法、系统、设备和介质 |
CN115542100B (zh) * | 2022-11-29 | 2023-03-28 | 广东电网有限责任公司东莞供电局 | 绝缘子故障检测方法、装置、设备及介质 |
CN116012380B (zh) * | 2023-03-27 | 2023-06-16 | 中江立江电子有限公司 | 一种绝缘子缺陷检测方法、装置、设备及介质 |
CN116109635B (zh) * | 2023-04-12 | 2023-06-16 | 中江立江电子有限公司 | 复合悬式绝缘子表面质量检测方法、装置、设备及介质 |
CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
CN117572628B (zh) * | 2024-01-02 | 2024-05-07 | 首都医科大学附属北京天坛医院 | 一种便携式内窥镜及其使用方法 |
CN118172046A (zh) * | 2024-05-11 | 2024-06-11 | 深圳联鹏高远智能科技有限公司 | 一种车辆维修管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1822046A (zh) * | 2006-03-30 | 2006-08-23 | 上海电力学院 | 基于区域特征模糊的红外与可见光图像融合方法 |
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 |
CN104123566A (zh) * | 2013-04-24 | 2014-10-29 | 信帧电子技术(北京)有限公司 | 视频模糊不变性目标追踪的方法与系统 |
CN104483326A (zh) * | 2014-12-19 | 2015-04-01 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 |
CN104637049A (zh) * | 2014-12-16 | 2015-05-20 | 北京航天时代光电科技有限公司 | 一种光纤绕环质量的自动检测方法 |
CN105069807A (zh) * | 2015-08-28 | 2015-11-18 | 西安工程大学 | 一种基于图像处理的冲压工件缺陷检测方法 |
-
2016
- 2016-05-16 CN CN201610323911.7A patent/CN106023185B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1822046A (zh) * | 2006-03-30 | 2006-08-23 | 上海电力学院 | 基于区域特征模糊的红外与可见光图像融合方法 |
CN104123566A (zh) * | 2013-04-24 | 2014-10-29 | 信帧电子技术(北京)有限公司 | 视频模糊不变性目标追踪的方法与系统 |
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 |
CN104637049A (zh) * | 2014-12-16 | 2015-05-20 | 北京航天时代光电科技有限公司 | 一种光纤绕环质量的自动检测方法 |
CN104483326A (zh) * | 2014-12-19 | 2015-04-01 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 |
CN105069807A (zh) * | 2015-08-28 | 2015-11-18 | 西安工程大学 | 一种基于图像处理的冲压工件缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
基于视频图像处理技术的输电线路杆塔鸟巢识别;王桢;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150715(第07期);第21-31页,第40-43页 |
Also Published As
Publication number | Publication date |
---|---|
CN106023185A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023185B (zh) | 一种输电设备故障诊断方法 | |
Lei et al. | New crack detection method for bridge inspection using UAV incorporating image processing | |
CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN105976383A (zh) | 一种基于极限学习机图像识别的输电设备故障诊断方法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN106127756B (zh) | 一种基于多特征信息融合技术的绝缘子识别检测方法 | |
Jia et al. | A two-step approach to see-through bad weather for surveillance video quality enhancement | |
CN105957088B (zh) | 基于计算机视觉的变压器复合绝缘子套管监测方法及系统 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
Dixit et al. | Image texture analysis-survey | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
Huang et al. | Obstacle distance measurement under varying illumination conditions based on monocular vision using a cable inspection robot | |
CN111652243B (zh) | 基于显著性融合的红外与可见光图像融合方法 | |
Qi et al. | Research on the image segmentation of icing line based on NSCT and 2-D OSTU | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN109919068B (zh) | 基于视频分析适应密集场景人流实时监测方法 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
Qiao et al. | An adaptive algorithm for grey image edge detection based on grey correlation analysis | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
Jiale et al. | Automatic identification method of pointer meter under complex environment | |
Shao et al. | 3D crowd surveillance and analysis using laser range scanners | |
CN109934103A (zh) | 基于暗通道先验和区域协方差检测图像中显著物体的方法 | |
CN110135274A (zh) | 一种基于人脸识别的人流量统计方法 |
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 |