CN107240095A - 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 - Google Patents
一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 Download PDFInfo
- Publication number
- CN107240095A CN107240095A CN201710379933.XA CN201710379933A CN107240095A CN 107240095 A CN107240095 A CN 107240095A CN 201710379933 A CN201710379933 A CN 201710379933A CN 107240095 A CN107240095 A CN 107240095A
- Authority
- CN
- China
- Prior art keywords
- visible images
- insulator
- pollution
- state recognition
- 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.)
- Pending
Links
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—Color image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Insulators (AREA)
Abstract
本发明涉及一种基于可见光图像的直流线路绝缘子表面污秽状态识别法,包括利用可见光图像分割算法实现对图像的预处理,建立污秽等级与可见光图像的联系,污秽状态识别。其实施方式为获取绝缘子可见光图像,进行预处;包括图像分割、去除复杂背景,滤出干扰信息,保证后续特征提取与污秽识别的准确性。由RGB模型转换到HSV彩色模型;提取绝缘子图像颜色特征量并利用Fisher准则函数评判各特征量的优劣性;以符合要求特征量构成特征矢量作为输入量输入到SVM分类器进行分类;输出污秽等级。该方法适用于所有与污秽颜色特征有明显差异的绝缘子,能有效识别绝缘子污秽等级,分类准确率高,为污秽度识别提供了新的技术手段。
Description
技术领域
本发明所属电路安全技术领域,特别涉及一种基于可见光图像的直流线路绝缘子表面污秽状态识别法。
背景技术
公知,在我国工农业快速发展的同时,大气污染日趋严重、降尘量增加,酸性湿沉降频发,运行中的绝缘子表面染污随之加剧,瓷绝缘子由于其表面积大,在复杂的气象条件下(雾、露、雨滴及酸性湿沉降)附着在瓷绝缘子表面的水分以水膜的形式而存在,污秽物中的盐类物质溶解于水中,表面电导增加,绝缘子的电气强度急剧下降,导致表面形成放电甚至污闪事故,严重威胁电网的可靠运行。直流输电线路的外绝缘特别是污闪已成为影响直流输电可靠性的主要原因之一。国家电网公司直流线路自投运以来已发生多起污闪跳闸和爬电现象,严重威胁到整个电网的安全。绝缘子污闪事故尤其严重。随着直流电网的逐步增加,如何从运行维护层面提高电网直流系统的防污闪水平,保证电网的安全稳定运行已成为广泛重视的问题。同时,当前的各种防污措施根据不同的污秽等级区域确定清洗周期,实施绝缘子表面的清扫除尘,但是实践证明该方法虽然能在一定程度上保证绝缘子的电气绝缘强度,降低污闪事故的发生,但是其具有盲目性,由于缺乏运行中绝缘子表面的污秽信息,对不须清扫的线路也进行了清扫,造成大量的人力、物力浪费。
鉴于此,有必要开展直流线路绝缘子表面绝缘状态的监测与评估技术研究,设计一种基于可见光图像的直流线路绝缘子表面污秽状态识别法,来取代现在由于电力维护人员不能及时准确地掌握绝缘子表面绝缘情况与污秽状况而导致污闪事故发生的状况。
发明内容
为了克服直流输电线路污闪事故的发生,本发明提供了一种基于可见光图像的直流线路绝缘子表面污秽识别方法,通过检测运行中的绝缘子污秽状态来预测污闪的发生,来达到能够在发生污闪事故之前及时实施绝缘子表面污秽的清除工作,这样既可以减少清除工作的盲目性,又可以减少不必要劳动,提高工作效率,而且能够降低污闪事故发生的几率。
本发明采用的技术方案是:
一种基于可见光图像的直流线路绝缘子表面污秽状态识别法,包括以下步骤:
步骤1、对直流线路绝缘子可见光图像进行预处理;
步骤2、建立污秽等级与绝缘子可见光图像的关系;
步骤3、绝缘子污秽状态识别。
所述步骤1包括以下步骤:
步骤1.1、获取绝缘子可见光图像;
步骤1.2、将所拍摄的基于RGB彩色模型存储的彩色图像转化为HSV彩色模型进行预处理,以有利于图像识别;
步骤1.3、进行图像分割,利用种子区域生长法去除复杂背景,只保留绝缘子区域;
步骤1.4、过滤绝缘子盘面区域干扰信息,保证后续特征提取与污秽度识别的准确性,最终得到的绝缘子盘面完整轮廓清晰。
所述步骤2包括以下步骤:
步骤2.1、图像经过预处理后分别提取RGB和HSV两个颜色空间的36个特征参数:包括绝缘子盘面R,G,B和H,S,V各分量的平均值、中值、最大值、最小值、极差、方差;
步骤2.2、引入Fisher准则函数衡量各特征量的优劣,Fisher准则函数值越大,说明该维特征的区分度越好,通常要求其值大于1;
步骤2.3、选取符合要求的特征量构成特征矢量作为输入,输入到SVM分类器中;
步骤2.4、利用SVM分类器支持向量机强大的非线性映射能力,建立起污秽等级与绝缘子可见光图像颜色特征的关系。
所述步骤3,将上述可见光图像颜色特征参数构成的特征矢量输入到SVM分类器中,输出污秽等级,实现绝缘子污秽状态识别。
利用可见光图像识别污秽状态,无需在杆塔上安装任何设备,运行和维护成本低,操作简单,使用安全可靠,检测精度高。该方法具有不必停电、响应速度快、不易受电磁干扰、等优点,可实现实时、非接触测量。同时,与传统方法相比,可克服泄漏电流及红外、紫外成像等方法需要在高湿度环境下使用,在故障发热或放电时才能有效检测的缺陷。不仅大大提高了检测效率,而且降低了劳动成本。
附图说明
图1是本发明的图像预处理流程示意图;
图2是本发明的建立表面污秽状态等级与可见光之间的联系的逻辑示意图;
图3是本发明的整体方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,图2,图3。本发明提供一种基于可见光图像的直流线路绝缘子表面污秽状态识别法。包括获取绝缘子可见光图像并进行预处理;建立污秽等级与绝缘子可见光图像的关系;通过污秽等级与可见光图像之间的关系对绝缘子污秽状态进行识别。获取绝缘子可见光图像。对绝缘子可见光图像进行预处理;采用种子区域生长法去除复杂背景;滤出干扰信息,保证后续特征提取与污秽识别的准确性;分割出绝缘子盘面完整清晰的轮廓。绝缘子颜色空间分量降维,由RGB模型转换到HSV彩色模型进行处理,提取绝缘子图像颜色特征参数并利用Fisher准则函数评判各特征参数的优劣性;污秽状态识别,以符合要求的颜色特征参数为输入输入到SVM分类器中,输出为绝缘子污秽等级。
本发明具体采取以下技术手段实现:
(1)对直流线路绝缘子可见光图像进行预处理。
步骤1、获取绝缘子可见光图像;
步骤2、将所拍摄的基于RGB彩色模型存储的彩色图像转化为HSV彩色模型进行预处理,有利于图像识别;
步骤3、进行图像分割,利用种子区域生长法去除复杂背景,只保留绝缘子区域;
步骤4、过滤绝缘子盘面区域干扰信息,保证后续特征提取与污秽度识别的准确性,最终得到的绝缘子盘面完整轮廓清晰。
(2)建立污秽等级与绝缘子可见光图像的关系。
由于这种关系具有非线性、高维度等特点,不能通过简单的公式进行推导,因此,在这里结合图像处理技术,利用支持向量机强大的非线性映射能力,建立起不同污秽等级下的绝缘子可见光图像颜色特征与污秽等级间的映射关系,从而利用可见光图像实现绝缘子表面污秽状态的检测。
绝缘子的污秽常用等值盐密值和灰密值进行度量。将污秽等级划分为0,1,2,3,4五个等级,其与盐密值得关系如下,0级对应的盐密值为0-0.03mg/cm2,,1级对应的盐密值为0.03~0.05mg/cm2,2级对应的盐密值为0.05~0.10mg/cm2,3级对应的盐密值为0.10~0.25mg/cm2,4级对应的盐密值为>0.25mg/cm2;短时间内同一区域范围内灰密值和盐密值成线性关系;而灰密值是通过可见光图像的颜色模型中的颜色差异特征来体现的。
步骤1、图像经过预处理后分别提取RGB和HSV两个颜色空间36个特征参数:绝缘子盘面部分R,G,B和H,S,V各分量的平均值,中值,最大值,最小值,极差,方差;
步骤2、引入Fisher准则函数衡量各特征量的优劣,Fisher准则函数值越大,说明该维特征的区分度越好,通常要求其值大于1;
步骤3、选取符合要求的特征量构成特征矢量作为输入,输入到SVM分类器中;
步骤4、利用SVM分类器支持向量机强大的非线性映射能力,建立起污秽等级与绝缘子可见光图像颜色特征的关系。
(3)绝缘子污秽状态识别。
将上述可见光图像颜色特征参数构成的特征矢量输入到SVM分类器中,输出污秽等级,实现绝缘子污秽状态识别。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本实发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种基于可见光图像的直流线路绝缘子表面污秽状态识别法,其特征在于,包括以下步骤:
步骤1、对直流线路绝缘子可见光图像进行预处理;
步骤2、建立污秽等级与绝缘子可见光图像的关系;
步骤3、绝缘子污秽状态识别。
2.根据权利要求1所述的一种基于可见光图像的直流线路绝缘子表面污秽状态识别法,其特征在于,所述步骤1包括以下步骤:
步骤1.1、获取绝缘子可见光图像;
步骤1.2、将所拍摄的基于RGB彩色模型存储的彩色图像转化为HSV彩色模型进行预处理,以有利于图像识别;
步骤1.3、进行图像分割,利用种子区域生长法去除复杂背景,只保留绝缘子区域;
步骤1.4、过滤绝缘子盘面区域干扰信息,保证后续特征提取与污秽度识别的准确性,最终得到的绝缘子盘面完整轮廓清晰。
3.根据权利要求2所述的一种基于可见光图像的直流线路绝缘子表面污秽状态识别法,其特征在于,所述步骤2包括以下步骤:
步骤2.1、图像经过预处理后分别提取RGB和HSV两个颜色空间的36个特征参数:包括绝缘子盘面R,G,B和H,S,V各分量的平均值、中值、最大值、最小值、极差、方差;
步骤2.2、引入Fisher准则函数衡量各特征量的优劣,Fisher准则函数值越大,说明该维特征的区分度越好,通常要求其值大于1;步骤2.3、选取符合要求的特征量构成特征矢量作为输入,输入到SVM分类器中;
步骤2.4、利用SVM分类器支持向量机强大的非线性映射能力,建立起污秽等级与绝缘子可见光图像颜色特征的关系。
4.根据权利要求3所述的一种基于可见光图像的直流线路绝缘子表面污秽状态识别法,其特征在于:所述步骤3,将上述可见光图像颜色特征参数构成的特征矢量输入到SVM分类器中,输出污秽等级,实现绝缘子污秽状态识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379933.XA CN107240095A (zh) | 2017-05-25 | 2017-05-25 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379933.XA CN107240095A (zh) | 2017-05-25 | 2017-05-25 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107240095A true CN107240095A (zh) | 2017-10-10 |
Family
ID=59985199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710379933.XA Pending CN107240095A (zh) | 2017-05-25 | 2017-05-25 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107240095A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN108345898A (zh) * | 2017-12-31 | 2018-07-31 | 国网山西省电力公司检修分公司 | 一种新型的线路绝缘子绝缘状态评估方法 |
CN108470141A (zh) * | 2018-01-27 | 2018-08-31 | 天津大学 | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 |
CN108470140A (zh) * | 2018-01-27 | 2018-08-31 | 天津大学 | 一种基于统计特征与机器学习的输电线路鸟巢识别方法 |
CN108596196A (zh) * | 2018-05-15 | 2018-09-28 | 同济大学 | 一种基于绝缘子图像特征词典的污秽状态评估方法 |
CN110909751A (zh) * | 2019-11-26 | 2020-03-24 | 长沙理工大学 | 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质 |
CN111913086A (zh) * | 2020-08-25 | 2020-11-10 | 刘再兴 | 一种输电线路绝缘子污秽监测系统 |
CN113125908A (zh) * | 2021-04-16 | 2021-07-16 | 华北电力大学 | 一种绝缘子污秽度诊断装置及其检测方法 |
CN113610768A (zh) * | 2021-07-14 | 2021-11-05 | 南方电网科学研究院有限责任公司 | 绝缘子表面藻类覆盖率测算方法、装置及存储介质 |
CN114034714A (zh) * | 2021-11-22 | 2022-02-11 | 青岛科技大学 | 基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 |
CN116071368A (zh) * | 2023-04-07 | 2023-05-05 | 国网山西省电力公司电力科学研究院 | 绝缘子污秽多角度图像检测与精细度分析方法及装置 |
CN116068287A (zh) * | 2023-03-10 | 2023-05-05 | 国网山西省电力公司电力科学研究院 | 一种污秽绝缘子电位测量方法及装置 |
CN116679171A (zh) * | 2023-05-15 | 2023-09-01 | 江苏云峰科技股份有限公司 | 风力发电开关的绝缘件的绝缘状态判断系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411980A (zh) * | 2013-07-23 | 2013-11-27 | 同济大学 | 基于可见光图像的外绝缘污秽状态识别方法 |
CN105445283A (zh) * | 2016-02-01 | 2016-03-30 | 成都通甲优博科技有限责任公司 | 一种绝缘子图像污秽状态检测方法 |
CN106680285A (zh) * | 2016-11-17 | 2017-05-17 | 同济大学 | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 |
-
2017
- 2017-05-25 CN CN201710379933.XA patent/CN107240095A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411980A (zh) * | 2013-07-23 | 2013-11-27 | 同济大学 | 基于可见光图像的外绝缘污秽状态识别方法 |
CN105445283A (zh) * | 2016-02-01 | 2016-03-30 | 成都通甲优博科技有限责任公司 | 一种绝缘子图像污秽状态检测方法 |
CN106680285A (zh) * | 2016-11-17 | 2017-05-17 | 同济大学 | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 |
Non-Patent Citations (1)
Title |
---|
金立军: "可见光图像颜色特征与支持向量机相结合的绝缘子污秽状态识别方法", 《高压电器》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345898A (zh) * | 2017-12-31 | 2018-07-31 | 国网山西省电力公司检修分公司 | 一种新型的线路绝缘子绝缘状态评估方法 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN108470141A (zh) * | 2018-01-27 | 2018-08-31 | 天津大学 | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 |
CN108470140A (zh) * | 2018-01-27 | 2018-08-31 | 天津大学 | 一种基于统计特征与机器学习的输电线路鸟巢识别方法 |
CN108470140B (zh) * | 2018-01-27 | 2021-12-07 | 天津大学 | 一种基于统计特征与机器学习的输电线路鸟巢识别方法 |
CN108596196B (zh) * | 2018-05-15 | 2021-10-08 | 同济大学 | 一种基于绝缘子图像特征词典的污秽状态评估方法 |
CN108596196A (zh) * | 2018-05-15 | 2018-09-28 | 同济大学 | 一种基于绝缘子图像特征词典的污秽状态评估方法 |
CN110909751A (zh) * | 2019-11-26 | 2020-03-24 | 长沙理工大学 | 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质 |
CN110909751B (zh) * | 2019-11-26 | 2022-09-02 | 长沙理工大学 | 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质 |
CN111913086A (zh) * | 2020-08-25 | 2020-11-10 | 刘再兴 | 一种输电线路绝缘子污秽监测系统 |
CN113125908A (zh) * | 2021-04-16 | 2021-07-16 | 华北电力大学 | 一种绝缘子污秽度诊断装置及其检测方法 |
CN113610768A (zh) * | 2021-07-14 | 2021-11-05 | 南方电网科学研究院有限责任公司 | 绝缘子表面藻类覆盖率测算方法、装置及存储介质 |
CN114034714A (zh) * | 2021-11-22 | 2022-02-11 | 青岛科技大学 | 基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 |
CN114034714B (zh) * | 2021-11-22 | 2024-03-26 | 青岛科技大学 | 基于泄漏电流吸引子相图的绝缘子污秽状态检测方法 |
CN116068287A (zh) * | 2023-03-10 | 2023-05-05 | 国网山西省电力公司电力科学研究院 | 一种污秽绝缘子电位测量方法及装置 |
CN116071368A (zh) * | 2023-04-07 | 2023-05-05 | 国网山西省电力公司电力科学研究院 | 绝缘子污秽多角度图像检测与精细度分析方法及装置 |
CN116679171A (zh) * | 2023-05-15 | 2023-09-01 | 江苏云峰科技股份有限公司 | 风力发电开关的绝缘件的绝缘状态判断系统 |
CN116679171B (zh) * | 2023-05-15 | 2023-11-10 | 江苏云峰科技股份有限公司 | 风力发电开关的绝缘件的绝缘状态判断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107240095A (zh) | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 | |
Davari et al. | Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos | |
CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN103323460B (zh) | 一种基于可见光图像的绝缘子检测方法及装置 | |
US9384560B2 (en) | Contamination level estimation method for high voltage insulators | |
CN106680285B (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN108108772B (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
CN104764748A (zh) | 定位绝缘子的方法、系统以及故障检测的方法和系统 | |
CN103954897A (zh) | 基于紫外成像的智能电网高压绝缘损坏监控系统及方法 | |
CN105354589A (zh) | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 | |
CN103413150A (zh) | 基于可见光影像对电力线路缺陷进行诊断的方法 | |
CN104849287A (zh) | 一种复合绝缘子污秽程度非接触检测方法 | |
CN105654461A (zh) | 一种多分裂导线间隔棒断裂的机器视觉检测方法 | |
CN103247039A (zh) | 一种基于复合视觉的高压线缆带电检测方法 | |
CN109740507A (zh) | 一种变电设备异常感知的方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
Maraaba et al. | Estimation of high voltage insulator contamination using a combined image processing and artificial neural networks | |
CN203275313U (zh) | 一种基于可见光图像的绝缘子检测装置 | |
CN113781498B (zh) | 一种复合绝缘子智能诊断方法 | |
CN104331701A (zh) | 基于紫外图谱的绝缘子外部放电模式识别方法 | |
Vidhya et al. | Transformer internal and inrush current fault detection using machine learning. | |
CN111833346B (zh) | 基于紫外成像法的绝缘子缺陷检测识别方法 | |
WANG et al. | Visual Tracking Inspection Method of Transmission Line based on Infrared Thermal Imaging. | |
CN114820383A (zh) | 基于绝缘子可见光图像的污秽等级评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |