CN107507194B - 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 - Google Patents

一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 Download PDF

Info

Publication number
CN107507194B
CN107507194B CN201710667411.XA CN201710667411A CN107507194B CN 107507194 B CN107507194 B CN 107507194B CN 201710667411 A CN201710667411 A CN 201710667411A CN 107507194 B CN107507194 B CN 107507194B
Authority
CN
China
Prior art keywords
image
insulator string
temperature
insulator
value
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
Application number
CN201710667411.XA
Other languages
English (en)
Other versions
CN107507194A (zh
Inventor
肖立军
邹国惠
裴星宇
李翔
莫玲
毛强
尹永利
李晨熙
韩玉龙
马清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN201710667411.XA priority Critical patent/CN107507194B/zh
Publication of CN107507194A publication Critical patent/CN107507194A/zh
Application granted granted Critical
Publication of CN107507194B publication Critical patent/CN107507194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

Abstract

本发明提供一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法。该方法将红外图像中的绝缘子串所在矩形目标区域通过手动方式和颜色空间转换提取，然后使用二值化、Hough变换和旋转等图像处理技术统计目标区域长度特征，以分别提取绝缘子钢帽和盘面区域；利用图像温度矩阵和分割结果计算每个钢帽和盘面区域的平均值作为特征量，并在计算过程引入K‑means聚类算法剔除背景像素；按照绝缘子从低压端到高压端的顺序，分别形成钢帽和盘面温度特征向量；以绝缘子串温度分布规律为参考准则，建立基于BP神经网络的绝缘子串故障诊断模型。本发明提供的检测方法具有较高的识别准确率。

Description

一种基于红外图像温度分布规律和BP神经网络的绝缘子串故 障检测方法
技术领域
本发明涉及输变电设备运行状态检测技术领域，更具体地，涉及一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法。
背景技术
绝缘子串作为一种特殊的绝缘控件，肩负机械支撑和电气绝缘的作用，对变电站和输电线路的正常运行具有重要的影响。工作于户外条件下的绝缘子串，长期受风、雨、雪等自然环境影响，绝缘状态发生老化，形成低值和零值绝缘子；或受空气中微粒与自然环境的综合影响，表面积聚污秽，造成闪络放电；或因生产过程中的质量问题等，引发绝缘子故障，影响电力系统正常运行。
绝缘子故障检测主要包括低零值绝缘子的识别和表面污秽程度判定。目前，用于故障检测的方法主要有以绝缘电阻和等值盐密参数测定为代表的的传统检测方法、红外检测和图像处理相结合的在线检测技术和以人工神经网络为代表的人工智能技术等。
应用于低零值绝缘子检测的传统方法有短路叉法、小球放电法、绝缘电阻法、激光多普勒振动法和电压分布法等，污秽检测的传统方法有测量等值盐密或灰密，测量绝缘子表面电导和测量泄露电流，这些方法的优点是准确性较高，但存在工作量大，或安全性低，或成本较高，或不能带电检修的问题。红外检测技术是一种非接触式的被动测量技术，具有不停运、速度快的优点，在各类电气设备状态检修中已有广泛应用，如变压器套管发热和缺油故障检测、导线连接处发热故障检测、隔离开关和断路器接触不良故障诊断等，但红外检测技术在目前实际应用中存在的问题是对电压致热型故障较难准确判断，主要依靠运维人员的主观经验，可靠性和准确性较低。
人工神经网络模拟人脑思维、记忆方式，实现对信息的相关处理，具有较强的适应性和学习能力，在信号处理、模式识别和故障诊断领域具有广泛的应用，其基本思想是采用学习算法对样本集进行训练从而获得样本规律或故障诊断知识和规则，国内外学者在利用神经网络进行电气设备故障诊断方面进行了深入广泛的研究，如提出以区域温度分布方差等特征参数的BP网络绝缘子故障诊断模型，以背景平均温度和盘面最高温度为特征参数的径向基网络绝缘子故障诊断模型等。
绝缘子的运行状态可以由其表面温度反映，其中低零值故障可通过钢帽温度反映，而污秽故障可通过盘面温度反映，并且正常运行状态下的绝缘子温度分布呈现一定规律，从低压端至高压端，温度曲线呈不对称马鞍形。目前应用此规律进行绝缘子故障诊断研究较少，并且大部分研究集中于使用红外热像仪分析软件分析绝缘子串中轴线温度曲线，难以确定故障类型和故障位置。
发明内容
本发明的目的在于克服现有技术的至少一个缺点与不足，提供一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法，该方法利用图像技术技术、绝缘子串温度分布规律和BP神经网络实现绝缘子串故障的检测和定位。
为解决上述技术问题，本发明采用的技术方案是：一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法，其中，包括以下步骤：
S1.通过手动取点和颜色空间转换提取红外图像中绝缘子串所在矩形目标区域；
S2.基于Otsu’s算法对目标区域进行二值化，分割目标区域，并通过绝缘子盘面和钢帽的交点确定特征点，将图像坐标系的计算中心从图像左上角移动至图像矩阵中心，基于Hough变换，将绝缘子竖直旋转；
S3.将绝缘子竖直旋转后，统计图像像素值信息，利用钢帽和盘面的长度关系，并考虑红外图像存在边缘性模糊问题，获取部件特征信息，提取绝缘子串中所有钢帽和盘面所在区域；
S4.根据分割结果和图像温度矩阵获取分割区域所包含像素的温度值；
S5.利用K-means聚类算法剔除分割结果中的背景像素温度数据；
S6.计算每个区域温度平均值，形成温度特征向量；
S7.建立以温度特征向量为输入、以运行状态为输出的基于BP神经网络的绝缘子串故障诊断模型。
进一步的，所述步骤S1中,目标区域选取通过手动取点和颜色空间转换实现，具体处理过程为：
(1)在绝缘子串矩形目标区域四个顶点处分别用红色圆点标记，标记完成后用红色实线顺次连接四个顶点，形成一个包围绝缘子串的矩形区域；
(2)将原图像由RGB颜色空间转换为HSV颜色空间，HSV颜色空间中，矩形区域边界的饱和度S维度值为1，利用此特点提取边界；
(3)利用Otsu’s法对图像进行二值化处理，并用像素值1填充边界所形成的矩形孔洞；
(4)将填充处理后的图像与原图像作点乘，得到绝缘子串矩形目标区域。
进一步的，所述步骤S2中，对目标区域进行二值化与Hough变换处理，以求取绝缘子串与竖直方向之间的夹角θ，具体处理过程为：
(1)对经提取处理后的图像二值化处理，并使用数学形态学方法进行骨骼化处理；
(2)选取绝缘子盘面与中轴线相交的点作为特征点，并对特征点进行Hough变换；
(3)Hough变换后，检测特征点构成的直线即绝缘子串的中轴线，并求出该直线与竖直方向的夹角即为θ。
进一步的，所述步骤S2中，旋转处理将绝缘子串旋转至图像中的竖直方向以进行特征统计，具体处理过程为：
(1)将图像矩阵坐标原点有左上角移动至中心位置，公式如下：
Figure GDA0002491252900000031
其中h为红外图像竖直方向像素数，w为水平方向像素数；
(2)以原点为中心对图像进行旋转，旋转角度为绝缘子串与竖直方向之间的夹角θ，公式如下：
Figure GDA0002491252900000032
(3)将图像矩阵原点由中心重新移动至左上角位置；
(4)原图像坐标经旋转处理后，将其对应的新坐标保存于矩阵pix-i和pix-j，其中pix-i中保存行坐标，pix-j中保存列坐标；
(5)判断坐标矩阵中的值是否属于原图像的坐标，即pix-i中的行坐标值是否属于区间[1,h]，pix-j中的列坐标值是否属于区间[1,w]，若属于，则利用该坐标对与其对应的灰度值形成旋转后的目标区域图像；
(6)对旋转后的图像使用形态学闭操作，以消除旋转过程中因坐标取整形成的细小孔洞。
进一步的，所述步骤S3中，统计特征信息以获取绝缘子钢帽和盘面的长度极值，具体处理过程为：
(1)逐行扫描旋转后的图像，统计每行中像素值连续为1的长度d，并将该长度值保存于矩阵D(i,j)，其位置为连续终止对应的坐标，矩阵中其它值均为0；
(2)统计D(i,j)中每个长度d出现的次数，并按从小到大的顺序保存于行向量P(n)，n为长度d的最大值；
(3)根据绝缘子串的特点，矩形目标区域中，P(n)出现次数最多的即为绝缘子钢帽和盘面的特征长度，d-mao和d-pan。
进一步的，所述步骤S3中，区域分割以提取绝缘子的钢帽和盘面所在区域，具体处理过程为，寻找矩阵D(i,j)中长度值等于钢帽与盘面的长度极值d-mao和d-pan的位置，并将从该位置处开始向左延伸至长度极值处的像素值赋为1，从而分别获得绝缘子钢帽和盘面所在区域二值图像。
进一步的，所述步骤S4中，分割区域所包含像素的温度值的获取，具体处理过程为：
(1)分别标记钢帽和盘面的每个连通区域，其个数为绝缘子串中所包含绝缘子片的个数；
(2)每个连通区域所包含的坐标为旋转处理后的坐标，利用矩阵pix-i和pix-j求得原始图像中对应的坐标，分别保存于原始坐标矩阵mao-org-i、mao-org-j、pan-org-i和pan-org-j中，其中i,j分别代表行坐标、列坐标，每个连通区域所包含的像素个数不同，因此其对应的矩阵维数也不同；
(3)通过红外热像仪分析软件输出原始红外图像的温度矩阵T；
(4)利用原始坐标矩阵和温度矩阵获得原始图像中每个钢帽和盘面区域所包含像素的温度值。
进一步的，所述步骤S5中，引入K-means聚类算法，对每一个连通区域所包含的温度数据使用K-means聚类，其中钢帽连通区域分为2类，盘面连通区域的类簇数目根据绝缘子片的数目确定，一般为2类和3类；聚类处理后，剔除平均温度最低的一类数据。
进一步的，所述步骤S6中，经K-means聚类算法处理后每个连通区域的平均温度值，以该平均值表征钢帽或盘面的温度，按照从低压端到高压端的顺序，形成钢帽温度特征向量和盘面温度特征向量，其中钢帽特征向量取K-means算法分为2类的处理结果，盘面特征向量取K-means算法分为2类和3类的综合处理结果。
进一步的，所述步骤S7中，建立以钢帽特征向量为输入、以低零值故障和故障位置为输出的BP神经网络低零值故障检测模型，以盘面特征向量为输入、以污秽故障和故障位置为输出的BP神经网络污秽故障检测模型。其中低零值故障诊断模型输入层为钢帽温度特征向量，由33个节点组成，隐含层由50个神经元组成，输出层由7个神经元组成，其中第1个表示故障类型，其余6个表示绝缘子位于一串中的位置。
本发明与现有技术相比，其有益效果是：
本发明提供的方法分割提取绝缘子串红外图像中的钢帽和盘面区域，形成能够反映绝缘子运行状态的钢帽温度特征向量和盘面温度特征向量，以此建立绝缘子低零值故障和污秽故障的BP神经网络模型，避免了人工识别绝缘子红外图像故障的困难，提高对绝缘子的电压致热型故障的识别准确率，具有较高的工程应用价值。
附图说明
图1是本发明提出的一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法的流程图。
图2是绝缘子串红外图像原图。
图3(a)是手动选取所得矩形目标区域边界示意图。
图3(b)是目标区域图像。
图3(c)是直线检测图像。
图3(d)是旋转后的目标区域图像。
图3(e)是绝缘子串分割效果图像。
图3(f)是钢帽分割效果图像。
图3(g)是盘面分割效果图像。
图3(h)是红外图像原图中的分割效果。
图4(a)是聚类处理并剔除背景温度数据的钢帽温度向量图像。
图4(b)是聚类处理并剔除背景温度数据的盘面温度向量图像。
图4(c)是最终温度特征向量图像。
图5是BP神经网络训练结果图。
具体实施方式
以下通过某500kV变电站内绝缘子串状态检测的实例对本发明做进一步说明。附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
如图1所示，一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法，其中，包括以下步骤：
S1.通过手动取点和颜色空间转换提取红外图像中绝缘子串所在矩形目标区域；
S2.基于Otsu’s算法对目标区域进行二值化，分割目标区域，并通过绝缘子盘面和钢帽的交点确定特征点，将图像坐标系的计算中心从图像左上角移动至图像矩阵中心，基于Hough变换，将绝缘子竖直旋转；
S3.将绝缘子竖直旋转后，统计图像像素值信息，利用钢帽和盘面的长度关系，并考虑红外图像存在边缘性模糊问题，获取部件特征信息，提取绝缘子串中所有钢帽和盘面所在区域；
S4.根据分割结果和图像温度矩阵获取分割区域所包含像素的温度值；
S5.利用K-means聚类算法剔除分割结果中的背景像素温度数据；
S6.计算每个区域温度平均值，形成温度特征向量；
S7.建立以温度特征向量为输入、以运行状态为输出的基于BP神经网络的绝缘子串故障诊断模型。
本实施例中，所述步骤S1中,目标区域选取通过手动取点和颜色空间转换实现，具体处理过程为：
(1)在如图2所示的绝缘子串红外图像原图中目标绝缘子串区域手动选取4个红色顶点，用红色直线顺次连接形成一个如图3(a)所示的包围绝缘子串的矩形区域；
(2)将原图像由RGB颜色空间转换为HSV颜色空间，HSV颜色空间中，矩形区域边界的饱和度S维度值为1，利用此特点提取边界；
(3)利用Otsu’s法对图像进行二值化处理，并用像素值1填充边界所形成的矩形孔洞；
(4)将填充处理后的图像与原图像作点乘，得到如图3(b)所示的绝缘子串矩形目标区域。
本实施例中，所述步骤S2中，对目标区域进行二值化与Hough变换处理，以求取绝缘子串与竖直方向之间的夹角θ，具体处理过程为：
(1)对经提取处理后得到的图3(b)二值化处理，并使用数学形态学方法进行骨骼化处理；
(2)选取绝缘子盘面与中轴线相交的点作为特征点，并对特征点进行Hough变换；
(3)Hough变换后，检测特征点构成的直线即绝缘子串的中轴线，并求出该直线与竖直方向的夹角即为θ，如图3(c)所示。
本实施例中，所述步骤S2中，旋转处理将绝缘子串旋转至图像中的竖直方向以进行特征统计，具体处理过程为：
(1)将图3(b)矩阵坐标原点有左上角移动至中心位置，公式如下：
Figure GDA0002491252900000071
其中h为红外图像竖直方向像素数，w为水平方向像素数；
(2)以原点为中心对图3(b)进行旋转，旋转角度为绝缘子串与竖直方向之间的夹角θ，公式如下：
Figure GDA0002491252900000081
(3)将图像矩阵原点由中心重新移动至左上角位置；
(4)原图像坐标经旋转处理后，将其对应的新坐标保存于矩阵pix-i和pix-j，其中pix-i中保存行坐标，pix-j中保存列坐标；
(5)判断坐标矩阵中的值是否属于原图像的坐标，即pix-i中的行坐标值是否属于区间[1,h]，pix-j中的列坐标值是否属于区间[1,w]，若属于，则利用该坐标对与其对应的灰度值形成旋转后的目标区域图像；
(6)对旋转后的图像使用形态学闭操作，以消除旋转过程中因坐标取整形成的细小孔洞，如图3(d)所示。
本实施例中，所述步骤S3中，统计特征信息以获取绝缘子钢帽和盘面的长度极值，具体处理过程为：
(1)逐行扫描图3(d)，统计每行中像素值连续为1的长度d，并将该长度值保存于矩阵D(i,j)，其位置为连续终止对应的坐标，矩阵中其它值均为0；
(2)统计D(i,j)中每个长度d出现的次数，并按从小到大的顺序保存于行向量P(n)，n为长度d的最大值；
(3)根据绝缘子串的特点，矩形目标区域中，P(n)出现次数最多的即为绝缘子钢帽和盘面的特征长度，d-mao和d-pan。
本实施例中，所述步骤S3中，区域分割以提取绝缘子的钢帽和盘面所在区域，具体处理过程为，寻找矩阵D(i,j)中长度值等于钢帽与盘面的长度极值d-mao和d-pan的位置，并将从该位置处开始向左延伸至长度极值处的像素值赋为1，从而分别获得绝缘子钢帽和盘面所在区域二值图像，如图3(e)、图3(f)和图3(g)所示。
本实施例中，所述步骤S4中，分割区域所包含像素的温度值的获取，具体处理过程为：
(1)分别标记钢帽和盘面的每个连通区域，其个数为绝缘子串中所包含绝缘子片的个数；
(2)每个连通区域所包含的坐标为旋转处理后的坐标，利用矩阵pix-i和pix-j求得原始图像中对应的坐标，分别保存于原始坐标矩阵mao-org-i、mao-org-j、pan-org-i和pan-org-j中，其中i,j分别代表行坐标、列坐标，每个连通区域所包含的像素个数不同，因此其对应的矩阵维数也不同；在红外图像原图中标记步骤S3中的分割结果，如图3(h)所示。
(3)通过红外热像仪分析软件输出图2的温度矩阵T；
(4)利用原始坐标矩阵和温度矩阵获得原始图像中每个钢帽和盘面区域所包含像素的温度值。
本实施例中，所述步骤S5中，引入K-means聚类算法，对每一个连通区域所包含的温度数据使用K-means聚类，其中钢帽连通区域分为2类，盘面连通区域的类簇数目根据绝缘子片的数目确定，一般为2类和3类；聚类处理后，剔除平均温度最低的一类数据，得到如图4(a)和图4(b)所示的钢帽和盘面温度向量。
本实施例中，所述步骤S6中，经K-means聚类算法处理后每个连通区域的平均温度值，以该平均值表征钢帽或盘面的温度，按照从低压端到高压端的顺序，形成钢帽温度特征向量和盘面温度特征向量。为取得最小误差，取聚类数目为2时的处理结果作为最终的钢帽温度特征向量；对于盘面温度特征向量，当位置编号位于24-26之前，取聚类数目为2时的处理结果，位置编号位于24-26之后，取聚类数目为3时的处理结果，最终2个特征温度向量如图4(c)所示。
本实施例中，所述步骤S7中，建立以钢帽特征向量为输入、以低零值故障和故障位置为输出的BP神经网络低零值故障检测模型，以盘面特征向量为输入、以污秽故障和故障位置为输出的BP神经网络污秽故障检测模型。其中低零值故障诊断模型输入层为钢帽温度特征向量，由33个节点组成，隐含层由50个神经元组成，输出层由7个神经元组成，其中第1位取值为0、-1和1，分别代表无故障、零值故障和低值故障，后6位通过二进制编码方式确定故障绝缘子位置，部分输出层示例及含义如表1所示，训练函数选择trainlm。
表1输出层示例及含义
Figure GDA0002491252900000091
Figure GDA0002491252900000101
选取训练样本，并对样本数据做归一化处理，设定训练目标为0.001，最大训练次数为2000次，初始学习率为0.1，训练结果如图5所示。分别选取20组无故障样本、低值故障样本和零值故障样本，利用训练好的网络进行测试，部分测试样本输出结果和测试样本识别结果分别见表2和表3。
表2部分测试样本输出结果
Figure GDA0002491252900000102
表3测试样本识别结果
Figure GDA0002491252900000103
从模型的测试数据可以看出，本发明所提出的一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法具有较高的识别准确率，对工程实际应用具有一定指导意义。
显然，本发明的上述实施例仅仅是为了清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法，其特征在于，包括以下步骤：
S1.通过手动取点和颜色空间转换提取红外图像中绝缘子串所在矩形目标区域；
S2.基于Otsu’s算法对目标区域进行二值化，分割目标区域；并基于中心线随机选取若干绝缘子盘面和钢帽的交点确定特征点，将图像坐标系的计算中心从图像左上角移动至图像矩阵中心，进行Hough变换，确定倾斜角，将绝缘子旋转至竖直方向；
S3.将绝缘子竖直旋转后，统计图像像素值信息，利用钢帽和盘面的长度关系，并考虑红外图像存在边缘性模糊问题，获取部件特征信息，提取绝缘子串中所有钢帽和盘面所在区域；
S4.根据分割结果和图像温度矩阵获取分割区域所包含像素的温度值；
S5.利用K-means聚类算法剔除分割结果中的背景像素温度数据；
S6.计算每个区域温度平均值，形成温度特征向量；
S7.建立以温度特征向量为输入、以运行状态为输出的基于BP神经网络的绝缘子串故障诊断模型；
所述步骤S1中，目标区域选取通过手动取点和颜色空间转换实现，具体步骤如下：
(1)在绝缘子串矩形目标区域四个顶点处分别用红色圆点标记，标记完成后用红色实线顺次连接四个顶点，形成一个包围绝缘子串的矩形区域；
(2)将原图像由RGB颜色空间转换为HSV颜色空间，HSV颜色空间中，矩形区域边界的饱和度S维度值为1，利用此特点提取边界；
(3)利用Otsu’s法对图像进行二值化处理，并用像素值1填充边界所形成的矩形孔洞；
(4)将填充处理后的图像与原图像作点乘，得到绝缘子串矩形目标区域；
所述步骤S2中，对目标区域进行二值化与Hough变换处理，具体步骤如下：
(1)基于Otsu’s算法对经提取处理后的图像二值化处理，并使用数学形态学方法进行骨骼化处理，分割目标区域；
(2)基于中心线随机选取绝缘子盘面与中轴线相交的点作为特征点，并对特征点进行Hough变换；
(3)Hough变换后，检测特征点构成的直线即绝缘子串的中轴线，并求出该直线与竖直方向的夹角即为θ，将绝缘子旋转至竖直方向；
所述步骤S2中，旋转处理将绝缘子串旋转至图像中的竖直方向，具体步骤如下：
(1)将图像矩阵坐标原点有左上角移动至中心位置，公式如下：
Figure FDA0002938002220000021
其中h为红外图像竖直方向像素数，w为水平方向像素数；
(2)以原点为中心对图像进行旋转，旋转角度为绝缘子串与竖直方向之间的夹角θ，公式如下：
Figure FDA0002938002220000022
(3)将图像矩阵原点由中心重新移动至左上角位置；
(4)原图像坐标经旋转处理后，将其对应的新坐标保存于矩阵pix-i和pix-j，其中pix-i中保存行坐标，pix-j中保存列坐标；
(5)判断坐标矩阵中的值是否属于原图像的坐标，即pix-i中的行坐标值是否属于区间[1,h]，pix-j中的列坐标值是否属于区间[1,w]，若属于，则利用该坐标对与其对应的灰度值形成旋转后的目标区域图像；
(6)对旋转后的图像使用形态学闭操作，以消除旋转过程中因坐标取整形成的细小孔洞；
所述步骤S3中，统计旋转处理后图像的像素值特征信息，具体步骤如下：
(1)逐行扫描旋转后的图像，统计每行中像素值连续为1的长度d，并将该长度值保存于矩阵D(i,j)，其位置为连续终止对应的坐标，矩阵中其它值均为0；
(2)统计D(i,j)中每个长度d出现的次数，并按从小到大的顺序保存于行向量P(n)，n为长度d的最大值；
(3)根据绝缘子串的特点，矩形目标区域中，P(n)出现次数最多的即为绝缘子钢帽和盘面的特征长度，d-mao和d-pan
所述步骤S3中，提取绝缘子串中所有钢帽和盘面所在区域，具体步骤为，寻找矩阵D(i,j)中长度值等于钢帽与盘面的长度极值d-mao和d-pan的位置，并将从该位置处开始向左延伸至长度极值处的像素值赋为1，从而分别获得绝缘子钢帽和盘面所在区域二值图像；
所述步骤S4中，分割区域所包含像素的温度值的获取，具体步骤如下：
(1)分别标记钢帽和盘面的每个连通区域，其个数为绝缘子串中所包含绝缘子片的个数；
(2)每个连通区域所包含的坐标为旋转处理后的坐标，利用矩阵pix-i和pix-j求得原始图像中对应的坐标，分别保存于原始坐标矩阵mao-org-i、mao-org-j、pan-org-i和pan-org-j中，其中i,j分别代表行坐标、列坐标，每个连通区域所包含的像素个数不同，因此其对应的矩阵维数也不同；
(3)通过红外热像仪分析软件输出原始红外图像的温度矩阵T；
(4)利用原始坐标矩阵和温度矩阵获得原始图像中每个钢帽和盘面区域所包含像素的温度值。
2.根据权利要求1所述的一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法，其特征在于，所述步骤S5中，利用K-means聚类算法剔除背景温度数据，其处理过程为：对每个钢帽或盘面连通区域所包含的温度数据使用K-means算法聚类，其中钢帽区域分为2类，并剔除平均值低的一类，盘面区域分别分为2类和3类，并剔除平均值最低的一类。
3.根据权利要求2所述的一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法，其特征在于，所述步骤S6中，温度特征向量分别为钢帽温度特征向量和盘面温度特征向量，均由经K-means聚类算法处理后的连通区域所包含温度值取平均构成，其中钢帽特征向量取K-means算法分为2类的处理结果，盘面特征向量取K-means算法分为2类和3类的综合处理结果。
4.根据权利要求3所述的一种基于红外图像温度分布规律和BP神经网络的绝缘子串故障检测方法，其特征在于，所述步骤S7中，基于BP神经网络的绝缘子串故障诊断模型，包括低零值故障诊断模型和污秽故障诊断模型，其中低零值故障诊断模型输入层为钢帽温度特征向量，由33个节点组成，隐含层由50个神经元组成，输出层由7个神经元组成，其中第1个表示故障类型，其余6个表示绝缘子位于一串中的位置。
CN201710667411.XA 2017-08-07 2017-08-07 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 Active CN107507194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710667411.XA CN107507194B (zh) 2017-08-07 2017-08-07 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710667411.XA CN107507194B (zh) 2017-08-07 2017-08-07 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法

Publications (2)

Publication Number Publication Date
CN107507194A CN107507194A (zh) 2017-12-22
CN107507194B true CN107507194B (zh) 2021-05-18

Family

ID=60689855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710667411.XA Active CN107507194B (zh) 2017-08-07 2017-08-07 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法

Country Status (1)

Country Link
CN (1) CN107507194B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776145B (zh) * 2018-04-16 2021-08-03 华北电力大学（保定） 一种绝缘子掉串故障检测方法及系统
CN109376749B (zh) * 2018-05-22 2021-03-19 国网山东省电力公司电力科学研究院 基于深度学习的输变电设备红外图像温宽范围识别方法
CN108986104B (zh) * 2018-06-04 2022-05-17 国网浙江省电力有限公司检修分公司 基于距离变换和标记分水岭算法的绝缘子图像分割方法
CN108594048B (zh) * 2018-06-19 2020-12-01 电子科技大学 一种基于激光照射的复合绝缘子老化程度评估方法
CN108768748B (zh) * 2018-06-20 2021-05-11 广东电网有限责任公司 一种用于电力通信服务的故障诊断方法、装置及存储介质
CN109118479B (zh) * 2018-07-26 2022-07-19 中睿能源（北京）有限公司 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN110428000B (zh) * 2019-07-30 2022-07-08 上海交通大学 一种铣削过程能效状态聚类分析方法
TWI731502B (zh) * 2019-12-09 2021-06-21 國立臺灣科技大學 電力設備故障之智慧檢測方法及系統
CN111402253B (zh) * 2020-04-03 2023-04-07 华东交通大学 融合边缘计算和深度学习的输变电设备状态在线监测方法
CN111426406B (zh) * 2020-06-02 2021-12-21 国家电网有限公司 基于电缆涂层感温变色的电缆检测装置及其检测方法
CN113408426B (zh) * 2021-06-22 2022-02-11 浙江天铂云科光电股份有限公司 一种变电站设备智能检测方法及其系统
CN114724042B (zh) * 2022-06-09 2022-09-02 国网江西省电力有限公司电力科学研究院 一种输电线路中零值绝缘子自动检测方法
CN116399405B (zh) * 2023-06-07 2023-09-15 国网上海市电力公司 一种基于多模态融合感知的绝缘子串状态诊断方法和系统
CN116859174A (zh) * 2023-09-05 2023-10-10 深圳市鸿明机电有限公司 一种高压变电机柜电气部件在线状态监控系统
CN117314774B (zh) * 2023-09-26 2024-04-09 广州市星飞达电子科技有限公司 一种基于探测器温度的红外图像校正系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040219184A1 (en) * 2003-03-25 2004-11-04 The Regents Of The University Of California Growth of large patterned arrays of neurons on CCD chips using plasma deposition methods
CN104794707A (zh) * 2015-04-08 2015-07-22 国家电网公司 一种绝缘子串红外图像盘面和钢帽区域的自动提取方法
CN106124949B (zh) * 2016-08-30 2019-08-13 国网山东省电力公司济南供电公司 一种基于热红外成像技术对绝缘子故障在线监测方法
CN106649972A (zh) * 2016-10-25 2017-05-10 国家电网公司 基于改进模糊神经网络的输电线路绝缘子状态检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于红外图像的绝缘子串自动提取和状态识别;姚建刚等;《湖南大学学报（自然科学版）》;20150215;第42卷(第2期);第74-80页 *
姚建刚等.基于红外图像的绝缘子串自动提取和状态识别.《湖南大学学报（自然科学版）》.2015,第42卷(第2期),第74-80页. *
绝缘子盘面和钢帽区域的红外图像智能提取方法研究;付鹏;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315(第3期);第8-19、24-48页 *

Also Published As

Publication number Publication date
CN107507194A (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
CN107507194B (zh) 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
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
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN107492094A (zh) 一种高压电线绝缘子的无人机视觉检测方法
CN109636784A (zh) 基于最大邻域和超像素分割的图像显著性目标检测方法
CN110797792B (zh) 一种输电铁塔鸟巢定位与故障预警方法
CN113313013B (zh) 一种基于红外图像处理技术的变压器套管目标检测方法
CN106980816B (zh) 基于光学图像的绝缘子串自动识别方法
CN113065484A (zh) 一种基于紫外图谱的绝缘子污秽状态评估方法
CN115272350A (zh) 一种计算机pcb主板生产质量检测方法
CN113888462A (zh) 一种裂纹识别方法、系统、可读介质及存储介质
CN116311201A (zh) 一种基于图像识别技术的变电站设备状态识别方法及系统
CN111160087A (zh) 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质
CN110246131A (zh) 基于卷积神经网络的导线分股缺陷图像识别方法
Xiao et al. A fault diagnosis method of insulator string based on infrared image feature extraction and probabilistic neural network
CN113283371A (zh) 一种基于brisk特征的局部放电特征提取及分类方法
CN113221614A (zh) 一种基于混合神经网络的电网绝缘子破损图像识别方法
CN108734709B (zh) 一种绝缘子凸缘形状参数识别与破坏检测方法
CN108510468B (zh) 一种识别电磁阀开关状态的方法和装置
CN112444522B (zh) 一种电力系统绝缘子串缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant