CN107843818A - 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 - Google Patents

基于异源图像温升与局部放电特征高压绝缘故障诊断方法 Download PDF

Info

Publication number
CN107843818A
CN107843818A CN201711145788.5A CN201711145788A CN107843818A CN 107843818 A CN107843818 A CN 107843818A CN 201711145788 A CN201711145788 A CN 201711145788A CN 107843818 A CN107843818 A CN 107843818A
Authority
CN
China
Prior art keywords
image
ultraviolet
temperature rise
affine transformation
profile
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.)
Granted
Application number
CN201711145788.5A
Other languages
English (en)
Other versions
CN107843818B (zh
Inventor
金立军
艾建勇
马丹睿
李学文
吕利军
高凯
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Publication of CN107843818A publication Critical patent/CN107843818A/zh
Application granted granted Critical
Publication of CN107843818B publication Critical patent/CN107843818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12Testing 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
    • G01R31/1218Testing 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,所述的方法包括以下步骤:提取红外图像和紫外图像轮廓;进行基于轮廓信息的图像配准,获得最佳仿射变换参数;利用最佳仿射变换参数进行紫外图像变换,提取变换后的紫外图像的紫外光斑轮廓图和紫外灰度图像,进行红外图像与紫外图像的融合;从融合后图像中提取最大温升和局部放电特征,同时构建模糊逻辑推理系统,进行外绝缘故障诊断。与现有技术相比,本发明具有降低信息冗余度、图像更直观、提高检测准确率、算法稳定、信息保留度高和适用性强等优点。

Description

基于异源图像温升与局部放电特征高压绝缘故障诊断方法
技术领域
本发明涉及电气设备故障检测与诊断,尤其是涉及一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法。
背景技术
电气设备的可靠性是影响电力系统经济、安全和稳定运行的重要因素。外绝缘故障在我国电网设备故障中一直占有很高的比重,包括外绝缘污秽、老化、缺损、异物等缺陷导致的故障。外绝缘故障具有重合闸不易、停电时间长的特点,不仅造成巨大的经济损失,同时也对人民生活和社会稳定造成不利影响。
在外绝缘设备故障检测与诊断领域,红外图像检测、紫外图像检测等非接触式检测方法凭借着成本低、速度快、不停电检修等特点,得到了越来越广泛地应用。由于外绝缘设备故障经常伴有温度升高、局部放电等现象,所以运用红外图像可通过测量外绝缘设备温升分布,检测设备异常温升,判断设备故障程度;运用紫外图像可通过检测外绝缘设备局部放电,捕捉放电特征信息,判断设备故障程度。但由于单一检测系统仅根据片面参数信息作出推断,常常造成外绝缘故障的误诊及漏诊。为此,将外绝缘设备的红外和紫外图像进行融合,将两类图像的有效特征集成于一张图像,不仅能降低信息冗余度,也有利于对外绝缘故障的全面准确判断。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,所述的方法包括以下步骤:
S1:提取红外图像和紫外图像轮廓;
S2:进行基于轮廓信息的图像配准,获得最佳仿射变换参数;
S3:利用最佳仿射变换参数进行紫外图像变换,提取变换后的紫外图像的紫外光斑轮廓图和紫外灰度图像,进行红外图像与紫外图像的融合;
S4:从融合后图像中提取最大温升和局部放电特征,同时构建模糊逻辑推理系统,进行外绝缘故障诊断。
优选地,步骤S1包括以下步骤:
S101、分别对红外和紫外图像进行预处理操作,得到红外图像轮廓图和紫外图像轮廓图;
S102、对紫外图像进行阈值分割和边缘提取,提取紫外光斑轮廓图,利用紫外图像轮廓图和紫外光斑轮廓图得到滤除紫外光斑轮廓的紫外图像轮廓图。
优选地,所述的预处理操作包括灰度化、图像去噪和边缘提取操作。
优选地,步骤S2具体为:对红外图像轮廓图和滤除紫外光斑轮廓的紫外图像轮廓图进行最佳仿射变换搜索,得到最优仿射变换参数。
优选地,进行最佳仿射变换搜索具体为:对红外图像轮廓图和本次仿射变换后的紫外图像轮廓图进行平均最近距离计算,并将计算结果作为图像配准度,判断图像配准度是否达到预设值,若未达到则继续进行最佳仿射变换搜索,否则结束最佳仿射变换搜索。
优选地,步骤S2中对红外图像轮廓图和滤除紫外光斑轮廓的紫外图像轮廓图进行基于遗传算法的最佳仿射变换搜索,得到最优仿射变换参数。
优选地,步骤S3中的进行红外图像与紫外图像的融合利用下式进行:
其中,Iinf为红外图像的RGB像素值,I为融合后的RGB像素值,B(x,y)为紫外光斑轮廓图上坐标为(x,y)的像素点灰度值,G(x,y)为紫外灰度图像上坐标为(x,y)的像素点灰度值,Gthresh为紫外图像的灰度阈值。
优选地,所述的模糊逻辑推理系统输入为最大温升、视在放电量和环境湿度,输出为外绝缘设备健康指数。
与现有技术相比,本发明具有以下优点:
1.降低信息冗余度,图像更直观:本发明将外绝缘设备的红外与紫外图像进行融合,将两类图像的有效特征集成于一张图像,大幅地降低信息冗余度,也有利于对外绝缘设备故障的全面准确判断;
2.提高检测准确率:本发明通过提取融合后图像的温升和放电两方面特征,建立数学模型实现了外绝缘设备故障精确诊断,提高了检测准确率;
3.本发明算法稳定,信息保留度高,可靠性强:对于拍摄角度和图像大小相差不大的红外和紫外图像都能进行准确的融合;
4.本发明适用性强:不仅适用于外绝缘设备故障检测,还能运用于变压器、避雷器、金具等具有温升和放电两方面特征的电气设备故障检测。
附图说明
图1为本发明方法的流程图;
图2为本发明方法的遗传算法流程图;
图3为本发明举例的绝缘子的红外图像;
图4为本发明举例的绝缘子的紫外图像;
图5为本发明举例的绝缘子的红外轮廓图;
图6为本发明举例的绝缘子的紫外图像轮廓图;
图7为本发明举例的绝缘子的红外和紫外图像轮廓图配准后效果图;
图8为本发明举例的绝缘子的红外和紫外图像融合效果图;
图9为本发明建立的模糊推理模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
本发明涉及基于异源图像温升与局部放电特征的高电压外绝缘故障诊断方法,通过对同一外绝缘设备的红外图像和紫外图像进行基于轮廓信息的图像配准,将两种图像的有效特征进行结合,融合为一张包含红外和紫外两方面图像信息的二维图像,并根据融合后图像的温升和放电特征,建立模糊推理系统对外绝缘设备进行全面的故障诊断。
一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,方法包括以下步骤:
S1:提取红外图像和紫外图像轮廓;
S2:进行基于轮廓信息的图像配准,获得最佳仿射变换参数;
S3:利用最佳仿射变换参数进行紫外图像变换,提取变换后的紫外图像的紫外光斑轮廓图和紫外灰度图像,进行红外图像与紫外图像的融合;
S4:从融合后图像中提取最大温升和局部放电特征,同时构建模糊逻辑推理系统,进行外绝缘故障诊断。
步骤S1包括以下步骤:
S101、分别对红外和紫外图像进行预处理操作,得到红外图像轮廓图和紫外图像轮廓图;
S102、对紫外图像进行阈值分割和边缘提取,提取紫外光斑轮廓图,将紫外图像轮廓图与紫外光斑轮廓图做差,得到滤除紫外光斑轮廓的紫外图像轮廓图。
所述的预处理操作包括灰度化、图像去噪和边缘提取操作。
步骤S2具体为:对红外图像轮廓图和滤除紫外光斑轮廓的紫外图像轮廓图进行最佳仿射变换搜索,得到最优仿射变换参数。
进行最佳仿射变换搜索具体为:对红外图像轮廓图和本次仿射变换后的紫外图像轮廓图进行平均最近距离计算,并将计算结果作为图像配准度,判断图像配准度是否达到预设值,若未达到则继续进行最佳仿射变换搜索,否则结束最佳仿射变换搜索。
步骤S2中对红外图像轮廓图和滤除紫外光斑轮廓的紫外图像轮廓图进行基于遗传算法的最佳仿射变换搜索,得到最优仿射变换参数。
步骤S3中的进行红外图像与紫外图像的融合利用下式进行:
其中,Iinf为红外图像的RGB像素值,I为融合后的RGB像素值,B(x,y)为紫外光斑轮廓图上坐标为(x,y)的像素点灰度值,G(x,y)为紫外灰度图像上坐标为(x,y)的像素点灰度值,Gthresh为紫外图像的灰度阈值,一般设置为250。
所述的模糊逻辑推理系统输入为最大温升、视在放电量和环境湿度,输出为外绝缘设备健康指数。
如图1所示,基于异源图像温升与局部放电特征的高电压外绝缘故障诊断方法,通过对同一外绝缘设备的红外图像1和紫外图像2进行轮廓提取,并通过算法实现基于轮廓信息的图像配准5,将两种图像融合为一张包含红外和紫外两方面图像信息的二维图像,并根据融合后图像的温升和放电特征,建立模糊推理系统对外绝缘设备进行全面的故障诊断。
图像预处理3包括图像大小调整、图像灰度化以及图像分割去噪等过程,图像大小调整是将两种图像的分辨率调为一致,本实施例中图像分辨率均为480*640;图像灰度化即将RGB图像转换为灰度图像;图像分割是指通过OTSU分割将绝缘子从背景中分割出来,计算分割后的红外和紫外图像的二值图像重心和面积确定后续寻优搜索范围。
红外图像和紫外图像轮廓提取4通过边缘提取算法实现,边缘提取采用canny边缘检测算子进行。
基于轮廓信息的图像配准5通过基于遗传算法的最佳仿射变换搜索6使目标对象的红外和紫外图像轮廓图重合,并通过基于平均最近距离的图像配准度计算7来衡量图像配准度。两图像间的平均最近距离D(A,B)计算公式即适应度函数为:
D(A,B)=min(d(A,B),d(B,A)) (1)
其中:A,B分别为外绝缘设备的红外和紫外轮廓图像,a,b分别为图像A,B中的轮廓点,nA,nB分别为图像A,B中的轮廓点个数,d(A,B)为图像A中所有点到图像B的最近距离的平均值,d(B,A)为图像B中所有点到图像A的最近距离的平均值。
所述的仿射变换包括平移变换,伸缩变换和旋转变换,平移变换矩阵为:
tx、ty分别为图像横向平移量和纵向平移量,伸缩变换的矩阵为:
Cx、Cy分别为图像横向伸缩量和纵向伸缩量,旋转变换的矩阵为:
θ为图像旋转角度。所述的最佳仿射变换搜索过程即为寻找最优仿射变换参数组合(tx0,ty0,Cx0,Cy0,θ0),使紫外轮廓图经过这一仿射变化后,红外图像轮廓和紫外图像轮廓重合效果最佳。所述的最佳仿射变换搜索采用遗传算法完成,遗传算法流程图如图2所示。
所述的红外与紫外图像融合是在紫外图像原图进行最佳仿射变换8后,进行紫外光斑与红外图像叠加9,融合过程如下:
其中,Iinf为红外图像的RGB像素值,I(x,y)为融合后的RGB像素值,B(x,y)为紫外光斑轮廓图上坐标为(x,y)的像素点灰度值,G(x,y)为紫外灰度图像上坐标为(x,y)的像素点灰度值,Gthresh为紫外图像的灰度阈值,一般设置为250。
所述的模糊推理系统如图9所示,输入为最大温升、视在放电量和环境湿度,输出为外绝缘设备健康指数。最大温升分为五个等级,视在放电量分为五个等级,环境湿度分为四个等级,健康指数分为五个等级,建立了模糊推理规则共100条,各参数隶属度函数如图9所示。按照绝缘故障对电网的影响,定义外绝缘故障状态为5个等级,分别为〇~Ⅳ级,并定义健康指数来描述外绝缘的健康程度,不同故障状态对应的健康指数范围表1所示。当故障状态为Ⅲ级或者Ⅳ级时需要尽快进行检修;当故障状态为Ⅱ级时需要关注其故障状态变化;当故障状态为〇或Ⅰ级时可以不进行检修。
表1不同故障状态对应的健康指数范围
对融合后的图像进行温升和放电特征计算10,红外图像最大温升可直接根据图像温度矩阵计算,紫外图像在不同拍摄距离d(m)、拍摄增益G和拍摄仰角下θ(°),光斑面积为S(pixel)的紫外图像对应的视在放电量的Q(pC)计算公式为:
其中,Q为视在放电量,S为光斑面积,d为拍摄距离,θ为拍摄仰角,G为拍摄增益。将计算出的最大温升、视在放电量和环境湿度输入模糊推理模型,进行外绝缘故障模糊推理11。
外绝缘设备的红外图像通过红外热像仪拍摄,如图3所示,紫外图像通过紫外成像仪拍摄,如图4所示。在进行外绝缘设备的红外和紫外图像拍摄时,应尽量保持红外和紫外图像的拍摄角度一致,拍摄距离可有所差异,但目标在两者图像中大小差别不宜过大。
试验拍摄的绝缘子红外图像如图3所示,紫外图像如图4所示。对拍摄好的红外图像1和紫外图像2进行图像预处理3,并通过红外图像和紫外图像轮廓提取4获取红外和紫外图像轮廓图,图像处理后的绝缘子的红外和紫外图像轮廓图如图5和图6所示。
在轮廓图像的基础上,进行基于轮廓信息的图像配准4。采用基于遗传算法的最佳仿射变换搜索6实现图5和图6所示的绝缘子的红外和紫外图像轮廓图重合,首先需通过计算图像分割后的红外和紫外图像的二值图像重心和面积确定寻优搜索范围。设红外和紫外图像的二值图像重心坐标差为(x0,y0),面积比平方根为r0,则紫外图像横向平移量和纵向平移量tx、ty的搜索区间分别为[x0-100,x0+100]和[y0-100,y0+100],紫外图像横向伸缩量和纵向伸缩量Cx、Cy的搜索区间均为[r0-0.5,r0+0.5],紫外图像θ旋转角度的搜索区间默认为[-0.5,0.5]。绝缘子的红外和紫外图像的二值图像重心坐标差为(21,27),面积比平方根为1.2950。然后进行遗传算法搜索最佳仿射变换,搜索流程如图2所示。确定仿射变换参数搜索区间,采用二进制编码进行种群的随机初始化,解码后按照式(2)-(4)进行基于平均最近距离的图像配准度计算,即适应度,记录适应度最小的种群位置。不断地对种群进行交叉变异更新计算适应度,直至达到最大迭代次数或适应度达到要求,此时记录的适应度最小的种群位置所代表的参数即为最佳仿射变换参数。最大迭代次数一般设定为100次,指定适应度一般根据图像像素大小设定。
如图7所示,紫外图像轮廓图进行最佳仿射变换后,红外图像轮廓和紫外图像轮廓基本重叠,此时的适应度为14.93。将紫外图像原图进行最佳仿射变换8,紫外图像的RGB三个分量的图像均按照最佳仿射变换参数进行变换,完成基于轮廓信息的图像配准5过程。
完成图像配准后的红外和紫外图像,进行紫外光斑和红外图像叠加9。提取紫外图像光斑,并按照式(1)以30%不透明度覆盖的方式叠加在红外图像上,同时也将紫外光斑轮廓绘制在红外图像上,完成红外与紫外图像融合。绝缘子图像叠加的效果如图8所示。
提取图8中图像特征,进行温升和放电特征计算10,提取融合后图像中的温度最高点和温度最低点温度,并用最高温度减去最低温度即可得到最高温升6.4K,紫外光斑面积2477pixels,按照式(5)计算对应的视在放电量为799pC,结合拍摄时的环境湿度90%,根据图9所示进行外绝缘故障模糊推理11,得到的绝缘子健康指数为0.733,故障状态为Ⅱ级,需要关注其故障状态变化。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,所述的方法包括以下步骤:
S1:提取红外图像和紫外图像轮廓;
S2:进行基于轮廓信息的图像配准,获得最佳仿射变换参数;
S3:利用最佳仿射变换参数进行紫外图像变换,提取变换后的紫外图像的紫外光斑轮廓图和紫外灰度图像,进行红外图像与紫外图像的融合;
S4:从融合后图像中提取最大温升和局部放电特征,同时构建模糊逻辑推理系统,进行外绝缘故障诊断。
2.根据权利要求1所述的一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,步骤S1包括以下步骤:
S101、分别对红外和紫外图像进行预处理操作,得到红外图像轮廓图和紫外图像轮廓图;
S102、对紫外图像进行阈值分割和边缘提取,提取紫外光斑轮廓图,利用紫外图像轮廓图和紫外光斑轮廓图得到滤除紫外光斑轮廓的紫外图像轮廓图。
3.根据权利要求2所述的一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,所述的预处理操作包括灰度化、图像去噪和边缘提取操作。
4.根据权利要求3所述的一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,步骤S2具体为:对红外图像轮廓图和滤除紫外光斑轮廓的紫外图像轮廓图进行最佳仿射变换搜索,得到最优仿射变换参数。
5.根据权利要求4所述的一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,进行最佳仿射变换搜索具体为:对红外图像轮廓图和本次仿射变换后的紫外图像轮廓图进行平均最近距离计算,并将计算结果作为图像配准度,判断图像配准度是否达到预设值,若未达到则继续进行最佳仿射变换搜索,否则结束最佳仿射变换搜索。
6.根据权利要求4所述的一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,步骤S2中对红外图像轮廓图和滤除紫外光斑轮廓的紫外图像轮廓图进行基于遗传算法的最佳仿射变换搜索,得到最优仿射变换参数。
7.根据权利要求1所述的一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,步骤S3中的进行红外图像与紫外图像的融合利用下式进行:
其中,Iinf为红外图像的RGB像素值,I为融合后的RGB像素值,B(x,y)为紫外光斑轮廓图上坐标为(x,y)的像素点灰度值,G(x,y)为紫外灰度图像上坐标为(x,y)的像素点灰度值,Gthresh为紫外图像的灰度阈值。
8.根据权利要求1所述的一种基于异源图像温升与局部放电特征高压绝缘故障诊断方法,其特征在于,所述的模糊逻辑推理系统输入为最大温升、视在放电量和环境湿度,输出为外绝缘设备健康指数。
CN201711145788.5A 2017-09-06 2017-11-17 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 Active CN107843818B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017107961094 2017-09-06
CN201710796109 2017-09-06

Publications (2)

Publication Number Publication Date
CN107843818A true CN107843818A (zh) 2018-03-27
CN107843818B CN107843818B (zh) 2020-08-14

Family

ID=61679786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711145788.5A Active CN107843818B (zh) 2017-09-06 2017-11-17 基于异源图像温升与局部放电特征高压绝缘故障诊断方法

Country Status (1)

Country Link
CN (1) CN107843818B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110346699A (zh) * 2019-07-26 2019-10-18 国网山东省电力公司电力科学研究院 基于紫外图像处理技术的绝缘子放电信息提取方法及装置
CN111175651A (zh) * 2020-01-10 2020-05-19 河北大学 一种基于大数据的风电机组故障预警诊断系统
CN111833312A (zh) * 2020-06-22 2020-10-27 国网江苏省电力有限公司电力科学研究院 一种检测故障绝缘子放电的紫外图像诊断方法及系统
CN112861952A (zh) * 2021-01-29 2021-05-28 云南电网有限责任公司电力科学研究院 一种局部放电图像匹配深度学习方法
CN112880837A (zh) * 2021-01-26 2021-06-01 四川华能宝兴河水电有限责任公司 一种设备故障分析方法
CN113077447A (zh) * 2021-04-02 2021-07-06 保定市毅格通信自动化有限公司 一种可探测高压设备微弱放电并进行缺陷分析的方法
CN113870206A (zh) * 2021-09-22 2021-12-31 的卢技术有限公司 一种用于绝缘子缺陷检测的数据增强方法
CN115144710A (zh) * 2022-07-11 2022-10-04 西南交通大学 一种基于二值图像特征的开关柜绝缘状态检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288884A (zh) * 2011-09-13 2011-12-21 华北电力大学(保定) 一种基于紫外光斑的外绝缘放电检测方法
CN103325114A (zh) * 2013-06-13 2013-09-25 同济大学 基于改进视觉注意模型的目标车辆匹配方法
CN103411970A (zh) * 2013-07-17 2013-11-27 同济大学 基于红外热像的交流输电线路绝缘子污秽状态检测方法
CN103487729A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 基于紫外视频与红外视频融合的电力设备缺陷检测方法
CN103954897A (zh) * 2014-05-20 2014-07-30 电子科技大学 基于紫外成像的智能电网高压绝缘损坏监控系统及方法
CN105004972A (zh) * 2015-06-25 2015-10-28 华北电力大学(保定) 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法
CN105425123A (zh) * 2015-11-20 2016-03-23 国网福建省电力有限公司泉州供电公司 一种紫外成像与红外成像协同检测电力设备故障的方法及系统
CN105467271A (zh) * 2015-11-20 2016-04-06 中国科学院长春光学精密机械与物理研究所 多谱段输电线路故障检测系统
CN105486751A (zh) * 2016-01-26 2016-04-13 国网上海市电力公司 一种设备缺陷综合检测系统
CN107121607A (zh) * 2017-04-26 2017-09-01 国网上海市电力公司 一种基于紫外和红外图像的电力系统故障检测系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288884A (zh) * 2011-09-13 2011-12-21 华北电力大学(保定) 一种基于紫外光斑的外绝缘放电检测方法
CN103325114A (zh) * 2013-06-13 2013-09-25 同济大学 基于改进视觉注意模型的目标车辆匹配方法
CN103411970A (zh) * 2013-07-17 2013-11-27 同济大学 基于红外热像的交流输电线路绝缘子污秽状态检测方法
CN103487729A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 基于紫外视频与红外视频融合的电力设备缺陷检测方法
CN103954897A (zh) * 2014-05-20 2014-07-30 电子科技大学 基于紫外成像的智能电网高压绝缘损坏监控系统及方法
CN105004972A (zh) * 2015-06-25 2015-10-28 华北电力大学(保定) 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法
CN105425123A (zh) * 2015-11-20 2016-03-23 国网福建省电力有限公司泉州供电公司 一种紫外成像与红外成像协同检测电力设备故障的方法及系统
CN105467271A (zh) * 2015-11-20 2016-04-06 中国科学院长春光学精密机械与物理研究所 多谱段输电线路故障检测系统
CN105486751A (zh) * 2016-01-26 2016-04-13 国网上海市电力公司 一种设备缺陷综合检测系统
CN107121607A (zh) * 2017-04-26 2017-09-01 国网上海市电力公司 一种基于紫外和红外图像的电力系统故障检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
金立军 等: "基于多光源图像的接触网外绝缘健康状态评估", 《高电压技术》 *
金立军 等: "基于红外与可见光图像信息融合的绝缘子污秽等级识别", 《中国电机工程学报》 *
金立军 等: "基于红外与紫外图像信息融合的绝缘子污秽状态识别", 《电工技术学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110346699A (zh) * 2019-07-26 2019-10-18 国网山东省电力公司电力科学研究院 基于紫外图像处理技术的绝缘子放电信息提取方法及装置
CN110346699B (zh) * 2019-07-26 2021-04-27 国网山东省电力公司电力科学研究院 基于紫外图像处理技术的绝缘子放电信息提取方法及装置
CN111175651A (zh) * 2020-01-10 2020-05-19 河北大学 一种基于大数据的风电机组故障预警诊断系统
CN111175651B (zh) * 2020-01-10 2021-12-31 河北大学 一种基于大数据的风电机组故障预警诊断系统
CN111833312A (zh) * 2020-06-22 2020-10-27 国网江苏省电力有限公司电力科学研究院 一种检测故障绝缘子放电的紫外图像诊断方法及系统
CN111833312B (zh) * 2020-06-22 2022-09-09 国网江苏省电力有限公司电力科学研究院 一种检测故障绝缘子放电的紫外图像诊断方法及系统
CN112880837A (zh) * 2021-01-26 2021-06-01 四川华能宝兴河水电有限责任公司 一种设备故障分析方法
CN112861952A (zh) * 2021-01-29 2021-05-28 云南电网有限责任公司电力科学研究院 一种局部放电图像匹配深度学习方法
CN113077447A (zh) * 2021-04-02 2021-07-06 保定市毅格通信自动化有限公司 一种可探测高压设备微弱放电并进行缺陷分析的方法
CN113870206A (zh) * 2021-09-22 2021-12-31 的卢技术有限公司 一种用于绝缘子缺陷检测的数据增强方法
CN115144710A (zh) * 2022-07-11 2022-10-04 西南交通大学 一种基于二值图像特征的开关柜绝缘状态检测方法

Also Published As

Publication number Publication date
CN107843818B (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN107843818A (zh) 基于异源图像温升与局部放电特征高压绝缘故障诊断方法
CN102854191B (zh) 高速铁轨表面缺陷的实时视觉检测与识别方法
CN105004972B (zh) 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法
CN111652227B (zh) 铁路货车底部地板破损故障检测方法
CN108765373A (zh) 一种基于集成分类器在线学习的绝缘子异常自动检测方法
CN111079747A (zh) 铁路货车转向架侧架断裂故障图像识别方法
CN111091544B (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN111798412A (zh) 一种基于红外图像的变电设备缺陷智能诊断方法及系统
CN103442209A (zh) 一种输电线路的视频监控方法
CN101625723A (zh) 电力线轮廓的快速图像识别方法
CN103345755A (zh) 一种基于Harris算子的棋盘格角点亚像素提取方法
CN107452007A (zh) 一种可见光绝缘子图像边缘检测方法
CN107230207A (zh) 轮胎的检测方法及系统
CN114612937B (zh) 基于单模态增强的红外与可见光融合行人检测方法
CN107703513A (zh) 一种基于图像处理的新型非接触式接触网相对位置检测方法
CN112001327A (zh) 一种阀厅设备故障识别方法及系统
CN109345586A (zh) 基于紫外成像技术的电气设备放电特征提取方法
CN113065484A (zh) 一种基于紫外图谱的绝缘子污秽状态评估方法
CN102621154A (zh) 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置
CN108830899A (zh) 一种基于几何特征的快速自适应角点结合的圆心检测方法
Huang et al. Study on hydrophobicity detection of composite insulators of transmission lines by image analysis
Hu et al. Rail surface spalling detection based on visual saliency
Han et al. SSGD: A smartphone screen glass dataset for defect detection
CN115239646A (zh) 输电线路的缺陷检测方法、装置、电子设备及存储介质
Xuan et al. Intelligent identification method of insulator defects based on CenterMask

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