CN108037133A - 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 - Google Patents
一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 Download PDFInfo
- Publication number
- CN108037133A CN108037133A CN201711445151.8A CN201711445151A CN108037133A CN 108037133 A CN108037133 A CN 108037133A CN 201711445151 A CN201711445151 A CN 201711445151A CN 108037133 A CN108037133 A CN 108037133A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- damper
- analysis
- bird
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20081—Training; Learning
Abstract
本发明涉及一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统,其中方法包括:采用数据流的模式,批量的获取输电线路图像数据;提取图像特征,并对所述图像特征进行整合分析,实现对典型部件的自动定位和识别,根据设定的缺陷识别规则对典型部件进行相应的缺陷分析,实现对常见缺陷的分析与识别;对分析识别结果进行汇总分析处理,依据部件类型、缺陷类型、缺陷等级进行分类,便于依据需求进行分类查询,并进行特定部件的局部放大展示。本发明可以有效挖掘电网巡检非结构化大数据的巨大价值,精细化巡检作业流程,对于保障输电线路稳定运行具有重要作用。
Description
技术领域
本发明涉及电力系统及图像处理技术领域,具体涉及一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统。
背景技术
随着大电网互联以及电网规模的不断扩大,电网运行的安全稳定问题引起了广泛关注。一方面,基层巡线工作往往参照运行经验进行组织。但随着线路运行环境的不断变化,运行经验亦在不断发生改变。另一方面,随着运行线路的不断延伸,巡线工作量的增加与巡线人员不足的矛盾日益凸显。因此,实现输电线路精细化巡线,提高输电线路运维效率,已受到了电力运行单位的广泛关注。
南方电网输电线路里程的迅速延伸以及走廊环境的日益复杂,在人员有限的现实情况下,线路运维检修工作面临着巨大挑战。目前,各级线路运检部门主要采用人工巡检方式,并辅以直升机、无人机等先进技术进行协同作业,以期提高作业效率。但该方式需人工对多源影像进行判读,工作量巨大并且常发生漏判以及通过经验判断的情况,造成上述问题的主要原因在于:一方面,目前的人工巡检方式仍停留在人工记录/录入线路运行与缺陷故障数据的单侧信息化阶段,而输电通道运行状况复杂,运维人员在现场评判设备运行及通道状况所能获取信息有限,易造成风险评估偏差;另一方面,线路巡检作业缺乏统一标准流程,巡检工作的自由发挥会造成巡视不到位、重要巡视项目缺失等状况。鉴于这种由线路巡检信息化程度不足和标准缺失给电网稳定运行带来的隐患,目前迫切需要一种快速智能化识别缺陷及隐患的技术手段,以提高输电线路巡检作业的效率和可靠性。
近年来,随着数码摄像和计算机视觉技术的快速发展和广泛应用,采用直升机、无人机、机器人等搭载照相(摄像)机、红外成像仪等手段实现高效、快速的输电线路巡检也得到迅速推广和应用。通过这些大量的非结构化影像数据(图片、视频、红外热成像、紫外线成像)可以有效的发现输电线路外观、运行环境、局部过热、局部放电等输电线路主要缺陷,而且可以自动识别设备铭牌参数、仪表的指针读数,为设备管理和运行维护提供参考。但是,这类数据存量巨大、增长速度快且价值密度低,人工检查和识别也可能发现一些有用信息,但需要花费较多人力和时间,分析效率很低,而且给出的结果存在主观性、模糊性、不完全,易出现漏检和误检的问题,可能丧失最佳发现和处理时机。对这些非结构化数据进行有效的自动分析,可及时发现输电线路及其运行环境的异常,包括局部放电、局部发热、外观缺陷、异物、非法接触等,并及时提出告警,以确保电网运行安全,对电网智能化的提升具有重要意义。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统,从输电线路全光谱巡检影像非结构化大数据入手,研究输电线路现场图像、视频、红外热像、紫外成像等手段对输电线路缺陷隐患进行自动分析和诊断的方法,利用直升机(无人机)自动巡检采集图像、视频、红外热成像、紫外成像等影像数据对电力设备的图像特性进行深入分析,选取合适的图像预处理技术对获取的图像进行,包括去噪、增强、复原、超分辨重建、配准等,然后提取电力设备及其故障图像特征,利用典型缺陷实验图像样本和现场图像样本建立典型故障图像库,通过特征模型的学习和训练有效地判断输电线路外观缺陷等输电线路及其运行环境的主要异常和缺陷,并开发缺陷隐患分析可视化系统。本发明可以有效挖掘电网巡检非结构化大数据的巨大价值,精细化巡检作业流程,对于保障输电线路稳定运行具有重要作用。
本发明解决上述技术问题的技术方案如下:一种基于无人机巡检图像的电力设备缺陷智能识别方法,包括以下步骤:
步骤1,采用数据流的模式,批量的获取无人机巡检得到的输电线路图像数据;
步骤2,提取图像特征,并对所述图像特征进行整合分析,实现对典型部件的自动定位和识别;
步骤3,根据设定的缺陷识别规则对典型部件进行相应的缺陷分析,实现对常见缺陷的分析与识别;
步骤4,对分析识别结果进行汇总分析处理,依据部件类型、缺陷类型、缺陷等级进行分类,便于依据需求进行分类查询,并进行特定部件的局部放大展示。
进一步,步骤1包括:
通过无人机巡检,获取输电线路图像,以数据流方式批量读入后台处理系统;
对所述输电线路图像进行预处理,包括图像复原、图像超分辨重建、图像配准和图像融合。
进一步,步骤2包括:
对图像数据进行图像分割,利用检测算法,将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标。
进一步,所述感兴趣目标包括:杆塔、导线、地线、引流线、绝缘子、基础、防震锤、接地装置以及部件连通区域;
其中,
对于杆塔的识别:对图像进行LSD直线检测,快速准确的检测出图像中的直线特征;将图像分块,分析每块中的直线特征,结合杆塔交叉、对称的特性,确定每个图像块的属性;最终得到杆塔的标记区域;
对于导线的识别:由于导线在图像中呈现出直线、贯穿特性,对图像进行prewitt算子边缘提取;分析边缘方向信息并进行聚类处理;对各聚类中心进行像素区域生长操作;根据长度信息确定导线位置;
对绝缘子的识别:利用深度学习中CNN方法对绝缘子进行识别,包括构建训练样本集,训练、保存识别模型,利用滑动窗检测,然后直线拟合候选框,确定图像中绝缘子标记区域;
对防震锤的识别:构造防震锤、隔离棒的训练样本集,利用Faster-RCNN算法,训练识别模板,保留概率最大的目标候选框,确定图像中防震锤的标记区域。
进一步,步骤3中所述的缺陷识别规则包括:绝缘子掉片缺陷识别规则、鸟巢缺陷识别规则、导线异物缺陷识别规则、导线断股缺陷识别规则、防震锤缺陷识别规则;
其中,
所述绝缘子掉片缺陷识别规则包括:
1)将绝缘子区域依据轴方向沿顺时针方向旋转,得到水平排列的绝缘子区域;通过分析绝缘子区域内,主颜色分量连通区域的数目及大小来判断绝缘子串之间为相互交错重叠,还是相互分离的方式;
2)如果绝缘子片呈现重合状态,依据缘子片长度,沿轴方向划分为条状,即将旋转后的绝缘子区域划分成n个单串绝缘子;将每串绝缘子依据绝缘子片间距离沿着垂直绝缘子轴方向进行划分,在图像上得到单串绝缘子中的每一个绝缘子片;n为绝缘子串数量;
3)对绝缘子串间距离方差作归一化处理,找出距离方差突变的块,作为判决绝缘子区域有缺陷的依据;当特征值出现较大的跳变值时,则说明绝缘子的规律性变化因掉片而被破坏;
所述鸟巢缺陷识别规则包括:
1)在每个包含铁塔的分块区域内,搜索连通的符合鸟巢样本HSV颜色特征量,并将这些候选的鸟巢区域用Blob连通结构管理;
2)删除候选的鸟巢区域中,面积大于或小于预设大小的背景区域,排出条状的候选的鸟巢区域;
3)考虑到鸟巢形状近似圆状的,分析鸟巢区域的饱满度Solid=A/(width*height),进一步筛选候选鸟巢区域;式中A表示鸟巢区域像素点数目,width与height是鸟巢区域最大外接矩形的宽度与高度;
4)对筛选出的候选鸟巢区域计算出最大的外接矩形,对所述外接矩形内像素进行灰度变换,生成灰度共生矩阵,通过控制变量法确定参数,对区域中满足指定条件的像素对进行统计,计算出四个方向的灰度共生矩阵;接着计算不同方向的灰度共生矩阵中的纹理特征量,选取最能表征鸟巢的纹理特征量,并选取所述纹理特征量较大的候选鸟巢区域最终确定为鸟巢区域;
所述导线异物缺陷识别规则包括:
分析导线表面灰度图像的光滑性与一致性来检测断股或异物缺陷;在识别出平行导线组的条件下,按组来诊断导地线上是否存在缺陷;
所述导线断股缺陷识别规则包括:
1)输入识别的平行导线组与非平行线段组;从非平行线段组读取任意一条线段Li,计算与平行导线组的关系;
2)搜索出线段Li的开始端点(SXi,SYi)与结束端点(EXi,EYi),右开始端点与结束端点沿垂直线方向搜索线段Li与平行导线组的相交点(SXi,SCYi)与(EXi,ECYi),判决线段Li是否在平行导线组的下方;若SYi<=SCYi与EYi<=ECYi,则:线段Li在平行导线组的下方,
3)计算线段Li的开始端点(SXi,SYi)与结束端点(EXi,EYi)到平行导线的垂直距离Ds、De,用于检测该线段与平行导线是否存在接触关系;Ds<=10或De<=10,则一个端点与平行导线存在接触关系;
4)计算线段Li角度θi,计算平行导线组的角度θavg,计算角度差:diffθ=abs(θavg-θi);若diffθ>=16°则该线段存在下垂的关系;
5)如满足2)、3)、4)条件的线段,则诊断为疑似平行导线的断股线段;
所述防震锤缺陷识别规则包括:
1)防振锤偏移缺陷诊断规则:
计算出第一条导线上的防振锤X坐标(sx1,se1),计算出第二条导线上的防振锤X坐标(sx2,se2),计算出否则存在重叠区域:
若:sx2<=sx1<=se2或sx1<=sx2<=se1,则存在重叠区域;
若计算出三条导线上防振锤有重叠区域,而第四条导线上的防振锤不在重叠区域内,诊断该防振锤偏移缺陷;
2)防振锤斜歪缺陷诊断规则:
计算每个防振锤的U型方位角,若与导线夹角大于12°,则诊断该防振锤存在斜歪缺陷;
3)防振锤碰撞缺陷诊断规则:
如检测出一条导线存在两个防振锤,计算这两个防振锤之间最近距离diffD小于一个防振锤U型长度,则诊断这两个防振锤碰撞在一起;
4)防振锤掉把缺陷诊断规则:
应可靠检测出防振锤两端对称的U型轮廓,如仅检测出一个U型轮廓,则诊断该防振锤可能存在掉把缺陷。
本发明另一方面提供一种基于无人机巡检图像的电力设备缺陷智能识别系统,包括:
数据采集模块,采用数据流的模式,批量的获取无人机巡检得到的输电线路图像数据;
特征分析模块,提取图像特征,并对所述图像特征进行整合分析,实现对典型部件的自动定位和识别;
缺陷分析模块,根据设定的缺陷识别规则对典型部件进行相应的缺陷分析,实现对常见缺陷的分析与识别;
综合分析及分类模块,对分析识别结果进行汇总分析处理,依据部件类型、缺陷类型、缺陷等级进行分类,便于依据需求进行分类查询,并进行特定部件的局部放大展示。
所述数据采集模块,具体用于:
通过无人机巡检,获取输电线路图像,以数据流方式批量读入后台处理系统;
对所述输电线路图像进行预处理,包括图像复原、图像超分辨重建、图像配准和图像融合。
所述特征分析模块具体用于:
对图像数据进行图像分割,利用检测算法,将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标。
所述感兴趣目标包括:杆塔、导线、地线、引流线、绝缘子、基础、防震锤、接地装置以及部件连通区域。
所述的缺陷识别规则包括:绝缘子掉片缺陷识别规则、鸟巢缺陷识别规则、导线异物缺陷识别规则、导线断股缺陷识别规则、防震锤缺陷识别规则。
本发明的有益效果是:
(1)提高输电线路状态监测和评估的自动化程度,挖掘电网海量非结构化数据的巨大价值
通过本发明,及时、高效地处理大量巡检获取的图像或视频数据,自动分析设备的环境、外观、局放、温度等关键状态信息,对设备异常和故障缺陷实现事前预警,不受人员经验、素质和工作环境的影响,提高图像数据处理和输电线路缺陷检测的实时性和准确性,有效发掘电网非结构化数据的潜在价值,显著提升对应业务系统的自动化水平,为电网状态检修决策提供有效支持。
(2)创新输变电输电线路缺陷隐患分析技术理念,促进电力系统领域的技术发展
通过本发明,掌握输电线路状态检测图像处理的研究方法和核心技术,提出并实践在输电线路故障图像库的建立、复杂环境下输电线路缺陷隐患评估等基础研究工作的突破,建立具有一定规模的、带标注的输电线路故障图像库。研究输电线路典型缺陷隐患与图像特征之间映射关系,形成输电线路典型缺陷智能判断的标准/规范库。采用和发展当前先进影像处理技术,改良电网生产管理模式,显著促进我国在输电线路状态监测领域的技术进步,促进我国电力系统技术领域的整体发展,并产生巨大的经济和社会效益。
(3)研发电网非结构化数据分析处理体系,助力坚强智能电网建设
通过本发明,融合图像识别、特征提取、匹配技术、信息通信技术,开发基于非结构化数据图像识别与处理的设备缺陷隐患评估诊断系统,解决长期以来电网非结构化数据依赖人工处理,利用率低、转化率弱的问题,有效发掘电网非结构化的潜在价值,减少设备故障,提升运检效率。
附图说明
图1为本发明实施例提供的一种基于无人机巡检图像的电力设备缺陷智能识别方法流程图;
图2为本发明实施例提供的一种基于无人机巡检图像的电力设备缺陷智能识别系统结构图。
具体实施方式
以下结合实例对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明从输电线路全光谱巡检影像非结构化大数据入手,研究输电线路现场图像、视频、红外热像、紫外成像等手段对输电线路缺陷隐患进行自动分析和诊断的方法,利用直升机(无人机)自动巡检采集图像、视频、红外热成像、紫外成像等影像数据对电力设备的图像特性进行深入分析,选取合适的图像预处理技术对获取的图像进行,包括去噪、增强、复原、超分辨重建、配准等,然后提取电力设备及其故障图像特征,利用典型缺陷实验图像样本和现场图像样本建立典型故障图像库,通过特征模型的学习和训练有效地判断输电线路外观缺陷等输电线路及其运行环境的主要异常和缺陷,并开发缺陷隐患分析可视化系统。本发明可以有效挖掘电网巡检非结构化大数据的巨大价值,精细化巡检作业流程,对于保障输电线路稳定运行具有重要作用。
本发明解决上述技术问题的技术方案如下:如图1所示,一种基于无人机巡检图像的电力设备缺陷智能识别方法,包括以下步骤:
步骤1,采用数据流的模式,批量的获取无人机巡检得到的输电线路图像数据;
步骤2,提取图像特征,并对所述图像特征进行整合分析,实现对典型部件的自动定位和识别;
步骤3,根据设定的缺陷识别规则对典型部件进行相应的缺陷分析,实现对常见缺陷的分析与识别;
步骤4,对分析识别结果进行汇总分析处理,依据部件类型、缺陷类型、缺陷等级进行分类,便于依据需求进行分类查询,并进行特定部件的局部放大展示。
进一步,步骤1包括:
通过无人机巡检,获取输电线路图像,以数据流方式批量读入后台处理系统;
对所述输电线路图像进行预处理,包括图像复原、图像超分辨重建、图像配准和图像融合。
进一步,步骤2包括:
对图像数据进行图像分割,利用检测算法,将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标。
进一步,所述感兴趣目标包括:杆塔、导线、地线、引流线、绝缘子、基础、防震锤、接地装置以及部件连通区域;
其中,
对于杆塔的识别:对图像进行LSD直线检测,快速准确的检测出图像中的直线特征;将图像分块,分析每块中的直线特征,结合杆塔交叉、对称的特性,确定每个图像块的属性;最终得到杆塔的标记区域;
对于导线的识别:由于导线在图像中呈现出直线、贯穿特性,对图像进行prewitt算子边缘提取;分析边缘方向信息并进行聚类处理;对各聚类中心进行像素区域生长操作;根据长度信息确定导线位置;
对绝缘子的识别:利用深度学习中CNN方法对绝缘子进行识别,包括构建训练样本集,训练、保存识别模型,利用滑动窗检测,然后直线拟合候选框,确定图像中绝缘子标记区域;
对防震锤的识别:构造防震锤、隔离棒的训练样本集,利用Faster-RCNN算法,训练识别模板,保留概率最大的目标候选框,确定图像中防震锤的标记区域。
进一步,步骤3中所述的缺陷识别规则包括:绝缘子掉片缺陷识别规则、鸟巢缺陷识别规则、导线异物缺陷识别规则、导线断股缺陷识别规则、防震锤缺陷识别规则;
其中,
所述绝缘子掉片缺陷识别规则包括:
1)将绝缘子区域依据轴方向沿顺时针方向旋转,得到水平排列的绝缘子区域;通过分析绝缘子区域内,主颜色分量连通区域的数目及大小来判断绝缘子串之间为相互交错重叠,还是相互分离的方式;
2)如果绝缘子片呈现重合状态,依据缘子片长度,沿轴方向划分为条状,即将旋转后的绝缘子区域划分成n个单串绝缘子;将每串绝缘子依据绝缘子片间距离沿着垂直绝缘子轴方向进行划分,在图像上得到单串绝缘子中的每一个绝缘子片;n为绝缘子串数量;
3)对绝缘子串间距离方差作归一化处理,找出距离方差突变的块,作为判决绝缘子区域有缺陷的依据;当特征值出现较大的跳变值时,则说明绝缘子的规律性变化因掉片而被破坏;
所述鸟巢缺陷识别规则包括:
1)在每个包含铁塔的分块区域内,搜索连通的符合鸟巢样本HSV颜色特征量,并将这些候选的鸟巢区域用Blob连通结构管理;
2)删除候选的鸟巢区域中,面积大于或小于预设大小的背景区域,排出条状的候选的鸟巢区域;
3)考虑到鸟巢形状近似圆状的,分析鸟巢区域的饱满度Solid=A/(width*height),进一步筛选候选鸟巢区域;式中A表示鸟巢区域像素点数目,width与height是鸟巢区域最大外接矩形的宽度与高度;
4)对筛选出的候选鸟巢区域计算出最大的外接矩形,对所述外接矩形内像素进行灰度变换,生成灰度共生矩阵,通过控制变量法确定参数,对区域中满足指定条件的像素对进行统计,计算出四个方向的灰度共生矩阵;接着计算不同方向的灰度共生矩阵中的纹理特征量,选取最能表征鸟巢的纹理特征量,并选取所述纹理特征量较大的候选鸟巢区域最终确定为鸟巢区域;
所述导线异物缺陷识别规则包括:
分析导线表面灰度图像的光滑性与一致性来检测断股或异物缺陷;在识别出平行导线组的条件下,按组来诊断导地线上是否存在缺陷;
所述导线断股缺陷识别规则包括:
1)输入识别的平行导线组与非平行线段组;从非平行线段组读取任意一条线段Li,计算与平行导线组的关系;
2)搜索出线段Li的开始端点(SXi,SYi)与结束端点(EXi,EYi),右开始端点与结束端点沿垂直线方向搜索线段Li与平行导线组的相交点(SXi,SCYi)与(EXi,ECYi),判决线段Li是否在平行导线组的下方;若SYi<=SCYi与EYi<=ECYi,则:线段Li在平行导线组的下方,
3)计算线段Li的开始端点(SXi,SYi)与结束端点(EXi,EYi)到平行导线的垂直距离Ds、De,用于检测该线段与平行导线是否存在接触关系;Ds<=10或De<=10,则一个端点与平行导线存在接触关系;
4)计算线段Li角度θi,计算平行导线组的角度θavg,计算角度差:diffθ=abs(θavg-θi);若diffθ>=16°则该线段存在下垂的关系;
5)如满足2)、3)、4)条件的线段,则诊断为疑似平行导线的断股线段;
所述防震锤缺陷识别规则包括:
1)防振锤偏移缺陷诊断规则:
计算出第一条导线上的防振锤X坐标(sx1,se1),计算出第二条导线上的防振锤X坐标(sx2,se2),计算出否则存在重叠区域:
若:sx2<=sx1<=se2或sx1<=sx2<=se1,则存在重叠区域;
若计算出三条导线上防振锤有重叠区域,而第四条导线上的防振锤不在重叠区域内,诊断该防振锤偏移缺陷;
2)防振锤斜歪缺陷诊断规则:
计算每个防振锤的U型方位角,若与导线夹角大于12°,则诊断该防振锤存在斜歪缺陷;
3)防振锤碰撞缺陷诊断规则:
如检测出一条导线存在两个防振锤,计算这两个防振锤之间最近距离diffD小于一个防振锤U型长度,则诊断这两个防振锤碰撞在一起;
4)防振锤掉把缺陷诊断规则:
应可靠检测出防振锤两端对称的U型轮廓,如仅检测出一个U型轮廓,则诊断该防振锤可能存在掉把缺陷。
本发明另一方面提供一种基于无人机巡检图像的电力设备缺陷智能识别系统,如图2所示,包括:
数据采集模块,采用数据流的模式,批量的获取多源输电线路图像数据;
特征分析模块,提取图像特征,并对所述图像特征进行整合分析,实现对典型部件的自动定位和识别;
缺陷分析模块,根据设定的缺陷识别规则对典型部件进行相应的缺陷分析,实现对常见缺陷的分析与识别;
综合分析及分类模块,对分析识别结果进行汇总分析处理,依据部件类型、缺陷类型、缺陷等级进行分类,便于依据需求进行分类查询,并进行特定部件的局部放大展示。
所述数据采集模块,具体用于:
通过无人机巡检,获取输电线路图像,以数据流方式批量读入后台处理系统;
对所述输电线路图像进行预处理,包括图像复原、图像超分辨重建、图像配准和图像融合。
所述特征分析模块具体用于:
对图像数据进行图像分割,利用检测算法,将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标。
所述感兴趣目标包括:杆塔、导线、地线、引流线、绝缘子、基础、防震锤、接地装置以及部件连通区域。
所述的缺陷识别规则包括:绝缘子掉片缺陷识别规则、鸟巢缺陷识别规则、导线异物缺陷识别规则、导线断股缺陷识别规则、防震锤缺陷识别规则。
本发明的有益效果是:
(1)提高输电线路状态监测和评估的自动化程度,挖掘电网海量非结构化数据的巨大价值
通过本发明,及时、高效地处理大量巡检获取的图像或视频数据,自动分析设备的环境、外观、局放、温度等关键状态信息,对设备异常和故障缺陷实现事前预警,不受人员经验、素质和工作环境的影响,提高图像数据处理和输电线路缺陷检测的实时性和准确性,有效发掘电网非结构化数据的潜在价值,显著提升对应业务系统的自动化水平,为电网状态检修决策提供有效支持。
(2)创新输变电输电线路缺陷隐患分析技术理念,促进电力系统领域的技术发展
通过本发明,掌握输电线路状态检测图像处理的研究方法和核心技术,提出并实践在输电线路故障图像库的建立、复杂环境下输电线路缺陷隐患评估等基础研究工作的突破,建立具有一定规模的、带标注的输电线路故障图像库。研究输电线路典型缺陷隐患与图像特征之间映射关系,形成输电线路典型缺陷智能判断的标准/规范库。采用和发展当前先进影像处理技术,改良电网生产管理模式,显著促进我国在输电线路状态监测领域的技术进步,促进我国电力系统技术领域的整体发展,并产生巨大的经济和社会效益。
(3)研发电网非结构化数据分析处理体系,助力坚强智能电网建设
通过本发明,融合图像识别、特征提取、匹配技术、信息通信技术,开发基于非结构化数据图像识别与处理的设备缺陷隐患评估诊断系统,解决长期以来电网非结构化数据依赖人工处理,利用率低、转化率弱的问题,有效发掘电网非结构化的潜在价值,减少设备故障,提升运检效率。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于无人机巡检图像的电力设备缺陷智能识别方法,其特征在于,包括以下步骤:
步骤1,采用数据流的模式,批量的获取无人机巡检得到的输电线路图像数据;
步骤2,提取图像特征,并对所述图像特征进行整合分析,实现对典型部件的自动定位和识别;
步骤3,根据设定的缺陷识别规则对典型部件进行相应的缺陷分析,实现对常见缺陷的分析与识别;
步骤4,对分析识别结果进行汇总分析处理,依据部件类型、缺陷类型、缺陷等级进行分类,便于依据需求进行分类查询,并进行特定部件的局部放大展示。
2.根据权利要求1所述一种基于无人机巡检图像的电力设备缺陷智能识别方法,其特征在于,步骤1包括:
通过无人机巡检,获取输电线路图像,以数据流方式批量读入后台处理系统;
对所述输电线路图像进行预处理,包括图像复原、图像超分辨重建、图像配准和图像融合。
3.根据权利要求1所述一种基于无人机巡检图像的电力设备缺陷智能识别方法,其特征在于,步骤2包括:
对图像数据进行图像分割,利用检测算法,将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标。
4.根据权利要求3所述一种基于无人机巡检图像的电力设备缺陷智能识别方法,其特征在于,
所述感兴趣目标包括:杆塔、导线、地线、引流线、绝缘子、基础、防震锤、接地装置以及部件连通区域;
其中,
对于杆塔的识别:对图像进行LSD直线检测,快速准确的检测出图像中的直线特征;将图像分块,分析每块中的直线特征,结合杆塔交叉、对称的特性,确定每个图像块的属性;最终得到杆塔的标记区域;
对于导线的识别:由于导线在图像中呈现出直线、贯穿特性,对图像进行prewitt算子边缘提取;分析边缘方向信息并进行聚类处理;对各聚类中心进行像素区域生长操作;根据长度信息确定导线位置;
对绝缘子的识别:利用深度学习中CNN方法对绝缘子进行识别,包括构建训练样本集,训练、保存识别模型,利用滑动窗检测,然后直线拟合候选框,确定图像中绝缘子标记区域;
对防震锤的识别:构造防震锤、隔离棒的训练样本集,利用Faster-RCNN算法,训练识别模板,保留概率最大的目标候选框,确定图像中防震锤的标记区域。
5.根据权利要求4所述一种基于无人机巡检图像的电力设备缺陷智能识别方法,其特征在于,步骤3中所述的缺陷识别规则包括:绝缘子掉片缺陷识别规则、鸟巢缺陷识别规则、导线异物缺陷识别规则、导线断股缺陷识别规则、防震锤缺陷识别规则;
其中,
所述绝缘子掉片缺陷识别规则包括:
1)将绝缘子区域依据轴方向沿顺时针方向旋转,得到水平排列的绝缘子区域;通过分析绝缘子区域内,主颜色分量连通区域的数目及大小来判断绝缘子串之间为相互交错重叠,还是相互分离的方式;
2)如果绝缘子片呈现重合状态,依据缘子片长度,沿轴方向划分为条状,即将旋转后的绝缘子区域划分成n个单串绝缘子;将每串绝缘子依据绝缘子片间距离沿着垂直绝缘子轴方向进行划分,在图像上得到单串绝缘子中的每一个绝缘子片;n为绝缘子串数量;
3)对绝缘子串间距离方差作归一化处理,找出距离方差突变的块,作为判决绝缘子区域有缺陷的依据;当特征值出现较大的跳变值时,则说明绝缘子的规律性变化因掉片而被破坏;
所述鸟巢缺陷识别规则包括:
1)在每个包含铁塔的分块区域内,搜索连通的符合鸟巢样本HSV颜色特征量,并将这些候选的鸟巢区域用Blob连通结构管理;
2)删除候选的鸟巢区域中,面积大于或小于预设大小的背景区域,排出条状的候选的鸟巢区域;
3)考虑到鸟巢形状近似圆状的,分析鸟巢区域的饱满度Solid=A/(width*height),进一步筛选候选鸟巢区域;式中A表示鸟巢区域像素点数目,width与height是鸟巢区域最大外接矩形的宽度与高度;
4)对筛选出的候选鸟巢区域计算出最大的外接矩形,对所述外接矩形内像素进行灰度变换,生成灰度共生矩阵,通过控制变量法确定参数,对区域中满足指定条件的像素对进行统计,计算出四个方向的灰度共生矩阵;接着计算不同方向的灰度共生矩阵中的纹理特征量,选取最能表征鸟巢的纹理特征量,并选取所述纹理特征量较大的候选鸟巢区域最终确定为鸟巢区域;
所述导线异物缺陷识别规则包括:
分析导线表面灰度图像的光滑性与一致性来检测断股或异物缺陷;在识别出平行导线组的条件下,按组来诊断导地线上是否存在缺陷;所述导线断股缺陷识别规则包括:
1)输入识别的平行导线组与非平行线段组;从非平行线段组读取任意一条线段Li,计算与平行导线组的关系;
2)搜索出线段Li的开始端点(SXi,SYi)与结束端点(EXi,EYi),右开始端点与结束端点沿垂直线方向搜索线段Li与平行导线组的相交点(SXi,SCYi)与(EXi,ECYi),判决线段Li是否在平行导线组的下方;若SYi<=SCYi与EYi<=ECYi,则:线段Li在平行导线组的下方,
3)计算线段Li的开始端点(SXi,SYi)与结束端点(EXi,EYi)到平行导线的垂直距离Ds、De,用于检测该线段与平行导线是否存在接触关系;Ds<=10或De<=10,则一个端点与平行导线存在接触关系;
4)计算线段Li角度θi,计算平行导线组的角度θavg,计算角度差:diffθ=abs(θavg-θi);若diffθ>=16°则该线段存在下垂的关系;
5)如满足2)、3)、4)条件的线段,则诊断为疑似平行导线的断股线段;
所述防震锤缺陷识别规则包括:
1)防振锤偏移缺陷诊断规则:
计算出第一条导线上的防振锤X坐标(sx1,se1),计算出第二条导线上的防振锤X坐标(sx2,se2),计算出否则存在重叠区域:
若:sx2<=sx1<=se2或sx1<=sx2<=se1,则存在重叠区域;
若计算出三条导线上防振锤有重叠区域,而第四条导线上的防振锤不在重叠区域内,诊断该防振锤偏移缺陷;
2)防振锤斜歪缺陷诊断规则:
计算每个防振锤的U型方位角,若与导线夹角大于12°,则诊断该防振锤存在斜歪缺陷;
3)防振锤碰撞缺陷诊断规则:
如检测出一条导线存在两个防振锤,计算这两个防振锤之间最近距离diffD小于一个防振锤U型长度,则诊断这两个防振锤碰撞在一起;
4)防振锤掉把缺陷诊断规则:
应可靠检测出防振锤两端对称的U型轮廓,如仅检测出一个U型轮廓,则诊断该防振锤可能存在掉把缺陷。
6.一种基于无人机巡检图像的电力设备缺陷智能识别系统,其特征在于,包括:
数据采集模块,采用数据流的模式,批量的获取无人机巡检得到的输电线路图像数据;
特征分析模块,提取图像特征,并对所述图像特征进行整合分析,实现对典型部件的自动定位和识别;
缺陷分析模块,根据设定的缺陷识别规则对典型部件进行相应的缺陷分析,实现对常见缺陷的分析与识别;
综合分析及分类模块,对分析识别结果进行汇总分析处理,依据部件类型、缺陷类型、缺陷等级进行分类,便于依据需求进行分类查询,并进行特定部件的局部放大展示。
7.根据权利要求6所述一种基于无人机巡检图像的电力设备缺陷智能识别系统,其特征在于,所述数据采集模块,具体用于:
通过无人机巡检,获取输电线路图像,以数据流方式批量读入后台处理系统;
对所述输电线路图像进行预处理,包括图像复原、图像超分辨重建、图像配准和图像融合。
8.根据权利要求6所述一种基于无人机巡检图像的电力设备缺陷智能识别系统,其特征在于,所述特征分析模块具体用于:
对图像数据进行图像分割,利用检测算法,将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标。
9.根据权利要求8所述一种基于无人机巡检图像的电力设备缺陷智能识别方法,其特征在于,所述感兴趣目标包括:杆塔、导线、地线、引流线、绝缘子、基础、防震锤、接地装置以及部件连通区域。
10.根据权利要求9所述一种基于无人机巡检图像的电力设备缺陷智能识别方法,其特征在于,所述的缺陷识别规则包括:绝缘子掉片缺陷识别规则、鸟巢缺陷识别规则、导线异物缺陷识别规则、导线断股缺陷识别规则、防震锤缺陷识别规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711445151.8A CN108037133B (zh) | 2017-12-27 | 2017-12-27 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711445151.8A CN108037133B (zh) | 2017-12-27 | 2017-12-27 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108037133A true CN108037133A (zh) | 2018-05-15 |
CN108037133B CN108037133B (zh) | 2021-01-26 |
Family
ID=62098049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711445151.8A Active CN108037133B (zh) | 2017-12-27 | 2017-12-27 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108037133B (zh) |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805084A (zh) * | 2018-06-14 | 2018-11-13 | 北京中飞艾维航空科技有限公司 | 图像识别方法、装置及服务器 |
CN109165318A (zh) * | 2018-08-13 | 2019-01-08 | 洛阳视距智能科技有限公司 | 一种面向智能巡检的防振锤数据集构建方法 |
CN109297978A (zh) * | 2018-11-12 | 2019-02-01 | 西安交通大学 | 基于双目成像的电力线路无人机巡检及缺陷智能诊断系统 |
CN109345529A (zh) * | 2018-09-30 | 2019-02-15 | 福州大学 | 基于改进型二次目标检测网络线夹、均压环故障识别方法 |
CN109376606A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像杆塔基础故障检测方法 |
CN109389322A (zh) * | 2018-10-30 | 2019-02-26 | 福州大学 | 基于目标检测和长短时记忆模型的导地线断散股识别方法 |
CN109409404A (zh) * | 2018-09-13 | 2019-03-01 | 西南交通大学 | 一种基于深度学习的高铁接触网防风拉线故障检测方法 |
CN109472214A (zh) * | 2018-10-17 | 2019-03-15 | 福州大学 | 一种基于深度学习航拍异物图像实时检测方法 |
CN109489629A (zh) * | 2018-12-07 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 一种输电线路杆塔的安全监测方法 |
CN109544544A (zh) * | 2018-11-30 | 2019-03-29 | 长讯通信服务有限公司 | 一种基于深度学习与无人机的移动通信维护对象状态识别方法 |
CN109685761A (zh) * | 2018-11-08 | 2019-04-26 | 宁波送变电建设有限公司甬城配电网建设分公司 | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 |
CN109685930A (zh) * | 2018-12-19 | 2019-04-26 | 深圳供电局有限公司 | 电力部件巡检方法、装置、计算机设备和存储介质 |
CN109712116A (zh) * | 2018-12-04 | 2019-05-03 | 华南理工大学 | 输电线路及其附件的故障识别方法 |
CN109784348A (zh) * | 2018-12-17 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种红外电力设备识别和在线诊断方法及其系统 |
CN109794948A (zh) * | 2019-03-04 | 2019-05-24 | 北京国电富通科技发展有限责任公司 | 配网带电作业机器人及识别定位方法 |
CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
CN109902647A (zh) * | 2019-03-08 | 2019-06-18 | 成都国铁电气设备有限公司 | 一种便携式在线鸟巢智能识别方法及系统 |
CN109948601A (zh) * | 2018-11-29 | 2019-06-28 | 国网重庆市电力公司电力科学研究院 | 一种基于图像识别的电力设备数据处理系统 |
CN110379036A (zh) * | 2019-06-26 | 2019-10-25 | 广东康云科技有限公司 | 变电站智能巡检识别方法、系统、装置及存储介质 |
CN110400267A (zh) * | 2019-07-03 | 2019-11-01 | 安徽继远软件有限公司 | 一种基于巡检图像的预处理方法 |
CN110412048A (zh) * | 2019-07-25 | 2019-11-05 | 青岛大学 | 一种电力损伤探测巡航装置 |
CN110458798A (zh) * | 2019-06-20 | 2019-11-15 | 长沙理工大学 | 基于关键点检测的防振锤缺陷视觉检测方法、系统及介质 |
CN110543870A (zh) * | 2019-09-10 | 2019-12-06 | 国网黑龙江省电力有限公司鹤岗供电公司 | 一种基于无人机的输电线路智能巡检系统 |
CN110569802A (zh) * | 2019-09-10 | 2019-12-13 | 国网黑龙江省电力有限公司鹤岗供电公司 | 一种面向输电线路的无人机智能巡检系统 |
CN110610483A (zh) * | 2019-08-12 | 2019-12-24 | 全球能源互联网研究院有限公司 | 裂纹图像获取、检测方法、计算机设备及可读存储介质 |
CN110674861A (zh) * | 2019-09-19 | 2020-01-10 | 国网山东省电力公司电力科学研究院 | 一种输变电巡检图像智能分析方法及装置 |
CN111024705A (zh) * | 2019-10-17 | 2020-04-17 | 广东电网有限责任公司清远供电局 | 一种电力线断股的检测方法、装置、设备及存储介质 |
CN111045452A (zh) * | 2019-12-17 | 2020-04-21 | 昆明联诚科技股份有限公司 | 一种基于深度学习的电力线路巡检方法 |
CN111105398A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的输电线路部件裂纹检测方法 |
CN111242052A (zh) * | 2020-01-16 | 2020-06-05 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
CN111310899A (zh) * | 2020-02-19 | 2020-06-19 | 山东大学 | 基于共生关系和小样本学习的电力缺陷识别方法 |
CN111311597A (zh) * | 2020-03-27 | 2020-06-19 | 国网福建省电力有限公司龙岩供电公司 | 一种缺陷绝缘子的无人机巡检方法与系统 |
CN111343846A (zh) * | 2020-02-23 | 2020-06-26 | 苏州浪潮智能科技有限公司 | 一种基于pcb制板过程的电子元件识别装置及方法 |
CN111583196A (zh) * | 2020-04-22 | 2020-08-25 | 北京智芯微电子科技有限公司 | 用于输电线路的监测系统及监测方法 |
CN111612076A (zh) * | 2020-05-23 | 2020-09-01 | 南京南大智慧城市规划设计股份有限公司 | 基于DCL和Cascade的图像精细识别方法 |
CN111652857A (zh) * | 2020-05-20 | 2020-09-11 | 国网河北省电力有限公司检修分公司 | 一种绝缘子缺陷红外检测方法 |
CN111726577A (zh) * | 2020-05-29 | 2020-09-29 | 孝感市光源电力集团有限责任公司 | 基于无人机巡查的配电网工程审计方法 |
CN111739184A (zh) * | 2020-06-28 | 2020-10-02 | 国网宁夏电力有限公司检修公司 | 基于输电线塔杆的输电线路巡检系统 |
CN111797725A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种设备状态检测方法、装置及系统 |
CN111949809A (zh) * | 2020-07-16 | 2020-11-17 | 广东电网有限责任公司 | 一种输电线路红外巡检数据智能处理方法 |
CN112070730A (zh) * | 2020-08-27 | 2020-12-11 | 宁波市电力设计院有限公司 | 基于输电线路巡检图像的防震锤脱落检测方法 |
CN112229845A (zh) * | 2020-10-12 | 2021-01-15 | 国网河南省电力公司濮阳供电公司 | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 |
CN112700037A (zh) * | 2020-12-28 | 2021-04-23 | 成都国铁电气设备有限公司 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
CN112835375A (zh) * | 2021-01-08 | 2021-05-25 | 中国科学技术大学 | 基于无人机的绝缘子清洗方法、系统、设备、存储介质 |
CN112926556A (zh) * | 2021-04-28 | 2021-06-08 | 上海大学 | 一种基于语义分割的航拍输电线路散断股识别方法及系统 |
CN112926401A (zh) * | 2021-01-29 | 2021-06-08 | 广州中科智巡科技有限公司 | 一种输电线路金具锈蚀检测方法及系统 |
CN112947512A (zh) * | 2021-01-27 | 2021-06-11 | 昭通亮风台信息科技有限公司 | 一种基于ar的无人机电网巡线方法及系统 |
CN113379313A (zh) * | 2021-07-02 | 2021-09-10 | 贵州电网有限责任公司 | 一种具有智能化的预防性试验作业管控系统 |
CN113420810A (zh) * | 2021-06-22 | 2021-09-21 | 中国民航大学 | 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法 |
CN114442658A (zh) * | 2021-12-23 | 2022-05-06 | 河南福多电力工程有限公司 | 输配电线路无人机自动巡检系统及其运行方法 |
CN114581692A (zh) * | 2022-03-06 | 2022-06-03 | 扬州孚泰电气有限公司 | 一种基于智能图形识别的防振锤故障检测方法及系统 |
CN115797877A (zh) * | 2023-02-13 | 2023-03-14 | 山东鸿德电力科技有限公司 | 一种电力传输设备的智能监控方法、系统及介质 |
CN116542998A (zh) * | 2023-03-15 | 2023-08-04 | 锋睿领创(珠海)科技有限公司 | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 |
CN117253179A (zh) * | 2023-11-20 | 2023-12-19 | 合肥中科类脑智能技术有限公司 | 配电线路鸟巢检测方法、存储介质和电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005057956A (ja) * | 2003-08-07 | 2005-03-03 | Central Res Inst Of Electric Power Ind | 画像処理による電線異常検出方法および装置およびプログラム並びに電線点検用画像の作成方法 |
CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
KR101631389B1 (ko) * | 2014-12-29 | 2016-06-16 | 주식회사 엘지씨엔에스 | 송전선 영상 처리 방법 및 장치 |
CN106162089A (zh) * | 2016-07-26 | 2016-11-23 | 广东容祺智能科技有限公司 | 一种电力巡线图像自动识别分析系统及其分析方法 |
CN106295655A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检图像的输电线路部件自动提取方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
CN107133943A (zh) * | 2017-04-26 | 2017-09-05 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
CN104239899B (zh) * | 2014-09-10 | 2018-01-19 | 国家电网公司 | 一种用于无人机巡检的输电线路间隔棒识别方法 |
-
2017
- 2017-12-27 CN CN201711445151.8A patent/CN108037133B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005057956A (ja) * | 2003-08-07 | 2005-03-03 | Central Res Inst Of Electric Power Ind | 画像処理による電線異常検出方法および装置およびプログラム並びに電線点検用画像の作成方法 |
CN104239899B (zh) * | 2014-09-10 | 2018-01-19 | 国家电网公司 | 一种用于无人机巡检的输电线路间隔棒识别方法 |
KR101631389B1 (ko) * | 2014-12-29 | 2016-06-16 | 주식회사 엘지씨엔에스 | 송전선 영상 처리 방법 및 장치 |
CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
CN106162089A (zh) * | 2016-07-26 | 2016-11-23 | 广东容祺智能科技有限公司 | 一种电力巡线图像自动识别分析系统及其分析方法 |
CN106295655A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检图像的输电线路部件自动提取方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
CN107133943A (zh) * | 2017-04-26 | 2017-09-05 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
Non-Patent Citations (4)
Title |
---|
A. PAGNANO等: "A roadmap for automated power line inspection.", 《SCIENCE DIRECT》 * |
张晶晶 等: "形状感知的绝缘子识别与缺陷诊断", 《中国图像图像学报》 * |
徐晶 等: "一种无人机图像的铁塔上鸟巢检测方法", 《计算机工程与应用》 * |
王万国 等: "基于无人机图像的输电线断股与异物缺陷检测方法", 《计算机应用》 * |
Cited By (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805084A (zh) * | 2018-06-14 | 2018-11-13 | 北京中飞艾维航空科技有限公司 | 图像识别方法、装置及服务器 |
CN109165318A (zh) * | 2018-08-13 | 2019-01-08 | 洛阳视距智能科技有限公司 | 一种面向智能巡检的防振锤数据集构建方法 |
CN109409404A (zh) * | 2018-09-13 | 2019-03-01 | 西南交通大学 | 一种基于深度学习的高铁接触网防风拉线故障检测方法 |
CN109870617B (zh) * | 2018-09-21 | 2020-08-14 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
CN109376606A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像杆塔基础故障检测方法 |
CN109345529A (zh) * | 2018-09-30 | 2019-02-15 | 福州大学 | 基于改进型二次目标检测网络线夹、均压环故障识别方法 |
CN109345529B (zh) * | 2018-09-30 | 2021-09-24 | 福州大学 | 基于改进型二次目标检测网络线夹、均压环故障识别方法 |
CN109472214A (zh) * | 2018-10-17 | 2019-03-15 | 福州大学 | 一种基于深度学习航拍异物图像实时检测方法 |
CN109389322A (zh) * | 2018-10-30 | 2019-02-26 | 福州大学 | 基于目标检测和长短时记忆模型的导地线断散股识别方法 |
CN109685761A (zh) * | 2018-11-08 | 2019-04-26 | 宁波送变电建设有限公司甬城配电网建设分公司 | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 |
CN109685761B (zh) * | 2018-11-08 | 2020-09-22 | 宁波送变电建设有限公司甬城配电网建设分公司 | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 |
CN109297978A (zh) * | 2018-11-12 | 2019-02-01 | 西安交通大学 | 基于双目成像的电力线路无人机巡检及缺陷智能诊断系统 |
CN109948601A (zh) * | 2018-11-29 | 2019-06-28 | 国网重庆市电力公司电力科学研究院 | 一种基于图像识别的电力设备数据处理系统 |
CN109544544A (zh) * | 2018-11-30 | 2019-03-29 | 长讯通信服务有限公司 | 一种基于深度学习与无人机的移动通信维护对象状态识别方法 |
CN109712116A (zh) * | 2018-12-04 | 2019-05-03 | 华南理工大学 | 输电线路及其附件的故障识别方法 |
CN109712116B (zh) * | 2018-12-04 | 2023-03-28 | 华南理工大学 | 输电线路及其附件的故障识别方法 |
CN109489629A (zh) * | 2018-12-07 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 一种输电线路杆塔的安全监测方法 |
CN109784348A (zh) * | 2018-12-17 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种红外电力设备识别和在线诊断方法及其系统 |
CN109784348B (zh) * | 2018-12-17 | 2021-06-18 | 中国科学院深圳先进技术研究院 | 一种红外电力设备识别和在线诊断方法及其系统 |
CN109685930A (zh) * | 2018-12-19 | 2019-04-26 | 深圳供电局有限公司 | 电力部件巡检方法、装置、计算机设备和存储介质 |
CN109794948A (zh) * | 2019-03-04 | 2019-05-24 | 北京国电富通科技发展有限责任公司 | 配网带电作业机器人及识别定位方法 |
CN109794948B (zh) * | 2019-03-04 | 2020-08-21 | 北京国电富通科技发展有限责任公司 | 配网带电作业机器人及识别定位方法 |
CN109902647A (zh) * | 2019-03-08 | 2019-06-18 | 成都国铁电气设备有限公司 | 一种便携式在线鸟巢智能识别方法及系统 |
CN110458798A (zh) * | 2019-06-20 | 2019-11-15 | 长沙理工大学 | 基于关键点检测的防振锤缺陷视觉检测方法、系统及介质 |
CN110379036A (zh) * | 2019-06-26 | 2019-10-25 | 广东康云科技有限公司 | 变电站智能巡检识别方法、系统、装置及存储介质 |
CN110400267A (zh) * | 2019-07-03 | 2019-11-01 | 安徽继远软件有限公司 | 一种基于巡检图像的预处理方法 |
CN110412048A (zh) * | 2019-07-25 | 2019-11-05 | 青岛大学 | 一种电力损伤探测巡航装置 |
CN110610483B (zh) * | 2019-08-12 | 2022-02-22 | 全球能源互联网研究院有限公司 | 裂纹图像获取、检测方法、计算机设备及可读存储介质 |
CN110610483A (zh) * | 2019-08-12 | 2019-12-24 | 全球能源互联网研究院有限公司 | 裂纹图像获取、检测方法、计算机设备及可读存储介质 |
CN110569802A (zh) * | 2019-09-10 | 2019-12-13 | 国网黑龙江省电力有限公司鹤岗供电公司 | 一种面向输电线路的无人机智能巡检系统 |
CN110543870A (zh) * | 2019-09-10 | 2019-12-06 | 国网黑龙江省电力有限公司鹤岗供电公司 | 一种基于无人机的输电线路智能巡检系统 |
CN110674861B (zh) * | 2019-09-19 | 2022-03-18 | 国网智能科技股份有限公司 | 一种输变电巡检图像智能分析方法及装置 |
CN110674861A (zh) * | 2019-09-19 | 2020-01-10 | 国网山东省电力公司电力科学研究院 | 一种输变电巡检图像智能分析方法及装置 |
CN111024705A (zh) * | 2019-10-17 | 2020-04-17 | 广东电网有限责任公司清远供电局 | 一种电力线断股的检测方法、装置、设备及存储介质 |
CN111045452A (zh) * | 2019-12-17 | 2020-04-21 | 昆明联诚科技股份有限公司 | 一种基于深度学习的电力线路巡检方法 |
CN111105398A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的输电线路部件裂纹检测方法 |
CN111242052B (zh) * | 2020-01-16 | 2023-08-08 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
CN111242052A (zh) * | 2020-01-16 | 2020-06-05 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
CN111310899B (zh) * | 2020-02-19 | 2023-07-11 | 山东大学 | 基于共生关系和小样本学习的电力缺陷识别方法 |
CN111310899A (zh) * | 2020-02-19 | 2020-06-19 | 山东大学 | 基于共生关系和小样本学习的电力缺陷识别方法 |
CN111343846A (zh) * | 2020-02-23 | 2020-06-26 | 苏州浪潮智能科技有限公司 | 一种基于pcb制板过程的电子元件识别装置及方法 |
CN111311597B (zh) * | 2020-03-27 | 2023-04-18 | 国网福建省电力有限公司龙岩供电公司 | 一种缺陷绝缘子的无人机巡检方法与系统 |
CN111311597A (zh) * | 2020-03-27 | 2020-06-19 | 国网福建省电力有限公司龙岩供电公司 | 一种缺陷绝缘子的无人机巡检方法与系统 |
CN111583196B (zh) * | 2020-04-22 | 2021-09-07 | 北京智芯微电子科技有限公司 | 用于输电线路的监测系统及监测方法 |
CN111583196A (zh) * | 2020-04-22 | 2020-08-25 | 北京智芯微电子科技有限公司 | 用于输电线路的监测系统及监测方法 |
CN111652857A (zh) * | 2020-05-20 | 2020-09-11 | 国网河北省电力有限公司检修分公司 | 一种绝缘子缺陷红外检测方法 |
CN111612076A (zh) * | 2020-05-23 | 2020-09-01 | 南京南大智慧城市规划设计股份有限公司 | 基于DCL和Cascade的图像精细识别方法 |
CN111612076B (zh) * | 2020-05-23 | 2023-04-18 | 南京南大智慧城市规划设计股份有限公司 | 基于DCL和Cascade的图像精细识别方法 |
CN111726577A (zh) * | 2020-05-29 | 2020-09-29 | 孝感市光源电力集团有限责任公司 | 基于无人机巡查的配电网工程审计方法 |
CN111797725A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种设备状态检测方法、装置及系统 |
CN111739184A (zh) * | 2020-06-28 | 2020-10-02 | 国网宁夏电力有限公司检修公司 | 基于输电线塔杆的输电线路巡检系统 |
CN111949809A (zh) * | 2020-07-16 | 2020-11-17 | 广东电网有限责任公司 | 一种输电线路红外巡检数据智能处理方法 |
CN111949809B (zh) * | 2020-07-16 | 2023-01-20 | 广东电网有限责任公司 | 一种输电线路红外巡检数据智能处理方法 |
CN112070730A (zh) * | 2020-08-27 | 2020-12-11 | 宁波市电力设计院有限公司 | 基于输电线路巡检图像的防震锤脱落检测方法 |
CN112229845A (zh) * | 2020-10-12 | 2021-01-15 | 国网河南省电力公司濮阳供电公司 | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 |
CN112700037A (zh) * | 2020-12-28 | 2021-04-23 | 成都国铁电气设备有限公司 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
CN112835375A (zh) * | 2021-01-08 | 2021-05-25 | 中国科学技术大学 | 基于无人机的绝缘子清洗方法、系统、设备、存储介质 |
CN112947512A (zh) * | 2021-01-27 | 2021-06-11 | 昭通亮风台信息科技有限公司 | 一种基于ar的无人机电网巡线方法及系统 |
CN112926401A (zh) * | 2021-01-29 | 2021-06-08 | 广州中科智巡科技有限公司 | 一种输电线路金具锈蚀检测方法及系统 |
CN112926556B (zh) * | 2021-04-28 | 2023-05-02 | 上海大学 | 一种基于语义分割的航拍输电线路散断股识别方法及系统 |
CN112926556A (zh) * | 2021-04-28 | 2021-06-08 | 上海大学 | 一种基于语义分割的航拍输电线路散断股识别方法及系统 |
CN113420810A (zh) * | 2021-06-22 | 2021-09-21 | 中国民航大学 | 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法 |
CN113379313B (zh) * | 2021-07-02 | 2023-06-20 | 贵州电网有限责任公司 | 一种具有智能化的预防性试验作业管控系统 |
CN113379313A (zh) * | 2021-07-02 | 2021-09-10 | 贵州电网有限责任公司 | 一种具有智能化的预防性试验作业管控系统 |
CN114442658A (zh) * | 2021-12-23 | 2022-05-06 | 河南福多电力工程有限公司 | 输配电线路无人机自动巡检系统及其运行方法 |
CN114581692B (zh) * | 2022-03-06 | 2022-12-02 | 扬州孚泰电气有限公司 | 一种基于智能图形识别的防振锤故障检测方法及系统 |
CN114581692A (zh) * | 2022-03-06 | 2022-06-03 | 扬州孚泰电气有限公司 | 一种基于智能图形识别的防振锤故障检测方法及系统 |
CN115797877A (zh) * | 2023-02-13 | 2023-03-14 | 山东鸿德电力科技有限公司 | 一种电力传输设备的智能监控方法、系统及介质 |
CN116542998A (zh) * | 2023-03-15 | 2023-08-04 | 锋睿领创(珠海)科技有限公司 | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 |
CN116542998B (zh) * | 2023-03-15 | 2023-11-17 | 锋睿领创(珠海)科技有限公司 | 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质 |
CN117253179A (zh) * | 2023-11-20 | 2023-12-19 | 合肥中科类脑智能技术有限公司 | 配电线路鸟巢检测方法、存储介质和电子设备 |
CN117253179B (zh) * | 2023-11-20 | 2024-02-02 | 合肥中科类脑智能技术有限公司 | 配电线路鸟巢检测方法、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108037133B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108037133A (zh) | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 | |
CN106326808B (zh) | 基于无人机图像的检测输电线路杆塔上鸟窝的方法 | |
CN109101906A (zh) | 一种变电站电力设备红外图像异常实时检测方法及装置 | |
CN105654461B (zh) | 一种多分裂导线间隔棒断裂的机器视觉检测方法 | |
CN102508110B (zh) | 基于纹理的绝缘子缺陷诊断方法 | |
CN103529362B (zh) | 基于感知的绝缘子识别与缺陷诊断方法 | |
CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测系统 | |
CN108280855A (zh) | 一种基于Fast R-CNN的绝缘子故障检测方法 | |
CN106570853A (zh) | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 | |
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
CN113223035B (zh) | 笼养鸡智能巡检系统 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN109766746A (zh) | 一种无人机航拍视频的轨道异物检测方法 | |
CN102446390A (zh) | 一种对输电线路附近监控区域进行安全检测、预警的方法和系统 | |
CN110008278B (zh) | 一种利用接地电流信号的配网电缆故障判别方法和系统 | |
CN111507189B (zh) | 一种基于图像处理技术的绝缘子串缺陷快速检测方法 | |
CN117214617A (zh) | 一种智能电网故障实时监测定位系统及方法 | |
CN115311585A (zh) | 用于电网架空线路异物的识别检测系统 | |
CN115345466A (zh) | 基于网架拓扑与多源数据融合的配电网在线评估系统 | |
CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和系统 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN112115770A (zh) | 一种用于架空线路无人机自主巡检缺陷识别的方法及系统 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及系统 | |
CN115902541A (zh) | 一种输电线路绝缘子放电及缺陷的诊断方法及系统 |
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 |