CN108573233A - 一种基于图像处理技术的电网陶瓷绝缘子识别方法 - Google Patents
一种基于图像处理技术的电网陶瓷绝缘子识别方法 Download PDFInfo
- Publication number
- CN108573233A CN108573233A CN201810347349.0A CN201810347349A CN108573233A CN 108573233 A CN108573233 A CN 108573233A CN 201810347349 A CN201810347349 A CN 201810347349A CN 108573233 A CN108573233 A CN 108573233A
- Authority
- CN
- China
- Prior art keywords
- power grid
- ceramic insulator
- recognition result
- image data
- processing techniques
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Insulators (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种投入少、维护成本低、准确性和实时性高的基于图像处理技术的电网陶瓷绝缘子识别方法,包括如下步骤:S1、获取电网图像数据;S2、进行标准化处理;S3、进行训练,生成并保存目标识别模型和初始识别结果;S4、获取二次识别结果;S5、计算初始识别结果和二次识别结果的交并比;S6、判断是否达到设定阈值,若是则当前陶瓷绝缘子为异常设备,并进入步骤S7,若否则结束;S7、反馈异常设备的异常信息。本发明解决了传统巡检方式存在的人力和物力投入大、准确性和实时性低的问题,避免了严重事故的发生,保证电力系统安全稳定运行。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于图像处理技术的电网陶瓷绝缘子识别方法。
背景技术
深图像处理(image processing),用计算机对图像进行分析,以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值。图像处理技术一般包括图像压缩,增强和复原,匹配、描述和识别3个部分。随着图像处理技术在电力系统中的广泛应用,图像信息的作用越来越重要,也成为国家电网进行研究的主要方向之一。
在电网输电系统中,由于陶瓷绝缘子长期运行于强电场、高温日照、机械应力、湿度、污秽物(酸,臭氧,灰尘等)环境下,当其表面附盐密度达到一定程度时,其绝缘性能就会降低,给输电线路以及整个配电网带来威胁。据有关部门统计,国内110kV以上线路发生不明原因闪络的比例高达22%,影响了电网的稳定运行,也造成了较大的经济损失。多年以来,对于带电运行的电网电力传输线及变电站内陶瓷绝缘子的绝缘状况进行维护和检修一致采用的是人力巡检方式,这种方式存在以下问题:
(1)人力巡检方式需要多名工作人员进行巡检,人力和物力投入大,并且工作人员工作的工作量大,维护成本高;
(2)人工检测的方式存在人为疏忽,不能准确检测出故障的发生,这种方式准确性低;
(3)陶瓷绝缘子出现异常的时候,工作人员不能第一时间进行处理,实时性低,容易发生极大的事故,造成严重的后果。
发明内容
针对现有技术中的上述不足,本发明提供了一种投入少、维护成本低、准确性和实时性高的基于图像处理技术的电网陶瓷绝缘子识别方法,解决了传统巡检方式存在的人力和物力投入大、准确性和实时性低的问题,避免了严重事故的发生,保证电力系统安全稳定运行。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于图像处理技术的电网陶瓷绝缘子识别方法,包括如下步骤:
S1:获取电网图像数据:利用电网监控系统获取电网图像数据,并将其分成训练数据集和测试数据集;
S2:进行标准化处理:将步骤S1中获取的训练数据集和测试数据集进行标准化处理,得到标准化训练数据集和标准化测试数据集;
S3:进行训练:将步骤S2得到的标准化训练数据集进行训练,生成并保存目标识别模型和初始识别结果;
S4:获取二次识别结果:将步骤S2得到的标准化测试数据集输入到目标识别模型中,获取二次识别结果;
S5:计算交并比:计算步骤S4得到的二次识别结果和步骤S3得到的初始识别结果的交并比;
S6:判断是否达到设定阈值:判断步骤S5得到的交并比是否达到设定阈值,若是则当前陶瓷绝缘子为异常设备,并进入步骤S7,若否则结束识别;
S7:反馈异常信息:反馈步骤S6中异常设备的异常信息,结束识别。
本方案的有益效果为:
本发明利用电网监控系统的进行实时的陶瓷绝缘子识别,减少了人力和物力投入,降低了维护成本,利用图像处理技术对电力设备的状态进行分析,对表征陶瓷绝缘子的物理量或状态进行识别,及时发现异常现象和潜在故障并反馈异常信息,提高了准确性和实时性,解决了传统巡检方式存在的人力和物力投入大、准确性和实时性低的问题,避免了严重事故的发生,保证电力系统安全稳定运行。
进一步地,步骤S1中,电网图像数据的获取方法,包括如下步骤:
S1-1:获取实时录像:利用电网监控系统获取当前位置的陶瓷绝缘子的实时录像;
S1-2:获取静态图像数据:根据步骤S1-1获取的实时录像,利用电网监控平台的监控系统提供的截取功能接口,获取该位置的陶瓷绝缘子在不同时刻的静态图像数据;
S1-3:得到电网图像数据:重复步骤S1-1到S1-2,获取不同陶瓷绝缘子在不同时刻的静态图像数据,将其组合得到电网图像数据。
进一步地,步骤S2中,标准化处理方法,包括如下步骤:
S2-1:生成标注文件:使用标注工具对电网图像数据进行标注,生成标注文件;
S2-2:生成样本标签图像:利用标注工具的点集文件对步骤S2-1得到的标注文件进行处理,生成样本标签图像;
S2-3:转化并保存one-hot标签:将步骤S2-2得到的样本标签图像转化为one-hot标签并保存。
进一步地,步骤S3中,进行训练的方法,包括如下步骤:
S3-1:提取深层网络特征:利用人工智能学习框架和卷积神经网络结构模型,提取标准化训练数据集的深层网络特征;
S3-2:得到端到端结果:利用全卷积网络结构,将步骤S3-1中提取的深层网络特征进行上采样,得到端到端结果;
S3-3:生成并保存目标识别模型:根据中层监督训练网络和步骤S3-2中得到的端到端结果,生成并保存目标识别模型;
S3-4:生成并保存初始识别结果:生成训练结果并将其作为初始识别结果进行保存。
进一步地,步骤S5中,交并比的计算公式为:
式中,IoU为交并比;area(A)为初始识别结果窗口;area(B)为二次识别结果窗口。
进一步地,步骤S7中,异常信息包括陶瓷绝缘子异常识别结果和异常设备编码。
附图说明
图1为基于图像处理技术的电网陶瓷绝缘子识别方法流程图;
图2为电网图像数据的获取方法流程图;
图3为标准化处理方法流程图;
图4为进行训练的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
本发明实施例中,一种基于图像处理技术的电网陶瓷绝缘子识别方法,如图1所示,包括如下步骤:
S1:获取电网图像数据:利用电网监控系统获取电网图像数据,并将其分成训练数据集和测试数据集;
电网图像数据的获取方法,如图2所示,包括如下步骤:
S1-1:获取实时录像:利用电网监控系统获取当前位置的陶瓷绝缘子的实时录像;
S1-2:获取静态图像数据:根据步骤S1-1获取的实时录像,利用电网监控平台的监控系统提供的截取功能接口,获取该位置的陶瓷绝缘子在不同时刻的静态图像数据;
S1-3:得到电网图像数据:重复步骤S1-1到S1-2,获取不同陶瓷绝缘子在不同时刻的静态图像数据,将其组合得到电网图像数据;
S2:进行标准化处理:将步骤S1中获取的训练数据集和测试数据集进行标准化处理,得到标准化训练数据集和标准化测试数据集;
标准化处理方法,如图3所示,包括如下步骤:
S2-1:生成标注文件:使用标注工具对电网图像数据进行标注,生成标注文件;
S2-2:生成样本标签图像:利用标注工具的点集文件对步骤S2-1得到的标注文件进行处理,生成样本标签图像;
S2-3:转化并保存one-hot标签:将步骤S2-2得到的样本标签图像转化为one-hot标签并保存;
S3:进行训练:将步骤S2得到的标准化训练数据集进行训练,生成并保存目标识别模型和初始识别结果;
进行训练的方法,如图4所示,包括如下步骤:
S3-1:提取深层网络特征:利用Google的人工智能学习框架TensorFlow和卷积神经网络结构Vgg16模型的前13层卷积层来提取标准化训练数据集的深层网络特征;
S3-2:得到端到端结果:利用经典全卷积网络结构FCN进行上采样(Upsampling),得到端到端(end-to-end)结果;
S3-3:生成并保存目标识别模型:引入FCN-2s、FCN-4s、FCN-8s、FCN-16s和FCN-32s作为中层监督训练网络,根据中层监督训练网络和步骤S3-2中得到的端到端结果,生成并保存目标识别模型;
S3-4:生成并保存初始识别结果:生成训练结果并将其作为初始识别结果进行保存;
S4:获取二次识别结果:将步骤S2得到的标准化测试数据集输入到目标识别模型中,获取二次识别结果;
S5:计算交并比:计算步骤S4得到的二次识别结果和步骤S3得到的初始识别结果的交并比;
交并比的计算公式为:
式中,IoU为交并比;area(A)为初始识别结果窗口;area(B)为二次识别结果窗口;
S6:判断是否达到设定阈值:判断步骤S5得到的交并比是否达到设定阈值,若是则当前陶瓷绝缘子为异常设备,并进入步骤S7,若否则结束识别;
S7:反馈异常信息:反馈步骤S6中异常设备的异常信息,结束识别。
本发明利用电网监控系统的进行实时的陶瓷绝缘子识别,减少了人力和物力投入,降低了维护成本,利用图像处理技术对电力设备的状态进行分析,对表征陶瓷绝缘子的物理量或状态进行识别,无需切断电源即可自动获取陶瓷绝缘子的识别结果和系统返回的异常检测结果,提高了准确性和实时性,解决了传统巡检方式存在的人力和物力投入大、准确性和实时性低的问题,避免了严重事故的发生,保证电力系统安全稳定运行。
Claims (6)
1.一种基于图像处理技术的电网陶瓷绝缘子识别方法,其特征在于,包括如下步骤:
S1:获取电网图像数据:利用电网监控系统获取电网图像数据,并将其分成训练数据集和测试数据集;
S2:进行标准化处理:将步骤S1中获取的训练数据集和测试数据集进行标准化处理,得到标准化训练数据集和标准化测试数据集;
S3:进行训练:将步骤S2得到的标准化训练数据集进行训练,生成并保存目标识别模型和初始识别结果;
S4:获取二次识别结果:将步骤S2得到的标准化测试数据集输入到目标识别模型中,获取二次识别结果;
S5:计算交并比:计算步骤S4得到的二次识别结果和步骤S3得到的初始识别结果的交并比;
S6:判断是否达到设定阈值:判断步骤S5得到的交并比是否达到设定阈值,若是则当前陶瓷绝缘子为异常设备,并进入步骤S7,若否则结束识别;
S7:反馈异常信息:反馈步骤S6中异常设备的异常信息,结束识别。
2.根据权利要求1所述的基于图像处理技术的电网陶瓷绝缘子识别方法,其特征在于,所述步骤S1中,电网图像数据的获取方法,包括如下步骤:
S1-1:获取实时录像:利用电网监控系统获取当前位置的陶瓷绝缘子的实时录像;
S1-2:获取静态图像数据:根据步骤S1-1获取的实时录像,利用电网监控平台的监控系统提供的截取功能接口,获取该位置的陶瓷绝缘子在不同时刻的静态图像数据;
S1-3:得到电网图像数据:重复步骤S1-1到S1-2,获取不同陶瓷绝缘子在不同时刻的静态图像数据,将其组合得到电网图像数据。
3.根据权利要求1所述的基于图像处理技术的电网陶瓷绝缘子识别方法,其特征在于,所述步骤S2中,标准化处理方法,包括如下步骤:
S2-1:生成标注文件:使用标注工具对电网图像数据进行标注,生成标注文件;
S2-2:生成样本标签图像:利用标注工具的点集文件对步骤S2-1得到的标注文件进行处理,生成样本标签图像;
S2-3:转化并保存one-hot标签:将步骤S2-2得到的样本标签图像转化为one-hot标签并保存。
4.根据权利要求1所述的基于图像处理技术的电网陶瓷绝缘子识别方法,其特征在于,所述步骤S3中,进行训练的方法,包括如下步骤:
S3-1:提取深层网络特征:利用人工智能学习框架和卷积神经网络结构模型,提取标准化训练数据集的深层网络特征;
S3-2:得到端到端结果:利用全卷积网络结构,将步骤S3-1中提取的深层网络特征进行上采样,得到端到端结果;
S3-3:生成并保存目标识别模型:根据中层监督训练网络和步骤S3-2中得到的端到端结果,生成并保存目标识别模型;
S3-4:生成并保存初始识别结果:生成训练结果并将其作为初始识别结果进行保存。
5.根据权利要求1所述的基于图像处理技术的电网陶瓷绝缘子识别方法,其特征在于,所述步骤S5中,交并比的计算公式为:
式中,IoU为交并比;area(A)为初始识别结果窗口;area(B)为二次识别结果窗口。
6.根据权利要求1所述的基于图像处理技术的电网陶瓷绝缘子识别方法,其特征在于,所述步骤S7中,异常信息包括陶瓷绝缘子异常识别结果和异常设备编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810347349.0A CN108573233B (zh) | 2018-04-18 | 2018-04-18 | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810347349.0A CN108573233B (zh) | 2018-04-18 | 2018-04-18 | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108573233A true CN108573233A (zh) | 2018-09-25 |
CN108573233B CN108573233B (zh) | 2020-09-29 |
Family
ID=63575024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810347349.0A Active CN108573233B (zh) | 2018-04-18 | 2018-04-18 | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573233B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110390301A (zh) * | 2019-07-24 | 2019-10-29 | 厦门理工学院 | 一种从海量历史谐波数据中查找异常数据的智能识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001261661A1 (en) * | 2000-05-16 | 2001-11-26 | Fidelica Microsystems, Inc. | Method and apparatus for pressure sensing |
CN102937693A (zh) * | 2012-11-26 | 2013-02-20 | 广州供电局有限公司 | 基于声发射信号的污秽绝缘子外绝缘强度判别方法和系统 |
CN103235830A (zh) * | 2013-05-13 | 2013-08-07 | 北京臻迪科技有限公司 | 一种基于无人机电力巡线方法、装置及无人机 |
US20150276876A1 (en) * | 2014-03-28 | 2015-10-01 | International Business Machines Corporation | Grid data processing method and apparatus |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
-
2018
- 2018-04-18 CN CN201810347349.0A patent/CN108573233B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001261661A1 (en) * | 2000-05-16 | 2001-11-26 | Fidelica Microsystems, Inc. | Method and apparatus for pressure sensing |
CN102937693A (zh) * | 2012-11-26 | 2013-02-20 | 广州供电局有限公司 | 基于声发射信号的污秽绝缘子外绝缘强度判别方法和系统 |
CN103235830A (zh) * | 2013-05-13 | 2013-08-07 | 北京臻迪科技有限公司 | 一种基于无人机电力巡线方法、装置及无人机 |
US20150276876A1 (en) * | 2014-03-28 | 2015-10-01 | International Business Machines Corporation | Grid data processing method and apparatus |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
Non-Patent Citations (2)
Title |
---|
YUE LIU ET AL.: "The method of insulator recognition based on deep learning", 《2016 4TH INTERNATIONAL CONFERENCE ON APPLIED ROBOTICS FOR THE POWER INDUSTRY(CARPI)》 * |
宋修锐等: "图像通用目标的无监督检测", 《光学精密工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110390301A (zh) * | 2019-07-24 | 2019-10-29 | 厦门理工学院 | 一种从海量历史谐波数据中查找异常数据的智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108573233B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
CN108037133B (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 | |
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
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 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
CN110033453A (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
Liu et al. | Box-point detector: A diagnosis method for insulator faults in power lines using aerial images and convolutional neural networks | |
CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
WO2021190056A1 (zh) | 一种瓷质绝缘子串红外零值诊断方法及系统 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN113723189B (zh) | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 | |
Hao et al. | Methods of image recognition of overhead power line insulators and ice types based on deep weakly‐supervised and transfer learning | |
CN111768022A (zh) | 煤机生产设备的设备检测方法及装置 | |
CN108573233A (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
CN115290696A (zh) | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
Huang et al. | Insulator detection based on deep learning method in aerial images for power line patrol | |
Shen et al. | Transmission line safety early warning technology based on multi-source data perception | |
Wu et al. | Application of artificial intelligence image recognition technology based on Faster-R CNN in automatic inspection of power transmission and transformation | |
Di et al. | Research on Real-Time Power Line Damage Detection Method Based on YOLO Algorithm | |
Murthy et al. | Distribution system insulator monitoring using video surveillance and support vector machines for complex background images | |
Wang et al. | Photovoltaic Panel Intelligent Detection Method Based on Improved Faster-RCNN | |
CN117498225B (zh) | 一种无人机智能电力线路巡检系统 |
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 |