CN109583344A - 一种基于深度学习的电力设备红外图像处理方法 - Google Patents
一种基于深度学习的电力设备红外图像处理方法 Download PDFInfo
- Publication number
- CN109583344A CN109583344A CN201811393253.4A CN201811393253A CN109583344A CN 109583344 A CN109583344 A CN 109583344A CN 201811393253 A CN201811393253 A CN 201811393253A CN 109583344 A CN109583344 A CN 109583344A
- Authority
- CN
- China
- Prior art keywords
- infrared image
- power equipment
- image processing
- model
- deep learning
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 33
- 239000003595 mist Substances 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 230000007480 spreading Effects 0.000 claims description 8
- 238000003892 spreading Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000033228 biological regulation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 230000010358 mechanical oscillation Effects 0.000 abstract description 4
- 238000007796 conventional method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的电力设备红外图像处理方法。该方法采用深度学习进行电力设备红外图像处理，采用深度卷积神经网络建立的处理模型进行电力设备红外图像处理，同时且极大地同降低高斯白噪声，电力设备机械振动以及环境雾效对红外图像的影响。同时将递归调用和扩张卷积应用到所提出的深度卷积神经网络上，在相同的参数量下达到了更好的处理效果。该发明特点是创新性强，实用性强，能够实现电力设备红外图像处理效果好、速度快的需求。
Description
技术领域
本发明涉及电力设备监测技术领域，更具体地说是指一种基于深度学习的电力设备红外图像处理方法。
背景技术
随着我国经济的快速发展，国家提出建设坚强可靠的智能电网。电气设备长期处在运行状态下，易受外界环境的影响，经常出现各类故障，因此，对不同类型的电气设备进行有效的监控，成为了目前研究的热点。红外热成像技术是电力系统在线实时监测中一个强大的工具，通过热像图发现电力设备因故障或隐患造成温度异常的部位，预防潜在的风险，从而提升电网运行稳定性和可靠性。但是由于外界环境和设备中的电子器件等干扰因素的影响，红外图像在获取、传输和存储过程中会不可避免地受到各种噪声的干扰，如高斯噪声、脉冲噪声等，这不仅会导致图像质量的下降，而且还会对红外图像分析和识别等操作产生影响，从而降低检测系统的可靠性。此外，电力设备在工作时通常会产生机械振动，有些电力设备装设在户外，大雾天同样会导致图像质量的下降，因此对获取的红外图像进行处理是非常关键的。此外，传统电气设备红外图像处理方法只是针对各种噪声对图像产生的影响进行去噪处理，并未从机械振动和雾对图像产生的影响进行处理。
深度学习具有强大的非线性拟合能力，并且在各种图像处理任务中，深度学习算法都优于传统算法的性能。并且深度学习算法在测试时所需时间仅为一次前向传播的时间，完全优于传统的基于迭代的算法，满足实时性的需求。
电力设备红外图像处理技术研究对于提升电力系统故障检测效果，保证电网运行稳定具有重大意义，具有广阔的应用前景及深刻地社会价值。在此背景下，我们提出基于深度学习的电力设备红外图像处理的方法。
发明内容
本发明提供的一种基于深度学习的电力设备红外图像处理方法，其目的在于解决现有技术中存在的上述问题。
本发明采用的技术方案如下：
一种基于深度学习的电力设备红外图像处理方法，包括以下步骤：包括以下步骤：
A、构建电力设备红外图像的训练样本对；
B、搭建基于深度学习的电力设备红外图像处理模型；
C、对所述模型进行参数调节及优化，训练所述模型并对其进行测试。
具体地，所述步骤A的具体步骤为下：
第一步：利用红外成像仪采集电力设备的红外图像，并对采集到的红外图像进行归一化处理，获得复数张干净红外图像；
第二步：通过旋转、翻转或平移操作后，将每一张干净红外图像随机裁剪成若干较小的图像块，得到足够多的干净图像样本f（x，y）；
第三步：以干净图像样本f（x，y）作为模型的标签，对每张干净图像样f（x，y）本依次加上机械振动模拟处理，雾效模拟处理和高斯白噪声，最终得到相应的带噪模糊图像样本G（x，y），获得复数个训练样本对，以总样本对的70%作为训练集，15%作为验证集，15%作为测试集。
更具体地，所述第三步的具体操作为下：根据公式：对净图像样本f（x,y）进行机械振动模拟处理，
得到振动模糊图像G1（x,y），其中F（u,v）是f（x,y）的傅里叶变换，G1（u,v）是G1（x,y）的傅里
叶变化，J0表示第一类零阶赛尔函数，A表示振幅，表示振动方向与水平轴（x轴）的夹角，
再根据公式G2（x,y）= G1（x,y）×t(x,y)+A×(1-t(x,y))对振动模糊图像G1（x,y）进行雾效
模拟处理，得到双重模糊图像G2（x,y），其中A表示大气光参数，t（x,y）表示透射率，再对双
重模糊图像G2（x,y）加入高斯白噪声，最终得到带噪模糊图像G（x,y）。
具体地，所述步骤B的具体操作为下：
所述模型由三部分构成，第一部分为特征提取模块，由一个卷积层和一个非线性激活层构成；第二部分为递归调用模块，包含三个扩张卷积层，每个扩张卷积层之后紧接一个批归一化层和一个非线性激活层；第三部分为图像重建模块，由一个卷积层构成；应用残差的思想，使模型所要学习的任务简单化。
具体地，所述特征提取模块中，卷积层卷积核大小为3×3，卷积核初始化的权重分布符合高斯分布，输入为带噪模糊图像，输出32通道的特征图，非线性激活层使用的激活函数为ReLU。
具体地，所述递归调用模块中，扩张卷积层的输入都为32通道的特征图，且输出都为32通道的特征图，卷积核大小都为3×3，卷积核初始化的权重分布符合高斯分布，第一个扩张卷积层的扩张率为2，第二个扩张卷积层的扩张率为3，第三个扩张卷积层的扩张率为4，非线性激活层使用的激活函数为ReLU。
具体地，所述图像重建模块中，卷积层卷积核大小为3×3，卷积核初始化的权重分布符合高斯分布，输入为32通道的特征图，输出为负噪声图；所述应用残差的思想具体是：在模型中加上一个全局的桥接，使模型由学习干净图像转变为学习负噪声，原始带噪模糊图像经过全局桥接，加上负噪声图，便得到干净图像。
具体地，所述步骤C的具体操作如下：
步骤a：构造损失函数，损失函数为，其中I0表示的是
模型输入的带噪模糊图像，IG表示的是模型输出的干净图像，F函数表示训练出的带噪模糊
图像到干净图像的映射，θ表示权重；
步骤b：对各卷积层进行参数调节，选择合适的优化器训练模型，保存训练好的模型权重；
步骤c：载入训练好的模型权重，使用测试集对模型进行测试。
具体地，所述步骤a中，采用误差反向传播算法训练所述模型，使用adam优化器,总共迭代优化10万次，保存迭代优化所得模型的权重。
由上述对本发明的描述可知，和现有的技术相比，本发明的优点在于：
本发明的创新点包括：（1）使用深度学习实现了电力设备红外图像处理算法。本发明首次将深度学习应用于电力设备红外图像处理中，可同时且极大地同降低高斯白噪声，电力设备机械振动以及环境雾效对红外图像的影响。训练好的深度学习模型在测试阶段只需一次前向传播，耗费时间远远低于基于迭代求解的传统方法，满足电力系统智能化、实时性的需求。（2）所述模型应用残差思想将红外图像处理问题简单化，直接学习噪声参数、机械振动和雾效的相关参数而不是带噪模糊图像。（3）首次同时将递归调用和扩张卷积应用到电力设备红外图像处理问题中，在较低的参数量下获得了更好的性能。
本发明采用深度卷积神经网络建立的处理模型进行电力设备红外图像处理，相比传统方法能取得了更好的处理效果，同时将递归调用和扩张卷积应用到所提出的深度卷积神经网络上，在相同的参数量下达到了更好的图像处理效果。该发明特点是创新性强，实用性强，能够实现电力设备红外图像处理效果好、速度快的需求。
附图说明
图1为基于深度学的电力设备红外图像处理模型结构图。
图2为递归调用模型示意图。
图3为感受野对比表。
具体实施方式
下面参照附图说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节，但对于本领域技术人员来说，无需这些细节也可实现本发明。
一种基于深度学习的电力设备红外图像处理方法，包括以下步骤：包括以下步骤：
A、构建电力设备红外图像的训练样本对，具体地如下。
第一步：利用红外成像仪采集电力设备的红外图像，并对采集到的红外图像进行归一化处理，获得复数张干净红外图像。
第二步：通过旋转、翻转或平移操作后，将每一张干净红外图像随机裁剪成若干较小的图像块，得到足够多的干净图像样本。
第三步：以干净图像样本f（x,y）作为模型的标签，对每张干净图像样f（x,y）本依次加上机械振动模拟处理，雾效模拟处理和高斯白噪声，最终得到相应的带噪模糊图像样本G（x,y），获得复数个训练样本对，以总样本对的70%作为训练集，15%作为验证集，15%作为测试集。
将干净图像样f（x,y）处理为带噪模糊图像样本G（x,y）的具体方式如下：首先根据
公式：对净图像样本f（x,y）进行机械振动模拟
处理，得到振动模糊图像G1（x,y），其中F（u,v）是f（x,y）的傅里叶变换，G1（u,v）是G1（x,y）的
傅里叶变化，J0表示第一类零阶赛尔函数，A表示振幅，表示振动方向与水平轴（x轴）的夹
角，然后根据公式G2（x,y）= G1（x,y）×t(x,y)+A×(1-t(x,y))对振动模糊图像G1（x,y）进行
雾效模拟处理，得到双重模糊图像G2（x,y），其中A表示大气光参数，t（x,y）表示透射率，最
后对双重模糊图像G2（x,y）加入高斯白噪声，最终得到带噪模糊图像G（x,y）。
B、搭建基于深度学习的电力设备红外图像处理模型。
参照图1，该模型由三部分构成，第一部分为特征提取模块，由一个卷积层和一个非线性激活层构成；第二部分为递归调用模块，包含三个扩张卷积层，每个扩张卷积层之后紧接一个批归一化层和一个非线性激活层；第三部分为图像重建模块，由一个卷积层构成；应用残差的思想，使模型所要学习的任务简单化。
参照图1，更具体地，特征提取模块由一个卷积层和一个非线性激活层构成，卷积层卷积核大小为3×3，卷积核初始化的权重分布符合高斯分布，输入为带噪模糊图像，输出32通道的特征图，非线性激活层使用的激活函数为ReLU。
参照图1、图2和图3，更具体地，递归调用模块由三个扩张卷积层构成，卷积层的输入都为32通道的特征图，且输出都为32通道的特征图，卷积核大小都为3×3，卷积核初始化的权重分布符合高斯分布，第一个扩张卷积层的扩张率为2，第二个扩张卷积层的扩张率为3，第三个扩张卷积层的扩张率为4。使用扩张卷积的模型与仅使用普通卷积的模型前四层的感受野对比如图3中的表格所示，每个扩张卷积层后都紧接一个批归一化层和一个非线性激活层，非线性激活层使用的激活函数为ReLU，递归调用就是将第三个非线性激活层的输出送入该模块的输入部分，重复使用该模块的参数,在不增加参数量的情况下获得更好的非线性拟合能力。
参照图1、图2和图3，更具体地，图像重建模块由一个卷积层构成，卷积层卷积核大小为3×3，卷积核初始化的权重分布符合高斯分布，输入为32通道的特征图，输出为负噪声图。应用残差的思想具体是：在模型中加上一个全局的桥接，使模型由学习干净图像转变为学习负噪声，原始带噪模糊图像经过全局桥接，加上负噪声图，便得到干净图像。
C、对所述模型进行参数调节及优化，训练所述模型并对其进行测试，具体分为以下三步。
步骤a：构造损失函数，损失函数为，其中I0表示的
是模型输入的带噪模糊图像，IG表示的是模型输出的干净图像，F函数表示训练出的带噪模
糊图像到干净图像的映射，θ表示权重。
步骤b：对各卷积层进行参数调节，选择合适的优化器训练模型，保存训练好的模型权重。
步骤c：载入训练好的模型权重，使用测试集对模型进行测试。
本发明的创新点包括：（1）使用深度学习实现了电力设备红外图像处理算法。本发明首次将深度学习应用于电力设备红外图像处理中，训练好的深度学习模型在测试阶段只需一次前向传播，耗费时间远远低于基于迭代求解的传统方法，满足电力系统智能化、实时性的需求。（2）所述模型应用残差思想将红外图像处理问题简单化，直接学习噪声、机械振动和雾效的相关参数而不是带噪模糊图像。（3）首次同时将递归调用和扩张卷积应用到电力设备红外图像处理问题中，在较低的参数量下获得了更好的性能。
本发明采用深度卷积神经网络建立的处理模型进行电力设备红外图像处理，可同时且极大地同降低高斯白噪声，电力设备机械振动以及环境雾效对红外图像的影响。相比传统方法能取得了更好的处理效果，同时将递归调用和扩张卷积应用到所提出的深度卷积神经网络上，在相同的参数量下达到了更好的去噪效果。该发明特点是创新性强，实用性强，能够实现电力设备红外图像去噪效果好、速度快的需求。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (9)
1.一种基于深度学习的电力设备红外图像处理方法，其特征在于,包括以下步骤：包括以下步骤：
A、构建电力设备红外图像的训练样本对；
B、搭建基于深度学习的电力设备红外图像处理模型；
C、对所述模型进行参数调节及优化，训练所述模型并对其进行测试。
2.如权利要求1所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于,所述步骤A的具体步骤为下：
第一步：利用红外成像仪采集电力设备的红外图像，并对采集到的红外图像进行归一化处理，获得复数张干净红外图像；
第二步：通过旋转、翻转或平移操作后，将每一张干净红外图像随机裁剪成若干较小的图像块，得到足够多的干净图像样本f（x,y）；
第三步：以干净图像样本f（x,y）作为模型的标签，对每张干净图像样f（x,y）本依次加上机械振动模拟处理，雾效模拟处理和高斯白噪声，最终得到相应的带噪模糊图像样本G（x,y），获得复数个训练样本对，以总样本对的70%作为训练集，15%作为验证集，15%作为测试集。
3.如权利要求2所述的一种一种基于深度学习的电力设备红外图像处理方法，其特征
在于, 所述第三步的具体操作为下：根据公式：
对净图像样本f（x,y）进行机械振动模拟处理，得到振动模糊图像G1（x,y），其中F（u,v）是f
（x,y）的傅里叶变换，G1（u,v）是G1（x,y）的傅里叶变化，J0表示第一类零阶赛尔函数，A表示
振幅，表示振动方向与水平轴（x轴）的夹角，再根据公式G2（x,y）= G1（x,y）×t(x,y)+A×
(1-t(x,y))对振动模糊图像G1（x,y）进行雾效模拟处理，得到双重模糊图像G2（x,y），其中A
表示大气光参数，t（x,y）表示透射率，再对双重模糊图像G2（x,y）加入高斯白噪声，最终得
到带噪模糊图像G（x,y）。
4.如权利要求1所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于,所述步骤B的具体操作为下：
所述模型由三部分构成，第一部分为特征提取模块，由一个卷积层和一个非线性激活层构成；第二部分为递归调用模块，包含三个扩张卷积层，每个扩张卷积层之后紧接一个批归一化层和一个非线性激活层；第三部分为图像重建模块，由一个卷积层构成；应用残差的思想，使模型所要学习的任务简单化。
5.如权利要求3所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于：所述特征提取模块中，卷积层卷积核大小为3×3，卷积核初始化的权重分布符合高斯分布，输入为带噪模糊图像，输出32通道的特征图，非线性激活层使用的激活函数为ReLU。
6.如权利要求3所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于：所述递归调用模块中，扩张卷积层的输入都为32通道的特征图，且输出都为32通道的特征图，卷积核大小都为3×3，卷积核初始化的权重分布符合高斯分布，第一个扩张卷积层的扩张率为2，第二个扩张卷积层的扩张率为3，第三个扩张卷积层的扩张率为4，非线性激活层使用的激活函数为ReLU。
7.如权利要求3所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于：所述图像重建模块中，卷积层卷积核大小为3×3，卷积核初始化的权重分布符合高斯分布，输入为32通道的特征图，输出为负噪声图；所述应用残差的思想具体是：在模型中加上一个全局的桥接，使模型由学习干净图像转变为学习负噪声，原始带噪模糊图像经过全局桥接，加上负噪声图，便得到干净图像。
8.如权利要求1所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于,所述步骤C的具体操作如下：
步骤a：构造损失函数，损失函数为，其中I0表示的是模
型输入的带噪模糊图像，IG表示的是模型输出的干净图像，F函数表示训练出的带噪模糊图
像到干净图像的映射，θ表示权重；
步骤b：对各卷积层进行参数调节，选择合适的优化器训练模型，保存训练好的模型权重；
步骤c：载入训练好的模型权重，使用测试集对模型进行测试。
9.如权利要求8所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于：所述步骤a中，采用误差反向传播算法训练所述模型，使用adam优化器,总共迭代优化10万次，保存迭代优化所得模型的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811393253.4A CN109583344B (zh) | 2018-11-21 | 2018-11-21 | 一种基于深度学习的电力设备红外图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811393253.4A CN109583344B (zh) | 2018-11-21 | 2018-11-21 | 一种基于深度学习的电力设备红外图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109583344A true CN109583344A (zh) | 2019-04-05 |
| CN109583344B CN109583344B (zh) | 2019-11-19 |
Family
ID=65923681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811393253.4A Active CN109583344B (zh) | 2018-11-21 | 2018-11-21 | 一种基于深度学习的电力设备红外图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583344B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695582A (zh) * | 2019-04-10 | 2020-09-22 | 燕山大学 | 一种颤振纹理的检测方法及其装置 |
| CN112013966A (zh) * | 2020-08-24 | 2020-12-01 | 电子科技大学 | 一种基于测量温度的电力设备红外图像处理方法 |
| CN113034408A (zh) * | 2021-04-30 | 2021-06-25 | 广东工业大学 | 一种红外热成像深度学习图像去噪方法及装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462016A (zh) * | 2020-04-09 | 2020-07-28 | 苏州科技大学 | 一种结合人因的深度学习图像色彩引擎 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103500460A (zh) * | 2013-09-18 | 2014-01-08 | 大连理工大学 | 一种基于深度的图像雾效模拟方法 |
| CN106682694A (zh) * | 2016-12-27 | 2017-05-17 | 复旦大学 | 一种基于深度学习的敏感图像识别方法 |
| CN106874888A (zh) * | 2017-03-13 | 2017-06-20 | 无锡亚天光电科技有限公司 | 一种将分布式光纤振动信号图像化的特征增强和信号处理方法 |
| CN108537746A (zh) * | 2018-03-21 | 2018-09-14 | 华南理工大学 | 一种基于深度卷积网络的模糊可变图像盲复原方法 |
| CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
| CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
| CN108765505A (zh) * | 2018-04-28 | 2018-11-06 | 天津大学 | 红外成像的编码感知矩阵估计方法 |
| JP2018171320A (ja) * | 2017-03-31 | 2018-11-08 | 株式会社バンダイナムコエンターテインメント | シミュレーションシステム及びプログラム |
| CN108805861A (zh) * | 2018-04-28 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的遥感图像云检测方法 |
-
2018
- 2018-11-21 CN CN201811393253.4A patent/CN109583344B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103500460A (zh) * | 2013-09-18 | 2014-01-08 | 大连理工大学 | 一种基于深度的图像雾效模拟方法 |
| CN106682694A (zh) * | 2016-12-27 | 2017-05-17 | 复旦大学 | 一种基于深度学习的敏感图像识别方法 |
| CN106874888A (zh) * | 2017-03-13 | 2017-06-20 | 无锡亚天光电科技有限公司 | 一种将分布式光纤振动信号图像化的特征增强和信号处理方法 |
| JP2018171320A (ja) * | 2017-03-31 | 2018-11-08 | 株式会社バンダイナムコエンターテインメント | シミュレーションシステム及びプログラム |
| CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
| CN108537746A (zh) * | 2018-03-21 | 2018-09-14 | 华南理工大学 | 一种基于深度卷积网络的模糊可变图像盲复原方法 |
| CN108765505A (zh) * | 2018-04-28 | 2018-11-06 | 天津大学 | 红外成像的编码感知矩阵估计方法 |
| CN108805861A (zh) * | 2018-04-28 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的遥感图像云检测方法 |
| CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695582A (zh) * | 2019-04-10 | 2020-09-22 | 燕山大学 | 一种颤振纹理的检测方法及其装置 |
| CN112013966A (zh) * | 2020-08-24 | 2020-12-01 | 电子科技大学 | 一种基于测量温度的电力设备红外图像处理方法 |
| CN113034408A (zh) * | 2021-04-30 | 2021-06-25 | 广东工业大学 | 一种红外热成像深度学习图像去噪方法及装置 |
| CN113034408B (zh) * | 2021-04-30 | 2022-08-12 | 广东工业大学 | 一种红外热成像深度学习图像去噪方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109583344B (zh) | 2019-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583344B (zh) | 一种基于深度学习的电力设备红外图像处理方法 | |
| CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
| Li et al. | An unmanned inspection system for multiple defects detection in photovoltaic plants | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| CN109544476A (zh) | 一种基于深度学习的电力设备红外图像去噪方法 | |
| CN109934423A (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 | |
| Li et al. | Intelligent fault pattern recognition of aerial photovoltaic module images based on deep learning technique | |
| US11251749B2 (en) | Methods and systems for fault detection, diagnosis and localization in solar panel network | |
| CN110224673B (zh) | 一种基于深度学习的太阳能光伏电池板故障检测方法 | |
| CN110728195B (zh) | 基于yolo算法的电能质量扰动检测方法 | |
| CN109657789A (zh) | 基于小波神经网络的风机齿轮箱故障趋势预测方法 | |
| CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
| CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
| CN114021433A (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
| CN113283580A (zh) | 一种太阳能电池板故障自动检测方法 | |
| CN116229380A (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
| CN116383658A (zh) | 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 | |
| CN116243110A (zh) | 一种一级式配电网故障识别与定位方法及相关设备 | |
| Wang et al. | Insulator anomaly detection method based on few-shot learning | |
| Khodapanah et al. | Partial shading detection and hotspot prediction in photovoltaic systems based on numerical differentiation and integration of the P− V curves | |
| Onwuachumba et al. | Reduced model for power system state estimation using artificial neural networks | |
| Ivanov et al. | State estimation for power systems with multilayer perceptron neural networks | |
| Kulkarni et al. | Output estimation of solar Photovoltaic (PV) system | |
| CN112528443A (zh) | 基于深度学习框架的容忍度不良数据注入攻击检测方法 | |
| CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 |
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 |