CN110264486B - 基于近红外图像分析的开关站设备凝露检测方法和系统 - Google Patents
基于近红外图像分析的开关站设备凝露检测方法和系统 Download PDFInfo
- Publication number
- CN110264486B CN110264486B CN201910511127.2A CN201910511127A CN110264486B CN 110264486 B CN110264486 B CN 110264486B CN 201910511127 A CN201910511127 A CN 201910511127A CN 110264486 B CN110264486 B CN 110264486B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- bit image
- edge points
- 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
Links
- 238000009833 condensation Methods 0.000 title claims abstract description 71
- 230000005494 condensation Effects 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000010191 image analysis Methods 0.000 title claims abstract description 28
- 239000011521 glass Substances 0.000 claims description 61
- 238000001914 filtration Methods 0.000 claims description 42
- 150000001875 compounds Chemical class 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013144 data compression Methods 0.000 claims description 11
- 230000005764 inhibitory process Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 abstract description 5
- 230000001629 suppression Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Abstract
本发明公开了一种基于近红外图像分析的开关站设备凝露检测方法和系统，采用近红外相机捕捉开关站设备的近红外图像，通过分析开关站设备玻璃区域的图像可以得到玻璃表面凝露的状况，从而准确判断凝露现象的发生。本申请可有效减少光照对检测的影响，同时采用非接触式的检测方式，提高开关站设备凝露检测的准确性和安全性。
Description
技术领域
本申请属于电力设备运行维护领域，具体涉及一种基于近红外图像分析的开关站设备凝露检测方法和系统。
背景技术
当空气中水分含量很高，水蒸气在空气中达到饱和时，在温度相对较低的物体上凝结产生凝露。由于电力设备内部温度较高，当外部温度较低时，凝露常发生于电力设备的内壁。凝露的发生会严重影响开关设备的安全稳定运行：造成继电保护等设备的误动作、腐蚀机械机构、大幅度削弱设备绝缘性能。
目前变电站内高压电气设备凝露检测手段主要通过温度湿度传感器预测、在高压电气设备内安装凝露传感器、或是采用可见光摄像头拍摄分析图像。采用温湿度传感器只能对凝露的产生进行预测，无法可靠检测到凝露，因此会有大量的误报警和漏报警；在高压电器设备内安装凝露传感器可以对凝露有可靠预测，但是在安装检测设备时需要停止高压带电设备运行，检测设备的绝缘能力也会影响高压设备运行的可靠性；采用可见光摄像头拍摄受到光照影响很大，玻璃的反光、室内光照度不足都会大大降低检测准确性。
近红外光(Near Infrared，NIR)是介于可见光(ⅥS)和中红外光(MIR)之间的电磁波，其定义是指波长在780～2526nm范围内的电磁波，习惯上又将近红外区划分为近红外短波(780～1100nm)和近红外长波(1100～2526nm)两个区域。水分子在波长1940nm、1450nm区域有很好的吸收性，可用于测量凝露。
发明内容
本申请的目的在于提供一种基于近红外图像分析的开关站设备凝露检测方法和系统，有效减少光照对检测的影响，同时采用非接触式的检测方式，提高开关站设备凝露检测的准确性和安全性。
为实现上述目的，本申请所采取的技术方案为：
基于近红外图像分析的开关站设备凝露检测方法，所述开关站设备具有透明的玻璃窗口，所述近红外图像通过近红外相机获得，所述基于近红外图像分析的开关站设备凝露检测方法，包括：
根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点；
通过位于所述检测点的近红外相机获取所述玻璃窗口的14比特图像，并将所述14比特图像进行数据压缩后得到8比特图像；
对所述8比特图像进行边缘检测，得到8比特图像中的边缘点，对所述边缘点进行连通性检测，将面积与所述玻璃窗口的面积一致的边缘链所包裹的区域作为玻璃窗口区域；
对所述玻璃窗口区域内的边缘链进行滤波，将滤波后各边缘链所包裹的区域作为凝露点，根据凝露点的面积与玻璃窗口区域所对应的面积的比例得到开关站设备中的凝露程度。
作为优选，所述确定开关站设备的检测点时，调节近红外相机的镜头的中心位置与所述玻璃窗口的中心位置的横向和纵向的差距均不超过10个像素。
作为优选，所述将14比特图像进行数据压缩后得到8比特图像，包括：
设14比特图像中的像素原始值为Pi，j，其中i和j分别为像素的行号和列号；
亮度归一化处理：归一化后得到的14比特图像的像素值为
双边带滤波：双边带滤波后得到基底图像的像素值为
式中，cov()为卷积运算，
为归一化处理后的像素值，G1G2为高斯核，其中G1、G2根据以下公式获得：
式中，σ1为0.02倍的图像长宽中的最大值，s为卷积像素与中心像素的距离；
式中，σ2为0.4，s为卷积像素与中心像素数值的距离；
得到细节图像：将归一化后得到的14比特图像的像素值
与基底图像的像素值
相减得到细节图像的像素值
像素重新合成：根据基底图像的像素值
和细节图像的像素值
得到压缩后的14比特图像的像素值
式中，c为压缩系数，c等于0.2；
输出8比特图像的像素值
完成14比特图像向8比特图像的转换：
式中，
为
中的最大值，
为
中的最小值。
作为优选，所述对8比特图像进行边缘检测，得到8比特图像中的边缘点，包括：
LoG算子滤波：用
和图像进行卷积运算，其中：
式中，x，y分别代表图像的行方向和列方向，G为高斯核，其中G根据以下公式获得：
式中，σ为5，s为卷积像素与中心像素的距离；
计算梯度方向θ和幅度H：
式中，Gx为像素点在行方向梯度值，Gy为像素点在列方向梯度值，且，
Gx＝cov(Sx，P)
Gy＝cov(Sy，P)
式中，
P为待求解梯度方向和幅度的像素点；
根据求解得到的各个像素点的幅度，进行非极大值抑制处理，处理后得到候选边缘点，并标记幅度大于高阈值的候选边缘点为强边缘点，标记幅度在高阈值以下，低阈值以上的候选边缘点为弱边缘点，并将幅度小于低阈值的候选边缘点进行抑制处理，其中高阈值为180，低阈值为90；标记完成后通过滞后边界跟踪算法对弱边缘点进行滤波，得到最终的强边缘点和弱边缘点作为8比特图像中的边缘点。
作为优选，所述对玻璃窗口区域内的边缘链进行滤波，包括：
去除玻璃窗口区域内的边缘链的连通边缘点数量小于6或大于20的边缘链。
本申请还提供一种基于近红外图像分析的开关站设备凝露检测系统，所述开关站设备具有透明的玻璃窗口，所述基于近红外图像分析的开关站设备凝露检测系统包括沿所述开关站设备布置的导轨，以及固定安装在导轨一侧的服务器，活动安装在导轨上的近红外相机，所述服务器包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点；
通过位于所述检测点的近红外相机获取所述玻璃窗口的14比特图像，并将所述14比特图像进行数据压缩后得到8比特图像；
对所述8比特图像进行边缘检测，得到8比特图像中的边缘点，对所述边缘点进行连通性检测，将面积与所述玻璃窗口的面积一致的边缘链所包裹的区域作为玻璃窗口区域；
对所述玻璃窗口区域内的边缘链进行滤波，将滤波后各边缘链所包裹的区域作为凝露点，根据凝露点的面积与玻璃窗口区域所对应的面积的比例得到开关站设备中的凝露程度。
作为优选，所述基于近红外图像分析的开关站设备凝露检测系统还包括与所述近红外相机连接的旋转云台，与所述旋转云台连接的升降吊架，以及用于驱动升降吊架沿所述导轨运动的伺服电机系统；所述服务器根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点时，执行如下操作：
控制所述伺服电机系统驱动升降吊架移动至待检测的开关站设备的正前方，并获取控制的脉冲数值；控制所述升降吊架升降至近红外相机的镜头的中心位置在纵向上与开关站设备的中心位置相差不超过10个像素，并获取控制的使能时间；控制旋转云台转动至近红外相机的镜头的中心位置在横向上与开关站设备的中心位置相差不超过10个像素，并获取旋转云台的转动角度；根据得到的所述脉冲数值、使能时间和转动角度确定开关站设备的检测点。
作为优选，所述服务器将14比特图像进行数据压缩后得到8比特图像时，执行如下操作：
设14比特图像中的像素原始值为Pi，j，其中i和j分别为像素的行号和列号；
亮度归一化处理：归一化后得到的14比特图像的像素值为
双边带滤波：双边带滤波后得到基底图像的像素值为
式中，cov()为卷积运算，
为归一化处理后的像素值，G1G2为高斯核，其中G1、G2根据以下公式获得：
式中，σ1为0.02倍的图像长宽中的最大值，s为卷积像素与中心像素的距离；
式中，σ2为0.4，s为卷积像素与中心像素数值的距离；
得到细节图像：将归一化后得到的14比特图像的像素值
与基底图像的像素值
相减得到细节图像的像素值
像素重新合成：根据基底图像的像素值
和细节图像的像素值
得到压缩后的14比特图像的像素值
式中，c为压缩系数，c等于0.2；
输出8比特图像的像素值
完成14比特图像向8比特图像的转换：
式中，
为
中的最大值，
为
中的最小值。
作为优选，所述服务器对8比特图像进行边缘检测，得到8比特图像中的边缘点时，执行如下操作：
LoG算子滤波：用
和图像进行卷积运算，其中：
式中，x，y分别代表图像的行方向和列方向，G为高斯核，其中G根据以下公式获得：
式中，σ为5，s为卷积像素与中心像素的距离；
计算梯度方向θ和幅度H：
式中，Gx为像素点在行方向梯度值，Gy为像素点在列方向梯度值，且，
Gx＝cov(Sx，P)
Gy＝cov(Sy，P)
式中，
P为待求解梯度方向和幅度的像素点；
根据求解得到的各个像素点的幅度，进行非极大值抑制处理，处理后得到候选边缘点，并标记幅度大于高阈值的候选边缘点为强边缘点，标记幅度在高阈值以下，低阈值以上的候选边缘点为弱边缘点，并将幅度小于低阈值的候选边缘点进行抑制处理，其中高阈值为180，低阈值为90；标记完成后通过滞后边界跟踪算法对弱边缘点进行滤波，得到最终的强边缘点和弱边缘点作为8比特图像中的边缘点。
作为优选，所述服务器对玻璃窗口区域内的边缘链进行滤波时，执行如下操作：
去除玻璃窗口区域内的边缘链的连通边缘点数量小于6或大于20的边缘链。
本申请提供的基于近红外图像分析的开关站设备凝露检测方法和系统，采用近红外相机捕捉开关站设备的近红外图像，通过分析开关站设备玻璃区域的图像可以得到玻璃表面凝露的状况，从而准确判断凝露现象的发生。本申请可有效减少光照对检测的影响，同时采用非接触式的检测方式，提高开关站设备凝露检测的准确性和安全性。
附图说明
图1为本申请的基于近红外图像分析的开关站设备凝露检测方法的流程图；
图2为本申请的部分像素点的梯度强度；
图3为本申请的基于近红外图像分析的开关站设备凝露检测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，当组件被称为与另一个组件“连接”时，它可以直接与另一个组件连接或者也可以存在居中的组件；当组件被称为“安装”在另一个组件上时，它可以直接安装在另一个组件上或者也可以存在居中的组件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
如图1所示，其中一实施例中，提供一种基于近红外图像分析的开关站设备凝露检测方法，开关站设备具有透明的玻璃窗口，近红外图像通过近红外相机获得。具体地，该基于近红外图像分析的开关站设备凝露检测方法包括以下步骤：
步骤S1、确定检测点
根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点。
为了保证具有最佳的检测点，在确定开关站设备的检测点时，至少调节近红外相机的镜头的中心位置与所述玻璃窗口的中心位置的横向和纵向的差距均不超过10个像素。
需要说明的是，检测点是在进行凝露检测之前预先操作的，通过记录最佳的检测点，在进行凝露检测时可快速驱动近红外相机到达检测点，以节省调节时间。
步骤S2、拍摄14比特图像(14比特近红外照片)
通过位于所述检测点的近红外相机获取玻璃窗口的14比特图像，14比特图像应理解为图像中的每个像素为14比特亮度值。
由于后续对图像的操作时需要使用8比特图像，因此需要将14比特图像进行数据压缩后得到8比特图像，并且尽可能的保留图像的细节部分，以更好地进行均衡化。
其中，将14比特图像进行数据压缩后得到8比特图像，包括如下操作：
设14比特图像中的像素原始值为Pi，j，其中i和j分别为像素的行号和列号。
步骤S2.1、亮度归一化处理
归一化后得到的14比特图像的像素值为
式中，Pi，j为14比特图像中的像素原始值，其中i和j分别为像素的行号和列号。
步骤S2.2、双边带滤波
将归一化后得到的14比特图像进行双边带滤波，双边带滤波可在保留图像细节的情况下进行滤波，得到基底图像。
双边带滤波后得到基底图像的像素值为
式中，cov()为卷积运算，
为归一化处理后的像素值，G1G2为高斯核，其中G1、G2根据以下公式获得：
式中，σ1为0.02倍的图像长宽中的最大值，s为卷积像素与中心像素的距离；
式中，σ2为0.4，s为卷积像素与中心像素数值的距离。
步骤S2.3、得到细节图像
将归一化后得到的14比特图像的像素值
与基底图像的像素值
相减得到细节图像的像素值
步骤S2.4、像素重新合成
根据基底图像的像素值
和细节图像的像素值
得到压缩后的14比特图像的像素值
式中，c为压缩系数，c等于0.2。
步骤S2.5、输出8比特图像的像素值
完成14比特图像向8比特图像的转换：
式中，
为
中的最大值，
为
中的最小值。
步骤S3、边缘检测
对所述8比特图像进行边缘检测，得到8比特图像中的边缘点，具体包括以下步骤：
步骤S3.1、LoG算子滤波
用
G和图像进行卷积运算，其中：
式中，x，y分别代表图像的行方向和列方向，G为高斯核，其中G根据以下公式获得：
式中，σ为5，s为卷积像素与中心像素的距离；
步骤S3.2、计算梯度方向θ和幅度H：
式中，Gx为像素点在行方向梯度值，Gy为像素点在列方向梯度值，且，
Gx＝cov(Sx，P)
Gy＝cov(Sy，P)
式中，
P为待求解梯度方向和幅度的像素点；
步骤S3.3、非极大值抑制
根据求解得到的各个像素点的幅度，进行非极大值抑制处理，处理后得到候选边缘点。
如图2所示，图中当前像素点的梯度强度(即幅度)为H，H00、H01、H02、H10、H12、H20、H20、H22，分别为位于当前像素点的左上角像素、正上方像素、右上角像素、正左侧像素、正右侧像素、左下角像素、正下方像素、右下角像素的梯度强度值。
比较当前像素点的梯度强度和正梯度方向点(P1)、负梯度方向点(P2)的梯度强度：
(1)令正梯度方向点梯度强度为H+，负梯度方向点梯度强度为H-。
H+＝(1-tan(θ))*H02+tan(θ)*H12
H1＝(1-tan(θ))*H20+tan(θ)*H10
(2)若H大于H+和H-则保留为候选边缘点；否则抑制。
步骤S3.4、双阈值
标记幅度大于高阈值的候选边缘点为强边缘点，标记幅度在高阈值以下，低阈值以上的候选边缘点为弱边缘点，并将幅度小于低阈值的候选边缘点进行抑制处理。在一实施例中，高阈值为180，低阈值为90。
步骤S3.5、边界跟踪
双阈值标记完成后通过滞后边界跟踪算法对弱边缘点进行滤波，得到最终的强边缘点和弱边缘点作为8比特图像中的边缘点。
双阈值处理之后，强边缘点可以认为是真的边缘，弱边缘点则可能是真的边缘，也可能是噪声或颜色变化引起的。为得到精确的结果，噪声或颜色变化引起的弱边缘点应该去掉。通常认为真实边缘引起的弱边缘点和强边缘点是连通的，而噪声引起的弱边缘点则不会连通。所谓的滞后边界跟踪算法即为检查一个弱边缘点的8连通领域像素，只要有强边缘点存在，那么这个弱边缘点被认为是真是边缘保留下来。
步骤S4、玻璃窗口检测
对边缘点(包括边界跟踪处理后留下的强边缘点和弱边缘点)进行连通性检测，将面积与所述玻璃窗口的面积一致的边缘链所包裹的区域作为玻璃窗口区域。
步骤S5、边缘链滤波
对所述玻璃窗口区域内的边缘链进行滤波，将滤波后各边缘链所包裹的区域作为凝露点。
在一实施例中，对玻璃窗口区域内的边缘链进行滤波时，去除过短的边缘链(连通边缘点数量<6)以及过长边缘链(连通边缘点数量>20)，剩余的边缘链则为凝露点。
步骤S6、凝露状况测算
根据凝露点的面积与玻璃窗口区域所对应的面积的比例得到开关站设备中的凝露程度。两者的比例与凝露程度的关系根据实际需求进行调整。
在一实施例中，可以设定凝露点的面积与玻璃窗口区域所对应的面积的比例小于60％，则认为凝露程度较轻，无需进行处理；设定凝露点的面积与玻璃窗口区域所对应的面积的比例在60％以上，则认为凝露程度较重，需进行处理。
如图3所示，在一实施例中，还提供一种基于近红外图像分析的开关站设备凝露检测系统，所述开关站设备具有透明的玻璃窗口，所述基于近红外图像分析的开关站设备凝露检测系统包括沿所述开关站设备布置的导轨1，以及固定安装在导轨一侧的服务器7，活动安装在导轨上的近红外相机4，所述服务器7包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点；
通过位于所述检测点的近红外相机获取玻璃窗口的14比特图像，并将所述14比特图像进行数据压缩后得到8比特图像；
对所述8比特图像进行边缘检测，得到8比特图像中的边缘点，对所述边缘点进行连通性检测，将面积与所述玻璃窗口的面积一致的边缘链所包裹的区域作为玻璃窗口区域；
对所述玻璃窗口区域内的边缘链进行滤波，将滤波后各边缘链所包裹的区域作为凝露点，根据凝露点的面积与玻璃窗口区域所对应的面积的比例得到开关站设备中的凝露程度。
在另一实施例中，所述基于近红外图像分析的开关站设备凝露检测系统还包括与所述近红外相机4连接的旋转云台3，与所述旋转云台3连接的升降吊架2，以及用于驱动升降吊架2沿所述导轨1运动的伺服电机系统6。
其中，升降吊架可以是竹节升降吊架，近红外相机选取14比特近红外相机，服务器可以是图像处理服务器，且伺服电机系统通过串口与图像处理服务器连接，升降吊架的RS485串口控制线、旋转云台的RS485串口控制线，近红外相机的4网络线均通过拖链线缆5连接到图像处理服务器。
具体地，服务器根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点时，执行如下操作：
控制所述伺服电机系统驱动升降吊架移动至待检测的开关站设备的正前方，并获取控制的脉冲数值；控制所述升降吊架升降至近红外相机的镜头的中心位置在纵向上与开关站设备的中心位置相差不超过10个像素，并获取控制的使能时间；控制旋转云台转动至近红外相机的镜头的中心位置在横向上与开关站设备的中心位置相差不超过10个像素，并获取旋转云台的转动角度；根据得到的所述脉冲数值、使能时间和转动角度确定开关站设备的检测点。
一般情况下，在未进行检测时，近红外相机位于初始位置，当需要进行凝露检测时，服务器根据记录的脉冲数值、使能时间和转动角度快速驱动近红外相机到达检测点，以提高检测效率。
具体地，服务器将14比特图像进行数据压缩后得到8比特图像时，执行如下操作：
设14比特图像中的像素原始值为Pi，j，其中i和j分别为像素的行号和列号；
亮度归一化处理：归一化后得到的14比特图像的像素值为
双边带滤波：双边带滤波后得到基底图像的像素值为
式中，cov()为卷积运算，
为归一化处理后的像素值，G1G2为高斯核，其中G1、G2根据以下公式获得：
式中，σ1为0.02倍的图像长宽中的最大值，s为卷积像素与中心像素的距离；
式中，σ2为0.4，s为卷积像素与中心像素数值的距离。
得到细节图像：将归一化后得到的14比特图像的像素值
与基底图像的像素值
相减得到细节图像的像素值
像素重新合成：根据基底图像的像素值
和细节图像的像素值
得到压缩后的14比特图像的像素值
式中，c为压缩系数，c等于0.2；
输出8比特图像的像素值
完成14比特图像向8比特图像的转换：
式中，
为
中的最大值，
为
中的最小值。
具体的，服务器对8比特图像进行边缘检测，得到8比特图像中的边缘点时，执行如下操作：
LoG算子滤波：用
和图像进行卷积运算，其中：
式中，x，y分别代表图像的行方向和列方向，G为高斯核，其中G根据以下公式获得：
式中，σ为5，s为卷积像素与中心像素的距离；
计算梯度方向θ和幅度H：
式中，Gx为像素点在行方向梯度值，Gy为像素点在列方向梯度值，且，
Gx＝cov(Sx，P)
Gy＝cov(Sy，P)
式中，
P为待求解梯度方向和幅度的像素点；
根据求解得到的各个像素点的幅度，进行非极大值抑制处理，处理后得到候选边缘点，并标记幅度大于高阈值的候选边缘点为强边缘点，标记幅度在高阈值以下，低阈值以上的候选边缘点为弱边缘点，并将幅度小于低阈值的候选边缘点进行抑制处理，其中高阈值为180，低阈值为90；标记完成后通过滞后边界跟踪算法对弱边缘点进行滤波，得到最终的强边缘点和弱边缘点作为8比特图像中的边缘点。
具体地，服务器对玻璃窗口区域内的边缘链进行滤波时，执行如下操作：去除玻璃窗口区域内的边缘链的连通边缘点数量小于6或大于20的边缘链。
关于基于近红外图像分析的开关站设备凝露检测系统的进一步限定可具体参见上述对于基于近红外图像分析的开关站设备凝露检测方法的限定，在此不再进行赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.基于近红外图像分析的开关站设备凝露检测方法，所述开关站设备具有透明的玻璃窗口，所述近红外图像通过近红外相机获得，其特征在于，所述基于近红外图像分析的开关站设备凝露检测方法，包括：
根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点；
通过位于所述检测点的近红外相机获取所述玻璃窗口的14比特图像，并将所述14比特图像进行数据压缩后得到8比特图像；
对所述8比特图像进行边缘检测，得到8比特图像中的边缘点，对所述边缘点进行连通性检测，将面积与所述玻璃窗口的面积一致的边缘链所包裹的区域作为玻璃窗口区域；
对所述玻璃窗口区域内的边缘链进行滤波，将滤波后各边缘链所包裹的区域作为凝露点，根据凝露点的面积与玻璃窗口区域所对应的面积的比例得到开关站设备中的凝露程度；
其中，对所述玻璃窗口区域内的边缘链进行滤波，包括：去除玻璃窗口区域内的边缘链的连通边缘点数量小于6或大于20的边缘链。
2.如权利要求1所述的基于近红外图像分析的开关站设备凝露检测方法，其特征在于，所述确定开关站设备的检测点时，调节近红外相机的镜头的中心位置与所述玻璃窗口的中心位置的横向和纵向的差距均不超过10个像素。
3.如权利要求1所述的基于近红外图像分析的开关站设备凝露检测方法，其特征在于，所述将14比特图像进行数据压缩后得到8比特图像，包括：
设14比特图像中的像素原始值为Pi,j，其中i和j分别为像素的行号和列号；
亮度归一化处理：归一化后得到的14比特图像的像素值为
双边带滤波：双边带滤波后得到基底图像的像素值为
式中，cov()为卷积运算，
为归一化处理后的像素值，G1G2为高斯核，其中G1、G2根据以下公式获得：
式中，σ1为0.02倍的图像长宽中的最大值，s为卷积像素与中心像素的距离；
式中，σ2为0.4，s为卷积像素与中心像素数值的距离；
得到细节图像：将归一化后得到的14比特图像的像素值
与基底图像的像素值
相减得到细节图像的像素值
像素重新合成：根据基底图像的像素值
和细节图像的像素值
得到压缩后的14比特图像的像素值
式中，c为压缩系数，c等于0.2；
输出8比特图像的像素值
完成14比特图像向8比特图像的转换：
式中，
为
中的最大值，
为
中的最小值。
4.如权利要求1所述的基于近红外图像分析的开关站设备凝露检测方法，其特征在于，所述对8比特图像进行边缘检测，得到8比特图像中的边缘点，包括：
LoG算子滤波：用
和图像进行卷积运算，其中：
式中，x，y分别代表图像的行方向和列方向，G为高斯核，其中G根据以下公式获得：
式中，σ为5，s为卷积像素与中心像素的距离；
计算梯度方向θ和幅度H：
式中，Gx为像素点在行方向梯度值，Gy为像素点在列方向梯度值，且，
Gx＝cov(Sx,P)
Gy＝cov(Sy,P)
式中，
P为待求解梯度方向和幅度的像素点；
根据求解得到的各个像素点的幅度，进行非极大值抑制处理，处理后得到候选边缘点，并标记幅度大于高阈值的候选边缘点为强边缘点，标记幅度在高阈值以下，低阈值以上的候选边缘点为弱边缘点，并将幅度小于低阈值的候选边缘点进行抑制处理，其中高阈值为180，低阈值为90；标记完成后通过滞后边界跟踪算法对弱边缘点进行滤波，得到最终的强边缘点和弱边缘点作为8比特图像中的边缘点。
5.基于近红外图像分析的开关站设备凝露检测系统，所述开关站设备具有透明的玻璃窗口，其特征在于，所述基于近红外图像分析的开关站设备凝露检测系统包括沿所述开关站设备布置的导轨，以及固定安装在导轨一侧的服务器，活动安装在导轨上的近红外相机，所述服务器包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点；
通过位于所述检测点的近红外相机获取所述玻璃窗口的14比特图像，并将所述14比特图像进行数据压缩后得到8比特图像；
对所述8比特图像进行边缘检测，得到8比特图像中的边缘点，对所述边缘点进行连通性检测，将面积与所述玻璃窗口的面积一致的边缘链所包裹的区域作为玻璃窗口区域；
对所述玻璃窗口区域内的边缘链进行滤波，将滤波后各边缘链所包裹的区域作为凝露点，根据凝露点的面积与玻璃窗口区域所对应的面积的比例得到开关站设备中的凝露程度；
其中，所述服务器对玻璃窗口区域内的边缘链进行滤波时，执行如下操作：去除玻璃窗口区域内的边缘链的连通边缘点数量小于6或大于20的边缘链。
6.如权利要求5所述的基于近红外图像分析的开关站设备凝露检测系统，其特征在于，所述基于近红外图像分析的开关站设备凝露检测系统还包括与所述近红外相机连接的旋转云台，与所述旋转云台连接的升降吊架，以及用于驱动升降吊架沿所述导轨运动的伺服电机系统；所述服务器根据所述近红外相机的镜头的中心位置与所述玻璃窗口的中心位置，确定开关站设备的检测点时，执行如下操作：
控制所述伺服电机系统驱动升降吊架移动至待检测的开关站设备的正前方，并获取控制的脉冲数值；控制所述升降吊架升降至近红外相机的镜头的中心位置在纵向上与开关站设备的中心位置相差不超过10个像素，并获取控制的使能时间；控制旋转云台转动至近红外相机的镜头的中心位置在横向上与开关站设备的中心位置相差不超过10个像素，并获取旋转云台的转动角度；根据得到的所述脉冲数值、使能时间和转动角度确定开关站设备的检测点。
7.如权利要求5所述的基于近红外图像分析的开关站设备凝露检测系统，其特征在于，所述服务器将14比特图像进行数据压缩后得到8比特图像时，执行如下操作：
设14比特图像中的像素原始值为Pi,j，其中i和j分别为像素的行号和列号；
亮度归一化处理：归一化后得到的14比特图像的像素值为
双边带滤波：双边带滤波后得到基底图像的像素值为
式中，cov()为卷积运算，
为归一化处理后的像素值，G1G2为高斯核，其中G1、G2根据以下公式获得：
式中，σ1为0.02倍的图像长宽中的最大值，s为卷积像素与中心像素的距离；
式中，σ2为0.4，s为卷积像素与中心像素数值的距离；
得到细节图像：将归一化后得到的14比特图像的像素值
与基底图像的像素值
相减得到细节图像的像素值
像素重新合成：根据基底图像的像素值
和细节图像的像素值
得到压缩后的14比特图像的像素值
式中，c为压缩系数，c等于0.2；
输出8比特图像的像素值
完成14比特图像向8比特图像的转换：
式中，
为
中的最大值，
为
中的最小值。
8.如权利要求5所述的基于近红外图像分析的开关站设备凝露检测系统，其特征在于，所述服务器对8比特图像进行边缘检测，得到8比特图像中的边缘点时，执行如下操作：
LoG算子滤波：用
和图像进行卷积运算，其中：
式中，x，y分别代表图像的行方向和列方向，G为高斯核，其中G根据以下公式获得：
式中，σ为5，s为卷积像素与中心像素的距离；
计算梯度方向θ和幅度H：
式中，Gx为像素点在行方向梯度值，Gy为像素点在列方向梯度值，且，
Gx＝cov(Sx,P)
Gy＝cov(Sy,P)
式中，
P为待求解梯度方向和幅度的像素点；
根据求解得到的各个像素点的幅度，进行非极大值抑制处理，处理后得到候选边缘点，并标记幅度大于高阈值的候选边缘点为强边缘点，标记幅度在高阈值以下，低阈值以上的候选边缘点为弱边缘点，并将幅度小于低阈值的候选边缘点进行抑制处理，其中高阈值为180，低阈值为90；标记完成后通过滞后边界跟踪算法对弱边缘点进行滤波，得到最终的强边缘点和弱边缘点作为8比特图像中的边缘点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910511127.2A CN110264486B (zh) | 2019-06-13 | 2019-06-13 | 基于近红外图像分析的开关站设备凝露检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910511127.2A CN110264486B (zh) | 2019-06-13 | 2019-06-13 | 基于近红外图像分析的开关站设备凝露检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110264486A CN110264486A (zh) | 2019-09-20 |
| CN110264486B true CN110264486B (zh) | 2021-09-07 |
Family
ID=67918085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910511127.2A Active CN110264486B (zh) | 2019-06-13 | 2019-06-13 | 基于近红外图像分析的开关站设备凝露检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264486B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112128923B (zh) * | 2020-08-24 | 2022-08-19 | 青岛海尔空调器有限总公司 | 空调器及其控制方法 |
| CN113623820B (zh) * | 2021-08-23 | 2022-10-28 | 宁波奥克斯电气股份有限公司 | 一种内机防凝露控制方法、装置、存储介质及空调器 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102111532A (zh) * | 2010-05-27 | 2011-06-29 | 周渝斌 | 相机镜头遮挡检测系统及方法 |
| CN102332753A (zh) * | 2011-09-21 | 2012-01-25 | 山东大学 | 智能化开关柜综合监控系统 |
| CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
| CN103530896A (zh) * | 2013-09-25 | 2014-01-22 | 电子科技大学 | 一种红外图像的图像压缩和细节增强方法 |
| CN103944264A (zh) * | 2014-04-22 | 2014-07-23 | 航天科工深圳（集团）有限公司 | 一种配电终端智能监控装置和方法 |
| CN104732736A (zh) * | 2013-12-20 | 2015-06-24 | 国家电网公司 | 室外电力设备凝水报警装置 |
| CN105092049A (zh) * | 2015-05-05 | 2015-11-25 | 河北泰中岩电气设备科技有限公司 | 一种红外测温窗口及其除雾方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105977819A (zh) * | 2016-06-23 | 2016-09-28 | 江苏万威电气有限公司 | 一种多功能室外配电箱 |
| CN207008442U (zh) * | 2017-06-01 | 2018-02-13 | 四川亚润科技有限公司 | 一种应用于开关柜的防凝露监控系统 |
| CN109272018A (zh) * | 2018-08-16 | 2019-01-25 | 国网浙江省电力有限公司温州供电公司 | 一种红外图片识别方法 |
-
2019
- 2019-06-13 CN CN201910511127.2A patent/CN110264486B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102111532A (zh) * | 2010-05-27 | 2011-06-29 | 周渝斌 | 相机镜头遮挡检测系统及方法 |
| CN102332753A (zh) * | 2011-09-21 | 2012-01-25 | 山东大学 | 智能化开关柜综合监控系统 |
| CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
| CN103530896A (zh) * | 2013-09-25 | 2014-01-22 | 电子科技大学 | 一种红外图像的图像压缩和细节增强方法 |
| CN104732736A (zh) * | 2013-12-20 | 2015-06-24 | 国家电网公司 | 室外电力设备凝水报警装置 |
| CN103944264A (zh) * | 2014-04-22 | 2014-07-23 | 航天科工深圳（集团）有限公司 | 一种配电终端智能监控装置和方法 |
| CN105092049A (zh) * | 2015-05-05 | 2015-11-25 | 河北泰中岩电气设备科技有限公司 | 一种红外测温窗口及其除雾方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110264486A (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264486B (zh) | 基于近红外图像分析的开关站设备凝露检测方法和系统 | |
| CN103323460B (zh) | 一种基于可见光图像的绝缘子检测方法及装置 | |
| CN107588733A (zh) | 一种基于图像的受电弓滑板磨耗在线检测装置与方法 | |
| CN110632092B (zh) | 基于高光谱技术的绝缘子表面污秽分布特性检测方法 | |
| CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
| CN108487818B (zh) | 一种安全窗户控制平台 | |
| CN109523543B (zh) | 一种基于边缘距离的导线断股检测方法 | |
| CN104297645A (zh) | 电气设备外部放电紫外检测分析方法及装置 | |
| CN110930366A (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN112818886A (zh) | 飘尘检测方法、可读存储介质、飘尘检测机及智能食品机 | |
| CN111047598B (zh) | 基于深度学习的输变电设备紫外放电光斑分割方法及装置 | |
| CN203275313U (zh) | 一种基于可见光图像的绝缘子检测装置 | |
| CN105427316A (zh) | 一种输电线路可见光图像中绝缘子单盘面提取方法 | |
| JP2016206071A (ja) | 検査装置及び検査方法 | |
| Jeong et al. | Probabilistic method to determine human subjects for low-resolution thermal imaging sensor | |
| CN110992306B (zh) | 基于深度学习的红外图像中劣化绝缘子的分割方法及装置 | |
| CN111507347A (zh) | 一种基于偏微分方程的电力设备红外图像增强与分割方法 | |
| CN103489317A (zh) | 一种不同场景下的车辆检测方法 | |
| CN108572127A (zh) | 跨栏现场雾霾浓度逐级分析平台 | |
| CN111646349B (zh) | 一种基于tof图像的电梯保护方法及装置 | |
| Ye et al. | Research on detection method of tower corrosion based on hough transform | |
| Pernebayeva et al. | Outdoor insulator surface condition evaluation using image classification | |
| CN112991318A (zh) | 一种动车组受电弓故障检测方法、装置及存储介质 | |
| CN111160224A (zh) | 一种基于fpga和地平线分割的高铁接触网异物检测系统及方法 | |
| CN113643234B (zh) | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210803 Address after: 310030 room 1701, floor 17, building 2, dingchuang wealth center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang aomaite Intelligent Technology Co.,Ltd. Address before: 310030 room 902, floor 9, building 1, No. 9, Xiyuan Second Road, Sandun Town, Xihu District, Hangzhou, Zhejiang Province Applicant before: Zhejiang Aomeite Robot Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |