CN110346699A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110346699A CN110346699A CN201910682360.7A CN201910682360A CN110346699A CN 110346699 A CN110346699 A CN 110346699A CN 201910682360 A CN201910682360 A CN 201910682360A CN 110346699 A CN110346699 A CN 110346699A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- insulator
- ultraviolet
- region
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing 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
- G01R31/1218—Testing 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing 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
- G01R31/1227—Testing 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 of components, parts or materials
- G01R31/1245—Testing 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 of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Ceramic Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种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,利用Deeplab深度学习网络,通过智能化提取紫外图像中的可见光通道放电绝缘子以及放电光斑的位置,来获取放电的区域进行放电位置、光斑区域属性等信息,从而为紫外图像放电缺陷的判定提供基础的结构化特征信息。本发明可以自动批量地对紫外图像进行处理,将图像转化为可以直接用于后续缺陷分析的放电信息特征参量;并且依赖于Deeplab深度学习网络的良好分割性能,可以保证整个发明实现过程的可靠性和鲁棒性,从而区别于以往的直接使用阈值或者形态学操作的实现方法。
Description
技术领域
本发明涉及绝缘子紫外图像放电信息提取方法,具体涉及了一种基于紫外图像处理技术的绝缘子放电信息提取方法。
背景技术
作为一种检测外绝缘表面异常放电的仪器,紫外成像仪可及早发现存在的外绝缘隐患或损伤,对于降低设备故障率,保障电力系统安全运行意义重大。悬式绝缘子、支柱绝缘子、套管、复合绝缘子等外绝缘设备在出现老化、脏污、破损、腐蚀时,都会产生紫外光辐射。因此可以通过采集到的紫外图像,结合图像处理、深度学习的方法进行紫外光斑的定位,来提取得到绝缘子的放电信息。
但是紫外成像仪在使用过程中缺少定量判定方法和手段,缺陷判定完全依赖于巡检操作人员的现场经验,易造成对潜在故障缺陷的误判、漏判。
发明内容
本发明为了解决上述问题,提出了一种基于紫外图像处理技术的绝缘子放电信息提取方法,本方法基于Deeplab深度学习网络,通过智能化提取紫外图像中的可见光通道放电绝缘子以及放电光斑(放电时高场强区域电离并发光,在紫外图像中显示为白色的区域,称之为放电光斑)的位置,能够获取放电的区域进行放电位置、光斑区域属性等信息,从而为紫外图像放电缺陷的判定提供了基础的结构化特征信息。
具体地,本发明提出一种基于紫外图像处理技术的绝缘子放电信息提取方法,其特征在于,包括如下步骤:
S1:采集一系列绝缘子紫外图像,构成样本数据集;
S2:对所述样本数据集中的紫外图像分别进行放电光斑和绝缘子的标注,构成包含放电光斑和绝缘子的语义分割数据集;
S3:利用Deeplab深度学习网络对所述语义分割数据集进行训练,获得分割模型;
S4:对输入处理的绝缘子紫外图像,利用已经训练得到的分割模型,进行图像分割操作,获取图像中绝缘子和放电光斑的位置,并最终得到光斑区域的放电位置、大小和形状的放电信息。
进一步地,步骤S1具体包括:
利用紫外成像仪对变电站内的绝缘子进行拍摄,获取一系列的绝缘子紫外图像数据,作为进行图像标注的样本数据集。
进一步地,步骤S2具体包括:
对于一张尺寸为[m,n]的紫外图像I中的每个像素均进行像素级的标签l标注,将标签取值范围设为[0,2],其中0代表背景区域,1代表绝缘子区域,2代表放电光斑区域,构建标签图像L。
进一步地,步骤S3具体包括:
所述Deeplab网络结构基于caffe平台构建,包含Convs模块、ASPP模块和上采样模块。
进一步地,所述Convs模块基于VGG-16网络的卷积层部分配置,共有13个卷积层和5个池化层,每个卷积层后还会紧跟有一个Relu激活层;其中对于Conv5的三个卷积层均用小孔卷积来进行卷积操作。
进一步地,所述ASPP模块包含四个不同尺度的子模块,分别由[fc6_i,fc7_i,fc8_i],i=1,2,3,4构成一个子模块,每个模块分别提取不同尺度下的特征图,进行叠加后,获取ASPP模块输出的多尺度特征图,即fc8_all。
进一步地,其中所述fc6_i、fc7_i层均由一个卷积层、一个Relu非线性激活层和一个Dropout层组成;所述fc8_i层为一个输出类别个数为3的全连接层构成,3代表在样本标注时标签0,1,2的三个类别,即分别代表背景、绝缘子、放电光斑。
进一步地,所述上采样模块包括一个上采样层,上采样层通过双线性插值的方式对所述ASPP模块的输出fc8_all进行上采样,获得与输入到深度卷积网络原始图像分辨率相同的语义分割结果图。
进一步地,步骤S4包括:
对于一张需要分析的紫外图像I0,将其分割后得到的结果图像记为IB,IB中所有像素的取值范围为[0,2],1为绝缘子区域,2为放电光斑区域;
将标签为1的区域记为i=1,2,…N,其中N代表的是分割得到的绝缘子区域数量;
将标签为2的区域记为R2,其中在进行样本标注时仅保留图像中面积最大的放电光斑,R2的数量为1;
通过R1,R2的位置,获取与R2有重叠的R1绝缘子区域,即代表该绝缘子上发生了放电,记为R'1;
对于R'1,获取区域的最小外接矩形,通过输出的矩形的四个顶点坐标,可以获取该矩形的长H、宽W和四个顶点,通过四个顶点,计算得到与短边方向平行方向的两条边框线段的参数l1=[a1,b1],l2=[a2,b2],其中a1=a2,并得到与长边方向平行的两条边框线段的参数l3=[a3,b3],l4=[a4,b4],其中a3=a4,其中a1-a4分别表示四条线段l1,l2,l3,l4的斜率,b1-b4分别表示四条线段l1,l2,l3,l4的截距。
其中,步骤S4进一步包括:
对于一张输入的紫外图像,通过区域分割提取,属性统计后,得到放电信息为:[A,P,S,dH,dW],用于表征放电光斑区域的大小、规则程度以及与其对应的放电设备的相对位置关系;
其中A表示光斑区域面积,用R2区域所包含的像素数代表;P表示光斑区域周长,用R2区域边缘曲线的像素数代表;S表示光斑区域的凹凸度,可以表征光斑区域的规则程度,通过A和R2区域最小凸边形的面积C得到,记为S=A/C;[dH,dW]表示光斑区域的放电位置信息,即等效于光斑中心与绝缘子区域的相对位置关系。
进一步地,
所述[dH,dW]计算公式如下:
其中,光斑区域的中心点坐标,即R2区域内所有像素点坐标(xi,yi)的平均值,记为X0,
X0=[x0,y0]
通过点X0,斜率为a1的线段与l3,l4的交点坐标分别为X3=[x3,y3],X4=[x4,y4],通过点X0,斜率为a3的线段与l1,l2的交点坐标分别为X1=[x1,y2],X2=[x2,y2]。
本发明还提出了一种基于紫外图像处理技术的绝缘子放电信息提取装置,包括第一图像采集模块、第二图像采集模块、图像标注模块、图像训练模块和图像处理模块,
第一图像采集模块,采集一系列绝缘子紫外图像,构成样本数据集。
图像标注模块,输入与图像采集模块的输出连接,对所述样本数据集中的紫外图像分别进行放电光斑和绝缘子的标注,构成包含放电光斑和绝缘子的语义分割数据集。
图像训练模块的输入与图像标注模块的输出连接,利用Deeplab深度学习网络对所述语义分割数据集进行训练,获得分割模型。
图像处理模块与图像训练模块的输出模型连接,第二图像采集模块实时采集待处理的绝缘子紫外图像,输入图像处理模块,利用已经训练得到的分割模型,进行图像分割操作,获取图像中绝缘子和放电光斑的位置,并最终得到光斑区域的放电位置、大小和形状的放电信息。
进一步地,所述第一图像采集模块,利用紫外成像仪对变电站内的绝缘子进行拍摄,获取一系列的绝缘子紫外图像数据,作为进行图像标注的样本数据集;所述第二图像采集模块前端连接紫外成像仪,实时采集图像并输入所述图像处理模块。
进一步地,所述图像标注模块对于一张尺寸为[m,n]的紫外图像I中的每个像素均进行像素级的标签l标注,将标签取值范围设为[0,2],其中0代表背景区域,1代表绝缘子区域,2代表放电光斑区域,构建标签图像L。
进一步地,所述图像训练模块中,
所述Deeplab网络结构基于caffe平台构建,包含Convs模块、ASPP模块和上采样模块。
进一步地,所述Convs模块基于VGG-16网络的卷积层部分配置,共有13个卷积层和5个池化层,每个卷积层后还会紧跟有一个Relu激活层;其中对于Conv5的三个卷积层均用小孔卷积来进行卷积操作。
进一步地,所述ASPP模块包含四个不同尺度的子模块,分别由[fc6_i,fc7_i,fc8_i],i=1,2,3,4构成一个子模块,每个模块分别提取不同尺度下的特征图,进行叠加后,获取ASPP模块输出的多尺度特征图,即fc8_all。
进一步地,其中所述fc6_i、fc7_i层均由一个卷积层、一个Relu非线性激活层和一个Dropout层组成;所述fc8_i层为一个输出类别个数为3的全连接层构成,3代表的是我们在样本标注时标签0,1,2的三个类别,即分别代表背景、绝缘子、放电光斑。
进一步地,所述上采样模块包括一个上采样层,上采样层通过双线性插值的方式对所述ASPP模块的输出fc8_all进行上采样,获得与输入到深度卷积网络原始图像分辨率相同的语义分割结果图。
进一步地,所述图像处理模块中,
对于一张需要分析的紫外图像I0,将其分割后得到的结果图像记为IB,IB中所有像素的取值范围为[0,2],1为绝缘子区域,2为放电光斑区域;
将标签为1的区域记为i=1,2,…N,其中N代表的是分割得到的绝缘子区域数量;
将标签为2的区域记为R2,其中在进行样本标注时仅保留图像中面积最大的放电光斑,R2的数量为1;
通过R1,R2的位置,获取与R2有重叠的R1绝缘子区域,即代表该绝缘子上发生了放电,记为R'1;
对于R'1,获取区域的最小外接矩形,通过输出的矩形的四个顶点坐标,可以获取该矩形的长H、宽W和四个顶点,通过四个顶点,计算得到与短边方向平行方向的两条边框线段的参数l1=[a1,b1],l2=[a2,b2],其中a1=a2,并得到与长边方向平行的两条边框线段的参数l3=[a3,b3],l4=[a4,b4],其中a3=a4,其中a1-a4分别表示四条线段l1,l2,l3,l4的斜率,b1-b4分别表示四条线段l1,l2,l3,l4的截距。
进一步地,所述图像处理模块中,
对于一张输入的紫外图像,通过区域分割提取,属性统计后,得到放电信息为:[A,P,S,dH,dW],用于表征放电光斑区域的大小、规则程度以及与其对应的放电设备的相对位置关系;
其中A表示光斑区域面积,用R2区域所包含的像素数代表;P表示光斑区域周长,用R2区域边缘曲线的像素数代表;S表示光斑区域的凹凸度,可以表征光斑区域的规则程度,通过A和R2区域最小凸边形的面积C得到,记为S=A/C;[dH,dW]表示光斑区域的放电位置信息,即等效于光斑中心与绝缘子区域的相对位置关系。
进一步地,
所述[dH,dW]计算公式如下:
其中,光斑区域的中心点坐标,即R2区域内所有像素点坐标(xi,yi)的平均值,记为X0,
X0=[x0,y0]
通过点X0,斜率为a1的线段与l3,l4的交点坐标分别为X3=[x3,y3],X4=[x4,y4],通过点X0,斜率为a3的线段与l1,l2的交点坐标分别为X1=[x1,y2],X2=[x2,y2]。
有益效果:
本发明提出了一种基于紫外图像处理技术的绝缘子放电信息提取方法。本方法基于Deeeplab深度学习网络,将绝缘子区域和放电光斑区域分别进行提取,然后通过二值化图像形态学的方法,得到的了对应的放电信息。
本发明可以自动地批量地对紫外图像进行处理,将图像转化为可以直接用于后续缺陷分析的放电信息特征参量;另一方面,本发明依赖于Deeplab深度学习网络的良好分割性能,可以保证整个发明实现过程的可靠性和鲁棒性。从而区别于以往的直接使用阈值或者形态学操作的实现方法。
附图说明
图1为本发明提出的绝缘子放电信息提取方法流程图。
图2是利用紫外成像仪拍摄的放电绝缘子紫外图像示例。
图3是对紫外图像进行样本标注后的结果示例。
图4示出了基于Deeplab的深度学习网络结构。
图5是绝缘子区域外接最小矩形标注示意图。
图6为本发明提出的绝缘子放电信息提取装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例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,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参见图1所示的流程图,本发明提出了一种基于紫外图像处理技术的绝缘子放电信息提取方法,包括如下步骤:
(1)采集一系列绝缘子紫外图像,构成样本数据集;
利用紫外成像仪对变电站内的绝缘子进行拍摄,获取一系列的绝缘子紫外图像数据,作为进行图像标注的样本数据集。图像示例如图2。
(2)对数据集中的紫外图像分别进行放电光斑和绝缘子的标注,构成包含放电光斑和绝缘子的语义分割数据集;
对于一张尺寸为[m,n](m代表行数,n代表列数)的紫外图像I中的每个像素均进行像素级的标签l标注,将标签取值范围设为[0,2],其中0代表背景区域,1代表绝缘子区域,2代表放电光斑区域,构建标签图像L。L与I尺寸相同,均为[m,n],该标签图像中的每一个点的值就是该像素对应的y值。
标注结果示意图如图3所示,用黑色代表l=0区域,灰色代表l=1区域,白色代表l=2区域。其中,由于放电光斑的面积代表了放电的光子数,因此在标注放电光斑是我们仅关注对最强的放电区域,即最大的光斑区域,其他区域的影响可以忽略不计。
(3)利用Deeplab深度学习网络对所述语义分割数据集进行训练,获得分割模型;
所采用的DeeplabV2网络结构的示意图如图4所示,基于caffe平台构建。主要包含Convs模块(卷积模块)、ASPP(Atrous Spatial Pyramid Pooling)模块(小孔空间金字塔池化模块)和上采样(upsampling)模块。
Convs模块基于VGG-16网络的卷积层部分配置,共有13个卷积(Convolution)层(结构图中用convX_X表示,用于进行卷积操作)和5个池化层(结构图中用poolX表示,用于进行池化操作)。每个卷积层后还会紧跟有一个Relu激活层。其中对于Conv5的三个卷积层均用小孔卷积来进行卷积操作。
对于一个一维的信号来说,对于输入信号x的小孔卷积输出结果g可以表示为:
其中,r为采样率,也称为采样步长,k表示输入信号的索引值,g[n]表示小孔卷积后的输出,x[n]表示小孔卷积的输入,w[k]表示滤波器,k表示滤波器w[k]的索引值,K表示滤波器w[k]的长度。
ASPP模块包含四个不同尺度的子模块,分别由[fc6_i,fc7_i,fc8_i],i=1,2,3,4构成一个子模块。每个模块分别提取不同尺度下的特征图,进行叠加后,获取ASPP模块输出的多尺度特征图,即fc8_all。如图3可以看到,四个子模块的差异主要在于在fc6层中采用了不同采样率的小孔卷积,r分别为6,12,18,24。
其中fc6、fc7层均由一个卷积层、一个Relu非线性激活层和一个Dropout层组成(Convolution层、Relu层、Dropout层均由caffe平台定义)。fc8层为一个输出类别个数为3的全连接层(caffe定义类型为InnerProduct层)构成,3代表的是我们在样本标注时标签0,1,2的三个类别(分别代表背景、绝缘子、放电光斑)。
上采样模块主要包括一个上采样层,上采样层通过双线性插值的方式对ASPP模块的输出fc8_all进行上采样,获得与输入到深度卷积网络原始图像分辨率相同的语义分割结果图。
(4)对输入处理的绝缘子紫外图像,利用已经训练得到的分割模型,进行图像分割操作,获取图像中绝缘子和放电光斑的位置,并最终得到光斑区域的放电位置、大小、形状等放电信息。
对于一张需要分析的紫外图像I0,将其分割后得到的结果图像记为IB,同(2)中的标签图像L一样,IB中所有像素的取值范围为[0,2],1为绝缘子区域,2为放电光斑区域。
将标签为1的区域记为i=1,2,…N,其中N代表的是分割得到的绝缘子区域数量,因为紫外图像在拍摄过程中可能包含了多个绝缘子。
将标签为2的区域记为R2,因为我们在进行样本标注时仅保留了图像中面积最大的放电光斑,因此R2的数量为1.
首先通过R1,R2的位置,获取与R2有重叠的R1绝缘子区域,即代表该绝缘子上发生了放电,记为R'1。
对于R'1,获取区域的最小外接矩形(可以利用opencv的minAreaRect函数实现),通过输出的矩形的四个顶点坐标,可以获取该矩形的长H、宽W和四个顶点。由于绝缘子的外形呈现很明显的长条状,因此直接将最小外接矩形中的长边长度定为H,短边长度定为W。通过四个顶点,可以计算得到与短边方向平行方向的两条边框线段的参数l1=[a1,b1],l2=[a2,b2],其中a1=a2,也可以得到与长边方向平行的两条边框线段的参数l3=[a3,b3],l4=[a4,b4],其中a3=a4。其中a1-a4分别表示四条线段l1,l2,l3,l4的斜率,b1-b4分别表示四条线段l1,l2,l3,l4的截距。
对于R2,通过二值化图像的区域属性统计,计算获取以下信息:
a.光斑区域面积,用R2区域所包含的像素数代表,记为A;
b.光斑区域周长,用R2区域边缘曲线的像素数代表,记为P;
c.光斑区域的凹凸度,可以表征光斑区域的规则程度,通过A和R2区域最小凸边形的面积C得到,记为S=A/C
d.光斑区域的中心点坐标,即R2区域内所有像素点坐标的平均值,记为X0,其中:
X0=[x0,y0]
计算经过X0与l1,l2,l3,l4的交点,即图4中的X1,X2,X3,X4
如图5中的情况,通过点X0,斜率为a1的线段与l3,l4的交点即为
X3=[x3,y3],X4=[x4,y4],通过点X0,斜率为a3的线段与l1,l2的交点即为X1=[x1,y2],X2=[x2,y2]。
由此光斑区域的放电位置信息可记为[dH,dW],即等效于光斑中心与绝缘子区域的相对位置关系。
由此,对于一张输入的紫外图像,通过区域分割提取,属性统计后,得到的放电信息为:[A,P,S,dH,dW],可以表征放电光斑区域的大小、规则程度以及与其对应的放电设备的相对位置关系。
如附图6所示,本发明还提出一种基于紫外图像处理技术的绝缘子放电信息提取装置,用于实现本发明所述的绝缘子放电信息提取方法,其包括第一图像采集模块、第二图像采集模块、图像标注模块、图像训练模块和图像处理模块,
第一图像采集模块,采集一系列绝缘子紫外图像,构成样本数据集。
图像标注模块,输入与图像采集模块的输出连接,对所述样本数据集中的紫外图像分别进行放电光斑和绝缘子的标注,构成包含放电光斑和绝缘子的语义分割数据集。
图像训练模块的输入与图像标注模块的输出连接,利用Deeplab深度学习网络对所述语义分割数据集进行训练,获得分割模型。
图像处理模块与图像训练模块的输出模型连接,第二图像采集模块实时采集待处理的绝缘子紫外图像,输入图像处理模块,利用已经训练得到的分割模型,进行图像分割操作,获取图像中绝缘子和放电光斑的位置,并最终得到光斑区域的放电位置、大小和形状的放电信息。
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (22)
1.一种基于紫外图像处理技术的绝缘子放电信息提取方法,其特征在于,包括如下步骤:
S1:采集一系列绝缘子紫外图像,构成样本数据集;
S2:对所述样本数据集中的紫外图像分别进行放电光斑和绝缘子的标注,构成包含放电光斑和绝缘子的语义分割数据集;
S3:利用Deeplab深度学习网络对所述语义分割数据集进行训练,获得分割模型;
S4:对输入处理的绝缘子紫外图像,利用已经训练得到的分割模型,进行图像分割操作,获取图像中绝缘子和放电光斑的位置,并最终得到光斑区域的放电位置、大小和形状的放电信息。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体包括:
利用紫外成像仪对变电站内的绝缘子进行拍摄,获取一系列的绝缘子紫外图像数据,作为进行图像标注的样本数据集。
3.根据权利要求1或2所述的方法,其特征在于,步骤S2具体包括:
对于一张尺寸为[m,n]的紫外图像I中的每个像素均进行像素级的标签l标注,将标签取值范围设为[0,2],其中0代表背景区域,1代表绝缘子区域,2代表放电光斑区域,构建标签图像L。
4.根据权利要求3所述的方法,其特征在于,步骤S3中:
所述Deeplab网络结构基于caffe平台构建,包含Convs模块、ASPP模块和上采样模块。
5.根据权利要求4所述的方法,其特征在于,
所述Convs模块基于VGG-16网络的卷积层部分配置,共有13个卷积层和5个池化层,每个卷积层后还会紧跟有一个Relu激活层;其中对于Conv5的三个卷积层均用小孔卷积来进行卷积操作。
6.根据权利要求4或5所述的方法,其特征在于,
所述ASPP模块包含四个不同尺度的子模块,分别由[fc6_i,fc7_i,fc8_i],i=1,2,3,4构成一个子模块,每个模块分别提取不同尺度下的特征图,进行叠加后,获取ASPP模块输出的多尺度特征图,即fc8_all。
7.根据权利要求6所述的方法,其特征在于,
其中所述fc6_i、fc7_i层均由一个卷积层、一个Relu非线性激活层和一个Dropout层组成;所述fc8_i层为一个输出类别个数为3的全连接层构成,3代表在样本标注时标签0,1,2的三个类别,即分别代表背景、绝缘子、放电光斑。
8.根据权利要求7所述的方法,其特征在于,
所述上采样模块包括一个上采样层,上采样层通过双线性插值的方式对所述ASPP模块的输出fc8_all进行上采样,获得与输入到深度卷积网络原始图像分辨率相同的语义分割结果图。
9.根据权利要求8所述的方法,其特征在于,步骤S4包括:
对于一张需要分析的紫外图像I0,将其分割后得到的结果图像记为IB,IB中所有像素的取值范围为[0,2],1为绝缘子区域,2为放电光斑区域;
将标签为1的区域记为其中N代表的是分割得到的绝缘子区域数量;
将标签为2的区域记为R2,其中在进行样本标注时仅保留图像中面积最大的放电光斑,R2的数量为1;
通过R1,R2的位置,获取与R2有重叠的R1绝缘子区域,即代表该绝缘子上发生了放电,记为R'1;
对于R'1,获取区域的最小外接矩形,通过输出的矩形的四个顶点坐标,可以获取该矩形的长H、宽W和四个顶点,通过四个顶点,计算得到与短边方向平行方向的两条边框线段的参数l1=[a1,b1],l2=[a2,b2],其中a1=a2,并得到与长边方向平行的两条边框线段的参数l3=[a3,b3],l4=[a4,b4],其中a3=a4,其中a1-a4分别表示四条线段l1,l2,l3,l4的斜率,b1-b4分别表示四条线段l1,l2,l3,l4的截距。
10.根据权利要求9所述的方法,其特征在于,步骤S4进一步包括:
对于一张输入的紫外图像,通过区域分割提取,属性统计后,得到放电信息为:[A,P,S,dH,dW],用于表征放电光斑区域的大小、规则程度以及与其对应的放电设备的相对位置关系;
其中A表示光斑区域面积,用R2区域所包含的像素数代表;P表示光斑区域周长,用R2区域边缘曲线的像素数代表;S表示光斑区域的凹凸度,可以表征光斑区域的规则程度,通过A和R2区域最小凸边形的面积C得到,记为S=A/C;[dH,dW]表示光斑区域的放电位置信息,即等效于光斑中心与绝缘子区域的相对位置关系。
11.根据权利要求10所述的方法,其特征在于,
所述[dH,dW]计算公式如下:
其中,光斑区域的中心点坐标,即R2区域内所有像素点坐标(xi,yi)的平均值,记为X0,
X0=[x0,y0]
通过点X0,斜率为a1的线段与l3,l4的交点坐标分别为X3=[x3,y3],X4=[x4,y4],通过点X0,斜率为a3的线段与l1,l2的交点坐标分别为X1=[x1,y2],X2=[x2,y2]。
12.一种基于紫外图像处理技术的绝缘子放电信息提取装置,其特征在于,包括第一图像采集模块、第二图像采集模块、图像标注模块、图像训练模块和图像处理模块,
第一图像采集模块,采集一系列绝缘子紫外图像,构成样本数据集。
图像标注模块,输入与图像采集模块的输出连接,对所述样本数据集中的紫外图像分别进行放电光斑和绝缘子的标注,构成包含放电光斑和绝缘子的语义分割数据集。
图像训练模块的输入与图像标注模块的输出连接,利用Deeplab深度学习网络对所述语义分割数据集进行训练,获得分割模型。
图像处理模块与图像训练模块的输出模型连接,第二图像采集模块实时采集待处理的绝缘子紫外图像,输入图像处理模块,利用已经训练得到的分割模型,进行图像分割操作,获取图像中绝缘子和放电光斑的位置,并最终得到光斑区域的放电位置、大小和形状的放电信息。
13.根据权利要求12所述的装置,其特征在于,
所述第一图像采集模块,利用紫外成像仪对变电站内的绝缘子进行拍摄,获取一系列的绝缘子紫外图像数据,作为进行图像标注的样本数据集;所述第二图像采集模块前端连接紫外成像仪,实时采集图像并输入所述图像处理模块。
14.根据权利要求13所述的装置,其特征在于,所述图像标注模块对于一张尺寸为[m,n]的紫外图像I中的每个像素均进行像素级的标签l标注,将标签取值范围设为[0,2],其中0代表背景区域,1代表绝缘子区域,2代表放电光斑区域,构建标签图像L。
15.根据权利要求14所述的装置,其特征在于,所述图像训练模块中,
所述Deeplab网络结构基于caffe平台构建,包含Convs模块、ASPP模块和上采样模块。
16.根据权利要求15所述的装置,其特征在于,
所述Convs模块基于VGG-16网络的卷积层部分配置,共有13个卷积层和5个池化层,每个卷积层后还会紧跟有一个Relu激活层;其中对于Conv5的三个卷积层均用小孔卷积来进行卷积操作。
17.根据权利要求15或16所述的方法,其特征在于,
所述ASPP模块包含四个不同尺度的子模块,分别由[fc6_i,fc7_i,fc8_i],i=1,2,3,4构成一个子模块,每个模块分别提取不同尺度下的特征图,进行叠加后,获取ASPP模块输出的多尺度特征图,即fc8_all。
18.根据权利要求17所述的装置,其特征在于,
其中所述fc6_i、fc7_i层均由一个卷积层、一个Relu非线性激活层和一个Dropout层组成;所述fc8_i层为一个输出类别个数为3的全连接层构成,3代表的是我们在样本标注时标签0,1,2的三个类别,即分别代表背景、绝缘子、放电光斑。
19.根据权利要求18所述的装置,其特征在于,
所述上采样模块包括一个上采样层,上采样层通过双线性插值的方式对所述ASPP模块的输出fc8_all进行上采样,获得与输入到深度卷积网络原始图像分辨率相同的语义分割结果图。
20.根据权利要求12或19所述的装置,其特征在于,所述图像处理模块中,
对于一张需要分析的紫外图像I0,将其分割后得到的结果图像记为IB,IB中所有像素的取值范围为[0,2],1为绝缘子区域,2为放电光斑区域;
将标签为1的区域记为其中N代表的是分割得到的绝缘子区域数量;
将标签为2的区域记为R2,其中在进行样本标注时仅保留图像中面积最大的放电光斑,R2的数量为1;
通过R1,R2的位置,获取与R2有重叠的R1绝缘子区域,即代表该绝缘子上发生了放电,记为R'1;
对于R'1,获取区域的最小外接矩形,通过输出的矩形的四个顶点坐标,可以获取该矩形的长H、宽W和四个顶点,通过四个顶点,计算得到与短边方向平行方向的两条边框线段的参数l1=[a1,b1],l2=[a2,b2],其中a1=a2,并得到与长边方向平行的两条边框线段的参数l3=[a3,b3],l4=[a4,b4],其中a3=a4,其中a1-a4分别表示四条线段l1,l2,l3,l4的斜率,b1-b4分别表示四条线段l1,l2,l3,l4的截距。
21.根据权利要求20所述的装置,其特征在于,所述图像处理模块中,
对于一张输入的紫外图像,通过区域分割提取,属性统计后,得到放电信息为:[A,P,S,dH,dW],用于表征放电光斑区域的大小、规则程度以及与其对应的放电设备的相对位置关系;
其中A表示光斑区域面积,用R2区域所包含的像素数代表;P表示光斑区域周长,用R2区域边缘曲线的像素数代表;S表示光斑区域的凹凸度,可以表征光斑区域的规则程度,通过A和R2区域最小凸边形的面积C得到,记为S=A/C;[dH,dW]表示光斑区域的放电位置信息,即等效于光斑中心与绝缘子区域的相对位置关系。
22.根据权利要求21所述的装置,其特征在于,
所述[dH,dW]计算公式如下:
其中,光斑区域的中心点坐标,即R2区域内所有像素点坐标(xi,yi)的平均值,记为X0,
X0=[x0,y0]
通过点X0,斜率为a1的线段与l3,l4的交点坐标分别为X3=[x3,y3],X4=[x4,y4],通过点X0,斜率为a3的线段与l1,l2的交点坐标分别为X1=[x1,y2],X2=[x2,y2]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682360.7A CN110346699B (zh) | 2019-07-26 | 2019-07-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682360.7A CN110346699B (zh) | 2019-07-26 | 2019-07-26 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110346699A true CN110346699A (zh) | 2019-10-18 |
CN110346699B CN110346699B (zh) | 2021-04-27 |
Family
ID=68180344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910682360.7A Active CN110346699B (zh) | 2019-07-26 | 2019-07-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110346699B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289854A (zh) * | 2020-02-26 | 2020-06-16 | 华北电力大学 | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 |
CN111951247A (zh) * | 2020-08-12 | 2020-11-17 | 国网江苏省电力有限公司电力科学研究院 | 一种电力设备紫外图像诊断方法及系统 |
CN113238131A (zh) * | 2021-07-13 | 2021-08-10 | 北方夜视科技(南京)研究院有限公司 | 基于深度学习的绝缘子电晕放电状态评估方法 |
CN113538351A (zh) * | 2021-06-30 | 2021-10-22 | 国网山东省电力公司电力科学研究院 | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 |
CN114167245A (zh) * | 2022-02-11 | 2022-03-11 | 国网湖北省电力有限公司检修公司 | 输变电设备表面局放智能检测方法及无人机融合紫外系统 |
CN114487742A (zh) * | 2022-04-14 | 2022-05-13 | 湖北工业大学 | 基于多模态纹理分析的高压壳体放电绝缘性能检测系统 |
CN115049678A (zh) * | 2022-08-17 | 2022-09-13 | 南昌工程学院 | 基于夜间紫外成像技术的输电线电晕放电图像分割方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221230A (ja) * | 1999-02-02 | 2000-08-11 | Fujikura Ltd | 部分放電測定遠隔監視システム |
KR20100033000A (ko) * | 2008-09-19 | 2010-03-29 | 주식회사 탑 엔지니어링 | 액정방울 토출위치 교정방법 |
CN103543394A (zh) * | 2013-10-27 | 2014-01-29 | 华北电力大学(保定) | 一种高压电气设备放电紫外成像量化参数提取方法 |
CN103698676A (zh) * | 2014-01-10 | 2014-04-02 | 深圳供电局有限公司 | 一种评估输变电设备电晕放电的方法及系统 |
US20140261577A1 (en) * | 2013-03-14 | 2014-09-18 | Dainippon Screen Mfg. Co., Ltd. | Ejection inspection apparatus and substrate processing apparatus |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN106596579A (zh) * | 2016-11-15 | 2017-04-26 | 同济大学 | 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法 |
CN106940886A (zh) * | 2017-03-08 | 2017-07-11 | 华北电力大学(保定) | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 |
CN106950472A (zh) * | 2017-03-16 | 2017-07-14 | 江苏省电力试验研究院有限公司 | 一种基于红外紫外成像的绝缘子检测方法 |
CN107564025A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度神经网络的电力设备红外图像语义分割方法 |
CN107730477A (zh) * | 2017-10-13 | 2018-02-23 | 西安科技大学 | 变电站设备红外智能监测系统及监测图像特征提取方法 |
CN107843818A (zh) * | 2017-09-06 | 2018-03-27 | 同济大学 | 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 |
CN109345586A (zh) * | 2018-11-02 | 2019-02-15 | 国网湖南省电力有限公司 | 基于紫外成像技术的电气设备放电特征提取方法 |
-
2019
- 2019-07-26 CN CN201910682360.7A patent/CN110346699B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221230A (ja) * | 1999-02-02 | 2000-08-11 | Fujikura Ltd | 部分放電測定遠隔監視システム |
KR20100033000A (ko) * | 2008-09-19 | 2010-03-29 | 주식회사 탑 엔지니어링 | 액정방울 토출위치 교정방법 |
US20140261577A1 (en) * | 2013-03-14 | 2014-09-18 | Dainippon Screen Mfg. Co., Ltd. | Ejection inspection apparatus and substrate processing apparatus |
CN103543394A (zh) * | 2013-10-27 | 2014-01-29 | 华北电力大学(保定) | 一种高压电气设备放电紫外成像量化参数提取方法 |
CN103698676A (zh) * | 2014-01-10 | 2014-04-02 | 深圳供电局有限公司 | 一种评估输变电设备电晕放电的方法及系统 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN106596579A (zh) * | 2016-11-15 | 2017-04-26 | 同济大学 | 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法 |
CN106940886A (zh) * | 2017-03-08 | 2017-07-11 | 华北电力大学(保定) | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 |
CN106950472A (zh) * | 2017-03-16 | 2017-07-14 | 江苏省电力试验研究院有限公司 | 一种基于红外紫外成像的绝缘子检测方法 |
CN107564025A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度神经网络的电力设备红外图像语义分割方法 |
CN107843818A (zh) * | 2017-09-06 | 2018-03-27 | 同济大学 | 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 |
CN107730477A (zh) * | 2017-10-13 | 2018-02-23 | 西安科技大学 | 变电站设备红外智能监测系统及监测图像特征提取方法 |
CN109345586A (zh) * | 2018-11-02 | 2019-02-15 | 国网湖南省电力有限公司 | 基于紫外成像技术的电气设备放电特征提取方法 |
Non-Patent Citations (2)
Title |
---|
律方成 等: "基于紫外成像图像信息的绝缘子表面放电量化方法", 《电工技术学报》 * |
陈磊 等: "悬式复合绝缘子电晕放电紫外图像光斑面积", 《高压电器》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289854A (zh) * | 2020-02-26 | 2020-06-16 | 华北电力大学 | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 |
CN111289854B (zh) * | 2020-02-26 | 2021-05-11 | 华北电力大学 | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 |
CN111951247A (zh) * | 2020-08-12 | 2020-11-17 | 国网江苏省电力有限公司电力科学研究院 | 一种电力设备紫外图像诊断方法及系统 |
CN111951247B (zh) * | 2020-08-12 | 2022-08-19 | 国网江苏省电力有限公司电力科学研究院 | 一种电力设备紫外图像诊断方法及系统 |
CN113538351A (zh) * | 2021-06-30 | 2021-10-22 | 国网山东省电力公司电力科学研究院 | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 |
CN113538351B (zh) * | 2021-06-30 | 2024-01-19 | 国网山东省电力公司电力科学研究院 | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 |
CN113238131A (zh) * | 2021-07-13 | 2021-08-10 | 北方夜视科技(南京)研究院有限公司 | 基于深度学习的绝缘子电晕放电状态评估方法 |
CN114167245A (zh) * | 2022-02-11 | 2022-03-11 | 国网湖北省电力有限公司检修公司 | 输变电设备表面局放智能检测方法及无人机融合紫外系统 |
CN114487742A (zh) * | 2022-04-14 | 2022-05-13 | 湖北工业大学 | 基于多模态纹理分析的高压壳体放电绝缘性能检测系统 |
CN114487742B (zh) * | 2022-04-14 | 2022-07-05 | 湖北工业大学 | 基于多模态纹理分析的高压壳体放电绝缘性能检测系统 |
CN115049678A (zh) * | 2022-08-17 | 2022-09-13 | 南昌工程学院 | 基于夜间紫外成像技术的输电线电晕放电图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110346699B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110346699A (zh) | 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 | |
WO2021042682A1 (zh) | 变电站异物识别方法、装置、系统、电子设备和存储介质 | |
CN110363134B (zh) | 一种基于语义分割的人脸遮挡区定位方法 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN109345547A (zh) | 基于深度学习多任务网络的交通车道线检测方法及装置 | |
CN108109385A (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
CN107610128A (zh) | 一种油位计的巡检方法和装置 | |
CN111062381B (zh) | 一种基于深度学习的车牌位置检测方法 | |
CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
CN112446246B (zh) | 一种图像遮挡检测方法及车载终端 | |
CN114648714A (zh) | 一种基于yolo的车间规范行为的监测方法 | |
CN109919038A (zh) | 基于机器视觉与深度学习的配电柜方形压板状态识别方法 | |
CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
CN114882440A (zh) | 一种人头检测方法和系统 | |
CN114708532A (zh) | 一种监控视频质量评估方法、系统及存储介质 | |
CN116189191A (zh) | 一种基于yolov5的可变长车牌识别方法 | |
CN110866453B (zh) | 基于卷积神经网络的实时人群稳定状态识别方法及装置 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN108520496B (zh) | 一种基于光流法的海空背景监控视频图像拼接方法 | |
Wen et al. | A rear-vehicle detection system for static images based on monocular vision | |
CN113239931A (zh) | 一种物流站车牌识别的方法 | |
CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及系统 | |
CN117789077A (zh) | 一种通用场景下用于视频结构化的人与车辆预测的方法 | |
CN117830687A (zh) | 变电站设备的元器件状态识别方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |