CN110567964B - 一种检测变电设备缺陷的方法、装置及存储介质 - Google Patents

一种检测变电设备缺陷的方法、装置及存储介质 Download PDF

Info

Publication number
CN110567964B
CN110567964B CN201910653908.5A CN201910653908A CN110567964B CN 110567964 B CN110567964 B CN 110567964B CN 201910653908 A CN201910653908 A CN 201910653908A CN 110567964 B CN110567964 B CN 110567964B
Authority
CN
China
Prior art keywords
power transformation
equipment
temperature
transformation equipment
image
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
Application number
CN201910653908.5A
Other languages
English (en)
Other versions
CN110567964A (zh
Inventor
张继勇
蔡恒
庄浩
刘鑫
韩立群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huarui Xinzhi Baoding Technology Co Ltd
Huarui Xinzhi Technology Beijing Co Ltd
Original Assignee
Huarui Xinzhi Baoding Technology Co ltd
Huarui Xinzhi Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huarui Xinzhi Baoding Technology Co ltd, Huarui Xinzhi Technology Beijing Co ltd filed Critical Huarui Xinzhi Baoding Technology Co ltd
Priority to CN201910653908.5A priority Critical patent/CN110567964B/zh
Publication of CN110567964A publication Critical patent/CN110567964A/zh
Application granted granted Critical
Publication of CN110567964B publication Critical patent/CN110567964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Radiation Pyrometers (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种检测变电设备缺陷的方法，包括：接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；并通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷。在通过可见光图像来判断变电设备是否存在缺陷的同时，通过红外图像来根据温度的变化判断变电设备是否存在缺陷，可以更准确的判断变电设备是否存在缺陷，保证了设备的稳定性。

Description

一种检测变电设备缺陷的方法、装置及存储介质
技术领域
本申请涉及计算机领域，具体涉及一种检测变电设备缺陷的方法、装置及存储介质。
背景技术
变电站作为整个电网系统中重要的组成部分,对整个电力运行都具有非常明显的作用,其在日常的运行过程中通常处于高速运行状态，并且在外界自然因素的影响下，会对设备的自身造成很大的损耗，变电设备容易出现缺陷。
现有技术中，对变电设备的检测通常通过人工巡检或者拍摄可见光图像来判断变电设备是否存在缺陷。目前可见光的波长范围大约在400ηm到780ηm之间，具有人眼可见的特性，所以可见光成像技术是最早被人们熟知并加以研究。可见光成像具有高频分量较多，低频分量较少的特点，其中，场景的细节信息是由高频分量体现的。但是在光照不够充足时，对比度随之就会下降，图像的清晰度就会跟着下降，这就导致了一些信息看不清楚，无法准确的判断变电设备是否存在缺陷，并且变电设备内部的缺陷无法通过可见光成像得知，容易造成安全事故。
发明内容
为了解决上述问题，本申请提出了一种检测变电设备缺陷的方法，包括：接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷。
在一个示例中，接收采集设备发送的图像之后，所述方法还包括：
根据所述红外图像的图像属性中的标识码，以及预存的标识码与变电设备之间的对应关系，确定所述红外图像中的变电设备的设备信息；其中，所述标识码为所述采集设备采集所述红外图像时生成的，所述设备信息包括：所述变电设备的标识、所述变电设备对应的变电站、所述至少部分结构在所述变电设备中的位置信息。
在一个示例中，通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷，具体包括：根据已确定的所述红外图像中的变电设备的设备信息，以及预存的所述变电设备各部分结构的常规温度，确定所述红外图像中的所述变电设备的至少部分结构的常规温度；根据所述红外图像确定所述至少部分结构的实际温度；若所述常规温度与所述实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷。
在一个示例中，若所述至少部分结构的常规温度与所述至少部分结构的实际温度，之间的差值达到指定阈值，则确定所述变电设备存在缺陷，具体包括：通过公式
Figure BDA0002136214550000021
计算得到所述变电设备是否存在缺陷，其中，t1为所述至少部分结构的实际温升，T1为所述至少部分结构的实际温度，t2为所述至少部分结构的常规温升，T1为所述至少部分结构的常规温度，T0为环境温度参照体的温度，σ1为温差值；并当σ1大于或等于35％时，确定所述变电设备存在缺陷。
在一个示例中，在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，具体包括：设所述变电设备的温度分布矩阵为Tp×q，所述红外图像的灰度矩阵为Gp×q，其中，
Figure BDA0002136214550000022
Figure BDA0002136214550000031
所述红外图像的灰度的取值范围[0,255]，通过公式
Figure BDA0002136214550000032
以及所述红外图像的灰度矩阵Gp×q确定所述变电设备的至少部分结构的实际温度，其中，tij为所述温度分布矩阵Tp×q中的温度值，gij为所述灰度矩阵Gp×q中与tij对应的灰度值，并且1≤i≤p，1≤j≤q，tmax为所述温度分布矩阵Tp×q中的最高温度值，tmin为所述温度分布矩阵Tp×q中的最低温度值。
在一个示例中，训练所述识别模型时，将损失函数定义为位置误差与置信度误差的加权和；其中，针对位置误差采用Smooth L1 loss，针对置信度误差采用softmax loss。
在一个示例中，所述变电设备包括：阻波器、绝缘子、高压套管、导引线、高压直流设备。
另一方面，本申请实施例还提出了一种检测变电设备缺陷的装置，包括：接收模块，接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；处理模块，通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷。
另一方面，本申请实施例还提出了一种检测变电设备缺陷的装置，所述装置包括一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷。
另一方面，本申请实施例还提供了一种存储介质，其存储有计算机程序，该计算机程序用于使所述存储介质所在的计算设备执行下述方法：接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷。
通过本申请提出标定方式能够带来如下有益效果：
由于红外成像是通过识别热目标进行成像的，能穿越烟雾并且在夜间也可以工作，具有较强的抗干扰能力，也比可见光成像的距离更长。因此在通过可见光图像来判断变电设备的表面是否存在缺陷的同时，通过红外图像来根据温度的变化判断变电设备的内部是否存在缺陷，可以更准确的判断变电设备是否存在缺陷，保证了设备的稳定性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种检测变电设备缺陷的方法的流程示意图；
图2为本申请实施例中一种检测变电设备缺陷的装置的模块示意图；
图3为本申请实施例中训练识别模型时采用的结构框架图；
图4为本申请实施例中红外图像的获取示意图；
图5为本申请实施例中的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、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。
以下结合附图，详细说明本申请各实施例提供的技术方案。
如图1以及图5所示，本申请实施例提供一种检测变电设备缺陷的方法，方法包括：
S101、接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像。
采集设备预先放置在变电设备的相应位置处，用于采集包含变电设备的至少部分结构的图像。其中，采集设备可以是单独的一个设备，也可以是多个设备，在此不做限定。而这里的至少部分结构指的是，采集设备在采集图像时，由于存在变电设备的大小、采集设备的摆放位置等诸多客观原因，采集设备可能无法在一张图像中包含变电设备的所有结构。此时，采集设备采集的图像中则只包括变电设备的部分结构。需要说明的是，变电站是电力系统中变换电压、接受和分配电能、控制电力的流向和调整电压的电力设施，它通过其变压器将各级电压的电网联系起来。而在变电站中需要各种组建设备，这些设备类型较多，包含变压器类、开关类、四小器类、无功装置类设备外，还有其他设备及辅助装置，如阻波器、绝缘子、高压套管、导引线、接地装置、二次设备、高压直流设备等，这些设备统称为变电设备。
采集设备在采集到图像后，会向服务器发送该图像。当然，除了服务器以外，也可以向具有相应处理功能的设备发送该图像，为方便描述，以下将以向服务器发送为例进行解释说明。其中，采集设备在采集图像时，采集的方法可以是定时采集，即，每隔预设时长采集设备自动采集图像，并发送至服务器；采集的方法也可以是由人工发起采集后，采集设备开始采集图像并发送至服务器。当然，采集设备每次采集并发送的图像的数量可以是一张，也可以是多张，或者是由多张图像构成的视频，在此不做限定。
当采集的图像是可见光图像时，采集设备可以是相机、摄像头等具有拍照功能的设备。当采集的图像时红外图像时，采集设备可以是红外探测器或相应的能够采集红外图像的设备。其中，在采集设备得到红外图像时，可以在该红外图像的图像属性中添加相应的标识码，标识码用于表示该红外图像所对应的变电设备的设备信息。
具体地，服务器可以预存有各标识码与变电设备之间的对应关系。在服务器接收到该红外图像后，可根据该预存的对应关系，以及该红外图像的图像属性中所包含的标识码，查询到红外图像中的变电设备的设备信息。该设备信息至少包括该变电设备的标识、该变电设备所对应的变电站，以及在红外图像中的至少部分结构在变电设备中的位置信息。例如，确定的设备信息可以是，该变电设备为某变电站的阻波器，该阻波器的标识为第一阻波器，红外图像中的至少部分结构为该第一阻波器的底面结构。
S102、通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；
S103、通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷。
一方面，在服务器接收到采集设备发送的可见光图像后，可以通过预先训练的识别模型来确定该变电设备是否存在缺陷。其中，在训练识别模型时，输入为包含变电设备的图像，输出为变电设备是否存在缺陷；训练用的样本可以通过拍照、摄像等方法获取具有缺陷的变电设备的图像，将其作为正样本，而没有缺陷的变电设备的图像作为负样本，对识别模型进行训练。
具体地，如图3所示，训练识别模型时的模型架构建立在传统的VGG-16结构上，丢弃原来的全连接层。之所以选用VGG-16结构作为基础网络，是因为它具有优秀的图像分类性能以及适合用于迁移学习以提高精度的特性。训练样本的大小可以是300×300或512×512。
在训练过程中，首先要确定训练样本中的ground truth，即，真实目标，与哪个先验框来进行匹配，与该真实目标匹配的先验框所对应的边界框将负责预测它。通常称与真实目标匹配的先验框为正样本，反之，若一个先验框没有与任何真实目标匹配，那么该先验框只能与背景匹配，就是负样本。
尽管一个真实目标可以与多个先验框匹配，但是真实目标相对先验框的数量还是较少，因此负样本相对正样本会较多。为了保证正负样本尽量平衡，模型采用了hardnegative mining，即，对负样本进行抽样，抽样时按照置信度误差进行降序排列，选取误差的较大的top-k作为训练的负样本，以保证正负样本比例接近1:3。其中，预测背景的置信度越小，误差越大。
在确定了训练样本以后，再确定损失函数。损失函数可以定义为位置误差(locatization loss，loc)与置信度误差(confidence loss,conf)的加权和，损失函数的公式可以为：
Figure BDA0002136214550000071
其中，N为先验框的正样本的数量，c为类别置信度预测值，l为先验框对应的边界框的位置预测值，g为真实目标的位置参数，α为权重系数，Lconf(x,c)为置信度误差，Lloc(x,l,g)为位置误差。其中，权重系数α通过交叉验证设置为1。
对于位置误差，其采用Smooth L1 loss，其公式定义如下：
Figure BDA0002136214550000072
其中，Pos为正样本集，Neg为负样本集，cx为先验框的中心坐标，cy为边界框的中心坐标，w为先验框/边界框的宽，h为先验框/边界框的高，m属于cx、cy、w、h中的一种，
Figure BDA00021362145500000823
为第i个先验框的m对应的边界框的位置预测值；
Figure BDA0002136214550000081
当
Figure BDA0002136214550000082
时，表示第i个先验框与第j个真实目标匹配，且真实目标的类别为k，当
Figure BDA0002136214550000083
时，表示第i个先验框与第j个真实目标不匹配；
smoothL1通过下述公式求解：
Figure BDA0002136214550000084
Figure BDA0002136214550000085
为第j个边界框的m的位置参数的编码值，分别通过下述四个公式得到：
Figure BDA0002136214550000086
Figure BDA0002136214550000087
其中，
Figure BDA0002136214550000088
为第j个边界框的cx的位置参数，
Figure BDA0002136214550000089
为第i个先验框的cx位置参数，
Figure BDA00021362145500000810
为第i个先验框的w的位置参数，类似的，
Figure BDA00021362145500000811
分别为第j个边界框的cy、w、h参数，
Figure BDA00021362145500000812
分别为第i各先验框的cy、w、h参数，
Figure BDA00021362145500000813
为第i个先验框的h的位置参数。
对于置信度误差，采用softmax loss,将其定义为：
Figure BDA00021362145500000814
其中，
Figure BDA00021362145500000815
为
Figure BDA00021362145500000816
的编码值，即第i个先验框对应的p类别置信度预测值的编码值，通过下述公式计算得到：
Figure BDA00021362145500000817
类似的，
Figure BDA00021362145500000818
为
Figure BDA00021362145500000819
的编码值，即第i个先验框对应的o类别置信度预测值的编码值，通过下述公式计算得到：
Figure BDA00021362145500000820
当
Figure BDA00021362145500000821
时，表示第i个先验框与第j个真实目标匹配，且真实目标的类别为p；当
Figure BDA00021362145500000822
时，表示第i个先验框与第j个真实目标不匹配；其他参数与上述位置误差公式相同，在此不再赘述。
另外，在训练模型时，采用数据扩增(Data Augmentation)可以提升模型的性能，例如，可以采用水平翻转(horizontal flip)，随机裁剪加颜色扭曲(random crop&colordistortion)，随机采集块域(Randomly sample a patch)等数据扩增的技术。
在确定完损失函数后，使用GPU进行模型训练，即可得到相应的识别模型。
在识别模型预测时，对于每个预测框，首先根据类别置信度确定其类别与置信度值，并过滤掉属于背景的预测框。然后根据置信度阈值，例如0.5，过滤掉阈值较低的预测框。对于留下的预测框进行解码，根据先验框得到其真实的位置参数。其中，解码后还可以做clip，防止预测框位置超出图片。解码之后，可以根据置信度进行降序排列，然后仅保留top-k，例如，400个预测框。最后进行NMS算法，过滤掉重叠度较大的预测框，最后剩余的预测框就是检测结果。
另一方面，在服务器接收到采集设备发送的红外图像后，可以根据通过预存的变电设备各部分结构的常规温度，以及在红外图像中确定的变电设备的至少部分结构的实际温度，确定变电设备是否存在缺陷。如图4所示，由于任何物体在自然环境下都会产生红外辐射，通过大气等传输介质进行传输，温度越高，辐射能量越大。因此可以通过光学系统的红外探测器等，利用热成像仪来将不能够肉眼观察的红外辐射进行电子处理，将其转变成可以看到的表面温度分布图，通过对热图像的温度分布，来找出异常，从而起到检测出异常的诊断功能。红外探测器成像能及时掌握故障设备位置，节省故障查找时间，提高工作效率。它能有效发现设备潜在故障，预防变电站设备故障进一步扩大，有效保障变电站的安全运行。其中，红外图像反应了变电站设备表面温度的分布，对温度变化的反应极其灵敏，它的亮与暗直接反应变电设备温度的高低，二者存在着正比例的关系。
具体地，服务器可以预存有所述变电设备各部分结构的常规温度，在接收到红外图像后，可以根据已确定的红外图像中的变电设备的设备信息，确定出该至少部分结构的常规温度。然后根据红外图像确定至少部分结构的实际温度，若是该常规温度与实际温度之间的差值达到指定阈值，则可以确定变电设备存在缺陷。
进一步地，可以设变电设备的温度分布矩阵为Tp×q，红外图像的灰度矩阵为Gp×q。其中，
Figure BDA0002136214550000101
Figure BDA0002136214550000102
红外图像的灰度的取值范围[0,255]，则温度和灰度的对应关系可以如公式
Figure BDA0002136214550000103
所示，此时，可以根据该公式以及红外图像的灰度矩阵Gp×q确定所述变电设备的至少部分结构的实际温度，其中，tij为所述温度分布矩阵Tp×q中的温度值，gij为所述灰度矩阵Gp×q中与tij对应的灰度值，并且1≤i≤p，1≤j≤q，tmax为所述温度分布矩阵Tp×q中的最高温度值，tmin为所述温度分布矩阵Tp×q中的最低温度值。
由于变电站大多数电气设备的连接部件都处于裸露工作状态，在长期的运行工作中，这些连接件极其容易受到环境温差、有害气体腐蚀以及自然老化的原因，从而会引起相应的局部发热、温度异常升高等问题。这些问题如若不能够得到及时的处理，极其容易引发电气设备的运行故障，甚至成为电网事故的导火索。其中，外部发热缺陷是能够通过红外测温直接发现的。
电力设备运行时有电流经过，当设备发热异常时，可利用温度测量法检测变电设备的温度值，并利用相应的公式计算变电站中电力设备正常运行时产生的热量，比较两者温度，得出温差值，以此判断电力设备运行情况。
具体地，在计算温差值时，可通过
Figure BDA0002136214550000104
计算得到。其中，t1为所述至少部分结构的实际温升，T1为所述至少部分结构的实际温度，t2为所述至少部分结构的常规温升，T1为所述至少部分结构的常规温度，T0为环境温度参照体的温度，σ1为温差值；并且在温差值大于或等于预设阈值，例如35％时，认为该变电设备存在缺陷。
在一个实施例中，变电站可以预先设置有相应的系统，采集设备可以将采集到的图像自动或被动的通过该系统上传并保存在服务器的数据库中。在图像上传到服务器后，可以调用OCX自动诊断工具，将一些未处理的图像进行分析、诊断，并将诊断结果入库。在将诊断结果入库后，可以人工查看诊断结果，如果诊断结果正确，则确认，生成诊断报告并登记缺陷，否则，可重新分析并修改诊断结果。在确认设备缺陷后，可以生成诊断报告，并进行留存，以便于后续对设备的维修。
如图2所示，本申请实施例还提供一种检测变电设备缺陷的装置，包括：
接收模块201，接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；
处理模块202，通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (7)

1.一种检测变电设备缺陷的方法，其特征在于，包括：
接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；
通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并
通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷；
接收采集设备发送的图像之后，所述方法还包括：
根据所述红外图像的图像属性中的标识码，以及预存的标识码与变电设备之间的对应关系，确定所述红外图像中的变电设备的设备信息；其中，所述标识码为所述采集设备采集所述红外图像时生成的，所述设备信息包括：所述变电设备的标识、所述变电设备对应的变电站、所述至少部分结构在所述变电设备中的位置信息；
通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷，具体包括：
根据已确定的所述红外图像中的变电设备的设备信息，以及预存的所述变电设备各部分结构的常规温度，确定所述红外图像中的所述变电设备的至少部分结构的常规温度；
根据所述红外图像确定所述至少部分结构的实际温度；
若所述常规温度与所述实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷；
若所述至少部分结构的常规温度与所述至少部分结构的实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷，具体包括：
通过公式
Figure FDA0003560331550000021
计算得到所述变电设备是否存在缺陷，其中，t1为所述至少部分结构的实际温升，T1为所述至少部分结构的实际温度，t2为所述至少部分结构的常规温升，T2为所述至少部分结构的常规温度，T0为环境温度参照体的温度，σ1为温差值；并
当σ1大于或等于35％时，确定所述变电设备存在缺陷。
2.根据权利要求1所述的方法，其特征在于，在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，具体包括：
设所述变电设备的温度分布矩阵为Tp×q，所述红外图像的灰度矩阵为Gp×q，其中，
Figure FDA0003560331550000022
Figure FDA0003560331550000023
所述红外图像的灰度的取值范围[0,255]，通过公式
Figure FDA0003560331550000024
Figure FDA0003560331550000025
以及所述红外图像的灰度矩阵Gp×q确定所述变电设备的至少部分结构的实际温度，其中，tij为所述温度分布矩阵Tp×q中的温度值，gij为所述灰度矩阵Gp×q中与tij对应的灰度值，并且1≤i≤p，1≤j≤q，tmax为所述温度分布矩阵Tp×q中的最高温度值，tmin为所述温度分布矩阵Tp×q中的最低温度值。
3.根据权利要求1所述的方法，其特征在于，训练所述识别模型时，将损失函数定义为位置误差与置信度误差的加权和；其中，针对位置误差采用Smooth L1 loss，针对置信度误差采用softmax loss。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述变电设备包括：阻波器、绝缘子、高压套管、导引线、高压直流设备。
5.一种检测变电设备缺陷的装置，其特征在于，包括：
接收模块，接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；
处理模块，通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷；
接收采集设备发送的图像之后，根据所述红外图像的图像属性中的标识码，以及预存的标识码与变电设备之间的对应关系，确定所述红外图像中的变电设备的设备信息；其中，所述标识码为所述采集设备采集所述红外图像时生成的，所述设备信息包括：所述变电设备的标识、所述变电设备对应的变电站、所述至少部分结构在所述变电设备中的位置信息；
通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷，具体包括：
根据已确定的所述红外图像中的变电设备的设备信息，以及预存的所述变电设备各部分结构的常规温度，确定所述红外图像中的所述变电设备的至少部分结构的常规温度；根据所述红外图像确定所述至少部分结构的实际温度；若所述常规温度与所述实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷；
若所述至少部分结构的常规温度与所述至少部分结构的实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷，具体包括：
通过公式
Figure FDA0003560331550000031
计算得到所述变电设备是否存在缺陷，其中，t1为所述至少部分结构的实际温升，T1为所述至少部分结构的实际温度，t2为所述至少部分结构的常规温升，T2为所述至少部分结构的常规温度，T0为环境温度参照体的温度，σ1为温差值；并当σ1大于或等于35％时，确定所述变电设备存在缺陷。
6.一种检测变电设备缺陷的装置，所述装置包括一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：
接收采集设备发送的图像，其中，所述图像中包含所述变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；
通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并
通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷；
接收采集设备发送的图像之后，根据所述红外图像的图像属性中的标识码，以及预存的标识码与变电设备之间的对应关系，确定所述红外图像中的变电设备的设备信息；其中，所述标识码为所述采集设备采集所述红外图像时生成的，所述设备信息包括：所述变电设备的标识、所述变电设备对应的变电站、所述至少部分结构在所述变电设备中的位置信息；
通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷，具体包括：
根据已确定的所述红外图像中的变电设备的设备信息，以及预存的所述变电设备各部分结构的常规温度，确定所述红外图像中的所述变电设备的至少部分结构的常规温度；
根据所述红外图像确定所述至少部分结构的实际温度；
若所述常规温度与所述实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷；
若所述至少部分结构的常规温度与所述至少部分结构的实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷，具体包括：
通过公式
Figure FDA0003560331550000051
计算得到所述变电设备是否存在缺陷，其中，t1为所述至少部分结构的实际温升，T1为所述至少部分结构的实际温度，t2为所述至少部分结构的常规温升，T2为所述至少部分结构的常规温度，T0为环境温度参照体的温度，σ1为温差值；并
当σ1大于或等于35％时，确定所述变电设备存在缺陷。
7.一种存储介质，其存储有计算机程序，该计算机程序用于使所述存储介质所在的计算设备执行下述方法：
接收采集设备发送的图像，其中，所述图像中包含变电设备的至少部分结构，所述图像包括可见光图像以及红外图像；
通过预先训练的识别模型，在所述可见光图像中确定所述变电设备是否存在缺陷；其中，在训练所述识别模型时，输入为包含所述变电设备的图像，输出为所述变电设备是否存在缺陷；并
通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷；
接收采集设备发送的图像之后，所述方法还包括：
根据所述红外图像的图像属性中的标识码，以及预存的标识码与变电设备之间的对应关系，确定所述红外图像中的变电设备的设备信息；其中，所述标识码为所述采集设备采集所述红外图像时生成的，所述设备信息包括：所述变电设备的标识、所述变电设备对应的变电站、所述至少部分结构在所述变电设备中的位置信息；
通过预存的所述变电设备各部分结构的常规温度，以及在所述红外图像中确定的所述变电设备的至少部分结构的实际温度，确定所述变电设备是否存在缺陷，具体包括：
根据已确定的所述红外图像中的变电设备的设备信息，以及预存的所述变电设备各部分结构的常规温度，确定所述红外图像中的所述变电设备的至少部分结构的常规温度；
根据所述红外图像确定所述至少部分结构的实际温度；
若所述常规温度与所述实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷；
若所述至少部分结构的常规温度与所述至少部分结构的实际温度之间的差值达到指定阈值，则确定所述变电设备存在缺陷，具体包括：
通过公式
Figure FDA0003560331550000061
计算得到所述变电设备是否存在缺陷，其中，t1为所述至少部分结构的实际温升，T1为所述至少部分结构的实际温度，t2为所述至少部分结构的常规温升，T2为所述至少部分结构的常规温度，T0为环境温度参照体的温度，σ1为温差值；并
当σ1大于或等于35％时，确定所述变电设备存在缺陷。
CN201910653908.5A 2019-07-19 2019-07-19 一种检测变电设备缺陷的方法、装置及存储介质 Active CN110567964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910653908.5A CN110567964B (zh) 2019-07-19 2019-07-19 一种检测变电设备缺陷的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910653908.5A CN110567964B (zh) 2019-07-19 2019-07-19 一种检测变电设备缺陷的方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110567964A CN110567964A (zh) 2019-12-13
CN110567964B true CN110567964B (zh) 2022-07-05

Family

ID=68773183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910653908.5A Active CN110567964B (zh) 2019-07-19 2019-07-19 一种检测变电设备缺陷的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110567964B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369516B (zh) * 2020-03-01 2023-06-30 上海置信电气股份有限公司 基于红外图像识别的变压器套管发热缺陷检测方法
CN111798412B (zh) * 2020-06-04 2024-02-09 国网山东省电力公司电力科学研究院 一种基于红外图像的变电设备缺陷智能诊断方法及系统
CN112083000B (zh) * 2020-08-12 2022-12-02 中国电力科学研究院有限公司 一种变电站设备外观缺陷的智能识别方法及系统
CN112131936B (zh) * 2020-08-13 2023-07-21 华瑞新智科技（北京）有限公司 一种巡检机器人图像识别方法及巡检机器人
CN112924471B (zh) * 2021-01-26 2022-12-09 四川华能宝兴河水电有限责任公司 一种设备故障诊断系统及其诊断方法
CN113378818B (zh) * 2021-06-21 2024-06-07 中国南方电网有限责任公司超高压输电公司柳州局 电气设备缺陷确定方法、装置、电子设备及存储介质
CN113570574B (zh) * 2021-07-28 2023-12-01 北京精英系统科技有限公司 一种场景特征检测的装置、搜索的装置及搜索的方法
CN113808127A (zh) * 2021-09-27 2021-12-17 苏州中诚地利科技有限公司 散热器检测方法及装置
CN114387750A (zh) * 2021-12-28 2022-04-22 东旭新能源投资有限公司 一种变电设备监测的方法、装置、设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102967373B (zh) * 2012-11-09 2014-08-27 广东电网公司东莞供电局 一种变电站三维红外测温监测系统的监测方法
CN103901291B (zh) * 2012-12-28 2016-06-01 华北电力科学研究院有限责任公司 一种变电设备内部绝缘缺陷的诊断方法
CN203395530U (zh) * 2013-06-04 2014-01-15 沈阳易思达智能通讯有限公司 一种变电站巡检机器人的云台支撑结构
CN103792238B (zh) * 2014-02-07 2016-01-20 国家电网公司 一种瓷质悬式绝缘子缺陷诊断方法
CN104331521B (zh) * 2014-11-27 2017-10-31 国家电网公司 基于图像处理的变电设备异常自动识别方法
CN105403312A (zh) * 2015-10-28 2016-03-16 国家电网公司 一种输变电设备红外成像图谱识别及分析方法
CN106680285B (zh) * 2016-11-17 2022-04-05 同济大学 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法
CN107491781A (zh) * 2017-07-21 2017-12-19 国家电网公司 一种巡检机器人可见光与红外传感器数据融合方法
CN108022235B (zh) * 2017-11-23 2020-07-28 中国科学院自动化研究所 高压输电铁塔关键部件缺陷识别方法
CN109038821A (zh) * 2018-08-10 2018-12-18 国网上海市电力公司 一种变电站智能分布式图像巡检系统

Also Published As

Publication number Publication date
CN110567964A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110567964B (zh) 一种检测变电设备缺陷的方法、装置及存储介质
CN112734692B (zh) 一种变电设备缺陷识别方法及装置
Li et al. Deep learning based module defect analysis for large-scale photovoltaic farms
Aghaei et al. Innovative automated control system for PV fields inspection and remote control
CN111751002B (zh) 一种基于红外热成像的带电设备故障智能诊断方法
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
CN106680285B (zh) 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法
CN114792319B (zh) 一种基于变电图像的变电站巡检方法及系统
CN108537154A (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN111624229B (zh) 一种基于红外成像的带电设备故障智能诊断方法
CN114898232B (zh) 基于光伏组串数据分析的光伏电站无人机巡检方法及系统
CN116054417B (zh) 一种变电站用的监控系统及方法
US20230042106A1 (en) System and method for the statistical analysis of images of photovoltaic panels
Liao et al. Using Matlab real-time image analysis for solar panel fault detection with UAV
CN112326039B (zh) 一种光伏电站巡检辅助系统
CN115642877A (zh) 一种基于深度学习的光伏组件异常遮挡检测方法及系统
CN116310274A (zh) 一种输变电设备的状态评估方法
KR102574002B1 (ko) 드론을 이용한 태양광 발전소 점검 시스템 및 방법
CN115912183B (zh) 高压输电线路生态措施巡视方法、系统及可读存储介质
CN113284103B (zh) 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法
CN108470141B (zh) 一种基于统计特征与机器学习的配电线路中绝缘子识别方法
CN115311539A (zh) 架空输电线路缺陷识别方法、装置、设备及存储介质
CN113724274A (zh) 一种温度智能监测方法及系统
CN115965912B (zh) 一种基于图像识别的配网设备状态监测系统和方法
CN116912721B (zh) 一种基于单目立体视觉的配电网设备本体识别方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20211011

Address after: 3 / F, xindongyuan North building, 3501 Chengfu Road, Haidian District, Beijing 100083

Applicant after: Huarui Xinzhi Technology (Beijing) Co., Ltd

Applicant after: Huarui Xinzhi Baoding Technology Co., Ltd

Address before: 3 / F, xindongyuan North building, No. 35-1, Chengfu Road, Haidian District, Beijing 100083

Applicant before: Huarui Xinzhi Technology (Beijing) Co., Ltd

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant