CN111080578B - 一种利用图像识别评估电弧故障危险程度的方法 - Google Patents
一种利用图像识别评估电弧故障危险程度的方法 Download PDFInfo
- Publication number
- CN111080578B CN111080578B CN201911185461.XA CN201911185461A CN111080578B CN 111080578 B CN111080578 B CN 111080578B CN 201911185461 A CN201911185461 A CN 201911185461A CN 111080578 B CN111080578 B CN 111080578B
- Authority
- CN
- China
- Prior art keywords
- arc
- arc column
- ellipse
- area
- danger degree
- 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
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种利用图像识别评估电弧故障危险程度的方法,包括以下步骤:1)识别电弧弧柱和光圈区域图像;2)得电弧弧柱区域图像;3)计算电弧弧柱区域的面积,同时将电弧弧柱等效为椭圆,求取该椭圆的长轴长度,计算电弧弧柱区域的面积与该椭圆长轴长度的比值,再利用不同形态的电弧及其对应的电弧弧柱区域的面积与该椭圆长轴长度的比值将直流电弧燃烧的危险程度划分为若干等级;4)利用电弧弧柱区域的面积与该椭圆长轴长度的比值及其对应的直流电弧燃烧的危险程度的等级构建分类器,再对分类器进行训练;5)利用训练后的分类器识别判断直流电弧燃烧的危险程度等级,该方法能够对电弧故障的危险程度进行评估。
Description
技术领域
本发明属于故障检测领域,涉及一种利用图像识别评估电弧故障危险程度的方法。
背景技术
在交流或者直流系统中,发生金属接头松动、线路绝缘老化磨损等情况时,都可能引起放电,放电持续发展形成电弧,电弧持续燃烧可能引起火灾等事故。电弧故障从起始到发展为电弧的过程中受到回路电流和运行环境的影响,其燃烧的状态不同,对系统的危害程度不同,现有技术中没有能够评估电弧故障的危险程度的方法。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种利用图像识别评估电弧故障危险程度的方法,该方法能够对电弧故障的危险程度进行评估。
为达到上述目的,本发明所述的利用图像识别评估电弧故障危险程度的方法包括以下步骤:
1)获取电弧图像,识别电弧弧柱和光圈区域图像;
2)对电弧弧柱和光圈区域图像进行去燥,并设置阈值,再二值化该电弧弧柱和光圈区域图像,得电弧弧柱区域图像;
3)计算电弧弧柱区域的面积,同时将电弧弧柱等效为椭圆,求取该椭圆的长轴长度,计算电弧弧柱区域的面积与该椭圆长轴长度的比值,再利用不同形态的电弧及其对应的电弧弧柱区域的面积与该椭圆长轴长度的比值将直流电弧燃烧的危险程度划分为若干等级;
4)利用电弧弧柱区域的面积与该椭圆长轴长度的比值及其对应的直流电弧燃烧的危险程度的等级构建分类器,再对分类器进行训练;
5)利用训练后的分类器识别判断直流电弧燃烧的危险程度等级。
步骤2)中对电弧弧柱和光圈区域图像利用膨胀腐蚀开闭运算进行去燥。
步骤3)中利用不同形态的电弧及其对应的比值将直流电弧燃烧的危险程度划分为三个等级。
步骤4)中利用机器学习方法对分类器进行训练。
步骤1)的具体操作为:获取电弧图像,再采用模糊C均值聚类(FCM)算法识别电弧弧柱和光圈区域图像。
本发明具有以下有益效果:
本发明所述的利用图像识别评估电弧故障危险程度的方法在具体操作时,基于图像识别技术实现电弧故障危险程度的评估,具体的,先获取电弧图像,识别电弧弧柱和光圈区域图像,再根据电弧弧柱和光圈区域图像构建分类器,然后再该分类器进行训练,最后利用训练后的分类器进行识别判断直流电弧燃烧的危险程度等级,以实现自动判断电弧故障危险程度的目的。
附图说明
图1为电弧原始图像;
图2为模糊C均值聚类后电弧图像;
图3为图像处理后得到的电弧弧柱区域图像;
图4为基于电弧弧柱区域的面积与该椭圆长轴长度的比值的电弧危险程度等级的划分示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参考图1至图4,本发明所述的利用图像识别评估电弧故障危险程度的方法包括以下步骤:
1)获取电弧图像,识别电弧弧柱和光圈区域图像;
2)对电弧弧柱和光圈区域图像进行去燥,并设置阈值,再二值化该电弧弧柱和光圈区域图像,得电弧弧柱区域图像;
3)计算电弧弧柱区域的面积,同时将电弧弧柱等效为椭圆,求取该椭圆的长轴长度,计算电弧弧柱区域的面积与该椭圆长轴长度的比值,再利用不同形态的电弧及其对应的电弧弧柱区域的面积与该椭圆长轴长度的比值将直流电弧燃烧的危险程度划分为若干等级;
4)利用电弧弧柱区域的面积与该椭圆长轴长度的比值及其对应的直流电弧燃烧的危险程度的等级构建分类器,再对分类器进行训练;
5)利用训练后的分类器识别判断直流电弧燃烧的危险程度等级。
步骤2)中对电弧弧柱和光圈区域图像利用膨胀腐蚀开闭运算进行去燥。
步骤3)中利用不同形态的电弧及其对应的比值将直流电弧燃烧的危险程度划分为三个等级。
步骤4)中利用机器学习方法对分类器进行训练。
步骤1)的具体操作为:获取电弧图像,再采用模糊C均值聚类算法识别电弧弧柱和光圈区域图像。
本发明可以应用于整流直流源系统、蓄电池供电系统及光伏发电系统等,通过获取电弧图像并计算形态特征参量,识别电弧故障的危险度。
Claims (4)
1.一种利用图像识别评估电弧故障危险程度的方法,其特征在于,包括以下步骤:
1)获取电弧图像,识别电弧弧柱和光圈区域图像;
2)对电弧弧柱和光圈区域图像进行去燥,并设置阈值,再二值化该电弧弧柱和光圈区域图像,得电弧弧柱区域图像;
3)计算电弧弧柱区域的面积,同时将电弧弧柱等效为椭圆,求取该椭圆的长轴长度,计算电弧弧柱区域的面积与该椭圆长轴长度的比值,再利用不同形态的电弧及其对应的电弧弧柱区域的面积与该椭圆长轴长度的比值将直流电弧燃烧的危险程度划分为三个等级;
4)利用电弧弧柱区域的面积与该椭圆长轴长度的比值及其对应的直流电弧燃烧的危险程度的等级构建分类器,再对分类器进行训练;
5)利用训练后的分类器识别判断直流电弧燃烧的危险程度等级。
2.根据权利要求1所述的利用图像识别评估电弧故障危险程度的方法,其特征在于,步骤2)中对电弧弧柱和光圈区域图像利用膨胀腐蚀开闭运算进行去燥。
3.根据权利要求1所述的利用图像识别评估电弧故障危险程度的方法,其特征在于,步骤4)中利用机器学习方法对分类器进行训练。
4.根据权利要求1所述的利用图像识别评估电弧故障危险程度的方法,其特征在于,步骤1)的具体操作为:获取电弧图像,再采用模糊C均值聚类算法识别电弧弧柱和光圈区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185461.XA CN111080578B (zh) | 2019-11-27 | 2019-11-27 | 一种利用图像识别评估电弧故障危险程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185461.XA CN111080578B (zh) | 2019-11-27 | 2019-11-27 | 一种利用图像识别评估电弧故障危险程度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080578A CN111080578A (zh) | 2020-04-28 |
CN111080578B true CN111080578B (zh) | 2022-08-16 |
Family
ID=70311919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911185461.XA Active CN111080578B (zh) | 2019-11-27 | 2019-11-27 | 一种利用图像识别评估电弧故障危险程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080578B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113785B (zh) * | 2020-09-22 | 2022-09-16 | 北京小米移动软件有限公司 | 检测方法及装置、测试设备、存储介质 |
CN113421244A (zh) * | 2021-06-24 | 2021-09-21 | 国网江苏省电力有限公司电力科学研究院 | 不同电极材料的电弧故障识别方法、系统、设备及存储介质 |
CN113752274A (zh) * | 2021-09-13 | 2021-12-07 | 广西电网有限责任公司电力科学研究院 | 一种高压安全辅助拆接地线机器人系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277856A (zh) * | 2015-11-20 | 2016-01-27 | 重庆理工大学 | 交联聚乙烯电缆接头放电故障监测系统及故障分类方法 |
CN110428400A (zh) * | 2019-07-09 | 2019-11-08 | 北京百分点信息科技有限公司 | 一种设备故障的定位方法、装置、设备及存储介质 |
-
2019
- 2019-11-27 CN CN201911185461.XA patent/CN111080578B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277856A (zh) * | 2015-11-20 | 2016-01-27 | 重庆理工大学 | 交联聚乙烯电缆接头放电故障监测系统及故障分类方法 |
CN110428400A (zh) * | 2019-07-09 | 2019-11-08 | 北京百分点信息科技有限公司 | 一种设备故障的定位方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
Image Processing of Vacuum Arc Based on two-dimensional Segmentation Algorithm;Yongxing Wang etc.;《2018 28th International Symposium on Discharges and Electrical Insulation in Vacuum (ISDEIV)》;20181119;第499-502页 * |
低压故障电弧图像特征提及试验;黄莉 等;《低压电器》;20131030(第20期);第21-23、37页 * |
基于图像处理技术的真空电弧参数化研究;王永兴 等;《真空科学与技术学报》;20191015;第39卷(第10期);第864-869页 * |
基于电弧面积绝缘子表面放电强度精细分类与识别方法;方春华 等;《高压电器》;20190216;第55卷(第2期);第126-132、139页 * |
弓网电弧形态特性试验研究;吴广宁 等;《高电压技术》;20151130;第41卷(第11期);第3531-3537 页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111080578A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080578B (zh) | 一种利用图像识别评估电弧故障危险程度的方法 | |
KR101772916B1 (ko) | 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템 | |
CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN109584222A (zh) | 一种基于无人机的光伏组件图像的故障分类及辨识方法 | |
CN107222726B (zh) | 电力设施防外破预警方法 | |
Fondevik et al. | Image segmentation of corrosion damages in industrial inspections | |
CN114445350A (zh) | 电力器件的图像检测方法、装置、电子设备及存储介质 | |
CN114030395B (zh) | 一种接触悬挂吊弦区域异物检测方法及系统 | |
CN106340034A (zh) | 一种变压器漏油检测方法 | |
CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
CN113128760A (zh) | 安全生产的双控管理方法、装置、设备及存储介质 | |
CN112949536A (zh) | 一种基于云平台的火灾报警方法 | |
CN104376322A (zh) | 一种集装箱箱号预处理质量的智能评测方法 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
CN107609556B (zh) | 一种输电线路环境中高空作业机械的检测方法 | |
Shouguo et al. | Automatic detection method for small size transmission lines defect based on improved yolov3 | |
CN115937683A (zh) | 基于激光清障设备的高空输电线异物目标检测方法及系统 | |
CN115311625A (zh) | 一种判断目标是否接触输电线路的监控方法 | |
Myrans et al. | Using Automatic Anomaly Detection to Identify Faults in Sewers:(027) | |
Bonnín-Pascual et al. | A Saliency-Boosted Corrosion Detector for the Visual Inspection of Vessels. | |
CN112164025A (zh) | 螺纹连接件的缺陷检测方法及装置、电子设备和存储介质 | |
CN112179922A (zh) | 一种电线电缆缺陷检测系统 | |
CN112161996A (zh) | 一种基于图像识别的光伏电池板焊带烧毁检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |