CN111178388B - 基于nsct光电融合图谱的局部放电相位分布检测方法 - Google Patents
基于nsct光电融合图谱的局部放电相位分布检测方法 Download PDFInfo
- Publication number
- CN111178388B CN111178388B CN201911231618.8A CN201911231618A CN111178388B CN 111178388 B CN111178388 B CN 111178388B CN 201911231618 A CN201911231618 A CN 201911231618A CN 111178388 B CN111178388 B CN 111178388B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- nsct
- fusion
- decomposition
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于NSCT光电融合图谱的局部放电相位分布检测方法,包括以下步骤:采集局放图谱、对光学PRPD图谱和特高频PRPD图谱进行灰度化处理和NSCT分解、NSCT融合、NSCT逆变换,重构出光电融合图像F和对光电融合PRPD图谱的模式识别。实验结果表明,本发明能够提高现阶段单一光学检测和单一特高频检测的模式识别的准确率,具有良好的识别效果和较高的实用性,有利于电力设备的运维检修,保障电网安全稳定运行。
Description
技术领域
本发明属于气体绝缘设备局部放电故障诊断,特别是一种基于NSCT光电融合图谱的局部放电相位分布检测方法,该诊断方法能够提高现阶段单一光学检测和单一特高频检测的模式识别准确率,有利于电力设备的运维检修,保障电网安全稳定运行。
背景技术
近年来,由于气体绝缘设备具有容量大、稳定性高和不易受环境影响等特点,被广泛的应用于变电站的运行和电能的传输过程中。随着气体绝缘设备的大规模应用,其设备绝缘性能的劣化逐渐成为电网安全关注的重点。因为局部放电是绝缘劣化的关键因素之一,所以随着局部放电检测技术的发展,为了提高局部放电检测的稳定性和可靠性是目前电网故障检测领域的热点问题。
目前,应用较为广泛的局部放电检测方法有特高频检测法、超声检测法、高频电流检测法等,光学检测法由于其具有较高的灵敏度,被认为有广阔的发展前景,已在国外投入试点使用。近年来有学者提出一种基于光学方法和特高频方法集成的局放光电联合检测技术,通过该方法,使得两种方法的劣势能够互补,从而更加准确的检测气体绝缘设备的局部放电现象。
但是,通过实验发现,在光学检测和特高频检测的过程中,两种局放检测方法都会出现信号漏检的现象。其中光学检测对微粒缺陷放电存在信号的漏检,而特高频检测对尖端缺陷放电存在信号的漏检。由此,在对两种类型的检测图谱进行局放模式识别的过程中,这种信号漏检现象会导致局部放电相位分布(以下简称为PRPD)图谱的特征信息不完整,从而降低模式识别的准确率。
发明内容
因此,为了提高局放光学检测和特高频检测模式识别的正确率,本发明提出一种基于NSCT光电融合图谱的局部放电相位分布检测方法,用于提高局部放电模式识别的准确率。本发明以光学-特高频联合检测为基础,通过改进的非下采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)图像融合算法,将光学检测的局部放电相位分布PRPD图谱和特高频检测的局部放电相位分布PRPD图谱相融合,得到光电融合PRPD图谱。由此,弥补了两种检测方法在不同放电缺陷下的信号缺失现象,使得局放PRPD图谱中包含了更加全面、丰富的局放特征信息。实验结果表明,将光电融合PRPD图谱、光学PRPD图谱和特高频PRPD图谱投入相同的模式识别分类器当中,光电融合PRPD图谱的识别正确率有显著提高。
本发明的技术方案如下:
一种基于NSCT光电融合图谱的局部放电相位分布检测方法,其特点在于在于该方法包括以下步骤:
1)采集局放图谱:
以光电联合局放检测实验平台为基础,采集多种放电缺陷的局部放电信号,得到相应的光学PRPD图谱和特高频PRPD图谱;
2)对光学PRPD图谱和特高频PRPD图谱进行灰度化处理和NSCT分解,得到相应源图谱的高频子图和低频子图;
所述的NSCT分解由非下采样金字塔滤波器组(Non-Subsampled Pyramid FilterBanks,以下简称为NSPFB)和非下采样方向滤波器组(Non-Subsampled DirectionalFilter Bank,以下简称为NSDFB)构成:
所述的NSPFB是对滤波器采取上采样操作后,再用其进行滤波,其满足完全重构条件,即“BEZOUT恒等式”。为了实现对图像的多尺度分解,NSPFB通过迭代的方法,每一级对上一级滤波器H(z)按矩阵D=2I进行上采样处理,得到上2采样处理后的滤波器H(z2I),NSPFB通过上2采样后的低通滤波器H0(z2I)和带通滤波器H1(z2I)对前一级的低频子带图像进行滤波处理,从而每一级会分解产生一个低频子带图像和高频子带图像;
定义分解尺度为j,在滤波过程中,低通滤波器在j尺度下的理想频域空间为[-π/2j,π/2j]×[-π/2j,π/2j],带通滤波器相应的理想频域空间为[-π/2j+1,π/2j+1]×[-π/2j-1,π/2j-1],由此,图像在经过j级的NSPFB分解后,能够得到j+1个与原始分解图像尺寸相同的子带图像,包括1个低频子带图像y0和j个高频子带图像{y1,y2,...,yj};
所述的NSDFB是对上一级理想频域空间为扇形的二通道方向滤波器U0(z)和U1(z)按采样矩阵D进行上采样处理,得到滤波器U0(zD)和U1(zD),然后运用U0(zD)和U1(zD)对上一级方向分解后的子带图像进行滤波,进而实现图像在相应频域图像中更精确的方向分解,对已知尺度下的子带图像进行k级方向分解,得到2k个与源图像尺寸相同的方向子带图像;光学图谱和UHF图谱通过NSCT分解后,都能够得到个与原始图像大小相等的子图;
3)进行NSCT融合,具体融合的步骤如下:
31)融合预处理:
在进行NSCT变换之前,为了叙述方便,将光学PRPD图谱称为源图像A,将特高频PRPD图谱称为源图像B,对源图像A和源图像B进行灰度化处理,对源图像A、源图像B的灰度图进行NSCT分解,得到各图像的多层高频子带系数和低频子带系数其中,j=(1,2,...,J)为NSPFB尺度分解的层数,r为j尺度下NSDFB分解的第r个方向子带系数代表点(m,n)处的灰度值;
32)低频子图系数融合:
定义f(m,n)为图像中点(m,n)的灰度值,则一个尺寸为M×N的图像,其局部熵Hf(m,n)定义为:
其中,pmn为点(m,n)处的灰度分布概率:
由此,本文所采取的低频系数融合方法可总结为:
33)高频子图系数融合:
根据图像对比度的概念,引入图像局部方向对比度算法,获取高频子图中的细节信息:
局部方向对比度定义为:
其中,Conj,r(m,n)代表在尺度j、方向r上点(m,n)处的局部方向对比度;Gj,r(m,n)代表尺度j、方向r上点(m,n)处的高频子带系数;为尺度j上的低频子带Lj(m,n)在点(m,n)处的局部区域均值为:
本文所采取的高频系数融合方法可总结为:
4)NSCT逆变换:
经过NSCT逆变换,重构出光电融合图像F;
5)光电融合PRPD图谱的模式识别,为了有效地反映图像的纹理信息、轮廓信息、变化趋势信息和颜色信息特征,对光电融合PRPD图谱进行特征参量的提取。
所述的光电融合PRPD图谱的模式识别是将降维后的样本投入线性判别法、支持向量机、KNN三种分类器当中进行模式识别。
本发明的技术效果如下:
本发明以光学-特高频联合检测为基础,通过改进的非下采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)图像融合算法,将光学检测的局部放电相位分布PRPD图谱和特高频检测的局部放电相位分布PRPD图谱相融合,得到光电融合PRPD图谱。由此,弥补了两种检测方法在不同放电缺陷下的信号缺失现象,使得局放PRPD图谱中包含了更加全面、丰富的局放特征信息。
本发明在验证过程中采用主成分分析法对特征向量空间进行降维处理,将PRPD图谱的特征维数降维至11,受训练样本数量的影响小,具有良好的识别效果和较高的实用性。
实验结果表明,本发明能够提高现阶段单一光学检测和单一特高频检测的模式识别的准确率,具有良好的识别效果和较高的实用性,有利于电力设备的运维检修,保障电网安全稳定运行。
附图说明
图1是本发明基于NSCT光电融合图谱的局部放电相位分布检测方法整体流程图
图2是尖端放电局放图谱(左图为光学PRPD图谱,右图为特高频PRPD图谱)
图3是NSCT分解结构框图
图4是光学PRPD图谱的NSCT分解过程
图5是特高频PRPD图谱的NSCT分解过程
图6是NSCT光电图像融合结构图
图7是光电融合图谱各子图的融合过程
图8是光电融合局部放电图谱
图9是不同分类器的识别结果
图9(a)是LDA分类器识别结果
图9(b)是KNN分类器识别结果
图9(c)是SVM分类器识别结果
具体实施方式
先请参阅图1,图1是本发明基于NSCT光电融合图谱的局部放电相位分布检测方法整体流程图,由图可见,本发明基于NSCT光电融合图谱的局部放电相位分布检测方法,该方法包括以下步骤:
a.采集局放图谱
以光电联合局放检测实验平台为基础,采集多种放电缺陷的局部放电信号,得到相应的光学PRPD图谱和特高频PRPD图谱,如图2所示(以尖端缺陷为例)。
b.进行NSCT分解
对光学PRPD图谱和特高频PRPD图谱进行灰度化处理和NSCT分解,得到相应源图谱的高频子图和低频子图。
NSCT分解可有两部份构成:非下采样金字塔滤波器组(Non-Subsampled PyramidFilter Banks,NSPFB)和非下采样方向滤波器组(Non-Subsampled Directional FilterBank,NSDFB)。
其中,NSPFB是对滤波器采取上采样操作后,再用其进行滤波,其满足完全重构(Perfect Reconstruction,PR)条件,即“BEZOUT恒等式”。为了实现对图像的多尺度分解,NSPFB通过迭代的方法,每一级对上一级滤波器H(z)按矩阵D=2I进行上采样处理,得到上2采样处理后的滤波器H(z2I)。NSPFB通过上2采样后的低通滤波器H0(z2I)和带通滤波器H1(z2I)对前一级的低频子带图像进行滤波处理,从而每一级会分解产生一个低频子带图像和高频子带图像。定义分解尺度为j,在滤波过程中,低通滤波器在j尺度下的理想频域空间为[-π/2j,π/2j]×[-π/2j,π/2j],带通滤波器相应的理想频域空间为[-π/2j+1,π/2j+1]×[-π/2j-1,π/2j-1]。由此,图像在经过j级的NSPFB分解后,能够得到j+1个与原始分解图像尺寸相同的子带图像,其中包括1个低频子带图像y0和j个高频子带图像{y1,y2,...,yj}。
NSCT中所应用的NSDFB是对上一级理想频域空间为扇形的二通道方向滤波器U0(z)和U1(z)按采样矩阵D进行上采样处理,得到滤波器U0(zD)和U1(zD),然后运用U0(zD)和U1(zD)对上一级方向分解后的子带图像进行滤波,进而实现图像在相应频域图像中更精确的方向分解。因此,对已知尺度下的子带图像进行k级方向分解,可以得到2k个与源图像尺寸相同的方向子带图像。
本发明中以如下分解为例,对局部放电PRPD图谱进行3级NSPFB尺度分解后,可以得到1个低频子图和3个高频子图。并且为了保证图像分解的各向异性,更完整地保留图像在各个方向上的信息,分别对第1、2、3层尺度分解上的高频子图进行1、2、3级NSDFB方向分解,从而可以将各高频子图分解为21、22、23个方向子图。因此,光学图谱和UHF图谱通过NSCT分解后,都能够得到个与原始图像大小相等的子图。其中,光学PRPD图谱和特高频PRPD图谱的NSCT分解过程分别如图4、5所示。
c.进行NSCT融合
根据NSCT图像融合规则,将分解得到的光学高频子图和特高频高频子图相融合,将分解得到的光学低频子图和特高频低频子图相融合,从而分别得到了光电高频融合子图和光电低频融合子图,其融合结构图如图6所示。其具体融合方法的步骤如下:
c1.融合预处理
在进行NSCT变换之前,对源图像A(光学PRPD图谱)和源图像B(特高频PRPD图谱)进行灰度化处理。通过对源图像A、B的灰度图进行NSCT分解,能够得到各图像的多层高频子带系数和低频子带系数其中,j=(1,2,...,J)为NSPFB尺度分解的层数,r为j尺度下NSDFB分解的第r个方向子带系数代表点(m,n)处的灰度值。
c2.低频子图系数融合
经NSCT分解后,源图像的轮廓信息主要保留在低频子图当中。对于局部放电的相位特征图谱来说,放电信号分布的轮廓对于模式识别尤为重要,对分解后的低频子图进行图像融合就是尽可能完整地保留放电图谱的轮廓特征信息。因此,本发明提出了一种将Canny算子和局部熵相结合的低频子图融合规则,来更好的保留放电图像的轮廓信息。
已知和为待融合的两张低频子图,其尺寸大小相同。首先通过Canny算子对低频子图进行边缘提取,得到图像的边缘轮廓二值图和由此,在融合过程中更好地保留了低频子图中放电信号分布的轮廓信息,减少了图像纹理和稀疏程度带来的影响。
在此,本文引入图像局部熵的概念。局部熵能够反映出图像的灰度离散程度,在局部熵大的图像区域中,该窗口区域的灰度相对较均匀,包含的特征信息较少;在局部熵小的图像区域中,该窗口区域的灰度差异性较大,包含的特征信息较多。因此,在局放PRPD图谱中平坦的区域,局部熵较大;而在局放PRPD图谱中信号分布的边界轮廓区域,局部熵则较小。
定义f(m,n)为图像中点(m,n)的灰度值,则一个尺寸为M×N的图像,其局部熵Hf(m,n)定义为:
其中,pmn为点(m,n)处的灰度分布概率,表达式为:
由此,本文所采取的低频系数融合方法可总结为:
c3.高频子图系数融合
经过NSCT分解后,高频子图中主要保留了源图像的细节纹理信息,其代表了局部放电信号的疏密程度。根据图像对比度的概念,本文引入图像局部方向对比度算法,获取高频子图中的细节信息。
定义局部方向对比度为:
其中,Conj,r(m,n)代表在尺度j、方向r上点(m,n)处的局部方向对比度;Gj,r(m,n)代表尺度j、方向r上点(m,n)处的高频子带系数;为尺度j上的低频子带Lj(m,n)在点(m,n)处的局部区域均值,表示为:
由此,本文所采取的高频系数融合方法可总结为:
d.NSCT逆变换
将融合得到的高频融合子图和低频融合子图进行NSCT逆变换,最终得到光电融合PRPD图谱,如图8所示。
e.光电融合PRPD图谱的模式识别
为了有效地反映图像的纹理信息、轮廓信息、变化趋势信息和颜色信息特征,对光电融合PRPD图谱进行特征参量的提取。本发明基于图像的Tamura纹理特征、灰度-梯度共生矩阵、Hu不变矩和颜色矩构成特征向量空间,作为模式识别的特征参量,共计28个。但是,不同的特征之间可能会存在信息重叠的现象,导致特征参量之间出现多重共线性,并且特征向量的维数过多还容易对模型的训练产生压力,从而造成模型的识别率降低。因此,本发明在验证过程中采用主成分分析法对特征向量空间进行降维处理,将PRPD图谱的特征维数降维至11。
将降维后的样本投入线性判别法、支持向量机、KNN三种分类器当中进行模式识别,识别结果如图9所示。可以看出在3种分类器中光电融合图谱的正确识别率都高于光学PRPD图谱和特高频PRPD图谱,并且受训练样本数量的影响小,具有良好的识别效果和较高的实用性。
实验表明,本发明能够提高现阶段单一光学检测和单一特高频检测的模式识别的准确率,具有良好的识别效果和较高的实用性,有利于电力设备的运维检修,保障电网安全稳定运行。
Claims (2)
1.一种基于NSCT光电融合图谱的局部放电相位分布检测方法,其特征在于在于该方法包括以下步骤:
1)采集局放图谱:
以光电联合局放检测实验平台为基础,采集多种放电缺陷的局部放电信号,得到相应的光学PRPD图谱和特高频PRPD图谱;
2)对光学PRPD图谱和特高频PRPD图谱进行灰度化处理和NSCT分解,得到相应源图谱的高频子图和低频子图;
所述的NSCT分解由非下采样金字塔滤波器组NSPFB(Non-Subsampled Pyramid FilterBanks)和非下采样方向滤波器组NSDFB(Non-Subsampled Directional Filter Bank)构成:
所述的NSPFB是对滤波器采取上采样操作后,再用其进行滤波,其满足完全重构条件,即“BEZOUT恒等式”;为了实现对图像的多尺度分解,NSPFB通过迭代的方法,每一级对上一级滤波器H(z)按矩阵D=2I进行上采样处理,得到上2采样处理后的滤波器H(z2I),NSPFB通过上2采样后的低通滤波器H0(z2I)和带通滤波器H1(z2I)对前一级的低频子带图像进行滤波处理,从而每一级会分解产生一个低频子带图像和高频子带图像;
定义分解尺度为j,在滤波过程中,低通滤波器在j尺度下的理想频域空间为[-π/2j,π/2j]×[-π/2j,π/2j],带通滤波器相应的理想频域空间为[-π/2j+1,π/2j+1]×[-π/2j-1,π/2j -1],由此,图像在经过j级的NSPFB分解后,能够得到j+1个与原始分解图像尺寸相同的子带图像,包括1个低频子带图像y0和j个高频子带图像{y1,y2,...,yj};
所述的NSDFB是对上一级理想频域空间为扇形的二通道方向滤波器U0(z)和U1(z)按采样矩阵D进行上采样处理,得到滤波器U0(zD)和U1(zD),然后运用U0(zD)和U1(zD)对上一级方向分解后的子带图像进行滤波,进而实现图像在相应频域图像中更精确的方向分解,对已知尺度下的子带图像进行k级方向分解,得到2k个与源图像尺寸相同的方向子带图像;光学图谱和UHF图谱通过NSCT分解后,都能够得到个与原始图像大小相等的子图;
3)进行NSCT融合,具体融合的步骤如下:
31)融合预处理:
在进行NSCT变换之前,为了叙述方便,将光学PRPD图谱称为源图像A,将特高频PRPD图谱称为源图像B,对源图像A和源图像B进行灰度化处理,对源图像A、源图像B的灰度图进行NSCT分解,得到各图像的多层高频子带系数和低频子带系数其中,j=(1,2,...,J)为NSPFB尺度分解的层数,r为j尺度下NSDFB分解的第r个方向子带系数代表点(m,n)处的灰度值;
32)低频子图系数融合:
定义f(m,n)为图像M×N中点(m,n)的灰度值,则一个尺寸为M×N的图像,其局部熵Hf(m,n)定义为:
其中,pmn为点(m,n)处的灰度分布概率:
由此,本文所采取的低频系数融合方法可总结为:
33)高频子图系数融合:
根据图像对比度的概念,引入图像局部方向对比度算法,获取高频子图中的细节信息:
局部方向对比度定义为:
其中,Conj,r(m,n)代表在尺度j、方向r上点(m,n)处的局部方向对比度;Gj,r(m,n)代表尺度j、方向r上点(m,n)处的高频子带系数;为尺度j上的低频子带Lj(m,n)在点(m,n)处的局部区域均值为:
本文所采取的高频系数融合方法可总结为:
4)NSCT逆变换:
经过NSCT逆变换,重构出光电融合图像F;
5)光电融合PRPD图谱的模式识别,为了有效地反映图像的纹理信息、轮廓信息、变化趋势信息和颜色信息特征,对光电融合PRPD图谱进行特征参量的提取。
2.根据权利要求1所述的基于NSCT光电融合图谱的局部放电相位分布检测方法,其特征在于所述的光电融合PRPD图谱的模式识别是将降维后的样本投入线性判别法、支持向量机、KNN三种分类器当中进行模式识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231618.8A CN111178388B (zh) | 2019-12-05 | 2019-12-05 | 基于nsct光电融合图谱的局部放电相位分布检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231618.8A CN111178388B (zh) | 2019-12-05 | 2019-12-05 | 基于nsct光电融合图谱的局部放电相位分布检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178388A CN111178388A (zh) | 2020-05-19 |
CN111178388B true CN111178388B (zh) | 2022-06-17 |
Family
ID=70653867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911231618.8A Active CN111178388B (zh) | 2019-12-05 | 2019-12-05 | 基于nsct光电融合图谱的局部放电相位分布检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178388B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666912B (zh) * | 2020-06-15 | 2024-01-23 | 国网山东省电力公司潍坊供电公司 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
CN111796173B (zh) * | 2020-08-13 | 2022-01-21 | 广东电网有限责任公司 | 局部放电模式识别方法、计算机设备和存储介质 |
CN112307901B (zh) * | 2020-09-28 | 2024-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种面向滑坡检测的sar与光学影像融合方法及系统 |
CN112918956A (zh) * | 2021-02-20 | 2021-06-08 | 陆伟凤 | 一种基于图像识别技术的垃圾分类系统 |
CN113379671A (zh) * | 2021-02-23 | 2021-09-10 | 华北电力大学 | 一种开关类设备局部放电诊断系统及诊断方法 |
CN114294780B (zh) * | 2021-11-22 | 2024-05-07 | 广西联洋数智节能科技有限公司 | 一种云端在线中央空调故障分析系统 |
CN114692701A (zh) * | 2022-05-31 | 2022-07-01 | 国网天津市电力公司电力科学研究院 | 一种电力设备缺陷的多元图像处理及模式识别方法 |
CN116091501B (zh) * | 2023-04-07 | 2023-06-23 | 武汉纺织大学 | 高压电气设备局部放电类型识别方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位系统及其定位方法 |
CN102353877B (zh) * | 2011-06-10 | 2013-12-18 | 河南电力试验研究院 | 可实现prpd与trpd图谱的局部放电检测方法 |
CN104407277B (zh) * | 2014-11-08 | 2017-07-21 | 莆田学院 | 一种基于双波段紫外视频多信息融合局部放电监测装置 |
GB2537113B (en) * | 2015-04-01 | 2018-05-23 | High Voltage Partial Discharge Ltd | Apparatus and method for monitoring partial discharge |
CN110111259B (zh) * | 2019-05-15 | 2021-03-02 | 电子科技大学 | 一种基于区域引导的多源图像融合方法 |
-
2019
- 2019-12-05 CN CN201911231618.8A patent/CN111178388B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111178388A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178388B (zh) | 基于nsct光电融合图谱的局部放电相位分布检测方法 | |
CN109389585B (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
CN101504766B (zh) | 基于混合多分辨率分解的图像融合方法 | |
CN103366180A (zh) | 一种基于自动特征学习的细胞图像分割方法 | |
CN105046224A (zh) | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN114296075A (zh) | 一种探地雷达图像人工智能识别方法及装置 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
Wang et al. | Reduction of Gibbs artifacts in magnetic resonance imaging based on Convolutional Neural Network | |
Liao et al. | Fusion of infrared-visible images in UE-IoT for fault point detection based on GAN | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN102184451B (zh) | 一种基于多小波融合特征的神经元动作特征提取方法 | |
CN107066959A (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 | |
CN116188308A (zh) | 一种联合空域频域双判别器的生成对抗去云雾方法 | |
CN116703812A (zh) | 一种基于深度学习的光伏组件裂纹检测方法与系统 | |
Chen et al. | Hierarchical generative adversarial networks for single image super-resolution | |
CN108932492A (zh) | 一种基于非采样剪切波变换的图像指纹提取方法 | |
CN116128820A (zh) | 一种基于改进yolo模型的销钉状态的识别方法 | |
CN112883895B (zh) | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 | |
CN108108659B (zh) | 基于经验模态分解的孤岛检测关键特征提取方法 | |
CN112834875A (zh) | 一种局部放电脉冲分割方法及系统 | |
CN117315336A (zh) | 花粉颗粒识别方法、装置、电子设备及存储介质 | |
CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和系统 | |
CN107633496A (zh) | 一种利用高频信息引导的基于稀疏表示的图像融合方法 |
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 |