CN111553910A - 一种基于红外图像的大型实验装置电器设备热故障检测方法 - Google Patents

一种基于红外图像的大型实验装置电器设备热故障检测方法 Download PDF

Info

Publication number
CN111553910A
CN111553910A CN202010373872.8A CN202010373872A CN111553910A CN 111553910 A CN111553910 A CN 111553910A CN 202010373872 A CN202010373872 A CN 202010373872A CN 111553910 A CN111553910 A CN 111553910A
Authority
CN
China
Prior art keywords
infrared image
electric appliance
image
temperature
convolution network
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
Application number
CN202010373872.8A
Other languages
English (en)
Other versions
CN111553910B (zh
Inventor
谭立国
宋申民
李君宝
鄂鹏
王晓野
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010373872.8A priority Critical patent/CN111553910B/zh
Publication of CN111553910A publication Critical patent/CN111553910A/zh
Application granted granted Critical
Publication of CN111553910B publication Critical patent/CN111553910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Radiation Pyrometers (AREA)

Abstract

一种基于红外图像的大型实验装置电器设备热故障检测方法，采集电器的红外图像，通过全卷积网络对所述红外图像进行分割识别，确定所述红外图像中的每个电器的类别，以及相应的温度；利用每个电器类别对应的温度阀值与经过全卷积网络识别后的红外图像中相应类别电器的温度相比较，从而确定所测电器设备的温度是否存异常；本发明提供了一种可以实时监控电器设备温度，并进行热故障检测的方法，也保证了图像分割和识别的准确率。

Description

一种基于红外图像的大型实验装置电器设备热故障检测方法
技术领域
本发明涉及故障检测领域，尤其涉及一种基于红外图像的实验室电器设备热故障检测方法。
背景技术
随着社会的不断发展，电器的使用早就随时随地伴随在我们的身边，对于较少的小型电器的使用环境已经十分安全了，但是还存在更多的密集的电器使用环境，仍然存在着较为严重的使用安全问题。例如实验室和机房等环境中，存在着大量的用电设备及电路接口，这些设备极有可能由于温度过高曹成使用故障，甚至还存在一定的安全隐患；因此需要一种可以实时监控温度的方法，及时判断设备温度是否存在异常，以便及时发出警报。
发明内容
本发明的目的在于提供一种基于红外图像的实验室电器设备热故障检测方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于红外图像的大型实验装置电器设备热故障检测方法，包括以下步骤：
S1、利用图像采集设备，采集同一空间的所有电器设备的红外图像，并存储进入数据库；
S2、读取所述数据库中的红外图像，并进行图像处理；所述图像处理包括加强所述红外图像的对比度，对所述红外图像进行降噪，以及对所述红外图像进行几何变换以增加数据量；
S3、确定要进行检测的电器类别和数量，并确定每一种电器类别对应的温度阀值；
S4、将步骤S2处理后的所述红外图像的数据分为训练集和测试集；
S5、对全卷积网络进行训练，采用全卷积网络对训练集中的所述红外图像进行图像分割，标出每一个电器的所述电器类别，识别每一个电器的温度，再将识别的温度与所述训练集中的实际温度进行对比，根据所述识别的温度与所述实际温度之间的偏差值，对所述全卷积网络的内部参数进行调整；
S6根据测试集对经过步骤S5调整后的全卷积网络进行性能测试，根据所述性能测试的结果，判断所述全卷积网络的识别结果是否准确，若不准确，则重复步骤S5，直至所述全卷积网络通过所述性能测试；
S7、将步骤S6中通过性能测试的全卷积网络用于实际的热故障检测中，将图像采集设备实时采集到的所述红外图像采用全卷积网络进行图像分割，标出每一个电器的所述电器类别，识别每一个电器的温度，将每一个电器的温度与其对应的电器类别的所述温度阀值进行对比，从而判断所测电器的温度是否异常。
优选的，加强所述红外图像的对比度采用直方图均衡化的方法。
优选的，对所述红外图像进行降噪采用双边滤波或拉普拉斯算子的方法。
优选的，采用sobel算子二阶导数计算梯度，所述sobel算子的二阶导数为：
Figure BDA0002479160510000021
其中，src为图像某个位置的像素值的函数，
Figure BDA0002479160510000022
为该像素在x方向上的二阶导，
Figure BDA0002479160510000023
为该像素在y方向上的二阶导数。
优选的，所测电器的温度为所测电器的红外图像中的所有像素的温度的平均值。
优选的，步骤S5中采用全卷积网络对所述红外图像进行图像分割的过程为：
S501、所述训练集作为输入在所述全卷积网络中，采用全卷积网络对训练集中的所述红外图像进行图像分割；
S502、当所述电器类别的数量为n时，将步骤S501处理后的所述红外图像再经过n个1x1的卷积层，得出所述红外图像的每一个像素属于的类别，从而判断所述红外图像中每一个电器的所述电器类别。
本发明的有益效果是：本发明公开了一种基于红外图像的大型实验装置电器设备热故障检测方法，以红外图像为基础，利用全卷积网络实现了图像中所有电器的电器类别的识别，并通过红外图像对电器的温度进行识别，从而准确判断任何一个电器是否存在温度异常；本发明中采用通过直方图均衡化，提高图像的对比度，使使每一个电器图像的边缘更为清晰，提高图像分割的准确率；利用全卷积网络对图像进行分割，不需要固定图片大大小，可以适用于所有大小的电器；并且利用全卷积层对图像进行分割识别，提高了准确率；更通过对全卷积网络的训练和检测提高了全卷积网络进行分割和识别的准确性。
附图说明
图1是电器设备热故障检测流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
一种基于红外图像的大型实验装置电器设备热故障检测方法，采集电器的红外图像，通过全卷积网络对所述红外图像进行分割识别，确定所述红外图像中的每个电器的类别，以及相应的温度；利用每个电器类别对应的温度阀值与经过全卷积网络识别后的红外图像中相应类别电器的温度相比较，从而确定所测电器设备的温度是否存异常；如图1所示。其具体实现步骤如下：
S1、利用图像采集设备，采集同一空间的所有电器设备的红外图像，并存储进入数据库；
S2、读取所述数据库中的红外图像，并进行图像处理；利用直方图均衡化加强所述红外图像的对比度；利用双边滤波和拉普拉斯算子对所述红外图像进行降噪；最后再利用几何变换增加所述红外图像的数据量；
所述红外图像的梯度计算采用sobel算子二阶导数：
Figure BDA0002479160510000031
其中，src为图像某个位置的像素值的函数，
Figure BDA0002479160510000032
为该像素在x方向上的二阶导，
Figure BDA0002479160510000033
为该像素在y方向上的二阶导数。
所述几何变换包括图像的平移、旋转、切割以及对比度和亮度的调节；
S3、确定要进行检测的电器类别和数量，并确定每一种电器类别对应的温度阀值；
S4、将步骤S2处理后的所述红外图像的数据分为训练集和测试集；
S5、对全卷积网络进行训练：采用全卷积网络对训练集中的所述红外图像进行图像分割，标出每一个电器的所述电器类别，识别每一个电器的温度，再将识别的温度与所述训练集中的实际温度进行对比，根据所述识别的温度与所述实际温度之间的偏差值，对所述全卷积网络的内部参数进行调整；
利用全卷积网络对所述红外图像进行图形分割的步骤如下：
S501、所述训练集作为输入在所述全卷积网络中，采用全卷积网络对训练集中的所述红外图像进行图像分割；
S502、当所述电器类别的数量为n时，将步骤S501处理后的所述红外图像再经过n个1x1的卷积层，得出所述红外图像的每一个像素属于的类别，从而判断所述红外图像中每一个电器的所述电器类别。
S6、根据测试集对经过步骤S5调整后的全卷积网络进行性能测试，根据所述性能测试的结果，判断所述全卷积网络的识别结果是否准确，若不准确，则重复步骤S5，直至所述全卷积网络通过所述性能测试；
S7、将步骤S6中通过性能测试的全卷积网络用于实际的热故障检测中；将图像采集设备实时采集到的所述红外图像采用全卷积网络进行图像分割，标出每一个电器的所述电器类别，识别每一个电器的温度，将每一个电器的温度与其对应的电器类别的所述温度阀值进行对比，从而判断所测电器的温度是否异常。
步骤S6中利用测试集对全卷积网络进行性能测试的方法，以及步骤S7中采用全卷积网络对实时采集到的所述红外图像的图像分割的方法，均为步骤S501～S502。
上述步骤S5～S7中对所述红外图像中电器的温度的识别方法为：针对经过图像分割的每一个电器的所述红外图像，采集电器的所述红外图像的每一个像素中的温度，取其加权平均值作为所述电器识别的温度。
实施例
本实施例中的其中，拉普拉斯滤波器使用的卷积核为：
Figure BDA0002479160510000051
其中步骤S501中采用全卷积网络对训练集中的所述红外图像进行图像分割的过程如下：首先经过两次32个3x3的卷积层，两次64个3x3的卷积层，两次128个3X3的卷积层，将上采样与浅层特征连接；再经过两次64个3x3的卷积层，再一次将上采样与浅层特征连接；再经过两次32个3x3的卷积层；
再经过步骤S502，得出所述红外图像的每一个像素属于的类别，判断所述红外图像中每一个电器的所述电器类别。
经过图像分割后的识别出的图像为服务器，图像中的服务器占有3个像素，每个像素对应部分的温度为15，20，15，所以设置权重分别为0.25，0.5，0.25，一般的，距离中心像素越近对应的权重应该越大，因此该电器实测温度为0.25*15+20*0.5+15*0.25＝17.5。设定服务器最高温度的阀值为15，因为17.5>15，所以所述服务器的温度异常。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明公开了一种基于红外图像的大型实验装置电器设备热故障检测方法，以红外图像为基础，利用全卷积网络实现了图像中所有电器的电器类别的识别，并通过红外图像对电器的温度进行识别，从而准确判断任何一个电器是否存在温度异常；本发明中采用通过直方图均衡化，提高图像的对比度，使使每一个电器图像的边缘更为清晰，提高图像分割的准确率；利用全卷积网络对图像进行分割，不需要固定图片大大小，可以适用于所有大小的电器；并且利用全卷积层对图像进行分割识别，提高了准确率；更通过对全卷积网络的训练和检测提高了全卷积网络进行分割和识别的准确性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (6)

1.一种基于红外图像的大型实验装置电器设备热故障检测方法，其特征在于，包括以下步骤：
S1、利用图像采集设备，采集同一空间的所有电器设备的红外图像，并存储进入数据库；
S2、读取所述数据库中的红外图像，并进行图像处理；所述图像处理包括加强所述红外图像的对比度，对所述红外图像进行降噪，以及对所述红外图像进行几何变换以增加数据量；
S3、确定要进行检测的电器类别和数量，并确定每一种电器类别对应的温度阀值；
S4、将步骤S2处理后的所述红外图像的数据分为训练集和测试集；
S5、对全卷积网络进行训练，采用全卷积网络对训练集中的所述红外图像进行图像分割，标出每一个电器的所述电器类别，识别每一个电器的温度，再将识别的温度与所述训练集中的实际温度进行对比，根据所述识别的温度与所述实际温度之间的偏差值，对所述全卷积网络的内部参数进行调整；
S6根据测试集对经过步骤S5调整后的全卷积网络进行性能测试，根据所述性能测试的结果，判断所述全卷积网络的识别结果是否准确，若不准确，则重复步骤S5，直至所述全卷积网络通过所述性能测试；
S7、将步骤S6中通过性能测试的全卷积网络用于实际的热故障检测中，将图像采集设备实时采集到的所述红外图像采用全卷积网络进行图像分割，标出每一个电器的所述电器类别，识别每一个电器的温度，将每一个电器的温度与其对应的电器类别的所述温度阀值进行对比，从而判断所测电器的温度是否异常。
2.根据权利要求1所述的基于红外图像的大型实验装置电器设备热故障检测方法，其特征在于，加强所述红外图像的对比度采用直方图均衡化的方法。
3.根据权利要求1所述的基于红外图像的大型实验装置电器设备热故障检测方法，其特征在于，对所述红外图像进行降噪采用双边滤波或拉普拉斯算子的方法。
4.根据权利要求1所述的基于红外图像的大型实验装置电器设备热故障检测方法，其特征在于，采用sobel算子二阶导数计算梯度，所述sobel算子的二阶导数为：
Figure FDA0002479160500000021
其中，src为图像某个位置的像素值的函数，
Figure FDA0002479160500000022
为该像素在x方向上的二阶导，
Figure FDA0002479160500000023
为该像素在y方向上的二阶导数。
5.根据权利要求1所述的基于红外图像的大型实验装置电器设备热故障检测方法，其特征在于，所测电器的温度为所测电器的红外图像中的所有像素的温度的平均值。
6.根据权利要求1所述的基于红外图像的大型实验装置电器设备热故障检测方法，其特征在于，步骤S5中采用全卷积网络对所述红外图像进行图像分割的过程为：
S501、将所述训练集作为输入加入所述全卷积网络中，采用全卷积网络对训练集中的所述红外图像进行图像分割；
S502、当所述电器类别的数量为n时，将步骤S501处理后的所述红外图像再经过n个1x1的卷积层，得出所述红外图像的每一个像素属于的类别，从而判断所述红外图像中每一个电器的所述电器类别。
CN202010373872.8A 2020-05-06 2020-05-06 一种基于红外图像的大型实验装置电器设备热故障检测方法 Active CN111553910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010373872.8A CN111553910B (zh) 2020-05-06 2020-05-06 一种基于红外图像的大型实验装置电器设备热故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010373872.8A CN111553910B (zh) 2020-05-06 2020-05-06 一种基于红外图像的大型实验装置电器设备热故障检测方法

Publications (2)

Publication Number Publication Date
CN111553910A true CN111553910A (zh) 2020-08-18
CN111553910B CN111553910B (zh) 2022-03-25

Family

ID=72007939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010373872.8A Active CN111553910B (zh) 2020-05-06 2020-05-06 一种基于红外图像的大型实验装置电器设备热故障检测方法

Country Status (1)

Country Link
CN (1) CN111553910B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160134A (zh) * 2021-03-12 2021-07-23 浙江黑卡电气有限公司 一种红外热图智能诊断装置及红外热图智能诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107607207A (zh) * 2017-08-22 2018-01-19 中国科学院深圳先进技术研究院 一种电力设备热故障诊断方法、系统及电子设备
CN107729907A (zh) * 2016-08-12 2018-02-23 南京理工大学 一种基于红外热成像系统的故障识别方法
CN110084092A (zh) * 2018-01-25 2019-08-02 通用电气公司 用机器学习算法进行温度测量的方法和系统
CN110415220A (zh) * 2019-07-09 2019-11-05 国电大渡河瀑布沟发电有限公司 一种大型水电站的设备智能巡检方法
CN110426415A (zh) * 2019-07-15 2019-11-08 武汉大学 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法
CN110598736A (zh) * 2019-08-06 2019-12-20 西安理工大学 一种电力设备红外图像故障定位、识别与预测方法
CN110942458A (zh) * 2019-12-06 2020-03-31 汕头大学 一种温度异常缺陷检测定位方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729907A (zh) * 2016-08-12 2018-02-23 南京理工大学 一种基于红外热成像系统的故障识别方法
CN107607207A (zh) * 2017-08-22 2018-01-19 中国科学院深圳先进技术研究院 一种电力设备热故障诊断方法、系统及电子设备
CN110084092A (zh) * 2018-01-25 2019-08-02 通用电气公司 用机器学习算法进行温度测量的方法和系统
CN110415220A (zh) * 2019-07-09 2019-11-05 国电大渡河瀑布沟发电有限公司 一种大型水电站的设备智能巡检方法
CN110426415A (zh) * 2019-07-15 2019-11-08 武汉大学 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法
CN110598736A (zh) * 2019-08-06 2019-12-20 西安理工大学 一种电力设备红外图像故障定位、识别与预测方法
CN110942458A (zh) * 2019-12-06 2020-03-31 汕头大学 一种温度异常缺陷检测定位方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
E.A.KERIMOV: ""Schottky Barrier Infra-Red Sensors Sensitive to Radiation of Quantum Energy Higher Than the Potential Barrier Height"", 《RUSSIAN MICROELECTRONICS》 *
李文璞: ""基于Faster RCNN变电设备红外图像缺陷识别方法"", 《南方电网技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160134A (zh) * 2021-03-12 2021-07-23 浙江黑卡电气有限公司 一种红外热图智能诊断装置及红外热图智能诊断方法

Also Published As

Publication number Publication date
CN111553910B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN111340787B (zh) 输电线路的导线缺陷检测识别方法、装置及计算机设备
Oh et al. No-reference sharpness assessment of camera-shaken images by analysis of spectral structure
CN116958145B (zh) 图像处理方法、装置、视觉检测系统及电子设备
CN118037726B (zh) 一种铁路配件缺陷检测方法及系统
CN116563283B (zh) 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置
CN111553910B (zh) 一种基于红外图像的大型实验装置电器设备热故障检测方法
CN111127558B (zh) 确定装配体检测角度的方法、装置、电子设备及存储介质
CN112991432A (zh) 基于图像处理的覆冰冰形识别方法
CN109948629B (zh) 一种基于sift特征的gis设备x射线图像故障检测方法
Lauridsen et al. Reading circular analogue gauges using digital image processing
CN114881961A (zh) 一种玻璃纤维板裂纹检测方法及设备
WO2021217854A1 (zh) 假阳性过滤方法、装置、设备及存储介质
CN112150413A (zh) 一种管路振动检测方法、装置、设备及存储介质
Wang et al. Fast blur detection algorithm for UAV crack image sets
CN116430069A (zh) 机器视觉流体流速测量方法、装置、计算机设备及存储介质
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
CN110533644B (zh) 一种基于图像识别的绝缘子检测方法
CN113516091A (zh) 一种识别变电站电火花图像的方法
CN106706559A (zh) 落叶含水率的测量方法、系统及服务器
CN111191593A (zh) 图像目标检测方法、装置、存储介质及污水管道检测装置
Wells et al. Polynomial edge reconstruction sensitivity, subpixel Sobel gradient kernel analysis
CN110874837A (zh) 一种基于局部特征分布的缺陷自动检测方法
CN118134910B (zh) 一种液漏传感组件生产用缺陷检测方法及系统
Chen et al. Image restoration for linear local motion-blur based on cepstrum
CN117893538B (zh) 基于机器视觉的半导体器件质量检测方法、装置及系统

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