CN111679142A - 一种便携式输变电设备红外智能诊断装置及方法 - Google Patents
一种便携式输变电设备红外智能诊断装置及方法 Download PDFInfo
- Publication number
- CN111679142A CN111679142A CN202010552757.7A CN202010552757A CN111679142A CN 111679142 A CN111679142 A CN 111679142A CN 202010552757 A CN202010552757 A CN 202010552757A CN 111679142 A CN111679142 A CN 111679142A
- Authority
- CN
- China
- Prior art keywords
- infrared
- equipment
- temperature
- jetson
- defect
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005540 biological transmission Effects 0.000 title claims abstract description 25
- 230000009466 transformation Effects 0.000 title claims abstract description 24
- 230000007547 defect Effects 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims abstract description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 11
- 229910052744 lithium Inorganic materials 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000003825 pressing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Abstract
本发明请求保护一种便携式输变电设备红外图像智能诊断装置及方法,方法包括以下步骤:红外视频图像的采集与显示;基于窗口滑动的正方形热区分割;采用卷积神经网络识别红外图像中的设备类型;根据热区关键温度信息与设备类型进行缺陷诊断分析;采用并行计算加速工具和卷积神经网络模型优化工具实现诊断实时化。本发明的技术方法能够实现自动对各类输变电设备进行类型识别与缺陷诊断,提高变电站红外检测的自动化程度。
Description
技术领域
本发明属于智能电网信息技术领域,特别涉及一种便携式输变电设备红外智能诊断装置。
背景技术
红外诊断是变电站常见的设备带电诊断方法,其原理是存在异常状态的设备在带电工作时,往往伴随着热效应的变化,利用红外测温可以判断接触不良、绝缘劣化、异常涡流等问题。目前红外诊断方法主要为运维人员使用手持式红外热像仪拍摄各个设备的热像图,完成数据采集后对图像进行缺陷判断和分类备份。现有方法工作内容重复性高,需要花费大量的人力,对于发热温差小的缺陷类型,对检测人员专业性和工作经验要求高,诊断结果存在一定主观性,诊断分析实时性也较差。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种便携式输变电设备红外智能诊断装置及方法。本发明的技术方案如下:
一种便携式输变电设备红外智能诊断装置,其包括:红外测温模组、镜头、触控屏、Jetson核心模块、优盘或Micro SD卡、5V电源模块、12V锂电池、按键及其它外围电路;所述红外测温模组与Jetson核心模块双向连接,所述红外测温模组还与12V锂电池单向连接,所述Jetson核心模块还分别与5V电源模块、优盘或Micro SD卡、触控屏、按键及其它外围电路相连接,Jetson核心模块和触控屏单向连接;所述红外测温模组用于通过镜头获取红外辐射信息并根据红外辐射定律计算生成温度分布视频;
Jetson核心模块,用于控制红外测温模组,实现温度计算参数调整;Jetson核心模块是装置的控制系统,也是红外图像识别和缺陷诊断的计算核心;热区分割和红外图像识别为卷积神经网络模型,计算过程由Jetson核心模块的GPU完成;缺陷诊断基于自适应的特征温度提取算法实现,由Jetson核心模块的CPU和GPU共同完成;触摸显示屏可实时显示红外热影像、识别到的设备类型和设备缺陷等级,触控屏也用于实现人机交互;装置可以插入Micro SD卡或优盘实现图像或视频数据的保存,在不开启视频录制的情况下,可以实现热插拔;本装置由12V锂电池组供电,其中红外测温模组由12V锂电池组直接供电,Jetson核心模块和显示屏通过5V电源模块供电。
进一步的,所述红外测温模组采用非制冷焦平面红外测温模组,红外温度图像分辨率为640×480及以上,红外测温模组使用以太网与Jetson核心模块连接,使用RTSP流传输协议与Jetson核心模块通信;Jetson核心模块采用Nvidia Jetson Xavier NX;触控屏通过HDMI和USB与Jetson核心模块连接,分别用于传输图像信号和控制信号,使用12V锂电池组为红外测温模组供电,利用电源芯片得到5V电压为核心模块和触摸显示屏供电。
进一步的,所述Jetson核心模块的诊断软件开发基于Ubuntu ARM64;对于红外图像处理和识别任务在Jetson核心模块的GPU中完成,并行计算架构采用CUDA10.2+cuDnn8.0;采用数据流分析工具DeepStream 5.0加速实现设备识别实时化,用于实现视频数据处理的实时化。
进一步的,所述按键及其它外围电路包括开关按键、拍摄按键和其它功能性按键或开关,开关按键连接核心模块的开关接口,拍摄按键和其它功能性按键或开关与Jetson核心模块的通用输入输出端口连接。
进一步的,所述图像热区的分割具体包括以下步骤:1)设定正方形窗口尺寸,其边长值与红外视频高度值相同;2)计算正方形窗口下的温度平均值;3)滑动窗口若干次,选取平均温度最大窗口,对图像进行分割,并记录步长S和热区对应的滑动次数N。
进一步的,所述多种输变电设备类别识别是基于深度卷积神经网络模型MobileNet,该模型为在个人计算机或服务器上训练得到的设备分类模型,训练数据来自人工标记的输变电设备红外图片,将训练完成的模型部署于设备的Jetson核心模块,设备中模型的输入对象为分割得到的正方形热区,输出对象为设备类型及其电压等级。
进一步的,所述提取的关键温度信息包括:分割后正方形热区内的最高温度值及其坐标、温度值中位数和平均温度。
进一步的,所述多种设备异常状态的实时判断和结果显示具体包括:1)将最高温视为疑似发热点温度,将温度中位数视作正常温度值,将平均温度值视作环境温度,并按照行业标准DL/T 664中的公式计算温差和相对温差,计算正方形热区中的最高温度值T1及其坐标、温度值中位数T2和平均温度T0,并计算温差ΔT=T1-T2,相对温差δ=(T1-T2)/(T1-T0);2)根据识别到的电力设备类型,自动查询温差和相对温差值是否处于缺陷范围,缺陷界定方法按照行业标准DL/T 664执行;3)若热点符合缺陷判据,记热区中的缺陷点坐标为(x,y),记缺陷点在原图像中的坐标为(x’,y’),根据公式x’=x+S×N,y’=y计算热点在分割前热像图中的坐标;4)显示原始的热像数据流,实时显示识别的设备类型,若存在缺陷则用方框标记热点位置。
一种基于所述装置的诊断方法,其包括以下步骤:
S1红外视频采集:操作人员首先通过开关按键开启诊断装置,待装置启动完成后红外测温模组将自动处理生成红外热影像,操作人员通过触摸显示屏设置环境温度等参数,并将装置镜头对准目标设备即可;
S2热区分割:装置将红外模组得到的热影像进行滑窗分析,分割得到正方形热区;
S3设备类型判断:将正方形热区图像输入设备识别卷积神经网络模型,模型将返回识别到设备类型,若未检测到可识别的设备类型则返回“无设备”;
S4关键温度信息提取:计算正方形热区中的最高温度值T1及其坐标、温度值中位数T2和平均温度T0,并计算温差ΔT=T1-T2,相对温差δ=(T1-T2)/(T1-T0);
S5缺陷诊断:结合识别到的设备类型、温差ΔT和相对温差δ,查询诊断判据表判断是否处于异常区间及其对应的缺陷性质;诊断判据表参照标准《DL/T664-2016带电设备红外诊断应用规范》附录H和附录I执行;
S6结果显示:显示屏将实时显示镜头拍摄的红外热影像,并以文字形式显示识别到的设备类型,若诊断结果认为存在缺陷,则以文字显示缺陷等级,以方框的形式标记热点所在位置区域。操作人员可以设置是否实时显示最高温T1、温差ΔT和相对温差δ;
S7结果保存:操作人员短按拍摄按键可保存当前帧对应的图片,并生成JSON文件记录图片编号、设备类型、温差、相对温差、热点位置、缺陷类型信息;操作人员长按拍摄按键可录制红外视频,录制过程触摸屏幕可生成JSON文件记录视频编号、时间点、设备类型、温差、相对温差、热点位置、缺陷类型信息,保存功能仅在插入Micro SD卡或优盘时可用。
本发明的优点及有益效果如下:
本发明涉及一种便携式输变电设备红外图像智能诊断装置,本装置可用于实现输变电设备现场诊断,同时符合现行的设备检测工作流程和诊断规范。与已有方便相比,本发明具有以下优点:1)本发明设计了一套手持式红外检测装置,具有目标设备类型识别、关键温度信息提取、缺陷判断等功能,可以实现输变电设备的智能诊断,减少检修人员后期温度分析与缺陷判断工作量;2)本发明设计的装置使用了高性能嵌入式智能计算核心,实现手持式设备的性能和功耗平衡,结合触控屏等其它模块与Ubuntu操作系统,装置具有操作方便,响应快,功能全,升级方便等优势;3)本发明设计的热区分割、类型识别、特征信息提取和缺陷判断方法,全部考虑了在手持式设备中的计算效率因素,并根据计算任务类型在Jetson核心的CPU和GPU中进行了数据流优化设计,实现智能诊断实时化,消除从图像采集到缺陷判定间的时间延迟,现场指导设备维护工作;4)本发明设计的装置和方法针对输变电设备的红外图像特点进行了优化,包括用分割的热区进行设备类型诊断,全流程保持图像原始长宽比,快速的特征温度自适应提取方法,实现了识别精确度和计算有效率的最大化。
附图说明
图1是本发明提供优选实施例所涉及的诊断装置硬件结构图。
图2表示本发明所涉及的设备诊断方法流程图。
图3表示本发明所涉及的装置诊断结果界面示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
本发明涉及一种便携式输变电设备红外图像智能诊断装置,图1表示本发明所涉及的诊断装置硬件结构图。装置包括红外测温模组、镜头、触摸显示屏、Jetson核心模块、电源模块、外壳及其它外围电路。红外测温模组可以通过镜头获取红外辐射信息并计算生成温度温度分布视频,Jetson核心模块可控制红外测温模组,实现温度计算参数调整等功能。Jetson核心模块用于实现装置的系统控制以及红外图像识别、缺陷诊断的计算工作,Jetson核心模块的并行计算核心配置了CUDA、cuDNN和Deepstream用于实现视频数据处理的实时化。触摸显示屏可实时显示红外热影像、识别到的设备类型和设备缺陷等级,触控屏也用于实现人机交互。装置可以插入Micro SD卡或优盘实现图像或视频数据的保存,在不开启视频录制的情况下,可以实现热插拔。本装置由12V锂电池组供电,其中红外测温模组由电池直接供电,Jetson核心模块和显示屏通过5V电源模块供电。
图2表示本发明所涉及的设备诊断流程图,本实施方式将对其依次进行说明。
S1红外视频采集。操作人员首先通过开关按键开启诊断装置,待装置启动完成后红外测温模组将自动处理生成红外热影像。操作人员通过触摸显示屏设置环境温度等参数,并将装置镜头对准目标设备即可。S1的具体操作规范与现有红外巡检方式相同。
S2热区分割。装置将红外模组得到的热影像进行滑窗分析,分割得到正方形热区。S2由装置自动完成,无需人为操作,分割结果不显示。
S3设备类型判断。将正方形热区图像输入设备识别卷积神经网络模型,模型将返回识别到设备类型,若未检测到可识别的设备类型则返回“无设备”。S3由装置自动完成,无需人为操作,识别结果以文字形式显示。
S4关键温度信息提取。计算正方形热区中的最高温度值T1及其坐标、温度值中位数T2和平均温度T0,并计算温差ΔT=T1-T2,相对温差δ=(T1-T2)/(T1-T0)。S4装置自动完成,无需人为操作,计算结果可以以文字形式显示。
S5缺陷诊断。结合识别到的设备类型、温差ΔT和相对温差δ,查询诊断判据表判断是否处于异常区间及其对应的缺陷性质。诊断判据表参照标准《DL/T664-2016带电设备红外诊断应用规范》附录H和附录I执行。S5装置自动完成,无需人为操作,计算结果可以以文字形式显示。
S6结果显示。显示屏将实时显示镜头拍摄的红外热影像,并以文字形式显示识别到的设备类型。若诊断结果认为存在缺陷,则以文字显示缺陷等级,以方框的形式标记热点所在位置区域。操作人员可以设置是否实时显示最高温T1、温差ΔT和相对温差δ。诊断结果显示界面示意图如图3所示。
S7结果保存。操作人员短按拍摄按键可保存当前帧对应的图片,并生成JSON文件记录图片编号、设备类型、温差、相对温差、热点位置、缺陷类型等信息。操作人员长按拍摄按键可录制红外视频,录制过程触摸屏幕可生成JSON文件记录视频编号、时间点、设备类型、温差、相对温差、热点位置、缺陷类型等信息。保存功能仅在插入Micro SD卡或优盘时可用。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (9)
1.一种便携式输变电设备红外智能诊断装置,其特征在于,包括:红外测温模组、镜头、触控屏、Jetson核心模块、优盘或Micro SD卡、5V电源模块、12V锂电池、按键及其它外围电路;所述红外测温模组与Jetson核心模块双向连接,所述红外测温模组还与12V锂电池单向连接,所述Jetson核心模块还分别与5V电源模块、优盘或Micro SD卡、触控屏、按键及其它外围电路相连接,Jetson核心模块和触控屏单向连接;所述红外测温模组用于通过镜头获取红外辐射信息并根据红外辐射定律计算生成温度分布视频;
Jetson核心模块,用于控制红外测温模组,实现温度计算参数调整;Jetson核心模块是装置的控制系统,也是红外图像识别和缺陷诊断的计算核心;热区分割和红外图像识别为卷积神经网络模型,计算过程由Jetson核心模块的GPU完成;缺陷诊断基于自适应的特征温度提取算法实现,由Jetson核心模块的CPU和GPU共同完成;触摸显示屏可实时显示红外热影像、识别到的设备类型和设备缺陷等级,触控屏也用于实现人机交互;装置可以插入Micro SD卡或优盘实现图像或视频数据的保存,在不开启视频录制的情况下,可以实现热插拔;本装置由12V锂电池组供电,其中红外测温模组由12V锂电池组直接供电,Jetson核心模块和显示屏通过5V电源模块供电。
2.根据权利要求1所述的一种便携式输变电设备红外智能诊断装置,其特征在于,所述红外测温模组采用非制冷焦平面红外测温模组,红外温度图像分辨率为640×480及以上,红外测温模组使用以太网与Jetson核心模块连接,使用RTSP流传输协议与Jetson核心模块通信;Jetson核心模块采用Nvidia Jetson Xavier NX;触控屏通过HDMI和USB与Jetson核心模块连接,分别用于传输图像信号和控制信号,使用12V锂电池组为红外测温模组供电,利用电源芯片得到5V电压为核心模块和触摸显示屏供电。
3.根据权利要求1所述的一种便携式输变电设备红外智能诊断装置,其特征在于,所述Jetson核心模块的诊断软件开发基于Ubuntu ARM64;对于红外图像处理和识别任务在Jetson核心模块的GPU中完成,并行计算架构采用CUDA10.2+cuDnn8.0;采用数据流分析工具DeepStream 5.0加速实现设备识别实时化,用于实现视频数据处理的实时化。
4.根据权利要求1所述的一种便携式输变电设备红外智能诊断装置,其特征在于,所述按键及其它外围电路包括开关按键、拍摄按键和其它功能性按键或开关,开关按键连接核心模块的开关接口,拍摄按键和其它功能性按键或开关与Jetson核心模块的通用输入输出端口连接。
5.根据权利要求3所述的一种便携式输变电设备红外智能诊断装置,其特征在于,所述图像热区的分割具体包括以下步骤:1)设定正方形窗口尺寸,其边长值与红外视频高度值相同;2)计算正方形窗口下的温度平均值;3)滑动窗口若干次,选取平均温度最大窗口,对图像进行分割,并记录步长S和热区对应的滑动次数N。
6.根据权利要求5所述的一种便携式输变电设备红外智能诊断装置,其特征在于,所述多种输变电设备类别识别是基于深度卷积神经网络模型MobileNet,该模型为在个人计算机或服务器上训练得到的设备分类模型,训练数据来自人工标记的输变电设备红外图片,将训练完成的模型部署于设备的Jetson核心模块,设备中模型的输入对象为分割得到的正方形热区,输出对象为设备类型及其电压等级。
7.根据权利要求5所述的一种便携式输变电设备红外智能诊断装置,其特征在于,所述提取的关键温度信息包括:分割后正方形热区内的最高温度值及其坐标、温度值中位数和平均温度。
8.根据权利要求7所述的一种便携式输变电设备红外智能诊断装置,其特征在于,所述多种设备异常状态的实时判断和结果显示具体包括:1)将最高温视为疑似发热点温度,将温度中位数视作正常温度值,将平均温度值视作环境温度,并按照行业标准DL/T 664中的公式计算温差和相对温差,计算正方形热区中的最高温度值T1及其坐标、温度值中位数T2和平均温度T0,并计算温差ΔT=T1-T2,相对温差δ=(T1-T2)/(T1-T0);2)根据识别到的电力设备类型,自动查询温差和相对温差值是否处于缺陷范围,缺陷界定方法按照行业标准DL/T664执行;3)若热点符合缺陷判据,记热区中的缺陷点坐标为(x,y),记缺陷点在原图像中的坐标为(x’,y’),根据公式x’=x+S×N,y’=y计算热点在分割前热像图中的坐标;4)显示原始的热像数据流,实时显示识别的设备类型,若存在缺陷则用方框标记热点位置。
9.一种基于权利要求1-8所述装置的诊断方法,其特征在于,包括以下步骤:
S1红外视频采集:操作人员首先通过开关按键开启诊断装置,待装置启动完成后红外测温模组将自动处理生成红外热影像,操作人员通过触摸显示屏设置环境温度等参数,并将装置镜头对准目标设备即可;
S2热区分割:装置将红外模组得到的热影像进行滑窗分析,分割得到正方形热区;
S3设备类型判断:将正方形热区图像输入设备识别卷积神经网络模型,模型将返回识别到设备类型,若未检测到可识别的设备类型则返回“无设备”;
S4关键温度信息提取:计算正方形热区中的最高温度值T1及其坐标、温度值中位数T2和平均温度T0,并计算温差ΔT=T1-T2,相对温差δ=(T1-T2)/(T1-T0);
S5缺陷诊断:结合识别到的设备类型、温差ΔT和相对温差δ,查询诊断判据表判断是否处于异常区间及其对应的缺陷性质;诊断判据表参照标准《DL/T 664-2016带电设备红外诊断应用规范》附录H和附录I执行;
S6结果显示:显示屏将实时显示镜头拍摄的红外热影像,并以文字形式显示识别到的设备类型,若诊断结果认为存在缺陷,则以文字显示缺陷等级,以方框的形式标记热点所在位置区域。操作人员可以设置是否实时显示最高温T1、温差ΔT和相对温差δ;
S7结果保存:操作人员短按拍摄按键可保存当前帧对应的图片,并生成JSON文件记录图片编号、设备类型、温差、相对温差、热点位置、缺陷类型信息;操作人员长按拍摄按键可录制红外视频,录制过程触摸屏幕可生成JSON文件记录视频编号、时间点、设备类型、温差、相对温差、热点位置、缺陷类型信息,保存功能仅在插入Micro SD卡或优盘时可用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552757.7A CN111679142A (zh) | 2020-06-17 | 2020-06-17 | 一种便携式输变电设备红外智能诊断装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552757.7A CN111679142A (zh) | 2020-06-17 | 2020-06-17 | 一种便携式输变电设备红外智能诊断装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111679142A true CN111679142A (zh) | 2020-09-18 |
Family
ID=72455317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010552757.7A Pending CN111679142A (zh) | 2020-06-17 | 2020-06-17 | 一种便携式输变电设备红外智能诊断装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111679142A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200784A (zh) * | 2020-10-10 | 2021-01-08 | 福州润森电气自动化有限公司 | 一种电力设备智能缺陷诊断方法 |
CN112539838A (zh) * | 2020-10-15 | 2021-03-23 | 广西电网有限责任公司南宁供电局 | 一种基于数据库人工智能型红外成像测温系统 |
CN112697798A (zh) * | 2020-12-07 | 2021-04-23 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN113378856A (zh) * | 2021-06-24 | 2021-09-10 | 重庆大学 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
CN113418617A (zh) * | 2021-07-15 | 2021-09-21 | 西安华控智能系统工程有限公司 | 一种风电场箱式变压器三维温度场测量与诊断方法 |
CN113538370A (zh) * | 2021-07-14 | 2021-10-22 | 宁波旗芯电子科技有限公司 | 电网巡检方法、装置、计算机设备和存储介质 |
CN114241727A (zh) * | 2021-11-26 | 2022-03-25 | 国网新疆电力有限公司巴州供电公司 | 变电设备智能诊断预警系统、方法及装置 |
WO2024027009A1 (zh) * | 2022-08-03 | 2024-02-08 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005265492A (ja) * | 2004-03-17 | 2005-09-29 | Meidensha Corp | 電気機器の絶縁劣化診断方法と診断後の電気機器運転方法 |
US20130136151A1 (en) * | 2011-11-24 | 2013-05-30 | National Central University | Highly adaptive thermal properties measurement system and measuring method thereof |
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 |
CN110009530A (zh) * | 2019-04-16 | 2019-07-12 | 国网山西省电力公司电力科学研究院 | 一种适用于便携式电力巡检的神经网络系统和方法 |
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 |
-
2020
- 2020-06-17 CN CN202010552757.7A patent/CN111679142A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005265492A (ja) * | 2004-03-17 | 2005-09-29 | Meidensha Corp | 電気機器の絶縁劣化診断方法と診断後の電気機器運転方法 |
US20130136151A1 (en) * | 2011-11-24 | 2013-05-30 | National Central University | Highly adaptive thermal properties measurement system and measuring method thereof |
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 |
CN110009530A (zh) * | 2019-04-16 | 2019-07-12 | 国网山西省电力公司电力科学研究院 | 一种适用于便携式电力巡检的神经网络系统和方法 |
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 |
Non-Patent Citations (2)
Title |
---|
林唯贤: ""嵌入式设备高效卷积神经网络的电力设备检测"", 《计算机系统应用》 * |
王彦博 等: ""基于嵌入式深度学习的电力设备红外热成像故障识别"", 《计算机系统应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200784A (zh) * | 2020-10-10 | 2021-01-08 | 福州润森电气自动化有限公司 | 一种电力设备智能缺陷诊断方法 |
CN112539838A (zh) * | 2020-10-15 | 2021-03-23 | 广西电网有限责任公司南宁供电局 | 一种基于数据库人工智能型红外成像测温系统 |
CN112697798A (zh) * | 2020-12-07 | 2021-04-23 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN112697798B (zh) * | 2020-12-07 | 2023-03-31 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN113378856A (zh) * | 2021-06-24 | 2021-09-10 | 重庆大学 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
CN113538370A (zh) * | 2021-07-14 | 2021-10-22 | 宁波旗芯电子科技有限公司 | 电网巡检方法、装置、计算机设备和存储介质 |
CN113418617A (zh) * | 2021-07-15 | 2021-09-21 | 西安华控智能系统工程有限公司 | 一种风电场箱式变压器三维温度场测量与诊断方法 |
CN114241727A (zh) * | 2021-11-26 | 2022-03-25 | 国网新疆电力有限公司巴州供电公司 | 变电设备智能诊断预警系统、方法及装置 |
WO2024027009A1 (zh) * | 2022-08-03 | 2024-02-08 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111679142A (zh) | 一种便携式输变电设备红外智能诊断装置及方法 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
Bo et al. | Particle pollution estimation from images using convolutional neural network and weather features | |
CN110049121B (zh) | 一种基于增强现实技术的数据中心巡检系统 | |
CN109558792B (zh) | 一种基于样本和特征检测互联网徽标内容的方法和系统 | |
CN113378856A (zh) | 一种基于人工智能的嵌入式输变电装备红外检测方法 | |
CN112801988A (zh) | 基于rgbd和深度神经网络的物体抓取位姿检测方法 | |
CN115290696A (zh) | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 | |
CN110007764B (zh) | 一种手势骨架识别方法、装置、系统及存储介质 | |
CN104748862A (zh) | 分析装置和分析方法 | |
CN116805387A (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN111399634B (zh) | 一种手势引导物体识别的方法及装置 | |
CN114387391A (zh) | 变电站设备的安全监测方法、装置、计算机设备和介质 | |
CN104156058B (zh) | 生成控制指令的方法和系统 | |
Zheng et al. | An automatic reading method for pointer meter based on one-stage detector | |
Han et al. | Research on Portable Infrared Diagnosis Device of Substation Equipment | |
CN113807150A (zh) | 数据处理、姿态预测方法、设备及存储介质 | |
Hao et al. | KDBiDet: A bi-branch collaborative training algorithm based on knowledge distillation for photovoltaic hot-spot detection systems | |
CN104748863A (zh) | 红外分析区域设置装置和红外分析区域设置方法 | |
Zhang et al. | 3D vision measurement for small devices based on consumer sensors | |
CN104655638A (zh) | 分析对比装置和分析对比方法 | |
Zhang et al. | DSA-Net: An Attention-Guided Network for Real-Time Defect Detection of Transmission Line Dampers Applied to UAV Inspections | |
CN103900713A (zh) | 热像检测装置和热像检测方法 | |
CN113642565B (zh) | 对象检测方法、装置、设备及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |