CN111951247B - 一种电力设备紫外图像诊断方法及系统 - Google Patents
一种电力设备紫外图像诊断方法及系统 Download PDFInfo
- Publication number
- CN111951247B CN111951247B CN202010805582.6A CN202010805582A CN111951247B CN 111951247 B CN111951247 B CN 111951247B CN 202010805582 A CN202010805582 A CN 202010805582A CN 111951247 B CN111951247 B CN 111951247B
- Authority
- CN
- China
- Prior art keywords
- image
- photon
- value
- light spot
- ultraviolet
- 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
- G06F18/24—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本发明公开了一种电力设备紫外图像诊断方法及系统,包括以下过程:从电气设备紫外图像中识别出光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置;根据光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置,诊断出电气设备的缺陷等级和缺陷类型。本发明实现对电气设备紫外检测图像进行智能化、精确化、便捷化诊断。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种电力设备紫外图像诊断方法及系统。
背景技术
在高压设备电气放电时,根据电场强度的不同,会产生电晕、闪络或电弧。在放电过程中,空气中的电子不断获得并释放能量,而当电子释放能量时,会释放出紫外线。紫外成像技术就是利用这个原理,接收高压电气设备放电时产生的紫外线,经处理后与可见光影像重叠,显示在仪器屏幕上,达到确定电晕的位置和强度的目的,从而为评估设备运行情况提供可靠依据。紫外成像仪是可以用于检测各种电气设备的电晕、局部放电和电弧。已经规范应用于变电站和输变电线路。
在实际应用中,紫外图像是通过对240-280nm波段的紫外光进行探测得到,受大气层的吸收作用影响,太阳光辐射到地球表面的该段光波几乎为零,因此,电弧、电晕等发光辐射的该段紫外光不受大气层的影响,通过对电气设备表面的电晕、电弧特有的波段进行探测即可避免太阳光的以及温度的影响干扰,准确探测到电晕和电弧等设备目标信息,但是同样存在现场人员对紫外图像信息诊断的不明确;以及缺乏对紫外数据的智能化、精确化、流程化管理。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种电力设备紫外图像诊断方法及系统,解决现有技术中人工检测精确度不高的技术问题。
为解决上述技术问题,本发明提供了一种电力设备紫外图像诊断方法,包括以下过程:
对电气设备紫外图像进行字符识别获得图像中的光子数值和增益数值;
对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置;
对电气设备紫外图像进行光斑检测获得光斑位置;
根据光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置,诊断出电气设备的缺陷等级和缺陷类型。
进一步的,所述对电气设备紫外图像进行字符识别获得图像中的光子数值和增益数值,包括:
对电气设备紫外图像按照字符进行行列分割,获得多个包含单个字符或者是连续几个字符的字符图像;
将分割后的字符图像进行字符识别处理,得到原紫外图像中的光子数值和增益数值。
进一步的,所述对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置,包括
采用YOLO算法对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置。
进一步的,所述对电气设备紫外图像进行光斑检测获得光斑位置,包括:
对电气设备紫外图像进行分割,过滤出中心框区域;
对图像中心框区域进行颜色区分判断有光斑时,获得光斑的面积;
根据光斑面积判断存在放电现象时,获得此光斑的位置。
进一步的,所述根据光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置,诊断出电气设备的缺陷等级和缺陷类型,包括:
根据光子数值和增益数值换算出标准增益值下的光子数值大小;
将光斑位置关联部件识别框位置,获得光斑对应的部件名称;
根据部件对应的光子数值大小,诊断出电气设备的缺陷程度和缺陷类型。
相应的,本发明还提供了一种电力设备紫外图像诊断系统,包括光子识别模块、部件识别模块、光斑识别模块和缺陷诊断模块,其中:
光子识别模块,用于对电气设备紫外图像进行字符识别获得图像中的光子数值和增益数值;
部件识别模块,用于对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置;
光斑识别模块,用于对电气设备紫外图像进行光斑检测获得光斑位置;
缺陷诊断模块,用于根据光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置,诊断出电气设备的缺陷等级和缺陷类型。
进一步的,所述光子识别模块包括字符分割单元和字符识别单元,其中:
字符分割单元,用于对电气设备紫外图像按照字符进行行列分割,获得多个包含单个字符或者是连续几个字符的字符图像;
字符识别单元,用于将分割后的字符图像进行字符识别处理,得到原紫外图像中的光子数值和增益数值。
进一步的,所述部件识别模块中,采用YOLO算法对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置。
进一步的,所述光斑识别模块中心框识别单元、光斑面积获取单元和光斑位置获取单元,其中:
中心框识别单元,用于对电气设备紫外图像进行分割,过滤出中心框区域;
光斑面积获取单元,用于对图像中心框区域进行颜色区分判断有光斑时,获得光斑的面积;
光斑位置获取单元,用于根据光斑面积判断存在放电现象时,获得此光斑的位置。
进一步的,所述缺陷诊断模块中,包括光子数换算单元,部件关联单元和诊断单元,其中:
光子数换算单元,用于根据光子数值和增益数值换算出标准增益值下的光子数值大小;
部件关联单元,用于将光斑位置关联部件识别框位置,获得光斑对应的部件名称;
诊断单元,用于根据部件对应的光子数值大小,诊断出电气设备的缺陷程度和缺陷类型。
与现有技术相比,本发明所达到的有益效果是:本发明实现对电气设备紫外检测图像进行智能化、精确化、便捷化诊断。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提出了一套电力紫外图像智能诊断分析系统,该系统分析不同因素、仪器工作参数和性能参数对光子计数测量精度的影响规律,提出一种可客观表征电晕辐射强度的光子计数算法,结合设备类型、设备部件、光子数等,确定缺陷程度和缺陷类型。
本发明的一种电力设备紫外图像诊断方法,参见图1所示,包括以下过程:
步骤S1,对采集到的电气设备紫外图像进行字符识别,获得图像中的光子数值及增益数值。
基于紫外设备采集到电气设备紫外图像,利用OCR光学字符识别(文字识别)技术对电气设备紫外图像进行识别,最终输出图像中包含的光子数及增益数。具体的处理过程如下:
1)利用紫外成像仪得到电气设备紫外图像,此电气设备紫外图像中包含了待识别字符,此字符即是光子数、增益值对应的字符;
2)运用阈值操作等一些图像处理的方法对紫外图像进行去噪和矫正;
3)对紫外图像按照字符进行行列分割,获得多个包含单个字符或者是连续几个字符的字符图像;
4)将分割后的字符图像进行字符识别处理(利用OCR光学字符识别),得到原紫外图像中的字符信息:光子数值和增益数值。
步骤S2,采用YOLO算法对电气设备紫外图像进行部件检测,获得图像中各部件的名称和位置。
部件是电气设备的一个结构名称,一种电气设备有多个部件结构组成。比如电气设备220kV避雷器,是由均压环、本体上节、本体下节三种部件组成。
YOLO算法是利用多尺度特征进行对象检测,是现有技术中对图像中目标检测检测的常用算法,通过YOLO算法对图像中的部件目标检测具体的处理步骤如下:
1)从紫外检测设备中提取电气设备紫外图像,对提取的电气设备紫外图像中的部件进行筛选,选出大量的含有相同部件的电气设备紫外图像,作为训练样本;
2)利用图片标注工具对筛选出的紫外图像中的部件识别框进行标注,标注内容是部件标签名称,构成样本集。
3)将已标注完成的紫外图像输入到YOLO算法框架中,并训练出YOLO模型,记作模型M;此模型输出部件名称和部件框位置。
4)对YOLO模型进行优化迭代:从紫外图像中提取与已有数据集中不重复的部件图片,将图片上传至模型M;经模型M算法分类后得到带有标签图片集X,对图片集X中各分类的图片进行人工筛选核查,对不正确的图片标签进行修改,得到图片集Y;将图片集Y输入到模型M中,进行再次学习并更新得到新的模型M;重复数据的补充训练,重复本优化过程。
5)从紫外检测设备中提取待检测图片,并从中提取包含部件区域的图片上传至优化后的YOLO模型;
6)优化后的YOLO模型对待检测图片中部件进行识别处理,获得设备图像中的部件名称和部件识别框位置。
步骤S3,对电气设备紫外图像进行光斑检测,获得光斑位置;
准备紫外设备采集到的对电气设备紫外图像,利用图像分割及颜色阈值区分,首先判断是否有光斑;有光斑时,计算获取光斑的连通域面积和光斑在图像中的坐标位置。
具体的处理步骤如下:
1)对电气设备紫外图像进行分割,过滤出中心框区域;
由于仪器本身的限制,拍摄图像时图像中对应有一个光子计数的框(即中心框区域);光子计数值只计数这个中心框内的光斑,因此只采用中心框内的光斑。框外的光斑没有进入光子计数。
由于紫外图像的光子数计数值是依托于图像中心区域默认的一个中心框内的光斑;因此需要先进行分割,本发明中采用OpenCV的库函数,基于区域的分割方法和基于边界的分割方法将图像进行区域分割,过滤出中心框区域。
2)对图像中心框区域进行颜色区分判断是否有光斑,若有光斑时,获得光斑的面积。
采用OpenCV的库函数(图像细粒度分割法)对图像中心区域进行颜色阈值区分,判断图像中是否有光斑,当判断出有光斑时,计算获取光斑面积。
3)若光斑面积小于设定阈值(如<15×15像素),则认为光斑太小,忽略此光斑;
若光斑面积大于等于预定阈值(如≥15×15像素),则认为存在放电现象,通过颜色分割(光斑颜色明显与图像背景不同)和图像细粒度分割来获取光斑在图像中的点位置,输出此光斑的位置。
S4:根据以上获得的光子数值、增益数值、各部件名称及部件识别框位置、及光斑位置,得到电气设备的放电诊断结果。
具体的诊断过程如下:
1)通过光子数值、增益数值结合可客观表征电晕辐射强度的光子计数算法换算出标准增益值情况下的光子数值大小(标准增益值为仪器增益阈值的60%);
换算公式如下:
y2=y1e3.4325(0.6-g)(当20%<g≤60%时)
y2=y1e4.15(g-0.6)(当g>60%时)
式中:g为仪器增益值,为0至1的一个百分数值;y1为在增益值为g时检测的紫外光子数;y 2为y1换算到60%标准增益时的紫外光子数。
2)光斑位置关联部件识别框位置,得出光斑对应的部件名称,此部件存在放电现象(即存在缺陷)。
结合S2步骤中部件识别框的坐标位置与光斑的位置进行交并分析:根据光斑位置在图像中的坐标,结合S2步骤中获取的部件的名称及识别框坐标位置;若光斑位置落在部件的识别框中,则此光斑就是属于该设备部件的放电现象,即此部件存在缺陷。
3)根据部件对应的光子数,诊断出部件的缺陷等级和缺陷类型。
若光斑对应部件是带电体(金属),则根据光子数大小的诊断如下:光子数值≥8000,诊断结果为严重缺陷,光子数值<8000,诊断结果为一般缺陷。
若光斑对应部件是绝缘体(绝缘材料),则根据光子数大小的诊断如下:光子数值≥8000,诊断结果为危急缺陷,1000≤光子数值<8000,诊断结果为严重缺陷;光子数值<1000,诊断结果为一般缺陷。
根据设备部件名称和光子数值的大小来综合诊断缺陷类型,具体可参见表1的诊断规则。缺陷类型有:接触不良、均压不当、尖端放电、表面破损、表面污秽、瓷套裂纹、导线断股。具体的判断依据参见下表1所示。
表1:部件缺陷的诊断标准
本发明结合光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置,诊断出电气设备的缺陷等级和缺陷类型,实现了人工智能诊断,本发明方法简单,检测精度高。
实施例
相应的,本发明还提供了一种电力设备紫外图像诊断系统,包括光子识别模块、部件识别模块、光斑识别模块和缺陷诊断模块,其中:
光子识别模块,用于对电气设备紫外图像进行字符识别获得图像中的光子数值和增益数值;
部件识别模块,用于对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置;
光斑识别模块,用于对电气设备紫外图像进行光斑检测获得光斑位置;
缺陷诊断模块,用于根据光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置,诊断出电气设备的缺陷等级和缺陷类型。
进一步的,所述光子识别模块包括字符分割单元和字符识别单元,其中:
字符分割单元,用于对电气设备紫外图像按照字符进行行列分割,获得多个包含单个字符或者是连续几个字符的字符图像;
字符识别单元,用于将分割后的字符图像进行字符识别处理,得到原紫外图像中的光子数值和增益数值。
进一步的,所述部件识别模块中,采用YOLO算法对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置。
进一步的,所述光斑识别模块中心框识别单元、光斑面积获取单元和光斑位置获取单元,其中:
中心框识别单元,用于对电气设备紫外图像进行分割,过滤出中心框区域;
光斑面积获取单元,用于对图像中心框区域进行颜色区分判断有光斑时,获得光斑的面积;
光斑位置获取单元,用于根据光斑面积判断存在放电现象时,获得此光斑的位置。
进一步的,所述缺陷诊断模块中,包括光子数换算单元,部件关联单元和诊断单元,其中:
光子数换算单元,用于根据光子数值和增益数值换算出标准增益值下的光子数值大小;
部件关联单元,用于将光斑位置关联部件识别框位置,获得光斑对应的部件名称;
诊断单元,用于根据部件对应的光子数值大小,诊断出电气设备的缺陷程度和缺陷类型。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.一种电力设备紫外图像诊断方法,其特征是,包括以下过程:
对电气设备紫外图像进行字符识别获得图像中的光子数值和增益数值;
对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置;
对电气设备紫外图像进行光斑检测获得光斑位置,包括:
1)对电气设备紫外图像进行分割,过滤出中心框区域,包括:
拍摄图像时图像中对应有一个光子计数的框,该框为中心框;光子计数值只计数这个中心框内的光斑;
采用OpenCV的库函数,基于区域的分割方法和基于边界的分割方法将图像进行区域分割,过滤出中心框区域;
2)对图像中心框区域进行颜色区分判断是否有光斑,若有光斑时,获得光斑的面积,包括:
采用图像细粒度分割法对图像中心区域进行颜色阈值区分,判断图像中是否有光斑,当判断出有光斑时,计算获取光斑面积;
3)若光斑面积小于设定阈值,则认为光斑太小,忽略此光斑;
若光斑面积大于等于设定阈值,则认为存在放电现象,通过颜色分割和图像细粒度分割来获取光斑在图像中的点位置,输出此光斑的位置;
根据光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置,诊断出电气设备的缺陷等级和缺陷类型,包括:
1)通过光子数值、增益数值结合光子计数算法换算出标准增益值情况下的光子数值大小;
换算公式如下:
y2=y1 e 3.4325(0.6-g) (当20%<g≤60%时)
y2=y1 e 4.15(g -0.6) (当g >60%时)
式中: g为仪器增益值,为0至1的一个百分数值;y1为在增益值为g时检测的紫外光子数;y 2为y1换算到60%标准增益时的紫外光子数;
2)光斑位置关联部件识别框位置,得出光斑对应的部件名称,此部件存在放电现象,即存在缺陷,包括:
根据光斑位置在图像中的坐标,结合部件的名称和识别框位置,若光斑位置落在部件的识别框中,则此光斑就是属于该设备部件的放电现象,即此部件存在缺陷;
3)根据部件对应的光子数,诊断出部件的缺陷等级和缺陷类型,包括:
若光斑对应部件是带电体,则根据光子数大小的诊断如下:光子数值≥8000,诊断结果为严重缺陷,光子数值<8000,诊断结果为一般缺陷;
若光斑对应部件是绝缘体,则根据光子数大小的诊断如下:光子数值≥8000,诊断结果为危急缺陷,1000≤光子数值<8000,诊断结果为严重缺陷,光子数值<1000,诊断结果为一般缺陷。
2.根据权利要求1所述的一种电力设备紫外图像诊断方法,其特征是,所述对电气设备紫外图像进行字符识别获得图像中的光子数值和增益数值,包括:
对电气设备紫外图像按照字符进行行列分割,获得多个包含单个字符或者是连续几个字符的字符图像;
将分割后的字符图像进行字符识别处理,得到原紫外图像中的光子数值和增益数值。
3.根据权利要求1所述的一种电力设备紫外图像诊断方法,其特征是,所述对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置,包括
采用YOLO算法对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置。
4.一种电力设备紫外图像诊断系统,包括光子识别模块、部件识别模块、光斑识别模块和缺陷诊断模块,其中:
光子识别模块,用于对电气设备紫外图像进行字符识别获得图像中的光子数值和增益数值;
部件识别模块,用于对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置;
光斑识别模块,用于对电气设备紫外图像进行光斑检测获得光斑位置,包括:
1)对电气设备紫外图像进行分割,过滤出中心框区域,包括:
拍摄图像时图像中对应有一个光子计数的框,该框为中心框;光子计数值只计数这个中心框内的光斑;
采用OpenCV的库函数,基于区域的分割方法和基于边界的分割方法将图像进行区域分割,过滤出中心框区域;
2)对图像中心框区域进行颜色区分判断是否有光斑,若有光斑时,获得光斑的面积,包括:
采用图像细粒度分割法对图像中心区域进行颜色阈值区分,判断图像中是否有光斑,当判断出有光斑时,计算获取光斑面积;
3)若光斑面积小于设定阈值,则认为光斑太小,忽略此光斑;
若光斑面积大于等于设定阈值,则认为存在放电现象,通过颜色分割和图像细粒度分割来获取光斑在图像中的点位置,输出此光斑的位置;
缺陷诊断模块,用于根据光子数值和增益数值、各部件的名称和识别框位置,以及光斑位置,诊断出电气设备的缺陷等级和缺陷类型,包括:
1)通过光子数值、增益数值结合光子计数算法换算出标准增益值情况下的光子数值大小;
换算公式如下:
y2=y1 e 3.4325(0.6-g) (当20%<g≤60%时)
y2=y1 e 4.15(g -0.6) (当g >60%时)
式中: g为仪器增益值,为0至1的一个百分数值;y1为在增益值为g时检测的紫外光子数;y 2为y1换算到60%标准增益时的紫外光子数;
2)光斑位置关联部件识别框位置,得出光斑对应的部件名称,此部件存在放电现象,即存在缺陷,包括:
根据光斑位置在图像中的坐标,结合部件的名称和识别框位置,若光斑位置落在部件的识别框中,则此光斑就是属于该设备部件的放电现象,即此部件存在缺陷;
3)根据部件对应的光子数,诊断出部件的缺陷等级和缺陷类型,包括:
若光斑对应部件是带电体,则根据光子数大小的诊断如下:光子数值≥8000,诊断结果为严重缺陷,光子数值<8000,诊断结果为一般缺陷;
若光斑对应部件是绝缘体,则根据光子数大小的诊断如下:光子数值≥8000,诊断结果为危急缺陷,1000≤光子数值<8000,诊断结果为严重缺陷,光子数值<1000,诊断结果为一般缺陷。
5.根据权利要求4所述的一种电力设备紫外图像诊断系统,其特征是,所述光子识别模块包括字符分割单元和字符识别单元,其中:
字符分割单元,用于对电气设备紫外图像按照字符进行行列分割,获得多个包含单个字符或者是连续几个字符的字符图像;
字符识别单元,用于将分割后的字符图像进行字符识别处理,得到原紫外图像中的光子数值和增益数值。
6.根据权利要求4所述的一种电力设备紫外图像诊断系统,其特征是,所述部件识别模块中,采用YOLO算法对电气设备紫外图像进行部件检测获得图像中各部件的名称和识别框位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805582.6A CN111951247B (zh) | 2020-08-12 | 2020-08-12 | 一种电力设备紫外图像诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805582.6A CN111951247B (zh) | 2020-08-12 | 2020-08-12 | 一种电力设备紫外图像诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951247A CN111951247A (zh) | 2020-11-17 |
CN111951247B true CN111951247B (zh) | 2022-08-19 |
Family
ID=73332218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010805582.6A Active CN111951247B (zh) | 2020-08-12 | 2020-08-12 | 一种电力设备紫外图像诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951247B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191313A (zh) * | 2021-05-20 | 2021-07-30 | 国能大渡河沙坪发电有限公司 | 基于水电厂的视频流放电识别方法、装置及计算机设备 |
CN113538351B (zh) * | 2021-06-30 | 2024-01-19 | 国网山东省电力公司电力科学研究院 | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110346699A (zh) * | 2019-07-26 | 2019-10-18 | 国网山东省电力公司电力科学研究院 | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 |
CN111415345A (zh) * | 2020-03-20 | 2020-07-14 | 山东文多网络科技有限公司 | 一种基于深度学习的变电站紫外图像智能巡检算法及装置 |
-
2020
- 2020-08-12 CN CN202010805582.6A patent/CN111951247B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110346699A (zh) * | 2019-07-26 | 2019-10-18 | 国网山东省电力公司电力科学研究院 | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 |
CN111415345A (zh) * | 2020-03-20 | 2020-07-14 | 山东文多网络科技有限公司 | 一种基于深度学习的变电站紫外图像智能巡检算法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111951247A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3783374A1 (en) | Method for detecting corona discharge employing image processing | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
CN111951247B (zh) | 一种电力设备紫外图像诊断方法及系统 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
CN111553194B (zh) | 基于双光源的gis设备内部的异物的检测方法及系统 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN113033322A (zh) | 基于深度学习的变电站充油设备渗漏油隐患识别方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN107977959B (zh) | 一种适用于电力作业机器人的呼吸器状态识别方法 | |
Wang et al. | Insulator defect detection based on improved YOLOv5 algorithm | |
CN114061476B (zh) | 一种输电线路绝缘子挠度检测方法 | |
CN112036410B (zh) | 基于深度学习和图像梯度的电力设备红外图像分割方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN113506290A (zh) | 一种线路绝缘子缺陷检测方法及装置 | |
CN103927544A (zh) | 皮棉轧工质量的机器视觉分级方法 | |
CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及系统 | |
CN113408805A (zh) | 一种雷电地闪识别方法、装置、设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |