CN112013966A - 一种基于测量温度的电力设备红外图像处理方法 - Google Patents
一种基于测量温度的电力设备红外图像处理方法 Download PDFInfo
- Publication number
- CN112013966A CN112013966A CN202010856862.XA CN202010856862A CN112013966A CN 112013966 A CN112013966 A CN 112013966A CN 202010856862 A CN202010856862 A CN 202010856862A CN 112013966 A CN112013966 A CN 112013966A
- Authority
- CN
- China
- Prior art keywords
- temperature
- power equipment
- model
- image processing
- processing method
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 11
- 238000003384 imaging method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- 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
- G01J5/0003—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter
-
- 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
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- 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
- G01J5/02—Constructional details
- G01J5/025—Interfacing a pyrometer to an external device or network; User interface
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06T2207/20081—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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于测量温度的电力设备红外图像处理方法，该方法包括：S1：利用红外热像仪在不同的环境温度下采集电力设备的灰度数据图像；S2：根据步骤S1利用红外热像仪在不同环境温度下采集的电力设备灰度数据图像，构建机器学习温度转换模型，利用模型把不同环境温度下的电力设备灰度数据图像转换成温度数据。本发明采用一种基于测量温度的电力设备红外图像处理方法，极大提高了红外图像在电力设备中的实用性。相比传统的灰度数据成像方法能取得了更好的处理效果。该发明特点是创新性强，实用性强，能够实现电力设备红外图像去噪效果好、速度快的需求。
Description
技术领域
本发明涉及电力设备监测技术领域，具体涉及一种基于测量温度的电力设备红外图像处理方法。
背景技术
我国的电力产业是关系到国计民生的命脉产业，对我国的经济发展、社会发展、军事发展起着重要作用，也是中国制造2025能够实现的基础前提。为了贴合国家统筹战略资源的要求，优化国内电力基础建设，配合智能电力监控网络的高速发展，完成新时代新电网的信息化管理。电力系统在国内市场中不仅仅扮演着电力输送工的角色，也负有优化国内基础网络建设的重要责任。所以电力安全监管的力度、生产中的安全用电在我国是举足轻重。为了满足可靠供电的需求，密集型、封闭型、小型化、无油化等新型电力设备占据越来越多的比例。电力系统是一种复杂的、纵横交错的系统。往往电力系统中一个组件出现了故障，会使大面积的电力设备陷入瘫痪。由于采用了绝缘材料和封闭式的结构，传统对于电力系统的监测手段例如目测、耳听，显然已经难以符合电力系统对于稳定性的需求。我国全国范围内每年都有由于电力设备故障引起的安全事故，其占全国电力安全生产事故的80％以上，大部分电力设备的故障都跟电流的泄露、接触不良、连接松动等造成的发热有关，因此，对不同类型的电力设备进行有效的监控，成为了目前研究的热点。而且近年来，随着通信技术的更新换代，从以前只能交换文字信息的2G时代，到图片传输的3G时代，再到视频交互的4G时代，还有将要到来的云服务互联网加的5G时代。迅速发展的时代对电力系统网络建设提出了新的要求，建立智能电站已经是迫在眉睫。所以，得益于电子技术与图像技术的发展，电力系统里的监测技术也不断更新，传统变电站往自动化变电站发展，自动化变电站往数字智能变电站发展。其中，智能变电站就是采用了通信技术、电子技术，并且将这种技术结合在各种一次设备、二次设备上，从而使变电站的管理监测向无人化、智能化发展。
近年来，红外成像技术快速发展，相关技术也越来越多的应用在电力设备的检测中，解决了大量设备热故障问题。红外热像技术是基于温度在绝对零度以上物体的热辐射进行检测，具有非接触、灵敏度高、不受电场干扰、快速、准确等特点。利用红外福射将物体表面的红外福射能量测量成温度图。将红外测温技术应用到配电设备的在线监测和巡检上，及时预测和发现设备问题，可以有效增强设备的可靠性、减少设备事故，正成为保障电力系统可靠运行的常用技术。这也成为了电力系统在线实时监测中的一个强大的工具。1990年，国际大电网会议首先肯定了热成像技术在电力设备诊断中的作用，近年来我国也积极推进相关技术研究与应用，并且相应的发布了应用指导准则。通过红外热成像技术，我们可以把电力设备发出的热红外辐射转变成热分布图像，设备的热像图经过对比，就可以分析判断出设备可能存在的故障。图1显示了电力设备红外图像的特点。
然而，传统的电力设备红外图像采用的是灰度数据成像，图像中每一个点的灰度值与被测物体上该点发出并到达光电转换器件的辐射能量相对应，但图像的灰度数据在不同的环境温度下与被测物体温度值并非一一对应。因此，传统针对电力设备红外图像处理方法存在处理效果不佳、速度不快等问题。
发明内容
本发明所要解决的技术问题是现有的针对电力设备红外图像处理方法存在处理效果不佳、速度不快，而转化后的温度数据在不同的环境温度下并不是一一对应的等问题。本发明目的在于提供一种基于测量温度的电力设备红外图像处理方法，使用本发明方法转化后的电力设备图像温度数据在不同的环境温度下与被测物体温度值是一一对应的，用户在任何可工作的环境温度下，均可快速的找到感兴趣的温度段。本发明方法创新性强，实用性强，能够实现电力设备红外图像处理效果好、速度快的需求。
本发明通过下述技术方案实现：
一种基于测量温度的电力设备红外图像处理方法，该方法包括以下步骤：
S1：利用红外热像仪在不同的环境温度下采集电力设备的灰度数据图像；
S2：根据步骤S1利用红外热像仪在不同环境温度下采集的电力设备灰度数据图像，构建机器学习温度转换模型，利用模型把不同环境温度下的灰度数据图像转换成温度数据。
本发明改进了一种基于测量温度的电力设备红外图像处理方法，本发明采用将灰度转化成温度后并采用温度进行电力设备红外图像处理的方法，极大的提高了红外图像在电力设备中的实用性，传统的电力设备红外图像采用的是灰度数据成像，图像中每一个点的灰度值与被测物体上该点发出并到达光电转换器件的辐射能量相对应，但图像的灰度数据在不同的环境温度下与被测物体温度值并非一一对应，而转化后的电力设备图像温度数据在不同的环境温度下与被测物体温度值是一一对应的，用户在任何可工作的环境温度下，均可快速的找到感兴趣的温度段。本发明特点是创新性强，实用性强，能够实现电力设备红外图像处理效果好、速度快的需求。
进一步地，步骤S2包括以下子步骤：
S21：利用红外热像仪将不同环境温度下的电力设备灰度数据图像进行到物体温度的映射；
S22：根据步骤S21，采用盲元检测算法查找温度的最大值和最小值，并去除盲元及过热像元；
S23：根据步骤S21及S22，在电力设备温度图像画面上建立温宽色标。
进一步地，步骤S21包括以下子步骤：
S211：利用红外测温仪测得与步骤S1相同场景下的物体温度，并将物体温度与电力设备灰度数据图像一一对应，形成电力设备温度数据图像；
S212：将电力设备温度数据图像与电力设备灰度数据图像形成样本对，将样本对按7：3分成训练集和测试集；
S213：搭建测量温度的机器学习温度转换模型；
S214：对所述模型进行参数调节及优化，训练所述模型并对其进行测试。
进一步地，步骤S211的具体操作为：
将步骤S1中测得的灰度数据与物体温度在像素关系上一一对应，形成电力设备温度数据图像，电力设备温度数据图像的像素值代表物体在该像素上对应的温度值。
进一步地，步骤S213的具体操作为：
所述机器学习温度转换模型包括三部分，第一部分为特征提取模块，由一个卷积层和一个非线性激活层构成；第二部分为密集连接模块；第三部分为重建模块，由一个卷积层构成。
进一步地，步骤S213中，所述特征提取模块中，卷积层卷积核大小为3X3，卷积核初始化的权重分布符合高斯分布，输入为电力设备灰度数据图像，输出64通道的特征图，非线性激活层使用的激活函数为tanh。
进一步地，步骤S213中，所述密集连接模块：有3个卷积层，两两卷积层之间分别嵌入批归一化层、非线性激活层、1×1卷积层；输入都为64通道的特征图，且输出都为128通道的特征图，卷积核大小都为3X3，卷积核初始化的权重分布符合高斯分布，非线性激活层使用的激活函数为ReLU。
进一步地，步骤S213中，所述重建模块中，卷积层卷积核大小为3X3，卷积核初始化的权重分布符合高斯分布，输入为128通道的特征图，输出为电力设备温度数据图像。
进一步地，所述步骤S214的具体包括以下子步骤：
步骤a：构造损失函数，损失函数为
其中
表示的是模型输入的电力设备灰度数据图像，
表示的是实际的电力设备温度数据图像，
表示训练出的电力设备温度数据图像，θ表示模型权重，j表示每一个训练样本对，N表示训练集中的样本数；
步骤b：对各卷积层进行参数调节，选择合适的优化器训练模型，保存训练好的模型权重；
步骤c：载入训练好的模型权重，使用测试集对模型进行测试。
进一步地，所述步骤b中，采用误差反向传播算法训练所述模型，使用adam优化器,总共迭代优化10万次，保存迭代优化所得模型的权重。
其中，adam优化器(Adam是由OpenAI的Diederik Kingma和多伦多大学的Jimmy Ba在提交到2015年ICLR论文“Adam:A Method for Stochastic Optimization”中提出的，是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重),总共迭代优化10万次，保存迭代优化所得模型的权重。
此时得到的模型可将不同环境温度下的灰度数据进行到物体温度数据的映射。
进一步地，步骤S22的具体操作为：本发明采用李丽萍等于2014年在文章“一种新的红外焦平面阵列盲元检测算法”中提出的盲元检测算法，来查找温度的最大值和最小值以及去除盲元及过热像元。
由上述对本发明的描述可知，和现有的技术相比，本发明的优点和有益效果在于：
1、本发明的创新点包括：(1)传统的电力设备红外图像采用的是灰度数据成像，但灰度数据在不同的环境温度下并非一一对应，而转化后的温度在不同的环境温度下是一一对应的，用户在任何可工作的环境温度下，均可快速的找到感兴趣的温度段。(2)提出了一个可以将电力设备红外灰度数据图像映射成红外温度数据图像的机器学习温度转换模型，可达实时性需求。(3)该发明特点是创新性强，实用性强，能够实现电力设备红外图像处理效果好、速度快的需求。
2、本发明采用将灰度转化成温度后并采用温度进行电力设备红外图像处理的方法。相比传统方法能取得了更好的处理效果，同时将灰度数据转化成温度数据，而转化后的温度数据在不同的环境温度下是一一对应的。该发明特点是创新性强，实用性强，能够实现电力设备红外图像处理效果好、速度快的需求。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为红外测温仪图像示意图。
图2为本发明一种基于测量温度的电力设备红外图像处理方法流程图。
图3为本发明方法所构建测量温度的机器学习温度转换模型图。
图4为本发明机器学习温度转换模型中的密集连接模块图。
图5本发明从传统电力设备红外图像随机截取的图像块。
图6本发明试验结果直方图，(a)为灰度数据直方图，(b)为试验后温度数据直方图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例
如图1至图4所示，本发明一种基于测量温度的电力设备红外图像处理方法，如图2所示，该方法包括以下步骤：
S1：利用红外热像仪在不同的环境温度下采集电力设备的灰度数据图像；
S2：根据步骤S1利用红外热像仪在不同环境温度下采集的电力设备灰度数据图像，构建机器学习温度转换模型，利用模型把不同环境温度下的电力设备灰度数据图像转换成温度数据。
具体地，步骤S2包括以下子步骤：
S21：利用红外热像仪将不同环境温度下的电力设备灰度数据图像进行到物体温度的映射；
S22：根据步骤S21，采用盲元检测算法查找温度的最大值和最小值，并去除盲元及过热像元；
S23：根据步骤S21及S22，在电力设备温度数据图像画面上建立温宽色标，供后续使用。
具体地，步骤S21包括以下子步骤：
S211：利用红外测温仪测得与步骤S1相同场景下的物体温度，并将物体温度与电力设备灰度数据图像一一对应，形成电力设备温度数据图像；
S212：将电力设备温度数据图像与电力设备灰度数据图像形成样本对，将样本对按7：3分成训练集和测试集；
S213：搭建测量温度的机器学习温度转换模型；
S214：对所述模型进行参数调节及优化，训练所述模型并对其进行测试。
具体地，步骤S211的具体操作为：
将步骤S1中测得的灰度数据与物体温度在像素关系上一一对应，形成电力设备温度数据图像，电力设备温度数据图像的像素值代表物体在该像素上对应的温度值。
具体地，步骤S213的具体操作为：
如图3所示，所述机器学习温度转换模型包括三部分，第一部分为特征提取模块，由一个卷积层和一个非线性激活层构成；第二部分为密集连接模块；第三部分为重建模块，由一个卷积层构成。
具体地，步骤S213中，所述特征提取模块中，卷积层卷积核大小为3X3，卷积核初始化的权重分布符合高斯分布，输入为电力设备灰度数据图像，输出64通道的特征图，非线性激活层使用的激活函数为tanh。
具体地，步骤S213中，如图4所示，所述密集连接模块：有3个卷积层，两两卷积层之间分别嵌入批归一化层、非线性激活层、1×1卷积层；输入都为64通道的特征图，且输出都为128通道的特征图，卷积核大小都为3X3，卷积核初始化的权重分布符合高斯分布，非线性激活层使用的激活函数为ReLU。
具体地，步骤S213中，所述重建模块中，卷积层卷积核大小为3X3，卷积核初始化的权重分布符合高斯分布，输入为128通道的特征图，输出为电力设备温度数据图像。
具体地，所述步骤S214的具体包括以下子步骤：
步骤a：构造损失函数，损失函数为
其中
表示的是模型输入的电力设备灰度数据图像，
表示的是电力设备实际的温度数据图像，
表示训练出的电力设备温度数据图像，θ表示模型权重，j表示每一个训练样本对，N表示训练集中的样本数；
步骤b：对各卷积层进行参数调节，选择合适的优化器训练模型，保存训练好的模型权重；
步骤c：载入训练好的模型权重，使用测试集对模型进行测试。
具体地，所述步骤b中，采用误差反向传播算法训练所述模型，使用adam优化器,总共迭代优化10万次，保存迭代优化所得模型的权重。
其中，adam优化器(Adam是由OpenAI的Diederik Kingma和多伦多大学的Jimmy Ba在提交到2015年ICLR论文“Adam:A Method for Stochastic Optimization”中提出的，是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重),总共迭代优化10万次，保存迭代优化所得模型的权重。
此时得到的模型可将不同环境温度下的灰度数据进行到物体温度数据的映射。
进一步地，步骤S22的具体操作为：本发明采用李丽萍等于2014年在文章“一种新的红外焦平面阵列盲元检测算法”中提出的盲元检测算法，来查找温度的最大值和最小值以及去除盲元及过热像元。
依据上述方法步骤实施，从传统电力设备红外图像随机截取的图像块，如图5所示，该图像块的灰度数据如表1所示，表1中的每个数值代表图5截取图像块的像素灰度值，通过本发明方法将红外图像(图5)输入本发明模型，模型输出得到对应的电力设备温度数据图像，截取温度数据图像块，截取位置与之前已截取的灰度数据图像块的对应位置相同，所截取的温度数据图像块的像素值如表2所示。灰度数据图像经过模型映射到温度数据图像，对应的灰度像素值121(表1灰色数字所示)映射成温度像素值26(表2灰色数字所示)，这样温度数据图像像素值就与被测实际温度一一对应了。
从中可以看出传统的电力设备红外图像采用的是灰度数据成像，图像中每一个点的灰度值与被测物体温度值并非一一对应，需要通过在不同环境下建立的映射关系才能很好对应。而转化后的电力设备图像温度数据(表2)是与被测物体温度值是一一对应的，用户在任何可工作的环境温度下，均可快速的找到感兴趣的温度段。
图6本发明试验结果直方图，(a)为灰度数据直方图，(b)为试验后温度数据直方图；其中(a)直方图的横轴为灰度图像的像素值，纵轴为该像素值出现的频数；(b)直方图的横轴为试验后得到温度图像的像素值，纵轴为该像素值出现的频数。
本发明改进了一种基于测量温度的电力设备红外图像处理方法，本发明采用将灰度转化成温度后并采用温度进行电力设备红外图像处理的方法，极大的提高了红外图像在电力设备中的实用性，相比传统的灰度数据成像方法能取得了更好的处理效果；传统的电力设备红外图像采用的是灰度数据成像，图像中每一个点的灰度值与被测物体上该点发出并到达光电转换器件的辐射能量相对应，但电力设备图像的灰度数据在不同的环境温度下与被测物体温度值并非一一对应，而转化后的电力设备图像温度数据在不同的环境温度下与被测物体温度值是一一对应的，用户在任何可工作的环境温度下，均可快速的找到感兴趣的温度段。
本发明提出了一个可以将电力设备红外灰度数据图像映射成电力设备红外温度数据图像的机器学习温度转换模型，可达实时性需求。本发明特点是创新性强，实用性强，能够实现电力设备红外图像处理效果好、速度快的需求。
本发明方法是适应于对不同的电力设备的红外图像处理，把不同环境温度下的灰度数据图像转换成温度数据，转化后的电力设备图像温度数据在不同的环境温度下与被测物体温度值是一一对应的，用户在任何可工作的环境温度下，均可快速的找到感兴趣的温度段。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于测量温度的电力设备红外图像处理方法，其特征在于，该方法包括以下步骤：
S1：利用红外热像仪在不同的环境温度下采集电力设备的灰度数据图像；
S2：根据步骤S1利用红外热像仪在不同环境温度下采集的电力设备灰度数据图像，构建机器学习温度转换模型，利用模型把不同环境温度下的灰度数据图像转换成温度数据。
2.根据权利要求1所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，步骤S2包括以下子步骤：
S21：利用红外热像仪将不同环境温度下的电力设备灰度数据图像进行到物体温度的映射；
S22：根据步骤S21，采用盲元检测算法查找温度的最大值和最小值，并去除盲元及过热像元；
S23：根据步骤S21及S22，在电力设备温度数据图像画面上建立温宽色标。
3.根据权利要求2所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，步骤S21包括以下子步骤：
S211：利用红外测温仪测得与步骤S1相同场景下的物体温度，并将物体温度与灰度数据图像一一对应，形成电力设备温度数据图像；
S212：将电力设备的温度数据图像与灰度数据图像形成样本对，将样本对分成训练集和测试集；
S213：搭建测量温度的机器学习温度转换模型；
S214：对所述模型进行参数调节及优化，训练所述模型并对其进行测试。
4.根据权利要求3所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，步骤S211的具体操作为：
将步骤S1中测得的灰度数据与物体温度在像素关系上一一对应，形成电力设备温度数据图像，温度数据图像的像素值代表物体在该像素上对应的温度值。
5.根据权利要求3所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，步骤S213的具体操作为：
所述机器学习温度转换模型包括三部分，第一部分为特征提取模块，由一个卷积层和一个非线性激活层构成；第二部分为密集连接模块；第三部分为重建模块，由一个卷积层构成。
6.根据权利要求5所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，步骤S213中，所述特征提取模块中，卷积层卷积核大小为3X3，卷积核初始化的权重分布符合高斯分布，输入为电力设备的灰度数据图像，输出64通道的特征图，非线性激活层使用的激活函数为tanh。
7.根据权利要求5所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，步骤S213中，所述密集连接模块：有3个卷积层，两两卷积层之间分别嵌入批归一化层、非线性激活层、1×1卷积层；输入都为64通道的特征图，且输出都为128通道的特征图，卷积核大小都为3X3，卷积核初始化的权重分布符合高斯分布，非线性激活层使用的激活函数为ReLU。
8.根据权利要求5所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，步骤S213中，所述重建模块中，卷积层卷积核大小为3X3，卷积核初始化的权重分布符合高斯分布，输入为128通道的特征图，输出为温度数据图像。
9.根据权利要求5所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，所述步骤S214的具体包括以下子步骤：
步骤a：构造损失函数，损失函数为
其中
表示的是模型输入的电力设备灰度数据图像，
表示的是实际的电力设备温度数据图像，
表示训练出的电力设备温度数据图像，θ表示模型权重，j表示每一个训练样本对，N表示训练集中的样本数；
步骤b：对各卷积层进行参数调节，选择合适的优化器训练模型，保存训练好的模型权重；
步骤c：载入训练好的模型权重，使用测试集对模型进行测试。
10.根据权利要求9所述的一种基于测量温度的电力设备红外图像处理方法，其特征在于，所述步骤b中，采用误差反向传播算法训练所述模型，使用adam优化器,总共迭代优化10万次，保存迭代优化所得模型的权重。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010856862.XA CN112013966B (zh) | 2020-08-24 | 2020-08-24 | 一种基于测量温度的电力设备红外图像处理方法 |
| US17/409,733 US20220058789A1 (en) | 2020-08-24 | 2021-08-23 | Method for Processing Infrared Image of Power Device Based on Measured Temperature |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010856862.XA CN112013966B (zh) | 2020-08-24 | 2020-08-24 | 一种基于测量温度的电力设备红外图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112013966A true CN112013966A (zh) | 2020-12-01 |
| CN112013966B CN112013966B (zh) | 2021-07-06 |
Family
ID=73505681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010856862.XA Active CN112013966B (zh) | 2020-08-24 | 2020-08-24 | 一种基于测量温度的电力设备红外图像处理方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220058789A1 (zh) |
| CN (1) | CN112013966B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734637A (zh) * | 2020-12-18 | 2021-04-30 | 厦门大学 | 一种导线温度监测的热红外图像处理方法和系统 |
| CN114140525A (zh) * | 2021-11-15 | 2022-03-04 | 武汉高德智感科技有限公司 | 一种利用多帧图像重建提升红外测温距离的方法及系统 |
| CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、系统和计算机可读存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018812A (zh) * | 2022-06-29 | 2022-09-06 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种材料类型确定方法、装置、设备及可读存储介质 |
| CN115265804B (zh) * | 2022-09-28 | 2022-12-20 | 深圳优普莱等离子体技术有限公司 | 一种金刚石籽晶信息测量方法及相关设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009150842A (ja) * | 2007-12-21 | 2009-07-09 | Sumitomo Electric Ind Ltd | 温度計測装置及び車両 |
| CN101806627A (zh) * | 2010-03-30 | 2010-08-18 | 中国计量学院 | 一种背景因素对红外测温影响的测量方法 |
| CN103335717A (zh) * | 2013-06-21 | 2013-10-02 | 中国科学院西安光学精密机械研究所 | 一种基于变积分模式的红外热像仪高精度抗温漂测温方法 |
| CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
| CN105445607A (zh) * | 2015-11-20 | 2016-03-30 | 国网福建省电力有限公司泉州供电公司 | 一种基于等温线绘制的电力设备故障检测方法 |
| CN105962904A (zh) * | 2016-04-21 | 2016-09-28 | 西安工程大学 | 一种基于红外热像技术的人体组织病灶检测方法 |
| CN107941348A (zh) * | 2017-11-24 | 2018-04-20 | 广东电网有限责任公司电力科学研究院 | 一种红外测温标校方法 |
| CN109583344A (zh) * | 2018-11-21 | 2019-04-05 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
| CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| CN110006535A (zh) * | 2019-04-15 | 2019-07-12 | 中科和光（天津）应用激光技术研究所有限公司 | 一种基于红外热成像技术的测温方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114646394A (zh) * | 2020-12-17 | 2022-06-21 | 财团法人工业技术研究院 | 基于热影像的温度测量校正方法及热影像装置 |
-
2020
- 2020-08-24 CN CN202010856862.XA patent/CN112013966B/zh active Active
-
2021
- 2021-08-23 US US17/409,733 patent/US20220058789A1/en not_active Abandoned
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009150842A (ja) * | 2007-12-21 | 2009-07-09 | Sumitomo Electric Ind Ltd | 温度計測装置及び車両 |
| CN101806627A (zh) * | 2010-03-30 | 2010-08-18 | 中国计量学院 | 一种背景因素对红外测温影响的测量方法 |
| CN103335717A (zh) * | 2013-06-21 | 2013-10-02 | 中国科学院西安光学精密机械研究所 | 一种基于变积分模式的红外热像仪高精度抗温漂测温方法 |
| CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
| CN105445607A (zh) * | 2015-11-20 | 2016-03-30 | 国网福建省电力有限公司泉州供电公司 | 一种基于等温线绘制的电力设备故障检测方法 |
| CN105962904A (zh) * | 2016-04-21 | 2016-09-28 | 西安工程大学 | 一种基于红外热像技术的人体组织病灶检测方法 |
| CN107941348A (zh) * | 2017-11-24 | 2018-04-20 | 广东电网有限责任公司电力科学研究院 | 一种红外测温标校方法 |
| CN109583344A (zh) * | 2018-11-21 | 2019-04-05 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
| CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| CN110006535A (zh) * | 2019-04-15 | 2019-07-12 | 中科和光（天津）应用激光技术研究所有限公司 | 一种基于红外热成像技术的测温方法 |
Non-Patent Citations (2)
| Title |
|---|
| SHUAIVIN WANG: "The Demarcating Method of Infrared Image Measuring Temperature Based on GA-BP Network", 《IEEE》 * |
| 刘缠牢: "基于BP神经网络的红外测温系统温度标定方法", 《激光与红外》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734637A (zh) * | 2020-12-18 | 2021-04-30 | 厦门大学 | 一种导线温度监测的热红外图像处理方法和系统 |
| CN112734637B (zh) * | 2020-12-18 | 2022-06-21 | 厦门大学 | 一种导线温度监测的热红外图像处理方法和系统 |
| CN114140525A (zh) * | 2021-11-15 | 2022-03-04 | 武汉高德智感科技有限公司 | 一种利用多帧图像重建提升红外测温距离的方法及系统 |
| CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、系统和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220058789A1 (en) | 2022-02-24 |
| CN112013966B (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112013966B (zh) | 一种基于测量温度的电力设备红外图像处理方法 | |
| CN108846418B (zh) | 一种电缆设备温度异常定位与识别方法 | |
| CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN107330453B (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
| CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
| CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
| CN108564565A (zh) | 一种基于深度学习的电力设备红外图像多目标定位方法 | |
| CN113159334B (zh) | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 | |
| CN107767374A (zh) | 一种gis盆式绝缘子内部导体局部过热智能诊断方法 | |
| CN113486877B (zh) | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 | |
| CN105371957A (zh) | 变电站设备红外温度配准定位系统及方法 | |
| Li et al. | Research on fault detection method of infrared thermal imaging for power equipment based on deep learning | |
| CN111402250A (zh) | 基于边缘计算的机器视觉缺陷检测方法和平台 | |
| Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
| Chen et al. | Improved YOLOv5s model for key components detection of power transmission lines. | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN117197530A (zh) | 一种基于改进YOLOv8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法 | |
| CN116912774A (zh) | 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质 | |
| CN116580330A (zh) | 一种基于双流网络的机考异常行为检测方法 | |
| CN113449767B (zh) | 一种多图像融合的变电站设备异常识别定位方法 | |
| Zan et al. | Defect Identification of Power Line Insulators Based on a MobileViT‐Yolo Deep Learning Algorithm | |
| Xu et al. | A lightweight network of near cotton‐coloured impurity detection method in raw cotton based on weighted feature fusion | |
| Xudong et al. | Research of YOLOv5s Model Acceleration Strategy in AI Chip | |
| CN113504240A (zh) | 基于分层编码和视觉感知的电力设备故障检测方法 | |
| CN112861670A (zh) | 一种输电线路金具检测方法及系统 |
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 |