CN112017173A - 基于目标检测网络和结构化定位的电力设备缺陷检测方法 - Google Patents

基于目标检测网络和结构化定位的电力设备缺陷检测方法 Download PDF

Info

Publication number
CN112017173A
CN112017173A CN202010911774.5A CN202010911774A CN112017173A CN 112017173 A CN112017173 A CN 112017173A CN 202010911774 A CN202010911774 A CN 202010911774A CN 112017173 A CN112017173 A CN 112017173A
Authority
CN
China
Prior art keywords
frame
equipment
target detection
left corner
right corner
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
CN202010911774.5A
Other languages
English (en)
Other versions
CN112017173B (zh
Inventor
苟先太
黄勤琴
康立烨
苟瀚文
姚一可
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202010911774.5A priority Critical patent/CN112017173B/zh
Publication of CN112017173A publication Critical patent/CN112017173A/zh
Application granted granted Critical
Publication of CN112017173B publication Critical patent/CN112017173B/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
    • 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
    • G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
    • 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
    • G01N25/72—Investigating presence of flaws
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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]
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于目标检测网络和结构化定位的电力设备缺陷检测方法，涉及电力设备缺陷检测技术领域。该方法包括：将各电力设备红外图像标注设备类别及其部件结构类别，生成数据集并进行预处理；将预处理后的数据集输入目标检测模型，检测得到目标电力设备类型；采用结构化定位算法对电力设备的部件进行定位；根据各电力设备红外图像的温度数据和带电设备红外诊断规则对电力设备缺陷进行检测。本发明与现有电力变电站检测方法相比，实现起来更加便捷，精度更高，推理速度更快，在一定程度上提高了电力设备监测的智能性，为电力设备红外检测提供了更加高效精准的检测方法。

Description

基于目标检测网络和结构化定位的电力设备缺陷检测方法
技术领域
本发明涉及电力设备缺陷检测技术领域，具体涉及一种基于目标检测网络和结构化定位的电力设备缺陷检测方法。
背景技术
目前，电力设备的发热缺陷已经成为影响变电站安全运行的重要因素。变电站内的电压互感器、电流互感器等各种设备，工艺、材质、安装、放电、老化、受潮等原因会引起很多故障隐患，所以设备的状态检修日益为人们所重视。
带电的设备可以用红外热成像技术直接诊断，红外热成像技术具有突出的使用优点。在电力行业中推行应用红外检测技术有利于提高变电站设备的运行可靠性，对于降低维修成本也具有重要意义。
传统的变电站巡检机器人使用模板匹配法对电力设备进行状态监测，通过模板图像和匹配滑动窗口的目标差异度进行设备状态评估。这种算法需要固定距离和角度、焦距，并搭配固定点监控系统，每换一个变电站场景都需要重新固定角度。久而久之，结果易出现角度和尺度上的偏差，无疑增大了巡检机器人工作难度。
目标检测一直以来都是计算机视觉领域的研究重点，也是计算机视觉领域的难点之一。传统的检测技术，采用人工设计特征，如边缘检测符、Adaboost，结合颜色、形状、纹理等浅层特征进行识别。这些算法模型僵化，准确率较低，泛化能力较差。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于目标检测网络和结构化定位的电力设备缺陷检测方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于目标检测网络和结构化定位的电力设备缺陷检测方法，包括以下步骤：
S1、将各电力设备红外图像标注设备类别及其部件结构类别，生成数据集并进行预处理；
S2、将步骤S1预处理后的数据集输入目标检测模型，检测得到目标电力设备类型；
S3、采用结构化定位算法对电力设备的部件进行定位；
S4、根据各电力设备红外图像的温度数据和带电设备红外诊断规则对电力设备缺陷进行检测。
本方案的有益效果是：本发明在利用目标检测模型检测电力设备类型和定位的基础上，结合结构化定位方法实现各电力设备的缺陷检测，通过该方法可以有效排除红外图片中的多种干扰因素，自动定位并对变电站设备进行缺陷检测，与前期电力变电站已开展的检测工作相比，该方法实现起来更加便捷，精度更高，推理速度更快，在一定程度上提高了电力设备监测的智能性，为电力设备红外检测提供了更加高效精准的检测方法。
优选地，所述步骤S2具体包括：
采用CenterNet构建目标检测模型，利用主网络从步骤S1预处理后的数据集中提取各电力设备红外图像的特征图，再通过改进高斯卷积核函数将关键点分布到特征图上，根据中心关键点和特征图像素点预测各电力设备目标边界，检测得到目标电力设备类型。
上述优选方案的有益效果是：本发明采用的CenterNet目标检测模型具有结构简单，对算力的要求小等优点，并且只需得出一个中心点，由中心点可回归得到目标方向、大小、维度等，前向过程快捷，不需要额外的后处理操作。
优选地，所述步骤S2中改进高斯卷积核函数计算标签框与候选框左上角和右下角的误差范围，再根据检测目标尺寸计算自适应半径，然后全图构造热力图。
上述优选方案的有益效果是：本发明通过改进CenterNet目标检测模型的高斯卷积核，使热力图随着检测目标长宽变化趋势变化，根据检测目标尺寸计算自适应半径，提高电力设备目标检测的精准度。
优选地，所述步骤S2中根据中心关键点和特征图像素点预测电力设备标定框的左上角和右下角坐标值为：
Figure BDA0002663559890000031
其中，
Figure BDA0002663559890000032
分别为电力设备标定框中心点的横、纵坐标，
Figure BDA0002663559890000033
为中心关键点的偏移量坐标值，
Figure BDA0002663559890000034
为当前点对应目标的长宽。
优选地，所述步骤S3具体包括以下分步骤：
S31、获取步骤S2检测得到的目标电力设备类型和标定框坐标值；
S32、根据电力设备类型分别建立结构化定位模型；
S33、采用结构化定位模型分析各电力设备的热像特征和结构特征，识别得到各电力设备的定位部件框左上角和右下角顶点坐标。
上述优选方案的有益效果是：本发明采用的结构化定位方法与传统的模板匹配法相比，更换变电站场景不需要重新固定距离、角度和焦距，不需要搭配固定点监控系统对电力设备进行状态监测，具有更广泛的适用性。
优选地，所述步骤S3中电压互感器设备的接头框、瓷瓶框和本体框的左上角、右下角顶点坐标计算公式为：
Figure BDA0002663559890000041
其中，(xIj V，yIj V)、(xIj V'，yIj V')分别为电压互感器设备的接头框左上角、右下角顶点坐标，(xHj V，yHj V)、(xHj V'，yHj V')为电压互感器设备的瓷瓶框左上角、右下角顶点坐标，(xEj V，yEj V)、(xEj V'，yEj V')为电压互感器设备的本体框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值，r1、r2分别表示接头和瓷瓶在设备框中所占的份数。
优选地，所述步骤S3中电流互感器设备的本体框、瓷瓶框、第一接头框和第二接头框的左上角、右下角顶点坐标计算公式为：
Figure BDA0002663559890000051
其中，(xDj C,yDj C)、(xDj C',yDj C')分别为电流互感器设备的本体框左上角、右下角顶点坐标，(xHj C,yHj C)、(xHj C',yHj C')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj C,yIj C)、(xIj C',yIj C')为电流互感器设备的第一接头框左上角、右下角顶点坐标，(xI(j+1) C,yI(j+1) C)、(xI(j+1) C',yI(j+1) C')为电流互感器设备的第二接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值，r为本体在设备框中所占的份数，a,b,c,d为接头坐标的估计参数。
优选地，所述步骤S3中避雷器设备的接头框、均匀环和瓷瓶框的左上角、右下角顶点坐标计算公式为：
Figure BDA0002663559890000061
其中，(xRj A,yRj A)、(xRj A',yRj A')分别为电流互感器设备的均匀环左上角、右下角顶点坐标，(xHj A,yHj A)、(xHj A',yHj A')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj A,yIj A)、(xIj A',yIj A')为电流互感器设备的接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值。
优选地，所述步骤S3中断路器设备的接头框和瓷瓶框的左上角、右下角顶点坐标计算公式为：
Figure BDA0002663559890000062
其中，(xHj B,yHj B)、(xHj B',yHj B')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj B,yIj B)、(xIj B',yIj B')为电流互感器设备的接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值。
上述优选方案的有益效果是：本发明针对设备V(电压互感器)、设备C(电流互感器)、设备A(避雷器)和设备B(断路器)等电力设备，根据其部件结构的不同设计不同的缺陷判断规则，结合电力设备上各部件的比例关系、位置关系、比例范围等分别建立设备部件结构化定位模型。
优选地，所述步骤S4具体包括：
从电力设备红外图像中定位的电力设备部件区域获取热点温度值，然后计算该区域的正常点温度值，再计算电力设备部件的相对温差和温差，最后按照带电设备红外诊断规则对电力设备缺陷进行缺陷检测。
上述优选方案的有益效果是：本发明采用电力行业带电设备红外诊断规则对电力设备缺陷进行缺陷检测，与现有电力变电站检测方法相比，本发明实现起来更加便捷，精度更高，推理速度更快，为电力设备红外检测提供了更加高效精准的检测方法。
附图说明
图1为本发明基于目标检测网络和结构化定位的电力设备缺陷检测方法流程示意图；
图2为本发明实施例中CenterNet目标检测流程示意图；
图3为本发明实施例中高斯卷积核改进前后的标定框和热力图对比示意图；
图4为本发明实施例中通过中心点预测候选框示意图；
图5为本发明实施例中需要进行结构化定位的设备结构图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供了一种基于目标检测网络和结构化定位的电力设备缺陷检测方法，包括以下步骤S1至S4：
S1、将各电力设备红外图像标注设备类别及其部件结构类别，生成数据集并进行预处理；
在本实施例中，本发明通过收集现场电力设备红外热图像数据样本，并将各电力设备红外图像标注设备类别及其部件结构类别，从而生成便于训练及验证结构化定位算法模型的训练集，最终实现红外图像中电力设备分类及其缺陷检测。
S2、将步骤S1预处理后的数据集输入目标检测模型中，检测得到目标电力设备类型；
在本实施例中，本发明采用CenterNet构建目标检测模型，将步骤S1预处理后未标记的数据集输入目标检测模型中，利用主网络从步骤S1预处理后的数据集中提取各电力设备红外图像的特征图，再通过改进高斯卷积核函数将关键点分布到特征图上，根据中心关键点和特征图像素点预测各电力设备目标边界，检测得到目标电力设备类型。
如图3所示，本发明首先通过主网络得到电力设备特征图，然后通过高斯核函数将关键点分布到图像的特征图上。根据100个初步预测的中心点结合特征图上像素点值，使用3×3的MaxPooling选出，其满足大于或等于周围8个相邻点值的条件。
本发明通过CenterNet目标检测网络预测中心关键点的偏移量为：
Figure BDA0002663559890000091
当前点对应目标的长宽为：
Figure BDA0002663559890000092
预测出的电力设备标定框(bounding box)的左上角和右下角坐标值为：
Figure BDA0002663559890000093
其中，
Figure BDA0002663559890000094
分别为电力设备标定框中心点的横、纵坐标，
Figure BDA0002663559890000095
为中心关键点的偏移量坐标值，
Figure BDA0002663559890000096
为当前点对应目标的长宽。
本发明采用改进高斯卷积核函数计算标签框与候选框左上角和右下角的误差范围，使得热力图随着检测目标长宽变化趋势而变化，再根据检测目标尺寸计算自适应半径，然后全图构造热力图。在实际检测中，热力图是椭圆。AP值越高，检测效果就越好。
如图3所示，左边表示对不同形状的检测目标来说都是圆形热力图，不随目标形状的变化而变化，右图表示热力图会随目标形状变化而改变。左图改进前的高斯卷积核的bbox之外还有大于0的热力值，所以改进前的热力图构造方式会使正负样本划分模糊，计算loss时加权不准确，影响卷积网络自主学习，加重了模型计算量。而右图中改进前的高斯卷积核的bbox包住了整个热力图，除了中心点以外都为负样本，但负样本损失有权重，离中心点距离越近，负样本的损失权重越小，反之越大。对于bbox以外的点，实际是负样本，bbox外的值反映到热力图上应该为0。因此，热力图改进后更合理。
本发明利用CenterNet模型结合使用中心点和图像像素点，预测每个像素点是否为目标中心，若是，通过中心点预测目标边界。预测框尽量选取与标签图(Ground Truth，GT)存在高交并比的框，并满足预测框的中心区域与GT的中心区域重合，如图4所示。
S3、采用结构化定位算法对电力设备的部件进行定位；
在本实施例中，上述步骤S3具体包括以下分步骤：
S31、获取步骤S2检测得到的目标电力设备类型和标定框坐标值；
本发明首先输入步骤S2目标检测的识别结果，包括目标电力设备类型和标定框坐标值，即左上角顶点坐标、右下角顶点坐标。
S32、根据电力设备类型分别建立结构化定位模型；
本发明根据设备类别，如设备V(电压互感器)、设备C(电流互感器)、设备A(避雷器)、设备B(断路器)等分别建立对应的结构化定位模型。
S33、采用结构化定位模型分析各电力设备的热像特征和结构特征，识别得到各电力设备的定位部件框左上角和右下角顶点坐标。
本发明采用结构化定位模型分析各电力设备的热像特征和结构特征，如部件的比例关系、比例范围、位置关系等，实现各类设备的结构化定位识别。
如图5所示，针对设备V(电压互感器)、设备C(电流互感器)、设备A(避雷器)、设备B(断路器)，在目标检测结果框上按照x方向和y方向分别等分3份、20份，即x，y的等分基值分别为：
Figure BDA0002663559890000111
Figure BDA0002663559890000112
x，y的调整基值分别为：
Figure BDA0002663559890000113
Figure BDA0002663559890000114
下面对设备V(电压互感器)的结构化定位模型进行说明。
设备V的热像特征由其部件类型决定，从上至下依次为：电压型-电流型-电压型，热像特征为：亮-暗-亮。因此针对设备V，采用红外图像的像素变化来区分部件能够显著提高定位识别的准确率。
以下为热像特征的两个比例阈值v1和v2的确定方法为：
Figure BDA0002663559890000115
Figure BDA0002663559890000116
其中，k＝0,1,2,...,19。
Figure BDA0002663559890000117
Figure BDA0002663559890000118
其中，gk为设备框中第k部分的平均灰度值，r1和r2分别为接头和瓷瓶在设备框(20等分)中所占的份数。
电压互感器设备的接头框、瓷瓶框和本体框的左上角、右下角顶点坐标计算公式为：
Figure BDA0002663559890000121
其中，，(xIj V，yIj V)、(xIj V'，yIj V')分别为电压互感器设备的接头框左上角、右下角顶点坐标，(xHj V，yHj V)、(xHj V'，yHj V')为电压互感器设备的瓷瓶框左上角、右下角顶点坐标，(xEj V，yEj V)、(xEj V'，yEj V')为电压互感器设备的本体框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值，r1、r2分别表示接头和瓷瓶在设备框中所占的份数。
下面对设备C(电流互感器)的结构化定位模型进行说明。
设备C的热像特征由其部件类型决定，从上至下依次为：电压型-电流型，热像特征为：亮-暗。以下为热像特征的比例阈值v的确定方法：
Figure BDA0002663559890000122
Figure BDA0002663559890000131
其中，gk代表设备框中第k部分的平均灰度值，r为本体在设备框(20等分)中所占的份数。
电流互感器设备的接头在本体两侧，且两个接头在图像中的位置一低一高，因此需要根据图像特征预先判断，即：
Figure BDA0002663559890000132
其中，a,b,c,d为接头坐标的估计参数；xymin为一张红外图像中所有电流互感器框左顶点坐标集合中的有最小y值的坐标中的x坐标值，w为图像的宽度。
电流互感器设备的本体框、瓷瓶框、第一接头框和第二接头框的左上角、右下角顶点坐标计算公式为：
Figure BDA0002663559890000141
其中，(xDj C,yDj C)、(xDj C',yDj C')分别为电流互感器设备的本体框左上角、右下角顶点坐标，(xHj C,yHj C)、(xHj C',yHj C')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj C,yIj C)、(xIj C',yIj C')为电流互感器设备的第一接头框左上角、右下角顶点坐标，(xI(j+1) C,yI(j+1) C)、(xI(j+1) C',yI(j+1) C')为电流互感器设备的第二接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值，r为本体在设备框中所占的份数，a,b,c,d为接头坐标的估计参数。
接头坐标(xIj,yIj)、(xIj',yIj')，(xI(j+1),yI(j+1))、(xI(j+1)',yI(j+1)')需要满足条件第i+1个电流互感器标定框左上顶点的横坐标大于第i个电流互感器标定框右下顶点的横坐标时，且电流互感器的坐标值是按照从左到右的顺序排列才需要进行接头区分，否则不需要区分接头，因为电流互感器间隔距离太近，定位的接头都会在背景处，区分出来没有现实意义，即：
Figure BDA0002663559890000151
其中n为图像中电流互感器的数量。
下面对设备A(避雷器)和设备B(断路器)的结构化定位模型进行说明。
由于设备A和设备B没有明显的热像特征，且变电站某一类设备都是一种型号，因此设备A和设备B可直接通过比例关系进行部件的估计划分。
避雷器设备的接头框、均匀环和瓷瓶框的左上角、右下角顶点坐标计算公式为：
Figure BDA0002663559890000152
其中，(xRj A,yRj A)、(xRj A',yRj A')分别为电流互感器设备的均匀环左上角、右下角顶点坐标，(xHj A,yHj A)、(xHj A',yHj A')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj A,yIj A)、(xIj A',yIj A')为电流互感器设备的接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值。
断路器设备的接头框和瓷瓶框的左上角、右下角顶点坐标计算公式为：
Figure BDA0002663559890000161
其中，(xHj B,yHj B)、(xHj B',yHj B')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj B,yIj B)、(xIj B',yIj B')为电流互感器设备的接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值。
S4、根据各电力设备红外图像的温度数据和带电设备红外诊断规则对电力设备缺陷进行检测。
在本实施例中，上述步骤S4具体包括：
从电力设备红外图像中定位的电力设备部件区域获取热点温度值，然后计算该区域的正常点温度值，再计算电力设备部件的相对温差和温差，最后按照带电设备红外诊断规则对电力设备缺陷进行缺陷检测。
本发明中带电设备红外诊断规则采用电力行业标准GL/T 664-2016，该标准广泛适用于电流制热型设备、电压致热型设备或者综合制热型设备的缺陷判断。部分判断标准如表1所示。
表1设备及部件缺陷判断标准表
Figure BDA0002663559890000171
Figure BDA0002663559890000181
上表中，δ为相对温差，表示对应红外图像中两个对应点的温升之差和较高温度点温升的比值；K为温差，表示发热点的温度与对应点正常温度值之差。计算方法为：
Figure BDA0002663559890000191
K＝T1-T2
其中，T1是发热点的温度，T2为对应点正常情况下的温度，T0为被测区域的环境温度。在结构化定位后通过红外图像和相应的ddt文件(存放红外图像的温度值文件)读取设备或部件区域的热点温度值(设备或部件区域的最大温度值)；然后计算设备或部件区域的正常点温度值(设备或部件区域去除背景以后的最小温度值)。再利用相对温差和温差的计算公式计算设备或部件的相对温差δ和温差K。按照设备及部件缺陷判断标准表进行缺陷检测，若设备或部件存在缺陷，电力运检人员根据故障特征进行及时检修，以免带来不必要的安全事故。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，包括以下步骤：
S1、将各电力设备红外图像标注设备类别及其部件结构类别，生成数据集并进行预处理；
S2、将步骤S1预处理后的数据集输入目标检测模型，检测得到目标电力设备类型；
S3、采用结构化定位算法对电力设备的部件进行定位；
S4、根据各电力设备红外图像的温度数据和带电设备红外诊断规则对电力设备缺陷进行检测。
2.根据权利要求1所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S2具体包括：
采用CenterNet构建目标检测模型，利用主网络从步骤S1预处理后的数据集中提取各电力设备红外图像的特征图，再通过改进高斯卷积核函数将关键点分布到特征图上，根据中心关键点和特征图像素点预测各电力设备目标边界，检测得到目标电力设备类型。
3.根据权利要求2所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S2中改进高斯卷积核函数计算标签框与候选框左上角和右下角的误差范围，再根据检测目标尺寸计算自适应半径，然后全图构造热力图。
4.根据权利要求3所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S2中根据中心关键点和特征图像素点预测电力设备标定框的左上角和右下角坐标值为：
Figure FDA0002663559880000021
其中，
Figure FDA0002663559880000022
分别为电力设备标定框中心点的横、纵坐标，
Figure FDA0002663559880000023
为中心关键点的偏移量坐标值，
Figure FDA0002663559880000024
为当前点对应目标的长宽。
5.根据权利要求4所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S3具体包括以下分步骤：
S31、获取步骤S2检测得到的目标电力设备类型和标定框坐标值；
S32、根据电力设备类型分别建立结构化定位模型；
S33、采用结构化定位模型分析各电力设备的热像特征和结构特征，识别得到各电力设备的定位部件框左上角和右下角顶点坐标。
6.根据权利要求5所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S3中电压互感器设备的接头框、瓷瓶框和本体框的左上角、右下角顶点坐标计算公式为：
Figure FDA0002663559880000031
其中，，(xIj V，yIj V)、(xIj V'，yIj V')分别为电压互感器设备的接头框左上角、右下角顶点坐标，(xHj V，yHj V)、(xHj V'，yHj V')为电压互感器设备的瓷瓶框左上角、右下角顶点坐标，(xEj V，yEj V)、(xEj V'，yEj V')为电压互感器设备的本体框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值，r1、r2分别表示接头和瓷瓶在设备框中所占的份数。
7.根据权利要求5所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S3中电流互感器设备的本体框、瓷瓶框、第一接头框和第二接头框的左上角、右下角顶点坐标计算公式为：
Figure FDA0002663559880000041
其中，(xDj C,yDj C)、(xDj C',yDj C')分别为电流互感器设备的本体框左上角、右下角顶点坐标，(xHj C,yHj C)、(xHj C',yHj C')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj C,yIj C)、(xIj C',yIj C')为电流互感器设备的第一接头框左上角、右下角顶点坐标，(xI(j+1) C,yI(j+1) C)、(xI(j+1) C',yI(j+1) C')为电流互感器设备的第二接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值，r为本体在设备框中所占的份数，a,b,c,d为接头坐标的估计参数。
8.根据权利要求5所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S3中避雷器设备的接头框、均匀环和瓷瓶框的左上角、右下角顶点坐标计算公式为：
Figure FDA0002663559880000051
其中，(xRj A,yRj A)、(xRj A',yRj A')分别为电流互感器设备的均匀环左上角、右下角顶点坐标，(xHj A,yHj A)、(xHj A',yHj A')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj A,yIj A)、(xIj A',yIj A')为电流互感器设备的接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值。
9.根据权利要求5所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S3中断路器设备的接头框和瓷瓶框的左上角、右下角顶点坐标计算公式为：
Figure FDA0002663559880000061
其中，(xHj B,yHj B)、(xHj B',yHj B')为电流互感器设备的瓷瓶框左上角、右下角顶点坐标，(xIj B,yIj B)、(xIj B',yIj B')为电流互感器设备的接头框左上角、右下角顶点坐标，dx,dy分别为目标检测结果框在x方向和y方向上的等分基值，ex,ey分别为目标检测结果框在x方向和y方向上的调整基值。
10.根据权利要求1至9任一所述的基于目标检测网络和结构化定位的电力设备缺陷检测方法，其特征在于，所述步骤S4具体包括：
从电力设备红外图像中定位的电力设备部件区域获取热点温度值，然后计算该区域的正常点温度值，再计算电力设备部件的相对温差和温差，最后按照带电设备红外诊断规则对电力设备缺陷进行缺陷检测。
CN202010911774.5A 2020-09-02 2020-09-02 基于目标检测网络和结构化定位的电力设备缺陷检测方法 Active CN112017173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010911774.5A CN112017173B (zh) 2020-09-02 2020-09-02 基于目标检测网络和结构化定位的电力设备缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010911774.5A CN112017173B (zh) 2020-09-02 2020-09-02 基于目标检测网络和结构化定位的电力设备缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112017173A true CN112017173A (zh) 2020-12-01
CN112017173B CN112017173B (zh) 2022-08-02

Family

ID=73515634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010911774.5A Active CN112017173B (zh) 2020-09-02 2020-09-02 基于目标检测网络和结构化定位的电力设备缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112017173B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269744A (zh) * 2021-05-20 2021-08-17 国网天津市电力公司 一种应用于输电线路设备缺陷的红外智能识别方法及系统
CN113313706A (zh) * 2021-06-28 2021-08-27 安徽南瑞继远电网技术有限公司 基于检测参考点偏移分析的电力设备缺陷图像检测方法
WO2023092760A1 (zh) * 2021-11-29 2023-06-01 浙江天铂云科光电股份有限公司 基于温度视觉的诊断方法及诊断装置
CN116383612A (zh) * 2023-06-07 2023-07-04 浙江天铂云科光电股份有限公司 基于温度数据的电力设备部件框的检测补全方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170277966A1 (en) * 2016-03-28 2017-09-28 General Dynamics Mission Systems, Inc. System and methods for automatic solar panel recognition and defect detection using infrared imaging
CN109872317A (zh) * 2019-02-22 2019-06-11 西南交通大学 一种基于电力设备缺陷识别学习模型的缺陷识别方法
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
CN111044570A (zh) * 2019-12-28 2020-04-21 广东电网有限责任公司 电力设备的缺陷识别及预警方法、装置及计算机设备
CN111242123A (zh) * 2020-01-07 2020-06-05 西安交通大学 一种基于红外图像的电力设备故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170277966A1 (en) * 2016-03-28 2017-09-28 General Dynamics Mission Systems, Inc. System and methods for automatic solar panel recognition and defect detection using infrared imaging
CN109872317A (zh) * 2019-02-22 2019-06-11 西南交通大学 一种基于电力设备缺陷识别学习模型的缺陷识别方法
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
CN111044570A (zh) * 2019-12-28 2020-04-21 广东电网有限责任公司 电力设备的缺陷识别及预警方法、装置及计算机设备
CN111242123A (zh) * 2020-01-07 2020-06-05 西安交通大学 一种基于红外图像的电力设备故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XU CUI 等: "3D Semantic Map Construction Using Improved ORB-SLAM2 for Mobile Robot in Edge Computing Environment", 《IEEE ACCESS》 *
卢俊达: "基于深度学习的电力设备故障诊断专家系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李浩: "基于计算机视觉的电力设备红外检测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
郭晓杰: "红外图像配准技术在电力设备故障检测中的研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269744A (zh) * 2021-05-20 2021-08-17 国网天津市电力公司 一种应用于输电线路设备缺陷的红外智能识别方法及系统
CN113313706A (zh) * 2021-06-28 2021-08-27 安徽南瑞继远电网技术有限公司 基于检测参考点偏移分析的电力设备缺陷图像检测方法
WO2023092760A1 (zh) * 2021-11-29 2023-06-01 浙江天铂云科光电股份有限公司 基于温度视觉的诊断方法及诊断装置
CN116383612A (zh) * 2023-06-07 2023-07-04 浙江天铂云科光电股份有限公司 基于温度数据的电力设备部件框的检测补全方法
CN116383612B (zh) * 2023-06-07 2023-09-01 浙江天铂云科光电股份有限公司 基于温度数据的电力设备部件框的检测补全方法

Also Published As

Publication number Publication date
CN112017173B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN112017173B (zh) 基于目标检测网络和结构化定位的电力设备缺陷检测方法
Davari et al. Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos
CN111242123B (zh) 一种基于红外图像的电力设备故障诊断方法
CN113344475B (zh) 基于序列模态分解的变压器套管缺陷识别方法及系统
CN107767374B (zh) 一种gis盆式绝缘子内部导体局部过热智能诊断方法
CN108765373A (zh) 一种基于集成分类器在线学习的绝缘子异常自动检测方法
CN111814686A (zh) 一种基于视觉的输电线路识别及异物入侵在线检测方法
CN113592828B (zh) 基于工业内窥镜的无损检测方法及系统
CN107843818B (zh) 基于异源图像温升与局部放电特征高压绝缘故障诊断方法
CN107703513B (zh) 一种基于图像处理的非接触式接触网相对位置检测方法
CN110619623B (zh) 一种变电设备接头发热的自动识别方法
CN109409395A (zh) 在电力监控中采用模板匹配法识别目标物体区域电气符号的方法
CN108537170A (zh) 一种电力设备固件无人机巡检销钉缺失检测方法
CN112734698A (zh) 基于红外图像的电缆终端异常诊断方法和装置
CN113794857A (zh) 一种开关柜非介入式监测方法、装置、存储介质
Zhang et al. Detection and condition assessment of icicle bridging for suspension glass insulator by image analysis
Lu et al. Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion.
CN115931874A (zh) 一种搭载式磁悬浮智能动态巡检系统及缝隙宽度检测方法
CN115239646A (zh) 输电线路的缺陷检测方法、装置、电子设备及存储介质
CN117260046A (zh) 门窗的无缝焊接系统及其方法
CN116030013A (zh) 多目标多类别破损缺陷检测方法、系统及计算机存储介质
CN114487742B (zh) 基于多模态纹理分析的高压壳体放电绝缘性能检测系统
CN115931895A (zh) 一种输电线路缺陷的校验方法和装置
Luo et al. Occluded Insulator Detection System Based on YOLOX of Multi-Scale Feature Fusion
CN114708544A (zh) 一种基于边缘计算的违规行为智能监测头盔及其监测方法

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