CN112083000B - 一种变电站设备外观缺陷的智能识别方法及系统 - Google Patents

一种变电站设备外观缺陷的智能识别方法及系统 Download PDF

Info

Publication number
CN112083000B
CN112083000B CN202010807830.0A CN202010807830A CN112083000B CN 112083000 B CN112083000 B CN 112083000B CN 202010807830 A CN202010807830 A CN 202010807830A CN 112083000 B CN112083000 B CN 112083000B
Authority
CN
China
Prior art keywords
equipment
key equipment
inspection
image data
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.)
Active
Application number
CN202010807830.0A
Other languages
English (en)
Other versions
CN112083000A (zh
Inventor
李丽华
杨宁
高飞
杨洋
张博文
贾鹏飞
韩帅
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202010807830.0A priority Critical patent/CN112083000B/zh
Publication of CN112083000A publication Critical patent/CN112083000A/zh
Application granted granted Critical
Publication of CN112083000B publication Critical patent/CN112083000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种变电站设备外观缺陷的智能识别方法及系统，包括：根据变电站三维地图信息、关键设备信息和关键设备的关键部位点信息，确定巡检设备的巡检点位图；利用巡检设备根据巡检路径进行巡视，实时地获取巡检范围内每个关键设备的第一图像数据，并对所述第一图像数据进行图像识别分析，以获取巡检任务中的每个关键设备的缺陷类型信息；利用固定的视频摄像设备获取采集监测范围内的关键设备的第二图像数据，并对所述第二图像数据进行图像判别分析，以确定监测范围内每个关键设备的状态信息；根据所述状态信息确定存在缺陷的关键设备，并根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息。

Description

一种变电站设备外观缺陷的智能识别方法及系统
技术领域
本发明涉及电力设备监测技术领域，并且更具体地，涉及一种变电站设备外观缺陷的智能识别方法及系统。
背景技术
电网设备运维检修是设备全过程管控的安全保障的根本，设备日常巡检又是运维检修工作的重中之重，是获取设备运行状态和提供运维决策的重要手段。但随着大电网建设的推进，电网设备运维检修工作面临着工作量激增与人员相对短缺的突出矛盾。随着变电站巡检机器人和视频监控装置的应用，目前可由巡检机器人或视频监控装置辅助完成变电设备的少部分巡视工作，包括1)运维人员操控巡检装置进行巡检，2)机器人和摄像头按照预置点位及预设角度进行巡检。但仍存在着以下几方面问题：
1)巡检装备智能化水平不足
目前变电站巡检机器人和视频监控功能单一，仅具备表计读数和红外测温功能，对于设备外观缺陷、设备运行形态等不具备检测能力。同时，变电设备巡视图像需要人工甄别或审核，消耗大量运维人员和审核时间，严重降低并影响了运维检修效率，且由于图像质量和图像分析水平不足，难以有效发现设备隐患，缺少复杂场景下目标图像的自动识别和分析能力。
2)机器人和高清视频单一巡检方式存在检测死角
目前，变电站机器人巡检受限于机器人本体高度，在巡视过程中多为仰视角，同时视频分辨率有限，难以有效发现位于高处和远距离的检测目标。变电站内视频监控为固定点布置，受限于布点位置、安装距离和视频终端成本，难以支撑全站设备的精细化巡检、多视角巡检，对于小目标的检测能力有限。
3)单一图像识别技术对特定缺陷场景容易漏检
变电站内设备繁多，缺陷形态更是复杂多样，如部件表面油污、锈蚀、异物等，受光线、角度、天气等影响，单一图像识别方法对此种缺陷检测效果不好，容易发生漏检，降低其可靠性，而图像判别技术相较于图像识别更容易发现缺陷，但难以给出具体缺陷类别。
发明内容
本发明提出一种变电站设备外观缺陷的智能识别方法及系统，以解决如何准确地确定变电站外观缺陷的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种变电站设备外观缺陷的智能识别方法，所述方法包括：
根据变电站三维地图信息、关键设备信息和关键设备的关键部位点信息，确定巡检设备的巡检点位图；
根据巡检任务和所述巡检点位图确定巡检路径，利用所述巡检设备根据所述巡检路径进行巡视，实时地获取巡检范围内每个关键设备的第一图像数据，并对所述第一图像数据进行图像识别分析，以获取巡检任务中的每个关键设备的缺陷类型信息；
利用固定的视频摄像设备获取采集监测范围内的关键设备的第二图像数据，并对所述第二图像数据进行图像判别分析，以确定监测范围内每个关键设备的状态信息；
根据所述状态信息确定存在缺陷的关键设备，并根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息。
优选地，其中所述关键设备包括：变压器、断路器、组合电器、隔离开关、开关柜、电流互感器、电压互感器、避雷器、并联电容器和/或干式电抗器。
优选地，其中所述对所述第一图像数据进行图像识别分析，包括：
基于深度学习算法对所述第一图像数据进行图像识别分析。
优选地，其中所述对所述第二图像数据进行图像判别分析，包括：
将所述第二图像数据与预设的样本数据库中对固定视角范围和固定点位的历史巡检正常图像数据进行比对；其中，所述历史巡检正常图像数据包括：不同光照、不同时刻和不同天气下的巡检图像数据。
优选地，其中所述根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息，包括：
若所述存在缺陷的关键设备未处于所述巡检设备的巡检范围内，则按照预设的分析策略进一步地对所述存在缺陷的关键设备的第二图像数据进行图像分析，以确定所述存在缺陷的关键设备的最终缺陷类型信息；
若所述存在缺陷的关键设备处于所述巡检设备的巡检范围内，则判断所述存在缺陷的关键设备的缺陷类型信息和状态信息是否一致；其中，若一致，则直接确定所述巡检设备确定的所述存在缺陷的关键设备的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息；若不一致，则根据所述存在缺陷的关键设备的点位信息确定巡检任务，利用所述巡检设备获取所述存在缺陷的关键设备的实时图像数据，并对所述实时图像数据进行图像识别分析，以重新获取缺陷类型信息，并确定重新获取的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息。
根据本发明的另一个方面，提供了一种变电站设备外观缺陷的智能识别系统，所述系统包括：
巡检点位图确定单元，用于根据变电站三维地图信息、关键设备信息和关键设备的关键部位点信息，确定巡检设备的巡检点位图；
缺陷类型信息确定单元，用于根据巡检任务和所述巡检点位图确定巡检路径，利用所述巡检设备根据所述巡检路径进行巡视，实时地获取巡检范围内每个关键设备的第一图像数据，并对所述第一图像数据进行图像识别分析，以获取巡检任务中的每个关键设备的缺陷类型信息；
状态信息确定单元，用于利用固定的视频摄像设备获取采集监测范围内的关键设备的第二图像数据，并对所述第二图像数据进行图像判别分析，以确定监测范围内每个关键设备的状态信息；
缺陷类型确定单元，用于根据所述状态信息确定存在缺陷的关键设备，并根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息。
优选地，其中所述关键设备包括：变压器、断路器、组合电器、隔离开关、开关柜、电流互感器、电压互感器、避雷器、并联电容器和/或干式电抗器。
优选地，其中所述缺陷类型信息确定单元，对所述第一图像数据进行图像识别分析，包括：
基于深度学习算法对所述第一图像数据进行图像识别分析。
优选地，其中所述状态信息确定单元，对所述第二图像数据进行图像判别分析，包括：
将所述第二图像数据与预设的样本数据库中对固定视角范围和固定点位的历史巡检正常图像数据进行比对；其中，所述历史巡检正常图像数据包括：不同光照、不同时刻和不同天气下的巡检图像数据。
优选地，其中所述缺陷类型确定单元，根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息，包括：
若所述存在缺陷的关键设备未处于所述巡检设备的巡检范围内，则按照预设的分析策略进一步地对所述存在缺陷的关键设备的第二图像数据进行图像分析，以确定所述存在缺陷的关键设备的最终缺陷类型信息；
若所述存在缺陷的关键设备处于所述巡检设备的巡检范围内，则判断所述存在缺陷的关键设备的缺陷类型信息和状态信息是否一致；其中，若一致，则直接确定所述巡检设备确定的所述存在缺陷的关键设备的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息；若不一致，则根据所述存在缺陷的关键设备的点位信息确定巡检任务，利用所述巡检设备获取所述存在缺陷的关键设备的实时图像数据，并对所述实时图像数据进行图像识别分析，以重新获取缺陷类型信息，并确定重新获取的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息。
本发明提供了一种变电站设备外观缺陷的智能识别方法及系统，综合图像识别和图像判别算法确定设备的缺陷类型，相比单一图像识别或单一图像判别，在保证较低误检率的同时，可很大程度避免漏检情况的发生；图像识别算法对某些缺陷场景可大概率给出具体缺陷类别，但针对渗漏油、异物等容易发生漏检的情况，图像判别算法可准确给出缺陷情况判定，进一步通过图像识别分析实现缺陷类别的划分；综合机器人动态智能巡视和视频摄像设备固定视角的画面监视数据，机器人巡视过程中对拍摄图像进行图像识别，固定的视频摄像设备对监控画面进行实时判别，做到全方位、无死角、实时进行关键设备状态缺陷的准确判断。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的变电站设备外观缺陷的智能识别方法100的流程图；
图2为根据本发明实施方式的智能识别的流程图；
图3为根据本发明实施方式的巡检设备和视频摄像设备联合巡检获取图像数据的示意图；
图4为根据本发明实施方式的综合巡检设备的分析结果和视频摄像设备的分析结果确定关键设备的缺陷类型的流程图；
图5为根据本发明实施方式的变电站设备外观缺陷的智能识别系统500的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的变电站设备外观缺陷的智能识别方法100的流程图。如图1所示，本发明实施方式提供的变电站设备外观缺陷的智能识别方法，综合图像识别和图像判别算法确定设备的缺陷类型，相比单一图像识别或单一图像判别，在保证较低误检率的同时，可很大程度避免漏检情况的发生；图像识别算法对某些缺陷场景可大概率给出具体缺陷类别，但针对渗漏油、异物等容易发生漏检的情况，图像判别算法可准确给出缺陷情况判定，进一步通过图像识别分析实现缺陷类别的划分；综合机器人动态智能巡视和视频摄像设备固定视角的画面监视数据，机器人巡视过程中对拍摄图像进行图像识别，固定的视频摄像设备对监控画面进行实时判别，做到全方位、无死角、实时进行关键设备状态缺陷的准确判断。本发明实施方式提供的变电站设备外观缺陷的智能识别方法100，从步骤101处开始，在步骤101根据变电站三维地图信息、关键设备信息和关键设备的关键部位点信息，确定巡检设备的巡检点位图。
优选地，其中所述关键设备包括：变压器、断路器、组合电器、隔离开关、开关柜、电流互感器、电压互感器、避雷器、并联电容器和/或干式电抗器。
在步骤102，根据巡检任务和所述巡检点位图确定巡检路径，利用所述巡检设备根据所述巡检路径进行巡视，实时地获取巡检范围内每个关键设备的第一图像数据，并对所述第一图像数据进行图像识别分析，以获取巡检任务中的每个关键设备的缺陷类型信息。
优选地，其中所述对所述第一图像数据进行图像识别分析，包括：
基于深度学习算法对所述第一图像数据进行图像识别分析。
在本发明的实施方式中，根据变电站的三维地图信息、关键设备、关键设备的关键部位点位信息，建立巡检机器人预置的点位图，设定机器人巡检路径及巡视任务。其中所述关键设备包括：变压器、断路器、组合电器、隔离开关、开关柜、电流互感器、电压互感器、避雷器、并联电容器和干式电抗器。
根据巡检机器人巡视任务及巡视点位的关联关系开展变电站巡视任务，并利用巡检机器人搭载的人工智能处理模块基于深度学习算法的缺陷图像识别模型，对在巡视过程中实时采集的可见光图像进行图像智能处理，以获取每个关键设备的缺陷类型信息。
在步骤103，利用固定的视频摄像设备获取采集监测范围内的关键设备的第二图像数据，并对所述第二图像数据进行图像判别分析，以确定监测范围内每个关键设备的状态信息。
优选地，其中所述对所述第二图像数据进行图像判别分析，包括：
将所述第二图像数据与预设的样本数据库中对固定视角范围和固定点位的历史巡检正常图像数据进行比对；其中，所述历史巡检正常图像数据包括：不同光照、不同时刻和不同天气下的巡检图像数据。
在本发明的实施方式中，以关键设备无死角、全方位巡检为要求，设置固定的视屏摄像设备的监视角度及范围。其中，可根据视频摄像设备的视角范围在关键设备处设置一个或多个视频监控探头，其中视角范围内设备信息应包含部分机器人的巡视点位。利用固定的视频摄像设备对视角范围内的设备外观进行全天候24小时监测，并采用图像判别技术对监视画面中的设备外观缺陷情况进行智能分析。其中，对视频摄像设备获取的监控画面进行判别分析的过程包括：实时将监控画面信息与历史样本库中固定视角范围、固定点位的历史巡检影像进行比对，并给出是否缺陷，获取每个关键设备的状态信息；其中，历史样本库应包含不同光照、不同时刻、不同天气下的巡检正常图像数据。
在步骤104，根据所述状态信息确定存在缺陷的关键设备，并根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息。
优选地，其中所述根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息，包括：
若所述存在缺陷的关键设备未处于所述巡检设备的巡检范围内，则按照预设的分析策略进一步地对所述存在缺陷的关键设备的第二图像数据进行图像分析，以确定所述存在缺陷的关键设备的最终缺陷类型信息；
若所述存在缺陷的关键设备处于所述巡检设备的巡检范围内，则判断所述存在缺陷的关键设备的缺陷类型信息和状态信息是否一致；其中，若一致，则直接确定所述巡检设备确定的所述存在缺陷的关键设备的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息；若不一致，则根据所述存在缺陷的关键设备的点位信息确定巡检任务，利用所述巡检设备获取所述存在缺陷的关键设备的实时图像数据，并对所述实时图像数据进行图像识别分析，以重新获取缺陷类型信息，并确定重新获取的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息。
在本发明的实施方式中，根据图像判别所得缺陷识别结果确定存在异常的关键设备，并将存在异常的关键设备的电位信息同步到机器人巡视系统，查找是否在机器人巡视范围内，如果在巡检范围内则查找最近一次机器人巡视结果信息，进行比对，若一致，则直接确定缺陷类型；若不一致，则依据最短时间路径规划法基于关键设备的点位信息确定新的巡检路径，利用机器人对目标点位进行设备的二次巡检，并对二次巡检图像进行分析，根据分析结果确定缺陷类型。如果没在巡检范围内，则对视频摄像设备获取的图像数据进行进一步地分析，以确定缺陷类型。
图2为根据本发明实施方式的智能识别的流程图。如图2所示，识别过程包括：步骤1，根据变电站三维地图信息、关键设备、关键部位点位信息，建立机器人预置点位图，设定机器人巡检路径及巡视任务；步骤2，根据机器人巡视任务及巡视点位的关联关系开展变电站巡视任务，在巡视过程中实时对采集到的可见光图像进行图像智能处理，确定识别结果；步骤3，以设备无死角、全方位巡检为要求，设置固定摄像头监视角度及范围；步骤4，基于视频摄像头对视角范围内的设备外观进行全天候24小时的监测数据，采用图像判别技术对监视画面中的设备外观进行图像判别，确定判别结果；步骤5，根据图像判别所得缺陷识别结果确定异常的关键设备的点位信息，将所述点位信息同步机器人巡视系统，查询是否有机器人最近一次巡视结果，根据判别结果和机器人的识别结果进行比对分析，确定缺陷类型。
在本发明的实施方式中，巡检设备和视频摄像设备联合巡检获取图像数据的过程如图3所示，一般情况下，固定摄像头1、2及智能巡检机器人巡视视角并集可实现对设备全方位的状态监测，固定视频摄像头3在机器人巡视任务结束后仍可对该视角范围内的设备进行实时监测，防止发生设备缺陷的漏报。
图4为根据本发明实施方式的综合巡检设备的分析结果和视频摄像设备的分析结果确定关键设备的缺陷类型的流程图。如图4所示，巡视机器人在巡视过程中，如发生设备缺陷缺陷识别结果，则自动给出设备状态缺陷类型。固定的视频摄像设备对监视画面的设备信息进行实时判别，如发生状态缺陷，则给出告警提示。如果存在状态缺陷的关键设备只位于摄像头监视范围内，则将结果回传至分析平台进行图像识别分析人为处理给出设备缺陷类型。如果存在缺陷的关键设备的点位信息处于所述巡检设备的巡检范围内，则判断所述存在缺陷的关键设备的缺陷类型信息和状态信息是否一致；其中，若一致，则直接确定所述巡检设备确定的所述存在缺陷的关键设备的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息；若不一致，则根据所述存在缺陷的关键设备的点位信息确定巡检任务，利用所述巡检设备获取所述存在缺陷的关键设备的实时图像数据，并对所述实时图像数据进行图像识别分析，以重新获取缺陷类型信息，并根据重新获取的缺陷类型信息确定所述存在缺陷的关键设备的最终缺陷类型信息(状态异常类型结果)。
本发明实施方式的变电站设备外观缺陷的智能识别方法，针对机器人和固定的视频摄像设备单一巡检方式存在死角或视角受限的问题，提出了机器人和高清视频联合巡检方法，针对图像识别技术及判别技术单一图像智能处理方法存在容易引起漏检或不能给出缺陷类型的问题，提出综合图像识别与判别算法的图像缺陷智能分析方法，能够准确、高效地确定变电站外观缺陷。
图5为根据本发明实施方式的变电站设备外观缺陷的智能识别系统500的结构示意图。如图5所示，本发明实施方式提供的变电站设备外观缺陷的智能识别系统500，包括：巡检点位图确定单元501、缺陷类型信息确定单元502、状态信息确定单元503和缺陷类型确定单元504。
优选地，所述巡检点位图确定单元501，用于根据变电站三维地图信息、关键设备信息和关键设备的关键部位点信息，确定巡检设备的巡检点位图。
优选地，其中所述关键设备包括：变压器、断路器、组合电器、隔离开关、开关柜、电流互感器、电压互感器、避雷器、并联电容器和/或干式电抗器。
优选地，所述缺陷类型信息确定单元502，用于根据巡检任务和所述巡检点位图确定巡检路径，利用所述巡检设备根据所述巡检路径进行巡视，实时地获取巡检范围内每个关键设备的第一图像数据，并对所述第一图像数据进行图像识别分析，以获取巡检任务中的每个关键设备的缺陷类型信息。
优选地，其中所述缺陷类型信息确定单元502，对所述第一图像数据进行图像识别分析，包括：
基于深度学习算法对所述第一图像数据进行图像识别分析。
优选地，所述状态信息确定单元503，用于利用固定的视频摄像设备获取采集监测范围内的关键设备的第二图像数据，并对所述第二图像数据进行图像判别分析，以确定监测范围内每个关键设备的状态信息。
优选地，其中所述状态信息确定单元503，对所述第二图像数据进行图像判别分析，包括：
将所述第二图像数据与预设的样本数据库中对固定视角范围和固定点位的历史巡检正常图像数据进行比对；其中，所述历史巡检正常图像数据包括：不同光照、不同时刻和不同天气下的巡检图像数据。
优选地，所述缺陷类型确定单元504，用于根据所述状态信息确定存在缺陷的关键设备，并根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息。
优选地，其中所述缺陷类型确定单元504，根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息，包括：
若所述存在缺陷的关键设备未处于所述巡检设备的巡检范围内，则按照预设的分析策略进一步地对所述存在缺陷的关键设备的第二图像数据进行图像分析，以确定所述存在缺陷的关键设备的最终缺陷类型信息；
若所述存在缺陷的关键设备处于所述巡检设备的巡检范围内，则判断所述存在缺陷的关键设备的缺陷类型信息和状态信息是否一致；其中，若一致，则直接确定所述巡检设备确定的所述存在缺陷的关键设备的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息；若不一致，则根据所述存在缺陷的关键设备的点位信息确定巡检任务，利用所述巡检设备获取所述存在缺陷的关键设备的实时图像数据，并对所述实时图像数据进行图像识别分析，以重新获取缺陷类型信息，并确定重新获取的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息。
本发明的实施例的用于变电站设备外观缺陷的智能识别系统500与本发明的另一个实施例的用于变电站设备外观缺陷的智能识别方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种变电站设备外观缺陷的智能识别方法，其特征在于，所述方法包括：
根据变电站三维地图信息、关键设备信息和关键设备的关键部位点信息，确定巡检设备的巡检点位图；
根据巡检任务和所述巡检点位图确定巡检路径，利用所述巡检设备根据所述巡检路径进行巡视，实时地获取巡检范围内每个关键设备的第一图像数据，并对所述第一图像数据进行图像识别分析，以获取巡检任务中的每个关键设备的缺陷类型信息；
利用固定的视频摄像设备获取采集监测范围内的关键设备的第二图像数据，并对所述第二图像数据进行图像判别分析，以确定监测范围内每个关键设备的状态信息；
根据所述状态信息确定存在缺陷的关键设备，并根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息；
其中，所述根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息，包括：
若所述存在缺陷的关键设备未处于所述巡检设备的巡检范围内，则按照预设的分析策略进一步地对所述存在缺陷的关键设备的第二图像数据进行图像分析，以确定所述存在缺陷的关键设备的最终缺陷类型信息；
若所述存在缺陷的关键设备处于所述巡检设备的巡检范围内，则判断所述存在缺陷的关键设备的缺陷类型信息和状态信息是否一致；其中，若一致，则直接确定所述巡检设备确定的所述存在缺陷的关键设备的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息；若不一致，则根据所述存在缺陷的关键设备的点位信息确定巡检任务，利用所述巡检设备获取所述存在缺陷的关键设备的实时图像数据，并对所述实时图像数据进行图像识别分析，以重新获取缺陷类型信息，并确定重新获取的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息。
2.根据权利要求1所述的方法，其特征在于，所述关键设备包括：变压器、断路器、组合电器、隔离开关、开关柜、电流互感器、电压互感器、避雷器、并联电容器和/或干式电抗器。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一图像数据进行图像识别分析，包括：
基于深度学习算法对所述第一图像数据进行图像识别分析。
4.根据权利要求1所述的方法，其特征在于，所述对所述第二图像数据进行图像判别分析，包括：
将所述第二图像数据与预设的样本数据库中对固定视角范围和固定点位的历史巡检正常图像数据进行比对；其中，所述历史巡检正常图像数据包括：不同光照、不同时刻和不同天气下的巡检图像数据。
5.一种变电站设备外观缺陷的智能识别系统，其特征在于，所述系统包括：
巡检点位图确定单元，用于根据变电站三维地图信息、关键设备信息和关键设备的关键部位点信息，确定巡检设备的巡检点位图；
缺陷类型信息确定单元，用于根据巡检任务和所述巡检点位图确定巡检路径，利用所述巡检设备根据所述巡检路径进行巡视，实时地获取巡检范围内每个关键设备的第一图像数据，并对所述第一图像数据进行图像识别分析，以获取巡检任务中的每个关键设备的缺陷类型信息；
状态信息确定单元，用于利用固定的视频摄像设备获取采集监测范围内的关键设备的第二图像数据，并对所述第二图像数据进行图像判别分析，以确定监测范围内每个关键设备的状态信息；
缺陷类型确定单元，用于根据所述状态信息确定存在缺陷的关键设备，并根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息；
其中，所述缺陷类型确定单元，根据所述存在缺陷的关键设备的缺陷类型信息和状态信息，确定所述存在缺陷的关键设备的最终缺陷类型信息，包括：
若所述存在缺陷的关键设备未处于所述巡检设备的巡检范围内，则按照预设的分析策略进一步地对所述存在缺陷的关键设备的第二图像数据进行图像分析，以确定所述存在缺陷的关键设备的最终缺陷类型信息；
若所述存在缺陷的关键设备处于所述巡检设备的巡检范围内，则判断所述存在缺陷的关键设备的缺陷类型信息和状态信息是否一致；其中，若一致，则直接确定所述巡检设备确定的所述存在缺陷的关键设备的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息；若不一致，则根据所述存在缺陷的关键设备的点位信息确定巡检任务，利用所述巡检设备获取所述存在缺陷的关键设备的实时图像数据，并对所述实时图像数据进行图像识别分析，以重新获取缺陷类型信息，并确定重新获取的缺陷类型信息即为所述存在缺陷的关键设备的最终缺陷类型信息。
6.根据权利要求5所述的系统，其特征在于，所述关键设备包括：变压器、断路器、组合电器、隔离开关、开关柜、电流互感器、电压互感器、避雷器、并联电容器和/或干式电抗器。
7.根据权利要求5所述的系统，其特征在于，所述缺陷类型信息确定单元，对所述第一图像数据进行图像识别分析，包括：
基于深度学习算法对所述第一图像数据进行图像识别分析。
8.根据权利要求5所述的系统，其特征在于，所述状态信息确定单元，对所述第二图像数据进行图像判别分析，包括：
将所述第二图像数据与预设的样本数据库中对固定视角范围和固定点位的历史巡检正常图像数据进行比对；其中，所述历史巡检正常图像数据包括：不同光照、不同时刻和不同天气下的巡检图像数据。
CN202010807830.0A 2020-08-12 2020-08-12 一种变电站设备外观缺陷的智能识别方法及系统 Active CN112083000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010807830.0A CN112083000B (zh) 2020-08-12 2020-08-12 一种变电站设备外观缺陷的智能识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010807830.0A CN112083000B (zh) 2020-08-12 2020-08-12 一种变电站设备外观缺陷的智能识别方法及系统

Publications (2)

Publication Number Publication Date
CN112083000A CN112083000A (zh) 2020-12-15
CN112083000B true CN112083000B (zh) 2022-12-02

Family

ID=73727834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010807830.0A Active CN112083000B (zh) 2020-08-12 2020-08-12 一种变电站设备外观缺陷的智能识别方法及系统

Country Status (1)

Country Link
CN (1) CN112083000B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598142B (zh) * 2020-12-16 2024-02-02 明阳智慧能源集团股份公司 一种风电机组检修工作质量审查辅助方法与系统
CN112581604B (zh) * 2020-12-21 2024-02-02 国网安徽省电力有限公司超高压分公司 变电站设备表面油污图像数据生成方法及装置
CN112667717B (zh) * 2020-12-23 2023-04-07 贵州电网有限责任公司电力科学研究院 变电站巡检信息处理方法、装置、计算机设备和存储介质
CN113032641B (zh) * 2021-04-23 2021-12-07 赛飞特工程技术集团有限公司 一种智能搜索方法和设备
CN115081652A (zh) * 2022-07-13 2022-09-20 国网湖北省电力有限公司黄石供电公司 一种基于图像识别技术的电力巡检方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005043324A (ja) * 2003-07-25 2005-02-17 Matsushita Electric Ind Co Ltd 路面損傷状態点検方法及び路面損傷位置の特定方法
JP2010133846A (ja) * 2008-12-05 2010-06-17 Omron Corp 外観検査装置
CN101957325A (zh) * 2010-10-14 2011-01-26 山东鲁能智能技术有限公司 基于变电站巡检机器人变电站设备外观异常识别方法
CN102722166A (zh) * 2012-06-29 2012-10-10 山东电力集团公司电力科学研究院 变电站设备智能视觉检测系统及状态检测方法
CN106451764A (zh) * 2016-08-31 2017-02-22 杭州申昊科技股份有限公司 一种变电站监控方法
JP2018074757A (ja) * 2016-10-28 2018-05-10 株式会社東芝 巡視点検システム、情報処理装置、巡視点検制御プログラム
CN110400387A (zh) * 2019-06-26 2019-11-01 广东康云科技有限公司 一种基于变电站的联合巡检方法、系统和存储介质
CN110567964A (zh) * 2019-07-19 2019-12-13 华瑞新智科技（北京）有限公司 一种检测变电设备缺陷的方法、装置及存储介质
CN110610556A (zh) * 2018-06-15 2019-12-24 北京京东尚科信息技术有限公司 机器人巡检管理方法及系统、电子设备、存储介质
CN111307823A (zh) * 2020-04-13 2020-06-19 国家电网有限公司 基于边云协同的变电设备典型视觉缺陷检测系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005043324A (ja) * 2003-07-25 2005-02-17 Matsushita Electric Ind Co Ltd 路面損傷状態点検方法及び路面損傷位置の特定方法
JP2010133846A (ja) * 2008-12-05 2010-06-17 Omron Corp 外観検査装置
CN101957325A (zh) * 2010-10-14 2011-01-26 山东鲁能智能技术有限公司 基于变电站巡检机器人变电站设备外观异常识别方法
CN102722166A (zh) * 2012-06-29 2012-10-10 山东电力集团公司电力科学研究院 变电站设备智能视觉检测系统及状态检测方法
CN106451764A (zh) * 2016-08-31 2017-02-22 杭州申昊科技股份有限公司 一种变电站监控方法
JP2018074757A (ja) * 2016-10-28 2018-05-10 株式会社東芝 巡視点検システム、情報処理装置、巡視点検制御プログラム
CN110610556A (zh) * 2018-06-15 2019-12-24 北京京东尚科信息技术有限公司 机器人巡检管理方法及系统、电子设备、存储介质
CN110400387A (zh) * 2019-06-26 2019-11-01 广东康云科技有限公司 一种基于变电站的联合巡检方法、系统和存储介质
CN110567964A (zh) * 2019-07-19 2019-12-13 华瑞新智科技（北京）有限公司 一种检测变电设备缺陷的方法、装置及存储介质
CN111307823A (zh) * 2020-04-13 2020-06-19 国家电网有限公司 基于边云协同的变电设备典型视觉缺陷检测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
变电站巡检系统;尚春虎等;《科技创新与应用》;20191231(第32期);全文 *
基于视频监控的变电站智能巡检系统研究;李志海等;《计算机技术与发展》;20141031;第24卷(第10期);全文 *

Also Published As

Publication number Publication date
CN112083000A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112083000B (zh) 一种变电站设备外观缺陷的智能识别方法及系统
CN112910094B (zh) 基于泛在电力物联网的变电站远方自动巡检系统及方法
CN113551775B (zh) 基于红外热成像的设备故障在线监测报警方法和系统
CN111311597A (zh) 一种缺陷绝缘子的无人机巡检方法与系统
CN109784138B (zh) 无人变电站图像数据化巡视方法
CN111599031A (zh) 一种电力巡检机器人巡检数据采集分析方法及系统
CN111431284B (zh) 一种基于bim技术的变电站智能化管控系统
US11861820B1 (en) Repetitive video monitoring of industrial equipment by mobile data acquisition units
KR100844961B1 (ko) 열화상 패턴 인식을 이용한 전기설비 자동 감시 진단 방법및 시스템
CN207817531U (zh) 一种室内巡检机器人系统
CN110796754A (zh) 一种基于图像处理技术的机房巡检方法
CN116699329B (zh) 一种变电站空间声纹可视化成像方法
CN113450471A (zh) 一种生产园区智能巡检系统
CN112348306A (zh) 一种面向配电运检中的TitanOS人工智能开发方法及装置
CN117031223A (zh) 一种对于开关柜局部放电缺陷的诊断方法
CN114942075A (zh) 电力设备故障检测分析方法
CN114061665B (zh) 应用于配电站房设备的非接触式巡检系统及方法
CN115436384A (zh) 一种基于无人机图像的配电箱表面缺陷检测系统及方法
CN115700644A (zh) 基于视觉的风电场站自动巡检方法及装置
CN113078729B (zh) 应用于变电站的操作检测方法、装置、电子设备及介质
CN113746202A (zh) 一种电力监控系统
CN112881842A (zh) 一种设备智能诊断的模块
CN111274876A (zh) 一种基于视频分析的调度监控方法和系统
CN112860760B (zh) 一种配电网设备智能辨识系统
Li et al. Research on key technologies of abnormal electricity analysis and electricity stealing site evidence

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