CN112085037B - 一种变电设备红外热故障特征提取及数字化表达方法 - Google Patents
一种变电设备红外热故障特征提取及数字化表达方法 Download PDFInfo
- Publication number
- CN112085037B CN112085037B CN202010996963.7A CN202010996963A CN112085037B CN 112085037 B CN112085037 B CN 112085037B CN 202010996963 A CN202010996963 A CN 202010996963A CN 112085037 B CN112085037 B CN 112085037B
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- power transformation
- thermal
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000009466 transformation Effects 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 title claims description 20
- 238000010438 heat treatment Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000020169 heat generation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 238000001931 thermography Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种变电设备红外热故障特征提取及数字化表达方法,具体属于电力设备状态检测和故障诊断领域。该方法在对变电设备红外故障图像进行预处理的情况下,一方面通过提取变电设备的热点温度、热点温差、发热面积来表达出三相设备的故障等级;另一方面通过提取变电设备的位置信息来定位故障位置,从而实现故障类型的表达。并将四个特征量与故障等级标签利用向量的形式表示出来,不仅实现了变电设备的热故障特征数字化表达,也还为后续利用深度学习网络识别故障提供训练数据库。
Description
技术领域
本发明属于电力设备状态检测和故障诊断领域,具体涉及一种变电设备红外热故障特征提取及数字化表达方法。
背景技术
随着电力大数据的快速发展,从海量的红外图片中提取热故障特征数据来进行故障诊断和分析已经成为一种发展趋势,同时也带来了新的挑战。主要存在的问题是通过提取设备的热故障特征把设备运行状态精准的表达出来。目前,有学者通过提取变电设备红外图片的灰度值、全局温度、最高温度、最低温度和平均温度等信息作为特征量来对设备运行状态进行表达。虽然实现了变电设备热故障的表达,但却忽视了故障等级和故障类型与热点温度、热点温差、发热面积和发热部位位置信息有着密切的联系,因此有必要提取这几个特征量来对设备的运行状态进行表达。
发明内容
依据上述技术所存在的缺点,本发明提出了一种变电设备红外热故障特征提取及数字化表达方法。
为了克服所述问题,本发明制定了以下技术方案:一种变电设备红外热故障特征提取方法,其特征在于方法步骤如下:
第一步,对采集的变电红外图像进行预处理;
第二步,提取设备热点温度T1、热点温差T2、致热部位位置信息L和发热面积S热像特征。
进一步的,第一步骤中,其中图像预处理包括以下内容:
(1)使用5*5的中值滤波对三相变电设备进行滤波;
(2)使用粒子群算法PSO与Otsu全局阈值算法相结合分离背景和变电设备主体,对分割后存在的不可靠连接使用形态学的开闭运算进行处理,同时通过测量图像区域的性质判断数组元素是否为集数组成员而删除干扰联通区域。
进一步的,第二步骤中,其中提取设备热点温度T1其步骤是:采用遍历的方法进行,经过所述图像预处理把图片转换为灰度图后,从比色条最顶端开始,提取比色条每一行的灰度值,遍历整张预处理后的灰度图,搜索是否存在和比色条所对应的灰度值,若存在则认为该点为最大灰度值点,通过灰度与温度之间的映射关系,即可求出热点温度值T1;若不存在则提取比色条下一行灰度值,重复以上步骤直到找到最大值为止。
进一步的,第二步骤中,其中提取设备热点温差T2包括以下步骤:
(1)通过上述方法获取热点温度T1;
(2)把故障所在相单独分割出来;
(3)利用改进区域生长法分割出故障区域;
(4)计算除开故障区域剩余部分的平均温度T3作为设备正常运行时的温度,两个温度做差即为热点温差T2;计算公式如下:
T2=T1-T3 (1-1)
进一步的,第二步骤中,其中提取设备致热部位位置信息L包括以下步骤:
(1)对红外图片进行上述预处理,分割出故障区域所在相;
(2)利用Steger算法获取设备故障相的中心点,以中心点为坐标原点(x0,y0),建立二维坐标系,横轴记为X,纵轴记为Y;计算公式如下;
若用(nx,ny)表示设备的法线方向,以点(x2,y2)为基准点,则设备中心的亚像素坐标为:
(x0,yo)=(x2+tnx,y2+tny) (1-2)
式中,如果(tnx,tny)∈[-0.5,0.5]×[-0.5,0.5]即一阶导数为零的点位于当前设备像素内,其(nx,ny)方向的二阶导数大于指定的阈值,则该点(x2,y2)为设备的中心点,(x0,y0)则为设备中心点坐标;
(3)使用改进的区域生长法分割出故障区域;
所述的改进区域生长法是使用热点温度提取的方法自动选取区域生长法的种子点,然后实现对设备故障区域进行自动分割,有效避免了通过人工选取种子点所带来的误分割或过分割;
(4)利用灰度质心法求解故障区域的质心,并获取质心的坐标(x1,y1),计算公式如下;
式中m×n为图片像素大小,G(x,y)为每一个像素的灰度值,(x1,y1)为所求的灰度质心;
(5)计算出所述质心到中心点的距离d1以及两点构成的直线与所述X轴的夹角θ,计算公式如下;
(6)计算所述质心到Y轴的距离d2与d1的百分比例δ;
所述的计算质心到Y轴的距离d2与d1的百分比例δ的目的是为了通过计算这个比例来判定故障区域属于设备本体内部还是外部,在d1和θ初步判断发热位置的基础上,进一步对设备的故障位置进行定位,从而更加精确的判断出设备的致热类型;具体的计算公式如下:
(7)找出故障发热部位位置信息L与d1、θ和δ的关系;
根据对不同三相设备外观几何特征计算、统计和分析,可以得出一个统一表达发热部位位置信息L与d1、θ和δ的关系如下:
其中,L1和L2分别表示电流致热型缺陷和电压致热型缺陷所对应的位置信息向量值,λ1、λ2和λ3为常数,d11、θ1、δ1和d12、θ2、δ3分别表示电流和电压致热型缺陷时所对应的值;根据L1和L2的值来人为的设定标签J1和J2,分别表示电流和电压两种致热型缺陷状态;
(8)得出设备热故障位置信息特征L。
进一步的,第二步骤中,其中故障区域发热面积S包括以下步骤:
(1)用上述图像预处理方法,把背景颜色变为黑色,目标设备变为白色;
(2)将(1)中得到的二值图转换为灰度图;
(3)利用改进区域生长法分割出故障区域,同时存在两处故障或多处故障时,进行累加;
(4)把分割出来的故障区域进行二值化,采用扫描的方法逐行扫描并统计值为1的像素点,故障区域的发热面积S即为像素点为1的个数。
进一步的,本发明所述一种变电设备红外热故障特征的数字化表达方法,具体为:
通过对每一张红外图片提取的{T1,T2,L,S}∈R4热故障特征和人为标注的故障等级和致热类型标签参量,批量建立图像的特征向量库Z,如式(1-8),从而实现了变电设备热故障特征提取及数字化表达,为后续利用深度学习进行训练来对变电设备热故障诊断打下坚实基础;
上式中,Ki和Ji代表标签项,其中标签项Ki∈{1,2,3,4}分别代表正常、一般故障、严重故障和危急故障四种等级;标签项Ji∈{1,2}分别代表电流致热型缺陷和电压致热型缺陷,i=1,2,3,...N,N为热故障特征量的数量。
本发明的有益效果是:本发明技术一方面通过提取变电设备的热点温度、热点温差、发热面积来表达出三相设备的故障等级;另一方面通过提取变电设备的位置信息来定位故障位置,从而实现故障类型的表达。并将四个特征量与故障等级标签利用向量的形式表示出来,不仅实现了变电设备的热故障特征数字化表达,也还为后续利用深度学习网络识别故障提供训练数据库。
附图说明
图1是本发明实施例的总体方案流程图。
图2是本发明实施例的图像预处理中使用PSO-Otsu算法分离背景和变电设备主体最佳阈值寻找流程图。
图3是本发明实施例的热点温度、热点温差、发热部位位置信息和发热面积热故障特征提取流程图。
图4是本发明实施例原始Otsu算法分割与该发明所采用的PSO-Otsu结合算法分离背景和变电设备主体效果对比示意图;其中a为灰度图,b为Otsu全局阈值分割图,c为PSO-Otsu分割图。
图5是本发明实施例改进区域生长法分割故障区域效果示意图;其中,a为灰度图,b为故障区域图。
图6是本发明实施例位置信息示意图。
具体实施方式
为了进一步把该技术方案、意义和目的阐述清晰,下面例举出了本公开所发明的一些技术方案流程图和效果示意图,如图1至图6所示。然后可以理解,此处描述的详细实施例仅用于解释本发明,但不用来限制本发明。
本发明实施例的一种变电设备红外热故障特征提取及数字化表达方法,在采用中值滤波去除红外图片中没有必要的噪声干扰和使用粒子群算法PSO与Otsu全局阈值算法相结合分离背景和变电设备主体的情况下。通过提取设备热点温度、热点温差、致热部位位置信息和发热面积热故障特征,并对各特征量所表达的故障等级和致热类型与相应的标签相用向量的形式将其表达出来,从而实现了变电设备的热故障特征的提取和数字化表达。
如图1所示,为本发明实施例的一种变电设备红外热故障特征提取及数字化表达方法总体方案流程图。该算法包括以下步骤:
(1)对采集的变电红外图像进行预处理;
(2)提取设备热点温度T1、热点温差T2、致热部位位置信息L和发热面积S热像特征Z;
(3)热故障特征数字化表达。
具体来讲,本发明实施例的一种变电设备红外热故障特征提取及数字化表达方法包括图像预处理、特征提取和热故障特征数字化表达。下面结合流程图和示意图对其进行详细说明。
如图2所示,为本发明实施例的图像预处理中使用PSO-Otsu查找出最优阈值来对图像进行分割的流程图。包括以下步骤:
(1)初始化每一个粒子群的速度及位置,并配置相关参数;
(2)计算每一个粒子的适应度函数值,确定单个粒子和群体的最优位置;
(3)通过计算公式(1-13)、(1-14)不断更新粒子的速度和位置,并确定新粒子个体和群体的最优位置。具体公式如下:
假设在N维目标搜索空间中,有M个粒子群,其中第i个粒子表示为N维的向量,Pi表示第i个的位置,Vi表示第i个粒子的移动速度,Ebest表示第i个粒子当前搜索的最优位置,Gbest表示整个粒子群搜索到的全局最优位置。
Pi=(pi1,pi2,...piN),i=1,2,...,M (1-9)
Vi=(vi1,vi2,...,viN),i=1,2,...,M (1-10)
Ebest=(pi1,pi2,...,piN),i=1,2,...,M (1-11)
Gbest=(pg1,pg2,...,pgN) (1-12)
Vi=W*Vi+C1*R1*(Ebest-Pi)+C2*R2*(Gbest-Pi) (1-13)
Pi=Pi+Vi (1-14)
其中,C1和C2为加速常数,W是惯性常量,R1和R2是[0,1]范围内的随机数。
(4)达到预定的迭代次数,误差在允许范围内,即此刻为最优分割阈值;
(5)使用最优阈值对变电设备进行分割。
如图3所示,为本发明实施例的热点温度、热点温升、发热面积和发热部位位置信息热故障特征提取流程图。下面对四个特征量来进行分别阐述说明。热点温度T1提取,包括以下步骤:
(1)对变电设备红外图采用5*5中值滤波,并将其转换为灰度图;
(2)从比色条最顶端开始,提取比色条每一行的灰度值;
(3)遍历整张灰度图,搜索是否存在和比色条所对应的灰度值,若存在则认为该点为最大灰度值点,即是对应的热点温度T1。若不存在则提取比色条下一行灰度值,重复以上步骤,直到找到最大值为止。
(4)通过灰度与温度之间的映射关系,将最大灰度值点转换为温度即可得到热点温度。灰度与温度映射关系如下:
式中,Tmax和Tmin分别为红外图片比色条温度的最大值和最小值,Ti和gi分别代表第i点对应的温度和灰度值。
所述的一种变电设备红外热故障特征提取及数字化表达方法,步骤2中优选的,提取设备热点温差T2包括以下步骤:
(1)通过所述的方法获取热点温度T1;
(2)把故障所在相单独分割出来;
(3)利用所述的改进区域生长法分割出故障区域;
(4)计算除开故障区域剩余部分的平均温度T3作为设备正常运行时的温度,两个温度做差即为热点温差T2。计算公式如下:
T2=T1-T3 (1-16)
发热部位位置信息L提取,包括以下步骤:
(1)对红外图片进行所述预处理,分割出故障区域所在相;
(2)利用Steger算法获取设备故障相的中心点,以中心点为坐标原点(x0,y0),建立二维坐标系,横轴记为X,纵轴记为Y;
若用(nx,ny)表示设备的法线方向,以点(x2,y2)为基准点,则设备中心的亚像素坐标为:
(x0,yo)=(x2+tnx,y2+tny) (1-17)
式中,如果(tnx,tny)∈[-0.5,0.5]×[-0.5,0.5]即一阶导数为零的点位于当前设备像素内,其(nx,ny)方向的二阶导数大于指定的阈值,则该点(x2,y2)为设备的中心点,(x0,y0)则为设备中心点坐标。
(3)使用改进的区域生长法分割出故障区域;
所述的改进区域生长法是使用热点温度提取的方法自动选取区域生长法的种子点,然后实现对设备故障区域进行自动分割,有效避免了通过人工选取种子点所带来的误分割或过分割。
(4)利用灰度质心法求解故障区域的质心,并获取质心的坐标(x1,y1);灰度质心法公式如下:
式中m×n为图片像素大小,G(x,y)为每一个像素的灰度值,(x1,y1)为所求的灰度质心。
(5)计算出所述质心到中心点的距离d1以及两点构成的直线与所述X轴的夹角θ,具体计算公式如下:
(6)计算所述质心到Y轴的距离d2与d1的百分比例δ;
所述的计算质心到Y轴的距离d2与d1的百分比例δ的目的是为了通过计算这个比例来判定故障区域属于设备本体内部还是外部,在d1和θ初步判断发热位置的基础上,进一步对设备的故障位置进行定位,从而精确的判断出设备的致热类型。具体的计算公式如下:
(7)找出故障部位位置信息L与d1、θ和δ的关系;
根据对不同三相设备外观几何特征计算、统计和分析,可以得出一个统一表达发热部位位置信息L与d1、θ和δ的关系如下:
其中,L1和L2分别表示电流致热型缺陷和电压致热型缺陷所对应的向量值,λ1、λ2和λ3为常数,d11、θ1、δ1和d12、θ2、δ3分别表示电流和电压致热型缺陷时所对应的值。根据L1和L2的值来人为的给予标签J1和J2,分别表示电流和电压两种致热型缺陷状态。
(8)得出设备热故障位置信息特征L。
发热面积S提取,包括以下步骤:
(1)用所述图像预处理方法,把背景颜色变为黑色,目标设备变为白色;
(2)将(1)中得到的二值图转换为灰度图;
(3)利用所述的改进区域生长法分割出故障区域,同时存在两处故障或多处故障时,进行累加即可;
(4)把分割出来的故障区域进行二值化,采用扫描的方法逐行扫描并统计值为1的像素点,故障区域的发热面积S即为像素点为1的个数。
如图4所示,为本发明实施例的原始Otsu算法分割与该发明所采用的PSO-Otsu结合算法分离背景和变电设备主体效果对比示意图。
由于采集红外图片时,易受到光照、人为因素和环境等影响,导致所采集的红外图片中伴随着一定的噪声干扰和背景较为复杂。为了避免这些因素对特征量的提取和数字化表达的影响,本公开使用中值滤波、形态学开闭运算、粒子群算法PSO与大津法Otsu相结合的方法来进行图像的预处理。
如图5所示,为本发明实施例的改进区域生长法分割故障区域果图。为了进一步对故障程度进行描述,充分体现出设备的热故障特性,所以本发明提取了故障区域发热面积的特征量,包括以下几个步骤:
(1)用所述的PSO-Otsu算法分割方法,把背景颜色变为黑色,目标设备变为白色;
(2)将(1)中得到的二值图转换为灰度图;
(3)利用所述的改进区域生长法分割出故障区域,同时存在两处故障或多处故障时,进行累加即可;
(4)把分割出来的故障区域进行二值化,采用扫描的方法逐行扫描并统计值为1的像素点,故障区域的发热面积S即为像素点为1的个数。
如图6所示,为本发明实施例的位置信息示意图。
Claims (2)
1.一种变电设备红外热故障特征提取方法,其特征在于方法步骤如下:
第一步,对采集的变电红外图像进行预处理;
第二步,提取设备热点温度T1、热点温差T2、致热部位位置信息L和发热面积S热像特征;
第二步骤中,其中提取设备热点温度T1其步骤是:
采用遍历的方法进行,经过上述图像预处理把图片转换为灰度图后,从比色条最顶端开始,提取比色条每一行的灰度值,遍历整张预处理后的灰度图,搜索是否存在和比色条所对应的灰度值,若存在则认为该点为最大灰度值点,通过灰度与温度之间的映射关系,即可求出热点温度值T1;若不存在则提取比色条下一行灰度值,重复以上步骤直到找到最大值为止;
第二步骤中,其中提取设备热点温差T2包括以下步骤:
(2.1.1)通过上述方法获取热点温度T1;
(2.1.2)把故障所在相单独分割出来;
(2.1.3)利用改进区域生长法分割出故障区域;
(2.1.4)计算除开故障区域剩余部分的平均温度T3作为设备正常运行时的温度,两个温度做差即为热点温差T2;计算公式如下:
T2=T1-T3 (1-1);
第二步骤中,其中提取设备致热部位位置信息L包括以下步骤:
(2.2.1)对红外图片进行上述预处理,分割出故障区域所在相;
(2.2.2)利用Steger算法获取设备故障相的中心点,以中心点为坐标原点(x0,y0),建立二维坐标系,横轴记为X,纵轴记为Y;计算公式如下;
若用(nx,ny)表示设备的法线方向,以点(x2,y2)为基准点,则设备中心的亚像素坐标为:
(x0,yo)=(x2+tnx,y2+tny) (1-2)
式中,如果(tnx,tny)∈[-0.5,0.5]×[-0.5,0.5]即一阶导数为零的点位于当前设备像素内,其(nx,ny)方向的二阶导数大于指定的阈值,则该点(x2,y2)为设备的中心点,(x0,y0)则为设备中心点坐标;
(2.2.3)使用改进的区域生长法分割出故障区域;
所述的改进区域生长法是使用热点温度提取的方法自动选取区域生长法的种子点,然后实现对设备故障区域进行自动分割,有效避免了通过人工选取种子点所带来的误分割或过分割;
(2.2.4)利用灰度质心法求解故障区域的质心,并获取质心的坐标(x1,y1),计算公式如下;
式中m×n为图片像素大小,G(x,y)为每一个像素的灰度值,(x1,y1)为所求的灰度质心;
(2.2.5)计算出所述质心到中心点的距离d1以及两点构成的直线与所述X轴的夹角θ,计算公式如下;
(2.2.6)计算所述质心到Y轴的距离d2与d1的百分比例δ;
所述的计算质心到Y轴的距离d2与d1的百分比例δ的目的是为了通过计算这个比例来判定故障区域属于设备本体内部还是外部,在d1和θ初步判断发热位置的基础上,进一步对设备的故障位置进行定位,从而更加精确的判断出设备的致热类型;具体的计算公式如下:
(2.2.7)找出故障发热部位位置信息L与d1、θ和δ的关系;
根据对不同三相设备外观几何特征计算、统计和分析,可以得出一个统一表达发热部位位置信息L与d1、θ和δ的关系如下:
其中,L1和L2分别表示电流致热型缺陷和电压致热型缺陷所对应的位置信息向量值,λ1、λ2和λ3为常数,d11、θ1、δ1和d12、θ2、δ3分别表示电流和电压致热型缺陷时所对应的值;根据L1和L2的值来人为的设定标签J1和J2,分别表示电流和电压两种致热型缺陷状态;
(2.2.8)得出设备热故障位置信息特征L;
第二步骤中,其中故障区域发热面积S包括以下步骤:
(2.3.1)用上述图像预处理方法,把背景颜色变为黑色,目标设备变为白色;
(2.3.2)将(2.3.1)中得到的二值图转换为灰度图;
(2.3.3)利用改进区域生长法分割出故障区域,同时存在两处故障或多处故障时,进行累加;
(2.3.4)把分割出来的故障区域进行二值化,采用扫描的方法逐行扫描并统计值为1的像素点,故障区域的发热面积S即为像素点为1的个数;
变电设备红外热故障特征的数字化表达方法,具体为:
通过对每一张红外图片提取的{T1,T2,L,S}∈R4热故障特征和人为标注的故障等级和致热类型标签参量,批量建立图像的特征向量库Z,如式(1-8),从而实现了变电设备热故障特征提取及数字化表达,为后续利用深度学习进行训练来对变电设备热故障诊断打下坚实基础;
上式中,Ki和Ji代表标签项,其中标签项Ki∈{1,2,3,4}分别代表正常、一般故障、严重故障和危急故障四种等级;标签项Ji∈{1,2}分别代表电流致热型缺陷和电压致热型缺陷,i=1,2,3,...N,N为热故障特征量的数量。
2.根据权利要求1所述的一种变电设备红外热故障特征提取方法,其特征在于:第一步骤中,其中图像预处理包括以下内容:
(1.1)使用5*5的中值滤波对三相变电设备进行滤波;
(1.2)使用粒子群算法PSO与Otsu全局阈值算法相结合分离背景和变电设备主体,对分割后存在的不可靠连接使用形态学的开闭运算进行处理,同时通过测量图像区域的性质判断数组元素是否为集数组成员而删除干扰联通区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996963.7A CN112085037B (zh) | 2020-09-21 | 2020-09-21 | 一种变电设备红外热故障特征提取及数字化表达方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996963.7A CN112085037B (zh) | 2020-09-21 | 2020-09-21 | 一种变电设备红外热故障特征提取及数字化表达方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085037A CN112085037A (zh) | 2020-12-15 |
CN112085037B true CN112085037B (zh) | 2024-04-09 |
Family
ID=73739375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996963.7A Active CN112085037B (zh) | 2020-09-21 | 2020-09-21 | 一种变电设备红外热故障特征提取及数字化表达方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085037B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239731B (zh) * | 2021-04-12 | 2022-06-14 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113358229B (zh) * | 2021-06-17 | 2022-12-13 | 北京源仿科技有限公司 | 变电设备智能检测与仿真方法 |
CN113551775B (zh) * | 2021-06-23 | 2022-10-04 | 国网福建省电力有限公司 | 基于红外热成像的设备故障在线监测报警方法和系统 |
CN113687156B (zh) * | 2021-08-07 | 2022-09-20 | 郑州海威光电科技有限公司 | 一种利用红外热图辅助判断电力设备隐患的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408459A (zh) * | 2014-10-27 | 2015-03-11 | 国家电网公司 | 电力设备监控中使用的图像识别方法 |
CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
KR101806217B1 (ko) * | 2017-06-20 | 2017-12-07 | 한국건설기술연구원 | 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201711412D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
-
2020
- 2020-09-21 CN CN202010996963.7A patent/CN112085037B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408459A (zh) * | 2014-10-27 | 2015-03-11 | 国家电网公司 | 电力设备监控中使用的图像识别方法 |
CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
KR101806217B1 (ko) * | 2017-06-20 | 2017-12-07 | 한국건설기술연구원 | 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
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 |
---|
基于红外图像处理的变电设备热故障自动诊断方法;王小芳;康琛;程宏波;曾晗;辛建波;纪清照;;华东交通大学学报(03);全文 * |
高压设备红外图像自动故障识别方法与试验研究;姜丁尤;;企业技术开发(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112085037A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085037B (zh) | 一种变电设备红外热故障特征提取及数字化表达方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN109583425B (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
CN108304873B (zh) | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 | |
CN105631880B (zh) | 车道线分割方法和装置 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
Morris | A pyramid CNN for dense-leaves segmentation | |
CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN109033944B (zh) | 一种全天空极光图像分类与关键局部结构定位方法及系统 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN109034065B (zh) | 一种基于点云的室内场景物体提取方法 | |
CN112541491B (zh) | 基于图像字符区域感知的端到端文本检测及识别方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN112288761B (zh) | 一种异常发热的电力设备检测方法、装置和可读存储介质 | |
CN108427919B (zh) | 一种基于形状引导显著性模型的无监督油罐目标检测方法 | |
CN110619623B (zh) | 一种变电设备接头发热的自动识别方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
JP5155250B2 (ja) | 対象物検出装置 | |
Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. |
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 |