CN112465751B - 大型调相机不抽转子气隙内物理表面自动检测方法 - Google Patents

大型调相机不抽转子气隙内物理表面自动检测方法 Download PDF

Info

Publication number
CN112465751B
CN112465751B CN202011273552.1A CN202011273552A CN112465751B CN 112465751 B CN112465751 B CN 112465751B CN 202011273552 A CN202011273552 A CN 202011273552A CN 112465751 B CN112465751 B CN 112465751B
Authority
CN
China
Prior art keywords
rotor
air gap
image
component
stator
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
CN202011273552.1A
Other languages
English (en)
Other versions
CN112465751A (zh
Inventor
蔡万里
凌在汛
何顺帆
崔一铂
陈文�
成诚
郑景文
陈念斌
刘曼佳
熊平
游力
郭雨
康逸群
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.)
Hubei Fangyuan Dongli Electric Power Science Research Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Hubei Fangyuan Dongli Electric Power Science Research Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
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 Hubei Fangyuan Dongli Electric Power Science Research Co ltd, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Hubei Fangyuan Dongli Electric Power Science Research Co ltd
Priority to CN202011273552.1A priority Critical patent/CN112465751B/zh
Publication of CN112465751A publication Critical patent/CN112465751A/zh
Application granted granted Critical
Publication of CN112465751B publication Critical patent/CN112465751B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10068—Endoscopic 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种大型调相机不抽转子气隙内物理表面自动检测方法，包括：利用内窥镜对调相机气隙内部物理表面进行摄像，获得样本图片；对样本图片进行预处理；特征提取与分类器支持向量机设计：利用CDF 5/3提升小波对预处理后的样本图片进行分解，分解后得到近似小波系数和高频小波系数，由近似小波系数和高频小波系数建立特征向量并据此训练分类器支持向量机；利用设计的分类器支持向量机对调相机气隙内物理表面进行检测。本发明可以在不抽转子情况下，利用内窥镜技术对电机气隙内部物理表面进行摄像并转换为图片流的形式，再通过图像处理与人工智能算法实现调相机气隙内部物理表面准确度高的自动检测。

Description

大型调相机不抽转子气隙内物理表面自动检测方法
技术领域
本发明涉及电机故障检测领域，具体是一种大型调相机不抽转子气隙内物理表面自动检测方法。
背景技术
大型调相机是智能电网大功率补偿装置，在高压直流输等环境中发挥重要作用。调相机定子铁心及槽楔表面、转子及槽楔表面、护环内侧等物理表面情况对调相机输出功率、转速及其稳定性有显著影响。
传统物理表面检测方法需要抽出转子后由人进入电机内部进行检查，该方法能够对电机内部表面进行详细的检测。然而，当检测完毕后需要将转子重新装回电机内部，此过程难以保证转子能无误差的装回原来位置，因此，电机气隙尺寸会发生变化进而对电机运行造成不可预期的影响。
近年来，为了不抽出转子，避免气隙尺寸改变，采用内窥镜摄像、辅助人眼识别的检测方式被提出。然而，电机气隙内部空间狭小、光线暗且不均匀、拍摄角度存在变化，因此，该方法对检测人员经验要求高、容易造成视觉疲劳，检测效果受人为因素影响大。
发明内容
针对现有技术存在的上述不足，本发明提供一种大型调相机不抽转子气隙内物理表面自动检测方法，可以在不抽转子情况下，利用内窥镜技术对电机气隙内部物理表面进行摄像并转换为图片流的形式，再通过图像处理与人工智能算法实现调相机气隙内部物理表面准确度高的自动检测。
一种大型调相机不抽转子气隙内物理表面自动检测方法，包括如下步骤：
S1、利用内窥镜对调相机气隙内部物理表面进行摄像，获得样本图片；
S2、对样本图片进行预处理；
S3、特征提取与分类器支持向量机设计：利用CDF 5/3提升小波对预处理后的样本图片进行分解，分解后得到近似小波系数和高频小波系数，由近似小波系数和高频小波系数建立特征向量并据此训练分类器支持向量机；
S4、利用设计的分类器支持向量机对调相机气隙内物理表面进行检测。
进一步的，所述步骤S1具体包括：利用滑轨小车搭载3个内窥镜摄像头，从正上方、正下方、正前方三个方向对调相机气隙内部定子铁心及槽楔表面、转子及槽楔表面、护环内侧进行图像拍摄，得到所述样本图片。
进一步的，所述步骤S2对样本图片进行预处理，具体实施步骤如下：
首先，将图像进行红色(R)、绿色(G)、蓝色(B)分解，得到三原色图像；
其次，通过IHS变换将三原色图像转换为亮度、色度、饱和度图像；
最后，对拍摄图像的亮度图像矩阵进行图像分割，将反光强的图像部分分割出去，保留图像其他部分。
进一步的，所述步骤S3具体过程如下：
(1)特征提取：
气隙内部物理表面识别目标为转子表面划痕、定子表面锈迹、定子表面孔洞；
转子表面划痕对应转子表面图像I分量高频小波系数的变化，特征向量设为：
x1＝[Add1,Ddd1]T (11)
其中Add1为转子表面图像I分量高频小波系数dd1的均值，Ddd1为转子表面图像I分量高频小波系数dd1的方差；
定子表面铁锈对应定子表面图像R分量近似小波系数的变化，特征向量设为：
x2＝[Aaa,Daa]T (12)
其中Aaa为定子表面图像R分量近似小波系数aa2的均值，Daa为定子表面图像R分量近似小波系数aa2的方差；
定子表面孔洞对应定子表面图像I分量高频小波系数的变化，特征向量设为：
x3＝[Add1,Ddd1]T (13)
其中Add1为定子表面图像I分量高频小波系数aa2的均值，Ddd1为定子表面图像I分量高频小波系数aa2的方差；
(2)分类器支持向量机(SVM)设计：
(2.1)随机取100张划痕图片与100张正常图片，对其转子表面图像I分量进行CDF5/3提升小波2层分解，取对角线高频小波系数dd1进行分析，得到如式(11)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM1；
(2.2)随机取100张锈迹图片与100张正常图片，对经分割后的定子表面图像R分量进行CDF 5/3提升小波2层分解，取近似小波系数进行分析，得到如式(12)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM2；
(2.3)随机取100张孔洞图片与100张正常图片，对经分割后的定子表面图像I分量进行CDF 5/3提升小波2层分解，取对角线高频小波系数dd1进行分析，得到如式(13)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM3。
进一步的，对于划痕识别、锈迹识别与孔洞识别并利用孔洞位置定位划痕与锈迹，分别随机选取100组图片，其中80组用来训练，20组用来识别测试，其中支持向量机SVM1用于进行划痕识别，支持向量机SVM2用于锈迹识别，支持向量机SVM3用于孔洞识别并利用孔洞位置定位划痕与锈迹。
本发明是一种基于图像处理与人工智能算法的大型调相机气隙内物理表面自动检测方法，可保障气隙尺寸不受检测影响并排除人为因素对检测结果的影响，对于转子划痕、定子铁锈等表面损伤检测准确率在98％以上。
本发明受国网湖北省电力有限公司科技项目52153218003A，国家自然科学基金61903384资助。
附图说明
图1是本发明利用内窥镜对调相机气隙内部物理表面进行摄像所获得的样本图片，其中(a)为转子表面样本图片，(b)为定子表面样本图片，(c)为气隙内部正向图片；
图2是定子表面图片亮度分量的分割示意图；
图3是二维小波分解示意图；
图4中(a)是正常转子表面小波分解图，(b)是划痕转子表面小波分解图，(c)是正常转子表面小波系数统计直方图，(d)是划痕转子表面小波系数统计直方图；
图5中(a)是未生锈定子表面小波分解图，(b)是生锈定子表面小波分解图，(c)是未生锈定子表面小波系数统计直方图，(d)是生锈定子表面小波系数统计直方图；
图6中(a)是定子表面无孔洞小波分解图，(b)是定子表面有孔洞小波分解图，(c)是定子表面无孔洞小波系数统计直方图，(d)是定子表面无孔洞小波系数统计直方图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种大型调相机不抽转子气隙内物理表面自动检测方法，包括如下步骤：
S1、利用内窥镜对调相机气隙内部物理表面进行摄像，获得样本图片。具体的，利用滑轨小车搭载3个内窥镜摄像头，从正上方、正下方、正前方三个方向对调相机气隙内部定子铁心及槽楔表面、转子及槽楔表面、护环内侧进行图像拍摄，分别得到如图1中(a)、(b)、(c)所示的样本图片。
S2、对样本图片进行预处理。具体实施步骤如下：
首先，将图像进行红色(R)、绿色(G)、蓝色(B)分解，得到三原色图像；
其次，通过IHS(I亮度，H色度，S饱和度)变换将三原色图像转换为亮度、色度、饱和度图像；
最后，对拍摄图像的亮度图像矩阵进行图像分割，将反光强的图像部分分割出去，保留图像其他部分。因为电机气隙空间狭小，照明光线在定子铁芯与转子铁芯表面会产生强反光，该反光部分属于低频小波系数，对利用低频小波系数为特征的识别任务有较大影响，所以需要将反光强的图像部分分割出去。其具体过程如下：
对图1(a)与图1(b)进行IHS变换：
Figure GDA0003733629460000051
Figure GDA0003733629460000052
R，G，B值可分别通过原图片直接读取。
取图1(b)的I分量图片，设定阈值TI，将高亮度的反光部分进行标记，然后将图像分割。因为是小车向前滑动拍摄，所以没有地方会被反射光斑永久遮盖。对于图1(b)，反射光斑位于图片底部，因此将光斑所占的纵向空间去除(如图2)，只对图片上部进行处理。同理，在处理图1(b)的R分量图片也仅采用图片上部进行处理。
S3、特征提取与分类器支持向量机设计。本发明主要对电子转子表面划痕、定子表面锈迹等进行识别。转子表面划痕主要体现在高频小波系数的变化，定子表面锈迹主要体现在近似小波系数的变化。因此，小波基应具有较高的近似小波系数与高频小波系数区分度，即有较大的消失矩。同时考虑到计算速度，本发明利用CDF 5/3提升小波对预处理后的样本图片进行分解，分解后得到近似小波系数和高频小波系数，由近似小波系数和高频小波系数建立特征向量并据此训练分类器支持向量机。其中近似小波系数用于锈迹的识别，高频小波系数用于划痕的识别。
CDF 5/3二维提升小波变换如下：
每层小波分解包含近似小波系数与高频小波系数，提升小波分解主要步骤为：
预测
Figure GDA0003733629460000061
更新
Figure GDA0003733629460000062
其中dj,k表示第j级分解的第k个细节系数，aj,k表示第j级分解的第k个近似系数。CDF 5/3二维提升小波则是在每一级分解中对式(3)、(4)进行行变换与列变换。设l，c，r分别表示层、列和行编号，则CDF 5/3二维提升小波为：
行步骤：
行预测
Figure GDA0003733629460000063
行更新
Figure GDA0003733629460000064
列步骤：
列预测
Figure GDA0003733629460000065
列预测
Figure GDA0003733629460000066
列更新
Figure GDA0003733629460000067
列更新
Figure GDA0003733629460000068
以l＝2为例，图3为CDF 5/3提升小波二层分解示意图。
步骤S3具体过程如下：
(1)特征提取：
本发明识别目标为转子表面划痕、定子表面锈迹、定子表面孔洞。
转子表面划痕对应转子表面图像I分量高频小波系数的变化，因此特征向量设为：
x1＝[Add1,Ddd1]T (11)
其中Add1为转子表面图像I分量高频小波系数dd1的均值，Ddd1为转子表面图像I分量高频小波系数dd1的方差；
定子表面铁锈对应定子表面图像R分量近似小波系数的变化，因此特征向量设为：
x2＝[Aaa,Daa]T (12)
其中Aaa为定子表面图像R分量近似小波系数aa2的均值，Daa为定子表面图像R分量近似小波系数aa2的方差；
定子表面孔洞对应定子表面图像I分量高频小波系数的变化，因此特征向量设为：
x3＝[Add1,Ddd1]T (13)
其中Add1为定子表面图像I分量高频小波系数aa2的均值，Ddd1为定子表面图像I分量高频小波系数aa2的方差；
(2)分类器支持向量机(SVM)设计：
本发明识别目标为转子表面划痕、定子表面锈迹、定子表面孔洞。式(11)用以区分转子表面无、有划痕，式(12)用以区分定子表面无、有锈迹，式(13)用以区分定子表面无、有孔洞。因此，需设计三个二分类支持向量机来区分以上6个类别。
因为具有多维特征向量，所以采用非线性支持向量机，向量机内核函数为高斯径向函数：
Figure GDA0003733629460000071
其中x为特征向量，xi为特征向量x第i个元素，σ为支持径向长度用于得到最大区分面。
因此分类器支持向量机(SVM)设计具体过程如下：
(2.1)随机取100张划痕图片与100张正常图片，对其转子表面图像I分量进行CDF5/3提升小波2层分解，取对角线高频小波系数dd1进行分析，得到如式(11)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM1；
(2.2)随机取100张锈迹图片与100张正常图片，对经分割后的定子表面图像R分量进行CDF 5/3提升小波2层分解，取近似小波系数进行分析，得到如式(12)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM2。
(2.3)随机取100张孔洞图片与100张正常图片，对经分割后的定子表面图像I分量进行CDF 5/3提升小波2层分解，取对角线高频小波系数dd1进行分析，得到如式(13)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM3。
S4、利用设计的分类器支持向量机对调相机气隙内物理表面进行检测，对于划痕识别、锈迹识别与孔洞识别并利用孔洞位置定位划痕与锈迹，分别随机选取100组图片，其中80组用来训练，20组用来识别测试，结果显示总体识别正确率大于98％。
(4.1)检测转子表面划痕：
图4为正常转子表面(a)与划痕转子表面(b)小波分解图对比以及其相应的小波系数统计直方图对比(c)、(d)。
在此例中，划痕较浅，无划痕图片的x1a＝[-0.003,0.75]，有划痕图片的x1b＝[-0.002,4.031]。其方差的区分度十分明显。经过SVM1识别后，有划痕图片能正确被识别。对于更深的划痕，高频小波系数的均值与方差较正常表面图片的会更大，更容易被识别。
(4.2)检测气隙内物理表面锈迹：
图5为图像分割后定子未生锈表面(a)与定子生锈表面(b)小波分解图对比以及其相应的近似小波系数统计直方图对比(c)、(d)。
在此例中，无锈迹图片的x2a＝[534.2,287.4]，有锈迹图片的x2b＝[639,284.4]。其均值的区分度十分明显，因为有锈迹的图片红色分量明显值应更大。经过SVM2识别后，有锈迹图片能正确被识别。对于更深的锈迹，低频小波系数的均值与方差较正常表面图片的会更大，更容易被识别。
(4.3)特殊物理面(锈迹与划痕)的定位：在图像拍摄时，利用高频小波系数得到电机气隙孔的边缘，并通过支持向量机对气孔形状进行识别。气孔在电机内部的位置与间隔是确定的，通过识别离特殊物理面最近的气孔位置来确定该物理面的位置，以便人工检测与维护。
图6为定子表面无孔洞(a)与定子表面有空洞(b)小波分解图对比以及其相应的高频小波系数统计直方图对比(c)、(d)。
在此例中，无孔洞图片的x3a＝[-0.07,1.611]，有锈迹图片的x3b＝[-0.01,2.675]。其方差的区分度十分明显，因为有孔洞的图片其孔洞轮廓会体现为较大的高频小波系数。经过SVM3识别后，定子表面孔洞能正确被识别。孔洞的间距一定，利用孔洞的序号即可定位拍摄图像的位置。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种大型调相机不抽转子气隙内物理表面自动检测方法，其特征在于：包括如下步骤：
S1、利用内窥镜对调相机气隙内部物理表面进行摄像，获得样本图片；
S2、对样本图片进行预处理；
S3、特征提取与分类器支持向量机设计：利用CDF 5/3提升小波对预处理后的样本图片进行分解，分解后得到近似小波系数和高频小波系数，由近似小波系数和高频小波系数建立特征向量并据此训练分类器支持向量机；
S4、利用设计的分类器支持向量机对调相机气隙内物理表面进行检测。
2.如权利要求1所述的大型调相机不抽转子气隙内物理表面自动检测方法，其特征在于：所述步骤S1具体包括：利用滑轨小车搭载3个内窥镜摄像头，从正上方、正下方、正前方三个方向对调相机气隙内部定子铁心及槽楔表面、转子及槽楔表面、护环内侧进行图像拍摄，得到所述样本图片。
3.如权利要求1所述的大型调相机不抽转子气隙内物理表面自动检测方法，其特征在于：所述步骤S2对样本图片进行预处理，具体实施步骤如下：
首先，将图像进行红色(R)、绿色(G)、蓝色(B)分解，得到三原色图像；
其次，通过IHS变换将三原色图像转换为亮度、色度、饱和度图像；
最后，对拍摄图像的亮度图像矩阵进行图像分割，将反光强的图像部分分割出去，保留图像其他部分。
4.如权利要求1所述的大型调相机不抽转子气隙内物理表面自动检测方法，其特征在于：所述步骤S3具体过程如下：
(1)特征提取：
气隙内部物理表面识别目标为转子表面划痕、定子表面锈迹、定子表面孔洞；
转子表面划痕对应转子表面图像I分量高频小波系数的变化，特征向量设为：
x1＝[Add1,Ddd1]T (11)
其中Add1为转子表面图像I分量高频小波系数dd1的均值，Ddd1为转子表面图像I分量高频小波系数dd1的方差；
定子表面铁锈对应定子表面图像R分量近似小波系数的变化，特征向量设为：
x2＝[Aaa,Daa]T (12)
其中Aaa为定子表面图像R分量近似小波系数aa2的均值，Daa为定子表面图像R分量近似小波系数aa2的方差；
定子表面孔洞对应定子表面图像I分量高频小波系数的变化，特征向量设为：
x3＝[A'dd1,D'dd1]T (13)
其中A'dd1为定子表面图像I分量高频小波系数dd1的均值，D'dd1为定子表面图像I分量高频小波系数dd1的方差；
(2)分类器支持向量机(SVM)设计：
(2.1)随机取100张划痕图片与100张正常图片，对其转子表面图像I分量进行CDF 5/3提升小波2层分解，取对角线高频小波系数dd1进行分析，得到如式(11)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM1；
Figure FDA0003733629450000021
其中x为特征向量，xi为特征向量x第i个元素，σ为支持径向长度用于得到最大区分面；
(2.2)随机取100张锈迹图片与100张正常图片，对经分割后的定子表面图像R分量进行CDF 5/3提升小波2层分解，取近似小波系数进行分析，得到如式(12)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM2；
(2.3)随机取100张孔洞图片与100张正常图片，对经分割后的定子表面图像I分量进行CDF 5/3提升小波2层分解，取对角线高频小波系数dd1进行分析，得到如式(13)的特征向量，用此特征向量根据式(14)核函数训练得到支持向量机SVM3。
5.如权利要求4所述的大型调相机不抽转子气隙内物理表面自动检测方法，其特征在于：所述步骤S4具体步骤为：对于划痕识别、锈迹识别与孔洞识别并利用孔洞位置定位划痕与锈迹，分别随机选取100组图片，其中80组用来训练，20组用来识别测试，其中支持向量机SVM1用于进行划痕识别，支持向量机SVM2用于锈迹识别，支持向量机SVM3用于孔洞识别并利用孔洞位置定位划痕与锈迹。
CN202011273552.1A 2020-11-14 2020-11-14 大型调相机不抽转子气隙内物理表面自动检测方法 Active CN112465751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011273552.1A CN112465751B (zh) 2020-11-14 2020-11-14 大型调相机不抽转子气隙内物理表面自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011273552.1A CN112465751B (zh) 2020-11-14 2020-11-14 大型调相机不抽转子气隙内物理表面自动检测方法

Publications (2)

Publication Number Publication Date
CN112465751A CN112465751A (zh) 2021-03-09
CN112465751B true CN112465751B (zh) 2022-08-23

Family

ID=74837011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011273552.1A Active CN112465751B (zh) 2020-11-14 2020-11-14 大型调相机不抽转子气隙内物理表面自动检测方法

Country Status (1)

Country Link
CN (1) CN112465751B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471501B (zh) * 2022-10-31 2023-10-13 长江勘测规划设计研究有限责任公司 利用机器视觉在线识别发电机气隙分布状态的方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782168A (zh) * 2018-12-29 2019-05-21 西安交通大学 基于小波包支持向量机的感应电机转子断条故障诊断方法
CN109782170A (zh) * 2019-01-28 2019-05-21 浙江浙能技术研究院有限公司 不抽转子的发电机膛内智能检测系统
CN110824281A (zh) * 2019-11-19 2020-02-21 国网江苏省电力有限公司检修分公司 一种同步调相机在线监测及故障诊断方法和系统
CN110836696A (zh) * 2019-12-04 2020-02-25 江苏方天电力技术有限公司 适于调相机系统的远程故障预测方法和系统
CN110910383A (zh) * 2019-12-04 2020-03-24 江苏方天电力技术有限公司 基于红外图像识别的调相机故障监测方法和系统
CN111463691A (zh) * 2020-04-09 2020-07-28 国网山东省电力公司检修公司 一种换流站调相机集电环室小导轨自动巡检机器人

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8284450B2 (en) * 2008-10-07 2012-10-09 Xerox Corporation Streak compensation in compressed image paths
US20170084007A1 (en) * 2014-05-15 2017-03-23 Wrnch Inc. Time-space methods and systems for the reduction of video noise

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782168A (zh) * 2018-12-29 2019-05-21 西安交通大学 基于小波包支持向量机的感应电机转子断条故障诊断方法
CN109782170A (zh) * 2019-01-28 2019-05-21 浙江浙能技术研究院有限公司 不抽转子的发电机膛内智能检测系统
CN110824281A (zh) * 2019-11-19 2020-02-21 国网江苏省电力有限公司检修分公司 一种同步调相机在线监测及故障诊断方法和系统
CN110836696A (zh) * 2019-12-04 2020-02-25 江苏方天电力技术有限公司 适于调相机系统的远程故障预测方法和系统
CN110910383A (zh) * 2019-12-04 2020-03-24 江苏方天电力技术有限公司 基于红外图像识别的调相机故障监测方法和系统
CN111463691A (zh) * 2020-04-09 2020-07-28 国网山东省电力公司检修公司 一种换流站调相机集电环室小导轨自动巡检机器人

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
300Mvar调相机静止变频器起动及并网的技术研究;吴凯;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20190831(第8期);全文 *
Method for Detecting Micron Cracks on a Magnetic Rotor Surface Based on a Support Vector Machine;Haodi Hu 等;《IEEE Access》;20180916;第6卷;全文 *

Also Published As

Publication number Publication date
CN112465751A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
WO2022205525A1 (zh) 基于双目视觉自主式水下机器人回收导引伪光源去除方法
CN109918971B (zh) 监控视频中人数检测方法及装置
CN112991302B (zh) 基于超像素的柔性ic基板变色缺陷检测方法和装置
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
WO2020223963A1 (en) Computer-implemented method of detecting foreign object on background object in image, apparatus for detecting foreign object on background object in image, and computer-program product
CN112561899A (zh) 电力巡检图像识别方法
CN114581709A (zh) 识别医学图像中的目标的模型训练、方法、设备及介质
CN108416814A (zh) 一种菠萝头部的快速定位与识别方法及系统
CN112465751B (zh) 大型调相机不抽转子气隙内物理表面自动检测方法
CN111127384A (zh) 基于偏振成像的强反射工件视觉测量方法
CN118038515B (zh) 一种人脸识别方法
CN112288682A (zh) 基于图像配准的电力设备缺陷定位方法
Tribak et al. Remote solar panels identification based on patterns localization
CN111046866B (zh) 一种结合ctpn和svm的人民币冠字号区域检测方法
CN117392201A (zh) 一种基于视觉检测的靶纸弹孔识别及报靶方法
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
CN111627047A (zh) 水下鱼类动态视觉序列运动目标检测方法
Huang et al. Mango surface defect detection based on HALCON
CN112926676B (zh) 一种虚假目标识别方法、装置及计算机设备
CN115909401A (zh) 融合深度学习的牛脸识别方法、装置、电子设备和介质
Wang et al. An efficient method of shadow elimination based on image region information in HSV color space
CN114022753A (zh) 基于显著性和边缘分析的对空小目标检测算法
CN113255455A (zh) 基于矢量去光照影响算法的单目相机物体识别与定位方法
Chen et al. Dust Image Enhancement Algorithm Based on Feature Transformation
Zhang et al. Wheel defect segmentation based on improved otsu method

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