CN112697798B - 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 - Google Patents
面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 Download PDFInfo
- Publication number
- CN112697798B CN112697798B CN202011438211.5A CN202011438211A CN112697798B CN 112697798 B CN112697798 B CN 112697798B CN 202011438211 A CN202011438211 A CN 202011438211A CN 112697798 B CN112697798 B CN 112697798B
- Authority
- CN
- China
- Prior art keywords
- equipment
- phase
- area
- power equipment
- power
- 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
Images
Abstract
本发明提供一种面向红外图像的变电设备电流致热型缺陷的诊断方法和装置,其核心是利用预设的网络模型识别红外图像中电力设备、部位区域、三相区域;计算识别到的归属于同一三相区域的电力设备和部位的最高温度以及相对温差;采用预设的缺陷诊断标准基于电力设备、部位区域的最高温及相对温差综合确定设备是否存在电流致热型缺陷,经试验发现,该方法对于电流较小的设备发生电流致热型缺陷时也具有较高的准确率,极大地提升了变电设备红外图像的故障检测效率。
Description
技术领域
本发明涉及故障检测技术领域,具体涉及一种面向红外图像的变电设备电流致热型缺陷的诊断方法和装置。
背景技术
变电站是电网中负责转换电压与分配电能的重要节点,其安全可靠性直接关系到电力系统的安全稳定。电力设备的故障大多以发热形式表现出来,红外检测能够及时有效的发现设备缺陷,具有不停电、不接触、灵敏度高、技术成熟等优点,已经成为电力设备带电监测和故障诊断的重要手段。随着电网规模不断扩大,设备不断增加与人员逐渐减少之间的矛盾日益突出,变电站运维管理的智能化与无人化已成为必然趋势。当前变电站红外检测是按周期开展,巡视人员通过红外成像仪采集数据,再由工作人员参照DL/T 664《带电设备红外诊断应用规范》对数据进行判别分析和诊断。近年来,带有红外摄像头的变电站机器人、无人机、摄像头巡检广泛应用,替代人工进行了红外图像的获取,但是巡检或在线监测产生的海量红外图片仍需人工后期研判分析,未能真正减少运维人员工作量,存在工作耗时长,工作效率低,实时性差等问题,亟需发明一种变电设备热缺陷智能诊断方法,能够智能、高效、准确的进行电力设备热缺陷诊断,真正提高巡检作业效率和质量,提升变电站智能化水平。
近年来,计算机技术不断飞速发展,大数据分析技术不断推广应用,新一代人工智能技术也取得了突破性进展,各行各业朝着智能化、数字化、网络化和高速化方向发展。利用人工智能深度学习目标检测算法实现红外图像智能诊断,替代人工进行海量红外图像分析处理,能够减轻运维人员工作负担,对提高运维工作效率具有重要意义。
专利申请号201710195834的专利公开了一种基于电力设备识别和在线诊断方法,其对电力设备进行电力设备及部件识别,参照红外缺陷规则库而对电力设备及其部件的红外图像数据进行分析和在线诊断,评估电力设备当前运行状态。
专利号201910653908的专利公开了一种检测变电设备缺陷的方法,接收采集设备发送的图像,通过预先训练的识别模型(VGG16)检测设备,根据图像标识码确定设备信息,根据设备信息确定设备的温度阈值,判断是否存在热缺陷。
专利号201910612845的专利公开了一种基于深度学习的红外输变电异常发热点目标检测方法,使用训练数据集对所建立的模型网络进行训练;利用训练建立网络模型(Fast RCNN),对待识别的红外图像进行识别,获取红外图片异常发热点识别与定位结果。
上述方案中红外智能诊断方法大多基于单一设备阈值判定设备是否存在热缺陷,但是当检测时电流(负荷)较小时,有时不能按照该方法进行正确热缺陷诊断,有可能造成缺陷漏报,而这个漏报可能就是最终导致设备故障的原因。
发明内容
有鉴于此,本发明实施例提供一种面向红外图像的变电设备电流致热型缺陷的诊断方法和装置,以对于电流较小的设备发生电流致热型缺陷时也具有较高的准确率。
为实现上述目的,本发明实施例提供如下技术方案:
一种面向红外图像的变电设备电流致热型缺陷的诊断方法,包括:
获取红外图像;
采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
获取与所述识别到的电力设备、部位区域以及三相区域相匹配的缺陷诊断标准,所述缺陷诊断标准中具有电力设备以及所述部位区域的最高温及相对温差与缺陷等级之间的映射关系;
当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温;
采用所述缺陷诊断标准基于所述电力设备以及所述部位区域的最高温及相对温差对设备的缺陷等级进行判断。
可选的,上述面向红外图像的变电设备电流致热型缺陷的诊断方法中,所述预设的网络模型为基于YOLOv3算法构建的网络模型。
可选的,上述面向红外图像的变电设备电流致热型缺陷的诊断方法中,当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温,包括:
对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备;
获取隶属于同类设备的电力设备的最高温及相对温差,获取隶属于同类设备的部位区域的最高温及相对温差。
可选的,上述面向红外图像的变电设备电流致热型缺陷的诊断方法中,对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备,包括:
分别计算所识别到的电力设备的中心位置;
获取所述三相区域的区域范围;
将中心位置落入所述同类设备区域范围内的同类部位区域自动关联为同类部位;
获取所述部位区域的中心位置;
将中心位置落入所述电力设备的区域范围内的部位区域作关所述电力设备的部位区域自动关联。
可选的,上述面向红外图像的变电设备电流致热型缺陷的诊断方法中,获取所述电力设备的相对温差,获取所述部位区域的相对温差,包括:
基于公式计算得到所述电力设备的相对温差δt,其中,所述TAmax为所述三相区域中的A相区域所包含的电力设备的最高温度;所述TBmax为所述三相区域中的B相区域所包含的电力设备的最高温度;所述TCmax为所述三相区域中的C相区域所包含的电力设备的最高温度,所述T0为环境温度;
一种面向红外图像的变电设备电流致热型缺陷的诊断装置,包括:
图像采集单元,用于获取红外图像;
识别单元,用于采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
诊断规则采集单元,获取与所述识别到的电力设备、部位区域以及三相区域相匹配的缺陷诊断标准,所述缺陷诊断标准中具有电力设备以及所述部位区域的最高温及相对温差与缺陷等级之间的映射关系;
温度计算单元,当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温;
判断单元,用于采用所述缺陷诊断标准基于所述电力设备以及所述部位区域的最高温及相对温差对设备的缺陷等级进行判断。
可选的,上述面向红外图像的变电设备电流致热型缺陷的诊断装置中,所述预设的网络模型为基于YOLOv3算法构建的网络模型。
可选的,上述面向红外图像的变电设备电流致热型缺陷的诊断装置中,当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温,包括:
对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备;
获取隶属于同类设备的电力设备的最高温及相对温差,获取隶属于同类设备的部位区域的最高温及相对温差。
可选的,上述面向红外图像的变电设备电流致热型缺陷的诊断装置中,对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备,包括:
分别计算所识别到的电力设备的中心位置;
获取所述三相区域的区域范围;
将中心位置落入所述三相区域的区域范围的电力设备自动关联为同类设备;
获取所述部位区域的中心位置;
将中心位置落入所述同类设备区域范围内的同类部位区域自动关联为同类部位。
可选的,上述面向红外图像的变电设备电流致热型缺陷的诊断装置中,获取所述电力设备的相对温差,获取所述部位区域的相对温差,包括:
基于公式计算得到所述电力设备的相对温差δt,其中,所述TAmax为:所述三相的电力设备中位于A相区域部分的最高温度;所述TBmax为:所述三相的电力设备中位于B相区域部分的最高温度;所述TCmax为:所述三相的电力设备中位于C相区域部分的最高温度;所述T0为环境温度;
基于上述技术方案,本发明实施例提供的上述方案,本发明提出的一种面向红外图像的变电设备电流致热型缺陷精确智能诊断方法,其核心是利用预设的网络模型识别红外图像中电力设备、部位区域、三相区域;计算识别到的归属于同一三相区域的电力设备和部位的最高温度以及相对温差;采用预设的缺陷诊断标准基于电力设备、部位区域的最高温及相对温差综合确定设备是否存在电流致热型缺陷,经试验发现,该方法对于电流较小的设备发生电流致热型缺陷时也具有较高的准确率,极大地提升了变电设备红外图像的故障检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的面向红外图像的变电设备电流致热型缺陷的诊断方法的流程示意图;
图2为本申请实施例提供的红外图像中三相区域的示意图;
图3为YOLOv3算法的网络结构;
图4为Darnet-53网络的结构;
图5为本申请实施例提供的一种红外图像识别结果的示意图;
图6为本申请实施例提供的电流致热型缺陷诊断规则的示意图;
图7为本申请实施例提供的面向红外图像的变电设备电流致热型缺陷的诊断装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
申请人研究发现,结合相对温差判别法,能够进一步提高对设备缺陷类型判断的准确性,降低当运行电流(负荷)较小时设备缺陷的漏检率,相对温差计算是两个对应测点之间的温升与温度较高点温升之比,自动关联对应测点并计算出相对温差是基于相对温差进行智能诊断的难点,目前缺少相关研究。
本发明为了解决人工诊断机器人、无人机等设备巡检采集的海量红外图片时,耗时长、工作效率低、分析质量难以保证、实时性差等不足,提供一种面向红外图像的设备缺陷精确识别方法,用于辅助变电运维运行人员进行红外图像电流致热型缺陷精确诊断,相对于当前其他智能热缺陷诊断方法,本发明提出方法对于电流较小的设备发生电流致热型缺陷时也具有较高的准确率,进一步提高了智能巡检智能化水平,大大减少运维人员工作量。
参见图1,本申请实施例提供的面向红外图像的变电设备电流致热型缺陷的诊断方法,包括:
步骤S101:获取红外图像;
所述红外图像是对目标区域进行拍摄得到的红外图像,这些图像可以是变电站机器人、无人机、固定摄像头采集红外图片也可以是巡检人员现场采集红外图片;
步骤S102:采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
在本步骤中,所述电力设备指的是变电设备,通过预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域,所述预设的网络模型可以为基于YOLOv3算法对训练集进行训练得到设备检测模型,在构建训练集时,搜集变电站机器人、无人机、固定摄像头采集红外图片及巡检人员现场采集红外图片,通过数据标注软件对红外图像中的电力设备、部位区域以及三相区域进行标注,标注文件可以为符合VOC标准的.xml文件,作为对应红外图片的标签;其中所述电力设备的种类有:变压器、套管、隔离开关、断路器、电压互感器、电流互感器、电容器、电抗器、绝缘子、支柱绝缘子;部位的种类有:接头、线夹、转头、刀口;三相区域是指同组三相设备区域,其中三相类别指包含三相同类设备的最小内接矩形框,如图2所示的矩形框架内的区域,需要说明的是,图2是一种场景示意图,并不涉及到本申请实施例公开的技术方案的具体结构。区域、设备及部件标签命名见表1,通过对搜集到红外图像进行标注得到训练样本集。
表1
所述YOLOv3算法为现有技术中改进的YOLOv3目标检测算法,所述YOLOv3算法的网络结构如图3所示,该算法采用Darknet-53卷积神经网络为基底网络结构提取红外图像中目标特征。Darknet-53网络在Darknet-19网络基础上进行更新,其结合了FPN算法的多尺度检测和ResNet残差网络的思想引入横向连接及残差结构,使得网络性能更优。该网络去掉池化层和全连接层,仅采用3x3和1x1卷积核,在每层卷积层后紧跟一层BN(BatchNormalization)层和一层Leaky ReLU线性激活层。前向传播过程中,Darnet-53网络通过改变卷积核步长实现张量尺寸的变化,其结构如图4所示。本发明的特征提取网络去掉了Darnet-53网络最后的平均池化层和全连接层,分别在多个尺度空间中预测目标类别及位置信息。
所述YOLOv3算法在3个尺度空间匹配目标类别,通过对下层残差层输出特征上采样,再与上层残差层输出横向连接得到y1、y2和y3输出特征,其特征维度分别为13x13x42、26x26x42和52x52x42。YOLOv3算法对3个特征层输出中的每个网格单元产生3个预测边框,每个预测边框参数包括参考点横纵坐标,宽、高和置信度。本发明采用逻辑回归代替Softmax层计算分类结果,每个预测框对应得到9个类别概率值。当精度满足要求以后,则所述YOLOv3算法训练完成,采用训练完成的YOLOv3算法作为所述预设的网络模型。
在所述预设的网络模型构建完成以后,将该网络模型作为变电设备目标检测模型,对待识别红外图像进行目标检测,检测红外图像中是否存在电力设备,如变压器、套管、隔离开关、断路器、电压互感器、电流互感器、电容器、电抗器、绝缘子、支柱绝缘子等设备;检测红外图像中是否存在部位区域,如接头、线夹、转头、刀口等部位;以及检测红外图像中是否存在三相区域,如果存在电力设备、部位区域、三相区域,则对检测到的电力设备、部位区域、三相区域在所述红外图像中进行定位,并标注设备类别,标注示意图如图5所示,图5为本申请公开的方案的场景示意图,并不涉及到本方案的方法流程和具体结构。
步骤S103:获取与所述识别到的电力设备、部位区域以及三相区域相匹配的缺陷诊断标准,所述缺陷诊断标准中具有电力设备以及所述部位区域的最高温及相对温差与缺陷等级之间的映射关系;
在本方案中,获取预设的缺陷诊断标准,所述缺陷诊断标准中具有与电力设备、部位的最高温度值以及温差相对应的缺陷等级,在获取到电力设备、部位的最高温度值以及温差后,基于该缺陷诊断标准即可判定力设备、部位的缺陷等级。
表面温度判别阈值Y1,Y2相对温差判别阈值δ1,δ2,δ3分别如表2所示,判定规则如图6所示,图6为一种场景示意图,并不涉及到本方案的方法流程和具体结构。
表2
步骤S104:当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温;
在本步骤中,确定所述红外图像中的电力设备、部位区域、三相区域以后,红外图像中存在三相区域,则计算最高温及相对温差。不存在三相区域,则计算设备及部位最高温;
步骤S105:采用所述缺陷诊断标准基于所述电力设备以及所述部位区域的最高温及相对温差对设备的缺陷等级进行判断。
本步骤中,基于设备或部位类型的最高温及相对温差综合判定设备缺陷等级,热缺陷诊断根据目标检测设备识别标签对设备进行绝缘缺陷判定。
本发明提出的上述面向红外图像的变电设备电流致热型缺陷精确智能诊断方法,其核心是在获取到红外图像后,利用预设的网络模型识别红外图像中电力设备、部位区域、三相区域;当红外图像中存在三相区域,计算最高温及相对温差,如果不存在三相区域时,计算设备及部位最高温;采用预设的缺陷诊断标准,上述最高温及相对温差综合确定设备是否存在电流致热型缺陷,经试验发现,该方法对于电流较小的设备发生电流致热型缺陷时也具有较高的准确率,极大地提升了变电设备红外图像的故障检测效率。
在本申请另一实施例公开的技术方案中,当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温,为获取能够自动关联为同类设备的电力设备和部位区域的最高温度及相对温差,具体的,该过程可以包括:
对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备;获取隶属于同类设备的电力设备的最高温及相对温差,获取隶属于同类设备的部位区域的最高温及相对温差。
其中,上述步骤中,对所述电力设备、部位区域进行自动关联匹配为同类设备时,可以基于三相区域与电力设备中心点是否存在包含逻辑关系,自动关联归属于同一三相区域的电力设备,自动关联同类设备对应的部位区域的方法是将部位区域的中心点包含在同类设备中的接头、线夹、刀口、转口等部位区域均作为对电力设备对应部位进行自动关联,其具体过程可以包括:
分别计算所识别到的电力设备的中心位置;获取所述三相区域的区域范围,识别所述电力设备的中心位置与所述三相区域的区域范围的包含关系,如果所述将中心位置落入所述三相区域的区域范围内,则认为是包含在三相区域内的电力设备,将中心位置落入所述三相区域的区域范围的电力设备自动关联为同类设备。获取识别到的各个所述部位区域的中心位置,将中心位置落入所述同类设备区域范围内的同类部位区域自动关联为同类部位,即这些部位区域作为其对应的电力设备所归属的同类设备的部位区域。
此外,在本申请另一实施例公开的技术方案中,当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温,包括:
基于公式计算得到所述电力设备的相对温差δt,其中,所述TAmax为:所述三相的电力设备中位于A相区域部分的最高温度;所述TBmax为:所述三相的电力设备中位于B相区域部分的最高温度;所述TCmax为:所述三相的电力设备中位于C相区域部分的最高温度,例如,电力设备为三相电力设备,TAmax为三相电力设备的A相的最高温度,TBmax为三相电力设备的B相的最高温度,TCmax为三相电力设备的C相的最高温度;所述T0为环境温度;
基于公式计算得到所述部位区域的相对温差δbt,所述T1,T2,T3…,Ti分别为隶属于同一同类设备的同一类型的各个部位区域的最高温度,例如,所述红外图像中有i个接头,这i个接头共同归属于同一类设备,其中T1,T2,T3…,Ti分别表示这i个接头的最高温度。
本申请上述实施例提供的面向红外图像的变电设备电流致热型缺陷的诊断装置其核心是利用YOLOv3目标检测算法精确识别红外图像中电力设备、部位区域、三相区域的类别及位置信息;基于三相区域与电力设备的中心点是否存在包含逻辑关系,自动关联电力设备,并计算识别到的各个电力设备的相对温差及最高温度,计算部位区域的最高温度及相对温差;基于电力设备和部位区域的最高温及相对温差综合确定设备是否存在电流致热型缺陷,尤其对于电流较小的设备发生电流致热型缺陷时也具有较高的准确率,极大地提升了变电设备红外图像的故障检测效率。
本实施例中公开了一种面向红外图像的变电设备电流致热型缺陷的诊断装置,装置各个单元的具体工作内容,请参见上述方法实施例的内容,下面对本发明实施例提供的面向红外图像的变电设备电流致热型缺陷的诊断装置进行描述,下文描述的面向红外图像的变电设备电流致热型缺陷的诊断装置与上文描述的面向红外图像的变电设备电流致热型缺陷的诊断方法可相互对应参照。
参见图7,本申请实施例提供的面向红外图像的变电设备电流致热型缺陷的诊断装置,包括:
图像采集单元100,用于获取红外图像;
识别单元200,用于采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
诊断规则采集单元300,获取与所述识别到的电力设备、部位区域以及三相区域相匹配的缺陷诊断标准,所述缺陷诊断标准中具有电力设备以及所述部位区域的最高温及相对温差与缺陷等级之间的映射关系;
温度计算单元400,当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温;
判断单元500,用于采用所述缺陷诊断标准基于所述电力设备以及所述部位区域的最高温及相对温差对设备的缺陷等级进行判断。
与上述方法相对应,所述预设的网络模型为基于YOLOv3算法构建的网络模型。
与上述方法相对应,所述温度计算单元400在当红外图像中存在三相区域,则计算最高温及相对温差,如果不存在三相区域,则计算设备及部位最高温时,具体用于包括:
对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备;获取隶属于同类设备的电力设备的最高温及相对温差,获取隶属于同类设备的部位区域的最高温及相对温差。
与上述方法相对应,所述对所述电力设备、部位区域进行自动关联匹配为同类设备,包括:
分别计算所识别到的电力设备的中心位置;
获取所述三相区域的区域范围;
将中心位置落入所述三相区域的区域范围的电力设备自动关联为同类设备;
获取所述部位区域的中心位置;
将中心位置落入所述同类设备区域范围内的同类部位区域自动关联为同类部位。
与上述方法相对应,上述获取所述电力设备的相对温差,获取所述部位区域的相对温差,包括:
基于公式计算得到所述电力设备的相对温差δt,其中,所述TAmax为:所述三相的电力设备中位于A相区域部分的最高温度;所述TBmax为:所述三相的电力设备中位于B相区域部分的最高温度;所述TCmax为:所述三相的电力设备中位于C相区域部分的最高温度;所述T0为环境温度;
为了描述的方便,描述以上系统时以功能分为各种模块分别描述。当然,在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种面向红外图像的变电设备电流致热型缺陷的诊断方法,其特征在于,包括:
获取红外图像;
采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
获取与所述识别到的电力设备、部位区域以及三相区域相匹配的缺陷诊断标准,所述缺陷诊断标准中具有电力设备以及所述部位区域的最高温及相对温差与缺陷等级之间的映射关系;
当红外图像中存在三相区域,则对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备,计算隶属于同类设备的电力设备、部位区域的最高温及相对温差;如果不存在三相区域,则计算电力设备及部位最高温;采用所述缺陷诊断标准基于所述电力设备以及所述部位区域的最高温及相对温差对设备的缺陷等级进行判断;
其中,所述对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备,包括:
分别计算所识别到的电力设备的中心位置;
获取所述三相区域的区域范围;
将中心位置落入所述三相区域的区域范围的电力设备自动关联为同类设备;
获取所述部位区域的中心位置;
将中心位置落入所述同类设备区域范围内的同类部位区域自动关联为同类部位。
2.根据权利要求1所述的面向红外图像的变电设备电流致热型缺陷的诊断方法,其特征在于,所述预设的网络模型为基于YOLOv3算法构建的网络模型。
4.一种面向红外图像的变电设备电流致热型缺陷的诊断装置,其特征在于,包括:
图像采集单元,用于获取红外图像;
识别单元,用于采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
诊断规则采集单元,获取与所述识别到的电力设备、部位区域以及三相区域相匹配的缺陷诊断标准,所述缺陷诊断标准中具有电力设备以及所述部位区域的最高温及相对温差与缺陷等级之间的映射关系;
温度计算单元,当红外图像中存在三相区域,则对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备,计算隶属于同类设备的电力设备、部位区域的最高温及相对温差,计算最高温及相对温差,如果不存在三相区域,则计算电力设备及部位最高温;
其中,所述对含有三相区域的电力设备、部位区域进行自动关联匹配为同类设备,包括:
分别计算所识别到的电力设备的中心位置;
获取所述三相区域的区域范围;
将中心位置落入所述三相区域的区域范围的电力设备自动关联为同类设备;
获取所述部位区域的中心位置;
将中心位置落入所述同类设备区域范围内的同类部位区域自动关联为同类部位;
判断单元,用于采用所述缺陷诊断标准基于所述电力设备以及所述部位区域的最高温及相对温差对设备的缺陷等级进行判断。
5.根据权利要求4所述的面向红外图像的变电设备电流致热型缺陷的诊断装置,其特征在于,所述预设的网络模型为基于YOLOv3算法构建的网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438211.5A CN112697798B (zh) | 2020-12-07 | 2020-12-07 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438211.5A CN112697798B (zh) | 2020-12-07 | 2020-12-07 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112697798A CN112697798A (zh) | 2021-04-23 |
CN112697798B true CN112697798B (zh) | 2023-03-31 |
Family
ID=75507223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011438211.5A Active CN112697798B (zh) | 2020-12-07 | 2020-12-07 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112697798B (zh) |
Families Citing this family (4)
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 |
CN113466290B (zh) * | 2021-05-25 | 2022-08-12 | 广东电网有限责任公司广州供电局 | 变压器热缺陷检测方法、装置、计算机设备和存储介质 |
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 |
CN115290696A (zh) * | 2022-08-03 | 2022-11-04 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006090801A (ja) * | 2004-09-22 | 2006-04-06 | Hitachi Metals Ltd | 被検査体の検査装置および検査方法 |
CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
CN107247203A (zh) * | 2017-07-10 | 2017-10-13 | 佛山杰致信息科技有限公司 | 一种变压器故障检测方法及装置 |
CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
CN108731816A (zh) * | 2018-05-22 | 2018-11-02 | 国网江西省电力有限公司电力科学研究院 | 一种基于红外检测的电力设备缺陷分析方法 |
CN110715736A (zh) * | 2019-07-19 | 2020-01-21 | 广东电网有限责任公司 | 一种电缆终端异常发热缺陷等级划分方法 |
CN111624229A (zh) * | 2020-05-15 | 2020-09-04 | 嘉兴恒创电力设计研究院有限公司明绘分公司 | 一种基于红外成像的带电设备故障智能诊断方法 |
CN111679142A (zh) * | 2020-06-17 | 2020-09-18 | 国网山西省电力公司电力科学研究院 | 一种便携式输变电设备红外智能诊断装置及方法 |
CN111735545A (zh) * | 2020-08-18 | 2020-10-02 | 四川华东电气集团有限公司 | 一种变电站红外热成像在线监测方法及系统 |
CN111751002A (zh) * | 2020-05-15 | 2020-10-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于红外热成像的带电设备故障智能诊断方法 |
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160274044A1 (en) * | 2015-03-20 | 2016-09-22 | Intel Corporation | Circuit device inspection systems using temperature gradients |
-
2020
- 2020-12-07 CN CN202011438211.5A patent/CN112697798B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006090801A (ja) * | 2004-09-22 | 2006-04-06 | Hitachi Metals Ltd | 被検査体の検査装置および検査方法 |
CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
CN107247203A (zh) * | 2017-07-10 | 2017-10-13 | 佛山杰致信息科技有限公司 | 一种变压器故障检测方法及装置 |
CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
CN108731816A (zh) * | 2018-05-22 | 2018-11-02 | 国网江西省电力有限公司电力科学研究院 | 一种基于红外检测的电力设备缺陷分析方法 |
CN110715736A (zh) * | 2019-07-19 | 2020-01-21 | 广东电网有限责任公司 | 一种电缆终端异常发热缺陷等级划分方法 |
CN111624229A (zh) * | 2020-05-15 | 2020-09-04 | 嘉兴恒创电力设计研究院有限公司明绘分公司 | 一种基于红外成像的带电设备故障智能诊断方法 |
CN111751002A (zh) * | 2020-05-15 | 2020-10-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于红外热成像的带电设备故障智能诊断方法 |
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 |
CN111679142A (zh) * | 2020-06-17 | 2020-09-18 | 国网山西省电力公司电力科学研究院 | 一种便携式输变电设备红外智能诊断装置及方法 |
CN111735545A (zh) * | 2020-08-18 | 2020-10-02 | 四川华东电气集团有限公司 | 一种变电站红外热成像在线监测方法及系统 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
Non-Patent Citations (5)
Title |
---|
Infrared technology in the fault diagnosis of substation equipment;Yang Cao等;《2008 China International Conference on Electricity Distribution》;20081213;全文 * |
Predictive Maintenance of Power Substation Equipment by Infrared Thermography Using a Machine-Learning Approach;Ullah Irfan等;《Energies》;20171231;第10卷(第12期);全文 * |
基于 HoloLens 红外热成像技术在电力设备运行检测中的应用;赖秋等;《云南水力发电》;20200531;第36卷(第5期);全文 * |
基于Faster RCNN与Mean-Shift的电缆附件缺陷红外图像自动诊断方法;徐小冰等;《高电压技术》;20200930;第46卷(第09期);全文 * |
基于Faster RCNN变电设备红外图像缺陷识别方法;李文璞等;《南方电网技术》;20191231;第13卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112697798A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN111209434B (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
CN109784348B (zh) | 一种红外电力设备识别和在线诊断方法及其系统 | |
CN108254077B (zh) | 基于局部与全局特征信息融合的gis热故障诊断方法 | |
CN111985558A (zh) | 一种电能表异常诊断方法及其系统 | |
CN112085089A (zh) | 基于深度学习算法的变电站设备智能测温方法 | |
CN113723189B (zh) | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 | |
CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN111555776B (zh) | 一种输电线路融合感知及联合诊断方法、系统及装置 | |
CN114821852A (zh) | 基于特征金字塔的电网缺陷深度识别巡查机器人控制系统 | |
CN117200693A (zh) | 光伏组件故障诊断方法、装置、设备及存储介质 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN114722310A (zh) | 一种光伏电站设备故障诊断方法、装置、设备及介质 | |
CN115311539A (zh) | 架空输电线路缺陷识别方法、装置、设备及存储介质 | |
CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
EP3706268B1 (en) | Artificial intelligence monitoring system using infrared images to identify hotspots in a switchgear | |
CN114358165A (zh) | 基于多源数据融合的预防光伏组件接地故障的检测方法 | |
Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
CN113469995B (zh) | 一种变电站设备热故障诊断方法及系统 | |
CN115802013B (zh) | 基于智能照明的视频监控方法、装置、设备及存储介质 | |
Tzelepakis et al. | AUTOMATED DEFECT DETECTION IN BATTERY LINE ASSEMBLY VIA DEEP LEARNING ANALYSIS |
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 |