CN112801949A - 一种紫外成像检测技术中放电区域的确定方法及装置 - Google Patents
一种紫外成像检测技术中放电区域的确定方法及装置 Download PDFInfo
- Publication number
- CN112801949A CN112801949A CN202110053225.3A CN202110053225A CN112801949A CN 112801949 A CN112801949 A CN 112801949A CN 202110053225 A CN202110053225 A CN 202110053225A CN 112801949 A CN112801949 A CN 112801949A
- Authority
- CN
- China
- Prior art keywords
- image
- discharge area
- discharge
- determining
- gray level
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 15
- 239000012212 insulator Substances 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005192 partition Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000009422 external insulation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种紫外成像检测技术中放电区域的确定方法及装置，能更加精准直观的发现电力设备放电的位置及放电的严重程度。方法包括：将紫外成像检测仪中拍摄到的图像通过数字图像处理技术转换成灰度图像，利用模糊C均值聚类算法对所得的灰度图像进行放电区域的分割提取并加入噪声对图像进行滤波处理，再将滤波处理后的图像二值化处理得到二值图像，最后将二值图像中的放电区域进行求和得到放电区域的光斑的像素面积。本发明适用于电力设备的检修中，能直观的发现图像中放电区域的位置和放电区域光斑的像素面积，可作为评估电力设备放电严重程度的精准有效的特征量，对电力设备放电情况做出有效评估。
Description
技术领域
本发明涉及高电压与绝缘技术领域，具体涉及一种在紫外成像检测技术中放电区域的确定方法及装置。
背景技术
高压电气设备和输电线路的外绝缘如果出现损坏、积污、覆冰等缺陷时，则在正常运行过程中会频繁发生电晕放电现象。电晕现象不仅带来严重的功率损耗，而且产生噪声污染和干扰无线电等通讯设备。随着我国电网电压等级的逐渐升高，高压电气设备和输电线路的电晕放电现象更为得到重视。及时检测到设备表面电晕放电现象并判断严重程度是诊断外绝缘缺陷的重要途径，这对维护高压电气设备安全和提高电力系统运行可靠性有重要意义。当高压电气设备表面发生电晕放电时将辐射出大量紫外线，现有的紫外成像检测技术可以检测到电晕时的紫外线。利用紫外成像检测技术可以监测到高压电气设备和输电线路发生电晕放电时辐射出的240～280nm波段的紫外光，并以视频或图像形式直观表征。紫外成像技术有超声波检测、泄漏电流在线监测等传统局放检测技术无法比拟的优势，能够远距离、非接触、实时、快速地在带电情况下获取高压电气设备和输电线路的电晕放电状态信息，并在紫外成像检测仪中以图像中标识放电位置与放电强度，形象直观且非常稳定。然而实际的检测经验表明，紫外成像技术在检测紫外光时，由于固有散粒噪声的存在，产生的紫外图像不仅包含放电区域，还附带许多白色噪声点，从而对设备表面的真实放电点的判断产生干扰的作用，通常这些噪声点也会被误计入紫外成像检测仪的“光子数”中，对现场测试的工作人员产生干扰。因此，将拍摄的紫外视频或图像中提取出真实的放电区域和对真实的放电区域的面积进行计算具有重大的意义。
发明内容
发明目的：本发明针对紫外成像检测技术在检测高压电气设备和输电线路发生电晕放电时，由于背景图像中固有散粒噪声的存在对检测时产生干扰的问题，提出一种在紫外成像检测技术中放电区域的确定方法，能够提取出真实的放电区域并对真实的放电区域的面积进行计算。
本发明的另一目的是提供一种紫外成像检测技术中放电区域的确定装置。
技术方案：根据本发明的第一方面，一种在紫外成像检测技术中放电区域的确定方法，包括以下步骤：
选取检测现场拍摄到的绝缘子发生电晕放电现象的RGB图像，并将RGB图像转换为灰度图像；
基于灰度图像，通过Canny算子进行边缘检测，利用模糊C均值聚类算法对灰度图像进行放电区域的分割，得到分割后的灰度图像；
对分割后的灰度图像加入噪声进行滤波处理，并将滤波处理后的放电区域的图像转换为二值图像；
基于二值图像对放电区域的像素点进行统计求和，得到的像素总和即为放电区域的像素面积。
根据本发明的第二方面，提供一种紫外成像检测技术中放电区域的确定装置，包括：
灰度转化模块，用于选取检测现场拍摄到的绝缘子发生电晕放电现象的RGB图像，并将RGB图像转换为灰度图像；
FCM分割模块，基于灰度图像，通过Canny算子进行边缘检测，利用模糊C均值聚类算法对灰度图像进行放电区域的分割，得到分割后的灰度图像；
滤波及二值化模块，用于对分割后的灰度图像加入噪声进行滤波处理，并将滤波处理后的放电区域的图像转换为二值图像；
像素统计模块，用于根据二值图像对放电区域的像素点进行统计求和，得到的像素总和即为放电区域的像素面积。
有益效果：本发明将紫外成像检测仪中拍摄到的图像通过数字图像处理技术转换成灰度图像，模糊C均值聚类算法(FCM)对所得的灰度图像进行放电区域的分割提取并加入噪声对图像进行滤波处理，再将滤波处理后的图像二值化处理得到二值图像，最后将二值图像中的放电区域进行求和得到放电区域的光斑的像素面积。本发明适用于电力设备的检修中，能直观的发现图像中放电区域的位置和放电区域光斑的像素面积，放电区域光斑的像素面积能作为评估电力设备放电严重程度的精准有效的特征量，从而对电力设备放电情况做出有效评估。
附图说明
图1为根据本发明实施例的紫外成像检测中放电区域确定方法流程图；
图2为根据本发明实施例的绝缘子电晕放电图像；
图3为根据本发明实施例的绝缘子电晕放电灰度图像；
图4为根据本发明实施例的绝缘子电晕放电边缘检测后的图像；
图5为根据本发明实施例的绝缘子电晕放电区域图像。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做出进一步的说明。
参照图1，本发明提出一种紫外成像检测技术中放电区域的确定方法，包括以下步骤：
步骤S1，选取检测现场拍摄到的绝缘子发生电晕放电现象的RGB图像，并将RGB图像转换为灰度图像。
现场试验使用DayCor SuperB型紫外成像检测仪拍摄试验现场绝缘子发生电晕放电的图像，绝缘子电晕放电的图像如图2所示。然后将拍摄到的RGB图像通过Matlab图像处理工具箱调用rgb2gray()函数转换成灰度图像(Gray image)，图3为经过处理后的灰度图像。
步骤S2，基于灰度图像，通过Canny算子进行边缘检测，利用模糊C均值聚类算法对灰度图像进行放电区域的分割，得到分割后的灰度图像。
将灰度图像L使用Canny算子对其进行边缘检测，得到边缘检测处理后的图像如图4所示，Canny算子具有极低的错误率、高定位精度和抑制虚假边缘等优点，从而能精准有效的对放电图像的边缘进行检测。
再把经边缘检测处理后的图4通过模糊C均值聚类算法(FCM，Fuzzy C-Means)对其放电区域J进行分割。FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。硬聚类(HCM，Hard C-Means)把每个待识别的对象严格的划分某类中，具有非此即彼的性质，而模糊聚类建立了样本对类别的不确定描述，更能客观的反应客观世界，从而成为聚类分析的主流。其原理如下：用隶属度函数表示一个对象x隶属于集合A的程度，通常记做μA(x)，其自变量范围是所有可能属于集合A的对象(即集合A所在空间中的所有点)，取值范围是[0,1]，即0<＝μA(x)<＝1。μA(x)＝1表示x完全隶属于集合A，相当于传统集合概念上的x∈A。一个定义在空间X＝{x}上的隶属度函数就定义了一个模糊集合A，或者叫定义在论域X＝{x}上的模糊子集。对于有限个对象x1，x2，……，xn模糊集合可以表示为：A＝{(μA(x),Xi)|Xi∈X}。有了模糊集合的概念，一个元素隶属于模糊集合就不是硬性的了，在聚类的问题中，可以把聚类生成的簇看成模糊集合，因此，每个样本点隶属于簇的隶属度就是[0，1]区间里面的值。
FCM算法需要两个参数一个是聚类数目C，另一个是参数m。一般来讲C要远远小于聚类样本的总个数，同时要保证C>1。对于m，它是一个控制算法的柔性的参数，如果m过大，则聚类效果会很次，而如果m过小则算法会接近HCM聚类算法。
算法的输出是C个聚类中心点向量和C*N的一个模糊划分矩阵，这个矩阵表示的是每个样本点属于每个类的隶属度。根据这个划分矩阵按照模糊集合中的最大隶属原则就能够确定每个样本点归为哪个类。聚类中心表示的是每个类的平均特征，可以认为是这个类的代表点。
FCM把n个向量xt(t＝1,2,…,n)分为C个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM用模糊划分，使得每个给定数据点用值在0～1间的隶属度来确定其属于各个组的程度。与引入模糊划分相适应，隶属矩阵U允许有取值在0～1间的元素。不过，加上归一化规定，一个数据集的隶属度的和总等于1：
那么，FCM的价值函数(或目标函数)：
这里uij介于0～1间；ci为模糊组i的聚类中心，dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离；且m>＝1是一个加权指数。
隶属度的计算：
uij表示第j个向量属于第i个模糊组的可能性，dkj表示第k个聚类中心与第j个向量之间的距离。
聚类中心计算：
本发明使用模糊C均值聚类算法对灰度图像进行分割。对放电区域的图像进行分割，具体包括：
1.读取灰度图像矩阵X＝{x1,x2,..,xn}，xi为图像的像素，每个像素的取值范围在0～255，0为全黑，255为全白；
2.初始化聚类数目c(2≤c≤n)，加权指数m(1.5≤m≤2.5)，初始隶属度矩阵U(0)，迭代计数器b＝0，迭代终止值ε；
3.依次取b＝0,1,2,3,……，根据公式(3)和(4)分别计算隶属度和聚类中心；
4.重复3直至‖U(b)-U(b+1)‖<ε，得到最佳的模糊隶属度矩阵U和其对应的聚类中心V；
5.将得到的隶属度矩阵U进行划分，得到分割后的图像。划分可借助matalab软件进行迭代和计算。
作为一种优选的实施方式，在对图像分割后，再对分割后的图像加入噪声进行滤波处理，滤波的目的是去除背景噪声。
步骤S3，将分割后的图像转换成二值图像，并对放电区域的像素点进行统计求和，得到光斑的像素总和，从而得到放电区域的像素面积。
二值图像的矩阵中的元素是由0和255组成，0为黑色区域，255为白色区域。放电区域在图像中表示出来的光斑，图5的白色区域，其像素总和就是放电区域的像素面积。在本发明实施例中，根据图2里的放电区域最后得到的像素总数total为。提取出的“放电光斑的像素”和“光子数”类似，是量化放电的一种特征值，提供了一种紫外成像检测技术中的数据支撑，有助于对放电情况进行掌握和判断。
根据本发明的另一实施例，提供一种紫外成像检测技术中放电区域的确定装置，包括：
灰度转化模块，用于选取检测现场拍摄到的绝缘子发生电晕放电现象的RGB图像，并将RGB图像转换为灰度图像；
FCM分割模块，基于灰度图像，通过Canny算子进行边缘检测，利用模糊C均值聚类算法对灰度图像进行放电区域的分割，得到分割后的灰度图像；
滤波及二值化模块，用于对分割后的灰度图像加入噪声进行滤波处理，并将滤波处理后的放电区域的图像转换为二值图像；
像素统计模块，用于根据二值图像对放电区域的像素点进行统计求和，得到的像素总和即为放电区域的像素面积。
其中，所述FCM分割模块包括：
读取单元，用于读取灰度图像矩阵X＝{x1,x2,..,xn}，xj为图像中第j个像素的灰度值；
初始化单元，用于初始化聚类数目C，加权指数m，设置初始隶属度矩阵U(0)，迭代计数器b＝0，迭代终止值ε；
迭代计算单元，用于依次取b＝0,1,2,3,……，分别计算隶属度和聚类中心；
判断单元，用于判断迭代输出是否满足‖U(b)-U(b+1)‖<ε，符合则得到最佳的隶属度矩阵U和其对应的聚类中心V；
分割单元，用于将得到的最佳隶属度矩阵U进行划分，得到分割后的图像。
应理解，本发明实施例中的紫外成像检测技术中放电区域的确定装置可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程以及计算公式可参照上述实施例中的相关描述，此处不再赘述。
基于与方法实施例相同的技术构思，根据本发明的另一实施例，提供一种计算机设备，所述设备包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现方法实施例中的各步骤。
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 (9)
1.一种紫外成像检测技术中放电区域的确定方法，其特征在于，所述方法包括：
选取检测现场拍摄到的绝缘子发生电晕放电现象的RGB图像，并将RGB图像转换为灰度图像；
基于灰度图像，通过Canny算子进行边缘检测，利用模糊C均值聚类算法对灰度图像进行放电区域的分割，得到分割后的灰度图像；
对分割后的灰度图像加入噪声进行滤波处理，并将滤波处理后的放电区域的图像转换为二值图像；
基于二值图像对放电区域的像素点进行统计求和，得到的像素总和即为放电区域的像素面积。
2.根据权利要求1所述的紫外成像检测技术中放电区域的确定方法，其特征在于，所述利用模糊C均值聚类算法对灰度图像进行放电区域的分割，得到分割后的灰度图像包括：
a)读取灰度图像矩阵X＝{x1,x2,..,xn}，xj为图像中第j个像素；
b)初始化聚类数目C，加权指数m，初始隶属度矩阵U(0)，迭代计数器b＝0，迭代终止值ε；
c)依次取b＝0,1,2,3,……，分别计算隶属度和聚类中心；
d)重复步骤c)直至‖U(b)-U(b+1)‖<ε，得到最佳的隶属度矩阵U和其对应的聚类中心V；
e)将得到的最佳隶属度矩阵U进行划分，得到分割后的图像。
3.根据权利要求2所述的紫外成像检测技术中放电区域的确定方法，其特征在于，所述隶属度计算方式如下：
uij表示第j个向量属于第i个模糊组的可能性，c为所有模糊组的聚类中心数目，m为指数参数，dij为第i个聚类中心与第j个向量之间的欧氏距离，dkj表示第k个聚类中心与第j个向量之间的欧氏距离。
4.根据权利要求3所述的紫外成像检测技术中放电区域的确定方法，其特征在于，所述聚类中心计算方式如下：
vi表示第i个模糊组的聚类中心。
5.根据权利要求1所述的紫外成像检测技术中放电区域的确定方法，其特征在于，所述基于二值图像对放电区域的像素点进行统计求和包括：将二值图像中所有白色区域的像素点进行统计求和。
6.一种紫外成像检测技术中放电区域的确定装置，其特征在于，所述装置包括：
灰度转化模块，用于选取检测现场拍摄到的绝缘子发生电晕放电现象的RGB图像，并将RGB图像转换为灰度图像；
FCM分割模块，基于灰度图像，通过Canny算子进行边缘检测，利用模糊C均值聚类算法对灰度图像进行放电区域的分割，得到分割后的灰度图像；
滤波及二值化模块，用于对分割后的灰度图像加入噪声进行滤波处理，并将滤波处理后的放电区域的图像转换为二值图像；
像素统计模块，用于根据二值图像对放电区域的像素点进行统计求和，得到的像素总和即为放电区域的像素面积。
7.根据权利要求6所述的紫外成像检测技术中放电区域的确定装置，其特征在于，所述FCM分割模块包括：
读取单元，用于读取灰度图像矩阵X＝{x1,x2,..,xn}，xj为图像中第j个像素的灰度值；
初始化单元，用于初始化聚类数目C，加权指数m，设置初始隶属度矩阵U(0)，迭代计数器b＝0，迭代终止值ε；
迭代计算单元，用于依次取b＝0,1,2,3,……，分别计算隶属度和聚类中心；
判断单元，用于判断迭代输出是否满足‖U(b)-U(b+1)‖<ε，符合则得到最佳的隶属度矩阵U和其对应的聚类中心V；
分割单元，用于将得到的最佳隶属度矩阵U进行划分，得到分割后的图像。
8.根据权利要求7所述的紫外成像检测技术中放电区域的确定装置，其特征在于，所述隶属度计算方式如下：
uij表示第j个向量属于第i个模糊组的可能性，c为所有模糊组的聚类中心数目，m为指数参数，dij为第i个聚类中心与第j个向量之间的欧氏距离，dkj表示第k个聚类中心与第j个向量之间的欧氏距离。
9.根据权利要求8所述的紫外成像检测技术中放电区域的确定方法，其特征在于，所述聚类中心计算方式如下：
vi表示第i个模糊组的聚类中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053225.3A CN112801949A (zh) | 2021-01-15 | 2021-01-15 | 一种紫外成像检测技术中放电区域的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053225.3A CN112801949A (zh) | 2021-01-15 | 2021-01-15 | 一种紫外成像检测技术中放电区域的确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801949A true CN112801949A (zh) | 2021-05-14 |
Family
ID=75809524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110053225.3A Pending CN112801949A (zh) | 2021-01-15 | 2021-01-15 | 一种紫外成像检测技术中放电区域的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801949A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191313A (zh) * | 2021-05-20 | 2021-07-30 | 国能大渡河沙坪发电有限公司 | 基于水电厂的视频流放电识别方法、装置及计算机设备 |
| CN113358217A (zh) * | 2021-05-18 | 2021-09-07 | 北京优彩科技有限公司 | 一种紫外线强度检测方法及装置 |
| CN113506312A (zh) * | 2021-06-24 | 2021-10-15 | 上海电力大学 | 一种紫外放电图像分割方法及计算机可读介质 |
| CN116260547A (zh) * | 2023-05-11 | 2023-06-13 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种抑制同频干扰的系统及方法 |
| CN118425709A (zh) * | 2024-07-04 | 2024-08-02 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 局部放电检测方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010186401A (ja) * | 2009-02-13 | 2010-08-26 | Nippon Telegr & Teleph Corp <Ntt> | 画像処理装置、画像処理方法、プログラム及び記録媒体 |
| CN107505546A (zh) * | 2017-08-25 | 2017-12-22 | 国家电网公司 | 一种利用紫外成像仪监测电晕放电的方法 |
| CN111539966A (zh) * | 2020-04-16 | 2020-08-14 | 华北电力大学 | 一种基于模糊c均值聚类的比色传感器阵列图像分割方法 |
| CN112101337A (zh) * | 2020-09-10 | 2020-12-18 | 国网江苏省电力有限公司电力科学研究院 | 一种高压电气设备外绝缘放电类型的紫外图谱识别方法、系统及存储介质 |
-
2021
- 2021-01-15 CN CN202110053225.3A patent/CN112801949A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010186401A (ja) * | 2009-02-13 | 2010-08-26 | Nippon Telegr & Teleph Corp <Ntt> | 画像処理装置、画像処理方法、プログラム及び記録媒体 |
| CN107505546A (zh) * | 2017-08-25 | 2017-12-22 | 国家电网公司 | 一种利用紫外成像仪监测电晕放电的方法 |
| CN111539966A (zh) * | 2020-04-16 | 2020-08-14 | 华北电力大学 | 一种基于模糊c均值聚类的比色传感器阵列图像分割方法 |
| CN112101337A (zh) * | 2020-09-10 | 2020-12-18 | 国网江苏省电力有限公司电力科学研究院 | 一种高压电气设备外绝缘放电类型的紫外图谱识别方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘云鹏等: ""基于紫外成像技术的电气设备放电故障定位"", 《高电压技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113358217A (zh) * | 2021-05-18 | 2021-09-07 | 北京优彩科技有限公司 | 一种紫外线强度检测方法及装置 |
| CN113191313A (zh) * | 2021-05-20 | 2021-07-30 | 国能大渡河沙坪发电有限公司 | 基于水电厂的视频流放电识别方法、装置及计算机设备 |
| CN113506312A (zh) * | 2021-06-24 | 2021-10-15 | 上海电力大学 | 一种紫外放电图像分割方法及计算机可读介质 |
| CN116260547A (zh) * | 2023-05-11 | 2023-06-13 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种抑制同频干扰的系统及方法 |
| CN116260547B (zh) * | 2023-05-11 | 2023-09-22 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种抑制同频干扰的系统及方法 |
| CN118425709A (zh) * | 2024-07-04 | 2024-08-02 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 局部放电检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801949A (zh) | 一种紫外成像检测技术中放电区域的确定方法及装置 | |
| CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
| Wang et al. | iVAT and aVAT: enhanced visual analysis for cluster tendency assessment | |
| CN110009638B (zh) | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 | |
| CN112435221A (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
| CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
| CN115170576A (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
| CN111833312B (zh) | 一种检测故障绝缘子放电的紫外图像诊断方法及系统 | |
| CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
| CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
| CN111008961A (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
| CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| Mohammed Abdelkader et al. | Entropy-based automated method for detection and assessment of spalling severities in reinforced concrete bridges | |
| CN117036352B (zh) | 一种基于人工智能的视频分析方法及系统 | |
| CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
| CN114298948A (zh) | 基于PSPNet-RCNN的球机监控异常检测方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
| CN115802027A (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
| CN116777917A (zh) | 一种光缆生产用缺陷检测方法及系统 | |
| Niu et al. | Electrical equipment identification method with synthetic data using edge-oriented generative adversarial network | |
| Lin et al. | Image segmentation based on edge detection and region growing for thinprep-cervical smear | |
| CN117593499A (zh) | 一种基于分布式巡检策略的水电站机电设备故障识别方法 | |
| CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
| CN114529515B (zh) | 一种自动识别太阳能电池内部缺陷的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |
|
| RJ01 | Rejection of invention patent application after publication |