CN113065416A - 集成于变电站视频监控装置的渗漏监测装置及方法、介质 - Google Patents
集成于变电站视频监控装置的渗漏监测装置及方法、介质 Download PDFInfo
- Publication number
- CN113065416A CN113065416A CN202110278602.3A CN202110278602A CN113065416A CN 113065416 A CN113065416 A CN 113065416A CN 202110278602 A CN202110278602 A CN 202110278602A CN 113065416 A CN113065416 A CN 113065416A
- Authority
- CN
- China
- Prior art keywords
- leakage
- wall surface
- surface appearance
- transformer substation
- indoor wall
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012806 monitoring device Methods 0.000 title claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种集成于变电站视频监控装置的渗漏监测装置及方法、介质,包括:获取安装在变电站不同场所的多个摄像头所拍摄的多帧室内墙面外观图像;对所述多帧室内墙面外观图像进行预处理;将经所述预处理后的多帧室内墙面外观图像依次输入预先训练好的卷积神经网络模型进行特征提取获得图像中的渗漏区域特征;将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果;其中所述分类结果包括渗漏、未渗漏;根据所述分类结果确定是否进行告警,若是,则生成告警信息并发送至变电站综合管理装置以使得变电站综合管理装置根据所述告警信息进行告警。本发明能够实现利用图像识别技术对变电站重点关注场所的漏水情况进行智能监控。
Description
技术领域
本发明涉及变电站技术领域,具体涉及集成于变电站视频监控装置的渗漏监测装置及方法、介质。
背景技术
随着社会经济的不断发展,近些年经济发达地区的用电负荷屡创新高,这给供电部门的输送能力提出了更高的要求,而新建变电站是解决用电负荷增长的重要手段,但是变电站数量和运维人员数量的增长不对称性导致运维人员维护的工作量越来越大。传统的变电站主要依靠运维人员在变电站内部值守,当变电站内出现异常情况时,可以迅速派人进行处理,近来随着自动化技术的成熟,无人值守的变电站逐渐增加,虽然减少了人力资源成本,较少的运维人员可以管理数量更多的变电站,但是这样给变电站运维管理带了不少的困扰,一方面是无人值守变电站巡视周期内的缺陷和隐患不能及时处理,另一方面变电站视频监控装置的功能有限、图像处理简单、自动化程度偏低,使得拍摄的图像未有效利用,造成监控装置报警不全面,无法适应现代化发展的需要。
目前大部门变电站中都安装有视频监控装置,主要是监视和记录变电站中各种设备的实时运行情况,当出现异常情况时,可以查看视频回放进行原因查找和分析,功能比较单一,价值没有发挥到最大。另外目前变电站渗漏情况主要依靠运维人员的日常定期巡视和暴雨极端天气的特殊巡视来发现,需要巡视的面积大、范围广,这就造成运维工作消耗时间特别长,另外室内的墙角和高处由于光线原因,依靠肉眼发现渗漏点的效果也一般,在极端天气下,为了在短时间内掌握变电站内各个房间的渗漏情况,需要大量运维人员到现场检查,不仅仅浪费人力资源,而且效率也比较低下,无法针对紧急情况作出快速响应。尤其当渗漏部位是主控室保护屏柜、高压室开关柜、蓄电池室时的影响最为严重,有可能引起设备的误动作,造成大面积停电等不良社会影响,与国家和企业对于供电可靠性要求越来越高相背离。
发明内容
本发明的目的在于提出一种集成于变电站视频监控装置的渗漏监测装置及方法、计算机可读存储介质,实现利用图像识别技术对变电站重点关注场所的漏水情况进行智能监控。
为实现上述目的,本发明第一方面提出一种集成于变电站视频监控装置的渗漏智能监测装置,包括:
图像接收单元,用于接收安装在变电站不同场所的多个摄像头所拍摄的多帧室内墙面外观图像;
图像预处理单元,用于对所述多帧室内墙面外观图像进行预处理;
图像特征提取单元,用于将经所述预处理后的多帧室内墙面外观图像依次输入预先训练好的卷积神经网络模型进行特征提取获得图像中的渗漏区域特征;
分类单元,用于将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果;其中所述分类结果包括渗漏、未渗漏;以及
告警单元,用于根据所述分类结果确定是否进行告警,若是,则生成告警信息并发送至变电站综合管理装置以使得变电站综合管理装置根据所述告警信息进行告警。
可选地,所述多个摄像头分别安装在变电站不同场所,用于拍摄变电站不同场所的室内墙面外观图像并发送至所述渗漏智能监测装置;所述变电站综合管理装置用于响应于接收到所述渗漏智能监测装置发送的告警信息,进行告警。
可选地,所述变电站综合管理装置进行告警的方式具体为:
通过网络交换机将所述告警信息发送至变电站内值班的监控后台或运维人员的手持移动终端办公平台;其中所述告警信息包括变电站名称、分类结果、渗漏时间、渗漏位置。
可选地,所述摄像头为球形摄像头。
本发明第二方面提出一种如第一方面所述的渗漏智能监测装置的监测方法,包括:
接收安装在变电站不同场所的多个摄像头所拍摄的多帧室内墙面外观图像;
对所述多帧室内墙面外观图像进行预处理;
将经所述预处理后的多帧室内墙面外观图像依次输入预先训练好的卷积神经网络模型进行特征提取获得图像中的渗漏区域特征;
将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果;其中所述分类结果包括渗漏、未渗漏;
根据所述分类结果确定是否进行告警,若是,则生成告警信息并发送至变电站综合管理装置以使得变电站综合管理装置根据所述告警信息进行告警。
可选地,所述对所述多帧室内墙面外观图像进行预处理包括:
对所述多帧室内墙面外观图像依次进行灰度处理、二值化处理、滤波和边界检测。
可选地,所述方法还包括:
所述卷积神经网络模型进行特征提取获得渗漏区域特征后,所述卷积神经网络模型还识别渗漏区域特征在对应变电站场所中的位置信息。
可选地,所述卷积神经网络模型的训练过程如下:
获取训练样本数据,所述训练样本数据包括多帧存在渗漏的墙面外观图像;
对所述训练样本数据中的每帧图像的渗渗漏区域进行标记,标记的区域统一为200dpi×200dpi的图像子块;
获取卷积神经网络基础模型,利用所述训练样本数据对所述卷积神经网络基础模型进行训练学习获得所述卷积神经网络模型;其中所述卷积神经网络基础模型包括卷积层、池化层和全连接层。
可选地,所述将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果,包括:
将所述渗漏区域特征与分类器的特征数据库中的渗漏区域参考特征一一进行对比,若存在至少一个渗漏区域参考特征与所述渗漏区域特征的相似度大于预设阈值,则判断为渗漏,否则,则判断为未渗漏。
本发明第三方面提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第二方面所述的方法。
上述的一种集成于变电站视频监控装置的渗漏监测装置及方法、计算机可读存储介质,具有以下有益效果:
通过现有安装在变电站中重点关注场所的摄像头实时获取室内墙面外观图像,基于卷积神经网络模型进行图像识别、特征提取和分类,判断是否存在漏水情况,实现对重点场所中的漏水情况进行智能监测,在变电站中局部出现渗漏时,能够及时将变电站名称、渗漏部位、渗漏时间、渗漏程度等信息通知运维人员,运维人员根据情况作出最优安排,及时消除隐患,进一步保障变电站内安全稳定运行,助力运维管理人员提升安全管控水平。
本发明的其它特征和优点将在随后的说明书中阐述。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例中一种渗漏智能监测装置的框架结构图。
图2为本发明的一个实施例中一种渗漏智能监测方法的流程图。
图3为本发明的一个实施例中一种渗漏智能监测方法的原理图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外,为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
参阅图1,本发明实施例提出一种集成于变电站视频监控装置的渗漏智能监测装置,包括:
图像接收单元1,用于接收安装在变电站不同场所的多个摄像头所拍摄的多帧室内墙面外观图像;
图像预处理单元2,用于对所述多帧室内墙面外观图像进行预处理;
图像特征提取单元3,用于将经所述预处理后的多帧室内墙面外观图像依次输入预先训练好的卷积神经网络模型进行特征提取获得图像中的渗漏区域特征;
分类单元4,用于将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果;其中所述分类结果包括渗漏、未渗漏;以及
告警单元5,用于根据所述分类结果确定是否进行告警,若是,则生成告警信息并发送至变电站综合管理装置以使得变电站综合管理装置根据所述告警信息进行告警。
以上所描述的装置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。
可选地,所述多个摄像头分别安装在变电站不同场所,用于拍摄变电站不同场所的室内墙面外观图像并发送至所述渗漏智能监测装置;所述变电站综合管理装置用于响应于接收到所述渗漏智能监测装置发送的告警信息,进行告警。
可选地,所述变电站综合管理装置进行告警的方式具体为:
通过网络交换机将所述告警信息发送至变电站内值班的监控后台或运维人员的手持移动终端办公平台;其中所述告警信息包括变电站名称、分类结果、渗漏时间、渗漏位置。
可选地,所述摄像头为球形摄像头。
上述实施例装置的工作原理可以参阅下面实施例所述方法得到。
基于上述实施例装置,参阅图2~3,本发明另一实施例提出一种如上述实施例所述的渗漏智能监测装置的监测方法,包括:
步骤S1、接收安装在变电站不同场所的多个摄像头所拍摄的多帧室内墙面外观图像;
具体而言,本实施例中的摄像头优选但不限于为工业级球形摄像头,所述工业级球形摄像头具有高清夜视和多倍变焦功能,可以自动巡航左右360°和上下90°的区域,完全能够满足漏水监测的功能;
步骤S2、对所述多帧室内墙面外观图像进行预处理;
具体而言,在图像拍摄的过程中,受到聚焦效果一般、室内光线突变的影响,使得图像质量下降,有可能会导致装置误报警,所以在分析层的第一步是对图片进行预处理以提高识别的准确度;
在一个例子中,具体可以是对所述多帧室内墙面外观图像依次进行灰度处理、二值化处理、滤波和边界检测;具体地,图像预处理目的是为识别图像服务,以提高最终图像识别的效果,一般采用的是灰度处理和二值化处理方法,灰度化就是把彩色图转变为灰度图,有利于较少计算量从而减少程序处理时间,并且把图像转化为灰度图后还可以获得关键的图像信息,自动排除不必要的外界干扰因素,降低处理的复杂程度,摄像头拍摄的图像可以采用加权平均法进行灰度化,而摄像头经过解码电路输出的格式信号,以输出的格式中亮度值作为灰度的参考值,实现RGB格式灰度化,在获得灰度化的图后,经过二值化处理,就能得到只能呈现黑白颜色的图像,通过设定一个阈值,让每一个像素点的灰度值都与这个阈值进行比对,将大于这个阈值的像素点灰度值设置为255,小于这个阈值的像素点灰度值设置为0,所以阈值的设置非常关键,目前主要有全局阈值和局部阈值法,基于漏水的部位特征比较明显,本发明实施例中选择被广泛采用的全局阈值法;为了降低图像在拍摄过程中外界的影响,进一步进行滤波和边界检测;
步骤S3、将经所述预处理后的多帧室内墙面外观图像依次输入预先训练好的卷积神经网络模型进行特征提取获得图像中的渗漏区域特征;
具体而言,所述卷积神经网络模型的训练过程如下:
步骤(1),获取训练样本数据,所述训练样本数据包括多帧存在渗漏的墙面外观图像;
步骤(2),对所述训练样本数据中的每帧图像的渗渗漏区域进行标记,标记的区域统一为200dpi×200dpi的图像子块;
步骤(3),获取卷积神经网络基础模型,利用所述训练样本数据对所述卷积神经网络基础模型进行训练学习获得所述卷积神经网络模型;
其中,所述卷积神经网络基础模型包括卷积层、池化层和全连接层;
具体而言,图像特征主要是依靠超强特征提取能力卷积神经网络,主要由卷积层、池化层、以及全连接层构成,卷积层采用权值共享与局部连接的方法来降低模型的复杂性,同时减少了模型参数,减轻了模型的过拟合。池化层在提取图像特征的同时,可以降低图像维度。卷积层与池化层提取出的图像特征信息,经过全连接层的信息整理以及降维,最后输入分类器进行分类;
步骤S4、将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果;其中所述分类结果包括渗漏、未渗漏;
具体而言,当通过大量图片训练学习完成后,渗漏图片的特征已经被提取,当在变电站室内监视过程中,实际提取特征与特征库中比对极为相似,则判断为渗漏;为了检查智能分析设备的性能,可以采用部分人工标记的漏水图片进行分类筛选测试;
在一个例子中,所述步骤S4包括:将所述渗漏区域特征与分类器的特征数据库中的渗漏区域参考特征一一进行对比,若存在至少一个渗漏区域参考特征与所述渗漏区域特征的相似度大于预设阈值,则判断为渗漏,否则,则判断为未渗漏;优选地,还可以根据相似的渗漏区域参考特征确定渗漏程度,所述特征数据库中存储有表征不同渗漏程度的渗漏区域参考特征;
步骤S5、根据所述分类结果确定是否进行告警,若是,则生成告警信息并发送至变电站综合管理装置以使得变电站综合管理装置根据所述告警信息进行告警。
本发明实施例通过现有安装在变电站中重点关注场所的摄像头实时获取室内墙面外观图像,基于卷积神经网络模型进行图像识别、特征提取和分类,判断是否存在漏水情况,实现对重点场所中的漏水情况进行智能监测,在变电站中局部出现渗漏时,能够及时将变电站名称、渗漏部位、渗漏时间、渗漏程度等信息通知运维人员,运维人员根据情况作出最优安排,及时消除隐患,进一步保障变电站内安全稳定运行,助力运维管理人员提升安全管控水平。
在一个例子中,所述步骤S3还包括:
所述卷积神经网络模型进行特征提取获得渗漏区域特征后,所述卷积神经网络模型还识别渗漏区域特征在对应变电站场所中的位置信息;
具体而言,可以根据渗漏区域特征所对应的原始室内墙面外观图像确定对应变电站场所中的大概位置,并确定渗漏区域特征在其所对应的原始室内墙面外观图像中的特征位置,结合所述大概位置和特征位置,可以进一步确定渗漏区域特征在对应变电站的某个场所中的位置信息,并且,每一个摄像头都设置了唯一的标识,根据该标识可以确定是哪个场所的摄像头,拍摄得到的原始室内墙面外观图像会包含摄像头的标识以及拍摄时间戳,也即标记了拍摄地点和时间;基于以上信息,可以确定变电站名称、渗漏部位、渗漏时间、渗漏程度,以上信息都包含在生成的所述告警信息中,以告知变电站运维人员是哪个变电站的哪一个场所的哪个位置在什么时间发生漏水,以便于及时维护;
示例性地,在实际运行过程中,当监测到变电站室内存在渗漏的情况时,一方面会通过变电站中原有通信网络进行报警,通过光字牌和声音引起运维人员注意,同时会对带有特征的图片进行分割处理,从而确定漏水的详细定位,以短信的形式发送到运维人员手持移动终端中,并且在渗漏拍摄原图中标注出渗漏点,以供运维人员进行分析和判断。
综上,本实施例方法具有以下优点:
(1)依靠变电站中现有的部分设备,新增加的少部分设备不存在铺设电缆等工作,现场布置施工复杂程度低;
(2)对漏水迹象自动识别并且主动告警,显著提高了自动化运维水平,节约了人力资源成本;
(3)告警信息能够及时的传递到运维人员移动作业终端中,运维人员能够根据漏水情况及时采用最优的处理方案。
需说明的是,上述实施例所述装置与上述实施例所述方法对应,因此,上述实施例所述装置未详述部分可以参阅上述实施例所述方法的内容得到,此处不再赘述。
并且,上述实施例所述装置/方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
本发明另一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例描述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等。
如此处所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种集成于变电站视频监控装置的渗漏智能监测装置,其特征在于,包括:
图像接收单元,用于接收安装在变电站不同场所的多个摄像头所拍摄的多帧室内墙面外观图像;
图像预处理单元,用于对所述多帧室内墙面外观图像进行预处理;
图像特征提取单元,用于将经所述预处理后的多帧室内墙面外观图像依次输入预先训练好的卷积神经网络模型进行特征提取获得图像中的渗漏区域特征;
分类单元,用于将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果;其中所述分类结果包括渗漏、未渗漏;以及
告警单元,用于根据所述分类结果确定是否进行告警,若是,则生成告警信息并发送至变电站综合管理装置以使得变电站综合管理装置根据所述告警信息进行告警。
2.根据权利要求1所述的渗漏智能监测装置,其特征在于,所述多个摄像头分别安装在变电站不同场所,用于拍摄变电站不同场所的室内墙面外观图像并发送至所述渗漏智能监测装置;所述变电站综合管理装置用于响应于接收到所述渗漏智能监测装置发送的告警信息,进行告警。
3.根据权利要求2所述的渗漏智能监测装置,其特征在于,所述变电站综合管理装置进行告警的方式具体为:
通过网络交换机将所述告警信息发送至变电站内值班的监控后台或运维人员的手持移动终端办公平台;其中所述告警信息包括变电站名称、分类结果、渗漏时间、渗漏位置。
4.根据权利要求3所述的渗漏智能监测装置,其特征在于,所述摄像头为球形摄像头。
5.一种如权利要求1~4任一项所述的渗漏智能监测装置的监测方法,其特征在于,包括:
接收安装在变电站不同场所的多个摄像头所拍摄的多帧室内墙面外观图像;
对所述多帧室内墙面外观图像进行预处理;
将经所述预处理后的多帧室内墙面外观图像依次输入预先训练好的卷积神经网络模型进行特征提取获得图像中的渗漏区域特征;
将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果;其中所述分类结果包括渗漏、未渗漏;
根据所述分类结果确定是否进行告警,若是,则生成告警信息并发送至变电站综合管理装置以使得变电站综合管理装置根据所述告警信息进行告警。
6.根据权利要求5所述的渗监测方法,其特征在于,所述对所述多帧室内墙面外观图像进行预处理包括:
对所述多帧室内墙面外观图像依次进行灰度处理、二值化处理、滤波和边界检测。
7.根据权利要求5所述的监测方法,其特征在于,所述方法还包括:
所述卷积神经网络模型进行特征提取获得渗漏区域特征后,所述卷积神经网络模型还识别渗漏区域特征在对应变电站场所中的位置信息。
8.根据权利要求5所述的监测方法,其特征在于,所述卷积神经网络模型的训练过程如下:
获取训练样本数据,所述训练样本数据包括多帧存在渗漏的墙面外观图像;
对所述训练样本数据中的每帧图像的渗渗漏区域进行标记,标记的区域统一为200dpi×200dpi的图像子块;
获取卷积神经网络基础模型,利用所述训练样本数据对所述卷积神经网络基础模型进行训练学习获得所述卷积神经网络模型;其中所述卷积神经网络基础模型包括卷积层、池化层和全连接层。
9.根据权利要求5所述的监测方法,其特征在于,所述将所述渗漏区域特征输入预先训练好的分类器进行分类获得分类结果,包括:
将所述渗漏区域特征与分类器的特征数据库中的渗漏区域参考特征一一进行对比,若存在至少一个渗漏区域参考特征与所述渗漏区域特征的相似度大于预设阈值,则判断为渗漏,否则,则判断为未渗漏。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求5至9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278602.3A CN113065416A (zh) | 2021-03-16 | 2021-03-16 | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278602.3A CN113065416A (zh) | 2021-03-16 | 2021-03-16 | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065416A true CN113065416A (zh) | 2021-07-02 |
Family
ID=76561318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110278602.3A Pending CN113065416A (zh) | 2021-03-16 | 2021-03-16 | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065416A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741291A (zh) * | 2021-09-09 | 2021-12-03 | 孙梦瑶 | 基于物联网的家用防漏水智能检测系统及其工作方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6074897A (en) * | 1996-05-01 | 2000-06-13 | Lucent Technologies Inc. | Integrated circuit bonding method and apparatus |
US6229220B1 (en) * | 1995-06-27 | 2001-05-08 | International Business Machines Corporation | Bump structure, bump forming method and package connecting body |
CN106845434A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于支持向量机的图像型机房漏水监测方法 |
CN110111299A (zh) * | 2019-03-18 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 锈斑识别方法及装置 |
CN110705601A (zh) * | 2019-09-09 | 2020-01-17 | 安徽继远软件有限公司 | 基于单阶段目标检测的变电站设备渗漏油图像识别方法 |
CN111308355A (zh) * | 2020-03-14 | 2020-06-19 | 智洋创新科技股份有限公司 | 基于深度学习的变电站蓄电池状态检测分析方法 |
CN112036463A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于深度学习的电力设备缺陷检测识别方法 |
CN212160102U (zh) * | 2020-04-28 | 2020-12-15 | 国网新疆电力有限公司塔城供电公司 | 一种变电站室内渗漏风险识别与实时告警系统 |
CN112364715A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-16 CN CN202110278602.3A patent/CN113065416A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6229220B1 (en) * | 1995-06-27 | 2001-05-08 | International Business Machines Corporation | Bump structure, bump forming method and package connecting body |
US6074897A (en) * | 1996-05-01 | 2000-06-13 | Lucent Technologies Inc. | Integrated circuit bonding method and apparatus |
CN106845434A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于支持向量机的图像型机房漏水监测方法 |
CN110111299A (zh) * | 2019-03-18 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 锈斑识别方法及装置 |
CN110705601A (zh) * | 2019-09-09 | 2020-01-17 | 安徽继远软件有限公司 | 基于单阶段目标检测的变电站设备渗漏油图像识别方法 |
CN111308355A (zh) * | 2020-03-14 | 2020-06-19 | 智洋创新科技股份有限公司 | 基于深度学习的变电站蓄电池状态检测分析方法 |
CN212160102U (zh) * | 2020-04-28 | 2020-12-15 | 国网新疆电力有限公司塔城供电公司 | 一种变电站室内渗漏风险识别与实时告警系统 |
CN112036463A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于深度学习的电力设备缺陷检测识别方法 |
CN112364715A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
郭志;张莹;林松;汪洋;陈冠彪;: "基于单片机的无人值守变电站防漏水告警系统", 山东电力技术, no. 11 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741291A (zh) * | 2021-09-09 | 2021-12-03 | 孙梦瑶 | 基于物联网的家用防漏水智能检测系统及其工作方法 |
CN113741291B (zh) * | 2021-09-09 | 2024-04-05 | 孙梦瑶 | 基于物联网的家用防漏水智能检测系统及其工作方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
CN109484935A (zh) | 一种电梯轿厢监控方法、装置及系统 | |
CN108109385A (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
CN113887412B (zh) | 污染排放的检测方法、检测终端、监控系统及存储介质 | |
CN112309068B (zh) | 一种基于深度学习的森林火灾预警方法 | |
CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
CN116246416A (zh) | 一种用于安防的智能分析预警平台及方法 | |
CN109345787A (zh) | 一种基于智能图像识别技术的输电线路防外损监控报警系统 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
CN111951390A (zh) | 一种警情显示方法、系统、装置和存储介质 | |
CN113065416A (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
CN114067396A (zh) | 基于视觉学习的居配工程现场试验数字化管理系统及方法 | |
CN113095160A (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
CN112702570A (zh) | 一种基于多维行为识别的安防管理系统 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN114820676A (zh) | 一种设备运行状态识别方法及装置 | |
CN111079642B (zh) | 线路可移动监控方法及装置及计算机可读介质 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN112598865A (zh) | 一种电缆线路防外力破坏的监控方法及系统 | |
CN111382697A (zh) | 影像数据处理方法及第一电子设备 | |
CN117456353A (zh) | 一种河流湖泊智慧界桩的管理系统 | |
CN117496676A (zh) | 基于深度学习的智慧安全督查与风险评估预警装置 |
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 |