CN113065484A - 一种基于紫外图谱的绝缘子污秽状态评估方法 - Google Patents
一种基于紫外图谱的绝缘子污秽状态评估方法 Download PDFInfo
- Publication number
- CN113065484A CN113065484A CN202110383694.1A CN202110383694A CN113065484A CN 113065484 A CN113065484 A CN 113065484A CN 202110383694 A CN202110383694 A CN 202110383694A CN 113065484 A CN113065484 A CN 113065484A
- Authority
- CN
- China
- Prior art keywords
- light spot
- image
- insulator
- ultraviolet
- neural network
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 73
- 238000002211 ultraviolet spectrum Methods 0.000 title claims abstract description 20
- 238000011109 contamination Methods 0.000 title claims description 22
- 238000000034 method Methods 0.000 title claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000002093 peripheral effect Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于紫外图谱的绝缘子污秽状态评估方法,包括:S1,绝缘子紫外图像预处理:对现场监测获取的紫外图像进行图像预处理,保留紫外图像中的主光斑及其周围的微小光斑,得到光斑图像;S2,基于深度学习卷积神经网络算法对绝缘子污秽状态分类:基于预处理后的光斑图像,按照一定比例随机选取训练集与测试集,以不同类型的光斑图像的每一个像素信息作为输入,进行特征提取;将特征参数输入卷积神经网络进行训练,得出绝缘子属于不同污秽程度下的概率。本发明提供的基于紫外图谱的绝缘子污秽状态评估方法,通过对绝缘子紫外图像预处理、带入卷积神经网络进行训练,自动判断出绝缘子的污秽状态,提高绝缘子在线监测的实时性和准确性。
Description
技术领域
本发明涉及绝缘子污秽检测技术领域,特别是涉及一种基于紫外图谱的绝缘子污秽状态评估方法。
背景技术
绝缘子在输配电线路中起电气绝缘和机械连接的作用,其正常运行影响着电网的安全运行,但是绝缘子直接暴露在受到污染的环境中时其表面会粘附大量的污秽物,如果遭遇空气湿度加大的不利天气就容易引起不同规模的污闪现象,从而造成严重的电网事故。这种事故在电网总事故中排名第二,仅次于雷电事故,但其损失是雷电事故的10倍,因此绝缘子的巡检工作具有重要的实际意义,紫外成像法是近年来越来越受到专家学者重视的一种检测电气设备局部放电的方法,具有非接触、探测的距离远、放电的位置定位明确等诸多的优点,可以检测高压设备异常温升前的放电过程,逐渐在电网中获得更广泛的应用。
目前国内采用紫外成像技术对绝缘子进行识别的结果多以静态图片或者录像呈现,人工识别只能大致观察出光斑大小和光子数等特征,但无法准确判断出绝缘子的放电类别,准确性较低,为了提高检测的准确率,不少学者提出智能算法处理紫外图像的方法:改进YOLO系列算法、BP神经网络算法、支持向量机分类法等对绝缘子污秽诊断的理论算法实现了较为灵活的应用。
传统的智能算法需要人工设定绝缘子的特征后,如绝缘子的形状、颜色等,再带入网络进行训练,得出分类结果,这种算法受主观性影响较强,容易造成判断失误。随着深度学习卷积神经网络算法的提出,通过卷积层、激励层、池化层等处理,可自主的提取出图像中的特征值,并降低图像的维度,无需人工设定特征,网络可以并行运算,从而提高模式识别的效率和准确度,但绝缘子的紫外图像中除绝缘子自身放电产生的光斑外,还包含空气放电等其他影响因素产生的光斑,若直接将其紫外图像带入神经网络进行训练,由于图像中包含的特征信息较多,维度较高,会增加网络的训练量,速度变慢并对训练结果产生影响,因此,对获得的紫外图像进行图像预处理是深度学习卷积神经网络算法判断绝缘子放电程度的基础。
发明内容
本发明的目的是提供一种基于紫外图谱的绝缘子污秽状态评估方法,通过对线路绝缘子紫外图像进行预处理、带入卷积神经网络进行训练,自动判断出绝缘子的污秽状态,提高绝缘子在线监测的实时性和准确性。
为实现上述目的,本发明提供了如下方案:
一种基于紫外图谱的绝缘子污秽状态评估方法,该方法包括以下步骤:
S1,绝缘子紫外图像预处理:
对现场监测获取的紫外图像进行图像预处理,保留紫外图像中的主光斑及其周围的微小光斑,得到光斑图像;
S2,基于深度学习卷积神经网络算法对绝缘子污秽状态分类:
基于预处理后的光斑图像,按照一定比例随机选取训练集与测试集,以不同类型的光斑图像的每一个像素信息作为输入,对光斑的面积、亮度和边缘信息进行特征提取;
将特征参数输入卷积神经网络进行训练,得出绝缘子属于不同污秽程度下的概率。
进一步的,所述步骤S1中,绝缘子紫外图像预处理,具体包括以下步骤:
S101,基于现场监测获取的紫外图像,将RGB三颜色通道图片进行灰度化处理,得到其灰度图像;
S102,对灰度图像进行二值化处理,将图像上的点的灰度值变为0或255,突显出图像中放电光斑的区域特征;
S103,采用形态学中的开闭运算去除灰度图像中的小光斑;
S104,计算灰度图像中主光斑的面积,找出主光斑的边界坐标,求解等效圆的半径,找出质心;
S105,以质心为原点,确定合理的半径,重新采用小窗口在图像中进行扫描,最大化的还原主光斑附近小光斑的特征,得到光斑图像;
S106,预处理后输出jpg格式的图片。
进一步的,所述采用形态学中的开闭运算去除灰度图像中的小光斑,具体包括:
计算二值化处理后灰度图像的连通区域,构建圆盘形结构元素strel,采用形态学中的开闭运算bwareaopen函数,若光斑完全包含在圆盘中,则对其进行开运算,反之对其保留,达到消除小光斑的目的。
进一步的,所述计算灰度图像中主光斑的面积,找出主光斑的边界坐标,求解等效圆的半径,找出质心,具体包括:
在确定主光斑后,采用bwarea函数计算主光斑的面积采用,bwboundaries函数找出主光斑的边界坐标,采用regionprops函数求解等效圆的半径,找出质心。
进一步的,所述合理的半径为等效圆的半径的1.05倍。
进一步的,所述步骤S2中,基于深度学习卷积神经网络算法对绝缘子污秽状态分类,具体包括:
S201,选取光斑图像数量的80%作为训练集,20%作为测试集;
S202,基于训练集的光斑图像,根据污秽程度的不同分为三类进行训练;
S203,对输入卷积神经网络的图像进行归一化处理;
S204,采用卷积神经网络中的卷积层对光斑的面积、亮度和边缘信息进行特征提取;
S205,采用卷积神经网络中的激励层把卷积层输出结果做非线性映射;
S206,采用卷积神经网络中的池化层缩小图像,减少像素信息,保留重要信息;
S207,采用卷积神经网络中的全连接层输出分类结果,并反向传播调整网络权值;
S208,判断训练集的光斑图像是否全部训练结束,如果否,重复步骤S204至S207;
S209,如果是,得到训练好的模型,并输入测试集进行测试,最后输出绝缘子污秽状态。
进一步的,所述步骤S204中,卷积层使用了32个过滤器,对紫外图像进行扫描提取特征值,激活函数使用Relu。
进一步的,所述步骤S205中,池化层的池化窗口和池化步长都设置为2,池化方式为最大池化。
进一步的,所述步骤S207中,全连接层利用SoftMax函数分类输出的信息,代表该图像属于不同污秽程度的概率。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于紫外图谱的绝缘子污秽状态评估方法,主要包含紫外放电图像的预处理和训练卷积神经网络输出检测结果两大部分,其工作原理是:采用紫外成像仪拍摄绝缘子的放电图片,绝缘子表面的污秽程度不同,导致放电的程度存在差异,紫外图像中随之呈现出数量不一的光子数和不同大小的光斑,从而判断出绝缘子表明是否存在污秽;将紫外图像预处理后带入卷积神经网络进行分类可直接实现绝缘子表明污秽状态的诊断,对放电的时间、强度和种类有较全面的评估,提高了检测的速度和状态诊断的准确度,实用性较强,可以应用在绝缘子所处的复杂工况中,使输电线路绝缘子巡检更加智能化。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于紫外图谱的绝缘子污秽状态评估方法的流程图;
图2为本发明实施例绝缘子紫外图像预处理的流程图;
图3为本发明实施例基于深度学习卷积神经网络算法对绝缘子污秽状态分类的流程图;
图4(a)为图像预处理前的卷积神经网络训练集和测试集的精度;
图4(b)为图像预处理前的卷积神经网络训练集和测试集的损失度;
图4(c)为图像预处理后的卷积神经网络训练集和测试集的精度;
图4(d)为图像预处理后的卷积神经网络训练集和测试集的损失度。
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。
本发明的目的是提供一种基于紫外图谱的绝缘子污秽状态评估方法,通过对线路绝缘子紫外图像进行预处理、带入卷积神经网络进行训练,自动判断出绝缘子的污秽状态,提高绝缘子在线监测的实时性和准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供的基于紫外图谱的绝缘子污秽状态评估方法,包括:
S1,绝缘子紫外图像预处理:
对现场监测获取的紫外图像进行图像预处理,保留紫外图像中的主光斑及其周围的微小光斑,得到光斑图像;
S2,基于深度学习卷积神经网络算法对绝缘子污秽状态分类:
基于预处理后的光斑图像,按照一定比例随机选取训练集与测试集,以不同类型的光斑图像的每一个像素信息作为输入,对光斑的面积、亮度和边缘信息进行特征提取;
将特征参数输入卷积神经网络进行训练,得出绝缘子属于不同污秽程度下的概率。
如图2所示,所述步骤S1中,绝缘子紫外图像预处理,具体包括以下步骤:
S101,基于现场监测获取的紫外图像,将RGB三颜色通道图片进行灰度化处理,得到其灰度图像;
S102,对灰度图像进行二值化处理,将图像上的点的灰度值变为0或255,光斑和光子变为白色,其他区域变为黑色,从而更加凸显出图像中放电光斑的区域特征;
S103,采用形态学中的开闭运算去除灰度图像中的小光斑;具体包括:
计算二值化处理后灰度图像的连通区域,构建圆盘形结构元素strel,采用形态学中的开闭运算bwareaopen函数,若光斑完全包含在圆盘中,则对其进行开运算,反之对其保留,达到消除小光斑的目的;
S104,计算灰度图像中主光斑的面积,找出主光斑的边界坐标,求解等效圆的半径,找出质心;具体包括:
在确定主光斑后,采用bwarea函数计算主光斑的面积采用,bwboundaries函数找出主光斑的边界坐标,采用regionprops函数求解等效圆的半径,找出质心;
S105,以质心为原点,确定合理的半径(等效圆的半径的1.05倍),重新采用小窗口在图像中进行扫描,最大化的还原主光斑附近小光斑的特征,得到光斑图像;
S106,预处理后输出jpg格式的图片,构成神经网络训练图库。
如图3所示,所述步骤S2中,基于深度学习卷积神经网络算法对绝缘子污秽状态分类,具体包括:
S201,选取光斑图像数量的80%作为训练集,20%作为测试集;
S202,基于训练集的光斑图像,根据污秽程度的不同分为三类进行训练;本发明实施例中从所有的紫外试验录像中获取4243帧紫外图谱,共有三类图像,其中Class1:图片数量1354张;Class2:图片数量1421张;Class3:图片数量1468张;
S203,对输入卷积神经网络的图像进行归一化处理;
S204,采用卷积神经网络中的卷积层对光斑的面积、亮度和边缘信息进行特征提取;为了提高学习效率,加速收敛,在CNN卷积积分网络中引入批标准化,卷积层使用了32个过滤器,对紫外图像进行扫描提取特征值,激活函数使用Relu,收敛快,求梯度简单;
S205,采用卷积神经网络中的激励层把卷积层输出结果做非线性映射;
S206,采用卷积神经网络中的池化层缩小图像,减少像素信息,保留重要信息;池化窗口和池化步长都设置为2,池化方式为最大池化(max pooling),其优势大大减少了计算量和特征向量的纬度;
S207,采用卷积神经网络中的全连接层输出分类结果,并反向传播调整网络权值;全连接层最终利用SoftMax函数分类输出的信息,代表该图像属于不同污秽状态的概率;
S208,判断训练集的光斑图像是否全部训练结束,如果否,重复步骤S204至S207;
S209,如果是,得到训练好的模型,并输入测试集进行测试,最后输出绝缘子污秽状态。
如图4(a)至图4(d)为本发明实施例图像预处理前后卷积神经网络检测准确率对比示意图,在经过图像预处理后,对比图4(a)和图4(c)可以看出,测试集精度曲线上升的速度明显提高,且最后达到的检测精度也提高了10%左右;对比图4(b)和图4(d)可以看出,测试集的损失值降低到了0.5以下,避免过拟合。因此,通过本发明的方法检测精度有了较大的提高,达到了85%,且迭代次数较少,能够满足工程上绝缘子污秽度识别的要求。
本发明提供的基于紫外图谱的绝缘子污秽状态评估方法,可自动诊断紫外图像中绝缘子的放电情况,首先对紫外样本图谱数据库中的全部样本图像进行预处理,将图像二值化处理后变为黑白色,保留图片中的主光斑及其周围的微小光斑等主要信息,去掉其他干扰信息,按照一定比例随机选取训练集与测试集,以不同类型的光斑图像的每一个像素信息作为输入,对光斑的面积、亮度和边缘信息进行特征提取,将特征参数输入神经网络进行训练,得出绝缘子属于不同污秽程度下的概率。绝缘子放电是一种随机现象,人工识别可能会出现遗漏且无法判断出放电类型,通过采用紫外成像仪对绝缘子进行拍摄,本发明将紫外图像预处理后带入卷积神经网络进行分类可直接实现绝缘子表明污秽状态的诊断,对放电的时间、强度和种类有较全面的评估,提高了检测的速度和状态诊断的准确度,实用性较强,可以应用在绝缘子所处的复杂工况中,使输电线路绝缘子巡检更加智能化。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,包括以下步骤:
S1,绝缘子紫外图像预处理:
对现场监测获取的紫外图像进行图像预处理,保留紫外图像中的主光斑及其周围的微小光斑,得到光斑图像;
S2,基于深度学习卷积神经网络算法对绝缘子污秽状态分类:
基于预处理后的光斑图像,按照一定比例随机选取训练集与测试集,以不同类型的光斑图像的每一个像素信息作为输入,对光斑的面积、亮度和边缘信息进行特征提取;
将特征参数输入卷积神经网络进行训练,得出绝缘子属于不同污秽程度下的概率。
2.根据权利要求1所述的基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,所述步骤S1中,绝缘子紫外图像预处理,具体包括以下步骤:
S101,基于现场监测获取的紫外图像,将RGB三颜色通道图片进行灰度化处理,得到其灰度图像;
S102,对灰度图像进行二值化处理,将图像上的点的灰度值变为0或255,突显出图像中放电光斑的区域特征;
S103,采用形态学中的开闭运算去除灰度图像中的小光斑;
S104,计算灰度图像中主光斑的面积,找出主光斑的边界坐标,求解等效圆的半径,找出质心;
S105,以质心为原点,确定合理的半径,重新采用小窗口在图像中进行扫描,最大化的还原主光斑附近小光斑的特征,得到光斑图像;
S106,预处理后输出jpg格式的图片。
3.根据权利要求2所述的基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,所述S103,采用形态学中的开闭运算去除灰度图像中的小光斑,具体包括:
计算二值化处理后灰度图像的连通区域,构建圆盘形结构元素strel,采用形态学中的开闭运算bwareaopen函数,若光斑完全包含在圆盘中,则对其进行开运算,反之对其保留,达到消除小光斑的目的。
4.根据权利要求2所述的基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,所述计算灰度图像中主光斑的面积,找出主光斑的边界坐标,求解等效圆的半径,找出质心,具体包括:
在确定主光斑后,采用bwarea函数计算主光斑的面积采用,bwboundaries函数找出主光斑的边界坐标,采用regionprops函数求解等效圆的半径,找出质心。
5.根据权利要求2所述的基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,所述合理的半径为等效圆的半径的1.05倍。
6.根据权利要求1所述的基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,所述步骤S2中,基于深度学习卷积神经网络算法对绝缘子污秽状态分类,具体包括:
S201,选取光斑图像数量的80%作为训练集,20%作为测试集;
S202,基于训练集的光斑图像,根据污秽程度的不同分为三类进行训练;
S203,对输入卷积神经网络的图像进行归一化处理;
S204,采用卷积神经网络中的卷积层对光斑的面积、亮度和边缘信息进行特征提取;
S205,采用卷积神经网络中的激励层把卷积层输出结果做非线性映射;
S206,采用卷积神经网络中的池化层缩小图像,减少像素信息,保留重要信息;
S207,采用卷积神经网络中的全连接层输出分类结果,并反向传播调整网络权值;
S208,判断训练集的光斑图像是否全部训练结束,如果否,重复步骤S204至S207;
S209,如果是,得到训练好的模型,并输入测试集进行测试,最后输出绝缘子污秽状态。
7.根据权利要求6所述的基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,所述步骤S204中,卷积层使用了32个过滤器,对紫外图像进行扫描提取特征值,激活函数使用Relu。
8.根据权利要求6所述的基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,所述步骤S205中,池化层的池化窗口和池化步长都设置为2,池化方式为最大池化。
9.根据权利要求6所述的基于紫外图谱的绝缘子污秽状态评估方法,其特征在于,所述步骤S207中,全连接层利用SoftMax函数分类输出的信息,代表该图像属于不同污秽程度的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110383694.1A CN113065484A (zh) | 2021-04-09 | 2021-04-09 | 一种基于紫外图谱的绝缘子污秽状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110383694.1A CN113065484A (zh) | 2021-04-09 | 2021-04-09 | 一种基于紫外图谱的绝缘子污秽状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065484A true CN113065484A (zh) | 2021-07-02 |
Family
ID=76566614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110383694.1A Pending CN113065484A (zh) | 2021-04-09 | 2021-04-09 | 一种基于紫外图谱的绝缘子污秽状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065484A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610837A (zh) * | 2021-08-24 | 2021-11-05 | 华北电力大学(保定) | 基于深度学习和边缘计算的外绝缘设备放电故障诊断方法 |
CN113642714A (zh) * | 2021-08-27 | 2021-11-12 | 国网湖南省电力有限公司 | 基于小样本学习的绝缘子污秽放电状态识别方法及系统 |
CN113884827A (zh) * | 2021-09-28 | 2022-01-04 | 华北电力大学(保定) | 一种基于yolo的绝缘子紫外故障诊断方法及装置 |
CN115035385A (zh) * | 2022-06-28 | 2022-09-09 | 湖北工业大学 | 一种改进vgg19网络的绝缘子污秽识别方法 |
CN115205246A (zh) * | 2022-07-14 | 2022-10-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀电晕放电紫外图像特征提取方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412246A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于紫外视频的电力设备异常放电自动检测方法 |
CN106570651A (zh) * | 2016-11-09 | 2017-04-19 | 国家电网公司 | 一种输电线路绝缘子污闪风险评估方法 |
CN106596579A (zh) * | 2016-11-15 | 2017-04-26 | 同济大学 | 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法 |
CN106940886A (zh) * | 2017-03-08 | 2017-07-11 | 华北电力大学(保定) | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 |
CN106950472A (zh) * | 2017-03-16 | 2017-07-14 | 江苏省电力试验研究院有限公司 | 一种基于红外紫外成像的绝缘子检测方法 |
CN107449590A (zh) * | 2017-10-11 | 2017-12-08 | 长春理工大学 | 一种激光器光束指向稳定性测量装置 |
CN111047598A (zh) * | 2019-11-04 | 2020-04-21 | 华北电力大学(保定) | 基于深度学习的输变电设备紫外放电光斑分割方法及装置 |
CN111289854A (zh) * | 2020-02-26 | 2020-06-16 | 华北电力大学 | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 |
CN111680571A (zh) * | 2020-05-14 | 2020-09-18 | 华南农业大学 | 基于lda降维的多特征融合的植物叶片识别方法 |
WO2021027321A1 (zh) * | 2019-08-15 | 2021-02-18 | 天津大学 | 具有中心缺陷结构的体声波谐振器、滤波器和电子设备 |
CN112381784A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测系统 |
-
2021
- 2021-04-09 CN CN202110383694.1A patent/CN113065484A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412246A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于紫外视频的电力设备异常放电自动检测方法 |
CN106570651A (zh) * | 2016-11-09 | 2017-04-19 | 国家电网公司 | 一种输电线路绝缘子污闪风险评估方法 |
CN106596579A (zh) * | 2016-11-15 | 2017-04-26 | 同济大学 | 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法 |
CN106940886A (zh) * | 2017-03-08 | 2017-07-11 | 华北电力大学(保定) | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 |
CN106950472A (zh) * | 2017-03-16 | 2017-07-14 | 江苏省电力试验研究院有限公司 | 一种基于红外紫外成像的绝缘子检测方法 |
CN107449590A (zh) * | 2017-10-11 | 2017-12-08 | 长春理工大学 | 一种激光器光束指向稳定性测量装置 |
WO2021027321A1 (zh) * | 2019-08-15 | 2021-02-18 | 天津大学 | 具有中心缺陷结构的体声波谐振器、滤波器和电子设备 |
CN111047598A (zh) * | 2019-11-04 | 2020-04-21 | 华北电力大学(保定) | 基于深度学习的输变电设备紫外放电光斑分割方法及装置 |
CN111289854A (zh) * | 2020-02-26 | 2020-06-16 | 华北电力大学 | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 |
CN111680571A (zh) * | 2020-05-14 | 2020-09-18 | 华南农业大学 | 基于lda降维的多特征融合的植物叶片识别方法 |
CN112381784A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测系统 |
Non-Patent Citations (3)
Title |
---|
SHENGHUI WANG 等: "Estimation of discharge magnitude of composite insulator surface corona discharge based on ultraviolet imaging method", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》, vol. 21, no. 4, pages 1697 - 1704, XP011557343, DOI: 10.1109/TDEI.2014.004358 * |
YUNPENG LIU等: "Insulator Contamination Diagnosis Method Based on Deep Learning Convolutional Neural Network", 《2021 3RD ASIA ENERGY AND ELECTRICAL ENGINEERING SYMPOSIUM (AEEES)》, pages 184 - 188 * |
魏富鹏: "大口径光学元件弱特征损伤智能检测方法研究", 《中国博士学位论文全文数据库_工程科技Ⅱ辑》, pages 040 - 33 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610837A (zh) * | 2021-08-24 | 2021-11-05 | 华北电力大学(保定) | 基于深度学习和边缘计算的外绝缘设备放电故障诊断方法 |
CN113642714A (zh) * | 2021-08-27 | 2021-11-12 | 国网湖南省电力有限公司 | 基于小样本学习的绝缘子污秽放电状态识别方法及系统 |
CN113642714B (zh) * | 2021-08-27 | 2024-02-09 | 国网湖南省电力有限公司 | 基于小样本学习的绝缘子污秽放电状态识别方法及系统 |
CN113884827A (zh) * | 2021-09-28 | 2022-01-04 | 华北电力大学(保定) | 一种基于yolo的绝缘子紫外故障诊断方法及装置 |
CN115035385A (zh) * | 2022-06-28 | 2022-09-09 | 湖北工业大学 | 一种改进vgg19网络的绝缘子污秽识别方法 |
CN115035385B (zh) * | 2022-06-28 | 2024-08-06 | 湖北工业大学 | 一种改进vgg19网络的绝缘子污秽识别方法 |
CN115205246A (zh) * | 2022-07-14 | 2022-10-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀电晕放电紫外图像特征提取方法和装置 |
CN115205246B (zh) * | 2022-07-14 | 2024-04-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀电晕放电紫外图像特征提取方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN105004972B (zh) | 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法 | |
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
Davari et al. | Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN111402247A (zh) | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 | |
CN106408025B (zh) | 基于图像处理的航拍图像绝缘子分类识别方法 | |
CN111462057B (zh) | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 | |
CN111652857A (zh) | 一种绝缘子缺陷红外检测方法 | |
CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN113344475A (zh) | 基于序列模态分解的变压器套管缺陷识别方法及系统 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN115588021A (zh) | 一种瓷绝缘子及金具无人机红外巡检图像融合分割方法 | |
Huang et al. | Study on hydrophobicity detection of composite insulators of transmission lines by image analysis | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
Xiao et al. | A fault diagnosis method of insulator string based on infrared image feature extraction and probabilistic neural network | |
CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN111951247B (zh) | 一种电力设备紫外图像诊断方法及系统 | |
CN117274154A (zh) | 基于放电紫外视频的瓷绝缘子串缺陷识别方法及系统 | |
CN114487742B (zh) | 基于多模态纹理分析的高压壳体放电绝缘性能检测系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210702 |