CN113077447A - 一种可探测高压设备微弱放电并进行缺陷分析的方法 - Google Patents
一种可探测高压设备微弱放电并进行缺陷分析的方法 Download PDFInfo
- Publication number
- CN113077447A CN113077447A CN202110362026.0A CN202110362026A CN113077447A CN 113077447 A CN113077447 A CN 113077447A CN 202110362026 A CN202110362026 A CN 202110362026A CN 113077447 A CN113077447 A CN 113077447A
- Authority
- CN
- China
- Prior art keywords
- image
- light image
- fusion
- ultraviolet light
- visible light
- 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 40
- 230000007547 defect Effects 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 81
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000013519 translation Methods 0.000 claims description 15
- 238000011524 similarity measure Methods 0.000 claims description 14
- 238000010845 search algorithm Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 6
- 229910052753 mercury Inorganic materials 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 16
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000010606 normalization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 3
- 239000012212 insulator Substances 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004870 electrical engineering Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000825 ultraviolet detection Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供一种可探测高压设备微弱放电并进行缺陷分析的方法，包括：得到拍摄距离‑配准参数映射表；根据拍摄距离‑配准参数映射表，进行图像配准；对紫外光图像和可见光图像进行图像融合；对融合图像进行故障诊断分析，得到故障诊断分析结果。采用本发明的基于互信息的图像配准算法、基于像素比较和加权的图像融合算法以及不同环境因素的电晕面积归一化修正算法，实现图像实时配准和实时融合，并将不同温度、湿度、风速和气压下得到的融合图像量化参数值修正到统一的环境条件下，从而使检测结果具有可对比性。本发明还具有检测结果准确的优点。
Description
技术领域
本发明属于电气工程技术领域，具体涉及一种可探测高压设备微弱放电并进行缺陷分析的方法。
背景技术
高压设备局部放电，会影响用电安全，放电探测器用于探测高压设备的放电情况。目前，采用图像分析法进行高压设备放电探测时，主要存在以下问题：高压设备因制造、测试产生系统误差和环境因素引起漂移误差，导致高压设备在成像后的空间位置信息不准确；另外，高压设备放电特性及放电辐射出的紫外光信号会受温度、湿度、气压等因素影响；对同一放电源进行探测时，设备的增益设置和探测距离也会影响到光子计数值和放电区域图像的大小，使得放电探测结果的准确度较低。
发明内容
针对现有技术存在的缺陷，本发明提供一种可探测高压设备微弱放电并进行缺陷分析的方法，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种可探测高压设备微弱放电并进行缺陷分析的方法，包括以下步骤：
步骤1，将紫外光相机与可见光相机的视场角调节一致，实现光学对准；
步骤2，确定拍摄目标和多种不同的拍摄距离，在每种拍摄距离下，均执行步骤2.1-步骤2.2，从而得到拍摄距离-配准参数映射表；
步骤2.1，在确定的拍摄距离下，可见光相机对拍摄目标进行拍照，得到可见光图像V0；紫外光相机对拍摄目标进行拍照，得到紫外光图像UV0；
步骤2.2，以可见光图像V0作为参考图像，以紫外光图像UV0作为待配准图像，通过优化搜索算法对空间变换矩阵进行更新迭代，从而得到使可见光图像和紫外光图像之间相似性测度互信息最大时的空间变换矩阵，即为最优变换矩阵Tbest；
具体为：
步骤2.2.1，配置刚体变换模型：
其中：
(x,y)是原紫外光图像的像素坐标，(x',y')是经过刚体变换后的紫外光图像像素坐标；
θ为旋转角度，为已知固定值；tx为水平平移量，ty为竖直平移量，单位为像素数；
步骤2.2.2，确定水平平移量tx的初始值以及竖直平移量ty的初始值，从而得到初始的变换矩阵T0；
步骤2.2.3，令i＝0；
步骤2.2.4，采用变换矩阵Ti，对初始的紫外光图像UVi进行空间变换，得到变换后的紫外光图像UVi+1；
步骤2.2.5，将紫外光图像UVi+1和可见光图像V0对齐，然后，计算紫外光图像UVi+1和可见光图像V0之间的相似性测度互信息；
步骤2.2.6，判断步骤2.2.5得到的相似性测度互信息是否为最大值，如果不是，则通过优化搜索算法确定更新的变换矩阵Ti+1，然后令i＝i+1，返回步骤2.2.4；如果是，则执行步骤2.2.7；
步骤2.2.7，此时得到的变换矩阵Ti，即为与当前确定的拍摄距离对应的最优变换矩阵Tbest；最优变换矩阵Tbest即为配准参数；
步骤3，当需要探测高压设备微弱放电并进行缺陷分析时，设需要探测的高压设备为equ(A)，采用已光学对准的紫外光相机与可见光相机，在设定拍摄距离L(A)下，分别对高压设备equ(A)进行拍照，从而得到可见光图像V(A)和紫外光图像UV(A)；其中，拍照时的实际环境参数为：温度T、湿度RH、相对气压P和风速v；
步骤4，查找步骤2得到的拍摄距离-配准参数映射表，得到与设定拍摄距离L(A)对应的配准参数，即：最优变换矩阵Tbest(A)；
步骤5，采用最优变换矩阵Tbest(A)，对紫外光图像UV(A)进行空间变换，得到变换后的紫外光图像，表示为：紫外光图像UV0(A)；
步骤6，对紫外光图像UV0(A)和可见光图像V(A)进行图像融合，得到融合后图像，表示为：融合图像Fusion_image(A)；
步骤7，对融合图像Fusion_image(A)进行故障诊断分析，得到故障诊断分析结果：
本步骤具体包括：
步骤7.1，对融合图像Fusion_image(A)进行图像分析，得到实际电晕面积值S0；
步骤7.2，采用公式(2)-公式(5)，基于步骤3得到的实际环境参数温度T、湿度RH、相对气压P和风速v，分别计算得到温度相对系数KT、相对湿度修正系数KRH、相对气压修正系数KP和风速修正系数KV：
温度相对系数表达式：
相对湿度修正系数表达式：
相对气压修正系数表达式：
风速修正系数表达式：
KV＝0.9881exp(-0.0720·v) 公式(5)
步骤7.3，根据公式(6)，得到电晕面积修正值S：
S＝(KT·KRH·Kp·KV)·S0 公式(6)
步骤7.4，对电晕面积修正值S进行分析，得到高压设备equ(A)的放电情况以及缺陷诊断结果。
优选的，步骤2中，确定的拍摄目标为十字低压汞灯。
优选的，步骤2.2中，优化搜索算法为连续型1+1进化算法。
优选的，步骤2.2.5中，采用以下方法，计算紫外光图像UVi+1和可见光图像V0之间的相似性测度互信息：
步骤2.2.5.1，紫外光图像UVi+1和可见光图像V0均为m*n图像，即：包括m行n列的像素；
紫外光图像UVi+1的第a行第b列的像素灰度值表示为LUV(a,b)；可见光图像V0的第a行第b列的像素灰度值表示为LV(a,b)；其中，a＝1,2,...,m，b＝1,2,...,n；
步骤2.2.5.2，将可见光图像V0和紫外光图像UVi+1对应坐标位置的像素灰度值，整合为一个二维向量(LV(a,b),LUV(a,b))；
通过直方图，对可见光图像V0和紫外光图像UVi+1的像素灰度值进行估计，得到联合概率密度P(V0,UVi+1)和边缘概率密度函数P(V0)＝∑P(V0,UVi+1)、P(UVi+1)＝∑P(V0,UVi+1)；其中，P(V0)为可见光图像V0的概率密度函数，P(UVi+1)为紫外光图像UVi+1的概率密度函数；
步骤2.2.5.3，通过公式(7)，得到紫外光图像UVi+1与可见光图像V0的互信息为MI(V0,UVi+1)；
互信息MI(V0,UVi+1)用于评测紫外光图像UVi+1与可见光图像V0的相似性。
优选的，步骤6中，图像融合过程具体为：
步骤6.1，确定紫外光图像UV0(A)的像素阈值T1和可见光图像V(A)的像素阈值T2；
步骤6.2，紫外光图像UV0(A)中每个坐标位置的像素点的灰度值，均与可见光图像V(A)中相同坐标位置的像素点的灰度值进行融合，从而得到融合图像Fusion_image(A)；
其中，紫外光图像UV0(A)中第a行第b列的像素点的灰度值表示为LUV(a,b)；可见光图像V(A)中第a行第b列的像素点的灰度值表示为LV(a,b)；
采用以下算法进行图像融合，得到融合图像Fusion_image(A)中第a行第b列的像素点的灰度值，表示为：L_Fusion_image(a,b)：
1)如果紫外光图像UV0(A)的灰度值LUV(a,b)大于像素阈值T1，则灰度值LUV(a,b)赋值给L_Fusion_image(a,b)，作为融合图像的紫外光信号目标点；
2)如果紫外光图像UV0(A)的灰度值LUV(a,b)小于像素阈值T1，进一步判断可见光图像V(A)的灰度值LV(a,b)是否小于像素阈值T2；如果小于，则将灰度值LV(a,b)赋值给L_Fusion_image(a,b)，作为融合图像的背景点；如果不小于，则对灰度值LUV(a,b)和灰度值LV(a,b)按权重进行加权叠加，所得结果赋值给L_Fusion_image(a,b)。
本发明提供的一种可探测高压设备微弱放电并进行缺陷分析的方法具有以下优点：
采用本发明的基于互信息的图像配准算法、基于像素比较和加权的图像融合算法以及不同环境因素的电晕面积归一化修正算法，实现图像实时配准和实时融合，并将不同温度、湿度、风速和气压下得到的融合图像量化参数值修正到统一的环境条件下，从而使检测结果具有可对比性。本发明还具有检测结果准确的优点。
附图说明
图1为本发明提供的图像配准流程图的流程图；
图2为可见光图像像素值与相应像素值个数关系图；
图3为紫外光图像像素值与相应像素值个数关系图；
图4为可见光图像灰度值为200-255的分布图；
图5为紫外光图像灰度值为200-255的分布图；
图6为基于像素比较和加权的融合算法流程图；
图7为融合图像Fusion_image(A)分析处理的示意图；
图8为现场绝缘子放电不同距离下的紫外图像(增益60％)；
图9现场放电电晕面积与观测距离之间的关系曲线；
图10低压汞灯图像融合效果；
图11特斯拉线圈放电图像融合效果；
图12电晕面积的温度修正误差曲线。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种可探测高压设备微弱放电并进行缺陷分析的方法，属于电气工程技术领域，适用于电力、铁路行业劣化设备微弱放电辐射出的微弱紫外光信号的探测。
本发明提供的可探测高压设备微弱放电并进行缺陷分析的方法，包括以下步骤：
第一部分：获得拍摄距离-配准参数映射表
本部分通过步骤1和步骤2实现：
步骤1，将紫外光相机与可见光相机的视场角调节一致，实现光学对准；
步骤2，确定拍摄目标和多种不同的拍摄距离，在每种拍摄距离下，均执行步骤2.1-步骤2.2，从而得到拍摄距离-配准参数映射表；
如图8所示，为现场绝缘子放电不同距离下的紫外图像(增益60％)。
本步骤中，拍摄距离可通过激光测距功能测算。
本发明中，确定的拍摄目标可以优选采用十字低压汞灯，优点为：
a)低压汞灯是一种可以释放255nm波长紫外光的特殊光源。
b)将低压汞灯作为十字可以更好的完成配准精度的测算，同时可清晰完整的观察到紫外光图像信息。
步骤2.1，在确定的拍摄距离下，可见光相机对拍摄目标进行拍照，得到可见光图像V0；紫外光相机对拍摄目标进行拍照，得到紫外光图像UV0；
步骤2.2，以可见光图像V0作为参考图像，以紫外光图像UV0作为待配准图像，通过优化搜索算法对空间变换矩阵进行更新迭代，从而得到使可见光图像和紫外光图像之间相似性测度互信息最大时的空间变换矩阵，即为最优变换矩阵Tbest；
具体步骤参考图1：
图像配准主要目的是解决可见光图像和紫外光图像在空间上的映射问题。其中，以紫外光图像为待配准图像，以可见光图像为参考图像，紫外光图像相对于可见光图像，可能会存在平移、旋转、尺度变换甚至是非线性变换。由于本发明中两个相机的摆放位置是经过光学对准的，故两幅图像之间不存在旋转问题，配准过程中只会涉及到平移，因此，本发明采用刚体变换模块，刚体变换是一种保持图像形状，保持图像中任意两点间的距离不变的一种图像变换模型。具体见步骤2.2.1：
步骤2.2.1，配置刚体变换模型：
其中：
(x,y)是原紫外光图像的像素坐标，(x',y')是经过刚体变换后的紫外光图像像素坐标；
θ为旋转角度，为已知固定值；tx为水平平移量，ty为竖直平移量，单位为像素数；
步骤2.2.2，确定水平平移量tx的初始值以及竖直平移量ty的初始值，从而得到初始的变换矩阵T0；
步骤2.2.3，令i＝0；
步骤2.2.4，采用变换矩阵Ti，对初始的紫外光图像UVi进行空间变换，得到变换后的紫外光图像UVi+1；
步骤2.2.5，将紫外光图像UVi+1和可见光图像V0对齐，然后，计算紫外光图像UVi+1和可见光图像V0之间的相似性测度互信息；
本步骤中，采用以下方法，计算紫外光图像UVi+1和可见光图像V0之间的相似性测度互信息：
步骤2.2.5.1，紫外光图像UVi+1和可见光图像V0均为m*n图像，即：包括m行n列的像素；m代表图像的像素行数；n代表图像的像素列数；
紫外光图像UVi+1的第a行第b列的像素灰度值表示为LUV(a,b)；可见光图像V0的第a行第b列的像素灰度值表示为LV(a,b)；其中，a＝1,2,...,m，b＝1,2,...,n；
步骤2.2.5.2，将可见光图像V0和紫外光图像UVi+1对应坐标位置的像素灰度值，整合为一个二维向量(LV(a,b),LUV(a,b))；
通过直方图，对可见光图像V0和紫外光图像UVi+1的像素灰度值进行估计，得到联合概率密度P(V0,UVi+1)和边缘概率密度函数P(V0)＝∑P(V0,UVi+1)、P(UVi+1)＝∑P(V0,UVi+1)；其中，P(V0)为可见光图像V0的概率密度函数，P(UVi+1)为紫外光图像UVi+1的概率密度函数；
步骤2.2.5.3，通过公式(7)，得到紫外光图像UVi+1与可见光图像V0的互信息为MI(V0,UVi+1)；
也可以通过以下公式计算互信息MI(V0,UVi+1)：
MI(V0,UVi+1)＝H(V0)+H(UVi+1)-H(V0,UVi+1)
其中：
H(UVi+1)为紫外光图像UVi+1的灰度熵；
H(V0)为可见光图像V0的灰度熵。
互信息MI(V0,UVi+1)用于评测紫外光图像UVi+1与可见光图像V0的相似性。
步骤2.2.6，判断步骤2.2.5得到的相似性测度互信息是否为最大值，如果不是，则通过优化搜索算法确定更新的变换矩阵Ti+1，然后令i＝i+1，返回步骤2.2.4；如果是，则执行步骤2.2.7；
实际应用中，优化搜索算法为连续型1+1进化算法。1+1进化算法是一种进化优化算法，通过该算法可以寻找最优的配准参数。该算法效率很高，可以满足大量的数据处理，同时克服不同尺度参数的问题。
步骤2.2.7，此时得到的变换矩阵Ti，即为与当前确定的拍摄距离对应的最优变换矩阵Tbest；最优变换矩阵Tbest即为配准参数；
因此，本发明中，采用刚体变换模型对紫外光图像进行变换，得到变换后的紫外光图像，然后计算变换后的紫外光图像和可见光图像间的互信息，将互信息作为相似性测度，进而作为迭代终止条件的判断，如果不满足终止条件，则通过1+1进化算法求取最优相似性测度时的最优变换矩阵，再采用最优变换矩阵对紫外光图像进行变换，完成最终变换得到的紫外光图像和可见光图像在空间上的配准。
因此，图像配准，主要解决紫外光图像和可见光图像在空间上的映射问题。
第二部分：实际探测过程
实际探测过程主要包括图像变换、图像融合、电晕面积值修正三部分内容：
图像变换过程通过步骤3-步骤5实现；图像融合通过步骤6实现；电晕面积值修正通过步骤7实现；
图像变换过程：
步骤3，当需要探测高压设备微弱放电并进行缺陷分析时，设需要探测的高压设备为equ(A)，采用已光学对准的紫外光相机与可见光相机，在设定拍摄距离L(A)下，分别对高压设备equ(A)进行拍照，从而得到可见光图像V(A)和紫外光图像UV(A)；其中，拍照时的实际环境参数为：温度T、湿度RH、相对气压P和风速v；
步骤4，查找步骤2得到的拍摄距离-配准参数映射表，得到与设定拍摄距离L(A)对应的配准参数，即：最优变换矩阵Tbest(A)；
步骤5，采用最优变换矩阵Tbest(A)，对紫外光图像UV(A)进行空间变换，得到变换后的紫外光图像，表示为：紫外光图像UV0(A)；
图像融合部分：
针对紫外光图像与可见光图像的灰度值特点及传统的图像融合方法在图像融合时存在紫外光斑信息丢失的问题，本发明提出一种像素比较和加权的融合方法。
步骤6，对紫外光图像UV0(A)和可见光图像V(A)进行图像融合，得到融合后图像，表示为：融合图像Fusion_image(A)；
图像融合过程具体为：
步骤6.1，确定紫外光图像UV0(A)的像素阈值T1和可见光图像V(A)的像素阈值T2；
本发明通过对紫外光图像和可见光图像灰度值的分布特点确定像素阈值。阈值的选取至关重要，如图2所示，为可见光图像像素值与相应像素值个数关系图；如图3所示，为紫外光图像像素值与相应像素值个数关系图；如图4所示，为可见光图像灰度值为200-255的分布图；如图5所示，为紫外光图像灰度值为200-255的分布图。
从图2-图5可以明显看出紫外光图像与可见光图像的不同特点，并以此选择像素阈值T1和像素阈值T2；
作为一种具体实现方式，通过对紫外光图像和可见光图像像素值分布的特点分析，选取紫外光图像像素阈值T1为240，可见光图像像素阈值T2为200。
步骤6.2，紫外光图像UV0(A)中每个坐标位置的像素点的灰度值，均与可见光图像V(A)中相同坐标位置的像素点的灰度值进行融合，从而得到融合图像Fusion_image(A)；
其中，紫外光图像UV0(A)中第a行第b列的像素点的灰度值表示为LUV(a,b)；可见光图像V(A)中第a行第b列的像素点的灰度值表示为LV(a,b)；
如图6所示，为基于像素比较和加权的融合算法流程图。通过对紫外光图像和可见光图像的像素分析、选取阈值、确定加权权重，将紫外光图像和可见光图像按照一定的权重灵活的进行叠加处理。
具体的，采用以下算法进行图像融合，得到融合图像Fusion_image(A)中第a行第b列的像素点的灰度值，表示为：L_Fusion_image(a,b)：
1)如果紫外光图像UV0(A)的灰度值LUV(a,b)大于像素阈值T1，则灰度值LUV(a,b)赋值给L_Fusion_image(a,b)，作为融合图像的紫外光信号目标点；
2)如果紫外光图像UV0(A)的灰度值LUV(a,b)小于像素阈值T1，进一步判断可见光图像V(A)的灰度值LV(a,b)是否小于像素阈值T2；如果小于，则将灰度值LV(a,b)赋值给L_Fusion_image(a,b)，作为融合图像的背景点；如果不小于，则对灰度值LUV(a,b)和灰度值LV(a,b)按权重进行加权叠加，所得结果赋值给L_Fusion_image(a,b)。
采用本发明的图像融合方法，既能使图像融合的效果达到人类视觉要求，同时也能满足实时性要求。
电晕面积值修正过程：
放电在融合图像Fusion_image(A)中表现为一些白色区域，本发明将其定义为“电晕”，电晕区域随放电强弱而变化，基于此提出一种检测结果量化方法：其思路是：直接对融合图像Fusion_image(A)进行分析和数字图像处理，分割出放电区域，然后提取相关参数对检测的结果进行量化。如图7所示，为融合图像Fusion_image(A)分析处理的示意图。
步骤7，对融合图像Fusion_image(A)进行故障诊断分析，得到故障诊断分析结果：
本步骤主要思路为：同一放电模型在不同环境因素下检测到的成像结果存在明显差异，因此，本发明将不同温度、湿度、风速和气压下得到的融合图像量化参数值修正到统一的环境条件下，从而使检测结果具有可对比性。在此提出了基于修正系数法的多因素下电晕面积修正算法。
步骤7.1，对融合图像Fusion_image(A)进行图像分析，得到实际电晕面积值S0；
如图9所示，为现场放电电晕面积与观测距离之间的关系曲线。
步骤7.2，采用公式(2)-公式(5)，基于步骤3得到的实际环境参数温度T、湿度RH、相对气压P和风速v，分别计算得到温度相对系数KT、相对湿度修正系数KRH、相对气压修正系数KP和风速修正系数KV：
温度相对系数表达式：
相对湿度修正系数表达式：
相对气压修正系数表达式：
风速修正系数表达式：
KV＝0.9881exp(-0.0720·v) 公式(5)
公式(2)-公式(5)获得方式可以为：
根据试验得到的样本数据，采用二次多项式进行拟合，利用Matlab的cftool函数可得到修正系数表达式。
步骤7.3，根据公式(6)，得到电晕面积修正值S：
S＝(KT·KRH·Kp·KV)·S0 公式(6)
公式(6)即为建立的多因素的修正模型。
为验证上述修正模型的有效性，分别对温度、湿度、气压和风速的修正误差进行分析。经分析，修正数据的相对误差在20％以内，满足探测要求。
步骤7.4，对电晕面积修正值S进行分析，得到高压设备equ(A)的放电情况以及缺陷诊断结果。
本发明解决紫外和可见光叠加精度和融合精度低的问题，多因素下电气设备放电量化参数归一化并进行缺陷性质判断。
在具体实现上，本发明包括核心模组(包含可见光相机和紫外光相机)、液晶显示屏、温湿度模块、测距模块、气压模块、键盘等。可见光相机用于拍摄可见光图像，紫外光相机通过对紫外光信号的探测得到紫外光图像。通过基于互信息的图像配准算法和基于NSST和自适应稀疏表示的图像融合算法，实现图像实时融合与实时配准。通过同类型带电设备对应部位电晕放电的紫外图像或光子计数进行横向比较，对带电设备电晕状态进行评估。
目前我国可探测劣化设备微弱放电的仪器核心部件没有完全国产化，探测器的计量一致性较差，仪器不具备缺陷诊断功能，对探测目标缺陷性质和放电严重程度的判断主要依靠人工经验，容易造成误判、漏判，难以实现电气设备故障的智能评估。与之相比，本发明的紫外光和可见光的叠加精度小于0.5mrad,可精准探测高压设备外绝缘放电，对不同因素下的电晕进行归一化修正。发现潜在设备缺陷(准确率不低于75％)，为综合管理中心软件提供有利的数据依据，提高电网和铁路供电可靠性。
本发明对已完成配准的紫外成像仪进行叠加精度的测试，测试结果如表1所示。
表1已完成配准的紫外成像仪叠加精度测试
通过以上分析，本发明所提出的基于互信息的紫外光与可见光图像配准方法可以满足实际应用，采用外部标定配准参数，通过查找表的方式对不同距离的图像使用相应的配准参数进行配准，只需几个简单的命令对参数进行寻找并将图像进行平移变换即可，达到了实时性的要求。
在海思的HI3531D硬件平台上，将紫外光相机与可见光相机连接到硬件平台上。通过对不同的放电源进行拍摄验证图像融合技术。融合效果如图10、图11所示。通过HI3531D核心板采用CPU+TDE技术进行视频的智能处理，TDE作为智能视频分析的协处理器，将算法硬件化，功耗是DSP的1/5，运算速度比DSP快1倍，可以降低CPU占用。这样既能满足智能分析业务的需求，又极大地降低了主控CPU的性能，实现视频的实时处理。
本发明提出的基于修正系数法的多因素下光斑面积修正算法。根据试验可知，在50kV、60kV和65kV下的20℃时的实际光斑面积值分别为4832pixel、12568pixel和15457pixel，则可以计算出其相对误差如图12所示。经分析，绝大部分修正数据的相对误差在20％以内，其中，65kV下放电修正后的最大相对误差为13.9％，60kV下放电修正的最大相对误差为27.5％，50kV下放电修正的最大相对误差为15.9％。其他不同湿度、气压和风速下的修正误差的验证思路与温度类似，在本发明试验条件下，该修正模型具有较好的普适性，修正后的光斑面积最大相对误差一般低于20％，在此不再赘述。
实施例：
本发明将各种电气模块互联，不受温度、湿度、气压等因素影响，对带电设备外部电晕放电状态检测和故障诊断，主要包括输变电设备导体和绝缘体表面以及发电机线棒等各种原因引起的电晕放电定位、定量和缺陷实时化、本地化智能评估，并形成详细的诊断报告，并提出诊断意见，为设备清洗维护提供有效指导。
现场应用实例1：
对1000kV保定、邢台出线，保定易县500kV大房线、220kV陶崇线，柏团线和团武线等变电站和输电线路拍摄紫外照片2000余张、巡检40余小时、发现均压环、金具、架构处缺陷多处。并且，本发明方法检测到的缺陷，与实际情况符合，由此验证了本发明的准确性。
现场应用实例2：
对1000kV高乡、微山湖变电站、500kV益都变电站、220kV招远、方山变电站等10座变电站设备进行了紫外检测，搜集紫外图片8000张，经系统分析，发现缺陷28处。并且，本发明方法检测到的缺陷，与实际情况符合，由此验证了本发明的准确性。
本发明提供的一种可探测高压设备微弱放电并进行缺陷分析的方法，具有以下优点：
采用本发明的基于互信息的图像配准算法、基于像素比较和加权的图像融合算法以及不同环境因素的电晕面积归一化修正算法，实现图像实时配准和实时融合，并将不同温度、湿度、风速和气压下得到的融合图像量化参数值修正到统一的环境条件下，从而使检测结果具有可对比性。本发明还具有检测结果准确的优点。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (5)
1.一种可探测高压设备微弱放电并进行缺陷分析的方法，其特征在于，包括以下步骤：
步骤1，将紫外光相机与可见光相机的视场角调节一致，实现光学对准；
步骤2，确定拍摄目标和多种不同的拍摄距离，在每种拍摄距离下，均执行步骤2.1-步骤2.2，从而得到拍摄距离-配准参数映射表；
步骤2.1，在确定的拍摄距离下，可见光相机对拍摄目标进行拍照，得到可见光图像V0；紫外光相机对拍摄目标进行拍照，得到紫外光图像UV0；
步骤2.2，以可见光图像V0作为参考图像，以紫外光图像UV0作为待配准图像，通过优化搜索算法对空间变换矩阵进行更新迭代，从而得到使可见光图像和紫外光图像之间相似性测度互信息最大时的空间变换矩阵，即为最优变换矩阵Tbest；
具体为：
步骤2.2.1，配置刚体变换模型：
其中：
(x,y)是原紫外光图像的像素坐标，(x',y')是经过刚体变换后的紫外光图像像素坐标；
θ为旋转角度，为已知固定值；tx为水平平移量，ty为竖直平移量，单位为像素数；
步骤2.2.2，确定水平平移量tx的初始值以及竖直平移量ty的初始值，从而得到初始的变换矩阵T0；
步骤2.2.3，令i＝0；
步骤2.2.4，采用变换矩阵Ti，对初始的紫外光图像UVi进行空间变换，得到变换后的紫外光图像UVi+1；
步骤2.2.5，将紫外光图像UVi+1和可见光图像V0对齐，然后，计算紫外光图像UVi+1和可见光图像V0之间的相似性测度互信息；
步骤2.2.6，判断步骤2.2.5得到的相似性测度互信息是否为最大值，如果不是，则通过优化搜索算法确定更新的变换矩阵Ti+1，然后令i＝i+1，返回步骤2.2.4；如果是，则执行步骤2.2.7；
步骤2.2.7，此时得到的变换矩阵Ti，即为与当前确定的拍摄距离对应的最优变换矩阵Tbest；最优变换矩阵Tbest即为配准参数；
步骤3，当需要探测高压设备微弱放电并进行缺陷分析时，设需要探测的高压设备为equ(A)，采用已光学对准的紫外光相机与可见光相机，在设定拍摄距离L(A)下，分别对高压设备equ(A)进行拍照，从而得到可见光图像V(A)和紫外光图像UV(A)；其中，拍照时的实际环境参数为：温度T、湿度RH、相对气压P和风速v；
步骤4，查找步骤2得到的拍摄距离-配准参数映射表，得到与设定拍摄距离L(A)对应的配准参数，即：最优变换矩阵Tbest(A)；
步骤5，采用最优变换矩阵Tbest(A)，对紫外光图像UV(A)进行空间变换，得到变换后的紫外光图像，表示为：紫外光图像UV0(A)；
步骤6，对紫外光图像UV0(A)和可见光图像V(A)进行图像融合，得到融合后图像，表示为：融合图像Fusion_image(A)；
步骤7，对融合图像Fusion_image(A)进行故障诊断分析，得到故障诊断分析结果：
本步骤具体包括：
步骤7.1，对融合图像Fusion_image(A)进行图像分析，得到实际电晕面积值S0；
步骤7.2，采用公式(2)-公式(5)，基于步骤3得到的实际环境参数温度T、湿度RH、相对气压P和风速v，分别计算得到温度相对系数KT、相对湿度修正系数KRH、相对气压修正系数KP和风速修正系数KV：
温度相对系数表达式：
相对湿度修正系数表达式：
相对气压修正系数表达式：
风速修正系数表达式：
KV＝0.9881exp(-0.0720·v) 公式(5)
步骤7.3，根据公式(6)，得到电晕面积修正值S：
S＝(KT·KRH·Kp·KV)·S0 公式(6)
步骤7.4，对电晕面积修正值S进行分析，得到高压设备equ(A)的放电情况以及缺陷诊断结果。
2.根据权利要求1所述的可探测高压设备微弱放电并进行缺陷分析的方法，其特征在于，步骤2中，确定的拍摄目标为十字低压汞灯。
3.根据权利要求1所述的可探测高压设备微弱放电并进行缺陷分析的方法，其特征在于，步骤2.2中，优化搜索算法为连续型1+1进化算法。
4.根据权利要求1所述的可探测高压设备微弱放电并进行缺陷分析的方法，其特征在于，步骤2.2.5中，采用以下方法，计算紫外光图像UVi+1和可见光图像V0之间的相似性测度互信息：
步骤2.2.5.1，紫外光图像UVi+1和可见光图像V0均为m*n图像，即：包括m行n列的像素；
紫外光图像UVi+1的第a行第b列的像素灰度值表示为LUV(a,b)；可见光图像V0的第a行第b列的像素灰度值表示为LV(a,b)；其中，a＝1,2,...,m，b＝1,2,...,n；
步骤2.2.5.2，将可见光图像V0和紫外光图像UVi+1对应坐标位置的像素灰度值，整合为一个二维向量(LV(a,b),LUV(a,b))；
通过直方图，对可见光图像V0和紫外光图像UVi+1的像素灰度值进行估计，得到联合概率密度P(V0,UVi+1)和边缘概率密度函数P(V0)＝∑P(V0,UVi+1)、P(UVi+1)＝∑P(V0,UVi+1)；其中，P(V0)为可见光图像V0的概率密度函数，P(UVi+1)为紫外光图像UVi+1的概率密度函数；
步骤2.2.5.3，通过公式(7)，得到紫外光图像UVi+1与可见光图像V0的互信息为MI(V0,UVi+1)；
互信息MI(V0,UVi+1)用于评测紫外光图像UVi+1与可见光图像V0的相似性。
5.根据权利要求1所述的可探测高压设备微弱放电并进行缺陷分析的方法，其特征在于，步骤6中，图像融合过程具体为：
步骤6.1，确定紫外光图像UV0(A)的像素阈值T1和可见光图像V(A)的像素阈值T2；
步骤6.2，紫外光图像UV0(A)中每个坐标位置的像素点的灰度值，均与可见光图像V(A)中相同坐标位置的像素点的灰度值进行融合，从而得到融合图像Fusion_image(A)；
其中，紫外光图像UV0(A)中第a行第b列的像素点的灰度值表示为LUV(a,b)；可见光图像V(A)中第a行第b列的像素点的灰度值表示为LV(a,b)；
采用以下算法进行图像融合，得到融合图像Fusion_image(A)中第a行第b列的像素点的灰度值，表示为：L_Fusion_image(a,b)：
1)如果紫外光图像UV0(A)的灰度值LUV(a,b)大于像素阈值T1，则灰度值LUV(a,b)赋值给L_Fusion_image(a,b)，作为融合图像的紫外光信号目标点；
2)如果紫外光图像UV0(A)的灰度值LUV(a,b)小于像素阈值T1，进一步判断可见光图像V(A)的灰度值LV(a,b)是否小于像素阈值T2；如果小于，则将灰度值LV(a,b)赋值给L_Fusion_image(a,b)，作为融合图像的背景点；如果不小于，则对灰度值LUV(a,b)和灰度值LV(a,b)按权重进行加权叠加，所得结果赋值给L_Fusion_image(a,b)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110362026.0A CN113077447A (zh) | 2021-04-02 | 2021-04-02 | 一种可探测高压设备微弱放电并进行缺陷分析的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110362026.0A CN113077447A (zh) | 2021-04-02 | 2021-04-02 | 一种可探测高压设备微弱放电并进行缺陷分析的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113077447A true CN113077447A (zh) | 2021-07-06 |
Family
ID=76615059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110362026.0A Pending CN113077447A (zh) | 2021-04-02 | 2021-04-02 | 一种可探测高压设备微弱放电并进行缺陷分析的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077447A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114235815A (zh) * | 2021-12-08 | 2022-03-25 | 国网福建省电力有限公司检修分公司 | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 |
| CN116612118A (zh) * | 2023-07-19 | 2023-08-18 | 中建五局第三建设有限公司 | 基于人工智能的建筑避雷器质量检测评价方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107843818A (zh) * | 2017-09-06 | 2018-03-27 | 同济大学 | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 |
| CN108008259A (zh) * | 2017-11-14 | 2018-05-08 | 国网江西省电力有限公司电力科学研究院 | 基于红外、紫外和可见光图像融合一体化的检测方法和装置 |
| CN109345586A (zh) * | 2018-11-02 | 2019-02-15 | 国网湖南省电力有限公司 | 基于紫外成像技术的电气设备放电特征提取方法 |
| CN110021002A (zh) * | 2018-01-10 | 2019-07-16 | 青柠优视科技（北京）有限公司 | 一种图像融合方法及装置 |
| CN110245458A (zh) * | 2019-06-28 | 2019-09-17 | 华北电力大学（保定） | 一种高压设备放电紫外成像检测图像量化参数的归一方法 |
-
2021
- 2021-04-02 CN CN202110362026.0A patent/CN113077447A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107843818A (zh) * | 2017-09-06 | 2018-03-27 | 同济大学 | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 |
| CN108008259A (zh) * | 2017-11-14 | 2018-05-08 | 国网江西省电力有限公司电力科学研究院 | 基于红外、紫外和可见光图像融合一体化的检测方法和装置 |
| CN110021002A (zh) * | 2018-01-10 | 2019-07-16 | 青柠优视科技（北京）有限公司 | 一种图像融合方法及装置 |
| CN109345586A (zh) * | 2018-11-02 | 2019-02-15 | 国网湖南省电力有限公司 | 基于紫外成像技术的电气设备放电特征提取方法 |
| CN110245458A (zh) * | 2019-06-28 | 2019-09-17 | 华北电力大学（保定） | 一种高压设备放电紫外成像检测图像量化参数的归一方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李洪: ""双光谱图像检测的图像配准融合技术"", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
| 章新友 等: "《医学图形图像处理》", 30 April 2015, 中国中医药出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114235815A (zh) * | 2021-12-08 | 2022-03-25 | 国网福建省电力有限公司检修分公司 | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 |
| CN116612118A (zh) * | 2023-07-19 | 2023-08-18 | 中建五局第三建设有限公司 | 基于人工智能的建筑避雷器质量检测评价方法 |
| CN116612118B (zh) * | 2023-07-19 | 2023-10-03 | 中建五局第三建设有限公司 | 基于人工智能的建筑避雷器质量检测评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN112766103B (zh) | 一种机房巡检方法及装置 | |
| WO2021063062A1 (zh) | 一种电网设备带电检测系统、红外热像仪及方法 | |
| CN113077447A (zh) | 一种可探测高压设备微弱放电并进行缺陷分析的方法 | |
| Dong et al. | Joint visualization diagnosis of outdoor insulation status with optical and acoustical detections | |
| CN107843818B (zh) | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 | |
| CN104729718B (zh) | 一种用于红外成像系统netd的处理系统及方法 | |
| CN105259527B (zh) | 一种对不同紫外成像仪检测结果进行校准的测试方法 | |
| CN110567964A (zh) | 一种检测变电设备缺陷的方法、装置及存储介质 | |
| CN109945977B (zh) | 一种干式变压器热故障诊断方法及系统 | |
| CN112927565B (zh) | 提升机坪综合航迹监视数据精度的方法、装置及系统 | |
| CN103901291A (zh) | 一种变电设备内部绝缘缺陷的诊断方法 | |
| CN103837493B (zh) | 一种架空导线缺陷联合检测方法 | |
| CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
| CN102914727B (zh) | 一种测试紫外检测仪的紫外可见光重合偏差的系统及方法 | |
| CN114724042B (zh) | 一种输电线路中零值绝缘子自动检测方法 | |
| Corso et al. | Evaluation of visible contamination on power grid insulators using convolutional neural networks | |
| Zheng et al. | Intelligent diagnosis method of power equipment faults based on single‐stage infrared image target detection | |
| CN106979820B (zh) | 基于相似性度量因数的红外温升元件异常检测方法 | |
| CN106997022A (zh) | 基于激光测距补偿紫外局放光子数的检测装置 | |
| CN203012075U (zh) | 一种测试紫外检测仪的紫外可见光重合偏差的系统 | |
| CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
| CN116188505A (zh) | 基于紫外红外协同检测的绝缘电力设备在线监测系统 | |
| CN115291055A (zh) | 一种权重自适应的电力设备外绝缘声光协同诊断方法 | |
| CN106872523A (zh) | 一种基于无人机的电力设备缺陷智能诊断系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210706 |