CN113191362B - 一种变电设备油渗漏缺陷检测装置及方法 - Google Patents

一种变电设备油渗漏缺陷检测装置及方法 Download PDF

Info

Publication number
CN113191362B
CN113191362B CN202110452669.4A CN202110452669A CN113191362B CN 113191362 B CN113191362 B CN 113191362B CN 202110452669 A CN202110452669 A CN 202110452669A CN 113191362 B CN113191362 B CN 113191362B
Authority
CN
China
Prior art keywords
oil
power transformation
detection
transformation equipment
oil leakage
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
Application number
CN202110452669.4A
Other languages
English (en)
Other versions
CN113191362A (zh
Inventor
周建新
张昭
陈西海
杨莎
黄树欣
裴玉龙
姜啸远
孙瀚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical NARI Group Corp
Priority to CN202110452669.4A priority Critical patent/CN113191362B/zh
Publication of CN113191362A publication Critical patent/CN113191362A/zh
Application granted granted Critical
Publication of CN113191362B publication Critical patent/CN113191362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种变电设备油渗漏缺陷的检测装置及方法，其中检测方法包括模型训练阶段的缺陷区域检测模型训练方法和油污与水渍甄别模型训练方法，以及缺陷检测阶段的缺陷区域检测方法和油污与水渍甄别方法；检测装置包括顺次连接的变电设备油渗漏缺陷区域检测模块和油污与水渍甄别模块。本发明借助训练的两个深度学习模型，将变电设备油渗漏缺陷检测分为二步完成，以获得更好的召回率和准确率，解决了以往方法及装置无法精准区分水渍和油污的不足。

Description

一种变电设备油渗漏缺陷检测装置及方法
技术领域
本发明涉及目标检测，具体涉及一种变电设备油渗漏缺陷检测装置及方法。
背景技术
目前，基于区域建议的目标检测技术与变电设备油渗漏缺陷检测尚不完备，其中一个问题就是难以区分出油污与水渍，很容易将水渍误判为油污。主要的解决策略可以分为如下两类：1、采用带红外摄像头的双目摄像头或3D摄像头，可以显著地提高原始数据自带的信息，并根据油污与水渍对光的折射不同进行甄别，但专用摄像头的使用也很大程度提高了检测成本并限制其适用的范围；2、采集待甄别的变电设备油渗漏缺陷样本，基于油污与水渍二者间的物理特性差异，利用红外热成像或核磁图等无损检测技术进行甄别，但这对检测环境、检测仪器、检测人员专业水平有着较高的要求。
发明内容
发明目的：本发明的目的在于提供一种能够甄别出油污和水渍，不需要特殊设备，能够降低成本的变电设备油渗漏缺陷检测装置及方法。
技术方案：本发明包括一种变电设备油渗漏缺陷的检测装置，包括顺次连接的变电设备的油渗漏缺陷区域检测模块和油污与水渍甄别模块，所述油渗漏缺陷区域检测模块用以检测变电设备缺陷区域；所述油污与水渍甄别模块用以甄别变电设备缺陷属于油污还是水渍。
所述变电设备的油渗漏缺陷区域检测模块采用目标检测深度学习模型检测变电设备缺陷区域。
所述油污与水渍甄别模块采用二分类深度学习模型甄别变电设备缺陷属于油污还是水渍。
本发明还包括一种变电设备油渗漏缺陷的检测装置的方法，包括以下步骤：
(1)搜集变电设备油渗漏缺陷样本以及较难区分的水渍样本；
(2)在不区分油污与水渍的前提下，对搜集的训练样本进行语义标注并制作训练集、验证集和测试集，训练基于区域建议的目标检测深度学习模型；
(3)将样本中变电设备含有油污与水渍的区域予以区分、裁剪，分别标注后，制作成训练集、验证集和测试集，训练二分类深度学习模型；
(4)使用目标检测深度学习模型对待检测样本进行检测；
(5)将目标检测深度学习模型的检测结果裁剪另存，再将裁剪结果送入二分类深度学习模型进行进一步甄别，给出最终的检测结果。
步骤(2)中，所述训练基于区域建议的目标检测深度学习模型时选用Faster-RCNN、YOLO、SSD模型中的一种作为训练对象。
步骤(2)中，采用标注工具labelImg对样本中的油污区域进行标注。
步骤(3)中，所述训练二分类深度学习模型时选用VGG16、GoogleNet、Res15模型中的一种作为训练对象。
步骤(5)中，所述二分类深度学习模型裁剪并另存得到的图片进行甄别，将油污与水渍予以区分，给出最终的检测结果。
有益效果：本发明与现有技术相比，其有益效果在于：(1)无需专用摄像头等特殊设备，可应用于巡检机器人、无人机等设备上，成本低；(2)具备可靠的油污检测功能，可有效甄别油污与水渍的区别；(3)训练过程清晰，操作便捷，能够有效地实现油污与水渍的分离。
附图说明
图1为本发明所述检测方法的流程示意图；
图2为本发明所述检测装置的框架图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明做进一步详细描述。
如图1所示，本发明的变电设备油渗漏缺陷检测方法，可以应用于任何具有摄像头的巡检机器人、无人机等终端上，具体包括以下步骤：
(1)采集变电设备油渗漏缺陷样本以及较难区分的水渍样本，本阶段在不区分油污与水渍的前提下，对搜集的训练样本进行人工标注并制作训练集、验证集和测试集，训练基于区域建议的目标检测模型A；
其中，变电设备油渗漏缺陷样本为变电设备在实际运转过程中确实存在油渗漏缺陷的图片。采用的标注工具labelImg对样本中的油污区域使用矩形框进行标注并保存为xml格式。基于区域建议的目标检测模型为Faster-RCNN、YOLO、SSD等模型中的一种；
(2)将样本中变电设备含有油污与水渍的区域裁剪、分别标注后，制作成训练集、验证集和测试集，训练出能够甄别油污与水渍的深度学习模型B；
其中，变电设备含有油污与水渍的区域裁剪、分别标注，是指对样本中含有油污与水渍部分的区域裁剪出来，另外独立存储，然后分别标注；深度学习模型，为VGG16、GoogleNet、Res152等模型中的一种，用于对目标候选区域中油污与水渍的甄别。因此，该深度学习模型为二分类模型；
(3)使用模型A对待检测图片进行一次油污与水渍检测，对检测到的目标候选区域进行裁剪另外独立存储，再逐个送入模型B中作为输入；
其中，目标候选区域进行裁剪，是指将模型A检测出的目标候选区域从原始图片中进行裁剪剥离为独立图片；逐个送入模型B中作为输入，是由于待检测图片中存在的目标候选区域可能存在多个；
(4)经过模型B再一次甄别过后，给出最终的检测结果。
其中，最终的结果为通过模型B甄别的模型A预测结果。采用OpenCV将最终的预测结果在原始图片上进行标注，并将结果保存为jpg格式呈现给用户。
对应于上述方法，本实施例还提供了变电设备油渗漏缺陷检测装置，如图2所示，包括顺次连接的变电设备油渗漏缺陷区域检测模块和油污与水渍甄别模块；其中，油渗漏缺陷区域检测模块是指能够实现变电设备缺陷区域检测的软件模块；油污与水渍甄别模块是指：能够实现变电设备缺陷属于油污还是水渍甄别的软件模块
上述的检测和匹配等处理过程可以在终端上进行，也可以发送给远程服务器进行。
本发明通过使用基于区域建议的目标检测模型首先给出变电设备中可能含有油渗漏缺陷的候选区域，接着使用深度学习模型进一步区分油污与水渍之间的区别，从而可以有效的检测出变电设备的油渗漏缺陷并降低误判，提高变电设备油污检测的可靠性和精准性。

Claims (7)

1.一种变电设备油渗漏缺陷的检测方法，其特征在于，包括检测装置，所述检测装置包括顺次连接的变电设备的油渗漏缺陷区域检测模块和油污与水渍甄别模块，所述油渗漏缺陷区域检测模块用以检测变电设备缺陷区域；所述油污与水渍甄别模块用以甄别变电设备缺陷属于油污还是水渍；
所述检测方法包括以下步骤：
（1）搜集变电设备油渗漏缺陷样本以及较难区分的水渍样本；
（2）在不区分油污与水渍的前提下，对搜集的训练样本进行语义标注并制作训练集、验证集和测试集，训练基于区域建议的目标检测深度学习模型；
（3）将样本中变电设备含有油污与水渍的区域予以区分、裁剪，分别标注后，制作成训练集、验证集和测试集，训练二分类深度学习模型；
（4）使用目标检测深度学习模型对待检测样本进行检测；
（5）将目标检测深度学习模型的检测结果裁剪另存，再将裁剪结果送入二分类深度学习模型进行进一步甄别，给出最终的检测结果。
2.根据权利要求1所述变电设备油渗漏缺陷的检测方法，其特征在于：所述变电设备的油渗漏缺陷区域检测模块采用目标检测深度学习模型检测变电设备缺陷区域。
3.根据权利要求1所述变电设备油渗漏缺陷的检测方法，其特征在于：所述油污与水渍甄别模块采用二分类深度学习模型甄别变电设备缺陷属于油污还是水渍。
4.根据权利要求1所述变电设备油渗漏缺陷的检测方法，其特征在于：步骤（2）中，所述训练基于区域建议的目标检测深度学习模型时选用Faster-RCNN、YOLO、SSD模型中的一种作为训练对象。
5.根据权利要求1所述变电设备油渗漏缺陷的检测方法，其特征在于：步骤（2）中，采用标注工具labelImg对样本中的油污区域进行标注。
6.根据权利要求1所述变电设备油渗漏缺陷的检测方法，其特征在于：步骤（3）中，所述训练二分类深度学习模型时选用VGG16、GoogleNet、Res15模型中的一种作为训练对象。
7.根据权利要求1所述变电设备油渗漏缺陷的检测方法，其特征在于：步骤（5）中，所述二分类深度学习模型裁剪并另存得到的图片进行甄别，将油污与水渍予以区分，给出最终的检测结果。
CN202110452669.4A 2021-04-26 2021-04-26 一种变电设备油渗漏缺陷检测装置及方法 Active CN113191362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110452669.4A CN113191362B (zh) 2021-04-26 2021-04-26 一种变电设备油渗漏缺陷检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110452669.4A CN113191362B (zh) 2021-04-26 2021-04-26 一种变电设备油渗漏缺陷检测装置及方法

Publications (2)

Publication Number Publication Date
CN113191362A CN113191362A (zh) 2021-07-30
CN113191362B true CN113191362B (zh) 2022-07-22

Family

ID=76978971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110452669.4A Active CN113191362B (zh) 2021-04-26 2021-04-26 一种变电设备油渗漏缺陷检测装置及方法

Country Status (1)

Country Link
CN (1) CN113191362B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202725A (zh) * 2021-12-07 2022-03-18 牧原食品股份有限公司 一种基于智能视觉的沼液外溢监视方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599445A (zh) * 2019-07-24 2019-12-20 安徽南瑞继远电网技术有限公司 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置
CN111080634A (zh) * 2019-12-23 2020-04-28 北京新松融通机器人科技有限公司 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599445A (zh) * 2019-07-24 2019-12-20 安徽南瑞继远电网技术有限公司 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置
CN111080634A (zh) * 2019-12-23 2020-04-28 北京新松融通机器人科技有限公司 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法

Also Published As

Publication number Publication date
CN113191362A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN103091331B (zh) 一种rfid天线毛刺和污点缺陷的视觉检测系统及方法
CN110969130B (zh) 一种基于yolov3司机危险动作识别方法及系统
EP3844668A1 (en) System and method for training a damage identification model
CN111368690A (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN113758932B (zh) 一种基于深度学习的锂电池膈膜缺陷视觉检测方法
CN110135225B (zh) 样本标注方法及计算机存储介质
CN112070135A (zh) 电力设备图像检测方法、装置、电力设备及存储介质
CN114494185B (zh) 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN110186375A (zh) 智能化高铁白车身焊接装配特征检测装置及检测方法
CN113222913B (zh) 一种电路板缺陷检测定位方法、装置和存储介质
CN112233088B (zh) 基于改进的Faster-rcnn的制动软管丢失检测方法
CN113191362B (zh) 一种变电设备油渗漏缺陷检测装置及方法
WO2020047316A1 (en) System and method for training a damage identification model
CN116363125A (zh) 基于深度学习的电池模组外观缺陷检测方法及系统
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN114972880A (zh) 一种标签识别方法、装置、电子设备及存储介质
CN114359552A (zh) 一种基于巡检机器人的仪表图像识别方法
CN111079831A (zh) 智能型光学检测的样品特征与瑕疵自动标记方法及其装置
CN111125389A (zh) 基于动态渐进式采样的数据分类清洗系统及清洗方法
CN113627427A (zh) 一种基于图像检测技术的仪器仪表读数方法及系统
CN107480667A (zh) 基于模板的智能题目图像采集处理的方法及其系统
CN116152576B (zh) 图像处理方法、装置、设备及存储介质
CN114782431B (zh) 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法
CN115797280A (zh) 一种基于图像ai识别算法的变压器表面缺陷检测系统

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
GR01 Patent grant
GR01 Patent grant