CN113269744A - 一种应用于输电线路设备缺陷的红外智能识别方法及系统 - Google Patents
一种应用于输电线路设备缺陷的红外智能识别方法及系统 Download PDFInfo
- Publication number
- CN113269744A CN113269744A CN202110552626.3A CN202110552626A CN113269744A CN 113269744 A CN113269744 A CN 113269744A CN 202110552626 A CN202110552626 A CN 202110552626A CN 113269744 A CN113269744 A CN 113269744A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- power transmission
- defect
- equipment
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 99
- 230000005540 biological transmission Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000012212 insulator Substances 0.000 claims description 36
- 238000010438 heat treatment Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 16
- 239000002184 metal Substances 0.000 claims description 14
- 229910052751 metal Inorganic materials 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 12
- 229910052573 porcelain Inorganic materials 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 9
- 239000004020 conductor Substances 0.000 claims description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 6
- 238000010291 electrical method Methods 0.000 claims description 6
- 238000009413 insulation Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 230000036319 strand breaking Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000009736 wetting Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003331 infrared imaging 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
- 238000012634 optical imaging Methods 0.000 description 1
- 230000003169 placental effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0092—Temperature by averaging, e.g. by scan
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种应用于输电线路设备缺陷的红外智能识别方法及系统,通过对红外图像的像元温度、环境温度、相对温差的计算,实现待检测图像的缺陷快速、准确匹配筛选,为智能缺陷识别提供重要的数据基础,不仅能降低计算的复杂度,还能减少运算过程中的计算量,提高缺陷识别速度。
Description
技术领域
本发明涉及图像处理技术领域,尤其是指一种应用于输电线路设备缺陷的红外智能识别方法及系统。
背景技术
近年来,无人机技术的快速发展,高分辨率可见光照相机(摄像机)、高精度红外热像仪、激光雷达等检测装备丰富了输电线路巡视手段,利用无人机遥感技术进行输电线路的巡检能有效提高电力巡检的工作效率,减少人工巡检工作量,降低输电线路运维成本和压力。基于无人机的电力巡检获得的丰富输电线路设备数据进行系统分析和管理,能为电网防灾、管理和维护提供更多的数据支持。随着无人机技术的快速发展,无人机在输电线路巡检中的应用日益深入,其机动性、灵活性、覆盖范围广、巡视效率高等优势弥补了传统人工巡视的诸多不足,无人机巡检具有效率高、质量高、不受地形条件影响等特点,随着“机巡+人巡”模式的不断推进,无人机作为输电线路巡视的重要手段之一,已经开展常态化作业。
传统的输电线路设备缺陷的检测方法需要大量的工作人员人工判读,耗时耗力,效率低下,成本高昂;在此背景下,无人机在电力巡检中得到了广泛的应用。目前,国内外关于输电线路设备缺陷的相关研究有深度学习技术、计算机视觉技术、图像识别技术等方面;但是,这些输电线路设备缺陷检测技术仍存在着许多问题,难以满足当前输电线路设备缺陷的故障识别要求。红外成像传感模块主要用来检测导线接头、线夹等部件的发热故障,可通过无人机搭载红外热像仪进行巡查。
发明内容
针对上述背景技术中的问题,提供一种应用于输电线路设备缺陷的红外智能识别方法及系统。通过遍历红外热像仪拍摄的待检测图像中像元的温度值和参数计算,实现从海量巡检图像中快速筛选缺陷图像和判定缺陷等级。
本发明所述的一种应用于输电线路设备缺陷的红外智能识别方法,包括:
S1获取红外热像仪拍摄的待检测图像集合;
S2根据所述待检测图像的附加信息识别匹配设备类型;
S3遍历所述待检测图像上的所有像元,获取每张待检测图像的像元温度极大值;
S4对所述待检测图像集合的像元温度极大值求平均值和标准差,判定并剔除异常极大值;
S5对剩余的待检测图像集合像元温度极大值求平均得出设备正常温度值;
S6根据所述设备正常温度值和待检测图像的像元温度极大值求出相对温差,并判断输电线路发热部件缺陷等级。
本发明提出一种像元温度极大值的快速筛选方法,通过对待检测图像的每个像元温度值提取,得出极大值,由平均值和标准差剔除异常,获取输电线路设备的正常温度值,再以此判断发热部件的缺陷等级并予以应急处理。
具体地,所述待检测图像的附加信息包括经度、纬度、高程坐标信息和拍摄时的环境温度信息;所述经度、纬度、高程坐标信息用于读取输电线路激光点云数据中绑定的设备信息,识别所述待检测图像对应的设备类型,所述设备类型包括:耐张杆塔耐张线夹;导线、跳线、引流线本体;地线挂点放电间隙;复合绝缘子端部;导线接续管。
进一步地,遍历所述待检测图像上的所有像元,获取每张待检测图像的像元温度极大值的步骤包括:获取待检测图像的宽度W和高度H,以待检测图像左上角为坐标原点,令(x,y)为待检测图像上的坐标点,温度值为f(x,y),遍历所述待检测图像上的所有像元,获取像元温度极大值Ti=maxf(x,y),其中0≤x≤W-1,0≤y≤H-1。
进一步地,对所述待检测图像集合的像元温度极大值求平均值和标准差,判定并剔除异常极大值的步骤包括:所述待检测图像集合中包括n张待检测图像,像元温度极大值为Ti(i=1,2…n),平均值为μ=∑Ti/n(i=1,2…n),标准差为s=((∑(Ti-μ)*(Ti-μ))/(n-1))1/2(i=1,2…n),若Ti-μ>2s,则判定该极大值为异常极大值并剔除,再对剩余的待检测图像集合像元温度极大值Ti求平均得出设备正常温度值T2。
进一步地,根据所述设备正常温度值和待检测图像的像元温度极大值求出相对温差的步骤包括:获取待检测图像拍摄时的环境温度T1,相对温差δ=(Ti-T2)/(Ti-T1)*100%。
进一步地,判断输电线路发热部件缺陷等级的步骤包括:判定输电线路设备属于电流制热型设备或电压制热型设备;所述电流制热型设备包括金属导线和输电导线的连接器;所述电压制热型设备包括瓷绝缘子和合成绝缘子;所述输电线路发热部件的缺陷等级分为紧急缺陷、严重缺陷和一般缺陷;
所述金属导线的待检测图像是以导线为中心的热像,缺陷特征表现为松股、断股、老化,金属导线的待检测图像的像元温度极大值Ti>110℃时,或相对温差δ>95%且像元温度极大值Ti>80℃时,判定该待检测图像为紧急缺陷图像;
80℃<金属导线的待检测图像的像元温度极大值Ti<110℃时,或相对温差δ>80%且像元温度极大值Ti<80℃时,判定该待检测图像为严重缺陷图像;
相对温差δ>35%且像元温度极大值Ti<80℃时,判定该待检测图像为一般缺陷图像;
所述输电导线的连接器的待检测图像是以线夹和接头为中心的热像,缺陷特征表现为接触不良,输电导线的连接器的待检测图像的像元温度极大值Ti>130℃时,或相对温差δ>95%且像元温度极大值Ti>90℃时,判定该待检测图像为紧急缺陷图像;
90℃<输电导线的连接器的待检测图像像元温度极大值Ti<130℃时,或相对温差δ>80%且像元温度极大值Ti<90℃时,判定该待检测图像为一般缺陷图像;
相对温差δ>35%且像元温度极大值Ti<90℃时,判定该待检测图像为一般缺陷图像;
所述瓷绝缘子的待检测图像是以铁帽和瓷盘为发热中心的热像,缺陷特征表现为低值绝缘子发热、零值绝缘子发热和绝缘子泄露电流增大,Ti-T2大于1开氏度时判定为紧急缺陷,需进行精确检测或其他电气方法零、低阻值的检测确认,视缺陷绝缘子片数作相应的缺陷处理;
所述合成绝缘子的待检测图像是在绝缘良好和绝缘劣化的结合处为发热中心的热像,缺陷特征表现为伞裙破损或芯棒受潮、球头部位松脱进水,Ti-T2大于0.5开氏度时判定为紧急缺陷,需进行精确检测或其他电气方法零、低阻值的检测确认,视缺陷绝缘子片数作相应的缺陷处理。
本发明还提供一种应用于输电线路设备缺陷的红外智能识别系统,包括:
用于获取红外热像仪拍摄的待检测图像集合的装置;
用于根据所述待检测图像的附加信息识别匹配设备类型的装置;
用于遍历所述待检测图像上的所有像元,获取每张待检测图像的像元温度极大值的装置;
用于对所述待检测图像集合的像元温度极大值求平均值和标准差,判定并剔除异常极大值的装置;
用于对剩余的待检测图像集合像元温度极大值求平均得出设备正常温度值的装置;
用于根据所述设备正常温度值和待检测图像的像元温度极大值求出相对温差,并判断输电线路发热部件缺陷等级的装置。
进一步地,本发明还提供一种可读储存介质,其上储存有控制程序,其特征在于:该控制程序被处理器执行时实现上述任意一项所述的应用于输电线路设备缺陷的红外智能识别方法。
进一步地,本发明还提供一种计算机控制系统,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序,其特征在于:所述处理器执行所述控制程序时实现上述任意一项所述的应用于输电线路设备缺陷的红外智能识别方法。
为了能更清晰的理解本发明,以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明实施例的红外智能识别方法的流程图;
图2为本发明实施例的电缆头出线鼻端红外温度识别示意图。
具体实施方式
请参阅图1,其为本发明实施例的应用于输电线路设备缺陷的红外智能识别方法的流程图。
本发明所述的应用于输电线路设备缺陷的红外智能识别方法步骤如下:
S1获取红外热像仪拍摄的待检测图像集合;
S2根据所述待检测图像的附加信息识别匹配设备类型;
S3遍历所述待检测图像上的所有像元,获取每张待检测图像的像元温度极大值;
S4对所述待检测图像集合的像元温度极大值求平均值和标准差,判定并剔除异常极大值;
S5对剩余的待检测图像集合像元温度极大值求平均得出设备正常温度值;
S6根据所述设备正常温度值和待检测图像的像元温度极大值求出相对温差,并判断输电线路发热部件缺陷等级。
本发明提出一种像元温度极大值的快速筛选方法,通过对待检测图像的每个像元温度值提取,得出极大值,由平均值和标准差剔除异常,获取输电线路设备的正常温度值,再以此判断发热部件的缺陷等级并予以应急处理。
所述红外热像仪是利用红外探测器和光学成像物镜接受被测目标的红外辐射能量分布图形反映到红外探测器的光敏元件上,从而获得红外热像图,这种热像图与物体表面的热分布场相对应。通俗地讲红外热像仪就是将物体发出的不可见红外能量转变为可见的热图像。热图像的上面的不同颜色代表被测物体的不同温度。
所述像元亦称像素点或像元点,即影像单元。是组成数字化影像的最小单元。在遥感数据采集,如扫描成像时,它是传感器对地面景物进行扫描采样的最小单元;在数字图像处理中,它是对模拟影像进行扫描数字化时的采样点。是构成遥感数字图像的基本单元,是遥感成像过程中的采样点。
在本发明的实施例中,以无人机搭载红外热像仪拍摄了金属导线的电缆头出线鼻端,在拍摄图像的同时,红外热像仪记录了图像拍摄地的经度、纬度、高程坐标信息和拍摄时的环境温度信息。所述经度、纬度、高程坐标信息用于读取输电线路激光点云数据中绑定的设备信息,识别所述待检测图像对应的设备类型,所述设备类型包括:耐张杆塔耐张线夹;导线、跳线、引流线本体;地线挂点放电间隙;复合绝缘子端部;导线接续管。
所述待检测图像的像元温度极大值的获取步骤包括:获取待检测图像的宽度W和高度H,以待检测图像左上角为坐标原点,令(x,y)为待检测图像上的坐标点,温度值为f(x,y),遍历所述待检测图像上的所有像元,获取像元温度极大值Ti=maxf(x,y),其中0≤x≤W-1,0≤y≤H-1,像元温度极大值即为该待检测图像上温度值最高的像元点的温度值。
对所述待检测图像集合的像元温度极大值求平均值和标准差,判定并剔除异常极大值的步骤包括:所述待检测图像集合中包括n张待检测图像,像元温度极大值为Ti(i=1,2…n),平均值为μ=∑Ti/n(i=1,2…n),标准差为s=((∑(Ti-μ)*(Ti-μ))/(n-1))1/2(i=1,2…n),若Ti-μ>2s,则判定该极大值为异常极大值并剔除,再对剩余的待检测图像集合像元温度极大值Ti求平均得出设备正常温度值T2。
根据所述设备正常温度值和待检测图像的像元温度极大值求出相对温差的步骤包括:获取待检测图像拍摄时的环境温度T1,相对温差δ=(Ti-T2)/(Ti-T1)*100%。图2中,Ti=34.4,T2=26.7,T1=23,求得δ=73%
判断输电线路发热部件缺陷等级的步骤包括:判定输电线路设备属于电流制热型设备或电压制热型设备;所述电流制热型设备包括金属导线和输电导线的连接器;所述电压制热型设备包括瓷绝缘子和合成绝缘子;所述输电线路发热部件的缺陷等级分为紧急缺陷、严重缺陷和一般缺陷;
在本实施例中,以图2的金属导线的电缆头出线鼻端待检测图像为例,其是以导线为中心的热像,缺陷特征表现为松股、断股、老化,金属导线的待检测图像的像元温度极大值Ti>110℃时,或相对温差δ>95%且像元温度极大值Ti>80℃时,判定该待检测图像为紧急缺陷图像;
80℃<金属导线的待检测图像的像元温度极大值Ti<110℃时,或相对温差δ>80%且像元温度极大值Ti<80℃时,判定该待检测图像为严重缺陷图像;
相对温差δ>35%且像元温度极大值Ti<80℃时,判定该待检测图像为一般缺陷图像;因此可判定图2的金属导线的电缆头出线鼻端待检测图像为一般缺陷图像。
在其他可替换的实施例中,输电导线的连接器的待检测图像是以线夹和接头为中心的热像,缺陷特征表现为接触不良,输电导线的连接器的待检测图像的像元温度极大值Ti>130℃时,或相对温差δ>95%且像元温度极大值Ti>90℃时,判定该待检测图像为紧急缺陷图像;
90℃<输电导线的连接器的待检测图像像元温度极大值Ti<130℃时,或相对温差δ>80%且像元温度极大值Ti<90℃时,判定该待检测图像为一般缺陷图像;
相对温差δ>35%且像元温度极大值Ti<90℃时,判定该待检测图像为一般缺陷图像;
在其他可替换的实施例中,瓷绝缘子的待检测图像是以铁帽和瓷盘为发热中心的热像,缺陷特征表现为低值绝缘子发热、零值绝缘子发热和绝缘子泄露电流增大,Ti-T2大于1开氏度时判定为紧急缺陷,需进行精确检测或其他电气方法零、低阻值的检测确认,视缺陷绝缘子片数作相应的缺陷处理;
在其他可替换的实施例中,合成绝缘子的待检测图像是在绝缘良好和绝缘劣化的结合处为发热中心的热像,缺陷特征表现为伞裙破损或芯棒受潮、球头部位松脱进水,Ti-T2大于0.5开氏度时判定为紧急缺陷,需进行精确检测或其他电气方法零、低阻值的检测确认,视缺陷绝缘子片数作相应的缺陷处理。
相对于现有技术,本发明提供了一种不依赖大数据量且能适用于多种故障的故障检测方法,提高了输电线路巡检的智能化水平。运算效率较好,识别正确率较高。为输电线路的设备监测提供了新方法,红外识别技术应用与图像处理领域中,通过像元温度算法精确智能化比对设备热缺陷,找出有隐患的设备,保障了输电线路的安全稳定运行。
本申请根据像元温度、环境温度、相对温差的计算,实现待检测图像的缺陷快速、准确匹配筛选,为智能缺陷识别提供重要的数据基础。不仅能降低计算的复杂度,减少运算过程中的计算量,提高缺陷识别速度,同时,还能改善图像缺陷识别精度。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也一同包含这些改动和变形。
Claims (9)
1.一种应用于输电线路设备缺陷的红外智能识别方法,包括:
获取红外热像仪拍摄的待检测图像集合;
根据所述待检测图像的附加信息识别匹配设备类型;
遍历所述待检测图像上的所有像元,获取每张待检测图像的像元温度极大值;
对所述待检测图像集合的像元温度极大值求平均值和标准差,判定并剔除异常极大值;
对剩余的待检测图像集合像元温度极大值求平均得出设备正常温度值;
根据所述设备正常温度值和待检测图像的像元温度极大值求出相对温差,并判断输电线路发热部件缺陷等级。
2.根据权利要求1所述的一种应用于输电线路设备缺陷的红外智能识别方法,其特征在于:所述待检测图像的附加信息包括经度、纬度、高程坐标信息和拍摄时的环境温度信息;所述经度、纬度、高程坐标信息用于读取输电线路激光点云数据中绑定的设备信息,识别所述待检测图像对应的设备类型,所述设备类型包括:耐张杆塔耐张线夹;导线、跳线、引流线本体;地线挂点放电间隙;复合绝缘子端部;导线接续管。
3.根据权利要求1所述的一种应用于输电线路设备缺陷的红外智能识别方法,其特征在于,遍历所述待检测图像上的所有像元,获取每张待检测图像的像元温度极大值的步骤包括:获取待检测图像的宽度W和高度H,以待检测图像左上角为坐标原点,令(x,y)为待检测图像上的坐标点,温度值为f(x,y),遍历所述待检测图像上的所有像元,获取像元温度极大值Ti=maxf(x,y),其中0≤x≤W-1,0≤y≤H-1。
4.根据权利要求3所述的一种应用于输电线路设备缺陷的红外智能识别方法,其特征在于,对所述待检测图像集合的像元温度极大值求平均值和标准差,判定并剔除异常极大值的步骤包括:所述待检测图像集合中包括n张待检测图像,像元温度极大值为Ti(i=1,2…n),平均值为μ=∑Ti/n(i=1,2…n),标准差为s=((∑(Ti-μ)*(Ti-μ))/(n-1))1/2(i=1,2…n),若Ti-μ>2s,则判定该极大值为异常极大值并剔除,再对剩余的待检测图像集合像元温度极大值Ti求平均得出设备正常温度值T2。
5.根据权利要求4所述的一种应用于输电线路设备缺陷的红外智能识别方法,其特征在于,根据所述设备正常温度值和待检测图像的像元温度极大值求出相对温差的步骤包括:获取待检测图像拍摄时的环境温度T1,相对温差
δ=(Ti-T2)/(Ti-T1)*100%。
6.根据权利要求5所述的一种应用于输电线路设备缺陷的红外智能识别方法,其特征在于,判断输电线路发热部件缺陷等级的步骤包括:判定输电线路设备属于电流制热型设备或电压制热型设备;所述电流制热型设备包括金属导线和输电导线的连接器;所述电压制热型设备包括瓷绝缘子和合成绝缘子;所述输电线路发热部件的缺陷等级分为紧急缺陷、严重缺陷和一般缺陷;
所述金属导线的待检测图像是以导线为中心的热像,缺陷特征表现为松股、断股、老化,金属导线的待检测图像的像元温度极大值Ti>110℃时,或相对温差δ>95%且像元温度极大值Ti>80℃时,判定该待检测图像为紧急缺陷图像;
80℃<金属导线的待检测图像的像元温度极大值Ti<110℃时,或相对温差δ>80%且像元温度极大值Ti<80℃时,判定该待检测图像为严重缺陷图像;
相对温差δ>35%且像元温度极大值Ti<80℃时,判定该待检测图像为一般缺陷图像;
所述输电导线的连接器的待检测图像是以线夹和接头为中心的热像,缺陷特征表现为接触不良,输电导线的连接器的待检测图像的像元温度极大值Ti>130℃时,或相对温差δ>95%且像元温度极大值Ti>90℃时,判定该待检测图像为紧急缺陷图像;
90℃<输电导线的连接器的待检测图像像元温度极大值Ti<130℃时,或相对温差δ>80%且像元温度极大值Ti<90℃时,判定该待检测图像为一般缺陷图像;
相对温差δ>35%且像元温度极大值Ti<90℃时,判定该待检测图像为一般缺陷图像;
所述瓷绝缘子的待检测图像是以铁帽和瓷盘为发热中心的热像,缺陷特征表现为低值绝缘子发热、零值绝缘子发热和绝缘子泄露电流增大,Ti-T2大于1开氏度时判定为紧急缺陷,需进行精确检测或其他电气方法零、低阻值的检测确认,视缺陷绝缘子片数作相应的缺陷处理;
所述合成绝缘子的待检测图像是在绝缘良好和绝缘劣化的结合处为发热中心的热像,缺陷特征表现为伞裙破损或芯棒受潮、球头部位松脱进水,Ti-T2大于0.5开氏度时判定为紧急缺陷,需进行精确检测或其他电气方法零、低阻值的检测确认,视缺陷绝缘子片数作相应的缺陷处理。
7.一种应用于输电线路设备缺陷的红外智能识别系统,包括:
用于获取红外热像仪拍摄的待检测图像集合的装置;
用于根据所述待检测图像的附加信息识别匹配设备类型的装置;
用于遍历所述待检测图像上的所有像元,获取每张待检测图像的像元温度极大值的装置;
用于对所述待检测图像集合的像元温度极大值求平均值和标准差,判定并剔除异常极大值的装置;
用于对剩余的待检测图像集合像元温度极大值求平均得出设备正常温度值的装置;
用于根据所述设备正常温度值和待检测图像的像元温度极大值求出相对温差,并判断输电线路发热部件缺陷等级的装置。
8.一种可读储存介质,其上储存有控制程序,其特征在于:该控制程序被处理器执行时实现如权利要求1至6任意一项所述的应用于输电线路设备缺陷的红外智能识别方法。
9.一种计算机控制系统,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序,其特征在于:所述处理器执行所述控制程序时实现如权利要求1至6任意一项所述的应用于输电线路设备缺陷的红外智能识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552626.3A CN113269744A (zh) | 2021-05-20 | 2021-05-20 | 一种应用于输电线路设备缺陷的红外智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552626.3A CN113269744A (zh) | 2021-05-20 | 2021-05-20 | 一种应用于输电线路设备缺陷的红外智能识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269744A true CN113269744A (zh) | 2021-08-17 |
Family
ID=77232072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110552626.3A Pending CN113269744A (zh) | 2021-05-20 | 2021-05-20 | 一种应用于输电线路设备缺陷的红外智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269744A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376219A (zh) * | 2022-06-28 | 2022-11-22 | 广州番禺电缆集团有限公司 | 电缆绝缘层破损的巡检装置、方法、电子设备及存储介质 |
CN116385431A (zh) * | 2023-05-29 | 2023-07-04 | 中科航迈数控软件(深圳)有限公司 | 基于红外热成像与点云结合的数控机床设备故障检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565625A (zh) * | 2011-05-25 | 2012-07-11 | 上海大学 | 基于红外图像智能诊断高压输电线路热缺陷的方法 |
CN102928742A (zh) * | 2012-11-22 | 2013-02-13 | 重庆市电力公司检修分公司 | 一种高压设备红外图像自动故障识别方法 |
CN106404201A (zh) * | 2016-09-27 | 2017-02-15 | 株洲中车时代电气股份有限公司 | 一种动车组轴温异常的预防性提示方法及系统 |
CN107219424A (zh) * | 2017-06-14 | 2017-09-29 | 国网福建省电力有限公司 | 一种红外测温发热缺陷判别方法和系统 |
CN109402667A (zh) * | 2018-12-20 | 2019-03-01 | 昆明理工大学 | 一种提高铜电解极板故障信息判断准确度的装置及方法 |
CN111751407A (zh) * | 2019-03-28 | 2020-10-09 | 国网河南省电力公司电力科学研究院 | 一种电力系统专用智能型红外检测方法及设备 |
CN111949809A (zh) * | 2020-07-16 | 2020-11-17 | 广东电网有限责任公司 | 一种输电线路红外巡检数据智能处理方法 |
CN112017173A (zh) * | 2020-09-02 | 2020-12-01 | 西南交通大学 | 基于目标检测网络和结构化定位的电力设备缺陷检测方法 |
CN112506221A (zh) * | 2020-12-04 | 2021-03-16 | 国网湖北省电力有限公司检修公司 | 基于激光点云的无人机航线规划处理方法 |
CN112697798A (zh) * | 2020-12-07 | 2021-04-23 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
-
2021
- 2021-05-20 CN CN202110552626.3A patent/CN113269744A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565625A (zh) * | 2011-05-25 | 2012-07-11 | 上海大学 | 基于红外图像智能诊断高压输电线路热缺陷的方法 |
CN102928742A (zh) * | 2012-11-22 | 2013-02-13 | 重庆市电力公司检修分公司 | 一种高压设备红外图像自动故障识别方法 |
CN106404201A (zh) * | 2016-09-27 | 2017-02-15 | 株洲中车时代电气股份有限公司 | 一种动车组轴温异常的预防性提示方法及系统 |
CN107219424A (zh) * | 2017-06-14 | 2017-09-29 | 国网福建省电力有限公司 | 一种红外测温发热缺陷判别方法和系统 |
CN109402667A (zh) * | 2018-12-20 | 2019-03-01 | 昆明理工大学 | 一种提高铜电解极板故障信息判断准确度的装置及方法 |
CN111751407A (zh) * | 2019-03-28 | 2020-10-09 | 国网河南省电力公司电力科学研究院 | 一种电力系统专用智能型红外检测方法及设备 |
CN111949809A (zh) * | 2020-07-16 | 2020-11-17 | 广东电网有限责任公司 | 一种输电线路红外巡检数据智能处理方法 |
CN112017173A (zh) * | 2020-09-02 | 2020-12-01 | 西南交通大学 | 基于目标检测网络和结构化定位的电力设备缺陷检测方法 |
CN112506221A (zh) * | 2020-12-04 | 2021-03-16 | 国网湖北省电力有限公司检修公司 | 基于激光点云的无人机航线规划处理方法 |
CN112697798A (zh) * | 2020-12-07 | 2021-04-23 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
Non-Patent Citations (1)
Title |
---|
国家质量监督检验检疫总局: "《中国质检工作手册计量管理》", 31 December 2012 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376219A (zh) * | 2022-06-28 | 2022-11-22 | 广州番禺电缆集团有限公司 | 电缆绝缘层破损的巡检装置、方法、电子设备及存储介质 |
CN116385431A (zh) * | 2023-05-29 | 2023-07-04 | 中科航迈数控软件(深圳)有限公司 | 基于红外热成像与点云结合的数控机床设备故障检测方法 |
CN116385431B (zh) * | 2023-05-29 | 2023-08-11 | 中科航迈数控软件(深圳)有限公司 | 基于红外热成像与点云结合的数控机床设备故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106680285B (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN110850723B (zh) | 一种基于变电站巡检机器人系统的故障诊断及定位方法 | |
CN103487729B (zh) | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 | |
CN110142785A (zh) | 一种基于目标检测的巡检机器人视觉伺服方法 | |
CN111798407B (zh) | 一种基于神经网络模型的带电设备故障诊断方法 | |
CN113269744A (zh) | 一种应用于输电线路设备缺陷的红外智能识别方法及系统 | |
CN112085089A (zh) | 基于深度学习算法的变电站设备智能测温方法 | |
CN106649598A (zh) | 一种输电线路覆冰厚度的检测方法 | |
KR100844961B1 (ko) | 열화상 패턴 인식을 이용한 전기설비 자동 감시 진단 방법및 시스템 | |
CN109034272A (zh) | 一种输电线路发热部件自动识别方法 | |
CN102831393A (zh) | 电力杆塔轮廓的快速图像识别方法 | |
CN115290696A (zh) | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 | |
CN113762161B (zh) | 一种障碍物智能监测方法及系统 | |
CN113554667B (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
CN117173601B (zh) | 光伏电站阵列热斑识别方法和系统 | |
CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN112595936A (zh) | 基于无人机巡检的输电线复合绝缘子智能检测系统 | |
CN116631087A (zh) | 一种基于无人机的电力巡检系统 | |
CN102621419A (zh) | 基于激光和双目视觉图像对线路电气设备自动识别和监测方法 | |
CN111738148B (zh) | 一种利用红外巡检拍摄的故障识别方法 | |
CN108180871A (zh) | 一种定量评价复合绝缘子表面粉化粗糙度的方法 | |
CN114325274B (zh) | 一种换流变阀侧套管局部放电检测系统及方法 | |
CN111136664A (zh) | 基于紫外图像检测的巡检机器人及其检测方法 |
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: 20210817 |
|
RJ01 | Rejection of invention patent application after publication |