CN113344475A - 基于序列模态分解的变压器套管缺陷识别方法及系统 - Google Patents

基于序列模态分解的变压器套管缺陷识别方法及系统 Download PDF

Info

Publication number
CN113344475A
CN113344475A CN202110894419.6A CN202110894419A CN113344475A CN 113344475 A CN113344475 A CN 113344475A CN 202110894419 A CN202110894419 A CN 202110894419A CN 113344475 A CN113344475 A CN 113344475A
Authority
CN
China
Prior art keywords
transformer bushing
image
temperature
transformer
decomposition
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.)
Granted
Application number
CN202110894419.6A
Other languages
English (en)
Other versions
CN113344475B (zh
Inventor
李帆
辛建波
陈�田
高小伟
谭启昀
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.)
Beijing Yuhang Intelligent Technology Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Beijing Yuhang Intelligent Technology Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power 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 Beijing Yuhang Intelligent Technology Co ltd, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical Beijing Yuhang Intelligent Technology Co ltd
Priority to CN202110894419.6A priority Critical patent/CN113344475B/zh
Publication of CN113344475A publication Critical patent/CN113344475A/zh
Application granted granted Critical
Publication of CN113344475B publication Critical patent/CN113344475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于序列模态分解的变压器套管缺陷识别方法，涉及变压器套管技术领域，该方法采用图像融合算法对所获得的变压器套管红外图像与变压器套管可见光图像进行融合；采用Mask‑RCNN算法对变压器套管融合图像进行分割；采用CEEMDAN方法对非线性信号自适应分解；对剔除后的本征模态函数进行重构；采用LSTM训练模型对训练集数据建模，优化网络参数；将运行功率参数输入LSTM训练模型中，得到用于判别的温度值；根据热点温度和相对温差做出变压器套管缺陷判定。本发明能够提高变压器套管缺陷判定正确率和效率。

Description

基于序列模态分解的变压器套管缺陷识别方法及系统
技术领域
本发明涉及变压器套管技术领域，特别涉及一种基于序列模态分解的变压器套管缺陷识别方法及系统。
背景技术
随着电力行业的迅猛发展，电网建设步伐加快，主变压器的装用量持续增加。主变压器的高中低压侧套管是其相应绕组与电网引线相连部分，也对各侧绕组的引出线起支撑及绝缘等作用，其安全状况对变压器的运行极其重要。近年来由主变套管发热缺陷引起的运行故障占比较高，严重威胁着电网的安全稳定运行。
主变套管缺陷常伴随着套管发热现象，凭借变电站工作人员巡检难以及时发现故障，有较大的安全隐患且影响电网的平稳运行。基于电气实验方法检测变压器故障虽然有较为准确的结果但过程复杂，会消耗大量的人力物力。利用多光谱图像信息检测主变套管缺陷的方法被广泛应用。传统方法利用人工对红外图像加以分析，确定是否有异常发热现象，效率低且容易受到人为因素的影响。
现阶段，基于目标分割算法和长短期记忆网络的变电设备过热检测方法被广泛应用，常见的目标分割算法有YOLOv3、Faster R-CNN等。针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题，可较为准确识别和电力设备及其异常发热区域。但单纯依靠温差阈值仅能判断设备的当前状态，无法对其发热趋势进行跟踪预测。环境温度和负载升高，乃至其耦合作用有可能导致设备绝对温度的进一步升高，缺陷由一般发展为严重缺陷，因此需新的手段对变电设备热点温度进行判别。
现有算法可一定程度上解决变压器套管缺陷辨识问题，但变电站现场情况复杂，设备温度随时间变化情况受到环境温度及其他设备温度影响，单纯的阈值或LSTM难以准确判定缺陷。
发明内容
本发明的目的是提供一种基于序列模态分解的变压器套管缺陷识别方法及系统，以达到提高变压器套管缺陷识别准确性的目的。
为实现上述目的，本发明提供了如下方案：
一种基于序列模态分解的变压器套管缺陷识别方法，包括如下步骤：
步骤S1、图像与数据采集：在一段时间内周期性获取变压器套管红外图像和变压器套管可见光图像，并获取变压器套管环境温度、季节、运行功率；
步骤S2、图像预处理及融合：对变压器套管红外图像与变压器套管可见光图像进行预处理，然后采用图像融合算法对所获得的变压器套管红外图像与变压器套管可见光图像进行融合，得到变压器套管融合图像；
步骤S3、Mask-RCNN算法分割处理：采用Mask-RCNN算法对变压器套管融合图像进行分割，得到变压器套管对应的分割区域，生成Mask矩阵，并对Mask矩阵进行维度扩充，赋予分割矩阵对应的温度信息维度；
步骤S4、CEEMDAN方法分解及本征模态函数重构：采用CEEMDAN方法对非线性信号自适应分解，将原始温度数据分解为频率不同、复杂度差异明显的一组本征模态函数，降低序列中不同尺度信息的相互影响，从不同组本征模态函数中筛选出频率周期性变化明显的温度变化函数并加以剔除；对剔除后的本征模态函数进行重构，以得到重构后的变压器套管温度数据；
步骤S5、LSTM训练模型训练：采用LSTM训练模型对训练集数据建模，取平均绝对误差作为损失函数评价训练效果，不断优化网络参数，将运行功率参数输入LSTM训练模型中，得到用于判别的温度值；
步骤S6、根据热点温度和相对温差做出变压器套管缺陷判定。
进一步优选，所述对变压器套管红外图像与变压器套管可见光图像进行预处理，具体包括：
采用高斯滤波算法分别对所述变压器套管红外图像和变压器套管可见光图像进行处理；
对滤波后的变压器套管红外图像和滤波后的变压器套管可见光图像进行灰度化处理；
采用Canny算子分别提取灰度化后的变压器套管红外图像和灰度化后的变压器套管可见光图像的边缘，得到预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像。
进一步优选，步骤S3中包括：注意力机制和Mask-RCNN相结合的方法，然后在RPN生成anchor阶段，根据变压器套管特点，改进基础anchor比例，以提高分割精度。
进一步优选，步骤S3中，实体分割网络采用ResNet50/101+FPN的网络结构，构建FPN结构；在卷积特征图上，执行卷积操作；对卷积特征图中的每个中心点，选取k个不同尺度的锚点，然后按照原尺度映射回原图，生成候选区域；借助于特征低维编码及其卷积操作，分别判断每个锚点属于目标的概率以及它所对应物体的坐标信息；
通过设置掩模部分的损失函数，使对于一个属于第k个类别的RoI，仅仅与第k个掩模的输出对比，而不考虑其他的掩模输出。
进一步优选，步骤S4中，CEEMDAN方法分解具体过程为：
首先对分割区域温度序列C(t)添加白噪声序列，然后用EMD对
Figure 117493DEST_PATH_IMAGE001
信号进行N次 重复分解，通过均值计算得到首个IMF分量imf 1 (t)，IMF表示本征模态函数，并求出第一个 余量信号R 1 (t)；接下来求出第二个模态函数，对信号
Figure 646694DEST_PATH_IMAGE002
进行N次重复 分解并求其均值；然后求取第二个模态分量imf 2 和余量信号R 2 (t)；
依次重复求取每个阶段的imf分量，得到第k+1个R k+1信号，直到所有余量信号都不能再继续分解，满足终止条件，得到最终的温度分解信号；
进一步优选，步骤S4中，本征模态函数重构具体过程为：
给定两个离散随机变量X和Y，则互信息可由下式表示：
Figure 864978DEST_PATH_IMAGE004
其中
Figure 582399DEST_PATH_IMAGE005
是X和Y联合概率分布函数，而
Figure 649712DEST_PATH_IMAGE006
和
Figure 667346DEST_PATH_IMAGE007
分别是X和Y的边缘概率分 布函数；互信息是两个随机变量之间相关性的测度；如果X和Y不相关，则
Figure 427492DEST_PATH_IMAGE008
。 一般地，与噪声IMF相比，信号IMF与原始信号更相关。因此，互信息可以作为区分信号IMF与 噪声IMF的标志。采用互信息均值（meanMI）作为比较IMF与原始信号的相关性的标准，可由 下式计算：
Figure 897788DEST_PATH_IMAGE009
其中J为由原始信号分解得到的IMF的数量，若IMF的MI大于
Figure 34371DEST_PATH_IMAGE010
则可称为信 号IMF。
一种基于序列模态分解的变压器套管缺陷识别系统，包括：
图像与数据获取模块，用于获取变压器套管红外图像和变压器套管可见光图像以及环境温度、季节和运行功率；
图像融合模块，用于图像融合算法对变压器套管红外图像与变压器套管可见光图像进行融合处理；
目标分割模块，用于对变压器套管融合图像进行分割，以得到变压器套管的目标区域和对应温度矩阵区域；
温度数据重构模块，用于分离剔除周期性波动的环境温度数据和其他设备温度带来的干扰温度数据，降低温度信息间的相互影响，以得到受外部因素干扰小的变压器套管温度数据；
缺陷判定模块，用于对重构后的变压器套管温度数据进行训练，以得到用于最终用于判定的温度值。
可选的，所述图像融合模块，具体包括：
预处理单元，用于对变压器套管红外图像和变压器套管可见光图像分别进行预处理；
图像融合单元，用于采用图像融合算法分别对预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像进行处理，以得到欲分割的变压器套管融合图像。
可选的，所述预处理单元，具体包括：
滤波子单元，用于采用高斯滤波算法分别对所述变压器套管红外图像和变压器套管可见光图像进行处理；
灰度化处理子单元，用于对滤波后的变压器套管红外图像和滤波后的变压器套管可见光图像进行灰度化处理；
边缘处理子单元，用于采用Canny算子分别提取灰度化后的变压器套管红外图像和灰度化后的变压器套管可见光图像的边缘，得到预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像。
可选的，所述目标分割模块，具体包括：
变压器套管分割单元，用于将变压器套管对应区域分割，以得到分割后的Mask矩阵；
Mask矩阵扩充单元，用于将变压器套管红外图像温度矩阵的温度数据融入Mask矩阵中，以得到维度扩充后的Mask矩阵。
可选的，所述缺陷判定模块，具体包括：
LSTM训练模型训练单元，用于以平均绝对误差作为损失函数评价训练效果，不断优化网络参数，以得到用于判别的温度值；
缺陷判定单元，用于判定变压器套管是否超温。
本发明具有以下技术效果：采用CEEMDAN算法分离周期性的温度变化，弱化季节、昼夜以及周边设备温度场所带来的影响，使聚焦点在于变压器套管；采用LSTM算法训练重构后的变压器套管温度数据，最后得到用于最终判定缺陷的温度值，从而提高变压器套管缺陷判定的质量与效率。
附图说明
图1为LSTM训练模型的示意图；
图2为本发明基于序列模态分解的变压器套管缺陷识别方法的流程示意图。
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。
Mask-RCNN的网络结构总体由三部分组成：backbone、RPN、ROI Head。backbone是一系列的卷积层，用于提取图像的特征图，可以选择ResNet50和ResNet101。RPN是区域推荐的网络，用于帮助网络推荐感兴趣的区域。RPN扫描的区域被称为anchor，这是在图像区域上分布的矩形。ROI Head分为ROI Box Head和ROI Mask Head。
Mask-RCNN引入特征金字塔网络（FPN）对该主干网络的扩展，3种连接构成网络：自下而上连接、自上而下连接及横向连接。自上而下的连接是从最高层进行上采样，可以减少训练参数；横向连接将上采样结果和自下而上生成的特征图进行融合。3种连接方式的作用是在增大感受野的同时加强对小目标的识别。FPN通过对特征点的下采样,在拥有高语义内容特征层后，重新上采样。因此，第2个金字塔可以从第1个金字塔选择高级特征并传递到底层。通过这个过程，允许每级特征都可以和高级、低级特征互相结合。由于进行了3×3的卷积操作，因此，不同层数特征的通道数目相同,利用特征图生成锚框。
RPN滑动窗口扫描图像，并寻找存在目标的区域，该区域为特征图生成的锚框。RPN可以有效地复用提取的特征,避免重复计算。RPN为每个锚框生成2个输出：前景或背景、边框精调。挑选出包含目标的锚框并对位置尺寸进行精调，产生候选框，采用极大值抑制方法，获取最后的候选框。由于候选框像素不一，需要进行池化调整为固定尺寸。可以根据式(1)通过得到特征图的宽度w和高度h来裁切感兴趣区域：
Figure 640933DEST_PATH_IMAGE011
(1)
式中：
Figure 592487DEST_PATH_IMAGE012
为原始RoI所在层的层级：w、h分别为RoI的宽度和高度。
224×224代表预训练图像数据集图片的像素。由对应的特征图中取出坐标对应的区域，利用双线性插值的方式进行池化操作，返回相同像素的候选区域。分为3个步骤完成：
1）遍历每个候选区域,保持浮点数边界不做量化；
2）将候选区域分割为
Figure 18921DEST_PATH_IMAGE013
个单元,每个单元的边界也不做量化；
3）在每个单元中，计算固定4个坐标位置,用双线性内插的方法计算4个位置的值，然后进行最大池化操作，得到7×7的RoI。
分类分支包括了类别和边界框，该部分利用检测到的RoI进行分类和回归（分别对每个RoI进行）。掩膜分支采用全连接网络（Fully Convolution Network，FCN），其预测是在RoI之后，这是实现的语义分割，而不是实例分割。因为每个RoI只对应1个物体进行语义分割，相当于实现实例分割，即先分类再分割。
Mask-RCNN的损失函数计算公式如下：
Figure 365720DEST_PATH_IMAGE014
(2)
Figure 92367DEST_PATH_IMAGE015
和
Figure 459895DEST_PATH_IMAGE016
利用全连接预测出每个RoI的所属类别及其矩形框坐标值。
Figure 45728DEST_PATH_IMAGE015
为分 类损失函数，
Figure 786763DEST_PATH_IMAGE016
为回归损失函数、
Figure 367917DEST_PATH_IMAGE017
为分割损失函数、设
Figure 171925DEST_PATH_IMAGE018
为正确分类所对应的概 率值，选择交叉熵作为衡量标准计算公式为：
Figure 713896DEST_PATH_IMAGE019
(3)
回归损失函数
Figure 261552DEST_PATH_IMAGE016
计算公式为
Figure 431633DEST_PATH_IMAGE020
(4)
Figure 672122DEST_PATH_IMAGE021
(5)
其中，
Figure 698459DEST_PATH_IMAGE022
为真实框中心横坐标、
Figure 518648DEST_PATH_IMAGE023
预测框中心横坐标、
Figure 74394DEST_PATH_IMAGE024
为真实框中心纵坐标、
Figure 954625DEST_PATH_IMAGE025
为预测框中心纵坐标、
Figure 595822DEST_PATH_IMAGE026
为真实框宽度、
Figure 485281DEST_PATH_IMAGE027
为预测框宽度、
Figure 767970DEST_PATH_IMAGE028
为真实框高度、
Figure 84682DEST_PATH_IMAGE029
为预测框 高度，f为回归损失计算子函数，a、b无具体含义，代指公式中的函数参数。
分割损失函数
Figure 213175DEST_PATH_IMAGE017
计算公式为：
Figure 640745DEST_PATH_IMAGE030
(6)
Figure 46450DEST_PATH_IMAGE031
(7)
其中，y j 为第j个真实框的分割像素真值，x j 为第j个预测框的分割像素预测值，
Figure 268484DEST_PATH_IMAGE032
为分割损失计算子函数，y为分割像素真值，x为分割像素预测值，
Figure 618694DEST_PATH_IMAGE033
为第j个真值与预测值的概率比，
Figure 847025DEST_PATH_IMAGE034
为真值与预测值的概率比。
CEEMDAN算法
EMD算法是一种用于处理一些非线性和非平稳信号的自适应分解方法。不需要设置参数，可以将一个时间序列自适应分解为一组本征模态函数（IMF）。这些IMFs具有不同的中心频率，所以可以分为两类：噪声IMF和信号IMF。但EMD算法存在模态混叠问题，即不同中心频率的信号会出现在同一个模态中。为解决这一问题，集合经验模态分解（EEMD）通过叠加高斯白噪声，可以有效解决模态混叠问题，但也带来了两个问题。第一，重构信号中产生残留噪声；第二，信号不同的噪声叠加方式会带来不同的模态数量。为了克服这些情况，提出了具有自适应噪声的互补完全经验模态分解（CEEMDAN）。由于该算法强大的复杂信号分析能力，在故障诊断、地震学、车流预测、医疗等不同领域受到青睐。
CEEMDAN算法实现首先对分割区域温度序列C(t)添加白噪声序列，如公式（8）所示：
Figure 966291DEST_PATH_IMAGE035
(8)
其中t表示温度循环次数，
Figure 93647DEST_PATH_IMAGE036
表示第几次添加了白噪声的温度序列，
Figure 665574DEST_PATH_IMAGE037
表示 第j次添加服从标准正态分布的高斯白噪声，
Figure 169367DEST_PATH_IMAGE038
表示第k个信噪比。
下面用EMD对
Figure 674298DEST_PATH_IMAGE036
信号进行N次重复分解，通过均值计算得到首个本征模态函数 分量imf 1 (t)，并通过公式(9)求出第一个余量信号R 1 (t)。
Figure 238135DEST_PATH_IMAGE039
(9)
接下来求出第二个本征模态函数，
Figure 576319DEST_PATH_IMAGE040
为经过EMD分解产生的第一个分量，对信号
Figure 883803DEST_PATH_IMAGE041
进行N次重复分解并求其均值。用公式(10)和(11)求取第二个模态 分量imf 2 和余量信号R 2 (t)。
Figure 977661DEST_PATH_IMAGE042
(10)
Figure 571453DEST_PATH_IMAGE043
(11)
加入正负成对高斯白噪声得到新信号，以新信号为载体进行EMD分解，由此可以得到CEEMDAN分解的第二个本征模态分量，后面每个阶段的模态分量求取方法同上面，直至得到第k+1个R k+1信号。
重复上述步骤，直到所有余量信号都不能再继续分解，满足终止条件，最终的温度信号被分解为：
Figure 117972DEST_PATH_IMAGE044
(12)
LSTM模型是一种为解决RNN梯度消失或者梯度爆炸而剔除的一种特殊结构。常用来解决长时间序列问题，图1为LSTM训练模型的示意图。
其结构的关键点主要在于三个门的控制，分别为遗忘门、输入门和输出门。分别决定上一个时间状态的单元状态S t-1 保留到现在的单元状态S t 部分，其计算如公式(13)所示：
Figure 963569DEST_PATH_IMAGE045
(13)
其中W f 为遗忘门的权重矩阵，x t 表示t时刻输人层向量，yt-1表示t-1时刻输出层向 量，b f 表示遗忘门偏置矩阵，f t 表示遗忘门输出矩阵，
Figure 518790DEST_PATH_IMAGE046
( )表示sigmoid激活函数。经过激活 函数之后单元状态S t 输出一个0到1之间的实数向量，1表示完全保留，0表示完全舍弃该状 态值。
输入门决定了当前网络时刻的输入x t 有多少保存到单元状态S t ，计算公式如下：
Figure 158850DEST_PATH_IMAGE047
(14)
Figure 192665DEST_PATH_IMAGE048
(15)
Figure 841953DEST_PATH_IMAGE049
(16)
其中，
Figure 644823DEST_PATH_IMAGE050
为决定更新的信息，
Figure 721364DEST_PATH_IMAGE051
为候选单元信息，
Figure 242475DEST_PATH_IMAGE052
为当前时刻的单元状态，
Figure 223682DEST_PATH_IMAGE053
为当前时刻输入，
Figure 881059DEST_PATH_IMAGE054
表示当前时刻的输入门权值矩阵，
Figure 862922DEST_PATH_IMAGE055
为当前时刻的输入门偏置矩 阵，
Figure 871329DEST_PATH_IMAGE056
为上述遗忘门输出矩阵，
Figure 862419DEST_PATH_IMAGE057
为前一时刻的单元状态，W i 为输入门权值矩阵，b i 分别 为输入门偏置矩阵。并使用tanh函数构建一个新的单元状态s，输出门决定了最终将要输出 的信息，计算公式如下:
Figure 639882DEST_PATH_IMAGE058
(17)
Figure 58225DEST_PATH_IMAGE059
(18)
其中
Figure 288349DEST_PATH_IMAGE060
为最终将要输出的信息，
Figure 838058DEST_PATH_IMAGE061
和
Figure 470028DEST_PATH_IMAGE062
分别为为输出门权值矩阵和偏置矩阵。
实施例一
请参见图2，基于序列模态分解的变压器套管缺陷识别方法，包括如下步骤：
步骤S1、图像与数据采集：在一段时间内周期性获取变压器套管红外图像和变压器套管可见光图像，并获取变压器套管环境温度、季节、运行功率；具体为：采用可固定位置且清晰度较高的红外与可见光摄像头对变压器套管进行拍摄，同时获取变压器套管红外图像和变压器套管可见光图像；采用灵敏度较高的测温仪器测取变压器套管的环境温度，从运行监测系统中获得变压器运行功率。
步骤S2、图像预处理及融合：对变压器套管红外图像与变压器套管可见光图像进行预处理，然后采用图像融合算法对所获得的变压器套管红外图像与变压器套管可见光图像进行融合，得到变压器套管融合图像。
采用高斯滤波算法分别对所述变压器套管红外图像和变压器套管可见光图像进行处理；
对滤波后的变压器套管红外图像和滤波后的变压器套管可见光图像进行灰度化处理；
采用Canny算子分别提取灰度化后的变压器套管红外图像和灰度化后的变压器套管可见光图像的边缘，得到预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像。
采用图像融合的方法处理变压器套管红外图像与变压器套管可见光图像，可得到两幅图像之间的位移、放缩、旋转和仿射等映射关系，用于后续分割图像的同时得到对应区域的温度信息矩阵。
步骤S3、Mask-RCNN算法分割处理：采用Mask-RCNN算法对变压器套管融合图像进行分割，得到变压器套管对应的分割区域，生成Mask矩阵，并对Mask矩阵进行维度扩充，赋予分割矩阵对应的温度信息维度。
实体分割网络采用ResNet50/101+FPN的网络结构，构建FPN结构。在卷积特征图上，用较小尺度的窗口执行卷积操作。对卷积特征图中的每个中心点，选取k个不同尺度的锚点，然后按照原尺度映射回原图，生成候选区域。借助于特征低维编码及其卷积操作，分别判断每个锚点属于目标的概率以及它所对应物体的坐标信息。
通过设置掩模(Mask)部分的损失函数，使对于一个属于第k个类别的RoI，仅仅与第k个掩模的输出做对比，而不考虑其他的掩模输出。这种损失函数的定义对像素区域不会引入类间竞争，从而允许对每个类别都在该区域生成掩模，有利于得到完整的区域分割。
步骤S4、CEEMDAN方法分解及本征模态函数重构：采用CEEMDAN方法对非线性信号自适应分解，将原始温度数据分解为频率不同、复杂度差异明显的一组本征模态函数（IMF），降低序列中不同尺度信息的相互影响，利用互信息判据从不同组本征模态函数中筛选出与原温度信号差异较大的温度变化函数并加以剔除；对剔除后的本征模态函数进行重构，以得到重构后的变压器套管温度数据。
首先对分割区域温度序列C(t)添加白噪声序列，然后用EMD对
Figure 324852DEST_PATH_IMAGE036
信号进行N次 重复分解，通过均值计算得到首个IMF分量imf 1 (t)，并求出第一个余量信号R 1 (t)。接下来求 出第二个模态函数，对信号
Figure 42272DEST_PATH_IMAGE041
进行N次重复分解并求其均值。然后求 取第二个模态分量imf 2 和余量信号R 2 (t)。
依次重复求取每个阶段的imf分量，得到第k+1个R k+1信号，直到所有余量信号都不能再继续分解，满足终止条件，得到最终的温度分解信号。
给定两个离散随机变量X和Y，则互信息可由下式表示：
Figure 392799DEST_PATH_IMAGE004
(19)
其中
Figure 152944DEST_PATH_IMAGE005
是X和Y联合概率分布函数，而
Figure 92082DEST_PATH_IMAGE006
和
Figure 225735DEST_PATH_IMAGE007
分别是X和Y的边缘概率分 布函数。互信息是两个随机变量之间相关性的测度。如果X和Y不相关，则
Figure 832297DEST_PATH_IMAGE008
。 一般地，与噪声IMF相比，信号IMF与原始信号更相关。因此，互信息可以作为区分信号IMF与 噪声IMF的标志。所述方法采用互信息均值（meanMI）作为比较IMF与原始信号的相关性的标 准，可由下式计算：
Figure 497765DEST_PATH_IMAGE009
(20)
其中J为由原始信号分解得到的IMF的数量。若IMF的MI大于
Figure 189777DEST_PATH_IMAGE063
则可称为信 号IMF。
步骤S5：LSTM训练模型训练：采用LSTM训练模型对训练集数据建模，取平均绝对误差作为损失函数评价训练效果，不断优化网络参数，将运行功率参数输入LSTM训练模型中，得到用于判别的温度值。
使用注意力机制以赋予不同时刻输入不同的权重，h t 表示编码层的LSTM网络的隐含层状态向量，h t =LSTM(h t-1 , x t )﹔
计算注意力权重
Figure 864472DEST_PATH_IMAGE064
：
Figure 325540DEST_PATH_IMAGE065
(21)
式中，
Figure 693068DEST_PATH_IMAGE064
表示t时间步LSTM网络输出的第i个隐藏状态向量h i ，对于预测输出的重 要性，表示时间步t处的输入h t ，与时间步i处的输出s i 之间的相关性评分，
Figure 603868DEST_PATH_IMAGE066
表示隐藏向量 个数；
选用下面的评分函数：
Figure 551095DEST_PATH_IMAGE067
(22)
Figure 866670DEST_PATH_IMAGE068
(23)
式中，v a 为需要学习的向量，W a 为评分函数att的权重，
Figure 139519DEST_PATH_IMAGE069
表示隐藏状态h t 和s t 进行连接，tanh为双曲正切函数；
计算注意力上下文向量C={c1, c2, … , ct, ... cw}，其中时间步t时的注意力上下文向量c t ，的计算公式为：
Figure 337282DEST_PATH_IMAGE070
(24)
也可采取阈值法和温差法作为粗略判据进行变压器套管缺陷判定，但判定结果可能会不精确。
步骤S6、根据热点温度和相对温差做出变压器套管缺陷判定。
本发明还提供了一种基于CEEMDAN-LSTM的变压器套管缺陷识别系统，包括：
图像与数据获取模块，用于获取变压器套管红外图像和变压器套管可见光图像以及环境温度、季节和运行功率；
图像融合模块，用于图像融合算法对变压器套管红外图像与变压器套管可见光图像进行融合处理；
目标分割模块，用于对变压器套管融合图像进行分割，以得到变压器套管的目标区域和对应温度矩阵区域；
温度数据重构模块，用于分离剔除周期性波动的环境温度数据和其他设备温度带来的干扰温度数据，降低温度信息间的相互影响，以得到受外部因素干扰小的变压器套管温度数据；
缺陷判定模块，用于对重构后的变压器套管温度数据进行训练，以得到用于最终用于判定的温度值。
所述图像融合模块，具体包括：
预处理单元，用于对变压器套管红外图像和变压器套管可见光图像分别进行预处理；
图像融合单元，用于采用图像融合算法分别对预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像进行处理，以得到欲分割的变压器套管融合图像。
所述预处理单元，具体包括：
滤波子单元，用于采用高斯滤波算法分别对所述变压器套管红外图像和变压器套管可见光图像进行处理；
灰度化处理子单元，用于对滤波后的变压器套管红外图像和滤波后的变压器套管可见光图像进行灰度化处理；
边缘处理子单元，用于采用Canny算子分别提取灰度化后的变压器套管红外图像和灰度化后的变压器套管可见光图像的边缘，得到预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像。
所述目标分割模块，具体包括：
变压器套管分割单元，用于将变压器套管对应区域分割，以得到分割后的Mask矩阵；
Mask矩阵扩充单元，用于将变压器套管红外图像温度矩阵的温度数据融入Mask矩阵中，以得到维度扩充后的Mask矩阵。
所述缺陷判定模块，具体包括：
LSTM模型训练单元，用于以平均绝对误差作为损失函数评价训练效果，不断优化网络参数，以得到用于判别的温度值；
缺陷判定单元，用于判定变压器套管是否超温。
本发明的优势在于结合图像融合算法与CEEMDAN等有效的算法，弱化季节、昼夜以及周边设备温度场所带来的影响，使聚焦点在于变压器套管；采用LSTM算法训练重构后的温度数据，最后得到用于最终判定缺陷的温度值，从而提高变压器套管缺陷判定的质量与效率。采用本发明方法的优势是可大幅提高变压器缺陷判定的正确率与效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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 (10)

1.一种基于序列模态分解的变压器套管缺陷识别方法，其特征在于，包括如下步骤：
步骤S1、图像与数据采集：在一段时间内周期性获取变压器套管红外图像和变压器套管可见光图像，并获取变压器套管环境温度、季节、运行功率；
步骤S2、图像预处理及融合：对变压器套管红外图像与变压器套管可见光图像进行预处理，然后采用图像融合算法对所获得的变压器套管红外图像与变压器套管可见光图像进行融合，得到变压器套管融合图像；
步骤S3、Mask-RCNN算法分割处理：采用Mask-RCNN算法对变压器套管融合图像进行分割，得到变压器套管对应的分割区域，生成Mask矩阵，并对Mask矩阵进行维度扩充，赋予分割矩阵对应的温度信息维度；
步骤S4、CEEMDAN方法分解及本征模态函数重构：采用CEEMDAN方法对非线性信号自适应分解，将原始温度数据分解为频率不同、复杂度差异明显的一组本征模态函数，降低序列中不同尺度信息的相互影响，从不同组本征模态函数中筛选出频率周期性变化明显的温度变化函数并加以剔除；对剔除后的本征模态函数进行重构，以得到重构后的变压器套管温度数据；
步骤S5、LSTM训练模型训练：采用LSTM训练模型对训练集数据建模，取平均绝对误差作为损失函数评价训练效果，不断优化网络参数，将运行功率参数输入LSTM训练模型中，得到用于判别的温度值；
步骤S6、根据热点温度和相对温差做出变压器套管缺陷判定。
2.根据权利要求1所述的基于序列模态分解的变压器套管缺陷识别方法，其特征在于，所述对变压器套管红外图像与变压器套管可见光图像进行预处理，具体包括：
采用高斯滤波算法分别对变压器套管红外图像和变压器套管可见光图像进行处理；
对滤波后的变压器套管红外图像和滤波后的变压器套管可见光图像进行灰度化处理；
采用Canny算子分别提取灰度化后的变压器套管红外图像和灰度化后的变压器套管可见光图像的边缘，得到预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像。
3.根据权利要求1所述的基于序列模态分解的变压器套管缺陷识别方法，其特征在于，步骤S3中，实体分割网络采用ResNet50/101+FPN的网络结构，构建FPN结构；在卷积特征图上，执行卷积操作；对卷积特征图中的每个中心点，选取k个不同尺度的锚点，然后按照原尺度映射回原图，生成候选区域；借助于特征低维编码及其卷积操作，分别判断每个锚点属于目标的概率以及它所对应物体的坐标信息；
通过设置掩模部分的损失函数，使对于一个属于第k个类别的RoI，仅仅与第k个掩模的输出对比，而不考虑其他的掩模输出。
4.根据权利要求1所述的基于序列模态分解的变压器套管缺陷识别方法，其特征在于，步骤S4中，CEEMDAN方法分解具体过程为：
首先对分割区域温度序列C(t)添加白噪声序列，然后用EMD对
Figure 26183DEST_PATH_IMAGE001
信号进行N次重复分 解，通过均值计算得到首个IMF分量imf 1 (t)，IMF表示本征模态函数，并求出第一个余量信 号R 1 (t)；接下来求出第二个模态函数，对信号
Figure 961778DEST_PATH_IMAGE002
进行N次重复分解并 求其均值；然后求取第二个模态分量imf 2 和余量信号R 2 (t)；
依次重复求取每个阶段的imf分量，得到第k+1个R k+1信号，直到所有余量信号都不能再继续分解，满足终止条件，得到最终的温度分解信号。
5.根据权利要求1所述的基于序列模态分解的变压器套管缺陷识别方法，其特征在于，步骤S4中，本征模态函数重构具体过程为：
给定两个离散随机变量X和Y，则互信息可由下式表示：
Figure 139129DEST_PATH_IMAGE004
其中
Figure 817014DEST_PATH_IMAGE005
是X和Y联合概率分布函数，而
Figure 923511DEST_PATH_IMAGE006
和
Figure 400760DEST_PATH_IMAGE007
分别是X和Y的边缘概率分布函 数；互信息是两个随机变量之间相关性的测度；如果X和Y不相关，则
Figure 391849DEST_PATH_IMAGE008
；互信 息可以作为区分信号IMF与噪声IMF的标志；采用互信息均值meanMI作为比较IMF与原始信 号的相关性的标准，由下式计算：
Figure 903733DEST_PATH_IMAGE009
其中J为由原始信号分解得到的IMF的数量，若IMF的MI大于
Figure 56497DEST_PATH_IMAGE010
则可称为信号 IMF。
6.一种基于序列模态分解的变压器套管缺陷识别系统，其特征在于，包括：
图像与数据获取模块，用于获取变压器套管红外图像和变压器套管可见光图像以及环境温度、季节和运行功率；
图像融合模块，用于图像融合算法对变压器套管红外图像与变压器套管可见光图像进行融合处理；
目标分割模块，用于对变压器套管融合图像进行分割，以得到变压器套管的目标区域和对应温度矩阵区域；
温度数据重构模块，用于分离剔除周期性波动的环境温度数据和其他设备温度带来的干扰温度数据，降低温度信息间的相互影响，以得到受外部因素干扰小的变压器套管温度数据；
缺陷判定模块，用于对重构后的变压器套管温度数据进行训练，以得到用于最终用于判定的温度值。
7.根据权利要求6所述的基于序列模态分解的变压器套管缺陷识别系统，其特征在于，所述图像融合模块具体包括：
预处理单元，用于对变压器套管红外图像和变压器套管可见光图像分别进行预处理；
图像融合单元，用于采用图像融合算法分别对预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像进行处理，以得到欲分割的变压器套管融合图像。
8.根据权利要求7所述的基于序列模态分解的变压器套管缺陷识别系统，其特征在于，所述预处理单元具体包括：
滤波子单元，用于采用高斯滤波算法分别对所述变压器套管红外图像和变压器套管可见光图像进行处理；
灰度化处理子单元，用于对滤波后的变压器套管红外图像和滤波后的变压器套管可见光图像进行灰度化处理；
边缘处理子单元，用于采用Canny算子分别提取灰度化后的变压器套管红外图像和灰度化后的变压器套管可见光图像的边缘，得到预处理后的变压器套管红外图像和预处理后的变压器套管可见光图像。
9.根据权利要求6所述的基于序列模态分解的变压器套管缺陷识别系统，其特征在于，所述目标分割模块具体包括：
变压器套管分割单元，用于将变压器套管对应区域分割，以得到分割后的Mask矩阵；
Mask矩阵扩充单元，用于将变压器套管红外图像温度矩阵的温度数据融入Mask矩阵中，以得到维度扩充后的Mask矩阵。
10.根据权利要求6所述的基于序列模态分解的变压器套管缺陷识别系统，其特征在于，所述缺陷判定模块具体包括：
LSTM训练模型训练单元，用于以平均绝对误差作为损失函数评价训练效果，不断优化网络参数，以得到用于判别的温度值；
缺陷判定单元，用于判定变压器套管是否超温。
CN202110894419.6A 2021-08-05 2021-08-05 基于序列模态分解的变压器套管缺陷识别方法及系统 Active CN113344475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110894419.6A CN113344475B (zh) 2021-08-05 2021-08-05 基于序列模态分解的变压器套管缺陷识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110894419.6A CN113344475B (zh) 2021-08-05 2021-08-05 基于序列模态分解的变压器套管缺陷识别方法及系统

Publications (2)

Publication Number Publication Date
CN113344475A true CN113344475A (zh) 2021-09-03
CN113344475B CN113344475B (zh) 2021-12-31

Family

ID=77480738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110894419.6A Active CN113344475B (zh) 2021-08-05 2021-08-05 基于序列模态分解的变压器套管缺陷识别方法及系统

Country Status (1)

Country Link
CN (1) CN113344475B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989268A (zh) * 2021-11-12 2022-01-28 国网重庆市电力公司电力科学研究院 一种识别红外图像中指定设备的gis套管的方法及存储介质
CN115170810A (zh) * 2022-09-08 2022-10-11 南京理工大学 一种可见光红外图像融合目标检测实例分割方法
CN115587975A (zh) * 2022-09-28 2023-01-10 国网湖北省电力有限公司超高压公司 充油设备套管积污缺陷诊断系统、方法和介质
CN116562008A (zh) * 2023-05-04 2023-08-08 广东工业大学 一种基于emd-lstm的锂电池温度场时空建模方法
CN116548928A (zh) * 2023-07-11 2023-08-08 西安浩阳志德医疗科技有限公司 一种基于互联网的护理服务系统
CN117952983A (zh) * 2024-03-27 2024-04-30 中电科大数据研究院有限公司 一种基于人工智能的智能制造生产过程监控方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428100A (zh) * 2019-07-31 2019-11-08 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 一种风机短期发电功率预测方法
CN110782461A (zh) * 2019-10-28 2020-02-11 华北电力大学 一种基于Mask-RCNN的电力设备红外图像分割方法
CN111047554A (zh) * 2019-11-13 2020-04-21 华南理工大学 一种基于实例分割的复合绝缘子过热缺陷检测方法
CN112465738A (zh) * 2020-12-21 2021-03-09 国网山东省电力公司电力科学研究院 基于红外与可见光图像的光伏电站在线运维方法及系统
CN112734692A (zh) * 2020-12-17 2021-04-30 安徽继远软件有限公司 一种变电设备缺陷识别方法及装置
CN112765873A (zh) * 2020-11-30 2021-05-07 中国南方电网有限责任公司超高压输电公司广州局 一种基于lstm算法的变电设备发热预测方法
CN113034478A (zh) * 2021-03-31 2021-06-25 太原科技大学 一种基于深度学习网络的焊缝缺陷识别定位方法、系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428100A (zh) * 2019-07-31 2019-11-08 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 一种风机短期发电功率预测方法
CN110782461A (zh) * 2019-10-28 2020-02-11 华北电力大学 一种基于Mask-RCNN的电力设备红外图像分割方法
CN111047554A (zh) * 2019-11-13 2020-04-21 华南理工大学 一种基于实例分割的复合绝缘子过热缺陷检测方法
CN112765873A (zh) * 2020-11-30 2021-05-07 中国南方电网有限责任公司超高压输电公司广州局 一种基于lstm算法的变电设备发热预测方法
CN112734692A (zh) * 2020-12-17 2021-04-30 安徽继远软件有限公司 一种变电设备缺陷识别方法及装置
CN112465738A (zh) * 2020-12-21 2021-03-09 国网山东省电力公司电力科学研究院 基于红外与可见光图像的光伏电站在线运维方法及系统
CN113034478A (zh) * 2021-03-31 2021-06-25 太原科技大学 一种基于深度学习网络的焊缝缺陷识别定位方法、系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENGFENG BIE等: "An Integrated Approach Based on Improved CEEMDAN and LSTM Deep Learning Neural Network for Fault Diagnosis of Reciprocating Pump", 《IEEE》 *
JUN LI等: "Embedded real-time infrared and visible image fusion for UAV surveillance", 《JOURNAL OF REAL-TIME IMAGE PROCESSING》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989268A (zh) * 2021-11-12 2022-01-28 国网重庆市电力公司电力科学研究院 一种识别红外图像中指定设备的gis套管的方法及存储介质
CN115170810A (zh) * 2022-09-08 2022-10-11 南京理工大学 一种可见光红外图像融合目标检测实例分割方法
CN115587975A (zh) * 2022-09-28 2023-01-10 国网湖北省电力有限公司超高压公司 充油设备套管积污缺陷诊断系统、方法和介质
CN116562008A (zh) * 2023-05-04 2023-08-08 广东工业大学 一种基于emd-lstm的锂电池温度场时空建模方法
CN116548928A (zh) * 2023-07-11 2023-08-08 西安浩阳志德医疗科技有限公司 一种基于互联网的护理服务系统
CN116548928B (zh) * 2023-07-11 2023-09-08 西安浩阳志德医疗科技有限公司 一种基于互联网的护理服务系统
CN117952983A (zh) * 2024-03-27 2024-04-30 中电科大数据研究院有限公司 一种基于人工智能的智能制造生产过程监控方法和系统

Also Published As

Publication number Publication date
CN113344475B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN113344475B (zh) 基于序列模态分解的变压器套管缺陷识别方法及系统
CN106874894B (zh) 一种基于区域全卷积神经网络的人体目标检测方法
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN111444939B (zh) 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法
CN110909690A (zh) 一种基于区域生成的遮挡人脸图像检测方法
CN110232380A (zh) 基于Mask R-CNN神经网络的火灾夜间场景复原方法
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN111507426B (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
CN107833221A (zh) 一种基于多通道特征融合和机器学习的漏水监测方法
CN113920107A (zh) 一种基于改进yolov5算法的绝缘子破损检测方法
CN111199523A (zh) 电力设备识别方法、装置、计算机设备和存储介质
CN114119610B (zh) 基于旋转目标检测的缺陷检测方法
CN111582074A (zh) 一种基于场景深度信息感知的监控视频树叶遮挡检测方法
CN112017173A (zh) 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
CN112419243B (zh) 一种基于红外图像分析的配电房设备故障识别方法
CN114219763A (zh) 基于Faster RCNN算法的配电设备异常发热点红外图片检测方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN116994161A (zh) 一种基于改进YOLOv5的绝缘子缺陷检测方法
CN116994175A (zh) 深度伪造视频的时空结合检测方法、装置及设备
CN114648736B (zh) 基于目标检测的鲁棒工程车辆识别方法及系统
CN116519710A (zh) 一种用于复合绝缘子表面污秽状态的检测方法及系统
CN113689399B (zh) 一种用于电网识别遥感图像处理方法及系统
CN115761606A (zh) 基于图像处理的箱体电能表识别方法及装置
CN115410035A (zh) 基于监控视频的空中交通管制员不安全行为分类方法
CN113538351A (zh) 一种融合多参数电信号的外绝缘设备缺陷程度评估方法

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
GR01 Patent grant
GR01 Patent grant