CN113538351B - 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 - Google Patents

一种融合多参数电信号的外绝缘设备缺陷程度评估方法 Download PDF

Info

Publication number
CN113538351B
CN113538351B CN202110742579.9A CN202110742579A CN113538351B CN 113538351 B CN113538351 B CN 113538351B CN 202110742579 A CN202110742579 A CN 202110742579A CN 113538351 B CN113538351 B CN 113538351B
Authority
CN
China
Prior art keywords
neural network
obtaining
external insulation
result
device region
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
CN202110742579.9A
Other languages
English (en)
Other versions
CN113538351A (zh
Inventor
陈玉峰
许光可
胥明凯
井雨刚
张磊
李新梅
李钦柱
许志元
李源
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110742579.9A priority Critical patent/CN113538351B/zh
Publication of CN113538351A publication Critical patent/CN113538351A/zh
Application granted granted Critical
Publication of CN113538351B publication Critical patent/CN113538351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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]
    • 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
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本公开提供了一种融合多参数电信号的外绝缘设备缺陷程度评估方法，获取外绝缘设备的可见光图像和紫外图像；根据获取的可见光图像和预设第一神经网络，得到设备区域检测结果；根据获取的紫外图像和预设第二神经网络得到紫外放电光斑特征；根据设备区域检测结果的图像重绘结果和第一卷积神经网络得到设备区域二次特征提取结果，根据紫外放电光斑特征的图像重绘结果和第二卷积神经网络得到紫外放电光斑特征二次特征提取结果；根据二次特征提取结果与光电检测参数，得到外绝缘设备的缺陷评估结果；本公开融合可见光特征、紫外光斑特征和多参数电信号信息，不仅排除温度和增益等的影响，还提高了缺陷程度评估结果的准确性。

Description

一种融合多参数电信号的外绝缘设备缺陷程度评估方法
技术领域
本公开涉及电力设备缺陷评估技术领域，特别涉及一种融合多参数电信号的外绝缘设备缺陷程度评估方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
国内应用紫外成像手段开展电气设备状态检测的历史最早至少可以追溯至十年前，现有的紫外成像装置利用半透镜原理的日盲型紫外检测技术，巧妙的解决了日光对紫外成像的影响，使紫外光呈现在可见光的图像上，并实现放电计数，放电强度评估等功能。
发明人发现，现有的外绝缘设备缺陷程度评估方法大多采用神经网络模型单纯的进行紫外特征的提取，缺乏对多参数电信号和可见光特征的融合，从而使得最终的缺陷程度评估结果准确度较低。
发明内容
为了解决现有技术的不足，本公开提供了一种融合多参数电信号的外绝缘设备缺陷程度评估方法，融合可见光特征、紫外光斑特征和多参数电信号信息，不仅排除温度和增益等的影响，还提高了缺陷程度评估结果的准确性。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种融合多参数电信号的外绝缘设备缺陷程度评估方法。
一种融合多参数电信号的外绝缘设备缺陷程度评估方法，包括以下过程：
获取外绝缘设备的可见光图像和紫外图像；
根据获取的可见光图像和预设第一神经网络，得到设备区域检测结果；
根据获取的紫外图像和预设第二神经网络得到紫外放电光斑特征；
根据设备区域检测结果的图像重绘结果和第一卷积神经网络得到设备区域二次特征提取结果，根据紫外放电光斑特征的图像重绘结果和第二卷积神经网络得到紫外放电光斑特征二次特征提取结果；
根据二次特征提取结果与光电检测参数，得到外绝缘设备的缺陷评估结果。
进一步的，第一神经网络采用YOLO-V3神经网络或者R2CNN神经网络，进行设备区域检测结果。
进一步的，根据预设全卷积神经网络，对紫外图像中的紫外斑点进行分割，提取放电斑点，利用预设第二神经网络得到紫外放电光斑特征。
进一步的，第一卷积神经网络依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
进一步的，第二卷积神经网络依次包括输入层、第一卷积层、第一降维层、第二卷积层、第二降维层和输出层。
进一步的，光电检测参数包括：污秽度、增益、观测距离、湿度和光子数。
进一步的，缺陷评估结果至少包括正常、一般、严重和危急。
本公开第二方面提供了一种融合多参数电信号的外绝缘设备缺陷程度评估系统。
一种融合多参数电信号的外绝缘设备缺陷程度评估系统，包括：
数据获取模块，被配置为：获取外绝缘设备的可见光图像和紫外图像；
区域检测模块，被配置为：根据获取的可见光图像和预设第一神经网络，得到设备区域检测结果；
光斑特征提取模块，被配置为：根据获取的紫外图像和预设第二神经网络得到紫外放电光斑特征；
二次特征提取模块，被配置为：根据设备区域检测结果的图像重绘结果和第一卷积神经网络得到设备区域二次特征提取结果，根据紫外放电光斑特征的图像重绘结果和第二卷积神经网络得到紫外放电光斑特征二次特征提取结果；
缺陷评估模块，被配置为：根据二次特征提取结果与光电检测参数，得到外绝缘设备的缺陷评估结果。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的融合多参数电信号的外绝缘设备缺陷程度评估方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的融合多参数电信号的外绝缘设备缺陷程度评估方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质或电子设备，融合可见光特征、紫外光斑特征和多参数电信号信息，不仅排除温度和增益等的影响，还提高了缺陷程度评估结果的准确性。
2、本公开所述的方法、系统、介质或电子设备，采用一级特征提取、图像重绘和二级特征提取，最后通过softmax分类器进行融合分类，进一步的提高了评估的准确性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的融合多参数电信号的外绝缘设备缺陷程度评估方法的流程示意图。
图2为本公开实施例1提供的全卷积神经网络结构图。
图3为本公开实施例1提供的多尺度特征融合模型结构示意图。
图4为本公开实施例1提供的第一卷积神经网络的结构示意图。
图5为本公开实施例1提供的第二卷积神经网络的结构示意图。
图6为本公开实施例1提供的LeNet紫外放电光斑特征提取模型训练曲线。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种融合多参数电信号的外绝缘设备缺陷程度评估方法，包括以下过程：
获取外绝缘设备的可见光图像和紫外图像；
根据获取的可见光图像和预设第一神经网络，得到设备区域检测结果；
根据获取的紫外图像和预设第二神经网络得到紫外放电光斑特征；
根据设备区域检测结果的图像重绘结果和第一卷积神经网络得到设备区域二次特征提取结果，根据紫外放电光斑特征的图像重绘结果和第二卷积神经网络得到紫外放电光斑特征二次特征提取结果；
根据二次特征提取结果与光电检测参数，得到外绝缘设备的缺陷评估结果。
具体的，包括：
S1：可见光通道设备区域信息特征提取
为了充分利用紫外成像仪的可见光路径和紫外光路径的双重光路信息，采用YOLO-V3神经网络或者R2CNN神经网络，进行设备区域检测结果。
以YOLO-V3神经网络为例，YOLO-V3模型可以分为特征提取层和处理输出层。特征提取层是Darknet-53和ResNet类网络的组合。处理输出层类似于FPN网络，网络结构如图2所示。
同时，YOLO-V3模型可以具体分为106层完全卷积的架构，包含了conv层、BN层、shortcut层、route层、upsample层、yolo层。其中，shortcut层借鉴了resnet的残差结构；route层为路由层，索引到前面的feature map。upsample为双线性上采样层；yolo层为feature map解析层。在卷积层中，主要使用1×1和3×3滤波器，3×3卷积层用于减小宽度和高度，增加信道数量，1×1卷积层用于压缩特征表示。网络架构的复杂，往往伴随着模型训练难度和收敛速度的双重考验。因此，YOLO-V3在复杂底层结构的基础上，选用shortcut层大大降低训练难度，提高训练准确率。通过route层实现跨层连接，促进多个不同特征的融合并一起学习。上采样层使用两个上采样来将大分辨率特征图与小分辨率特征图有机联结，以增强对小目标的识别。最后通过yolo层输出预测对象的坐标和类别。
YOLO-V3算法在目标识别过程中的快速性和准确性具有无可比拟的优势，主要是源于网络特征及其使用方法。其网络识别特征和方法将进一步加以描述：
(1)端到端训练
端到端训练为YOLO-V3区别于其他方法的重要特点之一，只关注输入和输出端。对于任何卷积网络，仅需通过loss fuction，输入图像，通过网络进行训练，最后输出预测图像以实现端到端处理，从而完成检测，具有大幅提速的效果。
(2)维度聚类
传统算法通常使用人工选择框，但人工选择会导致精度降低。为了更好地选择先前的网络，YOLO-V3继承了YOLO-V2计算锚点框选的方法，并采用K-means聚类方法来训练边界框。此方法使用IOU分数作为最终评估标准，基于平均IOU选择9个锚点来预测边界框，从而实现精度的提升。聚类使用的距离函数公式如式(1)所示：
d(box,centroid)＝1-IOU(box,centroid) (1)
(3)边界框的计算
传统的边界框预测方法检测效果有待优化，因此使用维数聚类中的K-means方法来预测边界框。图3为边界框预测原理图。
当输入图像时，首先在网络中选择目标以确定目标中心点，然后将输入图像分成均等大小的单元格，计算中心点所在单元的坐标位置。并通过中心点所在的单元的坐标，并通过中心点的坐标计算预测的边界框。其坐标公式如(2)所示：
其中，中心点的坐标是(tx,ty,tw,th)表示边界框中心点的坐标；(pw,ph)表示分割的宽度和高度，(cx,cy)表示坐标偏移量。
(4)置信度计算
有两个因素可以帮助计算置信度。首先，该区域是否具有预测目标。如果有待测量的目标，设置为1；否则，将其设为0；然后计算IOU的大小。置信度预测如公式(3)所示：
(5)类别预测
由于预测框可能包含多个类别，因此softmax函数会将每一个预测框放入一个类别中。因此，为了解决多个标签可能重叠的问题，使X用二进制交叉熵损失预测类，而不是使用softmax函数作为输出。交叉熵公式如式(4)所示。
其中，c代表交叉熵损失的价值，n表示网络层的数量，X表示网络层的输入向量，y表示实际的网络输出值，表示网络预测值。
为提取电力外绝缘设备的特征信息，将电力外绝缘设备的设备区域检测结果重绘后输入到如图4所示的LeNet网络(即第一卷积神经网络)中进行训练。
第一卷积神经网络依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层，其中，各层的参数如下：
输入层：1×32×32；
第一卷积层：20×28×28；
第一池化层：20×14×14；
第二卷积层：50×10×10；
第二池化层：50×5×5；
全连接层：500；
输出层：100。
融合多参数电信号的缺陷程度评估
S2：紫外通道光斑信息特征提取
为了消除可见光背景对绝缘子状态评估的干扰，将紫外成像仪拍摄的图像放入FCN模型中，对紫外斑点进行分割，提取放电斑点。为提取紫外放电光斑的特征，将图片大小调整为32×32像素输入到如图5所示的LeNet卷积神经网络(第二卷积神经网络)分类模型中分不同电压等级进行训练。
第二卷积神经网络依次包括输入层、第一卷积层、第一降维层、第二卷积层、第二降维层和输出层，各层参数为：
输入层：1×32×32；
第一卷积层：20×28×28；
第一降维层：20×14×14；
第二卷积层：50×10×10；
第二降维层：50×5×5；
全连接层：500；
输出层：100。
S3：融合多参数电信号的缺陷程度评估
可见光通道的设备区域信息为何种电力外绝缘设备发生发电和对于该种电力外绝缘设备目前的放电严重程度的判断提供了重要依据。将可见光通道的设备区域信息和经过FCN模型提取紫外通道放电光斑放入卷积神经网络中进行进一步的特征信息提取，并考虑到紫外成像仪拍摄到的光斑面积受多种因素的影响，融合多参数电信号信息(污秽度、增益、观测距离、湿度和光子数)，排除温度、增益等的影响。
采用预构建的样本库，将测试集和训练集按9：1的比例划分样本库进行训练和测试。通过以上信息利用SoftMax分类器可以对电力外绝缘设备进行缺陷程度评估，输出包括正常、一般、严重、危急的评估结果。
模型训练步长采取了0.01、0.001、0.0001训练步长数值。当训练步数为0.1时，由于训练步数太长，模型不收敛，因此训练曲线没有显示在图6中。随着训练步骤的减少，训练过程容易陷入局部最优值。但不能达到全局最优值。采用更合理的0.01训练步长，可达到最高的准确率97.6％，可实现对外绝缘设备紫外成像缺陷程度评估的最佳效果。
实施例2：
本公开实施例2提供了一种融合多参数电信号的外绝缘设备缺陷程度评估系统，包括：
数据获取模块，被配置为：获取外绝缘设备的可见光图像和紫外图像；
区域检测模块，被配置为：根据获取的可见光图像和预设第一神经网络，得到设备区域检测结果；
光斑特征提取模块，被配置为：根据获取的紫外图像和预设第二神经网络得到紫外放电光斑特征；
二次特征提取模块，被配置为：根据设备区域检测结果的图像重绘结果和第一卷积神经网络得到设备区域二次特征提取结果，根据紫外放电光斑特征的图像重绘结果和第二卷积神经网络得到紫外放电光斑特征二次特征提取结果；
缺陷评估模块，被配置为：根据二次特征提取结果与光电检测参数，得到外绝缘设备的缺陷评估结果。
所述系统的工作方法与实施例1提供的融合多参数电信号的外绝缘设备缺陷程度评估方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的融合多参数电信号的外绝缘设备缺陷程度评估方法中的步骤。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的融合多参数电信号的外绝缘设备缺陷程度评估方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种融合多参数电信号的外绝缘设备缺陷程度评估方法，其特征在于：包括以下过程：
获取外绝缘设备的可见光图像和紫外图像；
根据获取的可见光图像和预设第一神经网络，得到设备区域检测结果；
根据获取的紫外图像和预设第二神经网络得到紫外放电光斑特征；
根据设备区域检测结果的图像重绘结果和第一卷积神经网络得到设备区域二次特征提取结果，根据紫外放电光斑特征的图像重绘结果和第二卷积神经网络得到紫外放电光斑特征二次特征提取结果；
根据二次特征提取结果与光电检测参数，得到外绝缘设备的缺陷评估结果。
2.如权利要求1所述的融合多参数电信号的外绝缘设备缺陷程度评估方法，其特征在于：
第一神经网络采用YOLO-V3神经网络或者R2CNN神经网络，进行设备区域检测结果。
3.如权利要求1所述的融合多参数电信号的外绝缘设备缺陷程度评估方法，其特征在于：
根据预设全卷积神经网络，对紫外图像中的紫外斑点进行分割，提取放电斑点，利用预设第二神经网络得到紫外放电光斑特征。
4.如权利要求1所述的融合多参数电信号的外绝缘设备缺陷程度评估方法，其特征在于：
第一卷积神经网络依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
5.如权利要求1所述的融合多参数电信号的外绝缘设备缺陷程度评估方法，其特征在于：
第二卷积神经网络依次包括输入层、第一卷积层、第一降维层、第二卷积层、第二降维层和输出层。
6.如权利要求1所述的融合多参数电信号的外绝缘设备缺陷程度评估方法，其特征在于：
光电检测参数包括：污秽度、增益、观测距离、湿度和光子数。
7.如权利要求1所述的融合多参数电信号的外绝缘设备缺陷程度评估方法，其特征在于：
缺陷评估结果至少包括正常、一般、严重和危急。
8.一种融合多参数电信号的外绝缘设备缺陷程度评估系统，其特征在于：包括：
数据获取模块，被配置为：获取外绝缘设备的可见光图像和紫外图像；
区域检测模块，被配置为：根据获取的可见光图像和预设第一神经网络，得到设备区域检测结果；
光斑特征提取模块，被配置为：根据获取的紫外图像和预设第二神经网络得到紫外放电光斑特征；
二次特征提取模块，被配置为：根据设备区域检测结果的图像重绘结果和第一卷积神经网络得到设备区域二次特征提取结果，根据紫外放电光斑特征的图像重绘结果和第二卷积神经网络得到紫外放电光斑特征二次特征提取结果；
缺陷评估模块，被配置为：根据二次特征提取结果与光电检测参数，得到外绝缘设备的缺陷评估结果。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的融合多参数电信号的外绝缘设备缺陷程度评估方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的融合多参数电信号的外绝缘设备缺陷程度评估方法中的步骤。
CN202110742579.9A 2021-06-30 2021-06-30 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 Active CN113538351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110742579.9A CN113538351B (zh) 2021-06-30 2021-06-30 一种融合多参数电信号的外绝缘设备缺陷程度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110742579.9A CN113538351B (zh) 2021-06-30 2021-06-30 一种融合多参数电信号的外绝缘设备缺陷程度评估方法

Publications (2)

Publication Number Publication Date
CN113538351A CN113538351A (zh) 2021-10-22
CN113538351B true CN113538351B (zh) 2024-01-19

Family

ID=78126451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110742579.9A Active CN113538351B (zh) 2021-06-30 2021-06-30 一种融合多参数电信号的外绝缘设备缺陷程度评估方法

Country Status (1)

Country Link
CN (1) CN113538351B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116416164B (zh) * 2023-06-09 2023-08-15 国网山东省电力公司电力科学研究院 一种紫外光路成像分辨率优化方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331701A (zh) * 2014-10-22 2015-02-04 国家电网公司 基于紫外图谱的绝缘子外部放电模式识别方法
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
CN107817424A (zh) * 2017-03-07 2018-03-20 国网天津市电力公司 红外紫外一体化的故障示警装置和故障示警方法
CN110346699A (zh) * 2019-07-26 2019-10-18 国网山东省电力公司电力科学研究院 基于紫外图像处理技术的绝缘子放电信息提取方法及装置
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
WO2020224458A1 (zh) * 2019-05-07 2020-11-12 国网山东省电力公司电力科学研究院 一种基于图像处理的电晕检测方法
CN111951247A (zh) * 2020-08-12 2020-11-17 国网江苏省电力有限公司电力科学研究院 一种电力设备紫外图像诊断方法及系统
WO2021120842A1 (zh) * 2020-07-17 2021-06-24 平安科技（深圳）有限公司 光斑检测模型的训练方法、光斑检测方法、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229455B (zh) * 2017-02-23 2020-10-16 北京市商汤科技开发有限公司 物体检测方法、神经网络的训练方法、装置和电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331701A (zh) * 2014-10-22 2015-02-04 国家电网公司 基于紫外图谱的绝缘子外部放电模式识别方法
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
CN107817424A (zh) * 2017-03-07 2018-03-20 国网天津市电力公司 红外紫外一体化的故障示警装置和故障示警方法
WO2020224458A1 (zh) * 2019-05-07 2020-11-12 国网山东省电力公司电力科学研究院 一种基于图像处理的电晕检测方法
CN110346699A (zh) * 2019-07-26 2019-10-18 国网山东省电力公司电力科学研究院 基于紫外图像处理技术的绝缘子放电信息提取方法及装置
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
WO2021120842A1 (zh) * 2020-07-17 2021-06-24 平安科技（深圳）有限公司 光斑检测模型的训练方法、光斑检测方法、设备及介质
CN111951247A (zh) * 2020-08-12 2020-11-17 国网江苏省电力有限公司电力科学研究院 一种电力设备紫外图像诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于红外紫外成像检测技术的绝缘子运行状态分析与评估;裴少通;《博士电子期刊工程科技Ⅱ辑》;全文 *

Also Published As

Publication number Publication date
CN113538351A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN110084292B (zh) 基于DenseNet和多尺度特征融合的目标检测方法
CN113362329B (zh) 病灶检测模型的训练方法及识别图像中的病灶的方法
CN107871119B (zh) 一种基于目标空间知识和两阶段预测学习的目标检测方法
CN113378686B (zh) 一种基于目标中心点估计的两阶段遥感目标检测方法
CN108710913A (zh) 一种基于深度学习的开关柜图像开关状态自动识别方法
CN108830199B (zh) 识别交通灯信号的方法、装置、可读介质及电子设备
CN110378297B (zh) 基于深度学习的遥感图像目标检测方法、装置、及存储介质
CN113326735B (zh) 一种基于YOLOv5的多模态小目标检测方法
CN112084869A (zh) 一种基于紧致四边形表示的建筑物目标检测方法
CN114627052A (zh) 一种基于深度学习的红外图像漏气漏液检测方法及系统
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
US8811750B2 (en) Apparatus and method for extracting edge in image
JP6095817B1 (ja) 物体検出装置
CN115272652A (zh) 基于多元回归和自适应焦点损失的密集物体图像检测方法
CN114742799B (zh) 基于自监督异构网络的工业场景未知类型缺陷分割方法
CN114399734A (zh) 一种基于视觉信息的森林火灾预警方法
CN111462140B (zh) 一种基于区块拼接的实时图像实例分割方法
CN112232368B (zh) 目标识别模型训练方法、目标识别方法及其相关装置
CN113033315A (zh) 一种稀土开采高分影像识别与定位方法
CN113538351B (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
CN116912796A (zh) 一种基于新型动态级联YOLOv8的自动驾驶目标识别方法及装置
CN113281780B (zh) 对图像数据进行标注的方法、装置及电子设备
CN118037692A (zh) 基于计算机视觉的钢材表面缺陷检测方法及系统
CN114648736B (zh) 基于目标检测的鲁棒工程车辆识别方法及系统
CN110889418A (zh) 一种气体轮廓识别方法

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