CN113723189A - 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 - Google Patents
一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 Download PDFInfo
- Publication number
- CN113723189A CN113723189A CN202110858728.8A CN202110858728A CN113723189A CN 113723189 A CN113723189 A CN 113723189A CN 202110858728 A CN202110858728 A CN 202110858728A CN 113723189 A CN113723189 A CN 113723189A
- Authority
- CN
- China
- Prior art keywords
- temperature
- infrared image
- infrared
- power equipment
- fault
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 239000012212 insulator Substances 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001559 infrared map Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，包括：采集多种电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；将红外图像训练集导入YOLOV4卷积神经网络中，并使用迁移学习方法和K‑means++聚类分析方法进行训练以获得红外图像检测网络；拟合一种红外图像温度条的温度和灰度函数关系；制作PC电力设备红外故障诊断软件并将红外图像检测网络和温度灰度函数关系嵌入其中，通过对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取；根据DL/T 664‑2016带电设备红外诊断应用规范中的设备诊断标准对设备进行故障诊断，自动判断该电力设备是否存在故障。
Description
技术领域
本发明涉及电力设备状态监测和故障诊断领域，特别是一种基于单阶红外图像目标检测的电力设备故障智能诊断方法。
背景技术
变电站设备在长期运行中，可能产生各种各样的内生缺陷，变电站运维人员普遍地运用红外测温工具周期性对设备进行巡视，尽早从设备运行的异常状况中预判故障，从而避免设备突然停运。这种方式对运维人员的经验和技术有一定要求，同时存在覆盖不全面、工作效率低的缺点。在智能化改造过程中，无人机、巡检机器人等智能设备也产生了大量巡检图片，却缺乏相应的智能分析能力。
在电网规模迅速扩大的今天，红外检测因其非接触性、便捷性等特点，已成为电力检修和在线监测的主要手段。对于运维检修，目前的检测主要流程为：①在现场检测并获得红外图像；②检测人员对被检测设备手动做结构划分、温度指标计算和故障诊断；③导入运维系统生成诊断结果并存档。然而面对如此大规模的电网，依赖于人工对设备热故障进行诊断使得检测效率低，检测结果也随人员的技术水平、疲劳程度和经验累积而有所区别，可能导致调度及运维无法对设备的故障态势做出正确判断，这也与电网的智能化发展极不相称。因此，对图像数据进行快速准确地分析，从中诊断电力设备状态，对于及时了解电力设备的运行状况，提高电力设备运行、维护和管理水平具有十分重要的意义。
发明内容
本发明所要解决的技术问题是提供一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，通过将基于YOLOV4的电力设备检测网络和故障分析流程嵌入PC软件中，能够使得工作人员快速准确地实现对电力设备故障的诊断，也能够使现场工作人员可以针对发热异常的设备直接利用软件甄别，提高电力设备故障识别的效率。
为解决上述技术问题，本发明所采用的技术方案是：一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，包括以下步骤：
S1：采集多种电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；
S2：将红外图像训练集导入YOLOV4卷积神经网络中，并使用迁移学习方法和K-means++聚类分析方法进行训练以获得红外图像检测网络；
S3：拟合一种红外图像温度条的温度和灰度函数关系；
S4：制作PC电力设备红外故障诊断软件并将红外图像检测网络和温度灰度函数关系嵌入其中，通过对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取；
S5：根据带电设备红外诊断应用规范中的设备诊断标准对设备进行故障诊断，自动判断该电力设备是否存在故障。
优选的，所述步骤S1中对所述红外图像进行预处理包括以下步骤：
S11：将获取的数据集进行旋转等数据扩充方法，以扩充数据集，形成应用于模型的数据集。
S12：在软件中对数据集中的多种电力设备所在的图形区域进行标注以及添加类别标签，最终制作成PASCAL VOC格式的数据集。
优选的，所述步骤S2中迁移学习的方法和K-means++聚类分析方法是使用YOLOV4预训练权重进行训练，使用K-means++聚类分析方法寻找更能代表标签框的锚框大小。
优选的，所述步骤S3中，拟合一种红外图像温度条的温度和灰度函数关系包括以下步骤：
S31：提取红外图上处于温度条中间列的灰度和温度；
S32：对提取到的灰度和温度进行归一化处理；
S33：拟合温度随灰度变化的温度-灰度归一化函数。
优选的，所述步骤S4中对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取包括如下步骤：
S41：打开制作好的PC软件，在我的电脑中选择所要检测的图像，输入拍摄红外图像时的环境温度，根据红外图像的情况选择疑似故障的设备，点击继续，首先进行目标识别，然后自动提取温度条的温度上下限带入温度-灰度函数中，通过遍历目标框中的像素点，最后会找到红外图像中所有此设备中温度最高的区域，并用红色方形框标记出来；
S42：根据上一步生成的红色方形框所在的区域，人工选择故障类别，考虑到可能存在两相故障，界面有两相故障按钮可选，支持两相故障诊断；
S43：在接下来弹出的图片中，鼠标提取疑似故障相故障区域对应的正常相区域的温度，点击空格进行下一步。如果选择了要检测两相故障，则依次提取第二疑似故障相对应点和正常相对应点区域的温度。
优选的，所述步骤S41中，目标识别包括以下步骤：
S411：检测网络对红外图片进行特征提取，得到19×19，38×38，76×76大小的特征图，在每个单元格上进行预测并输出结果；
S412：将预测结果解码，得到对应于网络输入大小的真实值；
S413：将预测框置信度按得分进行排序，并按DIOU-NMS来进行筛选，得到最优的预测框；
S414：为了排除红外图片中四个角的白色文字和温度条的干扰，将目标预测框限制在它们的位置之内。
优选的，所述步骤S5中，自动判断该电力设备是否存在故障包括以下方法：
S51：对于电流热型设备，将提取到的疑似故障温度和对应正常相温度以及环境温度数值，代入到相对温差计算公式中，根据带电设备红外诊断应用规范中的设备诊断标准对设备进行自动故障诊断；
S52：对于电压型设备，则根据疑似故障温度和正常相温度的温差来判别是否故障。
优选的，所述步骤S51中，相对温差表示为：
δt＝τ1-τ2/τ1×100％＝T1-T2/T1-T0×100％
式中，δt表示相对温差，τ1和T1表示发热点的温升和温度，τ2和T2表示正常相对应点的温升和温度，T0表示被测设备区域的环境温度。
优选的，步骤S12中，所述软件为LabelImg。
优选的，步骤S41中，制作PC软件使用的是基于Python GUI的Tkinter库。
本发明提供一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，与现有技术相比，本发明通过将基于YOLOV4的电力设备检测网络和故障分析流程嵌入PC软件中，能够使得工作人员快速准确地实现对电力设备故障的诊断，也能够使现场工作人员可以针对发热异常的设备直接利用软件甄别，提高电力设备故障识别的效率。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的方法流程图；
图2a为本发明断路器的红外图片样图；
图2b为本发明绝缘子的红外图片样图；
图3为本发明的红外图像温度条温度-灰度值归一化曲线示意图；
图4a为本发明电力设备红外图像故障诊断软件的主界面；
图4b为本发明软件目标检测示意图；
图4c为本发明软件选择故障类型界面；
图4d为本发明软件提取正常相温度示意图；
图4e为本发明软件故障报告界面；
图5为本发明的YOLOV4网络结构图。
具体实施方式
一个实施例中，如图1所示，本公开提供一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，包括如下步骤：
S1：采集多种电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；
S2：将红外图像训练集导入YOLOV4卷积神经网络中，并使用迁移学习方法和K-means++聚类分析方法进行训练以获得红外图像检测网络；
S3：拟合一种红外图像温度条的温度和灰度函数关系；
S4：制作PC电力设备红外故障诊断软件并将红外图像检测网络和温度灰度函数关系嵌入其中，通过对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取；
S5：根据DL/T 664-2016带电设备红外诊断应用规范中的设备诊断标准对设备进行故障诊断，自动判断该电力设备是否存在故障。
本实施例通过拟合一种红外图像温度条的温度和灰度函数关系，制作PC电力设备红外故障诊断软件并将检测网络和温度灰度函数关系嵌入其中，通过对红外图片进行目标识别和分析操作，实现对电力设备对应点温度的提取。根据带电设备红外诊断应用规范中的设备诊断标准对设备进行故障诊断，自动判断该电力设备是否存在故障。本发明通过PC软件能够高效、准确地识别电力设备，能够实现对电力设备红外故障的诊断，提升对电力设备红外图片分析的效率。
另一个实施例中，步骤S1中，所述采集多种电力设备，对红外图像进行预处理包括：
S11：将获取的数据集进行旋转等数据扩充方法，以扩充数据集，形成应用于模型的数据集。
S12：在软件中对数据集中的多种电力设备所在的图形区域进行标注以及添加类别标签，最终制作成PASCAL VOC格式的数据集。
该步骤中，在变电站采集了避雷器，断路器，绝缘子，变压器，隔离开关共五种电力设备红外图，从中选择断路器和绝缘子两种电力设备，如图2所示，图2a为断路器红外图像样图，图2b为绝缘子红外图像样图。并进行旋转等数据扩充方法，以扩充数据集，形成应用于模型的数据集。在LabelImg软件中对数据集中的两种电力设备所在的图形区域进行标注以及添加类别标签，最终制作成PASCAL VOC格式的数据集。在这里需要说明的是，断路器是电流致热型设备，绝缘子是电压致热型设备，故选择这两种设备来进行研究，此方法可拓展到更多种类的电力设备。
另一个实施例中，步骤S2中，所述迁移学习的方法和K-means++聚类分析方法是使用YOLOV4预训练权重进行训练，使用K-means++聚类分析方法寻找更能代表标签框的锚框大小，针对绝缘子和断路器两种设备，所聚类出来的锚框为9种，分别是(63,86)，(159,69)，(69,199),(241,78),(99,333),(185,202),(359,111),(142,485),(498,146)，单位为像素。
另一个实施例中，步骤S3中，拟合一种红外图像温度条的温度和灰度函数关系包括以下步骤：
S31：提取红外图上处于温度条中间列的灰度和温度。
S32：对提取到的灰度和温度进行归一化处理。
S33：拟合温度随灰度变化的温度-灰度归一化函数。
该步骤中，由于数据集为FLIR红外仪器拍摄，故选取FLIR红外图像作为研究对象，针对一张主体为断路器的FLIR红外图像进行研究，由于每种红外图上温度条的灰度温度关系对应特定的函数关系，所以针对研究的红外图像只需拟合一次。由于数据量过大，故采取间隔为1像素的方式进行提取，提取红外图像温度条中间列的灰度数据，并按比例将温度进行匹配。将它们进行归一化并拟合函数，如图3所示，经过对多张红外图像的温度条进行拟合验证，函数关系几乎都为斜率为1，截距为0的线性函数，对斜率和截距取平均最终确定使用如下线性公式：
y＝1.008x-0.002
其中，x为红外图归一化后灰度数值，y为对应归一化的温度数值。
步骤S4中，所述对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取包括如下步骤：
S41：打开制作好的PC软件，在我的电脑中选择所要检测的图像，输入拍摄红外图像时的环境温度，根据红外图像的情况选择疑似故障的设备，点击继续，首先进行目标识别，然后自动提取温度条的温度上线限带入温度-灰度函数中，通过遍历目标框中的像素点，最后会找到红外图像中所有此设备中温度最高的区域，并用红色框标记出来。
该步骤中，制作PC软件使用的是基于Python GUI的Tkinter库。编写好GUI界面后进行打包，形成.exe文件，可在不同计算机上运行使用。如图4a所示，打开电力设备红外图像故障检测系统，可以选择要检测的FLIR红外图像，也可点击显示按钮显示图像，本例选择断路器单相故障红外图像。由于红外图中没有确定的环境温度信息，故而人为输入当时的环境温度。根据红外图像的情况认为选择疑似故障的设备，选择断路器或者绝缘子，本软件支持诊断断路器和绝缘子两种设备。点击继续开始检测目标，如图4b所示，得到图像中所有断路器温度最高的区域用红色方形框标记出并显示最高温度。
S42：根据上一步生成的红色方形框所在区域，人工选择故障类别，考虑到可能存在两相故障，界面有两相故障按钮可选，支持两相故障诊断。
S43：在接下来弹出的图片中，鼠标提取疑似故障相故障区域对应的正常相区域的温度，点击空格进行下一步。如果选择了要检测两相故障，则依次提取第二疑似故障相对应点和正常相对应点区域的温度。
该步骤中，选择设备与金属部件连接故障类别，如图4c所示，点击继续实现故障诊断。下一步在弹出的图片上通过鼠标点击疑似故障点对应的正常相区域，如图4d所示，得到正常的设备温度。
另一个实施例中，步骤S41中，所述目标识别包括以下步骤：
S411：如图5所示，检测网络中，主干网络为CSPDarknet53，Neck部分为SPP模块，FPN+PAN模块，检测头部分为YOLO_Head。检测网络对红外图片进行特征提取，得到19×19,38×38，76×76大小的特征图，在每个单元格上进行预测并输出结果。
S412：将预测结果解码，得到对应于网络输入大小的真实值。
S413：将预测框置信度按得分进行排序，并按DIOU-NMS来进行筛选，得到最优的预测框。
该步骤中，按DIOU-NMS来进行筛选预测框，由于DIoU的计算考虑到了两框中心点位置的信息，避免了两个不同的物体挨得很近时只留下一个检测框的情况，故使用DIoU进行评判的NMS效果更符合实际，效果更优。
S414：为了排除红外图片中四个角的白色文字和温度条的干扰，将目标预测框限制在它们的位置之内。
该步骤中，设备内最高故障温度的检测易受温度条和红外图像四个角附近的白色文字干扰，故将边界框限制在它们的位置之内。
另一个实施例中，步骤S5中，所述自动判断该电力设备是否存在故障包括以下方法：
S51：对于电流型设备，将提取到的疑似故障温度和对应正常相温度以及环境温度数值，代入到相对温差计算公式中，根据诊断依据对设备进行自动故障诊断,如图4e所示，此界面为生成的故障报告，从报告中可以得知，相对温差为78.2％，故障等级为严重缺陷，故障原因为接头螺栓接触不良。
S52：对于电压型设备，则根据疑似故障温度和正常相温度的温差来判别是否故障。
该步骤中，诊断依据参考DL/T 664—2016带电设备红外诊断应用规范，这一步将会自动生成故障报告，内容包含疑似故障设备，故障类别，故障特征，环境温度，故障点温度，正常相温度，相对温差，故障等级，处理建议。
步骤S51中，所述相对温差表示为：
δt＝τ1-τ2/τ1×100％＝T1-T2/T1-T0×100％
式中，δt表示相对温差，τ1和T1表示发热点的温升和温度，τ2和T2表示正常相对应点的温升和温度，T0表示被测设备区域的环境温度。
该步骤中，研究对象为断路器和绝缘子，具体如表1所示。
表1故障评估准则
Claims (10)
1.一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：包括以下步骤：
S1：采集多种电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；
S2：将红外图像训练集导入YOLOV4卷积神经网络中，并使用迁移学习方法和K-means++聚类分析方法进行训练以获得红外图像检测网络；
S3：拟合一种红外图像温度条的温度和灰度函数关系；
S4：制作PC电力设备红外故障诊断软件并将红外图像检测网络和温度灰度函数关系嵌入其中，通过对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取；
S5：根据DL/T 664-2016带电设备红外诊断应用规范中的设备诊断标准对设备进行故障诊断，自动判断该电力设备是否存在故障。
2.根据权利要求1所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：所述步骤S1中对所述红外图像进行预处理包括以下步骤：
S11：将获取的数据集进行旋转等数据扩充方法，以扩充数据集，形成应用于模型的数据集；
S12：在软件中对数据集中的多种电力设备所在的图形区域进行标注以及添加类别标签，最终制作成PASCAL VOC格式的数据集。
3.根据权利要求1所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：所述步骤S2中迁移学习的方法和K-means++聚类分析方法是使用YOLOV4预训练权重进行训练，使用K-means++聚类分析方法寻找更能代表标签框的锚框大小。
4.根据权利要求1所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：所述步骤S3中，拟合一种红外图像温度条的温度和灰度函数关系包括以下步骤：
S31：提取红外图像上处于温度条中间列的灰度和温度；
S32：对提取到的灰度和温度进行归一化处理；
S33：拟合温度随灰度变化的温度-灰度归一化函数。
5.根据权利要求1所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：所述步骤S4中对红外图像进行目标识别和分析操作，实现对电力设备对应点温度的提取包括如下步骤：
S41：打开制作好的PC软件，在我的电脑中选择所要检测的图像，输入拍摄红外图像时的环境温度，根据红外图像的情况选择疑似故障的设备，点击继续，首先进行目标识别，然后自动提取温度条的温度上下限带入温度-灰度函数中，通过遍历目标框中的像素点，最后会找到红外图像所有此设备中温度最高的区域，并用红色方形框标记出来；
S42：根据上一步生成的红色方形框所在的区域，人工选择故障类别，考虑到可能存在两相故障，界面有两相故障按钮可选，支持两相故障诊断；
S43：在接下来弹出的图片中，鼠标提取疑似故障相故障区域对应的正常相区域的温度，点击空格进行下一步，如果选择了要检测两相故障，则依次提取第二疑似故障相对应点和正常相对应点区域的温度。
6.根据权利要求5所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：所述步骤S41中，目标识别包括以下步骤：
S411：检测网络对红外图片进行特征提取，得到19×19，38×38，76×76大小的特征图，在每个单元格上进行预测并输出结果；
S412：将预测结果解码，得到对应于网络输入大小的真实值；
S413：将预测框置信度按得分进行排序，并按DIOU-NMS来进行筛选，得到最优的预测框；
S414：为了排除红外图片中四个角的白色文字和温度条的干扰，将目标预测框限制在它们的位置之内。
7.根据权利要求1所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：所述步骤S5中，自动判断该电力设备是否存在故障包括以下方法：
S51：对于电流热型设备，将提取到的疑似故障温度和对应正常相温度以及环境温度数值，代入到相对温差计算公式中，根据DL/T 664-2016带电设备红外诊断应用规范中的设备诊断标准对设备进行自动故障诊断；
S52：对于电压型设备，则根据疑似故障温度和正常相温度的温差来判别是否故障。
8.根据权利要求7所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：所述步骤S51中，相对温差表示为：
δt=τ1-τ2/τ1×100%=T1-T2/T1-T0×100%
式中，δt表示相对温差，τ1和T1表示发热点的温升和温度，τ2和T2表示正常相对应点的温升和温度，T0表示被测设备区域的环境温度。
9.根据权利要求2所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：步骤S12中，所述软件为LabelImg。
10.根据权利要求5所述一种基于单阶红外图像目标检测的电力设备故障智能诊断方法，其特征在于：步骤S41中，制作PC软件使用的是基于Python GUI的Tkinter库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110858728.8A CN113723189B (zh) | 2021-07-28 | 2021-07-28 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110858728.8A CN113723189B (zh) | 2021-07-28 | 2021-07-28 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723189A true CN113723189A (zh) | 2021-11-30 |
| CN113723189B CN113723189B (zh) | 2023-08-01 |
Family
ID=78674229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110858728.8A Active CN113723189B (zh) | 2021-07-28 | 2021-07-28 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723189B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114429504A (zh) * | 2022-04-06 | 2022-05-03 | 北京理工大学 | 一种燃料电池汽车氢系统微量泄漏诊断方法 |
| CN114581741A (zh) * | 2022-05-09 | 2022-06-03 | 广东电网有限责任公司佛山供电局 | 基于图像增强的断路器试验机器人接线定位方法及装置 |
| CN116295847A (zh) * | 2023-02-10 | 2023-06-23 | 江苏同展供用电工程有限公司 | 电力设备故障诊断系统及诊断方法 |
| CN116721134A (zh) * | 2023-08-10 | 2023-09-08 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种无特征目标的跟踪系统及其方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
| US20180341832A1 (en) * | 2017-05-24 | 2018-11-29 | Hrl Laboratories, Llc | Transfer learning of convolutional neural networks from visible color (rbg) to infrared (ir) domain |
| CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
| CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
| CN111798407A (zh) * | 2020-05-15 | 2020-10-20 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
| CN112200178A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
-
2021
- 2021-07-28 CN CN202110858728.8A patent/CN113723189B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
| US20180341832A1 (en) * | 2017-05-24 | 2018-11-29 | Hrl Laboratories, Llc | Transfer learning of convolutional neural networks from visible color (rbg) to infrared (ir) domain |
| CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
| CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
| CN111798407A (zh) * | 2020-05-15 | 2020-10-20 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
| CN112200178A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114429504A (zh) * | 2022-04-06 | 2022-05-03 | 北京理工大学 | 一种燃料电池汽车氢系统微量泄漏诊断方法 |
| CN114581741A (zh) * | 2022-05-09 | 2022-06-03 | 广东电网有限责任公司佛山供电局 | 基于图像增强的断路器试验机器人接线定位方法及装置 |
| CN114581741B (zh) * | 2022-05-09 | 2022-07-15 | 广东电网有限责任公司佛山供电局 | 基于图像增强的断路器试验机器人接线定位方法及装置 |
| CN116295847A (zh) * | 2023-02-10 | 2023-06-23 | 江苏同展供用电工程有限公司 | 电力设备故障诊断系统及诊断方法 |
| CN116721134A (zh) * | 2023-08-10 | 2023-09-08 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种无特征目标的跟踪系统及其方法 |
| CN116721134B (zh) * | 2023-08-10 | 2023-10-10 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种无特征目标的跟踪系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723189B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723189B (zh) | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 | |
| Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| CN108037133B (zh) | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 | |
| CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
| CN112034310A (zh) | 一种组合电器局部放电缺陷诊断方法及系统 | |
| CN111582235A (zh) | 用于实时监控站内异常事件的警报方法、系统及设备 | |
| CN107833211B (zh) | 基于红外图像的零值绝缘子自动检测方法及装置 | |
| CN112697798B (zh) | 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 | |
| CN112734698B (zh) | 基于红外图像的电缆终端异常诊断方法和装置 | |
| CN113222949B (zh) | 一种电力设备导体插接位置的x射线影像自动检测方法 | |
| CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及系统 | |
| CN111401437A (zh) | 基于深度学习的输电通道隐患预警等级分析方法 | |
| CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
| CN116188433A (zh) | 一种绝缘子缺陷检测方法、装置和设备 | |
| CN117723739B (zh) | 一种低碳润滑油的质量分析方法及系统 | |
| 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 | |
| Li et al. | CSSAdet: Real-Time end-to-end small object detection for power transmission line inspection | |
| CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
| CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和系统 | |
| CN113776670A (zh) | 一种基于红外图像的电力设备监测系统及方法 | |
| CN117590278A (zh) | 基于动力柜的变压器故障检测方法、装置、设备及介质 | |
| CN117706290A (zh) | 一种电缆终端潜在击穿故障预警方法 | |
| CN117114420A (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN117556211A (zh) | 输电线路缺陷及隐患识别算法模型搭建方法 |
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 |