CN114088212A - 基于温度视觉的诊断方法及诊断装置 - Google Patents
基于温度视觉的诊断方法及诊断装置 Download PDFInfo
- Publication number
- CN114088212A CN114088212A CN202111428286.XA CN202111428286A CN114088212A CN 114088212 A CN114088212 A CN 114088212A CN 202111428286 A CN202111428286 A CN 202111428286A CN 114088212 A CN114088212 A CN 114088212A
- Authority
- CN
- China
- Prior art keywords
- temperature
- power equipment
- variance
- equipment
- visual data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 230000000007 visual effect Effects 0.000 claims abstract description 57
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 238000001931 thermography Methods 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000012212 insulator Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Abstract
本发明涉及电力检测技术领域，且公开了基于温度视觉的诊断方法及诊断装置，包括以下四部分：温度视觉数据集的采集标注；基于温度视觉数据集，搭建电力设备目标检测模型；基于温度视觉数据集，搭建电力设备部件检测模型；基于智能识别结果，对电力设备进行故障诊断。本发明通过基于温度视觉信息，通过目标检测网络定位电力设备位置，通过特征点网络定位电力设备部件位置，来精准定位电力设备各部件位置并获取相应的温度信息。
Description
技术领域
本发明涉及电力检测技术领域，具体为基于温度视觉的诊断方法及诊断装置。
背景技术
目前电力设备检测的方法，主要是以红外图像为研究基础，研究电力设备异常发热的问题。由于红外图片包含多种伪彩色，拍摄环境复杂导致的被拍摄设备干扰严重、训练数据类型少等问题，目前现有的方法存在检测准确率低、模型泛化能力较差等缺陷。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于温度视觉的诊断方法及诊断装置，具备基于温度视觉信息精准定位电力设备并获取相应的温度信息等优点，解决了现有的方法存在检测准确率低、模型泛化能力较差的问题。
(二)技术方案
为实现上述基于温度视觉信息精准定位电力设备并获取相应的温度信息的目的，本发明提供如下技术方案：
基于温度视觉的诊断方法，包括以下步骤：
S1、温度视觉数据集的采集标注：包括温度视觉、数据集采集和数据集标注。
S2、电力设备目标检测：基于温度视觉数据集，搭建电力设备目标检测模型，使用目标检测架构搭建电力设备识别模型。
S3、电力设备部件检测：基于温度视觉数据集，搭建电力设备部件检测模型，检测出每种电力设备中部件所在位置，用于对电力设备的故障诊断。
S4、故障诊断：基于智能识别结果，对电力设备进行故障诊断，通过以上步骤实现了电力设备的智能识别，在确定了电力设备各部件所在位置的基础上，通过以下方法进行电力设备的故障诊断：包括最大值检测法、平均值检测法、方差检测法、区域方差检测法和设备温差检测法。
所述步骤S1具体为：
S101、温度视觉：红外温度传感器将探测器接收到的被测目标的红外辐射能量分布图反映到红外探测器的光敏元件上，经处理器处理得到红外通用数据文件存储格式的.jpg文件，也即红外热像图。
所述步骤S1具体为：
S102、数据集采集：使用红外热像仪，对电力设备的信息进行采集，获取红外通用数据文件存储格式图像，再从其中提取出温度视觉数据，共获得106种电力设备的温度视觉数据。
所述步骤S1具体为：
S103、数据集标注：包括设备框标注和特征点标注。
所述步骤S103具体为：
设备框标注：针对采集的温度视觉数据，对位于温度视觉中心的电力设备标注目标框。
所述步骤S103具体为：
特征点标注：针对采集的温度视觉数据，对位于温度视觉中心的电力设备中的部件标注特征点。
所述步骤S2具体为：
首先，对原始输入的温度视觉数据进行标准化处理，然后，使用R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD、RetinaNet、RefineDet等目标检测网络，对设备框标注的温度视觉数据集进行训练，获得电力设备目标检测模型。
所述步骤S4具体为：
最大值检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并获得矩阵所有元素的最大值；为电力设备各部件设置最高温度阈值，将从上述过程中获得的最大值，与最高温度阈值进行比较，超出阈值判定为故障。
所述步骤S4具体为：
平均值检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并求得矩阵所有元素的平均值；为电力设备各部件设置平均温度阈值，将从上述过程中获得的平均值，与平均温度阈值进行比较，超出阈值判定为故障。
所述步骤S4具体为：
方差检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并求得矩阵所有元素的方差；为电力设备各部件设置方差温度阈值，将从上述过程中获得的方差，与方差温度阈值进行比较，超出阈值判定为故障。
所述步骤S4具体为：
区域方差检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，再根据矩阵长宽将其分割为若干个长宽相同的小矩阵；获得每个小矩阵所有元素的最大值，并求这些最大值的方差，称为区域方差；为电力设备各部件设置区域方差温度阈值，将从上述过程中获得的区域方差，与区域方差温度阈值进行比较，超出阈值判定为故障。
所述步骤S4具体为：
设备温差检测法：对同一次拍摄过程中，智能识别输出的同类型设备的部件框，使用最大值检测法、平均值检测法、方差检测法、区域方差检测法，获得其最大值、平均值、方差、区域方差；对同类型设备的相同部件框，求得每个部件的最大值、平均值、方差、区域方差与所有设备的平均值的差值；为电力设备各部件设置设备温差阈值，将从上述过程中获得的差值，与设备温差阈值进行比较，超出阈值判定为故障。
基于温度视觉的诊断装置，包括装置本体以及与装置本体配套的检测仪，所述装置本体的顶部转动安装有显示屏，所述检测仪的一侧设有探头，所述检测仪的底部安装有握把。
(三)有益效果
与现有技术相比，本发明提供了基于温度视觉的诊断方法及诊断装置，具备以下有益效果：
本发明整体包括四个部分：温度视觉数据集的采集标注；基于温度视觉数据集，搭建电力设备目标检测模型；基于温度视觉数据集，搭建电力设备部件检测模型；基于智能识别结果，对电力设备进行故障诊断，通过基于温度视觉信息，通过目标检测网络定位电力设备位置，通过特征点网络定位电力设备部件位置，来精准定位电力设备各部件位置并获取相应的温度信息。
附图说明
图1为本发明的温度视觉智能识别整体流程图；
图2为本发明红外通用数据文件存储格式表图；
图3为本发明红外热像图；
图4为本发明温度视觉图；
图5为本发明目标框标注示例图；
图6为本发明特征点标注示例图；
图7为本发明搭建电力设备智能识别模型的整体流程图；
图8为本发明小分类模型流程图；
图9为本发明特征点检测模型以及部件框检测流程图；
图10为本发明诊断装置的结构示意图。
图中：1、装置本体；2、检测仪；3、显示屏；4、探头；5、握把。
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。
请参阅图1-9，本发明实施例提供基于温度视觉的诊断方法，包括以下步骤：
S1、温度视觉数据集的采集标注：包括温度视觉、数据集采集和数据集标注。
步骤S1具体为：
S101、温度视觉：红外温度传感器将探测器接收到的被测目标的红外辐射能量分布图反映到红外探测器的光敏元件上，经处理器处理得到红外通用数据文件存储格式的.jpg文件，也即红外热像图。数据格式如图2所示，包含：文件头、标定数据、测温参数、温度数据、成像参数、分析数据、声音和用户自定义数据和文件尾，成像如图3所示，其中，温度数据部分是一个长宽与红外热像图分辨率相同的float类型二维矩阵，能够以数值的形式对环境温度进行成像，即为温度视觉，如图3所示，矩阵中一个元素的数值，对应环境中一块区域的实际温度值(摄氏度)，比如矩阵左上角的温度数值为37.0，则对应的环境中左上角区域的实际温度便为37.0℃。
S102、数据集采集：使用红外热像仪，对电力设备的信息进行采集，获取红外通用数据文件存储格式图像，再从其中提取出温度视觉数据，共获得106种电力设备的温度视觉数据，包括GIS气室、中性点压变、JP柜、套管、低压桩头、阻尼电阻箱、结合滤波器、高压侧套管、照明箱、金属导线、进线仓、汇聚箱、泵机、绝缘子、汇集箱、GIS套管、组合互感器、转接箱、避雷器、耦合互感器、接线箱、变压器、蓄电池组、机构箱、开关柜、滤波器、动力箱、穿墙套管、避雷针、终端柜、磁抗器、母排、电容箱、站用变、母线、电阻箱、低压侧桩头、支撑绝缘子、计量箱、电抗器、柱上真空开关、智控柜、电缆终端、耦合电容器、智能汇控柜、电力电缆、空气开关、智能组件柜、电流互感器、补偿装置、智能终端柜、电容器、熔断器、屏柜、油箱、垂直绝缘子、检修电源箱、消弧装置、导线、检修电源线箱、电压互感器、散热器、电容器箱、接续管、线夹、控制箱、电阻器、消弧线圈、汇控柜、跌落式熔断器、悬垂绝缘子、配电箱、连接桥、油枕、端子箱、软连接、低抗、阻尼箱、断路器、充气套管、调节柜、放电间隙、电源箱、放电线圈、柱上断路器、电控箱、分压器、柱上隔离开关、组件柜、电缆终端尾管、桩头、开关箱、高压熔断器、阻波器、风控箱、高压套管、管母、低压开关箱、隔离开关、交流滤波器、低压侧开关箱、换流阀、接地变、检修箱和冷控箱。
S103、数据集标注：包括设备框标注和特征点标注。
步骤S103具体为：
设备框标注：针对采集的温度视觉数据，对位于温度视觉中心的电力设备标注目标框，如图4所示为电力设备目标框标注示例。
特征点标注：针对采集的温度视觉数据，对位于温度视觉中心的电力设备中的部件标注特征点，如图5所示为电力设备特征点标注示例。
S2、电力设备目标检测：基于温度视觉数据集，搭建电力设备目标检测模型，使用目标检测架构搭建电力设备识别模型。
步骤S2具体为：
如图6所示，为了有效地识别和定位106种电力设备，本发明使用目标检测架构搭建电力设备识别模型。首先，对原始输入的温度视觉数据进行标准化处理，降低由于温度视觉数据之间数值差异较大对结果造成的影响。然后，使用R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD、RetinaNet、RefineDet等目标检测网络，对设备框标注的温度视觉数据集进行训练，获得电力设备目标检测模型。模型用于对输入的温度视觉数据进行检测，获取其中的电力设备所在位置，以及其属于106种电力设备中的哪个类型，并对位置信息、类型信息进行输出。
S3、电力设备部件检测：基于温度视觉数据集，搭建电力设备部件检测模型，检测出每种电力设备中部件所在位置，用于对电力设备的故障诊断。
步骤S3具体为：
为了更加准确地获取电力设备中各部件的位置，本发明将电力设备部件检测方法分为两步进行：
第一步，针对以上106种电力设备，由于每一种电力设备的部件组成结构、外观形状等存在差异，首先，将每个电力设备分类为多个小类别。然后使用LeNet、AlexNet、CaffeNet、ZFNet、VggNet、ResNet、NiN、GoogLeNet、DenseNet、Senet、BAM、MobileNet等卷积神经网络，对106种电力设备的温度视觉目标框标注数据集的标注框区域进行裁剪，对得到的电力设备温度视觉数据集(去除背景部分)进行训练，获得106个分类模型用于对同类型设备下不同外观设备进行划分。温度视觉数据通过目检检测模型获得了设备位置信息、类型信息，根据设备位置信息裁剪出设备所在区域的温度视觉数据，再根据类型信息调用相应的分类模型进行分类。该步骤会106种电力设备的每一种，根据外观进行更加细致的划分，本发明将这个步骤称为对电力设备进行小分类的划分，用于小分类的模型被称为小分类模型。以套管举例，如图7所示，首先对温度视觉数据进行裁剪，然后送入网络进行训练，得到套管小分类模型。
第二步，针对每一个小分类的电力设备，基于LeNet、AlexNet、CaffeNet、ZFNet、VggNet、ResNet、NiN、GoogLeNet、DenseNet、Senet、BAM、MobileNet等卷积神经网络，将其修改为特征点提取网络，网络输出电力设备各部件的特征点坐标，并对特征点标注的温度视觉数据集进行训练，获得特征点提取模型。特征点检测模型对电力设备温度视觉数据进行检测，输出电力设备特征点所在位置，最后将特征点转化为部件框，用于框出电力设备各部件位置，用于之后的故障诊断，如图8所示。
S4、故障诊断：基于智能识别结果，对电力设备进行故障诊断，通过以上步骤实现了电力设备的智能识别，在确定了电力设备各部件所在位置的基础上，通过以下方法进行电力设备的故障诊断：包括最大值检测法、平均值检测法、方差检测法、区域方差检测法和设备温差检测法。
步骤S4具体为：
最大值检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并获得矩阵所有元素的最大值；为电力设备各部件设置最高温度阈值，将从上述过程中获得的最大值，与最高温度阈值进行比较，超出阈值判定为故障。
步骤S4具体为：
平均值检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并求得矩阵所有元素的平均值；为电力设备各部件设置平均温度阈值，将从上述过程中获得的平均值，与平均温度阈值进行比较，超出阈值判定为故障。
步骤S4具体为：
方差检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并求得矩阵所有元素的方差；为电力设备各部件设置方差温度阈值，将从上述过程中获得的方差，与方差温度阈值进行比较，超出阈值判定为故障。
步骤S4具体为：
区域方差检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，再根据矩阵长宽将其分割为若干个长宽相同的小矩阵；获得每个小矩阵所有元素的最大值，并求这些最大值的方差，称为区域方差；为电力设备各部件设置区域方差温度阈值，将从上述过程中获得的区域方差，与区域方差温度阈值进行比较，超出阈值判定为故障。
步骤S4具体为：
设备温差检测法：对同一次拍摄过程中，智能识别输出的同类型设备的部件框，使用最大值检测法、平均值检测法、方差检测法、区域方差检测法，获得其最大值、平均值、方差、区域方差；对同类型设备的相同部件框，求得每个部件的最大值、平均值、方差、区域方差与所有设备的平均值的差值；为电力设备各部件设置设备温差阈值，将从上述过程中获得的差值，与设备温差阈值进行比较，超出阈值判定为故障。
请参阅图10，本发明实施例提供基于温度视觉的诊断装置，包括装置本体1以及与装置本体1配套的检测仪2，装置本体1的顶部转动安装有显示屏3，检测仪2的一侧设有探头4，在使用时，使用检测仪2对设备进行检测，装置本体1对数据进行分析处理，将结果展示在显示屏3上，检测仪2的底部安装有握把5，通过握把5方便手持检测仪2进行使用。
工作原理：本发明基于温度视觉数据，能够对106种电力设备进行精准的识别、定位。对106种电力设备类型的识别mAP＝98％，对106种电力设备的小分类识别mAP＝99％，对106种电力设备部件特征点的定位IoU＝95％。
本发明的最佳使用状态是：目标检测的设备的温度与周围环境的温度存在温差。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于温度视觉的诊断方法，其特征在于，包括以下步骤：
S1、温度视觉数据集的采集标注：包括温度视觉、数据集采集和数据集标注。
S2、电力设备目标检测：基于温度视觉数据集，搭建电力设备目标检测模型，使用目标检测架构搭建电力设备识别模型。
S3、电力设备部件检测：基于温度视觉数据集，搭建电力设备部件检测模型，检测出每种电力设备中部件所在位置，用于对电力设备的故障诊断。
S4、故障诊断：基于智能识别结果，对电力设备进行故障诊断，通过以上步骤实现了电力设备的智能识别，在确定了电力设备各部件所在位置的基础上，通过以下方法进行电力设备的故障诊断：包括最大值检测法、平均值检测法、方差检测法、区域方差检测法和设备温差检测法。
2.根据权利要求1所述的基于温度视觉的诊断方法，其特征在于，所述步骤S1具体为：
S101、温度视觉：红外温度传感器将探测器接收到的被测目标的红外辐射能量分布图反映到红外探测器的光敏元件上，经处理器处理得到红外通用数据文件存储格式的.jpg文件，也即红外热像图。
3.根据权利要求1所述的基于温度视觉的诊断方法，其特征在于，所述步骤S1具体为：
S102、数据集采集：使用红外热像仪，对电力设备的信息进行采集，获取红外通用数据文件存储格式图像，再从其中提取出温度视觉数据，共获得106种电力设备的温度视觉数据。
4.根据权利要求1所述的基于温度视觉的诊断方法，其特征在于，所述步骤S1具体为：
S103、数据集标注：包括设备框标注和特征点标注。
5.根据权利要求4所述的基于温度视觉的诊断方法，其特征在于，所述步骤S103具体为：
设备框标注：针对采集的温度视觉数据，对位于温度视觉中心的电力设备标注目标框。
6.根据权利要求4所述的基于温度视觉的诊断方法，其特征在于，所述步骤S103具体为：
特征点标注：针对采集的温度视觉数据，对位于温度视觉中心的电力设备中的部件标注特征点。
7.根据权利要求1所述的基于温度视觉的诊断方法，其特征在于，所述步骤S2具体为：
首先，对原始输入的温度视觉数据进行标准化处理，然后，使用R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD、RetinaNet、RefineDet等目标检测网络，对设备框标注的温度视觉数据集进行训练，获得电力设备目标检测模型。
8.根据权利要求1所述的基于温度视觉的诊断方法，其特征在于，所述步骤S4具体为：
最大值检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并获得矩阵所有元素的最大值；为电力设备各部件设置最高温度阈值，将从上述过程中获得的最大值，与最高温度阈值进行比较，超出阈值判定为故障。
9.根据权利要求1所述的基于温度视觉的诊断方法，其特征在于，所述步骤S4具体为：
平均值检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并求得矩阵所有元素的平均值；为电力设备各部件设置平均温度阈值，将从上述过程中获得的平均值，与平均温度阈值进行比较，超出阈值判定为故障。
10.根据权利要求1所述的基于温度视觉的诊断方法，其特征在于；
所述步骤S4具体为：
方差检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，并求得矩阵所有元素的方差；为电力设备各部件设置方差温度阈值，将从上述过程中获得的方差，与方差温度阈值进行比较，超出阈值判定为故障；
所述步骤S4具体为：
区域方差检测法：根据智能识别输出的部件框，从温度视觉数据中截取部件框对应的二维矩阵，再根据矩阵长宽将其分割为若干个长宽相同的小矩阵；获得每个小矩阵所有元素的最大值，并求这些最大值的方差，称为区域方差；为电力设备各部件设置区域方差温度阈值，将从上述过程中获得的区域方差，与区域方差温度阈值进行比较，超出阈值判定为故障；
所述步骤S4具体为：
设备温差检测法：对同一次拍摄过程中，智能识别输出的同类型设备的部件框，使用最大值检测法、平均值检测法、方差检测法、区域方差检测法，获得其最大值、平均值、方差、区域方差；对同类型设备的相同部件框，求得每个部件的最大值、平均值、方差、区域方差与所有设备的平均值的差值；为电力设备各部件设置设备温差阈值，将从上述过程中获得的差值，与设备温差阈值进行比较，超出阈值判定为故障。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111428286.XA CN114088212A (zh) | 2021-11-29 | 2021-11-29 | 基于温度视觉的诊断方法及诊断装置 |
| PCT/CN2021/139369 WO2023092760A1 (zh) | 2021-11-29 | 2021-12-17 | 基于温度视觉的诊断方法及诊断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111428286.XA CN114088212A (zh) | 2021-11-29 | 2021-11-29 | 基于温度视觉的诊断方法及诊断装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114088212A true CN114088212A (zh) | 2022-02-25 |
Family
ID=80305294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111428286.XA Pending CN114088212A (zh) | 2021-11-29 | 2021-11-29 | 基于温度视觉的诊断方法及诊断装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114088212A (zh) |
| WO (1) | WO2023092760A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511120A (zh) * | 2022-04-21 | 2022-05-17 | 浙江天铂云科光电股份有限公司 | 基于温度视觉电线的电力设备故障诊断方法 |
| CN116383612A (zh) * | 2023-06-07 | 2023-07-04 | 浙江天铂云科光电股份有限公司 | 基于温度数据的电力设备部件框的检测补全方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117670882A (zh) * | 2024-01-31 | 2024-03-08 | 国网江西省电力有限公司电力科学研究院 | 一种瓷绝缘子串无人机红外自动对焦方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014142318A (ja) * | 2013-01-25 | 2014-08-07 | Panasonic Corp | 移動体検出装置 |
| CN104008258A (zh) * | 2014-06-17 | 2014-08-27 | 东南大学 | 基于位移形态的钢结构火灾温度场逆向推定方法 |
| US20160313391A1 (en) * | 2015-04-24 | 2016-10-27 | Qualcomm Incorporated | Device specific thermal mitigation |
| CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
| CN108362497A (zh) * | 2018-03-08 | 2018-08-03 | 云南电网有限责任公司电力科学研究院 | 一种用于水轮机组轴承温度异常判断的方法及系统 |
| CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| US20200103227A1 (en) * | 2018-09-28 | 2020-04-02 | Mitsubishi Hitachi Power Systems, Ltd. | Method and apparatus for estimating internal state of thermal component |
| CN110969610A (zh) * | 2019-12-03 | 2020-04-07 | 杭州天铂云科光电科技有限公司 | 基于深度学习的电力设备红外热图的识别方法及系统 |
| 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 |
| US20200208861A1 (en) * | 2017-09-15 | 2020-07-02 | Gree Electric Appliances (Wuhan) Co., Ltd | Refrigerant leak detection method and device for air conditioner |
| CN112379231A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测方法及装置 |
| CN112419301A (zh) * | 2020-12-03 | 2021-02-26 | 国网山西省电力公司大同供电公司 | 一种基于多源数据融合的电力设备缺陷诊断装置及方法 |
| CN112884219A (zh) * | 2021-02-07 | 2021-06-01 | 上海眼控科技股份有限公司 | 地面结冰预测方法、装置、电子设备和存储介质 |
| CN113345089A (zh) * | 2021-05-31 | 2021-09-03 | 西北农林科技大学 | 一种基于电力塔点云的规则化建模方法 |
| CN113408426A (zh) * | 2021-06-22 | 2021-09-17 | 浙江天铂云科光电股份有限公司 | 一种变电站设备智能检测方法及其系统 |
| CN113468762A (zh) * | 2021-07-22 | 2021-10-01 | 广东电网有限责任公司广州供电局 | 热点温度计算方法、装置、计算机设备和存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103630244B (zh) * | 2013-12-18 | 2016-03-09 | 重庆大学 | 电力系统设备故障诊断方法及系统 |
| US10354204B2 (en) * | 2016-04-21 | 2019-07-16 | Sas Institute Inc. | Machine learning predictive labeling system |
| CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
| CN110288578A (zh) * | 2019-06-24 | 2019-09-27 | 国网上海市电力公司 | 一种高识别率的电力设备缺陷红外图像识别系统 |
| CN110598736B (zh) * | 2019-08-06 | 2022-12-20 | 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 |
| CN111798412B (zh) * | 2020-06-04 | 2024-02-09 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 |
| CN112017173B (zh) * | 2020-09-02 | 2022-08-02 | 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 |
-
2021
- 2021-11-29 CN CN202111428286.XA patent/CN114088212A/zh active Pending
- 2021-12-17 WO PCT/CN2021/139369 patent/WO2023092760A1/zh unknown
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014142318A (ja) * | 2013-01-25 | 2014-08-07 | Panasonic Corp | 移動体検出装置 |
| CN104008258A (zh) * | 2014-06-17 | 2014-08-27 | 东南大学 | 基于位移形态的钢结构火灾温度场逆向推定方法 |
| US20160313391A1 (en) * | 2015-04-24 | 2016-10-27 | Qualcomm Incorporated | Device specific thermal mitigation |
| CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
| US20200208861A1 (en) * | 2017-09-15 | 2020-07-02 | Gree Electric Appliances (Wuhan) Co., Ltd | Refrigerant leak detection method and device for air conditioner |
| CN108362497A (zh) * | 2018-03-08 | 2018-08-03 | 云南电网有限责任公司电力科学研究院 | 一种用于水轮机组轴承温度异常判断的方法及系统 |
| CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| US20200103227A1 (en) * | 2018-09-28 | 2020-04-02 | Mitsubishi Hitachi Power Systems, Ltd. | Method and apparatus for estimating internal state of thermal component |
| 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 |
| CN110969610A (zh) * | 2019-12-03 | 2020-04-07 | 杭州天铂云科光电科技有限公司 | 基于深度学习的电力设备红外热图的识别方法及系统 |
| CN112379231A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测方法及装置 |
| CN112419301A (zh) * | 2020-12-03 | 2021-02-26 | 国网山西省电力公司大同供电公司 | 一种基于多源数据融合的电力设备缺陷诊断装置及方法 |
| CN112884219A (zh) * | 2021-02-07 | 2021-06-01 | 上海眼控科技股份有限公司 | 地面结冰预测方法、装置、电子设备和存储介质 |
| CN113345089A (zh) * | 2021-05-31 | 2021-09-03 | 西北农林科技大学 | 一种基于电力塔点云的规则化建模方法 |
| CN113408426A (zh) * | 2021-06-22 | 2021-09-17 | 浙江天铂云科光电股份有限公司 | 一种变电站设备智能检测方法及其系统 |
| CN113468762A (zh) * | 2021-07-22 | 2021-10-01 | 广东电网有限责任公司广州供电局 | 热点温度计算方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| LIU, ZL 等: "Posed and Spontaneous Expression Distinguishment from Infrared Thermal Images", 《INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》, 1 January 2012 (2012-01-01), pages 1108 - 1111 * |
| 刘伟 等: "基于RBF神经网络陶瓷窑炉温度动态矩阵控制", 《中国陶瓷》, vol. 46, no. 9, 5 September 2010 (2010-09-05), pages 28 - 30 * |
| 孟多 等: "基于计算机视觉的皮革收缩温度中位移检测的研究", 《西部皮革》, vol. 41, no. 1, 15 January 2019 (2019-01-15), pages 118 - 121 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511120A (zh) * | 2022-04-21 | 2022-05-17 | 浙江天铂云科光电股份有限公司 | 基于温度视觉电线的电力设备故障诊断方法 |
| CN114511120B (zh) * | 2022-04-21 | 2022-07-19 | 浙江天铂云科光电股份有限公司 | 基于温度视觉电线的电力设备故障诊断方法 |
| CN116383612A (zh) * | 2023-06-07 | 2023-07-04 | 浙江天铂云科光电股份有限公司 | 基于温度数据的电力设备部件框的检测补全方法 |
| CN116383612B (zh) * | 2023-06-07 | 2023-09-01 | 浙江天铂云科光电股份有限公司 | 基于温度数据的电力设备部件框的检测补全方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023092760A1 (zh) | 2023-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114088212A (zh) | 基于温度视觉的诊断方法及诊断装置 | |
| CN103499774B (zh) | 输电绝缘子闪络在线监视安全预警装置 | |
| CN103196380B (zh) | 输电线路图像采集装置及输电线路覆冰厚度检测系统 | |
| CN114067212A (zh) | 基于温度视觉的智能检测方法、装置及电子设备 | |
| CN107103598A (zh) | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 | |
| CN110567964B (zh) | 一种检测变电设备缺陷的方法、装置及存储介质 | |
| CN106990324B (zh) | 一种配电网接地故障检测定位方法 | |
| CN103886294B (zh) | 基于图像的换流站用避雷器动作次数的识别方法以及系统 | |
| CN103926510A (zh) | 一种电缆护层电流及载流量在线监测和故障诊断定位方法 | |
| CN111337789A (zh) | 一种高压输电线路中故障电气元件检测方法及检测系统 | |
| CN115512252B (zh) | 基于无人机的电网巡检自动化方法及系统 | |
| CN111127445A (zh) | 基于深度学习的配网线路高温区域检测方法与系统 | |
| CN109253805A (zh) | 一种电力设备多目标同时测温的方法 | |
| CN106548211A (zh) | 基于红外图像的变电站测温点自动识别方法和装置 | |
| CN114065642A (zh) | 基于温度视觉的智能识别方法 | |
| CN113794857A (zh) | 一种开关柜非介入式监测方法、装置、存储介质 | |
| CN110188786B (zh) | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 | |
| CN109323765A (zh) | 一种采用曲线轮廓法对电力设备准确测温的方法 | |
| CN113554717A (zh) | 基于机器视觉的电力设备锈蚀识别系统及方法 | |
| Zhang et al. | Intelligent detection technology of infrared image of substation equipment based on deep learning algorithm | |
| CN212007767U (zh) | 一种电力变压器机械状态检测系统 | |
| CN112529840A (zh) | 一种sf6充气设备压力下降缺陷图像识别装置 | |
| CN114283330B (zh) | 基于多源数据的在线巡检识别方法及系统 | |
| CN106248215A (zh) | 一种电力变压器关键部件运行温度的实时测算系统 | |
| CN111428987A (zh) | 一种基于人工智能的继保装置图像识别方法和系统 |
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 |