CN114155212A - 一种基于红外图像的变电站异常绝缘子检测方法和装置 - Google Patents
一种基于红外图像的变电站异常绝缘子检测方法和装置 Download PDFInfo
- Publication number
- CN114155212A CN114155212A CN202111404846.8A CN202111404846A CN114155212A CN 114155212 A CN114155212 A CN 114155212A CN 202111404846 A CN202111404846 A CN 202111404846A CN 114155212 A CN114155212 A CN 114155212A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- temperature
- gray value
- value
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 168
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims description 46
- 238000001914 filtration Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 235000002566 Capsicum Nutrition 0.000 claims description 5
- 239000006002 Pepper Substances 0.000 claims description 5
- 235000016761 Piper aduncum Nutrition 0.000 claims description 5
- 235000017804 Piper guineense Nutrition 0.000 claims description 5
- 235000008184 Piper nigrum Nutrition 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 150000003839 salts Chemical class 0.000 claims description 5
- 244000203593 Piper nigrum Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 241000722363 Piper Species 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005406 washing 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- 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
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/70—
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本申请涉及绝缘子检测的领域,尤其是涉及一种基于红外图像的变电站异常绝缘子检测方法,通过将绝缘子图片中的最大灰度值、最小灰度值以及平均灰度值转换成最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg,之后将最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg映射到领域差异空间坐标轴,构建低温领域、高温领域、总领域以及安全领域,通过判断安全领域是否都与低温领域和高温领域相交来输出温度正常或者温度异常的结果,同时具备检测绝缘子效率高和精度高的优点。本申请还提出一种基于红外图像的变电站异常绝缘子检测装置,其在使用基于红外图像的变电站异常绝缘子检测方法后实现检测绝缘子效率高和精度高的效果。
Description
技术领域
本申请涉及绝缘子检测的技术领域,尤其是涉及一种基于红外图像的变电站异常绝缘子检测方法和装置。
背景技术
复合绝缘子是一种电压致热型电力设备,随着其内部绝缘出现缺陷及老化等,会出现局部放电现象从而引起局部温度的升高。也就是说,根据复合绝缘子是否出现发热现象便可实时快速地获知其运行状态,还可以根据发热程度判定故障的严重程度,帮助电力检修部门的工作人员确定合适的维修方案。但是,目前对变电站输电线路上的绝缘子的检测一般采取人工巡视的方式,绝缘子的检测效率较低。
发明内容
针对上述对变电站输电线路上的绝缘子的检测一般采取人工巡视的方式,绝缘子的检测效率较低的问题,本申请提出了一种基于红外图像的变电站异常绝缘子检测方法和装置。
第一方面,本申请提出了一种基于红外图像的变电站异常绝缘子检测方法,包括以下步骤:
S1:采集变电站绝缘子单通道红外图像,将所述变电站绝缘子单通道红外图像进行伪彩色编码,获得伪彩色图片;S2:将所述伪彩色图片缩放后输入经过预训练的红外绝缘子检测模型截取出目标绝缘子图像;S3:计算出所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值;S4:将所述最大灰度值、最小灰度值以及平均灰度值分别输入预先拟合的灰度值-温度线性拟合模型,分别输出最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg;S5:建立领域差异空间坐标轴,将所述最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg的数值以点的方式分别标在所述领域差异空间坐标轴的x轴上以形成点Tmax、点Tmin和点Tavg;S6:构建以所述点Tmin和所述点Tavg之间的中点为圆心并过所述点Tmin的圆以形成低温领域,构建以所述点Tmax和所述点Tavg之间的中点为圆心并过所述点Tmax的圆以形成高温领域,构建以所述点Tmax和所述点Tmin之间的中点为圆心并过所述点Tmax的圆以形成总领域,最后构建以所述点Tmax和所述点Tmin之间的中点为圆心、预设安全半径的圆以形成安全领域;以及S7:判断所述安全领域是否都与所述低温领域和所述高温领域相交,若所述安全领域都与所述低温领域与所述高温领域相交,则输出温度正常的结果,若所述安全领域都不与所述低温领域和所述高温领域相交,则输出温度异常的结果。
通过采用上述技术方案,先采集变电站绝缘子单通道红外图像,然后将变电站绝缘子单通道红外图像伪彩色编码并输入经过预训练的红外绝缘子检测模型截取出目标绝缘子图像,之后再计算出目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值,然后将最大灰度值、最小灰度值以及平均灰度值转换成最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg,之后将最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg映射到领域差异空间坐标轴,构建低温领域、高温领域、总领域以及安全领域,通过判断安全领域是否都与低温领域和高温领域相交来输出温度正常或者温度异常的结果,从而实现绝缘子温度的智能检测,不需要人工对绝缘子进行巡检,提高了绝缘子的检测效率,且通过本方法检测出来的结果精度较高,同时具备检测绝缘子效率高和精度高的优点。
优选的,所述S2具体包括以下步骤:S21:将所述伪彩色图片的长边缩放成固定大小,并获得缩放比例系数x;S22:将所述伪彩色图片的短边乘以所述缩放比例系数x,得到和原图比例不变的缩放图;S23:将所述缩放图输入经过预训练的红外绝缘子检测模型截取出目标绝缘子图像。
通过采用上述技术方案,先将所述伪彩色图片的长边缩放成固定大小,然后将所述伪彩色图片的短边乘以所述缩放比例系数x得到和原图比例不变的缩放图,使得伪彩色图片的缩放步骤简单高效。
优选的,所述步骤S3具体包括以下步骤:S31:对所述目标绝缘子图像进行中值滤波去除图像的椒盐噪声;S32:对步骤S31处理后的所述目标绝缘子图像使用均值滤波,让所述目标绝缘子图像变得平滑;S33:计算出步骤S32处理后的所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值。
通过采用上述技术方案,在计算出目标绝缘子图像的灰度值之前,先对所述目标绝缘子图像进行中值滤波去除图像的椒盐噪,然后对目标绝缘子图像使用均值滤波,让所述目标绝缘子图像变得平滑,使得目标绝缘子图像的灰度值计算结果更加准确。
优选的,所述步骤S2中的所述预训练的红外绝缘子检测模型为YOLOV5绝缘子检测模型。
通过采用上述技术方案,使用YOLOV5绝缘子检测模型检测绝缘子具有检测结果准确度较高的优点。
优选的,所述YOLOV5绝缘子检测模型包括特征提取骨干网络和注意力提取分支网络,所述特征提取骨干网络用于输出多个头部输出矩阵,所述注意力提取分支网络用于输出与多个所述头部输出矩阵分别相乘的多个注意力矩阵。
通过采用上述技术方案,在原网络结构基础上,添加了一个注意力提取分支网络,生成注意力矩阵,输出变为头部输出矩阵和注意力矩阵对应相乘,形成注意力机制,使用注意力机制以后,图片中需要识别的目标绝缘子区域权重会比较大,比较突出绝缘子,使得YOLOV5绝缘子检测模型截取出来的绝缘子区域更加准确。
优选的,所述S5中的所述预先拟合的灰度值-温度线性拟合模型由以下步骤获得:1):采集不同温度下的标准黑体热源的红外图像;2):计算出所述不同温度下的标准黑体热源的红外图像的灰度值;3):将所述不同温度下的标准黑体热源的红外图像的灰度值的数据进行拟合,获得所述灰度值-温度线性拟合模型。
通过采用上述技术方案,先采集不同温度下的标准黑体热源的红外图像,然后再计算出所述不同温度下的标准黑体热源的红外图像的灰度值,并将所述不同温度下的标准黑体热源的红外图像的灰度值的数据进行拟合,从而实现灰度值-温度线性拟合模型的获得。
优选的,所述步骤3)中使用最小二乘法对不同温度下的标准黑体热源的红外图像的灰度值的数据进行拟合,获得拟合公式。
通过采用上述技术方案,使用最小二乘法可通过最小化误差的平方和寻找数据的最佳函数匹配,利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小,使得灰度值-温度线性拟合模型的精度较高。
优选的,所述步骤S3中使用opencv或者PIL计算出所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值。
通过采用上述技术方案,使用opencv或者PIL计算出来的灰度值准确度较高。
第二方面,本申请还提出了一种基于红外图像的变电站异常绝缘子检测装置,包括:图像获取模块,所述图像获取模块用于采集变电站绝缘子单通道红外图像;图像预处理模块,所述图像预处理模块用于对所述图像获取模块采集的所述变电站绝缘子单通道红外图像进行预处理获得伪彩色图片;图像截取模块,所述图像截取模块用于将所述图像预处理模块预处理过的所述伪彩色图片进行目标截取,获得目标绝缘子图像;图像去噪模块,所述图像去噪模块用于去除所述目标绝缘子图像的噪声,使所述目标绝缘子图像更加平滑;灰度值转换温度模块,所述灰度值转换温度模块用于计算出所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值,并将最大灰度值、最小灰度值以及平均灰度值分别转换成最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg;输出模块,所述输出模块用于将所述最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg映射到领域差异空间坐标轴并通过第一方面的方法输出温度异常或者温度正常的结果。
通过采用上述方案,先通过图像获取模块用于采集变电站绝缘子单通道红外图像,然后使用图像预处理模块用于对所述图像获取模块采集的所述变电站绝缘子单通道红外图像进行预处理获得伪彩色图片,之后通过图像截取模块将所述图像预处理模块预处理过的所述伪彩色图片进行目标截取,获得目标绝缘子图像,之后再通过图像去噪模块去除所述目标绝缘子图像的噪声,使所述目标绝缘子图像更加平滑,然后通过灰度值转换温度模块计算出所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值,并将最大灰度值、最小灰度值以及平均灰度值分别转换成最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg,最后通过输出模块用于将所述最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg映射到领域差异空间坐标轴并通过第一方面的方法输出温度异常或者温度正常的结果,从而实现绝缘子温度的智能检测,不需要人工对绝缘子进行巡检,绝缘子的检测效率高,且通过本装置检测出来的结果精度较高,同时具备检测绝缘子效率高和精度高的优点。
第三方面,本申请还提出了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如第一方面的计算方法。
本申请提出了一种基于红外图像的变电站异常绝缘子检测方法,通过将绝缘子图片中的最大灰度值、最小灰度值以及平均灰度值转换成最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg,之后将最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg映射到领域差异空间坐标轴,构建低温领域、高温领域、总领域以及安全领域,通过判断安全领域是否都与低温领域和高温领域相交来输出温度正常或者温度异常的结果,同时具备检测绝缘子效率高和精度高的优点,同时,本申请还提出一种基于红外图像的变电站异常绝缘子检测装置,其在使用基于红外图像的变电站异常绝缘子检测方法后实现检测绝缘子效率高和精度高的效果。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。附图的元件不一定是相互按照比例的。同样的附图标记指代对应的类似部件。
图1是本申请实施例基于红外图像的变电站异常绝缘子检测方法的流程图。
图2是本申请实施例基于红外图像的变电站异常绝缘子检测方法的步骤S2的流程示意图。
图3是本申请实施例基于红外图像的变电站异常绝缘子检测方法的步骤S3的流程示意图。
图4是本申请实施例的YOLOV5绝缘子检测模型的输出网络示意图。
图5是本申请实施例的改进的YOLOV5绝缘子检测模型的输出网络示意图。
图6是本申请实施例的注意力提取分支网络的输出网络示意图。
图7是本申请实施例的温度正常时的领域差异空间坐标轴的示意图。
图8是本申请实施例的温度异常时的领域差异空间坐标轴的一个示意图。
图9是本申请实施例的温度异常时的领域差异空间坐标轴的另一个示意图。
图10是根据本申请的基于红外图像的变电站异常绝缘子检测方法的一个具体实施例的示意图。
图11是适于用来实现本申请实施例的基于红外图像的变电站异常绝缘子检测装置的模块结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
下面将结合附图对本发明作详细的介绍。
参照图1,本申请实施例公开的一种基于红外图像的变电站异常绝缘子检测方法,包括以下步骤:
S1:采集变电站绝缘子单通道红外图像,将变电站绝缘子单通道红外图像进行伪彩色编码,获得伪彩色图片。
在本实施例中,通过红外成像仪拍摄获得电站绝缘子单通道红外图像,使用opencv或者PIL等软件对变电站绝缘子单通道红外图像进行伪彩色编码,将灰度图片的像素灰度值映射成三通道的RGB伪彩色图片,伪彩色编码运用到了以下公式:
S2:将伪彩色图片缩放后输入经过预训练的红外绝缘子检测模型截取出目标绝缘子图像。
在本实施例的一些可选的实现方式中,如图2所示,上述执行主体可以按照如下步骤完成步骤S2的过程:
S21:将伪彩色图片的长边缩放成固定大小,并获得缩放比例系数x;在本实施例中,将伪彩色图片的长边缩放成640大小。
S22:将伪彩色图片的短边乘以缩放比例系数x,得到和原图比例不变的缩放图;
S23:将缩放图输入经过预训练的红外绝缘子检测模型截取出目标绝缘子图像。
本实施例中,使用的预训练的红外绝缘子检测模型为YOLOV5绝缘子检测模型或者改进的YOLOV5绝缘子检测模型。
YOLOV5是一个使用全卷积的骨干网络提取特征,再用黄金金字塔对不同深浅的特征进行融合的目标检测网络,主要使用在目标检测领域。YOLOV5在训练时使用Mosaic数据增强、自适应锚框计算和自适应图片缩放方式提高网络的精度。
YOLOV5训练过程包括以下步骤:1、收集数据,对数据进行清洗过滤,再将数据以5:2:3分为训练集、验证集和测试集;2、使用标注工具LabelImg对图片进行标注;3、修改模型性结构配置文件yolov5s.yaml生成自己的模型结构配置文件yolo-infrared.yaml;4、修改训练模型的配置参数,例如图片大小、训练总迭代次数和批梯度数据大小等,对于没有设置的参数按照默认参数进行,设置完毕便可开始训练;5、训练完毕后在测试集上验证模型的准确率是否达到要求,如果达到则可部署使用;如果没有达到,则对测试集识别错误或者无法识别的数据进行分析,根据分析结果修改训练集、验证集的标签和训练配置参数重新训练,直到模型在测试集上的准确率达到要求。
由于检测出来的是目标的中心点坐标和宽高信息,需要使用到的是左上角和右下角坐标信息,坐标的转换公式为:
x1=x-0.5*w;
y1=y-0.5*h;
x2=x+0.5*w;
y2=y+0.5*h。
其中,x和y是目标的中心点XY轴坐标,w是目标的宽,h是目标的高,x1和y1是目标的左上角XY轴坐标,x2和y是目标的右下角XY轴坐标。
参照图4和图5,改进的YOLOV5绝缘子检测模型包括特征提取骨干网络和注意力提取分支网络,特征提取骨干网络用于输出多个头部输出矩阵,注意力提取分支网络用于输出与多个头部输出矩阵分别相乘的多个注意力矩阵。
本实施例中改进的YOLOV5绝缘子检测模型是在原网络结构基础上,而外添加了一个注意提取网络,生成注意力矩阵,输出变为头部输出和注意力对应相乘,形成注意力机制。
图6示出了注意力机制实现过程,主要由以下步骤实现:
1):将640*640*3的图片经过32个大小为3*3的卷积核,卷积步长为2*2,填充为1*1,卷积计算后得到320*320*32;
2):320*320*32的特征图经过64个大小为3*3的卷积核,卷积步长为2*2,填充为1*1,卷积计算后得到160*160*64;
3):160*160*3的特征图经过6个大小为11*11的卷积核,卷积步长为2*2,填充为1*1,卷积计算后得到大小为76*76*6的一个注意力矩阵,其用于与特征提取骨干网络输出的大小为76*76*6的特征图相乘;
4):76*76*3的特征图经过2*2的均值池化层池化得到大小为38*38*6的一个注意力矩阵,其用于与特征提取骨干网络输出的大小为38*38*6的特征图相乘;
5):38*38*3的特征图经过2*2的均值池化层池化得到大小为19*19*6的一个注意力矩阵,其用于与特征提取骨干网络输出的大小为38*38*6的特征图相乘。
注意力机制主要的作用就是对输出的元素进行加权,使用注意力机制前,图片所有位置的权重都一样没有关注区域,特征无突出区域,使用注意力机制以后,图片中需要识别的目标绝缘子区域权重会比较大,突出绝缘子。
S3:计算出目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值。
在本实施例的一些可选的实现方式中,如图3所示,上述执行主体可以按照如下步骤完成步骤S3的过程:
S31:对目标绝缘子图像进行中值滤波去除图像的椒盐噪声;
中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,中值滤波对脉冲噪声有良好的滤除作用,特别是在滤除噪声的同时,能够保护信号的边缘,使之不被模糊。
S32:对步骤S31处理后的目标绝缘子图像使用均值滤波,让目标绝缘子图像变得平滑;
均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素,再用模板中的全体像素的平均值来代替原来像素值。
S33:计算出步骤S32处理后的目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值。
本实施例中,可通过opencv或者PIL读取目标绝缘子图像最大灰度值、最小灰度值以及平均灰度值。
S4:将最大灰度值、最小灰度值以及平均灰度值分别输入预先拟合的灰度值-温度线性拟合模型,分别输出最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg;
本实施例中,预先拟合的灰度值-温度线性拟合模型由以下步骤获得:
1):采集不同温度下的标准黑体热源的红外图像;
2):计算出不同温度下的标准黑体热源的红外图像的灰度值;
3):将不同温度下的标准黑体热源的红外图像的灰度值的数据进行拟合,获得灰度值-温度线性拟合模型。
其中,步骤3)中将不同温度下的标准黑体热源的红外图像的灰度值的数据进行拟合的方法为最小二乘法,最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配,利用最小二乘法可以简便地求得未知的数据。
在其他实施方式中,还可通过查表等方式将最大灰度值、最小灰度值以及平均灰度值分别转换成输出最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg。
S5:建立领域差异空间坐标轴,将最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg的数值以点的方式分别标在领域差异空间坐标轴的x轴上以形成点Tmax、点Tmin和点Tavg。
S6:构建以点Tmin和点Tavg之间的中点为圆心并过点Tmin的圆以形成低温领域,构建以点Tmax和点Tavg之间的中点为圆心并过点Tmax的圆以形成高温领域,构建以点Tmax和点Tmin之间的中点为圆心并过点Tmax的圆以形成总领域,最后构建以点Tmax和点Tmin之间的中点为圆心、预设安全半径的圆以形成安全领域。
S7:判断安全领域是否都与低温领域和高温领域相交,若安全领域都与低温领域与高温领域相交,则输出温度正常的结果,若安全领域都不与低温领域和高温领域相交,则输出温度异常的结果。在本实施例中,输出温度异常的结果的表现方式为发出温度异常警报,输出温度正常的结果的表现方式为不发出警报。
参照图7至图9,图7为温度正常时的领域差异空间的原理示意图,此时,安全领域都与低温领域与高温领域相交,则输出温度正常的结果。图8为温度异常时的一个领域差异空间的原理示意图,此时,安全领域都不与低温领域和高温领域相交,则输出温度异常的结果。图9为温度异常时的另一个领域差异空间的原理示意图,此时,安全领域都不与低温领域和高温领域相交,则输出温度异常的结果。
图10是根据本申请的基于红外图像的变电站异常绝缘子检测方法的一个具体实施例的示意图,先通过红外成像仪拍摄获得电站绝缘子单通道红外图像;然后使用opencv或者PIL等软件对变电站绝缘子单通道红外图像进行伪彩色编码;然后将伪彩色图片的长边缩放成640大小,并获得缩放比例系数x,将伪彩色图片的短边乘以缩放比例系数x,得到和原图比例不变的缩放图,将缩放图输入经过YOLOV5绝缘子检测模型或者改进的YOLOV5绝缘子检测模型截取出目标绝缘子图像;然后对目标绝缘子图像进行中值滤波去除图像的椒盐噪声,之后再对目标绝缘子图像使用均值滤波,让目标绝缘子图像变得平滑,然后通过opencv或者PIL读取目标绝缘子图像最大灰度值、最小灰度值以及平均灰度值;之后将最大灰度值、最小灰度值以及平均灰度值分别输入预先拟合的灰度值-温度线性拟合模型,分别输出最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg;建立领域差异空间坐标轴,将最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg的数值以点的方式分别标在领域差异空间坐标轴的x轴上以形成点Tmax、点Tmin和点Tavg;之后构建以点Tmin和点Tavg之间的中点为圆心并过点Tmin的圆以形成低温领域,构建以点Tmax和点Tavg之间的中点为圆心并过点Tmax的圆以形成高温领域,构建以点Tmax和点Tmin之间的中点为圆心并过点Tmax的圆以形成总领域,最后构建以点Tmax和点Tmin之间的中点为圆心、预设安全半径的圆以形成安全领域;最后判断安全领域是否都与低温领域和高温领域相交,若安全领域都与低温领域与高温领域相交,则输出温度正常的结果,若安全领域都不与低温领域和高温领域相交,则输出温度异常的结果。在本实施例中,输出温度异常的结果的表现方式为发出温度异常警报,输出温度正常的结果的表现方式为不发出警报。
进一步参考图11,作为对上述方法的实现,本申请提供了基于红外图像的变电站异常绝缘子检测装置的一个实施例,该系统实施例与图1所示的方法实施例相对应,该系统具体可以应用于各种电子设备中,该装置包括:
图像获取模块101,图像获取模块101用于采集变电站绝缘子单通道红外图像;
图像预处理模块102,图像预处理模块102用于对图像获取模块101采集的变电站绝缘子单通道红外图像进行预处理获得伪彩色图片;
图像截取模块103,图像截取模块103用于将图像预处理模块102预处理过的伪彩色图片进行目标截取,获得目标绝缘子图像;
图像去噪模块104,图像去噪模块104用于去除目标绝缘子图像的噪声,使目标绝缘子图像更加平滑;
灰度值转换温度模块105,灰度值转换温度模块105用于计算出目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值,并将最大灰度值、最小灰度值以及平均灰度值分别转换成最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg;
输出模块106,输出模块106用于将最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg映射到领域差异空间坐标轴并通过权利要求1-8中任一的方法输出温度异常或者温度正常的结果。
基于红外图像的变电站异常绝缘子检测装置在使用时,先通过图像获取模块101用于采集变电站绝缘子单通道红外图像,然后使用图像预处理模块102用于对图像获取模块101采集的变电站绝缘子单通道红外图像进行预处理获得伪彩色图片,之后通过图像截取模块103将图像预处理模块102预处理过的伪彩色图片进行目标截取,获得目标绝缘子图像,之后再通过图像去噪模块104去除目标绝缘子图像的噪声,使目标绝缘子图像更加平滑,然后通过灰度值转换温度模块105计算出目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值,并将最大灰度值、最小灰度值以及平均灰度值分别转换成最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg,最后通过输出模块106用于将最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg映射到领域差异空间坐标轴并通过流程图1中的方法输出温度异常或者温度正常的结果,从而实现绝缘子温度的智能检测,不需要人工对绝缘子进行巡检,绝缘子的检测效率高,且通过本装置检测出来的结果精度较高,同时具备检测绝缘子效率高和精度高的优点。
根据本申请公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行图1所示的方法的程序代码。在该计算机程序被中央处理单元(CPU)和图形处理器(GPU)执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、分析模块和输出模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于红外图像的变电站异常绝缘子检测方法,其特征在于,包括以下步骤:
S1:采集变电站绝缘子单通道红外图像,将所述变电站绝缘子单通道红外图像进行伪彩色编码,获得伪彩色图片;
S2:将所述伪彩色图片缩放后输入经过预训练的红外绝缘子检测模型截取出目标绝缘子图像;
S3:计算出所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值;
S4:将所述最大灰度值、最小灰度值以及平均灰度值分别输入预先拟合的灰度值-温度线性拟合模型,分别输出最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg;
S5:建立领域差异空间坐标轴,将所述最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg的数值以点的方式分别标在所述领域差异空间坐标轴的x轴上以形成点Tmax、点Tmin和点Tavg;
S6:构建以所述点Tmin和所述点Tavg之间的中点为圆心并过所述点Tmin的圆以形成低温领域,构建以所述点Tmax和所述点Tavg之间的中点为圆心并过所述点Tmax的圆以形成高温领域,构建以所述点Tmax和所述点Tmin之间的中点为圆心并过所述点Tmax的圆以形成总领域,最后构建以所述点Tmax和所述点Tmin之间的中点为圆心、预设安全半径的圆以形成安全领域;以及
S7:判断所述安全领域是否都与所述低温领域和所述高温领域相交,若所述安全领域都与所述低温领域与所述高温领域相交,则输出温度正常的结果,若所述安全领域都不与所述低温领域和所述高温领域相交,则输出温度异常的结果。
2.根据权利要求1所述的一种基于红外图像的变电站异常绝缘子检测方法,其特征在于,所述S2具体包括以下步骤:
S21:将所述伪彩色图片的长边缩放成固定大小,并获得缩放比例系数x;
S22:将所述伪彩色图片的短边乘以所述缩放比例系数x,得到和原图比例不变的缩放图;
S23:将所述缩放图输入经过预训练的红外绝缘子检测模型截取出目标绝缘子图像。
3.根据权利要求1所述的一种基于红外图像的变电站异常绝缘子检测方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:对所述目标绝缘子图像进行中值滤波去除图像的椒盐噪声;
S32:对步骤S31处理后的所述目标绝缘子图像使用均值滤波,让所述目标绝缘子图像变得平滑;
S33:计算出步骤S32处理后的所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值。
4.根据权利要求1所述的一种基于红外图像的变电站异常绝缘子检测方法,其特征在于:所述步骤S2中的所述预训练的红外绝缘子检测模型为YOLOV5绝缘子检测模型。
5.根据权利要求1所述的一种基于红外图像的变电站异常绝缘子检测方法,其特征在于:所述步骤S2中的所述预训练的红外绝缘子检测模型为改进的YOLOV5绝缘子检测模型,所述改进的YOLOV5绝缘子检测模型包括特征提取骨干网络和注意力提取分支网络,所述特征提取骨干网络用于输出多个头部输出矩阵,所述注意力提取分支网络用于输出与多个所述头部输出矩阵分别相乘的多个注意力矩阵。
6.根据权利要求1所述的一种基于红外图像的变电站异常绝缘子检测方法,其特征在于:所述S5中的所述预先拟合的灰度值-温度线性拟合模型由以下步骤获得:
1):采集不同温度下的标准黑体热源的红外图像;
2):计算出所述不同温度下的标准黑体热源的红外图像的灰度值;
3):将所述不同温度下的标准黑体热源的红外图像的灰度值的数据进行拟合,获得所述灰度值-温度线性拟合模型。
7.根据权利要求6所述的一种基于红外图像的变电站异常绝缘子检测方法,其特征在于:所述步骤3)中使用最小二乘法对不同温度下的标准黑体热源的红外图像的灰度值的数据进行拟合,获得所述灰度值-温度线性拟合模型。
8.根据权利要求1-7任一所述的一种基于红外图像的变电站异常绝缘子检测方法,其特征在于:所述步骤S3中使用opencv或者PIL计算出所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值。
9.一种基于红外图像的变电站异常绝缘子检测装置,其特征在于,包括:
图像获取模块,所述图像获取模块用于采集变电站绝缘子单通道红外图像;
图像预处理模块,所述图像预处理模块用于对所述图像获取模块采集的所述变电站绝缘子单通道红外图像进行预处理获得伪彩色图片;
图像截取模块,所述图像截取模块用于将所述图像预处理模块预处理过的所述伪彩色图片进行目标截取,获得目标绝缘子图像;
图像去噪模块,所述图像去噪模块用于去除所述目标绝缘子图像的噪声,使所述目标绝缘子图像更加平滑;
灰度值转换温度模块,所述灰度值转换温度模块用于计算出所述目标绝缘子图像的最大灰度值、最小灰度值以及平均灰度值,并将最大灰度值、最小灰度值以及平均灰度值分别转换成最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg;
输出模块,所述输出模块用于将所述最大温度值Tmax、最小温度值Tmin以及平均温度值Tavg映射到领域差异空间坐标轴并通过权利要求1-8中任一所述的方法输出温度异常或者温度正常的结果。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404846.8A CN114155212A (zh) | 2021-11-24 | 2021-11-24 | 一种基于红外图像的变电站异常绝缘子检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404846.8A CN114155212A (zh) | 2021-11-24 | 2021-11-24 | 一种基于红外图像的变电站异常绝缘子检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155212A true CN114155212A (zh) | 2022-03-08 |
Family
ID=80457646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111404846.8A Pending CN114155212A (zh) | 2021-11-24 | 2021-11-24 | 一种基于红外图像的变电站异常绝缘子检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155212A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761611A (zh) * | 2022-12-18 | 2023-03-07 | 四川数聚智造科技有限公司 | 基于图像对比异常检测的多阶段多底图图像差异过滤方法 |
-
2021
- 2021-11-24 CN CN202111404846.8A patent/CN114155212A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761611A (zh) * | 2022-12-18 | 2023-03-07 | 四川数聚智造科技有限公司 | 基于图像对比异常检测的多阶段多底图图像差异过滤方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
CN113159334B (zh) | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 | |
CN106530271A (zh) | 一种红外图像显著性检测方法 | |
CN113920097A (zh) | 一种基于多源图像的电力设备状态检测方法及系统 | |
CN112164086A (zh) | 一种精细化的图像边缘信息确定方法、系统及电子设备 | |
CN109345586A (zh) | 基于紫外成像技术的电气设备放电特征提取方法 | |
CN111047598B (zh) | 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 | |
CN114155212A (zh) | 一种基于红外图像的变电站异常绝缘子检测方法和装置 | |
CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 | |
CN109272484B (zh) | 一种基于视频图像的降雨检测方法 | |
CN117437697B (zh) | 卧姿人体检测模型的训练方法、卧姿人体检测方法及系统 | |
CN106470293B (zh) | 图像处理装置及图像处理方法 | |
US20180033156A1 (en) | Method and device for filtering texture, using patch shift | |
CN110807416A (zh) | 适用于移动检测装置的数字式仪表智能识别装置及方法 | |
CN105956606A (zh) | 一种基于不对称变换的行人再标识方法 | |
CN115439319A (zh) | 一种电滑线防护装置裸露检测方法 | |
CN116977911A (zh) | 基于注意力机制的目标检测模型及其训练方法、目标检测方法 | |
CN113902733A (zh) | 一种基于关键点检测的间隔棒缺陷检测方法 | |
Gu et al. | Object detection of overhead transmission lines based on improved YOLOv5s | |
CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
Ma et al. | Insulation default diagnosing of GIS busbar based on fusion technique of visible and infrared images | |
CN115205246B (zh) | 换流阀电晕放电紫外图像特征提取方法和装置 | |
Ge et al. | An optimized design of the pointer meter image enhancement and automatic reading system in low illumination environment | |
CN113312979B (zh) | 图像处理方法、装置、电子设备、路侧设备及云控平台 |
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 |