CN114359139A - 绝缘设备的检测方法、装置、电子设备及存储介质 - Google Patents
绝缘设备的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114359139A CN114359139A CN202111416677.XA CN202111416677A CN114359139A CN 114359139 A CN114359139 A CN 114359139A CN 202111416677 A CN202111416677 A CN 202111416677A CN 114359139 A CN114359139 A CN 114359139A
- Authority
- CN
- China
- Prior art keywords
- image
- coding model
- automatic coding
- infrared
- images
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种检测绝缘设备的方法、装置、电子设备及存储介质,属于智能监测技术领域。包括:获取多帧红外图像,多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到。基于多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,目标自动编码模型能够确定任一红外图像中的像素点的损伤程度。根据多帧红外图像和目标自动编码模型,构建绝缘设备的特征图像。根据特征图像,检测绝缘设备的损伤情况。本申请基于红外图像的检测方法具有可在线远距离检测的特点,所以避免需要电力设备停电检测,从而避免影响电力设备的正常使用。
Description
技术领域
本申请涉及智能监测技术领域,特别涉及一种绝缘设备的检测方法、装置、电子设备及存储介质。
背景技术
绝缘设备广泛应用于输电路线、变电站、换流站等场景。在绝缘设备的寿命周期内,由于受到制造过程中的固有缺陷以及环境因素的影响,容易发生内部损伤,譬如出现裂纹、气隙、分层等现象。如此可能使得绝缘失效,甚至可能导致安全事故。
为此,在对电力设备进行绝缘状态评估时,在不损伤绝缘设备的基础上,需要对绝缘设备内部的损伤情况进行检测。目前,一般可以通过超声换能器和超声接收器进行检测,譬如可以通过超声换能器发射超声波,通过超声接收器接收反射的回波并显示,如此根据显示的波形的畸变情况即可确定检测结果。
然而,在通过超声波方法进行检测时由于高压比较危险,所以仅能在电力设备停电状态下检测。
发明内容
本申请实施例提供了一种绝缘设备的检测方法、装置、电子设备及存储介质,可以解决在对绝缘设备进行检测时,由于需要电力设备停电检测导致影响电力设备正常使用的问题。所述技术方案如下:
第一方面,提供了一种绝缘设备的检测方法,所述方法包括:
获取多帧红外图像,所述多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到;
基于所述多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,所述目标自动编码模型能够确定任一红外图像中的像素点的损伤程度;
根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像;
根据所述特征图像,检测所述绝缘设备的损伤情况。
作为本申请的一个示例,所述基于所述多帧红外图像,对自动编码模型进行训练,包括:
对所述多帧红外图像中的每帧红外图像进行中值滤波处理;
选择经中值滤波处理后的所述每帧红外图像中的检测区域,得到多个局部区域图像,所述检测区域为所述绝缘设备所在的区域;
基于所述多个局部区域图像,对所述自动编码模型进行训练;
所述根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像,包括:
根据所述多个局部区域图像和所述目标自动编码模型,构建所述绝缘设备的特征图像。
作为本申请的一个示例,所述基于多个局部区域图像,对所述自动编码模型进行训练,包括:
将所述多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,所述m是所述检测区域中包括的像素点的个数;
从所述m个向量中选择k个向量,所述k为大于1且小于m的整数;
将所述k个向量组成矩阵;
对所述矩阵进行归一化处理;
基于归一化处理后的所述k个向量,对所述自动编码模型进行训练。
作为本申请的一个示例,所述根据所述多个局部区域图像和所述目标自动编码模型,构建所述绝缘设备的特征图像,包括:
将所述多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,所述m是所述检测区域中包括的像素点的个数;
将所述m个向量输入至所述目标自动编码模型中,输出m个特征值,所述m个特征值中的每个特征值用于指示对应的像素点的损伤程度;
基于所述m个特征值,构建所述绝缘设备的特征图像。
作为本申请的一个示例,所述根据所述特征图像,检测所述绝缘设备的损伤情况,包括:
对所述特征图像进行二值化分割处理,得到二值化图像;
确定所述二值化图像中的所有连通区域;
根据所述所有连通区域中的每个连通区域的区域面积,检测所述绝缘设备的损伤情况。
作为本申请的一个示例,所述根据所述所有连通区域中的每个连通区域的区域面积,检测所述绝缘设备的损伤情况,包括:
若所述所有连通区域中存在区域面积大于或等于面积阈值的连通区域,则确定所述绝缘设备存在严重损伤的情况。
作为本申请的一个示例,所述多帧红外图像包括第k帧之后的红外图像,所述k为大于1的整数。
第二方面,提供了一种绝缘设备的检测装置,所述装置包括:
获取模块,用于获取多帧红外图像,所述多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到;
训练模块,用于基于所述多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,所述目标自动编码模型能够确定任一红外图像中的像素点的损伤程度;
构建模块,用于根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像;
检测模块,用于根据所述特征图像,检测所述绝缘设备的损伤情况。
作为本申请的一个示例,所述训练模块用于:
对所述多帧红外图像中的每帧红外图像进行中值滤波处理;
选择经中值滤波处理后的所述每帧红外图像中的检测区域,得到多个局部区域图像,所述检测区域为所述绝缘设备所在的区域;
基于所述多个局部区域图像,对所述自动编码模型进行训练;
所述构建模块根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像,包括:
所述构建模块根据所述多个局部区域图像和所述目标自动编码模型,构建所述绝缘设备的特征图像。
作为本申请的一个示例,所述训练模块用于:
将所述多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,所述m是所述检测区域中包括的像素点的个数;
从所述m个向量中选择k个向量,所述k为大于1且小于m的整数;
将所述k个向量组成矩阵;
对所述矩阵进行归一化处理;
基于归一化处理后的所述k个向量,对所述自动编码模型进行训练。
作为本申请的一个示例,所述构建模块用于:
将所述多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,所述m是所述检测区域中包括的像素点的个数;
将所述m个向量输入至所述目标自动编码模型中,输出m个特征值,所述m个特征值中的每个特征值用于指示对应的像素点的损伤程度;
基于所述m个特征值,构建所述绝缘设备的特征图像。
作为本申请的一个示例,所述检测模块用于:
对所述特征图像进行二值化分割处理,得到二值化图像;
确定所述二值化图像中的所有连通区域;
根据所述所有连通区域中的每个连通区域的区域面积,检测所述绝缘设备的损伤情况。
作为本申请的一个示例,所述检测模块用于:
若所述所有连通区域中存在区域面积大于或等于面积阈值的连通区域,则确定所述绝缘设备存在严重损伤的情况。
作为本申请的一个示例,所述多帧红外图像包括第k帧之后的红外图像,所述k为大于1的整数。
第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现如第一方面任一项所述的方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本申请实施例提供的技术方案带来的有益效果是:
获取多帧红外图像,多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到。基于多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,目标自动编码模型能够确定任一红外图像中的像素点的损伤程度。据多帧红外图像和目标自动编码模型,构建绝缘设备的特征图像。根据特征图像检测绝缘设备的损伤情况,具备智能化的优势。本申请基于红外图像的检测方法具有可在线远距离检测的特点,所以避免需要电力设备停电检测,从而避免影响电力设备的正常使用。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种系统架构的示意图;
图2是根据一示例性实施例示出的一种检测绝缘设备的方法流程图;
图3是根据另一示例性实施例示出的一种检测绝缘设备的方法流程图;
图4是根据一示例性实施例示出的一种绝缘设备的检测结果示意图;
图5是根据一示例性实施例示出的特征图像的对比示意图;
图6是根据一示例性实施例示出的二值化图像的对比示意图;
图7是根据一示例性实施例示出的一种检测绝缘设备的装置的结构示意图;
图8是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
应当理解的是,本申请提及的“多个”是指两个或两个以上。在本申请的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,为了便于清楚描述本申请的技术方案,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在对本申请实施例提供的方法进行详细介绍之前,先对本申请实施例涉及的系统架构进行介绍。请参考图1,图1是根据一示例性实施例示出的一种系统架构的示意图,该系统中包括工控机110、热激励源120、电机130、红外热像仪140、电子设备150。在一个示例中,电子设备150与红外热像仪140之间通过有线或者无线建立通信连接。
作为本申请的一个示例,工控机110用于产生控制信号以控制热激励源120产生热辐射,譬如产生2.5微米以上的红外光。热辐射在抛物面镜(譬如设于热激励源的光热出口处)的作用下聚焦至待检测的绝缘设备上,以对绝缘设备形成带状加热。另外在加热过程中,工控机110控制电机130旋转,以使得电机130带动热激励源120转动加热,从而实现对绝缘设备进行面加热。热激励源120加热预设时长后,停止加热,也即加热结束,从而通过热激励源120对绝缘设备产生一段时间的恒定热激励。之后,工控机110控制红外热像仪140按照预设采集频率采集并获取绝缘设备在冷却过程中的辐射数据,也即采集温度下降时间段绝缘设备的表面温度,得到多帧红外图像,以便于电子设备150从红外热像仪140获取多帧红外图像,并基于获取的多帧红外图像判断绝缘设备的损伤情况。
其中,预设时长可以由用户根据实际需求进行设置,或者也可以由工控机默认设置,本申请实施例对此不作限定。
其中,预设采集频率可以由用户根据实际需求进行设置,或者也可以由工控机默认设置,本申请实施例对此不作限定。
在一个实施例中,热激励源120可以为诸如红外卤素灯之类的设备。
在一个实施例中,电子设备150可以包括但不限于平板电脑、笔记本电脑、台式机之类的终端设备,本申请实施例对此不做限定。
基于上述提供的系统架构,接下来对本申请实施例提供的绝缘设备的检测过程进行详细介绍。请参考图2,图2是根据一示例性实施例示出的一种绝缘设备的检测方法流程图。作为示例而非限定,该方法由电子设备150执行,该方法可以包括如下几个步骤:
步骤201:获取多帧红外图像,多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到。
如前文所述,为了能够检测绝缘设备的损伤情况,可以由工控机控制热激励源对待检测的绝缘设备进行加热,加热结束后,在绝缘设备冷却的过程中,由红外热像仪进行数据采集,得到关于绝缘设备的红外图像。电子设备从红外热像仪中获取采集的多帧红外图像。
在一个实施例中,所获取的多帧红外图像包括第k帧之后的红外图像,其中k为大于1的整数。
具体地,由于在加热刚结束的一端时间内(譬如3秒左右的时长内)热激励源仍存在一定的余热,因此,在这段时间内可能因受到热激励源的余热的影响,使得红外热像仪采集的红外图像不准确,也即这段时间内采集的红外图像未能准确地反应绝缘设备的实际温度。所以,可以筛选掉这段时间内的红外图像,保留热激励源冷却后的时间段内采集的红外图像。电子设备基于保留下来的多帧红外图像执行后续检测操作,如此可以提高检测的准确度。
在一个实施例中,所获取的多帧红外图像的图像采集时间是连续的,每相邻两帧红外图像之间的图像采集时间的间隔相同。譬如多帧红外图像中的第一帧是第4秒采集的,第二帧是第5秒采集的,第三帧是第6秒采集的,依次类推。
步骤202:基于多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,目标自动编码模型能够确定任一红外图像中的像素点的损伤程度。
一个简单的自动编码器(Autoencoder,AE)通常包括输入层、隐藏层和输出层,输出层与输入层可以具有相同数量个节点,隐藏层具有较少数量个节点。在输入层与隐藏层之间对输入的高维度数据进行编码处理,以将高维度数据进行降维处理,也即将高维度数据降为低维度数据,这里可以将这一操作过程称为编码器;在隐藏层与输出层之间对降维后的低维度数据进行解码处理,以将低维度数据恢复为高维度数据,这里可以将这一操作过程称为解码器。通过AE希望能够得到高维度数据的有损降维表示,要求训练中解码器恢复的高维度数据与输入的原始数据尽可能相似。
在一个实施例中,可以将多个简单的AE级联,譬如可以采用具有三个隐藏层的AE级联,得到深度自动编码器(Deep Autoencoder,DAE),作为自动编码模型。级联的含义是使用AE模型2对AE模型1的隐藏层数据进一步降维,其中AE模型1的隐藏层作为AE模型2的输入层;AE模型3对AE模型2的隐藏层数据进一步降维,其中AE模型2的隐藏层作为AE模型3的输入层;若含有更多的隐藏层,则依次类推。其中预先给定各个隐藏层的节点数量,使用逐层贪婪的训练方法进行训练。
也就是说,在应用自动编码模型之前,先利用电子设备获取的多帧红外图像对自动编码模型进行训练,如图3所示。如此,使得训练后得到的目标自动编码模型能够掌握表示正常区域的像素温度变化规律,从而使得目标自动编码模型能够确定任一红外图像中的像素点的损伤程度。由于实际的检测场景中,表示正常区域的像素数量远远多于表示异常区域的像素数量,可以将随机选取的像素等效为表示正常区域的像素。
在一个实施例中,基于多帧红外图像对自动编码模型进行训练的具体实现可以包括:对多帧红外图像中的每帧红外图像进行中值滤波处理。选择经中值滤波处理后的每帧红外图像中的检测区域,得到多个局部区域图像,检测区域为绝缘设备所在的区域。基于多个局部区域图像,对自动编码模型进行训练。
为了抑制椒盐噪声离群值的影响,电子设备对多帧红外图像逐帧进行中值滤波处理。之后,如图3所示,保留含有绝缘设备的检测区域,譬如保留瓷套管检测区域,删除其余的背景区域。后续,可以进行向量化和抽样,得到用于神经网络输入的数据集。
在一个实施例中,可以通过目标检测模型等方式提取每帧红外图像中的检测区域,以得到多个检测区域。其中,目标检测模型可以是预先训练好的模型,能够用于检测任意一个红外图像中的检测区域。
在一个示例中,基于多个局部区域图像,对自动编码模型进行训练的具体实现可以包括:将多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成t维向量,t多个局部区域图像的数量,可以得到m个这样的向量,m是检测区域包括的像素点的个数。从m个向量中随机地选择k个向量,k可以是m/20和m/10之间的任意值。将这些向量拼接起来形成一个k*t的矩阵。对该矩阵整体进行归一化处理,基于归一化处理后的k个向量,对自动编码模型进行训练。
具体地,请继续参考图3,电子设备将多个局部区域图像中位于第一行第一列位置处的像素点的像素值,按照图像采集时间的先后排列顺序,构建出一个t维的向量。将多个局部区域图像中位于第一行第二列位置处的像素点的像素值,按照图像采集时间的先后排列顺序,构建出一个t维的向量。将多个局部区域图像位于第一行第三列位置处的像素点的像素值,按照图像采集时间的先后排列顺序,构建出一个t维的向量。以此类推,可以构建出m个t维的向量,譬如假设每个检测区域的尺寸为400*300,则可以构建出120000个t维的向量,其中每个向量可以用于指示同一个位置处的像素点的温度变化过程。
在一个实施例中,由于确定出的向量的数量较大,所以为了保证训练有效的同时提高训练效率,可以从得到的m个向量中随机地选择了k个向量,并对选择的这k个向量整体进行归一化处理,然后将归一化处理的这k个向量作为用于训练自动编码模型的训练数据。训练数据中包括正常数据和异常数据(损伤区域数据),其中代表损伤部位的异常数据具有更大的重建误差,如此可以使得训练后的自动编码模型能够区分正常数据和异常数据。
在训练中,设置自动编码模型的损失函数,譬如损失函数如公式(1)所示:
其中,L为MSE(Mean-square error,均方误差)损失,xi是第i个输入数据,gθ表示编码器,hθ表示解码器,ωij是权重矩阵,是第i个节点到第j个节点的权重表示,λ为预置的经验值,n为输入数据的数量。公式的右边为权重正则项,能够应对过拟合问题,提升鲁棒性。
之后,将归一化处理后的k个向量分批输出至自动编码模型中进行训练,训练的目的是学习时间序列高维度的原始数据的低维特征,以学习使得损失函数最小化的模型参数。当满足训练结束条件时,结束训练,从而得到目标自动编码模型。
其中,训练结束条件可以根据实际需求进行设置,譬如训练结束条件可以是指训练次数达到预置的次数阈值等,本申请实施例对此不做限定。
步骤203:根据多帧红外图像和目标自动编码模型,构建绝缘设备的特征图像。
在一个示例中,步骤203的具体实现可以包括:将多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,m是检测区域包括的像素点的个数。将m个向量输入至训练得到的目标自动编码模型中,也即将该目标自动编码模型应用于全部的m个向量,将输入和输出的MSE作为特征值,一共输出m个特征值,m个特征值中的每个特征值用于指示对应的像素点的损伤程度。基于m个特征值,构建绝缘设备的特征图像。
作为本申请的一个示例,电子设备将目标自动编码模型应用于每个像素点,由每个像素点的MSE损失作为特征值,构建特征图像。具体地,由于目标自动编码模型能够区分正常数据和异常数据,因此,可以将每个像素点的向量输入至目标自动编码模型中,由目标自动编码模型通过降维、恢复维度处理后,输出一个同维度的向量,根据输出的向量与输入的向量之间的MSE损失,可以确定每个像素点的损伤程度。举例来说,若某个向量,将其输入目标自动编码模型后,若确定该向量对应的MSE损失较大,说明输出的向量与该向量这两者差异较大,也即目标自动编码模型在对该向量降维处理后,无法恢复出相近的数据,该种情况下,说明该向量对应的像素点所在区域存在较大程度的损伤。电子设备将每个像素点的MSE损失作为该每个像素点的特征值。如此,确定所有像素点中每个像素点的特征值后,即可构建出对应的特征图像。
步骤204:根据特征图像,检测绝缘设备的损伤情况。
作为本申请的一个示例,步骤204的具体实现可以包括:对特征图像进行二值化分割处理,得到二值化图像,确定二值化图像中的所有连通区域。根据所有连通区域中的每个连通区域的区域面积,检测绝缘设备的损伤情况。
其中损伤区域具有如下特征:损伤区域的灰度值明显高于周围区域的灰度值;损伤区域具有一定的面积,不会以孤立点的形式出现;特征图像中大多数是正常区域。因此,如图3所示,电子设备在得到特征图像后,基于特征图像确定二值化图像。具体地,电子设备可以采用自适应阈值法对特征图像进行二值化分割处理,即对于特征图像中的每个像素点,将每个像素点的邻域均值加上或减去一个预置的偏置量,将得到的结果作为每个像素点的判断阈值,以确定二值化图像。
之后,提取二值化图像中所有的连通分量,以确定二值化图像中的所有连通区域。如此,电子设备即可根据所有连通区域中的每个连通区域的区域面积,检测绝缘设备的损伤情况。
作为本申请的一个示例,根据所有连通区域中的每个连通区域的区域面积,检测绝缘设备的损伤情况的具体实现可以包括:若所有连通区域中存在区域面积大于或等于面积阈值的连通区域,则确定绝缘设备存在严重损伤的情况。
其中,面积阈值可以由用户根据实际需求进行设置,或者也可以由电子设备默认设置,本申请实施例对此不作限定。
若某个连通区域的区域面积大于面积阈值,则说明在绝缘设备中该连通区域对应的位置有大面积的损伤,此时可以确定绝缘设备存在严重损伤。反之,若所确定的所有连通区域中每个连通区域的区域面积均小于面积阈值,则说明在绝缘设备中每个连通区域对应的位置仅存在小面积损伤,可以忽略不计,此时可以确定绝缘设备不存在严重损伤的情况。
在一个实施例中,当确定绝缘设备存在严重损伤时,可以进行预警提示,譬如可以通过发送消息、显示消息、响铃之类的方式进行预警提示,以提示用户当前检测的绝缘设备存在问题,以便于相关人员及时采取相应的措施。
值得一提的是,在一些其他实施例中,通常也会获取红外图像,然后基于红外图像检测绝缘设备的损伤情况,譬如基于红外图像,通过原始热图像人工选择法、频域变换法、主成分分析法中的一种方法进行检测。然而,这些方法的误检率均较大。相比于这些方法,本申请通过自动编码模型进行检测,可以极大程度的消除背景干扰,显著提高了特征图像对比度和信噪比。
接下来以复合绝缘平板为例说明本申请实施例提供的方法的优势。待检测的绝缘设备如图4所示为双层结构,上层为高温硫化硅橡胶,下层为环氧树脂,上层和下层通过偶联剂粘结。在界面处有不同直径(D)和深度(H)的孔洞损伤。自动编码模型对于无缺陷的像素点有最小的重建误差,预期效果较好。图5中从左至右分别是基于红外图像,通过原始热图像人工选择法、频域变换幅值法、频域变换相位法、主成分分析法、自动编码模型方法的特征图像,图6中从左至右分别是基于红外图像,通过原始热图像人工选择法、频域变换幅值法、频域变换相位法、主成分分析法、自动编码模型方法的二值化图像,结果显示自动编码模型相比其他方法极大消除了背景干扰,显著提高了特征图像对比度和信噪比;在二值化图像中,采用自动编码模型检测的误检率低于其他方法的误检率。结合其无监督和智能特征选择的特性,基于自动编码模型的智能检测方案能提升瞬态红外检测的准确性,为检测人员提供重要参考,具有重要的工程意义。
在本申请实施例中,获取多帧红外图像,多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到。基于多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,目标自动编码模型能够确定任一红外图像中的像素点的损伤程度。据多帧红外图像和目标自动编码模型,构建绝缘设备的特征图像。根据特征图像检测绝缘设备的损伤情况。本申请基于红外图像的检测方法具有可在线远距离检测的特点,所以避免需要电力设备停电检测,从而避免影响电力设备的正常使用。该方法可以应用于电力行业的绝缘设备检测,可以有效防止绝缘子等缺陷进一步扩大,造成事故,有利于电网的安全稳定运行。另外,瞬态热成像无损检测还具有单次检测面积大,操作简单的优点。
应理解,上述实施例中各步骤的序号并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
基于上述提供的方法,请参考图7,图7是根据一示例性实施例示出的一种检测绝缘设备的装置的结构示意图,该检测绝缘设备的装置可以由软件、硬件或者两者的结合实现成为电子设备的部分或者全部。该装置可以包括:
获取模块710,用于获取多帧红外图像,所述多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到;
训练模块720,用于基于所述多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,所述目标自动编码模型能够确定任一红外图像中的像素点的损伤程度;
构建模块730,用于根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像;
检测模块740,用于根据所述特征图像,检测所述绝缘设备的损伤情况。
作为本申请的一个示例,所述训练模块720用于:
对所述多帧红外图像中的每帧红外图像进行中值滤波处理;
选择经中值滤波处理后的所述每帧红外图像中的检测区域,得到多个局部区域图像,所述检测区域为所述绝缘设备所在的区域;
基于所述多个局部区域图像,对所述自动编码模型进行训练;
所述构建模块730根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像,包括:
所述构建模块730根据所述多个局部区域图像和所述目标自动编码模型,构建所述绝缘设备的特征图像。
作为本申请的一个示例,所述训练模块720用于:
将所述多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,所述m是所述检测区域中包括的像素点的个数;
从所述m个向量中选择k个向量,所述k为大于1且小于m的整数;
将所述k个向量组成矩阵;
对所述矩阵进行归一化处理;
基于归一化处理后的所述k个向量,对所述自动编码模型进行训练。
作为本申请的一个示例,所述构建模块720用于:
将所述多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,所述m是所述检测区域中包括的像素点的个数;
将所述m个向量输入至所述目标自动编码模型中,输出m个特征值,所述m个特征值中的每个特征值用于指示对应的像素点的损伤程度;
基于所述m个特征值,构建所述绝缘设备的特征图像。
作为本申请的一个示例,所述检测模块740用于:
对所述特征图像进行二值化分割处理,得到二值化图像;
确定所述二值化图像中的所有连通区域;
根据所述所有连通区域中的每个连通区域的区域面积,检测所述绝缘设备的损伤情况。
作为本申请的一个示例,所述检测模块740用于:
若所述所有连通区域中存在区域面积大于或等于面积阈值的连通区域,则确定所述绝缘设备存在严重损伤的情况。
作为本申请的一个示例,所述多帧红外图像包括第k帧之后的红外图像,所述k为大于1的整数。
在本申请实施例中,获取多帧红外图像,多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到。基于多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,目标自动编码模型能够确定任一红外图像中的像素点的损伤程度。据多帧红外图像和目标自动编码模型,构建绝缘设备的特征图像。根据特征图像检测绝缘设备的损伤情况。本申请基于红外图像的检测方法具有可在线远距离检测的特点,所以避免需要电力设备停电检测,从而避免影响电力设备的正常使用。
图8为本申请一实施例提供的电子设备的结构示意图。如图8所示,该实施例的电子设备8包括:至少一个处理器80(图8中仅示出一个)、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82,所述处理器80执行所述计算机程序82时实现上述任意各个方法实施例中的步骤。
所述电子设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是电子设备8的举例,并不构成对电子设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是CPU(Central Processing Unit,中央处理单元),该处理器80还可以是其他通用处理器、DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现成可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述电子设备8的内部存储单元,例如电子设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述电子设备8的外部存储设备,例如所述电子设备8上配备的插接式硬盘,SMC(Smart Media Card,智能存储卡),SD(Secure Digital,安全数字)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种绝缘设备的检测方法,其特征在于,所述方法包括:
获取多帧红外图像,所述多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到;
基于所述多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,所述目标自动编码模型能够确定任一红外图像中的像素点的损伤程度;
根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像;
根据所述特征图像,检测所述绝缘设备的损伤情况。
2.如权利要求1所述的方法,其特征在于,所述基于所述多帧红外图像,对自动编码模型进行训练,包括:
对所述多帧红外图像中的每帧红外图像进行中值滤波处理;
选择经中值滤波处理后的所述每帧红外图像中的检测区域,得到多个局部区域图像,所述检测区域为所述绝缘设备所在的区域;
基于所述多个局部区域图像,对所述自动编码模型进行训练;
所述根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像,包括:
根据所述多个局部区域图像和所述目标自动编码模型,构建所述绝缘设备的特征图像。
3.如权利要求2所述的方法,其特征在于,所述基于多个局部区域图像,对所述自动编码模型进行训练,包括:
将所述多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,所述m是所述检测区域中包括的像素点的个数;
从所述m个向量中选择k个向量,所述k为大于1且小于m的整数;
将所述k个向量组成矩阵;
对所述矩阵进行归一化处理;
基于归一化处理后的所述k个向量,对所述自动编码模型进行训练。
4.如权利要求2所述的方法,其特征在于,所述根据所述多个局部区域图像和所述目标自动编码模型,构建所述绝缘设备的特征图像,包括:
将所述多个局部区域图像中每个相同位置的像素点的像素值,按照图像采集时间的顺序组成向量,得到m个向量,所述m是所述检测区域中包括的像素点的个数;
将所述m个向量输入至所述目标自动编码模型中,输出m个特征值,所述m个特征值中的每个特征值用于指示对应的像素点的损伤程度;
基于所述m个特征值,构建所述绝缘设备的特征图像。
5.如权利要求1所述的方法,其特征在于,所述根据所述特征图像,检测所述绝缘设备的损伤情况,包括:
对所述特征图像进行二值化分割处理,得到二值化图像;
确定所述二值化图像中的所有连通区域;
根据所述所有连通区域中的每个连通区域的区域面积,检测所述绝缘设备的损伤情况。
6.如权利要求5所述的方法,其特征在于,所述根据所述所有连通区域中的每个连通区域的区域面积,检测所述绝缘设备的损伤情况,包括:
若所述所有连通区域中存在区域面积大于或等于面积阈值的连通区域,则确定所述绝缘设备存在严重损伤的情况。
7.如权利要求1所述的方法,其特征在于,所述多帧红外图像包括第k帧之后的红外图像,所述k为大于1的整数。
8.一种绝缘设备的检测装置,其特征在于,所述装置包括:
获取模块,用于获取多帧红外图像,所述多帧红外图像是对待检测的且经过加热后的绝缘设备进行图像采集得到;
训练模块,用于基于所述多帧红外图像,对自动编码模型进行训练,得到目标自动编码模型,所述目标自动编码模型能够确定任一红外图像中的像素点的损伤程度;
构建模块,用于根据所述多帧红外图像和所述目标自动编码模型,构建所述绝缘设备的特征图像;
检测模块,用于根据所述特征图像,检测所述绝缘设备的损伤情况。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111416677.XA CN114359139A (zh) | 2021-11-25 | 2021-11-25 | 绝缘设备的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111416677.XA CN114359139A (zh) | 2021-11-25 | 2021-11-25 | 绝缘设备的检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114359139A true CN114359139A (zh) | 2022-04-15 |
Family
ID=81096315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111416677.XA Pending CN114359139A (zh) | 2021-11-25 | 2021-11-25 | 绝缘设备的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359139A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036313A (zh) * | 2023-08-18 | 2023-11-10 | 华大天元(北京)科技股份有限公司 | 基于计算机视觉的电力设备红外智能检测方法和设备 |
-
2021
- 2021-11-25 CN CN202111416677.XA patent/CN114359139A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036313A (zh) * | 2023-08-18 | 2023-11-10 | 华大天元(北京)科技股份有限公司 | 基于计算机视觉的电力设备红外智能检测方法和设备 |
CN117036313B (zh) * | 2023-08-18 | 2024-04-30 | 华大天元(北京)科技股份有限公司 | 基于计算机视觉的电力设备红外智能检测方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Horé et al. | Is there a relationship between peak‐signal‐to‐noise ratio and structural similarity index measure? | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN112013966B (zh) | 一种基于测量温度的电力设备红外图像处理方法 | |
CN110763685B (zh) | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 | |
Cui et al. | The methods in infrared thermal imaging diagnosis technology of power equipment | |
Jiang et al. | Adaptive shadow detection using global texture and sampling deduction | |
CN108932513A (zh) | 一种基于红外图像的电力设备状态智能预警方法 | |
Khare et al. | Moving shadow detection and removal–a wavelet transform based approach | |
CN114359139A (zh) | 绝缘设备的检测方法、装置、电子设备及存储介质 | |
Stefenon et al. | Optimized hybrid YOLOu‐Quasi‐ProtoPNet for insulators classification | |
CN117147561A (zh) | 用于金属拉链的表面质量检测方法及系统 | |
CN105374029A (zh) | 变电站设备红外图像感兴趣区域的分割方法及系统 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
Kang et al. | Depth map upsampling using depth local features | |
da Silva et al. | No‐reference video quality assessment method based on spatio‐temporal features using the ELM algorithm | |
US20200396379A1 (en) | Smart Sensor Measurement System | |
Liu et al. | Quality assessment for inspection images of power lines based on spatial and sharpness evaluation | |
Wang et al. | Study on the method of colour image noise reduction based on optimal channel‐processing | |
CN112581387B (zh) | 一种配电室智能运维系统、装置及方法 | |
Dinh et al. | Weighted overlapped recovery for blocking artefacts reduction in block‐based compressive sensing of images | |
Yang et al. | Blind image quality assessment utilising local mean eigenvalues | |
Liu et al. | Multi‐scale feature fusion pyramid attention network for single image dehazing | |
Wang et al. | Fast bilateral filtering using the Padé approximation | |
Lu et al. | Design and Application of Integrated Sensing Terminal for Power Transformer | |
Wang et al. | Fast bilateral filtering using exponential functions |
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 |