CN114724042B - 一种输电线路中零值绝缘子自动检测方法 - Google Patents

一种输电线路中零值绝缘子自动检测方法 Download PDF

Info

Publication number
CN114724042B
CN114724042B CN202210643476.1A CN202210643476A CN114724042B CN 114724042 B CN114724042 B CN 114724042B CN 202210643476 A CN202210643476 A CN 202210643476A CN 114724042 B CN114724042 B CN 114724042B
Authority
CN
China
Prior art keywords
insulator
steel cap
value
phase
inspection image
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
CN202210643476.1A
Other languages
English (en)
Other versions
CN114724042A (zh
Inventor
胡京
胡睿哲
况燕军
尹林
邹建章
饶斌斌
李帆
王文彬
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 Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi 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 Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210643476.1A priority Critical patent/CN114724042B/zh
Publication of CN114724042A publication Critical patent/CN114724042A/zh
Application granted granted Critical
Publication of CN114724042B publication Critical patent/CN114724042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiation Pyrometers (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种输电线路中零值绝缘子自动检测方法，获取红外巡检图像与可见光巡检图像；通过目标检测识别可见光巡检图像中的绝缘子，然后对可见光巡检图像进行裁剪得到绝缘子可见光图像；采用图像掩模对绝缘子可见光图像中的绝缘子钢帽进行分割；参照分割后的绝缘子可见光图像，通过特征匹配实现红外巡检图像中绝缘子钢帽区域的分割；通过计算各绝缘子钢帽的相对温差判断绝缘子串是否存在零值绝缘子。本发明对零值绝缘子进行判定，能够准确自动定位绝缘子，从而能够有效提高零值绝缘子检测的准确性。

Description

一种输电线路中零值绝缘子自动检测方法
技术领域
本发明涉及一种输电线路中零值绝缘子自动检测方法，属于绝缘子检测技术领域。
背景技术
在电力系统中，绝缘子是输电线路中广泛使用的绝缘部件，但在运行过程中，长期受大气污染、电负荷、机械应力等因素的影响而逐渐劣化，最终形成零值绝缘子，若绝缘子串中存在零值绝缘子，极易引发闪络事故，导致电网瘫痪，对线路的绝缘设计及电力系统的安全运行有很大威胁，因而检测绝缘子串中是否存在零值绝缘子具有重要的意义。红外检测技术是依据零值绝缘子与正常绝缘子热成像特征的差异进行检测的，具有可靠、高效、安全等优点，随着计算机视觉技术的发展，利用图像处理技术对绝缘子状态的进行检测，自动识别零值绝缘子，在保障电力系统的安全运行方面具有非常重要的作用。
目前绝缘子有关的红外热成像监测系统都是通过红外图像采集装置采集图像，大多然后通过人工的方式进行故障判断，即使有自动检测判断，也存在准确度不高的缺点，主要是因为零值绝缘子相关识别方法准确性、鲁棒性不够。近期，研究者们提出了一些基于红外图像的零值绝缘子识别方法。文献(“姚建刚，关石磊，陆家政等。相对温度分布特征与人工神经网络相结合的零值绝缘子识别方法[J]，电网技术，2012，36(2):171-175。”)提出了一种相对温度分布特征与人工神经网络相结合的零值绝缘子识别方法，该方法对模拟110kV线路悬式绝缘子的红外运行图像，通过图像去噪、分割，提取绝缘子串区域的相对温度分布特征参数、环境相对湿度、等值附盐密度作为识别模型的输入向量，将实际测定绝缘子串是否含零值、作为输出向量，通过训练得到优化的识别模型，并用于零值绝缘子识别，但该方法处理对象是模拟的红外运行图像，实际图像中的复杂背景会影响绝缘子分割的效果，并最终导致识别率的下降；文献(“黄军凯，曾华荣，杨佳鹏。红外热像技术在低零值绝缘子检测中的应用[J]，电瓷避雷器，2013，2:40-44。”)对劣化绝缘子红外热像诊断的判别方法进行了分析探讨，并以瓷质绝缘子为对象，进行绝缘子红外热像诊断的实验室模拟试验及现场实测，但仅分析了不同缺陷工况下的劣化绝缘子串的红外热像特征差异，可为绝缘子的检测提供基础，并未进行绝缘子自动检测。
由以上分析可知，目前红外检测技术大多依赖于人工判断，或者即使是通过机器自动判断，也存在着绝缘子定位不准，精度不高等问题。
发明内容
为了克服现有技术绝缘子定位不准，精度不高等问题，本发明提供了一种输电线路中零值绝缘子自动检测方法。
为了达到上述的目的，本发明采用了下述技术方案：一种输电线路中零值绝缘子自动检测方法，步骤如下：
S1、获取红外巡检图像与可见光巡检图像；
S2、通过目标检测识别可见光巡检图像中的绝缘子，然后对可见光巡检图像进行裁剪得到绝缘子可见光图像；
S3、采用图像掩模对绝缘子可见光图像中的绝缘子钢帽进行分割；
S4、参照分割后的绝缘子可见光图像，通过特征匹配实现红外巡检图像中绝缘子钢帽区域的分割；
S5、通过计算各绝缘子钢帽的相对温差判断绝缘子串是否存在零值绝缘子。
进一步优选，步骤S2中，所述目标检测是采用Faster-RCNN和VGG-16网络对可见光巡检图像中的绝缘子进行检测。
进一步优选，步骤S2中，通过Faster-RCNN实现可见光巡检图像中每一片绝缘子的识别。
进一步优选，步骤S4中，通过坐标映射实现可见光巡检图像到红外巡检图像的转换，并采用区域生长法对红外巡检图像中绝缘子钢帽进行分割，从而实现对每一片绝缘子钢帽部分的分割处理。
进一步优选，在步骤S4中，采用区域生长法对红外巡检图像中绝缘子钢帽进行分割过程为：根据绝缘子钢帽的形状特征滤除非绝缘子钢帽区域，计算红外巡检图像每一行或列生长区域的宽度，通过设置一个留有一定裕度的宽度阈值进行一个初步的滤波，滤除过宽或过窄的区域，再根据绝缘子钢帽宽度频率最高特征精确找出绝缘子钢帽区域。
进一步优选，步骤S5中，通过红外巡检图像通道值与温度的转换，计算每一片绝缘子钢帽区域的平均温度，通过计算每一片绝缘子钢帽的相对温差判断是否存在零值绝缘子。
进一步优选，步骤S5中，以三相绝缘子钢帽温度数据联合分析诊断劣化绝缘子，检测某相绝缘子时以其他两相绝缘子钢帽温度均值作为正常绝缘子钢帽温度，当目标绝缘子与均值差值绝对值大于阈值m时判断为劣化绝缘子；对于绝缘子串的绝缘子钢帽温度分布曲线发生突变的特征，通过比较目标绝缘子与其相邻绝缘子钢帽温度进行判断。
进一步优选，步骤S5中，计算目标绝缘子钢帽与两端绝缘子钢帽温差值，当一侧绝缘子钢帽温差绝对值大于另一侧k倍时则判定温差较大的相邻绝缘子发生了温度突变，标记为劣化绝缘子；具体流程如下：
a）根据检测获取的三相绝缘子串红外巡检图像，按编号提取各相绝缘子的绝缘子钢帽温度T ij ，i=A、B、C，代表绝缘子串的相别；j=1，2，…，N，代表绝缘子在绝缘子串中的位置编号，高压端绝缘子位置编号为1，接地端绝缘子位置编号为N；
b）首末端绝缘子钢帽温差：
Figure 293809DEST_PATH_IMAGE001
Figure 155586DEST_PATH_IMAGE002
Figure 226048DEST_PATH_IMAGE003
其中，ΔT Aj 为A相第j个绝缘子的绝缘子钢帽温差，ΔT Bj 为B相第j个绝缘子的绝缘子钢帽温差，ΔT Cj 为C相第j个绝缘子的绝缘子钢帽温差，T Aj 为A相第j个绝缘子的绝缘子钢帽温度，T Bj 为B相第j个绝缘子的绝缘子钢帽温度，T Cj 为C相第j个绝缘子的绝缘子钢帽温度；
c）非首末端绝缘子的相邻绝缘子钢帽温差：
Figure 933104DEST_PATH_IMAGE004
Figure 641297DEST_PATH_IMAGE005
其中，ΔT ijL 为第i相第j个绝缘子的左相邻绝缘子钢帽温差，ΔT ijR 为第i相第j个绝缘子的右相邻绝缘子钢帽温差；
d）判断基准如下：
（1）根据劣化绝缘子与正常绝缘子钢帽温差显著的特点进行判断，首末端绝缘子 钢帽温差
Figure 909861DEST_PATH_IMAGE006
为零值绝缘子；首末端绝缘子钢帽温差
Figure 969084DEST_PATH_IMAGE007
为低值 绝缘子；
（2）对于非首末端的绝缘子，当
Figure 243945DEST_PATH_IMAGE008
时，第i相第j-1号绝缘子为 零值绝缘子；当
Figure 275486DEST_PATH_IMAGE009
时，第i相第j-1号绝缘子为低值绝缘子；
（3）对于非首末端的绝缘子，当
Figure 479065DEST_PATH_IMAGE010
时，第i相第j+1号绝缘子为 低值绝缘子；当
Figure 7609DEST_PATH_IMAGE011
时，第i相第j+1号绝缘子为零值绝缘子。
本发明的技术效果：首先通过可见光图像识别绝缘子钢帽，在通过红外图像与可见光图像中绝缘子位置的对应关系等，通过特征匹配算法实现红外图像中绝缘子钢帽的分割。对零值绝缘子进行判定，能够准确自动定位绝缘子，从而能够有效提高零值绝缘子检测的准确性。
附图说明
图1是本发明的流程图。
图2是本发明的终端设备结构示意图。
具体实施方式
下面结合附图对本申请进一步详细阐明。
参照图1，一种输电线路中零值绝缘子自动检测方法，步骤如下：
S1、获取红外巡检图像与可见光巡检图像；
S2、通过目标检测识别可见光巡检图像中的绝缘子，然后对可见光巡检图像进行裁剪得到绝缘子可见光图像；
S3、采用图像掩模对绝缘子可见光图像中的绝缘子钢帽进行分割；
S4、参照分割后的绝缘子可见光图像，通过特征匹配实现红外巡检图像中绝缘子钢帽区域的分割；
S5、通过计算各绝缘子钢帽的相对温差判断绝缘子串是否存在零值绝缘子。
深度学习是识别图像中绝缘子的常用方法。根据对不同深度学习模型的分析，YOLO是一种单阶段目标检测方法，更适合实时监控场景。但是，在对绝缘子进行训练和测试时，绝缘子的形状、尺寸等特征差异较大，导致检测结果的准确性较低。Fast-RCNN是一种检测精度高的两阶段目标检测方法。同时，在Fast-RCNN的基础上，使用RPN生成候选区域，取代了Fast-RCNN中的选择性搜索方法，大大提高了检测速度。因此，本发明步骤S2中采用Faster-RCNN和VGG-16网络对可见光巡检图像中的绝缘子进行目标检测，先通过Faster-RCNN检测识别绝缘子串，再通过Faster-RCNN识别出单片绝缘子。该目标检测过程分为5个过程:输入图像，VGG-16网络提取图像特征，RPN生成准确的候选区域，检测网络分类，回归计算得到绝缘子检测模型。通过目标检测识别绝缘子可见光图像中每一片绝缘子。
由于红外巡检图像分辨率较低，直接分割红外巡检图像中绝缘子钢帽难度较大，但可见光巡检图像分辨率较高，且红外巡检图像与可见光巡检图像中绝缘子位置相同，因此可以首先识别可见光巡检图像中绝缘子钢帽区域，在通过坐标映射等方法实现红外巡检图像中绝缘子钢帽区域的分割。在步骤S4中，通过坐标映射实现可见光巡检图像到红外巡检图像的转换，并采用区域生长法对红外巡检图像中绝缘子钢帽进行分割，从而实现对每一片绝缘子钢帽部分的分割处理。
设d为拍摄距离（物体到镜头的距离），θ为相机视场角，Y为图像高度，则平均单位像素代表的高度为l，其表达式如公式（1）所示：
Figure 853206DEST_PATH_IMAGE012
设η为可见光巡检图像与红外巡检图像的高度比值，则：η=l k/l h，其中，l k为可见光巡检图像单位像素代表的高度，l h为红外巡检图像单位像素代表的高度。
进一步推导出可见光巡检图像像素点坐标到红外巡检图像像素点坐标的映射，如公式（2）所示。
Figure 270412DEST_PATH_IMAGE013
式中，y h 为红外巡检图像像素点纵坐标，x h 为红外图像像素点横坐标，y k 为可见光图像像素点纵坐标，x k 为可见光图像像素点横坐标，X k 为见光图像宽度，Y k 为见光巡检图像高度，Y h 为红外图像高度，X h 为红外图像宽度。
考虑到可见光相机具有自动变焦功能，其视场角是可以变化的，为得到拍摄时真实的视场角，根据公式(3)，输入拍摄距离即可获得真实的相机视场角。
Figure 877848DEST_PATH_IMAGE014
式中a为绝缘子长度，d为拍摄距离，Y为图像高度，H为图像宽度。
在步骤S4中，采用区域生长法对红外巡检图像中绝缘子钢帽进行分割过程为：种子生长区域包括了绝缘子钢帽，还可能包括盘面、背景等干扰因素，根据绝缘子钢帽的形状特征，如宽度、面积大小、扩展范围程度三个特征滤除非绝缘子钢帽区域。绝缘子钢帽区域总是形如长方形，宽度均衡，有一个明显的宽度特征。计算红外巡检图像每一行或列生长区域的宽度，通过设置一个留有一定裕度的宽度阈值进行一个初步的滤波，滤除过宽或过窄的区域，再根据绝缘子钢帽宽度频率最高特征精确找出绝缘子钢帽区域，该方法具有自适应能力。连通区域是指一个封闭曲线围成的区域，根据连通区域面积去筛选钢帽所在的连通区域。在已知相机设备参数，拍摄距离，绝缘子尺寸情况下，绝缘子钢帽在红外巡检图像中的面积大小在一定的范围波动，根据这一范围设置连通区域面积上下阈值，可滤除比红外巡检钢帽面积小得多或大得多的区域。扩展范围程度被定义为连通区域面积与其最小外接矩形框面积的比值，对于绝缘子与导向连接部位区域有较好的区分度。经分析与测试，当离心率阈值设为小于0.85，扩展程度阈值设为大于0.6时可以实现绝缘子钢帽的分割。
步骤S5中，通过红外巡检图像通道值与温度的转换，计算每一片绝缘子钢帽区域的平均温度，通过计算每一片绝缘子钢帽的相对温差判断是否存在零值绝缘子。
以三相绝缘子钢帽温度数据联合分析诊断劣化绝缘子，检测某相绝缘子时以其他两相绝缘子钢帽温度均值作为正常绝缘子钢帽温度，当目标绝缘子与均值差值绝对值大于阈值m时判断为劣化绝缘子。对于绝缘子串的绝缘子钢帽温度分布曲线发生突变的特征，可通过比较目标绝缘子与其相邻绝缘子钢帽温度进行判断，当目标绝缘子温度同时低于、高于相邻绝缘子时，目标绝缘子处为绝缘子串的绝缘子钢帽温度分布曲线的突变点。由于正常绝缘子串的绝缘子钢帽温度分布曲线为马鞍型分布，中部存在某一绝缘子钢帽温度低于相邻绝缘子的情况，为了防止对此绝缘子的误判，本发明采取计算目标绝缘子钢帽与两端绝缘子钢帽温差值，当一侧绝缘子钢帽温差绝对值大于另一侧k倍时则判定温差较大的相邻绝缘子发生了温度突变，标记为劣化绝缘子。其具体流程如下：
a）根据检测获取的三相绝缘子串红外巡检图像，按编号提取各相绝缘子的绝缘子钢帽温度T ij （i=A、B、C，代表绝缘子串的相别；j=1，2，…，N，代表绝缘子在绝缘子串中的位置编号，高压端绝缘子位置编号为1，接地端绝缘子位置编号为N）；
b）首末端绝缘子钢帽温差(j=1或N)：
Figure 380505DEST_PATH_IMAGE015
Figure 98DEST_PATH_IMAGE016
Figure 537390DEST_PATH_IMAGE017
其中，ΔT Aj 为A相第j个绝缘子的绝缘子钢帽温差，ΔT Bj 为B相第j个绝缘子的绝缘子钢帽温差，ΔT Cj 为C相第j个绝缘子的绝缘子钢帽温差，T Aj 为A相第j个绝缘子的绝缘子钢帽温度，T Bj 为B相第j个绝缘子的绝缘子钢帽温度，T Cj 为C相第j个绝缘子的绝缘子钢帽温度，
c）非首末端绝缘子的相邻绝缘子钢帽温差：
Figure 82772DEST_PATH_IMAGE018
Figure 571260DEST_PATH_IMAGE019
其中，ΔT ijL 为第i相第j个绝缘子的左相邻绝缘子钢帽温差，ΔT ijR 为第i相第j个绝缘子的右相邻绝缘子钢帽温差；
d）根据环境温度20℃、环境湿度80%、无风环境的仿真结果得出阈值m=0.3℃，倍数k=2，判断基准如下：
（1）根据劣化绝缘子与正常绝缘子钢帽温差显著的特点进行判断，首末端绝缘子 钢帽温差
Figure 493080DEST_PATH_IMAGE020
为零值绝缘子；首末端绝缘子钢帽温差
Figure 884878DEST_PATH_IMAGE021
为低值 绝缘子。
（2）对于非首末端的绝缘子，当
Figure 837047DEST_PATH_IMAGE022
时，第i相第j-1号绝缘子为 零值绝缘子；当
Figure 579875DEST_PATH_IMAGE023
时，第i相第j-1号绝缘子为低值绝缘子。
（3）对于非首末端的绝缘子，当
Figure 39806DEST_PATH_IMAGE024
时，第i相第j+1号绝缘子为 低值绝缘子；当
Figure 519067DEST_PATH_IMAGE025
时，第i相第j+1号绝缘子为零值绝缘子。
如图2所示，本发明还提供一种终端设备，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本发明所述的输电线路中零值绝缘子自动检测方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述的输电线路中零值绝缘子自动检测方法。
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 (6)

1.一种输电线路中零值绝缘子自动检测方法，其特征在于，包括如下步骤：
S1、获取红外巡检图像与可见光巡检图像；
S2、通过目标检测识别可见光巡检图像中的绝缘子，然后对可见光巡检图像进行裁剪得到绝缘子可见光图像；
S3、采用图像掩模对绝缘子可见光图像中的绝缘子钢帽进行分割；
S4、参照分割后的绝缘子可见光图像，通过特征匹配实现红外巡检图像中绝缘子钢帽区域的分割；通过坐标映射实现可见光巡检图像到红外巡检图像的转换，并通过区域生长法实现红外巡检图像中绝缘子钢帽的分割，从而实现对每一片绝缘子钢帽部分的分割处理；采用区域生长法对红外巡检图像中绝缘子钢帽进行分割过程为：根据绝缘子钢帽的形状特征滤除非绝缘子钢帽区域，计算红外巡检图像每一行或列生长区域的宽度，通过设置一个留有一定裕度的宽度阈值进行一个初步的滤波，滤除过宽或过窄的区域，再根据绝缘子钢帽宽度频率最高特征精确找出绝缘子钢帽区域；
S5、通过计算各绝缘子钢帽的相对温差判断绝缘子串是否存在零值绝缘子；通过红外巡检图像通道值与温度的转换，计算每一片绝缘子钢帽区域的平均温度，通过计算每一片绝缘子钢帽的相对温差判断是否存在零值绝缘子；以三相绝缘子钢帽温度数据联合分析诊断劣化绝缘子，检测某相绝缘子时以其他两相绝缘子钢帽温度均值作为正常绝缘子钢帽温度，当目标绝缘子钢帽温度与绝缘子钢帽温度均值的差值绝对值大于阈值m时判断为劣化绝缘子；对于绝缘子串的绝缘子钢帽温度分布曲线发生突变的特征，通过比较目标绝缘子与其相邻绝缘子的绝缘子钢帽温度进行判断；
计算目标绝缘子钢帽与两端绝缘子钢帽温差值，当一侧绝缘子钢帽温差绝对值大于另一侧k倍时，则判定温差大的相邻绝缘子发生了温度突变，标记为劣化绝缘子；具体流程如下：
a）根据检测获取的三相绝缘子串红外巡检图像，按编号提取各相绝缘子的绝缘子钢帽温度T ij ，i=A、B、C，代表绝缘子串的相别；j=1，2，…，N，代表绝缘子在绝缘子串中的位置编号，高压端绝缘子位置编号为1，接地端绝缘子位置编号为N；
b）首末端绝缘子钢帽温差：
Figure 216453DEST_PATH_IMAGE001
Figure 732885DEST_PATH_IMAGE002
Figure 573802DEST_PATH_IMAGE003
其中，ΔT Aj 为A相第j个绝缘子的绝缘子钢帽温差，ΔT Bj 为B相第j个绝缘子的绝缘子钢帽温差，ΔT Cj 为C相第j个绝缘子的绝缘子钢帽温差，T Aj 为A相第j个绝缘子的绝缘子钢帽温度，T Bj 为B相第j个绝缘子的绝缘子钢帽温度，T Cj 为C相第j个绝缘子的绝缘子钢帽温度；
c）非首末端绝缘子的相邻绝缘子钢帽温差：
Figure 926417DEST_PATH_IMAGE004
Figure 714245DEST_PATH_IMAGE005
其中，ΔT ijL 为第i相第j个绝缘子的左相邻绝缘子钢帽温差，ΔT ijR 为第i相第j个绝缘子的右相邻绝缘子钢帽温差；
d）根据判断基准判断劣化绝缘子是低值绝缘子还是零值绝缘子。
2.根据权利要求1所述的一种输电线路中零值绝缘子自动检测方法，其特征在于，步骤S2中，所述目标检测是采用Faster-RCNN和VGG-16网络对可见光巡检图像中的绝缘子进行检测。
3.根据权利要求2所述的一种输电线路中零值绝缘子自动检测方法，其特征在于，步骤S2中，通过Faster-RCNN实现可见光巡检图像中每一片绝缘子的识别。
4.根据权利要求1所述的一种输电线路中零值绝缘子自动检测方法，其特征在于，步骤d）中的判断基准如下：
（1）根据劣化绝缘子与正常绝缘子钢帽温差显著的特点进行判断，首末端绝缘子钢帽 温差
Figure 85183DEST_PATH_IMAGE006
为零值绝缘子；首末端绝缘子钢帽温差
Figure 362581DEST_PATH_IMAGE007
为低值绝缘 子；
（2）对于非首末端的绝缘子，当
Figure 186180DEST_PATH_IMAGE008
时，第i相第j-1号绝缘子为零值 绝缘子；当
Figure 325169DEST_PATH_IMAGE009
时，第i相第j-1号绝缘子为低值绝缘子；
（3）对于非首末端的绝缘子，当
Figure 753876DEST_PATH_IMAGE010
时，第i相第j+1号绝缘子为低值 绝缘子；当
Figure 202175DEST_PATH_IMAGE011
时，第i相第j+1号绝缘子为零值绝缘子。
5.一种终端设备，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4任一项所述的方法。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN202210643476.1A 2022-06-09 2022-06-09 一种输电线路中零值绝缘子自动检测方法 Active CN114724042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210643476.1A CN114724042B (zh) 2022-06-09 2022-06-09 一种输电线路中零值绝缘子自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210643476.1A CN114724042B (zh) 2022-06-09 2022-06-09 一种输电线路中零值绝缘子自动检测方法

Publications (2)

Publication Number Publication Date
CN114724042A CN114724042A (zh) 2022-07-08
CN114724042B true CN114724042B (zh) 2022-09-02

Family

ID=82232437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210643476.1A Active CN114724042B (zh) 2022-06-09 2022-06-09 一种输电线路中零值绝缘子自动检测方法

Country Status (1)

Country Link
CN (1) CN114724042B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115421006A (zh) * 2022-08-17 2022-12-02 广州科易光电技术有限公司 绝缘子串缺陷检测方法、设备终端及存储介质
CN116596920B (zh) * 2023-07-12 2023-11-07 国网江西省电力有限公司电力科学研究院 一种长串瓷绝缘子无人机实时测零方法及系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012220208A (ja) * 2011-04-04 2012-11-12 Toshiba Corp 部分放電検出装置および部分放電検出方法
CN103323460B (zh) * 2013-06-03 2016-04-20 深圳供电局有限公司 一种基于可见光图像的绝缘子检测方法及装置
CN103792238B (zh) * 2014-02-07 2016-01-20 国家电网公司 一种瓷质悬式绝缘子缺陷诊断方法
US9384560B2 (en) * 2014-10-27 2016-07-05 King Fahd University Of Petroleum And Minerals Contamination level estimation method for high voltage insulators
CN106127756B (zh) * 2016-06-21 2019-03-26 西安工程大学 一种基于多特征信息融合技术的绝缘子识别检测方法
CN106124942B (zh) * 2016-06-27 2019-06-04 华北电力大学（保定） 一种基于红外和紫外成像法的零值绝缘子检测方法
CN107507194B (zh) * 2017-08-07 2021-05-18 广东电网有限责任公司珠海供电局 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法
CN107507172A (zh) * 2017-08-08 2017-12-22 国网上海市电力公司 融合红外可见光的特高压线路绝缘子串深度学习识别方法
CN107833211B (zh) * 2017-11-01 2021-05-25 国家电网公司 基于红外图像的零值绝缘子自动检测方法及装置
CN108181556A (zh) * 2017-12-18 2018-06-19 国网浙江省电力有限公司检修分公司 基于铁帽温差时间序列分析的瓷质绝缘子零值检测方法
CN109521792A (zh) * 2018-11-13 2019-03-26 贵州电网有限责任公司六盘水供电局 一种基于输变电设备三维模型的无人机地面飞行控制系统
CN110136131A (zh) * 2019-05-24 2019-08-16 贵州电网有限责任公司 一种基于深度学习的零值绝缘子检测方法
CN110490261B (zh) * 2019-08-22 2022-04-01 河海大学常州校区 一种输电线路巡检图像绝缘子的定位方法
CN110736507A (zh) * 2019-11-01 2020-01-31 国网河北省电力有限公司电力科学研究院 一种输电线路用绝缘子缺陷检测方法及终端设备
CN111381134B (zh) * 2020-03-26 2021-07-16 国网湖北省电力有限公司电力科学研究院 一种瓷质绝缘子串红外零值诊断方法及系统
CN111652857B (zh) * 2020-05-20 2022-05-13 国网河北省电力有限公司检修分公司 一种绝缘子缺陷红外检测方法
US11657373B2 (en) * 2020-08-21 2023-05-23 Accenture Global Solutions Limited System and method for identifying structural asset features and damage
WO2022082339A1 (zh) * 2020-10-19 2022-04-28 国网浙江诸暨市供电有限公司 绝缘子雷电流智能监测设备以及绝缘子故障智能判断方法
CN112541478A (zh) * 2020-12-25 2021-03-23 国网吉林省电力有限公司信息通信公司 一种基于双目摄像头的绝缘子串污损检测方法及系统
CN114419227A (zh) * 2022-01-14 2022-04-29 国网上海市电力公司 一种基于数字孪生技术的基建运行数据贯通方法
CN114565581A (zh) * 2022-03-02 2022-05-31 国网湖北省电力有限公司松滋市供电公司 一种配电线路低值绝缘子的检测方法、记录媒体及系统

Also Published As

Publication number Publication date
CN114724042A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN114724042B (zh) 一种输电线路中零值绝缘子自动检测方法
CN108765373A (zh) 一种基于集成分类器在线学习的绝缘子异常自动检测方法
Sohn et al. Automatic powerline scene classification and reconstruction using airborne lidar data
CN111242123B (zh) 一种基于红外图像的电力设备故障诊断方法
CN110458839B (zh) 一种有效的电线电缆监测系统
CN108197604A (zh) 基于嵌入式设备的快速人脸定位跟踪方法
CN106950472B (zh) 一种基于红外紫外成像的绝缘子检测方法
CN107833211B (zh) 基于红外图像的零值绝缘子自动检测方法及装置
CN111965214B (zh) 一种架空线路复合绝缘子发热缺陷判断方法及系统
CN108537170A (zh) 一种电力设备固件无人机巡检销钉缺失检测方法
CN107464233B (zh) 基于Lab颜色模式的复合绝缘子的图像检测方法及系统
CN115512252B (zh) 基于无人机的电网巡检自动化方法及系统
CN115290053B (zh) 一种高层建筑施工建设异常快速检测方法
CN112150412A (zh) 一种基于投影曲线分析的绝缘子自爆缺陷检测方法
CN109523543A (zh) 一种基于边缘距离的导线断股检测方法
CN116167999A (zh) 一种基于图像匹配的配电线路零值绝缘子红外热像检测方法
Zhang et al. Detection and condition assessment of icicle bridging for suspension glass insulator by image analysis
CN110490261B (zh) 一种输电线路巡检图像绝缘子的定位方法
Hao et al. Detection of bird nests on power line patrol using single shot detector
KR101874968B1 (ko) 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법
CN108596196A (zh) 一种基于绝缘子图像特征词典的污秽状态评估方法
CN113077447A (zh) 一种可探测高压设备微弱放电并进行缺陷分析的方法
CN113781436B (zh) 一种基于摄像机和角度测量的高压开关状态监测方法
CN111626104A (zh) 一种基于无人机红外热像的电缆隐患点检测方法和装置
CN114199381B (zh) 一种改进红外检测模型的电气设备故障检测方法

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