CN114757925A - 一种非接触式高压断路器缺陷检测方法及系统 - Google Patents
一种非接触式高压断路器缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN114757925A CN114757925A CN202210428081.XA CN202210428081A CN114757925A CN 114757925 A CN114757925 A CN 114757925A CN 202210428081 A CN202210428081 A CN 202210428081A CN 114757925 A CN114757925 A CN 114757925A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- training
- defect detection
- model
- defect
- 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
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
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种非接触式高压断路器缺陷检测方法及系统,所述非接触式高压断路器缺陷检测方法包括以下步骤:将获取的高压断路器图片输入预训练好的缺陷检测模型中,所述缺陷检测模型输出检测结果;获取所述预训练好的缺陷检测模型的步骤包括:获取断路器的缺陷样本训练集;基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型。本发明可减少对断路器故障分析研究所需环境的局限性,在便捷性和可靠性上有显著进步。
Description
技术领域
本发明属于电力开关设备的故障状态监测技术领域,特别涉及一种非接触式高压断路器缺陷检测方法及系统。
背景技术
电力系统建设的稳步推进,以及信息和网络技术的高速发展,对电力系统相关监测技术的智能化提出了更高的要求。非接触式高压断路器缺陷检测方法能够实现对机构箱内关键零部件运行状态的检测,并准确、及时的反馈给工作人员,提高电网智能化水平;工作人员通过及时、准确获得机构箱关键零部件的状态,进而及时消除潜在的缺陷和隐患,对于维护电网的安全稳定运行具有重要的意义。
断路器机构卡涩问题是影响断路器长寿命、高可靠性的主要因素;弹簧操动机构中零部件长期受力、操动过程中瞬态冲击力等会导致拉杆、轴销、拐臂的传动部件磨损、变形;考虑到环境因素、零部件的材料、结构设计和制造工艺、零部件的表面处理不能适应恶劣的环境和气候条件、潮气浸入引起腐蚀等,进水和结露积水后断路器及机构零部件便会出现锈蚀现象,也会导致断路器分合闸操作过程的机构卡涩,满足不了断路器预设要求的合、分操作力,导致断路器合分不到位;另外,在弹簧操动机构中因为大量使用复位扭簧或拉簧,锈蚀将造成弹簧失效,致使机构失效。二次元件除了自身受潮气的腐蚀外,还可能由于机构零部件的锈蚀,使其不能正常切换,造成电机烧毁或脱扣器烧毁。
综上,高效便捷的实现对机构箱内关键的零部件运行状态的检测并及时地发现零部件的机械缺陷对于电网安全运行以及工作人员的人生安全具有重要的意义,现有的方法需要用到传感器及断电操作,操作可靠性及便捷性上尚存在缺陷。
发明内容
本发明的目的在于提供一种非接触式高压断路器缺陷检测方法及系统,以解决上述存在的一个或多个技术问题。本发明具体提供了一种基于图像识别的非接触式高压断路器故障辨识方法,可减少对断路器故障分析研究所需环境的局限性,在便捷性和可靠性上有显著进步。
为达到上述目的,本发明采用以下技术方案:
本发明提供的一种非接触式高压断路器缺陷检测方法,包括以下步骤:
获取待缺陷检测的高压断路器图片;
将获取的高压断路器图片输入预训练好的缺陷检测模型中,所述缺陷检测模型输出检测结果;
其中,所述缺陷检测模型为基于卷积神经网络优化算法的深度学习模型;
获取所述预训练好的缺陷检测模型的步骤包括:
获取断路器的缺陷样本训练集;其中,所述缺陷样本训练集中的每个训练样本均包括:样本图片和标签;所述样本图片为断路器预设关键零部件不同角度、不同光照条件的图片和断路器不同锈蚀部位在不同角度、不同光照条件实物图片中的一种,所述标签包括零部件名称和锈蚀缺陷等级;
基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型。
本发明方法的进一步改进在于,所述基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型的步骤具体包括:
Step.1输入参数的初始化,包括:图片维度、权重参数、训练参数以及训练集的损失率初始化,获得初始化的参数;
Step.2加载网络模型,包括:采用默认模型进行预训练,获得预训练结果;根据预训练结果利用优化器对默认模型进行优化,获得优化后的网络模型;
Step.3网络训练,包括:加载初始化的参数和优化后的网络模型进行训练,获得中间权重;
Step.4根据前向传播计算出总损失、分类损失、框的回归损失、置信度;并据反向传播计算出损失值对神经元仿射变换的导数,求出权重变化的方向和步长,获得更新的权重。
本发明方法的进一步改进在于,所述获取所述预训练好的缺陷检测模型的步骤,还包括:
通过基于距离的聚类算法确定适合的多尺度滑动窗口,以加速卷积神经网络模型收敛。
本发明方法的进一步改进在于,所述预设的关键零部件包括拐臂、拉杆和缓冲器中的一种或多种。
本发明方法的进一步改进在于,所述缺陷检测模型输出的检测结果包括零部件是否发生变形;
获取零部件是否发生变形检测结果的步骤包括:辨识断路器的各个关键零部件;对包括关键零部件的图片进行滤波、降噪和图像分割预处理,采用canny边缘检测算法对关键零部件图像进行边缘提取;利用深度估计结合分割办法检测出关键零部件的具体轮廓后,通过计算识别出关键零部件的外接轮廓矩形的长宽比,基于长宽比判断获得关键零部件是否发生变形的检测结果。
本发明方法的进一步改进在于,所述缺陷检测模型输出的检测结果包括零部件是否生锈以及生锈等级。
本发明提供的一种非接触式高压断路器缺陷检测系统,包括:
图片获取模块,用于获取待缺陷检测的高压断路器图片;
检测结果获取模块,用于将获取的高压断路器图片输入预训练好的缺陷检测模型中,所述缺陷检测模型输出检测结果;
其中,所述缺陷检测模型为基于卷积神经网络优化算法的深度学习模型;
获取所述预训练好的缺陷检测模型的步骤包括:
获取断路器的缺陷样本训练集;其中,所述缺陷样本训练集中的每个训练样本均包括:样本图片和标签;所述样本图片为断路器预设关键零部件不同角度、不同光照条件的图片和断路器不同锈蚀部位在不同角度、不同光照条件实物图片中的一种,所述标签包括零部件名称和锈蚀缺陷等级;
基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型。
本发明系统的进一步改进在于,所述基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型的步骤具体包括:
Step.1输入参数的初始化,包括:图片维度、权重参数、训练参数以及训练集的损失率初始化,获得初始化的参数;
Step.2加载网络模型,包括:采用默认模型进行预训练,获得预训练结果;根据预训练结果利用优化器对默认模型进行优化,获得优化后的网络模型;
Step.3网络训练,包括:加载初始化的参数和优化后的网络模型进行训练,获得中间权重;
Step.4根据前向传播计算出总损失、分类损失、框的回归损失、置信度;并据反向传播计算出损失值对神经元仿射变换的导数,求出权重变化的方向和步长,获得更新的权重。
本发明系统的进一步改进在于,所述获取所述预训练好的缺陷检测模型的步骤,还包括:
通过基于距离的聚类算法确定适合的多尺度滑动窗口,以加速卷积神经网络模型收敛。
本发明系统的进一步改进在于,所述缺陷检测模型输出的检测结果包括零部件是否发生变形;
获取零部件是否发生变形检测结果的步骤包括:辨识断路器的各个关键零部件;对包括关键零部件的图片进行滤波、降噪和图像分割预处理,采用canny边缘检测算法对关键零部件图像进行边缘提取;利用深度估计结合分割办法检测出关键零部件的具体轮廓后,通过计算识别出关键零部件的外接轮廓矩形的长宽比,基于长宽比判断获得关键零部件是否发生变形的检测结果。
与现有技术相比,本发明具有以下有益效果:
本发明的方法是一种基于图像识别的非接触式高压断路器故障辨识方法,也即一种机械缺陷分类的基于机器视觉和机器学习的高压断路器故障分类方法,通过拍摄静态图片实时检测高压断路器的故障类型;相较于传统的测量方式,本发明采用的是新型的非接触式测量,不需要在断路器原有构件上固定额外的传感器,不用通过高速相机对目标断路器进行一段视频或者图像序列的捕捉,也不需要断路器进行断电操作,只需要对断路器进行拍照即可,大大减少了对断路器故障分析研究所需环境的局限性。
关于本发明技术方案发明点的进一步具体解释:
(1)本发明的分类辨识方法能够很大程度上提高缺陷检测的效率,通过非接触式的静态图像采集即可发现断路器的塑性变形、金属腐蚀等故障;
(2)本发明基于图像识别的方法,不需要在运动构件上增加额外的位移传感器,因此在更加简单方便的基础上,也减少了可能会产生测量误差的影响因素;
(3)相较于传统的标志物标记测量或者断电研究,本发明这种新型的非接触测量方式可以对带电运行状态的断路器进行实时的检测和故障分析,并不需要考虑高电压隔离等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,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是本发明实施例的一种非接触式高压断路器缺陷检测方法的流程示意图;
图2是本发明实施例中,卷积神经网络的训练过程示意图;
图3是本发明实施例中,卷积神经网络深度学习步骤的流程示意图;
图4是本发明实施例中,图像处理算法的流程示意图;
图5是本发明实施例中,canny边缘检测算法的流程示意图;
图6是本发明实施例中,断路器的高分辨率原始图片;
图7是本发明实施例中,卷积神经网络训练学习出的断路器零部件拐臂示意图;
图8是本发明实施例中,通过边缘检测算法处理得到的零部件拐臂轮廓示意图;
图9是本发明实施例中,生锈图片识别效果示意图;
图10是本发明实施例中,k-means聚类算法执行步骤的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
请参阅图1,本发明实施例提供的一种非接触式高压断路器缺陷检测方法,包括以下步骤:
获取待缺陷检测的高压断路器图片;
将获取的高压断路器图片输入预训练好的缺陷检测模型中,所述缺陷检测模型输出检测结果;
其中,所述缺陷检测模型为基于卷积神经网络优化算法的深度学习模型;获取所述预训练好的缺陷检测模型的步骤包括:
1)获取断路器关键零部件不同角度、不同光照条件的图片,断路器不同锈蚀部位在不同角度、不同光照条件实物图片;
2)按照零部件名称和锈蚀缺陷的等级对所有图片进行标记,标记信息记录在XML格式的数据文件中,建立断路器的缺陷样本训练集;
3)基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型。
请参阅图2和图3,本发明实施例中,卷积神经网络的训练过程主要分为六个步骤,包括:
Step.1输入参数的初始化:主要包括图片维度、权重参数(示例性的,偏置、正则化惩罚项的力度等)、训练参数(示例性的,迭代次数、步长、学习率等)以及训练集的损失率(示例性的,总损失、分类损失、框的回归损失、置信度等)。
Step.2加载网络模型:首先采用默认模型进行预训练,根据预训练结果利用优化器对默认模型进行优化。
Step.3网络训练:加载初始化的参数和优化后的网络模型进行训练。
Step.4由Step.3得中间权重并存储。
Step.5根据前向传播计算出总损失、分类损失、框的回归损失、置信度等参数;并根据反向传播计算出损失值对神经元仿射变换的导数,进一步求出权重变化的方向和步长。
Step.6由Step.5计算出更新的权重并作为最终权重存储。
本发明实施例中,使用相机对其断路器操动机构的关键零部件(示例性可选的,如拐臂、拉杆、缓冲器等)进行拍摄;对采集到的高分辨率图片采用基于卷积神经网络优化方法的深度学习进行训练,完成对图像的自动学习,实现对断路器中各个关键零部件的辨识;随后对读取的拐臂等零部件图像在进行滤波、降噪和图像分割等预处理,采用canny边缘检测算法对图像进行边缘提取,利用深度估计结合分割办法检测出零部件的具体轮廓后,通过计算识别出零部件的外接轮廓矩形的长宽比,判断拐臂等零部件是否发生形变。
另外,采用基于卷积神经网络优化方法的深度学习进行训练,以生锈和非缺陷图像作为输入,完成对图像的自动学习,辨识出是否发生生锈以及生锈等级。
综上,即为通过卷积核优化后的CNN实现对塑性变形、金属腐蚀等断路器机械缺陷检测。
本发明实施例的具体步骤包括:
(1)对不同状态下的断路器的预设关键零部件进行图像采集并标注,标注出零部件名称和锈蚀等级,获得断路器的缺陷样本训练集;
(2)建立基于卷积神经网络优化算法的深度学习模型,基于步骤(1)得到的缺陷样本训练集进行深度学习训练,通过对图像的自动学习以实现对断路器中各个预设关键零部件的辨识;
(3)读取步骤(2)中得到的预设关键零部件的图片,对图片进行滤波、降噪以及图像分割等预处理,通过采用改进的边缘检测算法实现对图片的边缘提取,结合深度估计和图像分割得到关键零部件的具体轮廓和结构特征,再通过对其具体轮廓的计算,判别是否发生塑性形变;通过对步骤(2)中的正常状态和发生生锈的故障状态的零部件进行卷积神经网络深度学习模型的搭建,即可实现对是否生锈以及生锈程度的检测,最后达到通过神经网络算法对其断路器机械缺陷进行诊断识别的效果。
请参阅图4,本发明实施例提供的技术方案,采用一种新型的非接触式测量,其中对静态图片进行的图像分割、边缘轮廓提取以及对断路器机构想的图像辨识学习都是通过机器视觉和卷积神经网络的模型来实现;所述的图像处理包括灰度处理、直方图均衡化、色阶调整、高斯滤波;灰度化处理以便于对图像进行模糊处理,避免将噪声错误的识别为边缘;直方图均衡化是为了提高图像的对比度;色阶调整则是对灰度处理的图像中非边缘区域黑色转化,边缘区域转化为更为饱和的颜色;高斯滤波是为了有效地抑制高斯噪声对图像质量的影响。相机标定是指计算参考标记的实际距离与图片中像素点个数对应的比例,固定位置标记设置完成后,分别测量其对应距离的像素个数,与参考标记的距离坐标进行除法运算,即可得到每个像素点代表的实际距离。深度学习是指将原始图片样本转化成二进制文件用于训练神经网络模型;在训练器模块中,通过修改原有网络模型的输出结构以适用于不同的数据集;在分类器模块中,利用前端控制器载入权重参数文件并进行分类计算。
本发明实施例中,所述的深度学习的具体步骤如下:
(1)采用标注工具对原始数据集中的数据进行标注;
(2)制作数据集,将步骤(1)中提到的原始数据集配置一定的参数比例,使之生成训练-验证-测试文件;
(3)通过基于距离的聚类算法确定程序所适合的多尺度滑动窗口,从而帮助该卷积神经网络模型快速收敛;
(4)前面的参数配置操作后,开始训练,在卷积神经网络中生成对应的权重文件,并利用前端控制器载入权重文件,实现图像辨识。
本发明提供了一种基于图像识别的非接触式高压断路器缺陷检测方法,分别在断路器动作完成前、后,使用相机对其静态下的机构箱进行拍摄,对获得的高分辨率图像进行基于卷积神经网络模型的深度学习,通过自动学习实现对拐臂的部件辨识,随后在读取拐臂部件图的基础之上,再进行滤波、降噪等预处理操作,随后采用改进的边缘检测算法对图像进行边缘提取,随后利用深度估计结合分割办法检测出零部件的具体轮廓,再通过计算参数特征,即可判断拐臂等关键零部件是否发生塑性形变;另外采用基于卷积神经网络优化方法的深度学习进行训练,以生锈和非缺陷图片作为输入,并对生锈等级进行定义,便可以实现对生锈这类机械缺陷以及生锈程度的辨识,综上,即为通过卷积核优化后的CNN在非接触式测量方式下实现对塑性变形、机械磨损(金属损失)、锈蚀等断路器机械缺陷检测。
本文分别对断路器动作完成前、后的机构箱进行静态图像拍摄,并用获得的高分辨率图像作为基于卷积神经网络模型的原始数据集,通过自动学习,完成对拐臂等关键部件的零部件辨识,比如拐臂的零部件图可参见图6,而卷积神经网络的深度学习具体步骤如图2所示,由于绝大多数的断路器机构箱在现场的拍摄环境都会受到光线甚至是设备的影响,因而需要按照图4所示对获得的拐臂图像需要进行滤波降噪以及直方图均衡化的图像预处理,这可以很大程度上提高机器视觉的效率和准确率。
断路器关键零部件的分割对于深度学习的模型的搭建十分重要,而断路器的机构箱内,为了避免受到光线或者老化磨损部位对图像的影响,对图像进行边缘检测算法的处理便可以进一步减小误差,边缘检测算法步骤参见图5,从中得到的图像见图7、8,通过对图8的计算和特征提取即可判断拐臂是否发生塑性形变。
而针对生锈这一类型的机械缺陷,依然采用搭建的基于卷积神经网络的深度学习模型,在完成数据集以及训练-验证-测试文件配置后,需要使用基于距离的聚类算法来获取多尺度滑动窗口的长度和比例的分配,有效提高模型训练的快速收敛.将生锈程度由低到高分为A、B、C、D四个等级,分别采用蓝、紫、绿、红四种颜色显示四个等级的生锈目标检测框。最后实现对该断路器图片中生锈痕迹的检测,且可显示预测检测框与真实检测框的交并比值,是否生锈和生锈各个等级区分辨识结果参考图9,其中rust_a,rust_b,rust_c,rust_d分别对应A、B、C、D四个等级,数值代表计算出的相似度。
给定数据集X和聚类数目k,k-means算法会根据某一距离函数把数据分配到k个聚类中。在聚类过程中,会用到的概念和公式如下。
(1)数据集X:待聚类的数据集X={X1,X2,…,Xn},其中Xi={xi1,xi2,…,xid},是实数空间X∈Rd中的向量,并且d表示数据的属性数目(数据空间的维数);
(2)任意两个数据对象间的欧式距离为:
(3)每个聚类的聚类中心的计算公式为:
其中,mk表示第k个聚类的聚类中心,Mk表示第k个聚类,|Mk|示第k个聚类中数据对象的个数,Xi表示第k个聚类中的数据对象;
(4)数据点到聚类中心之间的距离公式为:
(5)误差平方和函数为:
参见图10,k-means聚类算法的执行步骤如下:
(1)随机选取k个数据点作为初始聚类中心。
(2)计算每个数据点到每个初始聚类中心的距离,将数据分配到距离此点最近的聚类中心。
(3)根据式(2)重新计算k个簇的聚类中心。
(4)重复步骤(2),根据新的聚类中心重新聚类。
(5)重复步骤(4),直到满足终止条件。
(6)输出k个簇的聚类中心和k个簇。
参见图9,基于图像识别的高压断路器缺陷检测整体流程如下:
(1)对不同状态下的断路器的关键零部件进行图像采集;
(2)建立基于卷积神经网络的深度学习模型,读取(1)中得到的静态图片并将其作为原始数据集,通过该模型进行自动学习,完成对拐臂这一关键零部件的辨识;
(3)对原始数据集中的数据进行:制作数据集,将(1)中提到的原始数据集配置一定的参数比例,使之生成训练-验证-测试文件;通过基于距离的聚类算法确定程序所适合的多尺度滑动窗口,从而帮助该卷积神经网络模型快速收敛;前面的参数配置操作后,开始训练,在卷积神经网络中生成对应的权重文件,并利用前端控制器载入权重文件,实现图像辨识,达到识别拐臂的效果;读取拐臂部件图,对其进行滤波、降噪以及图像分割等图像处理,通过采用改进的边缘检测算法实现对图片的边缘提取,结合深度估计得到断路器机构箱内的具体轮廓和结构特征;根据得到的拐臂轮廓进行特征提取,计算外接矩形的长宽比,判断拐臂是否发生形变;针对生锈缺陷,通过对非缺陷以及生锈等级的定义,让优化后的卷积神经网络模型进行自动的图像识别,从而判断是否发生生锈以及生锈程度。
高压断路器在工作过程中,金属零部件容易产生塑性变形、金属腐蚀等多种机械缺陷,而这些缺陷的存在影响着断路器的性能、机械可靠性、寿命等关键参数。本发明提出了一种基于边缘检测和深度学习的高压断路器机械缺陷检测方法,使用相机对其机构箱中包含拐臂、拉杆、缓冲器等关键零部件进行拍摄,用拍摄到的高分辨率图像进行一种基于卷积神经网络的模型搭建,通过自动学习完成对拐臂等关键零部件的辨识,随后通过轮廓检测算法对图像中的元件进行最小范围分割,对分割后的图像进行二值化及降噪处理后,采用改进的边缘检测算法对图像进行边缘提取,并利用深度估计检测出零部件的具体轮廓,之后分别采取轮廓的计算和基于CNN优化方法的深度学习模型,引入相似性约束规则,自动学习图像的特征,最后输入缺陷和非缺陷图像,通过卷积核优化后的CNN进行验证,从而实现对塑性变形、金属损失、腐蚀等断路器机械缺陷检测。相较于传统的测量方式,本发明采用的是新型的非接触式测量,不需要在断路器原有构件上固定额外的传感器,也不需要断路器进行断电操作,只需要对断路器进行拍照即可,大大减少了对断路器故障分析研究所需环境的局限性。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种非接触式高压断路器缺陷检测方法,其特征在于,包括以下步骤:
获取待缺陷检测的高压断路器图片;
将获取的高压断路器图片输入预训练好的缺陷检测模型中,所述缺陷检测模型输出检测结果;
其中,所述缺陷检测模型为基于卷积神经网络优化算法的深度学习模型;
获取所述预训练好的缺陷检测模型的步骤包括:
获取断路器的缺陷样本训练集;其中,所述缺陷样本训练集中的每个训练样本均包括:样本图片和标签;所述样本图片为断路器预设关键零部件不同角度、不同光照条件的图片和断路器不同锈蚀部位在不同角度、不同光照条件实物图片中的一种,所述标签包括零部件名称和锈蚀缺陷等级;
基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型。
2.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法,其特征在于,所述基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型的步骤具体包括:
Step.1输入参数的初始化,包括:图片维度、权重参数、训练参数以及训练集的损失率初始化,获得初始化的参数;
Step.2加载网络模型,包括:采用默认模型进行预训练,获得预训练结果;根据预训练结果利用优化器对默认模型进行优化,获得优化后的网络模型;
Step.3网络训练,包括:加载初始化的参数和优化后的网络模型进行训练,获得中间权重;
Step.4根据前向传播计算出总损失、分类损失、框的回归损失、置信度;并据反向传播计算出损失值对神经元仿射变换的导数,求出权重变化的方向和步长,获得更新的权重。
3.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法,其特征在于,所述获取所述预训练好的缺陷检测模型的步骤,还包括:
通过基于距离的聚类算法确定适合的多尺度滑动窗口,以加速卷积神经网络模型收敛。
4.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法,其特征在于,所述预设的关键零部件包括拐臂、拉杆和缓冲器中的一种或多种。
5.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法,其特征在于,所述缺陷检测模型输出的检测结果包括零部件是否发生变形;
获取零部件是否发生变形检测结果的步骤包括:辨识断路器的各个关键零部件;对包括关键零部件的图片进行滤波、降噪和图像分割预处理,采用canny边缘检测算法对关键零部件图像进行边缘提取;利用深度估计结合分割办法检测出关键零部件的具体轮廓后,通过计算识别出关键零部件的外接轮廓矩形的长宽比,基于长宽比判断获得关键零部件是否发生变形的检测结果。
6.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法,其特征在于,所述缺陷检测模型输出的检测结果包括零部件是否生锈以及生锈等级。
7.一种非接触式高压断路器缺陷检测系统,其特征在于,包括:
图片获取模块,用于获取待缺陷检测的高压断路器图片;
检测结果获取模块,用于将获取的高压断路器图片输入预训练好的缺陷检测模型中,所述缺陷检测模型输出检测结果;
其中,所述缺陷检测模型为基于卷积神经网络优化算法的深度学习模型;
获取所述预训练好的缺陷检测模型的步骤包括:
获取断路器的缺陷样本训练集;其中,所述缺陷样本训练集中的每个训练样本均包括:样本图片和标签;所述样本图片为断路器预设关键零部件不同角度、不同光照条件的图片和断路器不同锈蚀部位在不同角度、不同光照条件实物图片中的一种,所述标签包括零部件名称和锈蚀缺陷等级;
基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型。
8.根据权利要求7所述的一种非接触式高压断路器缺陷检测系统,其特征在于,所述基于所述缺陷样本训练集,对基于卷积神经网络优化算法的深度学习模型进行学习训练,获得所述预训练好的缺陷检测模型的步骤具体包括:
Step.1输入参数的初始化,包括:图片维度、权重参数、训练参数以及训练集的损失率初始化,获得初始化的参数;
Step.2加载网络模型,包括:采用默认模型进行预训练,获得预训练结果;根据预训练结果利用优化器对默认模型进行优化,获得优化后的网络模型;
Step.3网络训练,包括:加载初始化的参数和优化后的网络模型进行训练,获得中间权重;
Step.4根据前向传播计算出总损失、分类损失、框的回归损失、置信度;并据反向传播计算出损失值对神经元仿射变换的导数,求出权重变化的方向和步长,获得更新的权重。
9.根据权利要求7所述的一种非接触式高压断路器缺陷检测系统,其特征在于,所述获取所述预训练好的缺陷检测模型的步骤,还包括:
通过基于距离的聚类算法确定适合的多尺度滑动窗口,以加速卷积神经网络模型收敛。
10.根据权利要求7所述的一种非接触式高压断路器缺陷检测系统,其特征在于,所述缺陷检测模型输出的检测结果包括零部件是否发生变形;
获取零部件是否发生变形检测结果的步骤包括:辨识断路器的各个关键零部件;对包括关键零部件的图片进行滤波、降噪和图像分割预处理,采用canny边缘检测算法对关键零部件图像进行边缘提取;利用深度估计结合分割办法检测出关键零部件的具体轮廓后,通过计算识别出关键零部件的外接轮廓矩形的长宽比,基于长宽比判断获得关键零部件是否发生变形的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210428081.XA CN114757925A (zh) | 2022-04-22 | 2022-04-22 | 一种非接触式高压断路器缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210428081.XA CN114757925A (zh) | 2022-04-22 | 2022-04-22 | 一种非接触式高压断路器缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757925A true CN114757925A (zh) | 2022-07-15 |
Family
ID=82331881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210428081.XA Pending CN114757925A (zh) | 2022-04-22 | 2022-04-22 | 一种非接触式高压断路器缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757925A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115993365A (zh) * | 2023-03-23 | 2023-04-21 | 山东省科学院激光研究所 | 一种基于深度学习的皮带缺陷检测方法及系统 |
CN116434065A (zh) * | 2023-04-19 | 2023-07-14 | 北京卫星信息工程研究所 | 全色几何校正遥感影像的水体分割方法 |
CN117523318A (zh) * | 2023-12-26 | 2024-02-06 | 宁波微科光电股份有限公司 | 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 |
CN117670312A (zh) * | 2024-01-30 | 2024-03-08 | 北京伽睿智能科技集团有限公司 | 一种远程辅助的设备故障维护系统 |
-
2022
- 2022-04-22 CN CN202210428081.XA patent/CN114757925A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115993365A (zh) * | 2023-03-23 | 2023-04-21 | 山东省科学院激光研究所 | 一种基于深度学习的皮带缺陷检测方法及系统 |
CN115993365B (zh) * | 2023-03-23 | 2023-06-13 | 山东省科学院激光研究所 | 一种基于深度学习的皮带缺陷检测方法及系统 |
CN116434065A (zh) * | 2023-04-19 | 2023-07-14 | 北京卫星信息工程研究所 | 全色几何校正遥感影像的水体分割方法 |
CN116434065B (zh) * | 2023-04-19 | 2023-12-19 | 北京卫星信息工程研究所 | 全色几何校正遥感影像的水体分割方法 |
CN117523318A (zh) * | 2023-12-26 | 2024-02-06 | 宁波微科光电股份有限公司 | 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 |
CN117523318B (zh) * | 2023-12-26 | 2024-04-16 | 宁波微科光电股份有限公司 | 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 |
CN117670312A (zh) * | 2024-01-30 | 2024-03-08 | 北京伽睿智能科技集团有限公司 | 一种远程辅助的设备故障维护系统 |
CN117670312B (zh) * | 2024-01-30 | 2024-04-26 | 北京伽睿智能科技集团有限公司 | 一种远程辅助的设备故障维护系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757925A (zh) | 一种非接触式高压断路器缺陷检测方法及系统 | |
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN112200121B (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN113436157B (zh) | 一种用于受电弓故障的车载图像识别方法 | |
CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN111931805B (zh) | 一种基于知识引导cnn的小样本相似磨粒辨识方法 | |
CN111724376B (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN114897802A (zh) | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN117011260A (zh) | 一种芯片外观缺陷自动检测方法、电子设备及存储介质 | |
CN115457304A (zh) | 一种基于目标检测的行李破损分析方法及系统 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
CN112257621A (zh) | 一种无人机巡检的设备图像识别方法 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
CN115187878A (zh) | 基于无人机图像分析的风力发电装置叶片缺陷检测方法 |
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 |