CN114792299A - 一种输电线路异常状态检测方法及装置 - Google Patents
一种输电线路异常状态检测方法及装置 Download PDFInfo
- Publication number
- CN114792299A CN114792299A CN202110099843.1A CN202110099843A CN114792299A CN 114792299 A CN114792299 A CN 114792299A CN 202110099843 A CN202110099843 A CN 202110099843A CN 114792299 A CN114792299 A CN 114792299A
- Authority
- CN
- China
- Prior art keywords
- color
- transmission line
- power transmission
- image
- line equipment
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 193
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000000463 material Substances 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 48
- 230000009466 transformation Effects 0.000 claims description 20
- 239000003086 colorant Substances 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 19
- 238000012806 monitoring device Methods 0.000 claims description 17
- 229920000620 organic polymer Polymers 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 16
- 239000012212 insulator Substances 0.000 claims description 15
- 239000011540 sensing material Substances 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 239000002861 polymer material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000002085 irritant Substances 0.000 description 1
- 231100000021 irritant Toxicity 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 231100000219 mutagenic Toxicity 0.000 description 1
- 230000003505 mutagenic effect Effects 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000027756 respiratory electron transport chain Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种输电线路异常状态检测方法及装置,以解决现有对输电线路异常状态检测方法,检测结果不准确的问题。通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像,其中,图像采集设备在预设范围内采集待测输电线路设备图像,待测输电线路设备发生异常时,变色材料呈现异常状态类型与受损程度相对应的颜色;根据颜色直方图均衡化处理待测输电线路设备图像;将处理后的图像输入预先训练的卷积神经网络模型,确定待测输电线路设备的异常状态类型与受损程度。通过上述方法,提高对异常状态检测准确率。
Description
技术领域
本申请涉及输电线路检测技术领域,尤其涉及一种输电线路异常状态检测方法及装置。
背景技术
输电线路是电网的重要组成部分,受人为及自然条件的影响,输电线路中经常会出现各种安全隐患。若输电线路存在的安全隐患不能得到及时排查,不仅会危及电网安全运行,而且会影响用户的生产与生活。
现有的对输电线路设备器件检测方法,需要将检测传感器放置到输电线路的设备器件上。或者通过无人机采用红外成像检测,对输电线路中设备器件进行检测,某些设备器件,还需要登塔进行接触测试检测。上述方式都存在测试数据易受外界环境干扰,导致检测结果不准确的问题。
发明内容
本申请实施例提供了一种输电线路异常状态检测方法及装置,用于解决如下技术问题:现有的对输电线路异常状态检测方法,检测结果不准确。
本申请实施例采用下述技术方案:
本申请实施例提供一种输电线路异常状态检测方法。通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像,其中,图像采集设备在预设范围内采集待测输电线路设备图像,待测输电线路设备发生异常时,变色材料呈现与异常状态类型和受损程度相对应的颜色;根据颜色直方图均衡化处理待测输电线路设备图像;将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出待测输电线路设备的异常状态类型与受损程度。
本申请实施例通过经变色材料处理的输电线路设备进行拍摄,能够将预先存储的输电线路设备异常图像与待测图像做对比,以得到输电线路设备的异常状态类型和受损程度。本申请实施例既解决了输电线路上部分设备无法放置故障传感器的问题,又解决现有对输电线路设备异常状态检测成本高、效率低下的问题。同时,本申请实施例会对待测图像进行直方图均衡化处理,增强待测图像的对比度,使训练后的卷积神经网络模型对设备的故障的检测更准确。
在本申请的一种实现方式中,将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出所述待测输电线路设备的异常状态类型与受损程度之前,所述方法还包括:将所述待测输电线路设备图像中的像素点坐标,分别与预置参考点坐标进行比对,确定所述待测输电线路设备图像中设备所对应的坐标点集合;其中,所述预置参考点坐标为图像中任一坐标点,且同一监拍装置拍摄的若干图像的预置参考点坐标相同。
本申请实施例通过预置参考点坐标,能够在拍摄的待测输电线路设备图像中确定设备的坐标集合,进而能正确识别设备的颜色。特别是当设备的颜色与周围环境的颜色近似的情况下,能够减小对颜色识别的误差,提高对设备异常状态以及损坏程度的检测的准确率。
在本申请的一种实现方式中,根据颜色直方图均衡化处理所述待测输电线路设备图像,具体包括:提取待测输电线路设备图像颜色通道的像素分布,并分别绘制相应的颜色分布直方图;通过灰度变换对所述待测输电线路设备图像进行直方图均衡化处理;对所述颜色直方图的像素数据进行均衡化运算,得到映射表颜色值,用所述映射表颜色值替换所述颜色通道的颜色值,以得到均衡化后的图像。
本申请实施例通过对待测输电线路设备图像进行直方图均衡化处理,能够处理曝光不够或者曝光过度,以及受雨雪雾等天气影响不清晰的图片,可以显著提高这些图片的对比度。并且还能在保留彩色图像特征的基础上,使图像中的颜色信息减少。以降低对设备颜色度识别的难度。
在本申请的一种实现方式中,提取待测输电线路设备图像上颜色通道的像素分布,并分别绘制相应的颜色分布直方图,具体包括:确定所述待测输电线路设备图像,分别在若干通道的颜色像素分布,其中,所述颜色像素分布通过所述若干通道之间的颜色距离确定;根据所述若干通道的颜色像素分布,分别建立颜色分布直方图。
在本申请的一种实现方式中,根据若干通道的颜色像素分布,分别建立颜色分布直方图之后,还包括:将所述若干通道颜色分布直方图的像素数据进行直方图均衡化运算,得到若干通道分别对应的映射表颜色值。
本申请实施例通过对图像中颜色通道分别进行直方图均衡化处理,能够在图像对应的颜色通道上分别提高图像的对比度。进而,在三个颜色通道的映射表颜色值分别映射到同一图像上后,图像的对比度会更加明显。解决了部分图像因曝光不够或者曝光过度,以致无法准确确定图像中设备颜色的问题。
在本申请的一种实现方式中,用所述映射表颜色值替换所述颜色通道的颜色值,以得到均衡化后的图像之后,所述方法还包括:确定原始图像的平均亮度;在均衡化后的图像的平均亮度与原始图像的平均亮度相同的情况下,确定均衡化后的图像所对应的变换参数值;其中,所述变换参数值用于确定二值图像灰度的最小值;使用所述变换参数值进行Zadeh-X变换,将所述均衡化后的图像,变换为二值图像。
本申请实施例通过对图像进行二值化处理,能够减少图像的灰度层次,变换后的图像中信息量减少,黑白对比度显著提高。经过彩色图像的二值化变换,使图像的颜色层次减少,不仅使图像保留了彩色,还能够提高图像对比度。而且使图像的信息量减少,可便于压缩。
在本申请的一种实现方式中,异常状态类型为高压电缆接头故障时,所述高压电缆接头处发热,所述方法还包括:通过所述变色材料检测到所述高压电缆接头发生颜色变化;根据不同温度使变色材料呈现的颜色,确定出所述高压电缆接头的受损程度,其中,所述变色材料呈现的颜色表示发热温度的多少,所述变色材料为有机高分子感温材料。
在本申请的一种实现方式中,异常状态类型为绝缘子放电时,将辐射紫外线,所述方法还包括:将绝缘子放电辐射产生的紫外线辐射进行量化处理;根据不同强度的紫外线辐射使变色材料呈现的颜色,确定出绝缘子的受损程度,其中,所述变色材料呈现的颜色表示紫外线辐射的大小,所述变色材料为有机高分子紫外线感知材料。
在本申请的一种实现方式中,当输电线路设备中电缆出现裂纹时,确定出发生裂纹的位置,方法还包括:通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像;根据颜色直方图均衡化处理所述待测输电线路设备图像;将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出待测输电线路设备的异常状态类型与受损程度。
本说明书一个或多个实施例提供一种输电线路异常状态检测装置,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像,其中,图像采集设备在预设范围内采集待测输电线路设备图像,待测输电线路设备发生异常时,变色材料呈现与异常状态类型和受损程度相对应的颜色;根据颜色直方图均衡化处理所述待测输电线路设备图像;将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出待测输电线路设备的异常状态类型与受损程度。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过经变色材料处理的输电线路设备进行拍摄,能够将预先存储的输电线路设备异常图像与待测图像做对比,以得到输电线路设备的异常状态类型和受损程度。本申请实施例既解决了输电线路上部分设备无法放置故障传感器的问题,又解决现有对输电线路设备异常状态检测成本高、效率低下的问题。同时,本申请实施例会对待测图像进行直方图均衡化处理,增强待测图像的对比度,使训练后的卷积神经网络模型对设备的故障的检测更准确。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种输电线路异常状态检测方法流程图;
图2为本申请实施例提供的一种待测输电线路设备图像颜色直方图;
图3为本申请实施例提供的一种直方图转换为均匀分布直方图的转换图;
图4为本申请实施例提供的一种均衡化处理前后的直方图对比图;
图5为本申请实施例提供的一种直方图均衡化处理前的效果图;
图6为本申请实施例提供的一种直方图均衡化处理后的效果图;
图7为本申请实施例提供的一种二值化处理前后的效果对比图;
图8为本申请实施例提供的一种输电线路监拍装置结构图;
图9为本申请实施例提供的输电线路异常状态检测装置结构示意图;
图10为本申请实施例提供的一种输电线路异常状态检测装置内部结构示意图。
具体实施方式
本申请实施例提供一种输电线路异常状态检测方法及装置。
为了使本技术领域的人员更好地理解本说本申请实施例的技术方案,下面将结合本申请实施例中的附图,对本申请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说明书一部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
现有的对输电线路设备故障检测的方法,需要将检测传感器放置到待检测的装置上,而传感器成本较高,且输电线路上的绝缘子、高压电缆接头等设备也不适合放置传感器,因此对故障的检测难度较大。
同时,现有的通过无人机采用红外成像的检测方式,对无人机的操作难度系数较大。且无人机易受外界环境因素的影响,难以推广普及。
并且,输电线路上的部分设备通常需要登塔进行接触检测,无论停电作业还是带电作业,都具有较高的危险性。而且人力成本高,效率低下,检测结果也不精确。
为了解决上述问题,本申请实施例提供了一种输电线路异常状态检测方法及装置。对输电线路上待检测的设备预先喷涂上变色材料,并对设备进行图像采集,将预先存储的设备异常图像与待测图像做对比,确定设备的异常状态类型和受损程度。通过设备的颜色就可以得知设备的故障类型,不仅成本低,还解决了有些设备因无法放置传感器,而不能确定其异常类型的问题。同时,本申请实施例会对待测图像进行直方图均衡化处理,增强待测图像的对比度,使预先训练的卷积神经网络模型对设备的故障检测更准确。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种输电线路异常状态检测方法流程图。如图1所示,输电线路异常状态检测方法包括以下步骤:
S101、输电线路监拍装置对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像。
在本申请的一个实施例中,输电线路监拍装置对经过变色材料处理的待测输电线路设备进行图像采集。其中,一台输电线路监拍装置固定角度拍摄同一台设备,以得到同一台设备在不同时间的状态。并且本申请实施例可以根据当前输电线路设备发生故障的频率,调节图像拍摄频率。
在本申请的一个实施例中,先对输电线路上的待测设备喷涂或者镶嵌有机可变色高分子材料。正常条件下,有机可变色高分子材料为无色透明状态,当输电线路设备发生异常时,会产生诱变因子导致有机可变色高分子材料发生质变而产生颜色变化。
在本申请的一个实施例中,可以对输电线路设备喷涂感温变色油墨。感温变色油墨可以随环境温度的变化而迅速改变颜色。在特定温度下因电子转移使该有机物的分子结构发生变化,从而实现颜色转变。
例如,输电线路上的高压电缆接头,接头部分因处理工艺问题或者氧化问题,会导致接头处产生高温,导致危险发生。有机高分子感温材料遇高温会发生质变而产生颜色变化,根据温度差异产生不同的颜色。变色材料呈现的颜色表示发热温度的多少,进而根据不同的颜色反应高压电缆接头部分的受损程度。
在本申请的一个实施例中,可以对输电线路设备喷涂感光变色油墨。感光变色油墨可以在紫外线照射后,根据紫外线的强弱展现出不同的颜色。
例如,输电线路上的绝缘子放电,会辐射紫外线,将绝缘子放电辐射产生的紫外线辐射进行量化处理。不同强度的紫外线辐射会使有机高分子材料发生质变而产生不同的颜色,颜色差异代表紫外线辐射强度的大小,进而反应出绝缘子的受损程度。
在本申请的一个实施例中,待测输电线路设备发生异常时,变色材料呈现出与异常状态类型和受损程度相对应的颜色。
表1为本申请实施例以绝缘子放电释放紫外线引起材料颜色变化为例,进行颜色差异区分。
故障类型 | 故障颜色 | 正常颜色 |
雷击过电压引起闪络击穿放电 | 绿色 | 无色 |
表面污秽引起闪络或沿面放电 | 红色 | 无色 |
裂纹、损伤或者缺釉等引起闪络 | 蓝色 | 无色 |
表1
如表1所示,设备发生不同的故障时,引起绝缘子释放的紫外线的大小不同。当设备因雷击过电压引起闪络击穿放电时,设备表面的有机高分子紫外线感知材料会由无色变为绿色。当设备因表面污秽引起闪络或沿面放电时,设备表面的有机高分子紫外线感知材料会由无色变为红色。当设备因裂纹、损伤或者缺釉等引起闪络时,设备表面的有机高分子紫外线感知材料会由无色变为蓝色。因此,通过设备表面的颜色变化,就可以得知设备异常状态的类型以及受损程度。
表2为本申请实施例不同类型高压电缆接头,分别对应的最高允许温度。
表2表3为本申请实施例温度等级与颜色差异对应表。
温度范围 | 颜色 |
0度以下 | 绿色 |
0度~30度 | 无色 |
30度~60度 | 黄色 |
60度~90度 | 橙色 |
90度~120度 | 红色 |
120度以上 | 紫色 |
表3
如表2与表3所示,高压电缆接头因温度的不同发生故障时,会引起高压电缆接头表面的有机高分子感温材料发生不同颜色的变化。例如,由表2可知,当电缆类型为粘性浸渍纸绝缘时,其额定负荷时温度为80度,由表3可知,此时感温材料为橙色。而当该电缆发生短路时,其最高允许温度变为250度,此时感温材料为紫色。因此,根据感温材料的颜色可以得知当前电缆是否发生短路,以及发生短路时的温度范围。
需要说明的是,本申请实施例中的有机高分子感温材料不仅仅限于感温变色油墨,其它能够根据不同温度呈现不同颜色的有机高分子感温材料都可以。以及,本申请实施例中的有机高分子紫外线感知材料不仅仅限于感光变色油墨,其它能够根据紫外线的强弱呈现不同颜色的有机高分子紫外线感知材料都可以。
在本申请的另一个实施例中,当输电线路设备中电缆出线裂纹时,通过输电线路监拍装置对拍摄的图像确定出裂纹的位置。
具体的,通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像。当输电线路设备中电缆出线裂纹时,设备会出现缝隙,该缝隙会呈现与变色材料不相同的颜色。因此,当待测输电线路设备图像中,设备的部分位置呈现出与变色材料不相同的颜色的情况下,可以判定设备出现了裂纹。
例如,待测输电线路设备图像中,设备的颜色出现了断裂,或者出现某一位置的颜色与周围颜色不相同,可以判定该设备出现了裂纹。或者在夜晚情况下,使用红外摄像头拍摄的设备图像中,因裂纹出现缝隙的部分与设备其它部分的颜色也会产生深浅差异,通过颜色的不同也可以判定设备出现了裂纹。
需要说明的是,本申请实施例中的设备出现缝隙的原因可以为外力碰撞、设备使用时间过长使得表面材质出现裂纹等情况。
在本申请的一个实施例中,输电线路设备通过醒目的颜色,以及产生的固定剂量的无毒无害刺激性气味的气体,可用于驱赶飞鸟。
S102、根据颜色直方图均衡化处理所述待测输电线路设备图像。
在本申请的一个实施例中,输电线路监拍装置拍摄到的图像受外界因素的影响,会存在曝光不够或者曝光过度的问题。或者,雨、雪、雾等恶劣条件会影响颜色的色温和色度等辨识度。因此,需要对拍摄的图像进行直方图均衡化处理。
在本申请的一个实施例中,提取待测输电线路设备图像颜色通道的像素分布,并分别绘制相应的颜色分布直方图。颜色直方图是颜色级的函数,用以描述图像中该颜色级像素的像素个数,或该颜色级像素出现的频率。
在本申请的一个实施例中,确定待测输电线路设备图像,分别在若干通道的颜色像素分布。例如,本申请实施例可以选择三个通道的颜色像素分布,如R、G、B三个颜色通道。此时,待测输电线路设备图像进行直方图均衡化的效果较好。
需要说明的是,本申请实施例最优选择三个通道的颜色像素分布,但并不仅仅限于三个通道。
具体的,本申请实施例以R、G、B三个颜色通道为例,提取待测输电线路设备图像中R、G、B三个颜色通道的像素分布。通过颜色距离公式确定两个不同颜色之间的距离。通过量化不同颜色之间的距离,绘制颜色分布直方图,可以确定不同颜色,特别是近似颜色像素点的位置关系。颜色距离指的是两个颜色之间的差距,通常距离越大,两个颜色相差越大,反之,两个颜色越相近。其中,C1、C2表示颜色1像素值和颜色2像素值,C1,R、C1,G、C1,B分别表示颜色1的R通道像素值、G通道像素值、B通道像素值,C2,R、C2,G、C2,B分别表示颜色2的R通道像素值、G通道像素值、B通道像素值。
在本申请的一个实施例中,根据第R通道、G通道与B通道的颜色像素分布,分别建立R通道颜色分布直方图、G通道颜色分布直方图以及B通道颜色分布直方图。
如图2提供的一种待测输电线路设备图像颜色直方图所示。图2中左边起第一幅图像为本申请实施例建立的B通道颜色分布直方图,左边起第二幅图像为G通道颜色分布直方图,左边起第3幅图像为R通道颜色分布直方图。颜色直方图中的横坐标为颜色像素值,纵坐标为像素点的个数。通过建立颜色分布直方图,可以清楚的确定当前待测输电线路设备图像中的颜色像素分布情况。
在本申请的一个实施例中,通过灰度变换对待测输电线路设备图像进行直方图均衡化处理。直方图均衡化,就是将其他分布函数的直方图转换成均匀分布的直方图的过程。即,使图像在每个灰度级上都具有尽可能相同的象素点数。
图3为本申请实施例提供的一种直方图转换为均匀分布直方图的转换图。如图3所示,是先将高斯分布直方图(Gaussian distribution)转换为高斯累计分布直方图(Cumulative Gaussian distribution),再将高斯累计分布直方图转换为均匀分布直方图(Equalized distribution)的过程。最后得出的均匀分布直方图在不同灰度级上都具有近似相同个数的像素分布。
图4为本申请实施例提供的一种均衡化处理前后的直方图对比图。如图4所示,进行直方图均衡化处理前的直方图,在不同色阶上分布的像素点的数量相差很大。而进行直方图均衡化处理后的直方图,在不同色阶上分布的像素点数量的差距会减小。
在本申请的一个实施例中,对颜色直方图的像素数据进行均衡化运算,得到映射表颜色值。
具体的,将R通道颜色分布直方图的像素数据进行直方图均衡化运算,得到R通道映射表颜色值。并且将G通道颜色直方图的像素数据进行直方图均衡化运算,得到G通道映射表颜色值。并且将所述B通道颜色直方图的像素数据进行直方图均衡化运算,得到B通道映射表颜色值。
在本申请的一个实施例中,通过累计分布函数
确定映射表颜色值。其中,n是图像中像素的总和,nj是当前灰度级的像素个数,L是图像中可能的灰度级总数,Sk是均衡化后的灰度值。
在本申请的一个实施例中,用映射表颜色值替换所述颜色通道的颜色值,以得到均衡化后的图像。
具体的,根据累计分布函数进行均衡化运算,得到均衡化后图像的各个颜色通道上的颜色映射表,将各个通道对应的颜色映射表的颜色值,替换待测输电线路设备图像分别在R、G、B通道的颜色值。以此得到直方图均衡化后的图像。如图5为本申请实施例提供的一种直方图均衡化处理前的效果图,图6为本申请实施例提供的一种直方图均衡化处理后的效果图。通过直方图均衡化增加了像素灰度值的动态范围,从而可达到增强图像整体对比度的效果。
在本申请的一个实施例中,为了能够增加对待测输电线路设备图像的识别效率,需要对直方图均衡化处理后的图像进行彩色图像的二值化处理。其中,彩色图像包括红绿蓝三个颜色分量,并且三个颜色分量同时具有相同的两种色度值0或255。
在本申请的一个实施例中,根据函数
确定原始待测输电线路设备图像的平均亮度。其中,AL表示平均亮度,L(x,y)为像素点(x,y)的灰度。M为图像水平方向上像素点的个数,N为图像垂直方向上像素点的个数。
在本申请的一个实施例中,根据函数
确定均衡化处理后待测输电线路设备图像的灰度图像的平均亮度。其中,i=0,1,2代表彩色图像的红绿蓝三分量。AL(i)表示任一颜色分量按(3)式计算的平均亮度值。
在本申请的一个实施例中,在均衡化后的图像的平均亮度与原始图像的平均亮度相同的情况下,确定均衡化后的图像所对应的变换参数值。其中,变换参数值用于确定二值图像灰度的最小值。
具体的,分别计算变换后待测输电线路设备图像的平均亮度AL。在AL值与原始图像的平均亮度相同的情况下,则确定此时的AL值为遵从保(亮度)值二值化变换的变换参数Theta值。
在本申请的一个实施例中,采用Zadeh-X变换完成彩色图像的二值化。根据Zadeh-X变换函数
将遵从保(亮度)值二值化变换的变换参数Theta值代入(1)中,即可得到彩色二值化图像。其中,O(x,y),T(h,x,y)分别表示像素点变换前后的色度值。变量k,Theta和Delta为变换参量。k值决定变换后图像的右边界值。如果令k=255,那么变换后图像的右边界值为255,变换后图像具有0到255的带宽。Theta∈[0,255],Delta>0。Theta确定变换后图像灰度的零值。Delta决定变换后图像的层次。
例如,图7为本申请实施例提供的一种二值化处理前后的效果对比图。如图7所示,左边起第一幅图为原始图像,左边起第二幅图为进行二值化处理后的图像。经二值化处理后图像的信息量大大减少,黑白对比度显著提高,对比度明显增强。
需要说明的是,Delta=1时,变换后图像根据Theta的不同取值,得到不同的二值图像。Theta=0,Delta=255时,变换后图像即为原始图像。
需要说明的是,二值化变换使图像的灰度层次从256降到2,从而使得图像中的信息量大大减少,黑白对比度显著提高。经过彩色图像的保(亮度)值二值化变换,使图像的颜色层次从224降到23。从而使图像依然保留了彩色,并提高对比度,而且图像的信息量减少,可便于压缩。
S103、将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出待测输电线路设备的异常状态类型与受损程度。
在本申请的一个实施例中,先将待测输电线路设备图像中的像素点坐标,分别与预置参考点坐标进行比对,确定图像中输电线路设备所对应的坐标点集合。其中,预置参考点坐标为图像中任一坐标点,且同一监拍装置拍摄的若干图像的预置参考点坐标相同。
具体的,监拍装置拍摄的图像,会出现设备颜色与周围环境颜色相近的情况,因此,为了区分图像中设备的颜色,需要先确定设备在图像中的位置。例如,以待测图像的左边缘边界线与上边缘边界线的交点为原点建立坐标轴,以向右延伸方向为x轴,向下延伸方向为y轴,以此建立坐标系。可以将图像中坐标轴的原点作为预置参考点。预先确定图像中属于输电线路设备所对应的坐标点集合。在接收到新的待测图像后,根据坐标点集合确定新的待测图像中的设备的坐标点集合。
在本申请的一个实施例中,将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出待测输电线路设备的异常状态类型与受损程度。其中,预先训练的卷积神经网络,用于将预先存储的输电线路设备异常图像与待测图像做对比,得到输电线路设备的异常状态类型和受损程度。
具体的,将预先采集若干经变色材料处理后的输电线路设备图像,以及将图像中的设备对应的异常状态类型作为样本。在监控平台,将样本输入卷积神经网络模型进行训练,得到训练后的卷积神经网络模型。
S104、将分析结果与待测输电线路设备图像,上传至监控平台。以便监控平台对待测输电线路设备的受损程度进行复判。
在本申请的一个实施例中,至少通过移动网络、WIFI/ZIGBEE MESH组网、北斗短报文中的任意一项或多项,将分析结果与待测输电线路设备图像,上传至监控平台。
具体的,为了防止输电线路监拍装置所在环境出现网络故障,而不能及时将分析结果发送给监控平台。本申请实施例可以选择通过4G/5G网络进行信息传递。在没有移动网络信号覆盖区域,智能监拍装置支持WIFI/ZIGBEE MESH组网、北斗短报文不同的方式分别向监控平台发送分析结果与图像。同时支持实时视频,可以通过4G/5G无线网络实时查看受控设备现场状态。可以保障故障结果与图像及时发送至监控平台。
在本申请的一个实施例中,监控平台含有受控设备器件的技术指标以及出厂测试数据的数据库。监控平台接收到智能监拍装置上传的分析数据和图像信息,根据待测设备的数据库信息,如安装时间、技术指标、出厂测试数据等,对受控设备受损程度进行复判,并将复判信息和图像信息发送给生产商进行分析。以此减少维修售后服务的时间与复杂流程,提高效率。
在本申请的一个实施例中,云监控平台支持数据存储、历史数据查询、报表、打印、曲线图绘制等功能,根据智能监拍装置上传的分析数据以及图像信息,分析结果可对器件寿命及损坏程度进行趋势分析,并及时将告警信息通过微信、短信等方式及时推送给相关负责人。
需要说明的是,监控平台接收到的分析数据至少可以包括:温度、紫外线强度、设备异常类型、设备受损程度中的一项或多项。
图8为本申请实施例提供的一种输电线路监拍装置结构图,装置包括:安卓平台、摄像头组件、ZIGBEE/WIFI通信模组、4G/5G通信模组、北斗定位通信模组、传感器、MCU控制、超级电容、磷酸铁锂蓄电池。
在本申请的一个实施例中,安卓平台分别与摄像头组件、ZIGBEE/WIFI通信模组、4G/5G通信模组、北斗定位通信模组、传感器、MCU控制连接。MCU控制分别与超级电容、磷酸铁锂蓄电池连接。
在本申请的一个实施例中,安卓平台通过FPC连接星光级摄像头模组,在光线较弱的情况下可以有效识别受控设备器件颜色。其中,星光级摄像头模组可以包括红外摄像,在黑暗环境下,通过红外热成像检测技术可以有效识别受控设备器件的表面裂纹、缺损等损伤情况。
在本申请的一个实施例中,输电线路监拍装置内嵌AI人工智能,能对采集到的图像信息进行前端识别和边缘计算。因为拍摄的图像受外界环境因素影响较大,如雨、雪、雾等天气会导致颜色失真。基于人工智能分析的颜色故障甄别算法能进行故障筛选与确认,并能有效提高这些图片的对比度,有效还原颜色本色。
在本申请的一个实施例中,安卓平台通过串口连接北斗模组,支持定位和短报文通信。通过PCIE接口连接4G/5G无线通信模组,支持移动网络无线通信。通过USB接口连接ZIGBEE/WIFI模组,支持无线组网通信,可以及时将分析结果及图像信息通过多种通信渠道上传到云监控平台。
在本申请的一个实施例中,MCU控制对超级电容、磷酸铁锂蓄电池中的电量进行控制,并通过串口/SPI与安卓平台进行电源传输。
在本申请的一个实施例中,安卓平台通过传感器接收到的温度、紫外线强度、湿度等环境信息。并将接收到信息与分析结果一起发送至监控平台。
图9为本申请实施例提供的输电线路异常状态检测装置结构示意图,装置包括:图像采集单元901、图像处理单元902与异常状态类型与受损程度检测单元903。
图像采集单元901,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像。其中,待测输电线路设备发生异常时,所述变色材料呈现异常状态类型与受损程度相对应的颜色;
图像处理单元902,根据颜色直方图均衡化处理所述待测输电线路设备图像;
异常状态类型与受损程度检测单元903,将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出待测输电线路设备的异常状态类型与受损程度。
进一步的,图像处理单元902具体包括:
颜色分布直方图绘制单元904,提取待测输电线路设备图像颜色通道的像素分布,并分别绘制相应的颜色分布直方图;
直方图均衡化处理单元905,通过灰度变换对所述待测输电线路设备图像进行直方图均衡化处理;
颜色通道替换单元906,对,颜色直方图的像素数据进行均衡化运算,得到映射表颜色值,用映射表颜色值替换所述颜色通道的颜色值,以得到均衡化后的图像。
进一步的,装置还包括:
平均亮度确定单元907,确定原始图像的平均亮度。在均衡化后的图像的平均亮度与原始图像的平均亮度相同的情况下,确定均衡化后的图像所对应的变换参数值;其中,所述变换参数值用于确定二值图像灰度的最小值。
进一步的,装置还包括:
Zadeh-X变换单元908,使用所述变换参数值进行Zadeh-X变换,将所述均衡化后的图像,变换为二值图像。
进一步的,装置还包括:
坐标比对单元909,将所述待测输电线路设备图像中的像素点坐标,分别与预置参考点坐标进行比对,确定图像中输电线路设备所对应的坐标点集合。其中,预置参考点坐标为图像中任一坐标点,且同一监拍装置拍摄的若干图像的预置参考点坐标相同。
进一步的,装置还包括:
高压电缆接头检测单元910,通过所述变色材料检测到所述高压电缆接头发生颜色变化;
高压电缆接头受损程度检测单元911,根据不同温度使变色材料呈现的颜色,确定出所述高压电缆接头的受损程度,其中,所述变色材料呈现的颜色表示发热温度的多少,所述变色材料为有机高分子感温材料。
进一步的,装置还包括:
紫外线量化处理单元912,将绝缘子放电辐射产生的紫外线辐射进行量化处理;
绝缘子的受损程度检测单元913,根据不同强度的紫外线辐射使变色材料呈现的颜色,确定出绝缘子的受损程度,其中,所述变色材料呈现的颜色表示紫外线辐射的大小,所述变色材料为有机高分子紫外线感知材料。
图10为本申请实施例提供的输电线路异常状态检测装置内部结构示意图。
本申请实施例提供的一种输电线路异常状态检测装置,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像,其中,所述图像采集设备在预设范围内采集所述待测输电线路设备图像,所述待测输电线路设备发生异常时,所述变色材料呈现与异常状态类型和受损程度相对应的颜色;
根据颜色直方图均衡化处理所述待测输电线路设备图像。
将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出所述待测输电线路设备的异常状态类型与受损程度。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种输电线路异常状态检测方法,其特征在于,所述方法包括:
通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像,其中,所述图像采集设备在预设范围内采集所述待测输电线路设备图像,所述待测输电线路设备发生异常时,所述变色材料呈现与异常状态类型和受损程度相对应的颜色;
根据颜色直方图均衡化处理所述待测输电线路设备图像;
将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出所述待测输电线路设备的异常状态类型与受损程度。
2.根据权利要求1所述的一种输电线路异常状态检测方法,其特征在于,所述将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出所述待测输电线路设备的异常状态类型与受损程度之前,所述方法还包括:
将所述待测输电线路设备图像中的像素点坐标,分别与预置参考点坐标进行比对,确定所述待测输电线路设备图像中设备所对应的坐标点集合;
其中,所述预置参考点坐标为图像中任一坐标点,且同一监拍装置拍摄的若干图像的预置参考点坐标相同。
3.根据权利要求1所述的一种输电线路异常状态检测方法,其特征在于,所述根据颜色直方图均衡化处理所述待测输电线路设备图像,具体包括:
提取待测输电线路设备图像颜色通道的像素分布,并分别绘制相应的颜色分布直方图;
通过灰度变换对所述待测输电线路设备图像进行直方图均衡化处理;
对所述颜色直方图的像素数据进行均衡化运算,得到映射表颜色值,用所述映射表颜色值替换所述颜色通道的颜色值,以得到均衡化后的图像。
4.根据权利要求3所述的一种输电线路异常状态检测方法,其特征在于,所述提取待测输电线路设备图像上颜色通道的像素分布,并分别绘制相应的颜色分布直方图,具体包括:
确定所述待测输电线路设备图像,分别在若干通道的颜色像素分布,其中,所述颜色像素分布通过所述若干通道之间的颜色距离确定;
根据所述若干通道的颜色像素分布,分别建立颜色分布直方图。
5.根据权利要求4所述的一种输电线路异常状态检测方法,其特征在于,所述根据所述若干通道的颜色像素分布,分别建立颜色分布直方图之后,所述方法还包括:
将所述若干通道颜色分布直方图的像素数据进行直方图均衡化运算,得到若干通道分别对应的映射表颜色值。
6.根据权利要求3所述的一种输电线路异常状态检测方法,其特征在于,所述用所述映射表颜色值替换所述颜色通道的颜色值,以得到均衡化后的图像之后,所述方法还包括:
确定原始图像的平均亮度;
在均衡化后的图像的平均亮度与原始图像的平均亮度相同的情况下,确定均衡化后的图像所对应的变换参数值;其中,所述变换参数值用于确定二值图像灰度的最小值;
使用所述变换参数值进行Zadeh-X变换,将所述均衡化后的图像,变换为二值图像。
7.根据权利要求1所述的一种输电线路异常状态检测方法,其特征在于,所述异常状态类型为高压电缆接头故障时,所述高压电缆接头处发热,所述方法还包括:
通过所述变色材料检测到所述高压电缆接头发生颜色变化;
根据不同温度使变色材料呈现的颜色,确定出所述高压电缆接头的受损程度,其中,所述变色材料呈现的颜色表示发热温度的多少,所述变色材料为有机高分子感温材料。
8.根据权利要求1所述的输电线路异常状态检测方法,所述异常状态类型为绝缘子放电时,将辐射紫外线,所述方法还包括:
将绝缘子放电辐射产生的紫外线辐射进行量化处理;
根据不同强度的紫外线辐射使变色材料呈现的颜色,确定出绝缘子的受损程度,其中,所述变色材料呈现的颜色表示紫外线辐射的大小,所述变色材料为有机高分子紫外线感知材料。
9.根据权利要求1所述的输电线路异常状态检测方法,其特征在于,当输电线路设备中电缆出现裂纹时,确定出发生裂纹的位置,所述方法还包括:
通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像;
根据颜色直方图均衡化处理所述待测输电线路设备图像;
将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出所述待测输电线路设备的异常状态类型与受损程度。
10.一种输电线路异常状态检测装置,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
通过活动安装于输电线路设备的图像采集设备,对经过变色材料处理的待测输电线路设备进行图像采集,得到待测输电线路设备图像,其中,所述图像采集设备在预设范围内采集所述待测输电线路设备图像,所述待测输电线路设备发生异常时,所述变色材料呈现与异常状态类型和受损程度相对应的颜色;
根据颜色直方图均衡化处理所述待测输电线路设备图像;
将处理后的待测输电线路设备图像输入至预先训练的卷积神经网络模型,确定出所述待测输电线路设备的异常状态类型与受损程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099843.1A CN114792299A (zh) | 2021-01-25 | 2021-01-25 | 一种输电线路异常状态检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099843.1A CN114792299A (zh) | 2021-01-25 | 2021-01-25 | 一种输电线路异常状态检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114792299A true CN114792299A (zh) | 2022-07-26 |
Family
ID=82460349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110099843.1A Pending CN114792299A (zh) | 2021-01-25 | 2021-01-25 | 一种输电线路异常状态检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792299A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346015A (zh) * | 2011-06-24 | 2012-02-08 | 西安工程大学 | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 |
CN102629323A (zh) * | 2012-02-06 | 2012-08-08 | 重庆医科大学 | 彩色图像的二值化及二值化彩色图像的隐藏和恢复方法 |
CN105701835A (zh) * | 2016-02-26 | 2016-06-22 | 华北电力大学 | 面向电力设施的图像边缘检测方法及系统 |
CN106023185A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种输电设备故障诊断方法 |
CN107677932A (zh) * | 2017-11-01 | 2018-02-09 | 国网河南省电力公司濮阳供电公司 | 电网故障监测机构以及系统 |
CN107742301A (zh) * | 2017-10-25 | 2018-02-27 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 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 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN110738218A (zh) * | 2019-10-14 | 2020-01-31 | 国网山东省电力公司电力科学研究院 | 一种输电线路通道烟火隐患识别方法及装置 |
CN111199544A (zh) * | 2020-01-06 | 2020-05-26 | 国网河南省电力公司检修公司 | 一种变电站红外监测方法、装置和计算机可读存储介质 |
CN111340787A (zh) * | 2020-02-28 | 2020-06-26 | 广东电网有限责任公司 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
CN111582323A (zh) * | 2020-04-17 | 2020-08-25 | 山东信通电子股份有限公司 | 一种输电线路通道检测方法、装置及介质 |
WO2020221177A1 (zh) * | 2019-04-30 | 2020-11-05 | 深圳数字生命研究院 | 图像的识别方法及装置、存储介质和电子装置 |
-
2021
- 2021-01-25 CN CN202110099843.1A patent/CN114792299A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346015A (zh) * | 2011-06-24 | 2012-02-08 | 西安工程大学 | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 |
CN102629323A (zh) * | 2012-02-06 | 2012-08-08 | 重庆医科大学 | 彩色图像的二值化及二值化彩色图像的隐藏和恢复方法 |
CN105701835A (zh) * | 2016-02-26 | 2016-06-22 | 华北电力大学 | 面向电力设施的图像边缘检测方法及系统 |
CN106023185A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种输电设备故障诊断方法 |
CN107742301A (zh) * | 2017-10-25 | 2018-02-27 | 哈尔滨理工大学 | 基于图像分类的复杂背景下输电线路图像处理方法 |
CN107677932A (zh) * | 2017-11-01 | 2018-02-09 | 国网河南省电力公司濮阳供电公司 | 电网故障监测机构以及系统 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 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 |
WO2020221177A1 (zh) * | 2019-04-30 | 2020-11-05 | 深圳数字生命研究院 | 图像的识别方法及装置、存储介质和电子装置 |
CN110738218A (zh) * | 2019-10-14 | 2020-01-31 | 国网山东省电力公司电力科学研究院 | 一种输电线路通道烟火隐患识别方法及装置 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN111199544A (zh) * | 2020-01-06 | 2020-05-26 | 国网河南省电力公司检修公司 | 一种变电站红外监测方法、装置和计算机可读存储介质 |
CN111340787A (zh) * | 2020-02-28 | 2020-06-26 | 广东电网有限责任公司 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
CN111582323A (zh) * | 2020-04-17 | 2020-08-25 | 山东信通电子股份有限公司 | 一种输电线路通道检测方法、装置及介质 |
Non-Patent Citations (3)
Title |
---|
HE S, ET AL.: "Detection and fault diagnosis of power transmission line in infrared image", IEEE, 12 June 2015 (2015-06-12), pages 431 - 435, XP033223826, DOI: 10.1109/CYBER.2015.7287976 * |
蒋涛, 等: "输电线路通道可视化远程巡检探讨与实践", 中国电力, 5 November 2016 (2016-11-05), pages 42 - 45 * |
陈媛媛: "电力系统热故障检测的示温涂料研究", 中国优秀硕士学位论文全文数据库-工程科技Ⅰ辑, 15 February 2020 (2020-02-15), pages 1 - 12 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020199538A1 (zh) | 基于图像监控数据的桥梁关键构件病害预警系统及方法 | |
CN103234465B (zh) | 一种输电线路覆冰厚度检测方法及系统 | |
CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN110567964B (zh) | 一种检测变电设备缺陷的方法、装置及存储介质 | |
CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
CN111402247B (zh) | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 | |
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 | |
CN103499774A (zh) | 输电绝缘子闪络在线监视安全预警装置 | |
CN103412246B (zh) | 基于紫外视频的电力设备异常放电自动检测方法 | |
CN106680285A (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
CN105242232B (zh) | 室外电能表故障自动检验方法 | |
CN110944150A (zh) | 一种电力专用的防外破智能识别方法 | |
CN103278244A (zh) | 变压器过热故障的监测方法及其监测系统 | |
CN115184726B (zh) | 一种智能电网故障实时监测定位系统及方法 | |
CN107179479A (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN111553918A (zh) | 一种基于变电站巡检机器人变压器热故障监测装置及方法 | |
CN111696060A (zh) | 一种复合绝缘子憎水性带电在线监测方法与系统 | |
CN110967600A (zh) | 一种基于无人机红外检测的复合绝缘子劣化诊断方法 | |
CN113269744A (zh) | 一种应用于输电线路设备缺陷的红外智能识别方法及系统 | |
CN114792299A (zh) | 一种输电线路异常状态检测方法及装置 | |
CN116476060B (zh) | 基于巡检机器人实现的变电站设备智能运检方法及系统 | |
CN203190947U (zh) | 输电线路图像采集装置及输电线路覆冰厚度检测系统 | |
CN212111619U (zh) | 基于物联网和人工智能的输电线路避雷设施故障检测设备 | |
CN113160202A (zh) | 一种裂缝检测方法及系统 |
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 |