CN115100562A - 基于视频图像及深度学习的设备线路智能监测系统及方法 - Google Patents
基于视频图像及深度学习的设备线路智能监测系统及方法 Download PDFInfo
- Publication number
- CN115100562A CN115100562A CN202210666558.8A CN202210666558A CN115100562A CN 115100562 A CN115100562 A CN 115100562A CN 202210666558 A CN202210666558 A CN 202210666558A CN 115100562 A CN115100562 A CN 115100562A
- Authority
- CN
- China
- Prior art keywords
- image
- equipment
- video
- abnormal
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 51
- 238000001914 filtration Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000003139 buffering effect Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于视频图像及深度学习的设备线路智能监测系统及方法，涉及设备线路监测技术领域。本发明包括视频相机、监测中心和监测终端，视频相机包括捕获视频流图像帧数据的图像数据传感器、缓冲图像帧的图像数据的图像缓冲器以及传输电路；检测中心包括图像预处理模块、图像分割模块、图像识别单元和报警单元；检测终端，用于接收报警单元发送的异常信号息。本发明通过采集视频图像和设备运行状态的实时监测和分析模型进行比对处理，对处理后的图像进行设备的线路识别和操作面板指示灯识别，比对一旦出现异常的设备信息通过报警单元发送至维护人员的检测终端，降低了人工巡检的成本，及时发现异常设备，降低生产成本。
Description
技术领域
本发明属于设备线路监测技术领域，特别是涉及一种基于视频图像及深度学习的设备线路智能监测系统及方法。
背景技术
随着计算机技术的快速发展，图像处理技术日趋成熟，其在设备运行状态在线监测工作中所发挥的作用越来越突出。随着图像处理技术和计算机视觉技术的快速发展和日趋成熟，计算机视觉识别设备、分析设备运行状态在电力系统监测工作中所发挥的作用越来越重要。设备的运行状态直接关系到电网的安全可靠运行，因此，对设备运行状态的实时监测来保证变电站的安全可靠运行至关重要。
当前，电网调度自动化系统、高压设备绝缘检测以及继电保护装置等在保障变电站安全可靠运行方面发挥着重要的作用。从当前设备在线监测系统运行的状况来看还存在缺陷，其中高压电场的存在对数据的传输可靠性产生了较大的影响。另外，部分运行参数及征兆信号很难通过接触测量转换为电信号，甚至难以利用微机监测获取。
当前，电网已经建立了多套遥视系统用于设备运行状态的在线监测中，为保障电力系统的安全可靠运行提供了重要的支持。由于电网中变电站数量的不断增加，须监测的目标对象数量不断增加，这也使得系统传输的数据量不断上升。对此，大量学者对远程图像的采集、数据的压缩和传输进行了集中深入研究。如何降低调度人员的工作强度，同时快速准确地确定变电站的运行状态是当前研究的重点内容。
发明内容
本发明的目的在于提供一种基于视频图像及深度学习的设备线路智能监测系统及方法，通过采集视频图像和设备运行状态的实时监测和分析模型进行处理，比对一旦出现异常的设备信息通过报警单元发送至维护人员的检测终端，解决了现有的设备线路巡检员工的工作强度大、监测效率低容易出错的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种基于视频图像及深度学习的设备线路智能监测系统，包括视频相机、监测中心和监测终端，
所述视频相机包括捕获视频流图像帧数据的图像数据传感器、缓冲图像帧的图像数据的图像缓冲器以及传输电路；所述图像传感器安装在设备正前方，用于采集设备线路的视频图像信息；所述缓冲器，用于暂时存储为缓冲图像帧的图像数据；
所述检测中心包括图像预处理模块、图像分割模块、图像识别单元和报警单元；所述图像预处理模块，用于将与图像进行灰度化处理、平滑滤波处理操作来消减图像噪声；所述图像分割模块，用于根据预处理后的图像特征信息进行分类；所述图像识别单元包括线路识别模块和面板指示灯识别模块；所述线路识别模块，用于对设备的线路进行识别，判断线路是否异常；所述面板指示灯识别模块，用于对操作面板的指示灯进行识别，判断指示灯或者仪表是否异常；
所述检测终端，用于接收报警单元发送的异常信号。
作为一种优选的技术方案，所述视频相机通过无线传输模块，将采集的视频流图像帧数据发送至检测中心。
作为一种优选的技术方案，所述检测中心在对图像进行预处理前，需要先将视频流图像帧数据进行初步筛选，已初始采集的视频流图像帧数据为基准，当采集的视频流图像帧数据出现变化，再将变化后的视频流图像帧数据发送到图像预处理模块进行处理。
作为一种优选的技术方案，所述检测终端包括检修人员手持端和移动终端；所述检修人员手持端和移动终端在接收到报警单元发送的异常信息后，维修人员根据报警单元提供的异常设备序列号以及视频帧图像异常处进行标记。
本发明为一种基于视频图像及深度学习的设备线路智能监测方法，其特征在于，包括如下步骤：
步骤S1：视频相机捕获视频流图像帧数据上传至监控中心；
步骤S2：监控中心将视频流图像进行清洗，将没有变化的视频图像进行删除；
步骤S3：将出现变化后的视频图像进行预处理；
步骤S4：对预处理后的图像进行设备的线路识别和操作面板指示灯识别；
步骤S5：建立设备运行状态的实时监测和分析模型，将与模型比对的识别结果，出现异常的设备信息通过报警单元发送至维护人员的检测终端；
步骤S6：维护人员根据检测终端显示的信息前往事故设备进行维修。
作为一种优选的技术方案，所述步骤S3中，具体视频图像预处理的步骤如下：
步骤S31：对视频图像进行灰度化处理；
步骤S32：对灰度图进行平滑滤波处理；
步骤S33：平滑滤波处理后采用直方图均衡处理；
步骤S34：将直方图均衡处理完的图像进行分割处理。
作为一种优选的技术方案，所述步骤S32中，对灰度图进行平滑滤波处理引入加权系数的平衡模板对灰度图进行平滑滤波处理；在平滑滤波处理时采用低通滤波进行处理，用于过滤掉图像的高频噪声信号。
作为一种优选的技术方案，所述步骤S34中，采用最大类间方差阈值分割对直方图均衡处理完的图像进行分割进行处理。
作为一种优选的技术方案，所述步骤S4中进行设备线路识别时，采用减法运输监测图像设备运行状态是否发生变化，具体计算公式为：
ΔPi(x,y)＝Pi(x,y)-P(x,y)；
式中，Pi(x,y)表示当前有待进行判别处理的图像；P(x,y)表示数据库中存储的标准图像；当结果为0时，则表明当前图像无异常，设备处于正常运行状态；而当结果不为0时，则表明点前图像中电路设备存在改动，需要运维人员前去查看。
作为一种优选的技术方案，所述步骤S4中，进行操作面板指示灯识别时，具体识别流程如下：
步骤S41：将预处理后的图像转化为HSV格式；
步骤S42：排出图像每个色度中的杂色；
步骤S43：合并所有无杂色的图像；
步骤S44：分析图像中元素的轮廓；
步骤S45：判断指示灯的颜色。
本发明具有以下有益效果：
本发明通过采集视频图像和设备运行状态的实时监测和分析模型进行比对处理，对处理后的图像进行设备的线路识别和操作面板指示灯识别，比对一旦出现异常的设备信息通过报警单元发送至维护人员的检测终端，降低了人工巡检的成本，及时发现异常设备，降低生产成本。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，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为本发明的一种基于视频图像及深度学习的设备线路智能监测系统结构示意图；
图2为本发明的一种基于视频图像及深度学习的设备线路智能监测方法流程图。
具体实施方式
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作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。
请参阅图1所示，本发明为一种基于视频图像及深度学习的设备线路智能监测系统，包括视频相机、监测中心和监测终端，
视频相机包括捕获视频流图像帧数据的图像数据传感器、缓冲图像帧的图像数据的图像缓冲器以及传输电路；图像传感器安装在设备正前方，用于采集设备线路的视频图像信息，若安装在设备正后前方可以采集设备操作面板的视频图像，安装在设备正后方可以采集设备安装线路的；缓冲器，用于暂时存储为缓冲图像帧的图像数据；
检测中心包括图像预处理模块、图像分割模块、图像识别单元和报警单元；图像预处理模块，用于将与图像进行灰度化处理、平滑滤波处理操作来消减图像噪声；图像分割模块，用于根据预处理后的图像特征信息进行分类；图像识别单元包括线路识别模块和面板指示灯识别模块；线路识别模块，用于对设备的线路进行识别，判断线路是否异常；面板指示灯识别模块，用于对操作面板的指示灯进行识别，判断指示灯或者仪表是否异常；
检测终端，用于接收报警单元发送的异常信号，检测终端可以有多种。
视频相机通过无线传输模块，将采集的视频流图像帧数据发送至检测中心。
检测中心在对图像进行预处理前，需要先将视频流图像帧数据进行初步筛选，已初始采集的视频流图像帧数据为基准，当采集的视频流图像帧数据出现变化，再将变化后的视频流图像帧数据发送到图像预处理模块进行处理。
检测终端包括检修人员手持端和移动终端；检修人员手持端和移动终端在接收到报警单元发送的异常信息后，维修人员根据报警单元提供的异常设备序列号以及视频帧图像异常处进行标记。
请参阅图2所示，本发明为一种基于视频图像及深度学习的设备线路智能监测方法，其特征在于，包括如下步骤：
步骤S1：视频相机捕获视频流图像帧数据上传至监控中心；
步骤S2：监控中心将视频流图像进行清洗，将没有变化的视频图像进行删除；
步骤S3：将出现变化后的视频图像进行预处理；
步骤S4：对预处理后的图像进行设备的线路识别和操作面板指示灯识别；
步骤S5：建立设备运行状态的实时监测和分析模型，将与模型比对的识别结果，出现异常的设备信息通过报警单元发送至维护人员的检测终端；
步骤S6：维护人员根据检测终端显示的信息前往事故设备进行维修。
步骤S3中，具体视频图像预处理的步骤如下：
步骤S31：对视频图像进行灰度化处理；
步骤S32：对灰度图进行平滑滤波处理；
步骤S33：平滑滤波处理后采用直方图均衡处理；
步骤S34：将直方图均衡处理完的图像进行分割处理。
步骤S32中，对灰度图进行平滑滤波处理引入加权系数的平衡模板对灰度图进行平滑滤波处理；在平滑滤波处理时采用低通滤波进行处理，用于过滤掉图像的高频噪声信号。
步骤S34中，采用最大类间方差阈值分割对直方图均衡处理完的图像进行分割进行处理。
步骤S4中进行设备线路识别时，采用减法运输监测图像设备运行状态是否发生变化，具体计算公式为：
ΔPi(x,y)＝Pi(x,y)-P(x,y)；
式中，Pi(x,y)表示当前有待进行判别处理的图像；P(x,y)表示数据库中存储的标准图像；当结果为0时，则表明当前图像无异常，设备处于正常运行状态；而当结果不为0时，则表明点前图像中电路设备存在改动，需要运维人员前去查看。
步骤S4中，进行操作面板指示灯识别时，具体识别流程如下：
步骤S41：将预处理后的图像转化为HSV格式；
步骤S42：排出图像每个色度中的杂色；
步骤S43：合并所有无杂色的图像；
步骤S44：分析图像中元素的轮廓；
步骤S45：判断指示灯的颜色。
通常情况下，每个仪器表盘都有固定的正常工作范围，当分析图像中元素的轮廓，发现指针不在正常的范围内，则直接进行上报；通常情况下，指示灯也有三种颜色，包括红灯、绿灯、黄灯。正常工作状态下，操作面板的指示灯都为绿灯，一旦系统监测出绿灯变成了黄灯或者红灯，则发送故障警报至检测终端。
程序先把摄像机获取的图像导入程序,然后对图像进行降噪处理,随后将图像转换为HSV模式,并对该模式下的每个色度分别进行杂色排除,使每个色度的图像只有红色一种颜色,最后将这些红色图像全部叠加在一起,并把叠加后的图像转为灰度图，通过判断灰度图的轮廓是否呈现圆形确定指示灯是否亮红色灯。
本实施例的一个具体应用为：
首先，将原图像进行灰度化处理，然后对灰度图进行平滑滤波处理，从而消减图像噪声。这里引入加权系数的平滑模板对灰度图进行平滑滤波处理，可以很好地消减图像噪声，提高图像质量。图像平滑滤波处理的过程所采用的是低通滤波，能够过滤图像的高频噪声信号，这种方式在减少图像噪声的同时，由于图像边缘部分的高频噪声被过滤掉，会导致图像边缘模糊化，影响图像的整体质量。针对这一问题，可以在图像平滑滤波处理之后对其进行直方图均衡处理，通过这样的处理方式，能够在抑制图像声的同时，减少图像边缘模糊化问题的出现。
图像分割将图像表示为具有物理意义的多连通区域集合。通过对图像的纹理、颜色、亮度等特征信息进行分析，结合这些特征的差异性分割图像。图像分割能够更好地识别和分析图像，分割的准确性将会直接影响到后续工作的有效性，因此，须充分保证图像分割的精度。
图像分割时根据图像的灰度、颜色以及几何性质等特性将图像中含义不同的区域分割开，这些区域互不相交，每个区域都具有能够满足特定区域的一致性。比如对统一物体的图像，通常将图像中属于该物体的像素从背景图像中分离出来，将属于不同物体的像素点区分开。分割出来的区域应该同时满足以下几个条件：第一，相邻区域之间应该存在某种明显的差异性：第二，分割区域彩特征等方面具有一定的相似性，连通性则是指该区域内存在连接任意两点的路径。
根据实现分割的具体原理，图像分割的方法主要包括基于阈值选取、基于区域、基于边缘检测以及模糊分割4种图像分割方法。其中阈值选取的图像分割方法主要是通过图像灰度频率的分布数据实现对图像区域的分割，由于阈值化方法较为简单而且稳定性较高，使其成为图像分割的基本技术。该方法主要是利用了图像中要提取的目标对象与背景灰度值的差异，将图像视为具有不同灰度等级的区域组合，通过选取合适的阈值，将目标区域从背景图像中分割出来。
在使用该方法的过程中，要对灰度图进行二值化处理，以提高分割结果的准确性，提高图像分析的效率。图像二值化的方法主要包括全局阈值法、局部阈值法和动态阈值法3类。其中，全局阈值二值化方法虽然相对较为简单，但是容易受到噪声的干扰，光照不均匀，直方图不呈双峰分布的图像二值化效果明显较差：局部阈值二值化方法则能够有效克服光照不均匀的问题，但是转换速度较慢，难以保证目标区域的连通性：动态阈值二值化方法的阈值选择不仅取决于该像素灰度值以及周围像素的灰度值，同时还与该像素的坐标有关。由于动态阀值二值化方法对每个像邻域的特征进行了充分考虑，因此，能够更好地表现出目标的边界与背景图像，对噪声具有较强的抗干扰能力，虽然时间和空间复杂度较高，但是当前计算机的性能完全能够满足其处理要求。
而本申请文件，根据前面提供的检测和分析方案，对所采集的设备图像进行预处理，选择合适的方法和算子去除图像的噪声，提高图像质量，然后再对图像中的设备进行识别。
图像识别和理解是计算机视觉处理设备图像的主要目标,主要通过设备图像的纹理特征、颜色特征以及模板匹配的方法对设备进行识别。从图像中准确识别出设备之后,为了应用到实际中,判断设备的在线运行状态,须对设备图像进行进一步的处理,然后与原本数据库中的保准图像进行对比。本文采用减法运算监测图像设备运行状态是否产生变化,具体计算公式为：ΔPi(x,y)＝Pi(x,y)-P(x,y)；Pi(x,y)表示当前有待进行判别处理的图像；P(x,y)表示数据库中存储的标准图像；当结果为0时，则表明当前图像无异常，设备处于正常运行状态；而当结果不为0时，则表明点前图像中电路设备存在改动，需要运维人员前去查看。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于视频图像及深度学习的设备线路智能监测系统，包括视频相机、监测中心和监测终端，其特征在于：
所述视频相机包括捕获视频流图像帧数据的图像数据传感器、缓冲图像帧的图像数据的图像缓冲器以及传输电路；所述图像传感器安装在设备正前方，用于采集设备线路的视频图像信息；所述缓冲器，用于暂时存储为缓冲图像帧的图像数据；
所述检测中心包括图像预处理模块、图像分割模块、图像识别单元和报警单元；所述图像预处理模块，用于将与图像进行灰度化处理、平滑滤波处理操作来消减图像噪声；所述图像分割模块，用于根据预处理后的图像特征信息进行分类；所述图像识别单元包括线路识别模块和面板指示灯识别模块；所述线路识别模块，用于对设备的线路进行识别，判断线路是否异常；所述面板指示灯识别模块，用于对操作面板的指示灯进行识别，判断指示灯或者仪表是否异常；
所述检测终端，用于接收报警单元发送的异常信号息。
2.根据权利要求1所述的一种基于视频图像及深度学习的设备线路智能监测系统，其特征在于，所述视频相机通过无线传输模块，将采集的视频流图像帧数据发送至检测中心。
3.根据权利要求1所述的一种基于视频图像及深度学习的设备线路智能监测系统，其特征在于，所述检测中心在对图像进行预处理前，需要先将视频流图像帧数据进行初步筛选，已初始采集的视频流图像帧数据为基准，当采集的视频流图像帧数据出现变化，再将变化后的视频流图像帧数据发送到图像预处理模块进行处理。
4.根据权利要求1所述的一种基于视频图像及深度学习的设备线路智能监测系统，其特征在于，所述检测终端包括检修人员手持端和移动终端；所述检修人员手持端和移动终端在接收到报警单元发送的异常信息后，维修人员根据报警单元提供的异常设备序列号以及视频帧图像异常处进行标记。
5.一种基于视频图像及深度学习的设备线路智能监测方法，其特征在于，包括如下步骤：
步骤S1：视频相机捕获视频流图像帧数据上传至监控中心；
步骤S2：监控中心将视频流图像进行清洗，将没有变化的视频图像进行删除；
步骤S3：将出现变化后的视频图像进行预处理；
步骤S4：对预处理后的图像进行设备的线路识别和操作面板指示灯识别；
步骤S5：建立设备运行状态的实时监测和分析模型，将与模型比对的识别结果，出现异常的设备信息通过报警单元发送至维护人员的检测终端；
步骤S6：维护人员根据检测终端显示的信息前往事故设备进行维修。
6.根据权利要求5所述的一种基于视频图像及深度学习的设备线路智能监测方法，其特征在于，所述步骤S3中，具体视频图像预处理的步骤如下：
步骤S31：对视频图像进行灰度化处理；
步骤S32：对灰度图进行平滑滤波处理；
步骤S33：平滑滤波处理后采用直方图均衡处理；
步骤S34：将直方图均衡处理完的图像进行分割处理。
7.根据权利要求6所述的一种基于视频图像及深度学习的设备线路智能监测方法，其特征在于，所述步骤S32中，对灰度图进行平滑滤波处理引入加权系数的平衡模板对灰度图进行平滑滤波处理；在平滑滤波处理时采用低通滤波进行处理，用于过滤掉图像的高频噪声信号。
8.根据权利要求6所述的一种基于视频图像及深度学习的设备线路智能监测方法，其特征在于，所述步骤S34中，采用最大类间方差阈值分割对直方图均衡处理完的图像进行分割进行处理。
9.根据权利要求5所述的一种基于视频图像及深度学习的设备线路智能监测方法，其特征在于，所述步骤S4中进行设备线路识别时，采用减法运输监测图像设备运行状态是否发生变化，具体计算公式为：
ΔPi(x,y)＝Pi(x,y)-P(x,y)；
式中，Pi(x,y)表示当前有待进行判别处理的图像；P(x,y)表示数据库中存储的标准图像；当结果为0时，则表明当前图像无异常，设备处于正常运行状态；而当结果不为0时，则表明点前图像中电路设备存在改动，需要运维人员前去查看。
10.根据权利要求1所述的一种基于视频图像及深度学习的设备线路智能监测方法，其特征在于，所述步骤S4中，进行操作面板指示灯识别时，具体识别流程如下：
步骤S41：将预处理后的图像转化为HSV格式；
步骤S42：排出图像每个色度中的杂色；
步骤S43：合并所有无杂色的图像；
步骤S44：分析图像中元素的轮廓；
步骤S45：判断指示灯的颜色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210666558.8A CN115100562A (zh) | 2022-06-13 | 2022-06-13 | 基于视频图像及深度学习的设备线路智能监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210666558.8A CN115100562A (zh) | 2022-06-13 | 2022-06-13 | 基于视频图像及深度学习的设备线路智能监测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115100562A true CN115100562A (zh) | 2022-09-23 |
Family
ID=83291095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210666558.8A Pending CN115100562A (zh) | 2022-06-13 | 2022-06-13 | 基于视频图像及深度学习的设备线路智能监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100562A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861825A (zh) * | 2023-02-27 | 2023-03-28 | 中铁电气化局集团有限公司 | 一种基于图像识别的2c检测方法 |
| CN116939171A (zh) * | 2023-09-19 | 2023-10-24 | 南方电网数字电网研究院有限公司 | 输电线路监控方法、装置和计算机设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101977304A (zh) * | 2010-10-26 | 2011-02-16 | 西安理工大学 | 基于dsp视频处理的输电线路远程监测系统及监测方法 |
| CN111124015A (zh) * | 2019-12-26 | 2020-05-08 | 华电山东新能源有限公司莱西分公司 | 一种智能风电巡检视频监测方法 |
-
2022
- 2022-06-13 CN CN202210666558.8A patent/CN115100562A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101977304A (zh) * | 2010-10-26 | 2011-02-16 | 西安理工大学 | 基于dsp视频处理的输电线路远程监测系统及监测方法 |
| CN111124015A (zh) * | 2019-12-26 | 2020-05-08 | 华电山东新能源有限公司莱西分公司 | 一种智能风电巡检视频监测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861825A (zh) * | 2023-02-27 | 2023-03-28 | 中铁电气化局集团有限公司 | 一种基于图像识别的2c检测方法 |
| CN115861825B (zh) * | 2023-02-27 | 2023-04-25 | 中铁电气化局集团有限公司 | 一种基于图像识别的2c检测方法 |
| CN116939171A (zh) * | 2023-09-19 | 2023-10-24 | 南方电网数字电网研究院有限公司 | 输电线路监控方法、装置和计算机设备 |
| CN116939171B (zh) * | 2023-09-19 | 2024-03-26 | 南方电网数字电网研究院有限公司 | 输电线路监控方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816678B (zh) | 一种基于视觉的喷嘴雾化角度自动检测系统及方法 | |
| CN105868722A (zh) | 异常电力设备图像的识别方法及系统 | |
| CN115100562A (zh) | 基于视频图像及深度学习的设备线路智能监测系统及方法 | |
| CN113469966B (zh) | 一种基于防松线识别的列车螺栓松动检测方法 | |
| CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
| CN109391844A (zh) | 基于视频会议场景的视频质量诊断方法和系统 | |
| CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
| CN110348380A (zh) | 一种可视化接地刀闸状态视频识别系统及方法 | |
| CN112365475A (zh) | 一种基于图像处理方式的输电线路覆冰监测方法及系统 | |
| CN115802027B (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
| CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
| CN112001299A (zh) | 一种隧道车指器和照明灯故障识别方法 | |
| CN110728212A (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
| CN111818286A (zh) | 视频监控设备故障检测系统 | |
| CN212846888U (zh) | 一种金属元件识别装置 | |
| CN111028289B (zh) | 基于模板匹配的变电站内设备异物定位方法 | |
| CN111145219B (zh) | 一种基于Codebook原理的高效视频移动目标检测方法 | |
| CN109345788A (zh) | 一种基于视觉特征的监控预警系统 | |
| CN113902734A (zh) | 阴阳树脂分离控制方法及装置 | |
| CN112241707A (zh) | 一种风电场智能视频识别装置 | |
| CN109193935B (zh) | 一种基于图像处理的配电房监测方法及系统 | |
| US20030016874A1 (en) | Image analyzing method for detecting significant changes in a time sequence of images | |
| CN112907524A (zh) | 基于图像处理的铁路货车防火板故障检测方法 | |
| CN111017728A (zh) | 一种基于机器视觉的起重机制动器健康状态评估方法 | |
| Zhou et al. | Shadow suppression for vehicle target detection in open-air expressway scenes |
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 |