CN115375588B - 基于红外成像的电网变压器故障识别方法 - Google Patents
基于红外成像的电网变压器故障识别方法 Download PDFInfo
- Publication number
- CN115375588B CN115375588B CN202211306189.8A CN202211306189A CN115375588B CN 115375588 B CN115375588 B CN 115375588B CN 202211306189 A CN202211306189 A CN 202211306189A CN 115375588 B CN115375588 B CN 115375588B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- gray
- pixel point
- pixel points
- acquiring
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003331 infrared imaging Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 216
- 239000013598 vector Substances 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 239000000126 substance Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于红外成像的电网变压器故障识别方法，涉及图像处理领域，该方法包括：对电网变压器的初始红外图像进行小波变换得到高频部分的小波系数以及变换后的红外图像；获取红外图像中的异常像素点；获取异常像素点的每个邻域像素点的灰度指向向量，利用灰度指向向量得到异常像素点的灰度指向异常程度；获取异常像素点的灰度变化异常程度；利用灰度指向异常程度和灰度变化异常程度得到异常像素点的综合异常程度；获取综合异常程度大于预设的噪声点阈值的异常像素点对应的目标小波系数，去除目标小波系数对应的像素点得到异常区域，本发明能够自适应的、准确的得到电网变压器的异常区域。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及基于红外成像的电网变压器故障识别方法。
背景技术
变压器的中常见的故障主要是由于变压器上的高低压绕组绝缘老化、套管和引线接触不良导致的，长时间的接触不良会导致套管局部发热，损坏变压器，严重时会导致变压器整体发生故障，因此需要对变压器进行故障识别。
现有的对变压器进行故障识别的方法为基于红外图像进行分析确定变压器是否存在故障，但是红外图像的采集容易受到环境的影响，以及电网附近的电磁波的干扰，采集的图像中的噪声较多，再进行故障分析时，没有考虑到噪声的影响，图像中的噪声较多时，噪声的分布会干扰故障区域的识别，无法准确得到变压器的故障区域，因此，本发明提出一种基于红外成像的电网变压器故障识别方法。
发明内容
本发明提供基于红外成像的电网变压器故障识别方法，以解决现有的问题。
本发明的基于红外成像的电网变压器故障识别方法，采用如下技术方案：
获取电网变压器的初始红外图像，对初始红外图像进行小波变换得到高频部分的小波系数以及变换后的红外图像；
利用红外图像中每个像素点和邻域像素点的灰度差异得到异常像素点；
利用异常像素点的每个邻域像素点与该异常像素点之间的坐标差异和灰度差异获取每个邻域像素点的灰度指向向量，利用每个邻域像素点的灰度指向向量得到对应的异常像素点的灰度指向异常程度；
获取每个异常像素点的梯度方向，以每个异常像素点为中心建立窗口；
获取窗口中异常像素点的梯度方向上的多对相邻像素点，利用每对相邻像素点之间的灰度差值得到对应的异常像素点的灰度变化异常程度；
利用每个异常像素点的灰度指向异常程度和灰度变化异常程度得到异常像素点的综合异常程度；
获取综合异常程度大于预设的噪声点阈值的异常像素点对应的目标小波系数，获取红外图像中目标小波系数对应的噪声点并去除得到目标红外图像；
利用得到红外图像中异常像素点的方法获取目标红外图像中的异常像素点，利用目标红外图像中的异常像素点得到电网变压器的异常区域。
进一步，利用红外图像中每个像素点和邻域像素点的灰度差异得到异常像素点的步骤包括：
获取红外图像中每个像素点与邻域像素点的灰度均值；
将每个像素点的灰度值与对应的灰度均值之间的差值作为该像素点的灰度差异；
灰度差异大于设定的差异阈值的像素点为异常像素点。
进一步，获取每个邻域像素点的灰度指向向量的公式为：
其中，
表示异常像素点的第
个邻域像素点的灰度指向向量；
表示第
个邻域像素点的坐标；
表示第
个邻域像素点对应的异常像素点的坐标；
表示第
个邻域像素点的灰度值；
表示第
个邻域像素点对应的异常像素点的灰度值。
进一步，利用每个邻域像素点的灰度指向向量得到对应的异常像素点的灰度指向异常程度的步骤包括：
利用异常像素点的每个邻域像素点的灰度指向向量得到每个邻域像素点的灰度指向；
获取邻域像素点中灰度指向朝向对应的异常像素点的数量和灰度指向朝向邻域像素点的数量；
将朝向异常像素点的数量和朝向邻域像素点的数量之间的差异占邻域像素点总数量的比值作为该异常像素点的灰度指向异常程度。
进一步，计算异常像素点的灰度变化异常程度的公式为：
其中，
表示第
个异常像素点的灰度变化异常程度；
、
表示第
个异常像素点的窗口内与异常像素点的梯度方向相等的相邻像素点的灰度值；
表示第
个异常像素点的窗口内与异常像素点的梯度方向相等的相邻像素点的点对数量；
表示归一化。
进一步，将异常像素点的灰度指向异常程度和灰度变化异常程度相加得到异常像素点的综合异常程度。
进一步，获取每个异常像素点的梯度方向的步骤包括：
获取每个异常像素点在横向和纵向的灰度导数值；
利用横向和纵向的灰度导数值的反正切函数得到异常像素点的梯度向量角；
利用梯度向量角得到异常像素点的梯度方向。
本发明的有益效果是：本发明的基于红外成像的电网变压器故障识别方法，通过获取电网变压器的红外图像进行故障识别，由于噪声与变压器的红外值即红外图像中的灰度值差异较大，所以能够清楚的识别噪声点并去除，使得故障识别的结果更准确；利用小波变换对红外图像进行滤波降噪可以去除一部分噪声，并且可以根据后续得到的噪声点对应的小波系数尽可能的去除红外图像中未通过灰度差异识别到的噪声点，达到了更好的去噪效果；本方案能够通过异常像素点的邻域像素点的灰度差异以及梯度方向上的灰度变化异常程度，自适应的得到噪声点阈值，能够自适应的去噪，提高图像质量，使得后续故障识别结果更准确。
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为本发明的基于红外成像的电网变压器故障识别方法的实施例总体步骤的流程图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的基于红外成像的电网变压器故障识别方法的实施例，如图1所示，该方法包括：
S1、获取电网变压器的初始红外图像，对初始红外图像进行小波变换得到高频部分的小波系数以及变换后的红外图像。
具体的，利用无人机巡航采集电网变压器的初始红外图像。
由于无人机巡航采集图像大部分在夜间进行，电网变压器的红外图像相对于RGB图像能够更好的显示出图像中的故障信息，所以本方案利用红外图像进行分析。但是红外图像的采集容易受相机参数的影响、变压器附近的电磁干扰，以及环境中的粉尘影响，使得到的图像中噪声点较多，影响后续通过红外图像进行故障分析。
因此对采集到的初始红外图像利用小波变化进行滤波去噪得到滤波后的红外图像，并获取小波变化后红外图像中高频部分的小波系数，高频部分的小波系数包括噪声和异常像素点对应的小波系数，需要应用于后续分析。
S2、利用红外图像中每个像素点和邻域像素点的灰度差异得到异常像素点。
具体的，以红外图像中每个像素点为窗口中心建立尺寸为3*3的窗口，获取每个窗口中像素点的灰度值均值，根据下式计算每个像素点和邻域像素点的灰度差异：
其中，
表示第
个像素点和邻域像素点的灰度差异；
表示第
个像素点的灰度值，即第
个像素点的窗口内中心像素点的灰度值；
表示第
个像素点的窗口内像素点的灰度值均值。需要说明的是，窗口内的中心像素点与邻域像素点的灰度均值之间的灰度差异越大，该中心像素点越有可能为异常像素点。
根据经验设定差异阈值为30，若像素点的灰度差异大于30，则该像素点为异常像素点，若像素点灰度差异不大于30，则该像素点为正常像素点。
此时得到的异常像素点包括红外图像中的噪声点和故障导致的异常区域的异常像素点，故障导致的异常像素点记为故障点。
S3、利用异常像素点的每个邻域像素点与该异常像素点之间的坐标差异和灰度差异获取每个邻域像素点的灰度指向向量，利用每个邻域像素点的灰度指向向量得到对应的异常像素点的灰度指向异常程度。
根据每个异常像素点的窗口中像素点的灰度值和坐标确定异常像素点的每个邻域像素点的灰度指向向量，获取每个邻域像素点的灰度指向向量的公式为：
其中，
表示异常像素点的第
个邻域像素点的灰度指向向量；
表示第
个邻域像素点的坐标；
表示第
个邻域像素点对应的异常像素点的坐标；
表示第
个邻域像素点的灰度值；
表示第
个邻域像素点对应的异常像素点的灰度值。
表示邻域像素点和对应的异常像素点坐标之间的差异，
表示邻域像素点和对应的异常像素点灰度差异的正负指向。
利用异常像素点的每个邻域像素点的灰度指向向量得到每个邻域像素点的灰度指向，获取邻域像素点中灰度指向朝向对应的异常像素点的数量
和灰度指向朝向邻域像素点的数量
，将朝向异常像素点的数量和朝向邻域像素点的数量之间的差异占邻域像素点总数量的比值作为该异常像素点的灰度指向异常程度，根据下式计算每个异常像素点的灰度指向异常程度：
其中，
表示第
个异常像素点的灰度指向异常程度；
表示异常像素点的邻域像素点中灰度指向朝向异常像素点的数量；
表示异常像素点的邻域像素点中灰度指向朝向邻域像素点的数量，每个异常像素点的窗口中包含8个邻域像素点。
需要说明的是，
的值越接近于1，说明邻域像素点与该异常像素点之间的相关性越低，所以该异常像素点为噪声点的概率就越大。
S4、获取每个异常像素点的梯度方向，以每个异常像素点为中心建立窗口；获取窗口中异常像素点的梯度方向上的多对相邻像素点，利用每对相邻像素点之间的灰度差值得到对应的异常像素点的灰度变化异常程度。
具体的，对红外图像中每个异常像素点在窗口内进行
和
方向的求导，认为
和
方向的灰度变化是连续的，
、
分别为异常像素点在
和
方向上的灰度的导数值，利用
,
表示异常像素点的梯度向量，根据下式计算异常像素点的梯度向量角：
其中，
表示异常像素点的梯度向量角；
、
分别为异常像素点在
和
方向上的灰度的导数值。
利用梯度向量角得到梯度方向。
以每个异常像素点为中心建立7*7的窗口，根据窗口内像素点的位置和灰度值计算异常像素点的灰度变化异常程度，获取窗口中异常像素点的梯度方向上的多对相邻像素点，利用每对相邻像素点之间的灰度差值得到对应的异常像素点的灰度变化异常程度，具体计算异常像素点的灰度变化异常程度的公式为：
其中，
表示第
个异常像素点的灰度变化异常程度；
、
表示第
个异常像素点的窗口内与异常像素点的梯度方向相等的相邻像素点的灰度值，例如梯度方向为45°，则
为窗口中第
个邻域像素点45°方向上相邻的像素点；
表示第
个异常像素点的窗口内与异常像素点的梯度方向相等的相邻像素点的点对数量，
、
为一对相邻像素点的点对；
表示归一化，
表示窗口中梯度方向上相邻像素点之间的灰度差异的均值，
表示窗口中梯度方向上相邻像素点之间的灰度差异的方差，通过方差表示异常像素点的灰度变化异常程度，方差越小，窗口中梯度方向上相邻像素点的灰度变化越均匀，方差越大，窗口中梯度方向上相邻像素点的灰度灰度变化异常程度越大。
S5、利用每个异常像素点的灰度指向异常程度和灰度变化异常程度得到异常像素点的综合异常程度；获取综合异常程度大于预设的噪声点阈值的异常像素点对应的目标小波系数，获取红外图像中目标小波系数对应的噪声点并去除得到目标红外图像。
异常像素点包括红外图像中的故障点和噪声点，红外图像中的噪声点与邻域像素点均存在梯度差异，且与邻域像素点的灰度之间的相关性较低，所以可以根据异常像素点的邻域像素点的灰度值得到灰度指向异常程度。由于噪声点和故障点之间的灰度差异和邻域周围像素点之间的灰度变化的特征量之间的不同，所以利用图像中的异常像素点与邻域像素点之间的灰度差异判断异常像素点和邻域之间的灰度变化特征，对图像中的异常像素点进行进一步的评估。一般的，图像中的噪声点与邻域像素点之间的灰度变化异常程度较大，而图像中的故障点与邻域像素点之间的灰度变化相对于噪声点更为平缓，但是大于正常像素点与邻域像素点之间的灰度变化异常程度。进而通过异常像素点的灰度指向异常程度和灰度变化异常程度得到异常像素点的综合异常程度。
根据下式计算每个异常像素点的综合异常程度：
其中，
表示第
个异常像素点的综合异常程度；
表示第
个异常像素点的灰度指向异常程度；
表示第
个异常像素点的灰度变化异常程度。
设定噪声点阈值为1，认为综合异常程度大于噪声点阈值1的异常像素点为噪声点，获取红外图像中综合异常程度大于噪声点阈值的异常像素点对应的小波系数作为目标小波系数，获取红外图像中目标小波系数对应的所有像素点并去除得到目标红外图像。
需要说明的是，目标小波系数对应的像素点为红外图像中的噪声点，利用综合异常程度大于噪声点阈值1的异常像素点，即噪声点对应的小波系数尽可能的去除红外图像中未通过灰度差异识别到的噪声点，达到了更好的去噪效果。
S6、利用得到红外图像中异常像素点的方法获取目标红外图像中的异常像素点，利用目标红外图像中的异常像素点得到电网变压器的异常区域。
具体的，利用得到红外图像中异常像素点的方法获取目标红外图像中的异常像素点，去除掉噪声点后，目标红外图像中的异常像素点即故障点，利用目标红外图像中的异常像素点得到异常区域，此时得到的异常区域即电网变压器的故障区域。
综上所述，本发明提供基于红外成像的电网变压器故障识别方法，通过获取电网变压器的红外图像进行故障识别，由于噪声与变压器的红外值即红外图像中的灰度值差异较大，所以能够清楚的识别噪声点并去除，使得故障识别的结果更准确；利用小波变换对红外图像进行滤波降噪可以去除一部分噪声，并且可以根据后续得到的噪声点对应的小波系数尽可能的去除红外图像中未通过灰度差异识别到的噪声点，达到了更好的去噪效果；本方案能够通过异常像素点的邻域像素点的灰度差异以及梯度方向上的灰度变化异常程度，自适应的得到噪声点阈值，能够自适应的去噪，提高图像质量，使得后续故障识别结果更准确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.基于红外成像的电网变压器故障识别方法，其特征在于：
获取电网变压器的初始红外图像，对初始红外图像进行小波变换得到高频部分的小波系数以及变换后的红外图像；
利用红外图像中每个像素点和邻域像素点的灰度差异得到异常像素点；
利用异常像素点的每个邻域像素点与该异常像素点之间的坐标差异和灰度差异获取每个邻域像素点的灰度指向向量，得到每个邻域像素点的灰度指向向量的公式为：
其中，
表示异常像素点的第
个邻域像素点的灰度指向向量；
表示第
个邻域像
素点的坐标；
表示第
个邻域像素点对应的异常像素点的坐标；
表示第
个邻域像
素点的灰度值；
表示第
个邻域像素点对应的异常像素点的灰度值；
利用异常像素点的每个邻域像素点的灰度指向向量得到每个邻域像素点的灰度指向；
获取邻域像素点中灰度指向朝向对应的异常像素点的数量和灰度指向朝向邻域像素点的数量；
将朝向异常像素点的数量和朝向邻域像素点的数量之间的差异占邻域像素点总数量的比值作为该异常像素点的灰度指向异常程度；
获取每个异常像素点的梯度方向，以每个异常像素点为中心建立窗口；
获取窗口中异常像素点的梯度方向上的多对相邻像素点，利用每对相邻像素点之间的灰度差值得到对应的异常像素点的灰度变化异常程度，获取异常像素点的灰度变化异常程度的公式为：
其中，
表示第
个异常像素点的灰度变化异常程度；
、
表示第
个异常像素点的
窗口内与异常像素点的梯度方向相等的相邻像素点的灰度值；
表示第
个异常像素点的
窗口内与异常像素点的梯度方向相等的相邻像素点的点对数量；
为归一化函数；
利用每个异常像素点的灰度指向异常程度和灰度变化异常程度得到异常像素点的综合异常程度；
获取综合异常程度大于预设的噪声点阈值的异常像素点对应的目标小波系数，获取红外图像中目标小波系数对应的噪声点并去除得到目标红外图像；
利用得到红外图像中异常像素点的方法获取目标红外图像中的异常像素点，利用目标红外图像中的异常像素点得到电网变压器的异常区域。
2.根据权利要求1所述的基于红外成像的电网变压器故障识别方法，其特征在于，利用红外图像中每个像素点和邻域像素点的灰度差异得到异常像素点的步骤包括：
获取红外图像中每个像素点与邻域像素点的灰度均值；
将每个像素点的灰度值与对应的灰度均值之间的差值作为该像素点的灰度差异；
灰度差异大于设定的差异阈值的像素点为异常像素点。
3.根据权利要求1所述的基于红外成像的电网变压器故障识别方法，其特征在于，将异常像素点的灰度指向异常程度和灰度变化异常程度相加得到异常像素点的综合异常程度。
4.根据权利要求1所述的基于红外成像的电网变压器故障识别方法，其特征在于，获取每个异常像素点的梯度方向的步骤包括：
获取每个异常像素点在横向和纵向的灰度导数值；
利用横向和纵向的灰度导数值的反正切函数得到异常像素点的梯度向量角；
利用梯度向量角得到异常像素点的梯度方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211306189.8A CN115375588B (zh) | 2022-10-25 | 2022-10-25 | 基于红外成像的电网变压器故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211306189.8A CN115375588B (zh) | 2022-10-25 | 2022-10-25 | 基于红外成像的电网变压器故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115375588A CN115375588A (zh) | 2022-11-22 |
| CN115375588B true CN115375588B (zh) | 2023-02-07 |
Family
ID=84072915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211306189.8A Active CN115375588B (zh) | 2022-10-25 | 2022-10-25 | 基于红外成像的电网变压器故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115375588B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109604B (zh) * | 2023-02-21 | 2023-11-07 | 天合光能(宿迁)光电有限公司 | 用于TOPCon结构太阳能电池板的栅线检测方法 |
| CN116433035B (zh) * | 2023-06-13 | 2023-09-15 | 中科数创(临沂)数字科技有限公司 | 一种基于人工智能的建筑电气火灾风险评估预测方法 |
| CN116542976B (zh) * | 2023-07-06 | 2023-09-08 | 深圳市佳合丰科技有限公司 | 一种模切件缺陷的视觉检测系统 |
| CN116630327B (zh) * | 2023-07-25 | 2023-09-26 | 江苏太湖锅炉股份有限公司 | 基于热力图的锅炉状态异常监测系统 |
| CN117036354B (zh) * | 2023-10-09 | 2024-02-02 | 深圳市魔样科技有限公司 | 一种智能戒指显示屏幕检测方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000010457A1 (en) * | 1998-08-07 | 2000-03-02 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
| JP2000137804A (ja) * | 1998-09-18 | 2000-05-16 | Dainippon Screen Eng Of America Inc | デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体 |
| CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
| WO2017096814A1 (zh) * | 2015-12-07 | 2017-06-15 | 乐视控股（北京）有限公司 | 一种图像处理方法及装置 |
| CN110942458A (zh) * | 2019-12-06 | 2020-03-31 | 汕头大学 | 一种温度异常缺陷检测定位方法及系统 |
| CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
| CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
| CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
| CN114445386A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳三江橡塑有限公司 | 一种基于人工智能的pvc管件质量检测评估方法及系统 |
| CN114897894A (zh) * | 2022-07-11 | 2022-08-12 | 海门市芳华纺织有限公司 | 一种筒纱菊花芯缺陷检测方法 |
| CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
| CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
| CN114972343A (zh) * | 2022-07-29 | 2022-08-30 | 山东睿鑫激光科技有限公司 | 一种激光焊接产品生产异常检测方法 |
| CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
| CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
| CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
| CN115082763A (zh) * | 2022-08-22 | 2022-09-20 | 江苏安弘电气有限公司 | 一种隔离换向开关状态识别方法及系统 |
| CN115115645A (zh) * | 2022-08-30 | 2022-09-27 | 南通林德安全设备科技有限公司 | 一种舌像腐腻特征数据识别检测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998355B (zh) * | 2022-08-08 | 2023-06-30 | 江苏京德新材料有限公司 | 一种密封橡胶圈的生产缺陷识别方法及装置 |
| CN114998356A (zh) * | 2022-08-08 | 2022-09-02 | 山东恩信特种车辆制造有限公司 | 一种基于图像处理的车桥缺陷检测方法 |
| CN115063620B (zh) * | 2022-08-19 | 2023-11-28 | 启东市海信机械有限公司 | 一种基于比特分层罗茨风机轴承磨损检测方法 |
| CN115222741B (zh) * | 2022-09-20 | 2023-02-28 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
-
2022
- 2022-10-25 CN CN202211306189.8A patent/CN115375588B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000010457A1 (en) * | 1998-08-07 | 2000-03-02 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
| JP2000137804A (ja) * | 1998-09-18 | 2000-05-16 | Dainippon Screen Eng Of America Inc | デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体 |
| WO2017096814A1 (zh) * | 2015-12-07 | 2017-06-15 | 乐视控股（北京）有限公司 | 一种图像处理方法及装置 |
| CN106296655A (zh) * | 2016-07-27 | 2017-01-04 | 西安电子科技大学 | 基于自适应权值和高频阈值的sar图像变化检测方法 |
| CN110942458A (zh) * | 2019-12-06 | 2020-03-31 | 汕头大学 | 一种温度异常缺陷检测定位方法及系统 |
| CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
| CN114445386A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳三江橡塑有限公司 | 一种基于人工智能的pvc管件质量检测评估方法及系统 |
| CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
| CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
| CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
| CN114897894A (zh) * | 2022-07-11 | 2022-08-12 | 海门市芳华纺织有限公司 | 一种筒纱菊花芯缺陷检测方法 |
| CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
| CN114972343A (zh) * | 2022-07-29 | 2022-08-30 | 山东睿鑫激光科技有限公司 | 一种激光焊接产品生产异常检测方法 |
| CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
| CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
| CN115082763A (zh) * | 2022-08-22 | 2022-09-20 | 江苏安弘电气有限公司 | 一种隔离换向开关状态识别方法及系统 |
| CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
| CN115115645A (zh) * | 2022-08-30 | 2022-09-27 | 南通林德安全设备科技有限公司 | 一种舌像腐腻特征数据识别检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Fault diagnosis of electric transformers based on infrared image processing and semi-supervised learning;Jian Fang等;《Global Energy Interconnection》;20211231;第4卷(第6期);596-607 * |
| 变压器红外图像处理与热缺陷区域识别;邓超迪;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220115;第2022年卷(第1期);C042-840 * |
| 基于红外图像数据融合的变压器故障诊断研究;樊繁;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220215;第2022年卷(第2期);C042-436 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115375588A (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115375588B (zh) | 基于红外成像的电网变压器故障识别方法 | |
| CN109035166B (zh) | 基于非下采样剪切波变换的电气设备红外图像增强方法 | |
| CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
| CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
| CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
| 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 | |
| CN109377450B (zh) | 一种边缘保护的去噪方法 | |
| CN108108772B (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
| CN115345802B (zh) | 一种机电设备运行状态远程监控方法 | |
| CN106991661B (zh) | 融合kl变换与灰色关联度的非局部均值去噪方法 | |
| CN107507215B (zh) | 一种基于自适应量化增强的电力设备红外热图分割方法 | |
| CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
| CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
| CN111161177A (zh) | 图像自适应降噪方法和装置 | |
| CN116228775B (zh) | 基于机器视觉的接触器完整性检测方法 | |
| CN105205829A (zh) | 基于改进的二维Otsu的变电站红外图像分割方法 | |
| CN113221614A (zh) | 一种基于混合神经网络的电网绝缘子破损图像识别方法 | |
| CN116543238A (zh) | 一种电缆绝缘层的图像检测方法 | |
| CN115439319A (zh) | 一种电滑线防护装置裸露检测方法 | |
| CN112819843B (zh) | 一种夜间电力线的提取方法及系统 | |
| CN113643234B (zh) | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 | |
| CN115689940A (zh) | 输电线路绝缘子覆雪识别方法、装置及电子设备 | |
| CN113920476A (zh) | 一种基于分割和颜色相结合的图像识别方法及系统 | |
| CN111260589B (zh) | 基于Retinex的输电线路监控图像去雾方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Fault identification method for power grid transformers based on infrared imaging Effective date of registration: 20231214 Granted publication date: 20230207 Pledgee: Jinxiang County sub branch of Postal Savings Bank of China Ltd. Pledgor: Shandong Qisheng Electric Co.,Ltd. Registration number: Y2023980071770 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |