CN115410154A - 一种风电机舱电气设备热故障识别方法 - Google Patents
一种风电机舱电气设备热故障识别方法 Download PDFInfo
- Publication number
- CN115410154A CN115410154A CN202211050255.XA CN202211050255A CN115410154A CN 115410154 A CN115410154 A CN 115410154A CN 202211050255 A CN202211050255 A CN 202211050255A CN 115410154 A CN115410154 A CN 115410154A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- electrical equipment
- visible light
- target
- 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 34
- 238000005286 illumination Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000012800 visualization Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000004297 night vision Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种全天候、低成本的风电机舱电气设备热故障识别方法,基于光敏传感器的自适应调节摄像模组,可克服目标识别中由于夜晚造成的光照条件不足的弊端;基于红外阵列传感器的红外模组,通过温度可视化转化为红外图像,解决红外设备低成本化的问题;基于多模态的可见光红外图像配准算法,并利用图像融合技术增强图像质量,解决原始边缘细节保留不充分问题;基于深度学习的目标检测,从融合图像中分割出电气设备,并对其进行轮廓提取。本发明方法不仅能够替代人工巡检,并且相比于传统的对红外图像识别方法,更加稳定可靠,对风机机舱内部电气设备热故障规律的可靠性研究具有重要意义,对风机组运维管理优化有积极帮助。
Description
技术领域
本发明属于人工智能图像识别技术领域,具体涉及一种风电机舱电气设备热故障识别方法。
背景技术
据统计,风电机组发生事故中,第一位是叶片事故,第二位是火灾事故。这两类事故突出的特点就是现有巡检手段存在盲区,且人员巡检又无法满足高频次现场巡检要求,所以运用智能化的技术提高巡检质量,降低运维成本,是未来风电场运维的主流思路。
随着人工智能和机器视觉技术的发展,风电机舱内部电气设备热故障识别将迎来新思路和新方法。
为了提高检测效率,许多学者对红外热图像处理展开了研究,主要归为:一类是直接基于红外热图像,对红外热图像目标区域检测,根据检测出来的不同对象利用不同标准进行判断;另一类是基于可见光图像处理,在高分辨率的可见光图像中检测目标区域,再利用配准算法将可见光图像中的目标区域配准到红外热图像中,从而检测出目标区域。然而,这些检测方法还存在两方面的问题:(1)红外热图像用RGB值映射温度,红外热图像没有明显的边缘和纹理,因此,当电气设备处于复杂的环境下,直接基于红外图像分割目标区域,容易导致目标分割不准确,从而造成故障漏检;(2)红外热图像的分辨率比较低,对应细小部件其过热区域在图像中呈现区域非常小,导致过热区域漏检。
近年来,风电场运维人员在风电机舱内部安置巡检机器人,可将视频及时传递至监控中心或布置在机舱内部的边缘计算平台,亟需一种新方法利用图像融合技术结合可见光与红外图像的信息,同时利用深度学习网络识别检测目标对象。
发明内容
针对现有技术中存在的不足,本发明提供了一种基于图像融合与深度学习的风电机舱电气设备热故障识别方法,用以解决风机内部电气设备热缺陷的智能化远程巡检问题。
本发明通过以下技术手段实现上述技术目的。
一种风电机舱电气设备热故障识别方法,包括以下步骤:
S1、获取风电机舱电气设备的可见光图像、与可见光图像对应的红外温度矩阵;
S2、把红外温度矩阵可视化为红外图像,并使用双线性插值对其进行超分处理,得到高分辨率红外图像;
S3、使用生成对抗网络(Generative Adversarial Network,GAN)对可见光图像进行超分处理,得到高分辨率可见光图像;
S4、使用自适应阈值的曲率尺度空间(Curvature Scale Space,CSS)角点检测与随机抽样一致性(Random Sample Consensus,RANSAC)算法对可见光与红外图像进行角点匹配与配准;
S5、利用图像融合卷积神经网络(image fusion framework based onconvolutional neural network,IFCNN)将对应两种图像融合,同时根据光敏传感器将光照条件分为正常光照与低光照两种情况;正常光照时,以可见光100%+红外0%的比例融合;低光照时,以夜视可见光(黑白)100%+红外0%的比例融合,得到融合图像;
S6、使用labelImg软件对融合图像中的线缆接口进行标注,生成xml文件,制作标注数据集;
S7、设置深度学习网络YOLOv4训练参数,采用标注数据集对网络进行训练,得到目标电气设备网络模型,并以此检测出目标区域的瞄点框;
S8、采用Mask RCNN深度网络对含有目标区域的瞄点框进行目标分割,得到目标轮廓区域。
进一步的,S1中,所述获取电气设备的可见光图像、与可见光图像对应的红外温度矩阵,具体包括:将配有可夜视可见光相机和红外阵列传感器安装在巡检机器人上,将红外阵列传感器对准目标电气设备,同时拍摄对应可见光图像。
进一步的,S2中,红外温度矩阵为256*192规格,采用Opencv中的applyColorMap函数将温度区间映射在COLORMAP_JET色域中,最终输出红外伪彩图,完成温度可视化;双线性插值实现过程:首个像素之前插入2个点,最后一个像素之后插入1个点,但在下次插值时,应首个之前插值1个点,末个像素之后插值2个点,以达到图像平衡。
进一步的,S3中,选取ESRGAN生成对抗网络的预训练模型对可见光进行超分处理。
进一步的,S4中,CSS角点检测与RANSAC匹配算法对可见光与红外图像进行角点匹配与配准过程如下:
S4.1、提取边缘图中所有的连续轮廓并存为元胞数组;
S4.2、向另一个方向提取边缘;
S4.3、将轮廓元胞数组中的起始点存起来并判定是否为闭合轮廓;
S4.4、还原边缘图像;
S4.5、计算曲率;
S4.6、寻找曲率局部最大值作为角的候选者;
S4.7、在极值中,奇数点是最小值,偶数点是最大值;
S4.8、对不同长度的轮廓使用不同比例的曲率,设置自适应局部阈值,并对长轮廓线的绝对曲率函数进行平滑处理,与自适应局部阈值比较,去除假角;
S4.9、RANSAC算法删除误匹配点;
S4.10、得到结果。
进一步的,S6中,使用labelImg软件人工对图像中目标电气设备进行标注时,应将图像中所有清晰目标区域标注,如果图像失焦模糊,则将图片删除。
进一步的,S7中,利用YOLO v4检测目标时,置信度设为0.9。
本发明的有益效果:
(1)本发明中基于多模态的可见光红外图像配准算法,并利用图像融合技术增强图像质量,解决了原始边缘细节保留不充分的问题;
(2)本发明中基于光敏传感器的自适应调节摄像模组,可以克服目标识别中由于夜晚造成的光照条件不足的弊端;
(3)本发明中基于红外阵列传感器的红外模组,通过温度可视化转化为红外图像,解决了红外设备低成本化的问题;
(4)本发明基于深度学习的目标检测,从融合图像中分割出电气设备,并对其进行轮廓提取,上述方法不仅能够替代人工巡检,并且相比于传统的对红外图像识别方法,更加稳定可靠,以及能够在jetson nano等边缘计算平台上部署,因此整体所需的硬件成本较为低廉;
(5)本发明方法对风机机舱内部电气设备热故障规律得可靠性研究具有重要意义,对风机组运维管理优化有积极帮助。
附图说明
图1为本发明方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例及附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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的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。
实施例
参照图1,本发明实施例提供一种风电机舱电气设备热故障识别方法,包括以下步骤:
步骤一、获取风电机舱电气设备的可见光图像、与可见光图像对应的红外温度矩阵;
所述获取电气设备的可见光图像、与可见光图像对应的红外温度矩阵,具体包括:将配有可夜视可见光相机和红外阵列传感器安装在巡检机器人上,将红外阵列传感器对准目标电气设备,同时拍摄对应可见光图像。
步骤二、把红外温度矩阵可视化为红外图像,并使用双线性插值对其进行超分处理,得到高分辨率红外图像;
红外温度矩阵为256*192规格,采用Opencv中的applyColorMap函数将温度区间映射在COLORMAP_JET色域中,最终输出红外伪彩图,完成温度可视化;
双线性插值实现过程为:首个像素之前插入2个点,最后一个像素之后插入1个点,但在下次插值时,首个之前插值1个点,末个像素之后插值2个点,以达到图像平衡。
步骤三、使用ESRGAN生成对抗网络的预训练模型对可见光图像进行超分处理,得到高分辨率可见光图像。
步骤四、使用自适应阈值的曲率尺度空间(Curvature Scale Space,CSS)角点检测与随机抽样一致性(Random Sample Consensus,RANSAC)算法对可见光与红外图像进行角点匹配与配准,得到配准后的对应图像;其中,CSS角点检测与RANSAC匹配算法过程如下:
(1)提取边缘图中所有的连续轮廓并存为元胞数组;
(2)向另一个方向提取边缘;
(3)将轮廓元胞数组中的起始点存起来并判定是否为闭合轮廓;
(4)还原边缘图像;
(5)计算曲率;
(6)寻找曲率局部最大值作为角的候选者;
(7)在极值中,奇数点是最小值,偶数点是最大值;
(8)对不同长度的轮廓使用不同比例的曲率,设置自适应局部阈值,并对长轮廓线的绝对曲率函数进行平滑处理,与自适应局部阈值比较,去除假角;
(9)RANSAC算法删除误匹配点;
(10)得到结果。
步骤五、利用图像融合卷积神经网络(image fusion framework based onconvolutional neural network,IFCNN)将对应两种图像融合,同时根据光敏传感器将光照条件分为正常光照与低光照两种情况;正常光照时,以可见光100%+红外0%的比例融合;低光照时,以夜视可见光(黑白)100%+红外0%的比例融合,得到融合图像;
步骤六、使用labelImg软件对融合图像中的线缆接口进行标注,生成xml文件,制作标注数据集;使用labelImg软件人工对图像中目标电气设备进行标注时,应将图像中所有清晰目标区域标注,如果图像失焦模糊,则将图片删除。
步骤七、设置深度学习网络YOLOv4训练参数,采用标注数据集对网络进行训练,得到目标电气设备网络模型,利用YOLO v4检测目标时,置信度设为0.9,以此检测出目标区域的瞄点框;深度学习网络YOLOv4训练参数如下:
(1)max_batches最大迭代次数=2000;
(2)eaning_rate初始学习率=0.001;
(3)batch_size批处理量=64;
(4)img_size输入图片大小=416*416。
步骤八、采用Mask RCNN深度网络对含有目标区域的瞄点框进行目标分割,得到目标轮廓区域。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种风电机舱电气设备热故障识别方法,其特征在于,包括以下步骤:
S1、获取风电机舱电气设备的可见光图像、与可见光图像对应的红外温度矩阵;
S2、把红外温度矩阵可视化为红外图像,并使用双线性插值对其进行超分处理,得到高分辨率红外图像;
S3、使用生成对抗网络对可见光图像进行超分处理,得到高分辨率可见光图像;
S4、使用自适应阈值的曲率尺度空间角点检测与随机抽样一致性算法对可见光与红外图像进行角点匹配与配准;
S5、利用图像融合卷积神经网络将对应两种图像融合,同时根据光敏传感器将光照条件分为正常光照与低光照两种情况;正常光照时,以可见光100%+红外0%的比例融合;低光照时,以夜视可见光(黑白)100%+红外0%的比例融合,得到融合图像;
S6、使用labelImg软件对融合图像中的线缆接口进行标注,生成xml文件,制作标注数据集;
S7、设置深度学习网络YOLOv4训练参数,采用标注数据集对网络进行训练,得到目标电气设备网络模型,并以此检测出目标区域的瞄点框;
S8、采用Mask RCNN深度网络对含有目标区域的瞄点框进行目标分割,得到目标轮廓区域。
2.根据权利要求1所述的风电机舱电气设备热故障识别方法,其特征在于,
S1中,所述获取电气设备的可见光图像、与可见光图像对应的红外温度矩阵,具体包括:
将配有可夜视可见光相机和红外阵列传感器安装在巡检机器人上,将红外阵列传感器对准目标电气设备,同时拍摄对应可见光图像。
3.根据权利要求1所述的风电机舱电气设备热故障识别方法,其特征在于,
S2中,红外温度矩阵为256*192规格,采用Opencv中的applyColorMap函数将温度区间映射在COLORMAP_JET色域中,最终输出红外伪彩图,完成温度可视化;
双线性插值实现过程:首个像素之前插入2个点,最后一个像素之后插入1个点,但在下次插值时,应首个之前插值1个点,末个像素之后插值2个点,以达到图像平衡。
4.根据权利要求1所述的风电机舱电气设备热故障识别方法,其特征在于,
S3中,选取ESRGAN生成对抗网络的预训练模型对可见光进行超分处理。
5.根据权利要求1所述的风电机舱电气设备热故障识别方法,其特征在于,
S4中,CSS角点检测与RANSAC匹配算法对可见光与红外图像进行角点匹配与配准过程如下:
S4.1、提取边缘图中所有的连续轮廓并存为元胞数组;
S4.2、向另一个方向提取边缘;
S4.3、将轮廓元胞数组中的起始点存起来并判定是否为闭合轮廓;
S4.4、还原边缘图像;
S4.5、计算曲率;
S4.6、寻找曲率局部最大值作为角的候选者;
S4.7、在极值中,奇数点是最小值,偶数点是最大值;
S4.8、对不同长度的轮廓使用不同比例的曲率,设置自适应局部阈值,并对长轮廓线的绝对曲率函数进行平滑处理,与自适应局部阈值比较,去除假角;
S4.9、RANSAC算法删除误匹配点;
S4.10、得到结果。
6.根据权利要求1所述的风电机舱电气设备热故障识别方法,其特征在于,
S6中,使用labelImg软件人工对图像中目标电气设备进行标注时,应将图像中所有清晰目标区域标注,如果图像失焦模糊,则将图片删除。
7.根据权利要求1所述的风电机舱电气设备热故障识别方法,其特征在于,
S7中,利用YOLO v4检测目标时,置信度设为0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050255.XA CN115410154A (zh) | 2022-08-31 | 2022-08-31 | 一种风电机舱电气设备热故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050255.XA CN115410154A (zh) | 2022-08-31 | 2022-08-31 | 一种风电机舱电气设备热故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115410154A true CN115410154A (zh) | 2022-11-29 |
Family
ID=84162783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050255.XA Pending CN115410154A (zh) | 2022-08-31 | 2022-08-31 | 一种风电机舱电气设备热故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410154A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051507A (zh) * | 2023-01-28 | 2023-05-02 | 瑞纳智能设备股份有限公司 | 热力管道故障监测方法及存储介质 |
-
2022
- 2022-08-31 CN CN202211050255.XA patent/CN115410154A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051507A (zh) * | 2023-01-28 | 2023-05-02 | 瑞纳智能设备股份有限公司 | 热力管道故障监测方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN112686833B (zh) | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 | |
CN112598733B (zh) | 一种基于多模态数据融合补偿自适应优化的船舶检测方法 | |
CN111598889B (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN115359239A (zh) | 风电叶片缺陷检测定位方法、装置、存储介质和电子设备 | |
CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
CN114494908A (zh) | 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法 | |
CN112101138A (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 | |
CN110610485A (zh) | 一种基于ssim算法的特高压输电线路通道隐患预警方法 | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN107016360A (zh) | 电力变电站基于动态特征及区域融合的目标检测方法 | |
CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
CN115239646A (zh) | 输电线路的缺陷检测方法、装置、电子设备及存储介质 | |
JP6954242B2 (ja) | 定置式ガス検知装置の設置箇所の調査方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
CN116645568A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN116091472A (zh) | 一种融合可见光和红外图像的光伏组件缺陷智能检测方法 | |
CN113689399B (zh) | 一种用于电网识别遥感图像处理方法及系统 |
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 |