CN115527161B - 异常放电监测方法、装置、计算机设备和存储介质 - Google Patents
异常放电监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115527161B CN115527161B CN202211107571.6A CN202211107571A CN115527161B CN 115527161 B CN115527161 B CN 115527161B CN 202211107571 A CN202211107571 A CN 202211107571A CN 115527161 B CN115527161 B CN 115527161B
- Authority
- CN
- China
- Prior art keywords
- spot area
- light spot
- discharge
- area
- discharge light
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000003702 image correction Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 57
- 238000001914 filtration Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 62
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000003384 imaging method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000873 masking effect Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请涉及一种异常放电监测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取换流阀表面放电的目标图像;对目标图像进行图像处理,得到第一放电光斑区域;通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域;确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例;在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。采用本方法能够快速地监测换流阀的异常放电现象。
Description
技术领域
本申请涉及电力系统技术领域,特别是涉及一种异常放电监测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
换流阀是直流输电工程的核心设备,通过依次将三相交流电压连接到直流端得到期望的直流电压和实现对功率的控制。换流阀在运行时,换流阀元器件、连接金具、连接导线等,由于长时间承受交直流复合高电压的作用,而可能出现电晕放电现象,从而影响换流阀的正常运行。电晕放电是换流阀的严重安全隐患,危害到换流阀的使用寿命和设备安全,严重时可能会引发火灾造成大量的经济损失。因此,及时地发现换流阀的异常放电可以大大提高设备的安全性。
目前通常采用的换流阀异常放电监测方法是紫外成像法,在换流阀阀厅内使用紫外成像法对高压设备进行在线监测。紫外成像法是一种无需停电,无需直接与设备接触,抗干扰能力强的在线监测方法,能够更加直观地监测到换流阀的异常放电现象,及时地反映换流阀的放电情况。
然而,由于阀厅内高压设备种类多、电压高、体积大,紫外成像探头安装位置固定等原因,目前的紫外成像法不能全方位地对换流阀进行监测,使得监测画面存在死角,导致监测系统不能及时地对运维人员发出预警,错过第一时间发现换流阀异常放电的机会,最终对换流阀造成更大的损伤,严重危害到换流阀的正常运行。
发明内容
基于此,有必要针对上述技术问题,提供一种能够快速地监测换流阀的异常放电现象的异常放电监测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种异常放电监测方法。所述方法包括:
获取换流阀表面放电的目标图像;
对目标图像进行图像处理,得到第一放电光斑区域;
通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域;
确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例;
在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
在其中一个实施例中,所述方法还包括在比例小于比例阈值的情况下,根据第二放电光斑区域,查找到与第一放电光斑区域对应的待填充像素点,使用纹理合成的方式填充待填充像素点,得到第三放电光斑区域;计算与第三放电光斑区域对应的光子数,以基于与第三放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
在其中一个实施例中,使用纹理合成的方式填充待填充像素点,得到第三放电光斑区域,包括:确定过滤之前的第一放电光斑区域中像素值已知的多个目标像素点,并确定与各目标像素点分别对应的邻域,根据与各目标像素点分别对应的邻域生成多个真实矩阵;确定过滤之前的第一放电光斑区域中与待填充像素点对应的邻域,并生成填充矩阵;计算填充矩阵分别与每个真实矩阵的相似度;将满足相似度条件的真实矩阵所对应的目标像素点的集合,作为匹配点集合;将匹配点集合中的任一个匹配点的像素值,作为第一放电光斑区域中的待填充像素点的像素值,得到第三放电光斑区域。
在其中一个实施例中,通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域,包括:通过图像修正模型,对第一放电光斑区域进行特征提取,得到第一特征值,第一特征值包括第一放电光斑区域的第一重心坐标和轮廓特征点坐标;根据第一特征值,确定第二特征值,第二特征值包括第二重心坐标、半长轴、半短轴和半焦距;根据第二特征值,得到第二放电光斑区域。
在其中一个实施例中,确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例,包括:根据第一特征值,计算第一放电光斑区域的面积;根据第二特征值,计算第二放电光斑区域的面积;将第一放电光斑区域的面积除以第二放电光斑区域的面积,得到第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例。
在其中一个实施例中,图像修正模型的训练方式包括:获取换流阀的样本图像和标准图像,样本图像为换流阀在正常放电或异常放电的情况下的图像,标准图像为换流阀在正常放电的情况下的图像;对样本图像进行图像处理,得到第一样本放电光斑区域,对标准图像进行图像处理,得到第一标准放电光斑区域;将第一样本放电光斑区域输入至待训练的图像修正模型,得到第二样本放电光斑区域;将第一标准放电光斑区域输入至待训练的图像修正模型,得到第二标准放电光斑区域;朝着最小化第二样本放电光斑区域和第二标准放电光斑区域的差异的方向,对待训练的图像修正模型进行训练,直至达到训练停止条件时停止,得到图像修正模型。
第二方面,本申请还提供了一种异常放电监测装置。所述装置包括:
获取模块,用于获取换流阀表面放电的目标图像;
处理模块,用于对目标图像进行图像处理,得到第一放电光斑区域;
修正模块,用于通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域;
确定模块,用于确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例;
计算模块,用于在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取换流阀表面放电的目标图像;
对目标图像进行图像处理,得到第一放电光斑区域;
通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域;
确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例;
在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取换流阀表面放电的目标图像;
对目标图像进行图像处理,得到第一放电光斑区域;
通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域;
确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例;
在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取换流阀表面放电的目标图像;
对目标图像进行图像处理,得到第一放电光斑区域;
通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域;
确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例;
在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
上述异常放电监测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取换流阀表面放电的目标图像,对目标图像进行图像处理,得到第一放电光斑区域,通过对图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域,确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例,在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况,从而能够达到快速地监测换流阀的异常放电现象的目的。
附图说明
图1为一个实施例中异常放电监测方法的应用环境图;
图2为一个实施例中异常放电监测方法的流程示意图;
图3为一个实施例中填充步骤的流程示意图;
图4为另一个实施例中填充步骤的示意图;
图5为另一个实施例中异常放电监测方法的流程示意图;
图6为另一个实施例中图像处理步骤的流程示意图;
图7为另一个实施例中神经网络的内部结构图;
图8为一个实施例中异常放电监测装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的异常放电监测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102可单独执行本申请实施例提供的异常放电监测方法,终端102和服务器104也可协同执行本申请实施例提供的异常放电监测方法。
当终端102单独执行异常放电监测方法时,终端102获取换流阀表面放电的目标图像;对目标图像进行图像处理,得到第一放电光斑区域;通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域;确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例;在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
当终端102和服务器104协同执行异常放电监测方法时,终端102获取换流阀表面放电的目标图像,并将目标图像发送至服务器104。服务器104对目标图像进行图像处理,得到第一放电光斑区域;通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域;确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例;在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
应当理解的是,本申请实施例中使用的“第一”、“第二”、“第三”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。除非上下文另外清楚地指出,否则单数形式的“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。
在一个实施例中,如图2所示,提供了一种异常放电监测方法,该方法可以由终端或服务器单独执行,也可以由终端和服务器协同执行。以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取换流阀表面放电的目标图像。
其中,目标图像是待检测的反映换流阀表面放电的图像。目标图像可以是由紫外成像探头对换流阀表面放电拍摄得到的紫外图像,并且为RGB图像。目标图像可以是由紫外成像探头分别对换流阀正面放电、侧面放电、背面放电等多个表面放电拍摄得到的多张紫外图像。
可选地,通过安装在阀厅的至少一个紫外成像探头采集换流阀表面放电的紫外图像,并将紫外图像发送至终端,终端获取紫外图像。
步骤204,对目标图像进行图像处理,得到第一放电光斑区域。
其中,第一放电光斑区域是对目标图像进行灰度处理、二值化处理和滤波处理后得到的第一图像中包括放电光斑的区域。第一放电光斑区域由白色像素点和黑色像素点组成,其中,白色像素点表征发生放电产生的光子,黑色像素点表征光子以外的外界环境。
可选地,终端对目标图像进行灰度处理,将目标图像由RGB图像转化为灰度图像;调节灰度图像的对比度,以使得灰度图像中各像素点之间的灰度差更加明显,得到调节后的灰度图像;对调节后的灰度图像进行二值化处理,得到由白色像素点和黑色像素点组成的二值化数字图像;并通过数学形态学(例如先采用腐蚀算法后采用膨胀算法)对二值化数字图像进行滤波处理,将二值化数字图像中的毛刺和白噪声等过滤掉,以使得第一放电光斑区域更加集中,得到第一图像,第一图像包括第一放电光斑区域。
步骤206,通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域。
其中,图像修正模型为训练完成的神经网络模型,用于修正图像,也就是对信息显示不完整的图像进行修正,以达到还原图像的目的。第二放电光斑区域是将第一图像输入至图像修正模型,由图像修正模型输出的第二图像中包括放电光斑的区域。第二放电光斑区域由白色像素点和黑色像素点组成,并且第二放电光斑区域中的白色像素点的数量比第一放电光斑区域中的白色像素点的数量更多,也就是第二放电光斑区域的面积比第一放电光斑区域的面积更大。因此,第二放电光斑区域能够显示比第一放电光斑区域更完整的图像信息。
可选地,终端通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域。
步骤208,确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例。
其中,第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例小于1,即第一放电光斑区域的面积比第二放电光斑区域的面积小。第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例越大,表征第一放电光斑区域所反映的换流阀异常放电的信息越完整。
可选地,终端分别计算第一放电光斑区域的面积和第二放电光斑区域的面积,并计算得到第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例。
步骤210,在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
其中,比例阈值是根据监测需求预先设定的,可以是一个数值(例如90%),也可以是一个数值范围(例如大于80%并且小于等于90%),本申请实施例对此不作限定。与第一放电光斑区域对应的光子数是指过滤之前的第一放电光斑区域中白色像素点的数量,也就是对目标图像进行二值化处理之后并且滤波处理之前的图像(即上述的二值化数字图像)中所包括的白色像素点的数量。与第一放电光斑区域对应的光子数和第一放电光斑区域的面积通常均与换流阀的异常放电强度成正比,光子数越多,第一放电光斑区域的面积,异常放电强度越大。
在第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例不小于比例阈值的情况下,表征第一放电光斑区域所反映的换流阀异常放电的信息完整,此时,与第一放电光斑区域对应的光子数、第一放电光斑区域的面积能够用于评估换流阀的异常放电情况。
可选地,终端在第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
上述异常放电监测方法中,通过获取换流阀表面放电的目标图像,对目标图像进行图像处理,得到第一放电光斑区域,通过对图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域,确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例,在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况,从而能够达到快速地监测换流阀的异常放电现象的目的。
在一个实施例中,异常放电监测方法还包括在比例小于比例阈值的情况下,根据第二放电光斑区域,查找到与第一放电光斑区域对应的待填充像素点,使用纹理合成的方式填充待填充像素点,得到第三放电光斑区域;计算与第三放电光斑区域对应的光子数,以基于与第三放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
其中,与第一放电光斑区域对应的待填充像素点是过滤之前的第一放电光斑区域中的待填充像素点,待填充像素点的像素值是未知的(即无法确定待填充像素点是黑色像素点还是白色像素点),无法反映换流阀异常放电信息。第三放电光斑区域是对过滤之前的第一放电光斑区域中的待填充像素点填充后得到的包括放电光斑的区域,第三放电光斑区域所反映的换流阀异常放电的信息比第一放电光斑区域所反映的换流阀异常放电的信息更完整。与第三放电光斑区域对应的光子数是指第三放电光斑区域中白色像素点的数量。
在第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例小于比例阈值的情况下,表征第一放电光斑区域所反映的换流阀异常放电的信息不完整,此时,与第一放电光斑区域对应的光子数、第一放电光斑区域的面积不能够直接用于评估换流阀的异常放电情况。
可选地,终端在比例小于比例阈值的情况下,比较第二放电光斑区域和第一放电光斑区域,确定第二放电光斑区域和第一放电光斑区域的差异部分,即在第一放电光斑区域中差异部分所包括的像素点的像素值是未知的(像素值无法确定为0还是1)、并且在第二放电光斑区域中差异部分所包括的像素点的像素值是已知的(像素值可以确定为0或1),并确定过滤之前的第一放电光斑区域中与在第一放电光斑区域中差异部分所包括的像素点对应的像素点,并将确定出的过滤之前的第一放电光斑区域中与在第一放电光斑区域中差异部分所包括的像素点对应的像素点作为待填充像素点;使用纹理合成的方式填充待填充像素点,得到第三放电光斑区域;计算与第三放电光斑区域对应的光子数,以基于与第三放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
本实施例中,通过在比例小于比例阈值的情况下,根据第二放电光斑区域,查找到与第一放电光斑区域对应的待填充像素点,使用纹理合成的方式填充待填充像素点,得到第三放电光斑区域;计算与第三放电光斑区域对应的光子数,以基于与第三放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况,从而能够达到快速地监测换流阀的异常放电现象的目的。
在一个实施例中,如图3所示,使用纹理合成的方式填充待填充像素点,得到第三放电光斑区域,包括:
步骤302,确定过滤之前的第一放电光斑区域中像素值已知的多个目标像素点,并确定与各目标像素点分别对应的邻域,根据与各目标像素点分别对应的邻域生成多个真实矩阵。
其中,目标像素点为与待填充像素点相邻或与待填充像素点的距离小于预设距离的像素点,且目标像素点的像素值是已知的。邻域是一个远小于图像本身尺寸、形状规则的像素块,如2×2正方形、2×3矩形等。以某个像素点(i,j)为重心,处于其上、下、左、右4个方向上的像素点称为该像素点的4个邻点,这4个邻点的集合构成了像素点(i,j)的邻域,邻域的尺寸为3×3;以某个像素点(i,j)为重心,处于其上、下、左、右、左上、右上、左下和右下这8个方向上的像素点称为该像素点的8个邻点,这8个邻点的集合构成了像素点(i,j)的邻域,邻域的尺寸为3×3。真实矩阵是根据与目标像素点对应的邻域生成的矩阵,真实矩阵所包括的元素的数量和与目标像素点对应的邻域所包括的元素的数量相同。例如,与目标像素点对应的邻域的尺寸为3×3,则真实矩阵为3×3的矩阵。
可选地,终端确定过滤之前的第一放电光斑区域中的真实放电区域,真实放电区域为多个目标像素点的集合,并确定与各目标像素点分别对应的邻域的尺寸;对于每个目标像素点,根据与目标像素点对应的邻域的尺寸,确定与目标像素点对应的邻域;根据与各目标像素点分别对应的邻域,生成多个真实矩阵。
如图4所示,以与各目标像素点分别对应的邻域的尺寸为m×n,生成多个真实矩阵为例。图4中显示了使用纹理合成的方式填充待填充像素点,图中左图是图像修正模型的输出图像,即第二放电光斑区域;右图是是经过二值化、并且不经过滤波处理的神经网络的输入图像,即过滤之前的第一放电光斑区域,且右图显示了利用模板匹配的方式提取真实放电区域内像素点邻域的对应矩阵和待填充像素点邻域的对应矩阵。
其中,i和j表示与各目标像素点分别对应的邻域中任一像素点的位置,m和n表示与各目标像素点分别对应的邻域的尺寸,真实矩阵中各元素ai,j的值为对应像素点在与各目标像素点分别对应的邻域中的数值,为0或1。
步骤304,确定过滤之前的第一放电光斑区域中与待填充像素点对应的邻域,并生成填充矩阵。
其中,填充矩阵是根据与待填充像素点对应的邻域生成的矩阵,填充矩阵所包括的元素的数量和与待填充像素点对应的邻域所包括的元素的数量相同。与待填充像素点对应的邻域的尺寸和与目标像素点对应的邻域的尺寸相同。例如,与目标像素点对应的邻域的尺寸为3×3,则填充矩阵为3×3的矩阵。
可选地,终端根据与各目标像素点分别对应的邻域的尺寸,确定过滤之前的第一放电光斑区域中与待填充像素点对应的邻域;并根据与待填充像素点对应的邻域,生成填充矩阵。
以与各目标像素点分别对应的邻域的尺寸为m×n,生成填充矩阵为例。
其中,y和z表示与待填充像素点对应的邻域中任一像素点的位置,m和n表示与各目标像素点分别对应的邻域的尺寸,填充矩阵中各元素by,z的值为对应像素点在与待填充像素点对应的邻域中的数值,为0或1。
步骤306,计算填充矩阵分别与每个真实矩阵的相似度。
其中,相似度用于比较填充矩阵和真实矩阵的差异,可以根据填充矩阵和真实矩阵的差值计算得到,相似度越大,差异度越小,即填充矩阵和真实矩阵的差异越小。
可选地,终端分别计算填充矩阵与每个真实矩阵的差值矩阵,并根据差值矩阵,计算相似度。
以与各目标像素点分别对应的邻域的尺寸为m×n,生成多个真实矩阵生成填充矩阵/>为例。
终端计算填充矩阵与每个真实矩阵的差值矩阵θ,即:
终端利用MATLAB数学软件,计算差值矩阵θ中所有元素的绝对值之和p,即:
p=sum(sum(abs(θ)))。
终端基于差值矩阵θ中所有元素的绝对值之和p和与各目标像素点分别对应的邻域的尺寸m×n,计算与各目标像素点分别对应的邻域、与待填充像素点对应的邻域的差异度P,即:
终端基于差异度,计算相似度,即:
差异度=1-P。
步骤308,将满足相似度条件的真实矩阵所对应的目标像素点的集合,作为匹配点集合。
其中,相似度条件可以是将计算得到的填充矩阵分别与每个真实矩阵的相似度由大到小进行排序,取前若干个的相似度。
可选地,终端将各个相似度由大到小进行排序,取前若干个的相似度所对应的真实矩阵所对应的若干个目标像素点的集合,作为匹配点集合。例如,将各个相似度由大到小进行排序,并将前10个相似度所对应的真实矩阵所对应的10个目标像素点的集合,作为匹配点集合。
步骤310,将匹配点集合中的任一个匹配点的像素值,作为第一放电光斑区域中的待填充像素点的像素值,得到第三放电光斑区域。
可选地,终端从匹配点集合中的任意选择一个匹配点,并将该匹配点的像素值作为第一放电光斑区域中的待填充像素点的像素值,得到第三放电光斑区域。
以相似度条件为差异度按照从小到大排序的前10个相似度所对应的真实矩阵所对应的10个目标像素点的集合,作为匹配点集合Pi,j为例。
终端按照相似度的大小从匹配点集合Pi,j中随机挑选出一个,然后用与之对应的像素点的值来填充目标像素点/>填充后的图像为一个黑白二值图像,统计图像中的白色像素点,可得到与第三放电光斑区域对应的光子数。
本实施例中,通过确定过滤之前的第一放电光斑区域中像素值已知的多个目标像素点,并确定与各目标像素点分别对应的邻域,根据与各目标像素点分别对应的邻域生成多个真实矩阵;确定过滤之前的第一放电光斑区域中与待填充像素点对应的邻域,并生成填充矩阵;计算填充矩阵分别与每个真实矩阵的相似度;将满足相似度条件的真实矩阵所对应的目标像素点的集合,作为匹配点集合;将匹配点集合中的任一个匹配点的像素值,作为第一放电光斑区域中的待填充像素点的像素值,得到第三放电光斑区域,能够达到使用纹理合成的方式填充待填充像素点,得到第三放电光斑区域的目的。
在一个实施例中,通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域,包括:通过图像修正模型,对第一放电光斑区域进行特征提取,得到第一特征值,第一特征值包括第一放电光斑区域的第一重心坐标和轮廓特征点坐标;根据第一特征值,确定第二特征值,第二特征值包括第二重心坐标、半长轴、半短轴和半焦距;根据第二特征值,得到第二放电光斑区域。
其中,第一重心坐标是第一放电光斑区域的重心坐标,第二重心坐标是第二放电光斑区域的重心坐标,第二重心坐标可以和第一重心坐标相同,也可以和第一重心坐标不同。
可选地,终端通过图像修正模型,对第一放电光斑区域进行特征提取,得到第一特征值,第一特征值包括第一放电光斑区域的第一重心坐标和轮廓特征点坐标;根据第一特征值,确定第二特征值,第二特征值包括第二重心坐标、半长轴、半短轴和半焦距;根据第二特征值,得到第二放电光斑区域。
本实施例中,通过图像修正模型,对第一放电光斑区域进行特征提取,得到第一特征值,第一特征值包括第一放电光斑区域的第一重心坐标和轮廓特征点坐标;根据第一特征值,确定第二特征值,第二特征值包括第二重心坐标、半长轴、半短轴和半焦距;根据第二特征值,得到第二放电光斑区域,能够达到通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域的目的。
在一个实施例中,确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例,包括:根据第一特征值,计算第一放电光斑区域的面积;根据第二特征值,计算第二放电光斑区域的面积;将第一放电光斑区域的面积除以第二放电光斑区域的面积,得到第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例。
可选地,终端利用MATLAB数学软件,根据第一特征值,计算第一放电光斑区域的面积;根据第二特征值,计算第二放电光斑区域的面积;将第一放电光斑区域的面积除以第二放电光斑区域的面积,得到第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例。
本实施例中,通过MATLAB数学软件,根据第一特征值和第二特征值,分别计算第一放电光斑区域的面积和第二放电光斑区域的面积,能够达到确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例的目的。
在一个实施例中,图像修正模型的训练方式包括:获取换流阀的样本图像和标准图像,样本图像为换流阀在正常放电或异常放电的情况下的图像,标准图像为换流阀在正常放电的情况下的图像;对样本图像进行图像处理,得到第一样本放电光斑区域,对标准图像进行图像处理,得到第一标准放电光斑区域;将第一样本放电光斑区域输入至待训练的图像修正模型,得到第二样本放电光斑区域;将第一标准放电光斑区域输入至待训练的图像修正模型,得到第二标准放电光斑区域;朝着最小化第二样本放电光斑区域和第二标准放电光斑区域的差异的方向,对待训练的图像修正模型进行训练,直至达到训练停止条件时停止,得到图像修正模型。
可选地,搭建试验环境,模拟实际换流阀阀厅内的高压设备布局,在被测区域选择选择多个被监测点,放置模拟放电源,通过安装在阀厅的至少一个紫外成像探头采集换流阀表面放电的样本图像,并将样本图像发送至终端,终端获取样本图像,并对获取到的样本图像进行图像处理,得到第一样本放电光斑区域。搭建理想环境,在理想环境下换流阀处于正常放电的状态下,将模拟放电源放置在平地,通过安装在阀厅的至少一个紫外成像探头采集换流阀表面放电的标准图像,并将标准图像发送至终端,终端获取标准图像,并对获取到的标准图像进行图像处理,得到第一标准放电光斑区域。
终端将第一样本放电光斑区域输入至待训练的图像修正模型,通过待训练的图像修正模型,对第一样本放电光斑区域进行特征提取,得到第一样本特征值,第一样本特征值包括第一样本放电光斑区域的第一样本重心坐标和样本轮廓特征点坐标;根据第一样本特征值,得到第二样本特征值,第二样本特征值包括第二样本重心坐标、样本半长轴、样本半短轴和样本半焦距;根据第二样本特征值,得到第二样本放电光斑区域。
终端将第一标准放电光斑区域输入至待训练的图像修正模型,通过待训练的图像修正模型,对第一标准放电光斑区域进行特征提取,得到第一标准特征值,第一标准特征值包括第一标准放电光斑区域的第一标准重心坐标和标准轮廓特征点坐标;根据第一标准特征值,得到第二标准特征值,第二标准特征值包括第二标准重心坐标、标准半长轴、标准半短轴和标准半焦距;根据第二标准特征值,得到第二标准放电光斑区域。
终端朝着最小化第二样本放电光斑区域和第二标准放电光斑区域的差异的方向,对待训练的图像修正模型进行训练,直至达到训练停止条件(例如损失函数取得最小值)时停止,得到图像修正模型。
本实施例中,通过获取换流阀的样本图像和标准图像,对样本图像进行图像处理,得到第一样本放电光斑区域,并对标准图像进行图像处理,得到第一标准放电光斑区域;通过将第一样本放电光斑区域和第一标准放电光斑区域分别输入至待训练的图像修正模型,得到第二样本放电光斑区域和第二标准放电光斑区域;通过第二样本放电光斑区域和第二标准放电光斑区域,对待训练的图像修正模型进行训练,能够达到训练得到图像修正模型的目的。
在一个实施例中,如图5所示,提供了一种异常放电监测方法,包括如下步骤:
步骤一、利用布置在阀厅的N(N为正整数)个紫外成像探头(也称为紫外成像仪)采集换流阀表面异常放电的紫外图像。
步骤二、将采集的图像信息进行图像处理,确定放电光斑(即上述实施例中的第一放电光斑区域),并提取光斑的相应特征值(即上述实施例中的第一特征值),将其作为已完成训练的神经网络(即上述实施例中的图像修正模型)的输入。
步骤三、计算神经网络的输入光斑与输出光斑(即上述实施例中的第二放电光斑区域)的面积的比例Z(即上述实施例中的第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例)。若比例Z不小于设定比例阈值T,则计算异常放电的光斑面积(即上述实施例中的第一放电光斑区域的面积)和光子数(即上述实施例中的与第一放电光斑区域对应的光子数)来评估换流阀的放电强度。
步骤四、若比例Z小于设定比例阈值T,表示异常放电的信息采集不完整,则将神经网络输出的放电光斑作为基础,利用纹理合成的方法填充光斑的掩盖部分(神经网络输入光斑区域和输出光斑区域的差异部分,即上述实施例中的待填充像素点),填充后统计异常放电产生的实际光子数(即上述实施例中的与第三放电光斑区域对应的光子数)。
步骤五、用异常放电的光斑面积和填充后统计得到的异常放电产生的实际光子数来评估换流阀的放电强度。
步骤一中,布置于阀厅的N个紫外成像探头,可以布置在不干扰阀厅内其他高压设备运行的位置,并选择分辨率高、抗电磁干扰能力强、可旋转调整监测角度的类型。
步骤二中,如图6所示,图像处理是使用MATLAB对获得的紫外RGB图像进行图像灰度处理、调节灰度图像的对比度、对图像进行二值化处理、二值化黑白图像的形态学滤波等,以便于确定异常放电产生光斑区域,并提取特征值。具体为:
(1)使用MATLAB对获得的紫外RGB图像先进行图像灰度处理,将RGB图像转化为灰度图像。例如:通过imread函数读取图像文件,得到图像中每个像素点的R(红)、G(绿)、B(蓝)三个分量的数值,将每个像素点的R、G、B的数值相加除以3,得到灰度值,以表征该像素点灰度的浓淡;
(2)按照以下公式:
上述公式中,f(x,y)为输入图像的像素点(x,y)的灰度,g(x,y)表示相对应的输出图像的像素灰度值。fmax为输入图像的像素点灰度值的最大值,fmin为输入图像的像素点灰度值的最小值。max和min是用于显示图像的显示设备所允许的最大灰度动态范围,比如电脑显示器用于表示显示灰度值上限的参数就是max,电脑显示器用于表示显示灰度值下限的参数就是min;
(3)将所获得的灰度图像进行二值化处理,用白色像素点代表了发生放电产生的光子,黑色像素点代表光子以外的所有外界环境,通过统计二值化图像中白色像素点的数量,可得到该处异常放电产生的光子数;
(4)利用数学形态学对二值化数字图像进行滤波,先运用腐蚀运算后采用膨胀运算,将二值化数字图像中的毛刺、白噪声等滤掉,使放电区域更加集中;以便于获取放电产生的光斑区域并提取特征值。
步骤二中,输入至神经网络的图像特征值(第一特征值)为经过图像处理后第一放电光斑区域的重心坐标和第一放电光斑区域轮廓上的特征点坐标。输出神经网络的图像特征值(即上述实施例中的第二特征值)为用于描述第二放电光斑区域的重心坐标、半长轴、半短轴、半焦距。神经网络用于修正采集到的第一放电光斑区域,得到第二放电光斑区域。
步骤四中,纹理合成方法,是采用模板匹配的方法,搜索真实区域内各个像素点的邻域并生成对应矩阵Aij,与待填充像素点的邻域Xyz相对比,计算出两者相似度,找出相似度最高的P个匹配点,并按照相似度的大小从中随机挑选一个来填充目标像素点。
步骤四中,所选择的邻域尺寸大小也会影响到填充效果的好坏:邻域尺寸小的情况下,填充后的图像与实际值得偏差较大;邻域尺寸大的情况下,计算时间将大大延长。
步骤四中,在对掩盖部分进行填充时,应从掩盖部分的边界开始进行填充,有外向内进行填充,以得到更好的效果。
进一步地,本实施例还提供一种用于修正异常放电区域的神经网络的训练方法:
1)搭建试验环境,模拟实际换流阀阀厅内的高压设备布局,在被测区域选择多个被监测点,放置模拟放电源,利用布置好的紫外成像探头对其进行图像采集,采集的放电图像(即上述实施例中的样本图像)包括但不限于:采集正面放电图像、采集侧面放电图像、采集受环境因素干扰的放电图像;
2)对采集的放电图像进行图像处理,提取特征值11(即上述实施例中的第一样本特征值)放入训练修正集α,并将其作为修正神经网络的输入值,将特征值11输入修正神经网络后,输出特征值21(即上述实施例中的第二样本特征值);
3)将模拟放电源置于平地,利用紫外成像探头采集标准放电图像(即上述实施例中的标准图像);
4)对采集的放电图像进行图像处理,提取对应的特征值12(即上述实施例中的第一标准特征值)放入训练真实集β,并将其作为修正神经网络的输入值,将特征值12输入修正神经网络后,输出特征值22(即上述实施例中的第二标准特征值);
5)根据训练修正集α的输出特征值21和训练真实集β的输出特征值22,对神经网络进行训练,以减少训练修正集α的输出特征值21和训练真实集β的输出特征值22的差值,直至训练结束,得到训练完成的神经网络。
进一步的,如图7所示,神经网络包括输入层、隐含层和输出层。每层神经元与下一层神经元之间完全互连,神经元之间不存在同层连接,神经元之间不存在跨层连接。
进一步地,神经网络所用的激活函数是tanh函数,函数公式为:
本实施例中,通过对异常放电图像的判断和修正,实现对阀厅内换流阀设备异常放电的全方位、无死角监测,同时有抗电磁干扰能力强的特点,能够达到提高换流阀异常放电判断的灵敏度和准确度的目的,从而提高直流输电智能化运维水平的目的。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的异常放电监测方法的异常放电监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个异常放电监测装置实施例中的具体限定可以参见上文中对于异常放电监测方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种异常放电监测装置800,包括:获取模块802、处理模块804、修正模块806、确定模块808和计算模块810,其中:
获取模块802,用于获取换流阀表面放电的目标图像。
处理模块804,用于对目标图像进行图像处理,得到第一放电光斑区域。
修正模块806,用于通过图像修正模型,对第一放电光斑区域进行图像修正,得到第二放电光斑区域。
确定模块808,用于确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例。
计算模块810,在比例不小于比例阈值的情况下,计算与第一放电光斑区域对应的光子数,以基于与第一放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
在一个实施例中,异常放电监测装置800还包括填充模块,填充模块用于在比例小于比例阈值的情况下,根据第二放电光斑区域,查找到与第一放电光斑区域对应的待填充像素点,使用纹理合成的方式填充待填充像素点,得到第三放电光斑区域;计算与第三放电光斑区域对应的光子数,以基于与第三放电光斑区域对应的光子数、第一放电光斑区域的面积中的至少一种评估换流阀的异常放电情况。
在一个实施例中,填充模块还用于确定过滤之前的第一放电光斑区域中像素值已知的多个目标像素点,并确定与各目标像素点分别对应的邻域,根据与各目标像素点分别对应的邻域生成多个真实矩阵;确定过滤之前的第一放电光斑区域中与待填充像素点对应的邻域,并生成填充矩阵;计算填充矩阵分别与每个真实矩阵的相似度;将满足相似度条件的真实矩阵所对应的目标像素点的集合,作为匹配点集合;将匹配点集合中的任一个匹配点的像素值,作为第一放电光斑区域中的待填充像素点的像素值,得到第三放电光斑区域。
在一个实施例中,修正模块806还用于通过图像修正模型,对第一放电光斑区域进行特征提取,得到第一特征值,第一特征值包括第一放电光斑区域的第一重心坐标和轮廓特征点坐标;根据第一特征值,确定第二特征值,第二特征值包括第二重心坐标、半长轴、半短轴和半焦距;根据第二特征值,得到第二放电光斑区域。
在一个实施例中,确定模块808还用于确定第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例,包括:根据第一特征值,计算第一放电光斑区域的面积;根据第二特征值,计算第二放电光斑区域的面积;将第一放电光斑区域的面积除以第二放电光斑区域的面积,得到第一放电光斑区域的面积和第二放电光斑区域的面积之间的比例。
在一个实施例中,图像修正模型的训练方式包括:获取换流阀的样本图像和标准图像,样本图像为换流阀在正常放电或异常放电的情况下的图像,标准图像为换流阀在正常放电的情况下的图像;对样本图像进行图像处理,得到第一样本放电光斑区域,对标准图像进行图像处理,得到第一标准放电光斑区域;将第一样本放电光斑区域输入至待训练的图像修正模型,得到第二样本放电光斑区域;将第一标准放电光斑区域输入至待训练的图像修正模型,得到第二标准放电光斑区域;朝着最小化第二样本放电光斑区域和第二标准放电光斑区域的差异的方向,对待训练的图像修正模型进行训练,直至达到训练停止条件时停止,得到图像修正模型。
上述异常放电监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种异常放电监测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常放电监测方法,其特征在于,所述方法包括:
获取换流阀表面放电的目标图像;
对所述目标图像进行图像处理,得到第一放电光斑区域;
通过图像修正模型,对所述第一放电光斑区域进行图像修正,得到第二放电光斑区域;所述第二放电光斑区域的面积大于所述第一放电光斑区域的面积;
确定所述第一放电光斑区域的面积和所述第二放电光斑区域的面积之间的比例;
在所述比例不小于比例阈值的情况下,计算与所述第一放电光斑区域对应的光子数,以基于所述与所述第一放电光斑区域对应的光子数、所述第一放电光斑区域的面积中的至少一种评估所述换流阀的异常放电情况;
在所述比例小于比例阈值的情况下,根据所述第二放电光斑区域,查找到与所述第一放电光斑区域对应的待填充像素点,使用纹理合成的方式填充所述待填充像素点,得到第三放电光斑区域,以基于所述与所述第三放电光斑区域对应的光子数、所述第一放电光斑区域的面积中的至少一种评估所述换流阀的异常放电情况。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第二放电光斑区域,查找到与所述第一放电光斑区域对应的待填充像素点,包括:
比较所述第二放电光斑区域和所述第一放电光斑区域,确定所述第二放电光斑区域和所述第一放电光斑区域的差异部分;
确定过滤之前的第一放电光斑区域中与在第一放电光斑区域中差异部分所包括的像素点对应的像素点,并将确定出的过滤之前的第一放电光斑区域中与在第一放电光斑区域中差异部分所包括的像素点对应的像素点作为待填充像素点。
3.根据权利要求1所述的方法,其特征在于,所述使用纹理合成的方式填充所述待填充像素点,得到第三放电光斑区域,包括:
确定过滤之前的第一放电光斑区域中像素值已知的多个目标像素点,并确定与各目标像素点分别对应的邻域,根据与各目标像素点分别对应的邻域生成多个真实矩阵;
确定过滤之前的第一放电光斑区域中与待填充像素点对应的邻域,并生成填充矩阵;
计算所述填充矩阵分别与每个真实矩阵的相似度;
将满足相似度条件的真实矩阵所对应的目标像素点的集合,作为匹配点集合;
将所述匹配点集合中的任一个匹配点的像素值,作为所述第一放电光斑区域中的待填充像素点的像素值,得到第三放电光斑区域。
4.根据权利要求1所述的方法,其特征在于,所述通过图像修正模型,对所述第一放电光斑区域进行图像修正,得到第二放电光斑区域,包括:
通过图像修正模型,对所述第一放电光斑区域进行特征提取,得到第一特征值,所述第一特征值包括所述第一放电光斑区域的第一重心坐标和轮廓特征点坐标;
根据所述第一特征值,确定第二特征值,所述第二特征值包括第二重心坐标、半长轴、半短轴和半焦距;
根据所述第二特征值,得到第二放电光斑区域。
5.根据权利要求4所述的方法,其特征在于,所述确定所述第一放电光斑区域的面积和所述第二放电光斑区域的面积之间的比例,包括:
根据所述第一特征值,计算所述第一放电光斑区域的面积;
根据所述第二特征值,计算所述第二放电光斑区域的面积;
将所述第一放电光斑区域的面积除以所述第二放电光斑区域的面积,得到所述第一放电光斑区域的面积和所述第二放电光斑区域的面积之间的比例。
6.根据权利要求1所述的方法,其特征在于,所述图像修正模型的训练方式包括:
获取换流阀的样本图像和标准图像,所述样本图像为换流阀在正常放电或异常放电的情况下的图像,所述标准图像为换流阀在正常放电的情况下的图像;
对所述样本图像进行图像处理,得到第一样本放电光斑区域,对所述标准图像进行图像处理,得到第一标准放电光斑区域;
将所述第一样本放电光斑区域输入至待训练的图像修正模型,得到第二样本放电光斑区域;所述第二样本放电光斑区域的面积大于所述第一样本放电光斑区域的面积;
将所述第一标准放电光斑区域输入至待训练的图像修正模型,得到第二标准放电光斑区域;所述第二标准放电光斑区域的面积大于所述第一标准放电光斑区域的面积;
朝着最小化所述第二样本放电光斑区域和所述第二标准放电光斑区域的差异的方向,对所述待训练的图像修正模型进行训练,直至达到训练停止条件时停止,得到图像修正模型。
7.一种异常放电监测装置,其特征在于,所述装置包括:
获取模块,用于获取换流阀表面放电的目标图像;
处理模块,用于对所述目标图像进行图像处理,得到第一放电光斑区域;
修正模块,用于通过图像修正模型,对所述第一放电光斑区域进行图像修正,得到第二放电光斑区域;所述第二放电光斑区域的面积大于所述第一放电光斑区域的面积;
确定模块,用于确定所述第一放电光斑区域的面积和所述第二放电光斑区域的面积之间的比例;
计算模块,用于在所述比例不小于比例阈值的情况下,计算与所述第一放电光斑区域对应的光子数,以基于所述与所述第一放电光斑区域对应的光子数、所述第一放电光斑区域的面积中的至少一种评估所述换流阀的异常放电情况;
所述计算模块,还用于在所述比例小于比例阈值的情况下,根据所述第二放电光斑区域,查找到与所述第一放电光斑区域对应的待填充像素点,使用纹理合成的方式填充所述待填充像素点,得到第三放电光斑区域,以基于所述与所述第三放电光斑区域对应的光子数、所述第一放电光斑区域的面积中的至少一种评估所述换流阀的异常放电情况。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211107571.6A CN115527161B (zh) | 2022-09-13 | 2022-09-13 | 异常放电监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211107571.6A CN115527161B (zh) | 2022-09-13 | 2022-09-13 | 异常放电监测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115527161A CN115527161A (zh) | 2022-12-27 |
CN115527161B true CN115527161B (zh) | 2024-04-02 |
Family
ID=84698536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211107571.6A Active CN115527161B (zh) | 2022-09-13 | 2022-09-13 | 异常放电监测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115527161B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425123A (zh) * | 2015-11-20 | 2016-03-23 | 国网福建省电力有限公司泉州供电公司 | 一种紫外成像与红外成像协同检测电力设备故障的方法及系统 |
CN109584178A (zh) * | 2018-11-29 | 2019-04-05 | 腾讯科技(深圳)有限公司 | 图像修复方法、装置和存储介质 |
CN114549421A (zh) * | 2022-01-26 | 2022-05-27 | 国网山东省电力公司电力科学研究院 | 一种融合多参量的电力外绝缘设备紫外图像缺陷评估系统及方法 |
CN114779031A (zh) * | 2022-06-21 | 2022-07-22 | 国网山东省电力公司电力科学研究院 | 一种数字化电力设备紫外成像放电异常检测方法及系统 |
-
2022
- 2022-09-13 CN CN202211107571.6A patent/CN115527161B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425123A (zh) * | 2015-11-20 | 2016-03-23 | 国网福建省电力有限公司泉州供电公司 | 一种紫外成像与红外成像协同检测电力设备故障的方法及系统 |
CN109584178A (zh) * | 2018-11-29 | 2019-04-05 | 腾讯科技(深圳)有限公司 | 图像修复方法、装置和存储介质 |
CN114549421A (zh) * | 2022-01-26 | 2022-05-27 | 国网山东省电力公司电力科学研究院 | 一种融合多参量的电力外绝缘设备紫外图像缺陷评估系统及方法 |
CN114779031A (zh) * | 2022-06-21 | 2022-07-22 | 国网山东省电力公司电力科学研究院 | 一种数字化电力设备紫外成像放电异常检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于双光谱辐射特性的 绝缘异常放电检测方法研究;张弛等;《绝缘材料》;第54卷(第9期);第79-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115527161A (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN111028327A (zh) | 一种三维点云的处理方法、装置及设备 | |
US20150317767A1 (en) | Image processing device, image processing method and medium | |
CN112101189B (zh) | 基于注意力机制的sar图像目标检测方法及测试平台 | |
CN116071520B (zh) | 一种数字孪生水务仿真模拟测试方法 | |
CN114241358A (zh) | 基于数字孪生变电站的设备状态展示方法、装置和设备 | |
CN117011304A (zh) | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 | |
CN114066999A (zh) | 基于三维建模的目标定位系统及方法 | |
CN115527161B (zh) | 异常放电监测方法、装置、计算机设备和存储介质 | |
CN114827590B (zh) | 摄像头位置分布合理性分析方法、装置和电子设备 | |
CN116703685A (zh) | 图像去水印方法、装置、设备和介质 | |
CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
CN113902744B (zh) | 基于轻量级网络的图像检测方法、系统、设备和存储介质 | |
CN115937395A (zh) | 电气设备模型渲染方法、装置、计算机设备和存储介质 | |
CN116310899A (zh) | 基于YOLOv5改进的目标检测方法及装置、训练方法 | |
CN113177917B (zh) | 一种抓拍图像优选方法、系统、设备及介质 | |
CN115526883A (zh) | Led灯珠的检测方法、装置、计算机设备和存储介质 | |
CN116645374B (zh) | 点状缺陷检测方法、装置、计算机设备及存储介质 | |
CN115861520B (zh) | 高光检测方法、装置、计算机设备和存储介质 | |
CN110991225A (zh) | 基于多列卷积神经网络的人群计数与密度估计方法及装置 | |
CN116402967B (zh) | 场景建筑快速单体化方法、装置、计算机设备和存储介质 | |
CN117975401B (zh) | 道路病害的检测方法、装置、电子设备及存储介质 | |
CN115580721B (zh) | 变电站设备监控视频的质量检测方法、装置、设备和介质 | |
CN115861316B (zh) | 行人检测模型的训练方法及其装置、行人检测方法 | |
CN109031233B (zh) | 快速获取雷达组合反射率矢量图形数据的方法 |
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 |