CN115587975B - 充油设备套管积污缺陷诊断系统、方法和介质 - Google Patents
充油设备套管积污缺陷诊断系统、方法和介质 Download PDFInfo
- Publication number
- CN115587975B CN115587975B CN202211190485.6A CN202211190485A CN115587975B CN 115587975 B CN115587975 B CN 115587975B CN 202211190485 A CN202211190485 A CN 202211190485A CN 115587975 B CN115587975 B CN 115587975B
- Authority
- CN
- China
- Prior art keywords
- sleeve
- oil
- image
- module
- target detection
- 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
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种充油设备套管积污缺陷诊断系统,数据集构建模块用于构建充油设备套管红外图像数据库;数据预处理模块用于形成标注了套管位置与类别的充油设备套管图像数据集;目标检测模型搭建和训练模块用于搭建改进的YOLOv4目标检测模型,并进行训练;图像检测与截取模块用于对充油设备套管图像进行截取;温升判据获取模块用于搭建套管二维仿真模型,获取套管积污状态下的温升判据,套管积污缺陷检测模块判断套管积污缺陷。本发明用于精准并迅速的进行充油设备套管积污缺陷的判定,为运维人员开展充油设备套管积污缺陷诊断提供技术参考。
Description
技术领域
本发明涉及电力设备图像识别技术领域,具体地指一种充油设备套管积污缺陷诊断系统、方法和介质。
背景技术
套管积污缺陷引起的充油设备运行故障,可能会引起停电事故,影响变电站的正常运行,红外测温技术广泛应用于变电站电气设备的日常巡检中,成为故障检测的一种常规手段,套管缺陷部位会产生温度的变化,可通过对缺陷部位温差的判断实现套管积污缺陷的检测;
深度学习方法目前正逐渐大范围应用于电力设备缺陷检测工作中,但电力设备缺陷检测的研究大多关注于电流致热型缺陷的检测,没有关注到套管积污缺陷的检测与识别。
发明内容
本发明的目的就是要提供一种充油设备套管积污缺陷诊断系统、方法和介质,本发明用于精准并迅速的进行充油设备套管积污缺陷的判定,为运维人员开展充油设备套管积污缺陷诊断提供技术参考。
为实现此目的,本发明所设计的充油设备套管积污缺陷诊断系统,它包括数据集构建模块、数据预处理模块、目标检测模型搭建和训练模块、图像检测与截取模块、温升判据获取模块和套管积污缺陷检测模块;
所述数据集构建模块用于通过图像角度翻转、随机裁剪、对比度变换操作对变电站巡检红外图像中的充油设备套管红外图像进行扩充形成充油设备套管红外图像数据库;
数据预处理模块用于对充油设备套管红外图像数据库进行图像去噪得到画质增强的充油设备套管图像数据集,利用标注工具标注画质增强的充油设备套管图像数据集中每一幅图像所含套管的位置与类别,形成标注了套管位置与类别的充油设备套管图像数据集;将标注了套管位置与类别的充油设备套管图像数据集划分为训练验证集和测试集;
目标检测模型搭建和训练模块用于搭建改进的YOLOv4(You Only Look Once v4)目标检测模型,改进的YOLOv4目标检测模型为YOLOv4中特征金字塔网络的空间金字塔池化结构替换为快速空间金字塔池化结构,并利用训练验证集中的训练集对改进的YOLOv4目标检测模型进行训练,用训练验证集中的验证集进行模型调优;
图像检测与截取模块用于利用训练好的改进YOLOv4目标检测模型对变电站红外图像中的充油设备套管红外图像进行充油设备套管目标检测,并对充油设备套管图像进行截取;
温升判据获取模块用于搭建套管二维仿真模型,并利用有限元法求解套管二维仿真模型中变压器油纸电容式套管运行温度分布,获取套管积污状态下的温升判据;
套管积污缺陷检测模块用于根据截取的充油设备套管图像进行套管瓷套区域温度获取,将套管瓷套区域的异常发热区域的相对温差与所述套管积污状态下的温升判据进行对比,判断套管积污缺陷。
本发明的有益效果:
本发明通过变电站拍摄图像并对图像进行样本扩充构建充油设备套管图像数据库,并对图像中不同电压等级的充油设备套管图像进行人工标记;对充油设备套管图像进行高斯去噪处理,以增强红外图像质量;构建改进的YOLOv4目标检测模型,对充油设备套管进行检测;然后截取预测框图像,提取充油设备套管瓷套区域温度信息,引入充油设备套管积污缺陷仿真温升判据,完成对充油设备套管积污缺陷的检测。本发明能够在变电站人工巡检图像中检测并识别出充油设备套管,并对其进行积污缺陷检测。本发明提出的技术方案具有较好的准确度和检测速度,且能覆盖不同电压等级的充油设备套管,可为充油设备套管缺陷检测提供参考,有助于变电站巡检人员智能巡检。
附图说明
图1为本发明的结构示意图;
图2为本发明方法的流程图;
图3为本发明方法的算法结构图;
图4为本发明方法的SPPF结构与SPP结构对比图;
图5为本发明方法的目标检测效果图;
图3中CBM表示:由卷积层(Conv)、批量正则化层(BN)和激活函数层(Mish)组成的CBM模块;CSPX表示:由CBM模块与X个Res unint残差模块Concat操作后组成的网络结构;X为1、2、4、8;CBL表示:由卷积层(Conv)、批量正则化层(BN)和激活函数层(Leaky_ReLU)组成的CBL模块;CBL*3表示:3个CBL模块堆叠;CBL*5表示:5个CBL模块堆叠;Concat表示:张量拼接操作,将大小通道相同的特征层进行叠加,通道数相加;Conv表示:卷积层。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
如图1所示的充油设备套管积污缺陷诊断系统,它包括数据集构建模块、数据预处理模块、目标检测模型搭建和训练模块、图像检测与截取模块、温升判据获取模块和套管积污缺陷检测模块;
所述数据集构建模块用于通过图像角度翻转、随机裁剪、对比度变换操作对变电站巡检红外图像中的充油设备套管红外图像进行扩充形成充油设备套管红外图像数据库,图像扩充用于增加图像训练样本的数量,降低过拟合的影响;
数据预处理模块用于采用高斯滤波方法对充油设备套管红外图像数据库中的图像进行图像去噪处理得到画质增强的充油设备套管图像数据集,截止频率设置为400,利用Labelimg标注工具标注画质增强的充油设备套管图像数据集中每一幅图像所含套管的位置与类别,形成标注了套管位置与类别的充油设备套管图像数据集,自动生成.xml和.txt标注文件;将标注了套管位置与类别的充油设备套管图像数据集,按照8:2的比例划分为训练验证集和测试集,并且在训练验证集中随机选取样本作为验证集;
目标检测模型搭建和训练模块用于搭建改进的YOLOv4目标检测模型,如图3所示,改进的YOLOv4目标检测模型为YOLOv4中特征金字塔网络的空间金字塔池化结构替换为图4所示的快速空间金字塔池化结构,并利用训练验证集中的训练集对改进的YOLOv4目标检测模型进行训练,用训练验证集中的验证集进行模型调优,数据集分为训练集与测试集,训练集用来模型训练,其中训练集中分出一定的验证集进行辅助训练;
图像检测与截取模块用于利用训练好的改进YOLOv4目标检测模型对变电站红外图像中的充油设备套管红外图像进行充油设备套管目标检测,并对充油设备套管图像进行截取,截取后的图像用来进行积污缺陷检测;
温升判据获取模块用于搭建套管二维仿真模型,并利用有限元法求解套管二维仿真模型中变压器油纸电容式套管运行温度分布,获取套管积污状态下的温升判据;
套管积污缺陷检测模块用于根据截取的充油设备套管图像进行套管瓷套区域温度获取,将套管瓷套区域的异常发热区域的相对温差与所述套管积污状态下的温升判据进行对比,判断套管积污缺陷,数据集中正常运行时套管瓷套区域温度呈现一定的从上到下温度逐渐升高的规律,选取温度最高区域,也就是温度突变区域作为异常发热区域。
上述技术方案中,所述目标检测模型搭建和训练模块搭建并训练改进的YOLOv4目标检测模型的具体过程为:
改进的YOLOv4目标检测模型包括主干特征提取网络CSPDarknet53、特征金字塔网络(SPPF与PANet)和解耦头Yolo Head,改进的YOLOv4目标检测模型的三个输出特征层传入到解耦头中以获得预测结果,解耦头对测试集中的充油设备套管红外图像中充油设备套管的位置与类别信息进行判断,并在充油设备套管红外图像中将检测到的充油设备套管目标进行预测框标注显示(根据预测框的坐标信息对检测的红外图像中的套管目标进行截取),训练验证集中的训练集输入到改进的YOLOv4目标检测模型进行训练,训练验证集中的验证集进行模型调优。
解耦头对测试集中的充油设备套管红外图像中充油设备套管的位置与类别信息进行判断的具体过程为:对图像特征进行预测,对特征层的预测结果进行解码,得到物体框的位置、物体类别的概率、物体类别信息,根据预测框的中心坐标结合先验框的宽、高信息计算出预测框的长和宽,得到整个预测框的位置。判断的结果为:对检测到的充油设备套管进行预测框位置和概率标注。
图像检测与截取模块用于利用训练好的改进YOLOv4目标检测模型对变电站红外图像中的充油设备套管红外图像进行充油设备套管目标检测,根据预测框的坐标信息对充油设备套管图像进行截取。
上述技术方案中,套管积污缺陷检测模块由输入端、数据处理端、输出端组成;将改进的YOLOv4目标检测模型作为套管积污缺陷检测模块的输入端,输入端负责充油设备套管红外图像的读取与充油设备套管目标的检测,目标检测效果如图5所示;将充油设备套管图像截取和套管瓷套区域温度获取作为套管积污缺陷检测模块的数据处理端,负责对充油设备套管截取图像进行平均值法灰度化,通过充油设备套管瓷套区域灰度值与所检测的红外图像中的温宽条灰度值进行拟合,根据温宽条温宽信息(温宽条上会显示最大与最低温度的数值,图5右侧所示的62.5℃,12.7℃)进行充油设备套管瓷套区域温度值获取;将积污缺陷检测作为模块的输出端,负责将充油设备套管瓷套区域中的异常发热区域的相对温差与套管积污状态下的温升判据进行对比,并将对比信息进行输出显示,当相对温差大于套管积污状态下的温升判据即表示有积污缺陷的发生,上述相对温差指的是异常发热区域与正常运行区域之间的温差与异常发热区域的温升之比的百分数。
上述技术方案中,所述数据集构建模块根据变电站巡检红外图像中的充油设备套管红外图像,通过对图像角度翻转、随机裁剪、对比度变换操作对充油设备套管红外图像进行扩充形成充油设备套管红外图像数据库的具体方法为:
图像角度翻转通过固定充油设备套管红外图像中心点,对充油设备套管红外图像进行角度偏移,得到偏移后的红外图像,随机裁剪通过对红外图像区域进行部分随机区域裁剪,得到部分裁剪后的红外图像,对比度变换对部分裁剪后的红外图像中的对比度进行加强,以增强图像特征信息,得到对比度增强后的红外图像,形成充油设备套管红外图像数据库。
上述技术方案中,所述目标检测模型搭建和训练模块用于将YOLOv4中特征金字塔网络的空间金字塔池化(Spatial Pyramid Pooling,空间金字塔池化)结构替换为快速空间金字塔池化(Spatial Pyramid Pooling-Fast,快速空间金字塔池化)结构,快速空间金字塔池化(SPPF)结构将输入串行通过最大池化层MaxPool(相较于原始的SPP结构而言,原始的SPP结构将输入并行通过最大池化层MaxPool,参照图4),并将不同大小卷积核的最大池化层替换为统一大小的5×5卷积核的最大池化层,形成改进的YOLOv4目标检测模型。
训练验证集用来训练和调优目标检测模型,测试集用来测试模型的准确性;将模型训练分为两个阶段,模型训练100轮,前50轮为第一阶段,后50轮为第二阶段,在第一个阶段训练中设置batchsize(批尺寸)为32、学习率为1×10-3,第二个阶段训练中设置batchsize为16、学习率为1×10-4,使用Adam优化器优化训练,自动调整训练过程中的学习率;
上述技术方案中,所述目标检测模型搭建和训练模块在对改进的YOLOv4目标检测模型进行训练前,对输入的训练验证集中的训练集进行图像大小归一化,统一设置为640×640像素大小。
上述技术方案中,温升判据获取模块用于选取变压器油纸电容式套管进行仿真计算,根据500kV变压器油纸电容式套管图纸搭建初始套管二维仿真模型,根据变压器油纸电容式套管图纸中的材料属性设置初始套管二维仿真模型材料的介电常数与电导率,在初始套管二维仿真模型中加载套管最高运行电压与零电位的边界条件,通过在初始套管二维仿真模型中套管表面设置一定范围的导电率为0.25×10-3S/m的污秽层来模拟套管积污状态,通过网格剖分将初始套管二维仿真模型分成多个单元,提高求解精度,形成套管二维仿真模型,利用有限元法求解套管二维仿真模型中500kV变压器油纸电容式套管运行温度分布,获取套管积污状态下的温升判据。
将充油设备套管目标检测、充油设备套管图像截取、充油设备套管瓷套区域温度获取与积污缺陷检测步骤进行整合,搭建充油设备套管积污缺陷检测模块。
一种充油设备套管积污缺陷诊断系统,如图2所示,它包括如下步骤:
步骤1:通过图像角度翻转、随机裁剪、对比度变换操作对变电站巡检红外图像中的充油设备套管红外图像进行扩充形成充油设备套管红外图像数据库;
采用高斯滤波方法对充油设备套管红外图像数据库进行图像去噪得到画质增强的充油设备套管图像数据集,利用Labelimg标注工具标注画质增强的充油设备套管图像数据集中每一幅图像所含套管的位置与类别,形成标注了套管位置与类别的充油设备套管图像数据集;将标注了套管位置与类别的充油设备套管图像数据集划分为训练验证集和测试集,并且在训练验证集中随机选取样本作为验证集;
步骤2:搭建改进的YOLOv4目标检测模型,改进的YOLOv4目标检测模型为YOLOv4中特征金字塔网络的空间金字塔池化结构替换为快速空间金字塔池化结构,并利用训练验证集中的训练集对改进的YOLOv4目标检测模型进行训练,用训练验证集中的验证集进行模型调优;
步骤3:利用训练好的改进YOLOv4目标检测模型对充油设备套管红外图像进行充油设备套管目标检测,并对充油设备套管图像进行截取,截取后的图像用来进行积污缺陷检测;
步骤4:搭建套管二维仿真模型,并利用有限元法求解套管二维仿真模型中变压器油纸电容式套管运行温度分布,获取套管积污状态下的温升判据;
步骤5:根据截取的充油设备套管图像进行套管瓷套区域温度获取,将套管瓷套区域的异常发热区域的相对温差与所述套管积污状态下的温升判据进行对比,判断套管积污缺陷。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如上述方法的步骤。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (9)
1.一种充油设备套管积污缺陷诊断系统,其特征在于:它包括数据集构建模块、数据预处理模块、目标检测模型搭建和训练模块、图像检测与截取模块、温升判据获取模块和套管积污缺陷检测模块;
所述数据集构建模块用于通过图像角度翻转、随机裁剪、对比度变换操作对变电站巡检红外图像中的充油设备套管红外图像进行扩充形成充油设备套管红外图像数据库;
数据预处理模块用于对充油设备套管红外图像数据库进行图像去噪得到画质增强的充油设备套管图像数据集,利用标注工具标注画质增强的充油设备套管图像数据集中每一幅图像所含套管的位置与类别,形成标注了套管位置与类别的充油设备套管图像数据集;将标注了套管位置与类别的充油设备套管图像数据集划分为训练验证集和测试集;
目标检测模型搭建和训练模块用于搭建改进的YOLOv4目标检测模型,改进的YOLOv4目标检测模型为YOLOv4中特征金字塔网络的空间金字塔池化结构替换为快速空间金字塔池化结构,并利用训练验证集中的训练集对改进的YOLOv4目标检测模型进行训练;
图像检测与截取模块用于利用训练好的改进YOLOv4目标检测模型对充油设备套管红外图像进行充油设备套管目标检测,并对充油设备套管图像进行截取;
温升判据获取模块用于搭建套管二维仿真模型,并利用有限元法求解套管二维仿真模型中变压器油纸电容式套管运行温度分布,获取套管积污状态下的温升判据;
套管积污缺陷检测模块用于根据截取的充油设备套管图像进行套管瓷套区域温度获取,将套管瓷套区域的异常发热区域相对温差与所述套管积污状态下的温升判据进行对比,判断套管积污缺陷;
所述目标检测模型搭建和训练模块用于将YOLOv4中特征金字塔网络的空间金字塔池化结构替换为快速空间金字塔池化结构,快速空间金字塔池化结构将输入串行通过最大池化层,并将不同大小卷积核的最大池化层替换为统一大小卷积核的最大池化层,形成改进的YOLOv4目标检测模型。
2.根据权利要求1所述的充油设备套管积污缺陷诊断系统,其特征在于:所述目标检测模型搭建和训练模块搭建并训练改进的YOLOv4目标检测模型的具体过程为:
改进的YOLOv4目标检测模型包括主干特征提取网络、特征金字塔网络和解耦头,改进的YOLOv4目标检测模型的三个输出特征层传入到解耦头中以获得预测结果,解耦头对测试集中的充油设备套管红外图像中充油设备套管的位置与类别信息进行判断,并在充油设备套管红外图像中将检测到的充油设备套管目标进行预测框标注显示,训练验证集中的训练集输入到改进的YOLOv4目标检测模型进行训练。
3.根据权利要求2所述的充油设备套管积污缺陷诊断系统,其特征在于:图像检测与截取模块用于利用训练好的改进YOLOv4目标检测模型对变电站红外图像中的充油设备套管红外图像进行充油设备套管目标检测,根据预测框的坐标信息对充油设备套管图像进行截取。
4.根据权利要求1或2所述的充油设备套管积污缺陷诊断系统,其特征在于:套管积污缺陷检测模块由输入端、数据处理端、输出端组成;将改进的YOLOv4目标检测模型作为套管积污缺陷检测模块的输入端,输入端负责充油设备套管红外图像的读取与充油设备套管目标的检测;将充油设备套管图像截取和套管瓷套区域温度获取作为套管积污缺陷检测模块的数据处理端,负责对充油设备套管截取图像进行平均值法灰度化,通过充油设备套管瓷套区域灰度值与所检测的红外图像中的温宽条灰度值进行拟合,根据温宽条温宽信息进行充油设备套管瓷套区域温度值获取;将积污缺陷检测作为模块的输出端,负责将充油设备套管瓷套区域中的异常发热区域的相对温差与套管积污状态下的温升判据进行对比,并将对比信息进行输出显示,当相对温差大于套管积污状态下的温升判据即表示有积污缺陷的发生。
5.根据权利要求1所述的充油设备套管积污缺陷诊断系统,其特征在于:所述数据集构建模块根据变电站巡检红外图像中的充油设备套管红外图像,通过对图像角度翻转、随机裁剪、对比度变换操作对充油设备套管红外图像进行扩充形成充油设备套管红外图像数据库的具体方法为:
图像角度翻转通过固定充油设备套管红外图像中心点,对充油设备套管红外图像进行角度偏移,得到偏移后的红外图像,随机裁剪通过对红外图像区域进行部分随机区域裁剪,得到部分裁剪后的红外图像,对比度变换对部分裁剪后的红外图像中的对比度进行加强,以增强图像特征信息,得到对比度增强后的红外图像,形成充油设备套管红外图像数据库。
6.根据权利要求1所述的充油设备套管积污缺陷诊断系统,其特征在于:所述目标检测模型搭建和训练模块在对改进的YOLOv4目标检测模型进行训练前,对输入的训练验证集中的训练集进行图像大小归一化。
7.根据权利要求1所述的充油设备套管积污缺陷诊断系统,其特征在于:温升判据获取模块用于根据变压器油纸电容式套管图纸搭建初始套管二维仿真模型,根据变压器油纸电容式套管图纸中的材料属性设置初始套管二维仿真模型材料的介电常数与电导率,在初始套管二维仿真模型中加载套管最高运行电压与零电位的边界条件,通过在初始套管二维仿真模型中套管表面设置一定范围的污秽层来模拟套管积污状态,通过网格剖分将初始套管二维仿真模型分成多个单元,形成套管二维仿真模型,利用有限元法求解套管二维仿真模型中变压器油纸电容式套管运行温度分布,获取套管积污状态下的温升判据。
8.一种充油设备套管积污缺陷诊断方法,其特征在于,它包括如下步骤:
步骤1:通过图像角度翻转、随机裁剪、对比度变换操作对变电站巡检红外图像中的充油设备套管红外图像进行扩充形成充油设备套管红外图像数据库;
对充油设备套管红外图像数据库进行图像去噪得到画质增强的充油设备套管图像数据集,利用标注工具标注画质增强的充油设备套管图像数据集中每一幅图像所含套管的位置与类别,形成标注了套管位置与类别的充油设备套管图像数据集;将标注了套管位置与类别的充油设备套管图像数据集划分为训练验证集和测试集;
步骤2:搭建改进的YOLOv4目标检测模型,改进的YOLOv4目标检测模型为YOLOv4中特征金字塔网络的空间金字塔池化结构替换为快速空间金字塔池化结构,并利用训练验证集中的训练集对改进的YOLOv4目标检测模型进行训练;
将YOLOv4中特征金字塔网络的空间金字塔池化结构替换为快速空间金字塔池化结构,快速空间金字塔池化结构将输入串行通过最大池化层,并将不同大小卷积核的最大池化层替换为统一大小卷积核的最大池化层,形成改进的YOLOv4目标检测模型;
步骤3:利用训练好的改进YOLOv4目标检测模型对变电站红外图像中的充油设备套管红外图像进行充油设备套管目标检测,并对充油设备套管图像进行截取;
步骤4:搭建套管二维仿真模型,并利用有限元法求解套管二维仿真模型中变压器油纸电容式套管运行温度分布,获取套管积污状态下的温升判据;
步骤5:根据截取的充油设备套管图像进行套管瓷套区域温度获取,将套管瓷套区域的异常发热区域的相对温差与所述套管积污状态下的温升判据进行对比,判断套管积污缺陷。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求8所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211190485.6A CN115587975B (zh) | 2022-09-28 | 2022-09-28 | 充油设备套管积污缺陷诊断系统、方法和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211190485.6A CN115587975B (zh) | 2022-09-28 | 2022-09-28 | 充油设备套管积污缺陷诊断系统、方法和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115587975A CN115587975A (zh) | 2023-01-10 |
CN115587975B true CN115587975B (zh) | 2023-06-30 |
Family
ID=84778111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211190485.6A Active CN115587975B (zh) | 2022-09-28 | 2022-09-28 | 充油设备套管积污缺陷诊断系统、方法和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587975B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049619A (zh) * | 2022-06-16 | 2022-09-13 | 浙江理工大学 | 一种针对复杂场景的高效瑕疵检测方法 |
CN115100554A (zh) * | 2022-07-19 | 2022-09-23 | 西安石油大学 | 一种基于智能视觉的无人机电力巡检系统及其检测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018232378A1 (en) * | 2017-06-16 | 2018-12-20 | Markable, Inc. | Image processing system |
US20220122243A1 (en) * | 2018-02-19 | 2022-04-21 | Blancco Technology Group IP Oy | System and method for detection of mobile device fault conditions |
US10489683B1 (en) * | 2018-12-17 | 2019-11-26 | Bodygram, Inc. | Methods and systems for automatic generation of massive training data sets from 3D models for training deep learning networks |
CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
CN111110244A (zh) * | 2019-12-28 | 2020-05-08 | 苏州同启苏沐软件有限公司 | 一种帕金森综合症诊断仪 |
CN111369516B (zh) * | 2020-03-01 | 2023-06-30 | 上海置信电气股份有限公司 | 基于红外图像识别的变压器套管发热缺陷检测方法 |
CN114627360A (zh) * | 2020-12-14 | 2022-06-14 | 国电南瑞科技股份有限公司 | 基于级联检测模型的变电站设备缺陷识别方法 |
CN113159334B (zh) * | 2021-02-24 | 2022-10-11 | 广西大学 | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 |
CN113191429A (zh) * | 2021-04-29 | 2021-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器套管故障诊断方法及装置 |
CN113344475B (zh) * | 2021-08-05 | 2021-12-31 | 国网江西省电力有限公司电力科学研究院 | 基于序列模态分解的变压器套管缺陷识别方法及系统 |
CN113989268A (zh) * | 2021-11-12 | 2022-01-28 | 国网重庆市电力公司电力科学研究院 | 一种识别红外图像中指定设备的gis套管的方法及存储介质 |
CN114463299A (zh) * | 2022-01-26 | 2022-05-10 | 浙江天铂云科光电股份有限公司 | 一种穿墙套管的红外图像检测方法 |
CN114581419A (zh) * | 2022-03-09 | 2022-06-03 | 国网浙江省电力有限公司超高压分公司 | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 |
CN115040120A (zh) * | 2022-05-31 | 2022-09-13 | 哈工大机器人(合肥)国际创新研究院 | 一种集成化近红外脑成像系统 |
-
2022
- 2022-09-28 CN CN202211190485.6A patent/CN115587975B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049619A (zh) * | 2022-06-16 | 2022-09-13 | 浙江理工大学 | 一种针对复杂场景的高效瑕疵检测方法 |
CN115100554A (zh) * | 2022-07-19 | 2022-09-23 | 西安石油大学 | 一种基于智能视觉的无人机电力巡检系统及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115587975A (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110514924B (zh) | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN110147781B (zh) | 基于机器学习的桥梁振动模态可视化损伤识别方法 | |
CN111798412A (zh) | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 | |
CN110728300A (zh) | 基于道岔动作电流曲线识别故障类型的方法及系统 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN116704733B (zh) | 铝合金电缆的老化预警方法及系统 | |
CN114022715A (zh) | 一种高压电缆终端铅封缺陷检测方法及装置 | |
CN115908407B (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN111402249B (zh) | 基于深度学习的图像演化分析方法 | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN114463299A (zh) | 一种穿墙套管的红外图像检测方法 | |
CN115587975B (zh) | 充油设备套管积污缺陷诊断系统、方法和介质 | |
CN115471453A (zh) | 一种基于图像处理的电力设备故障诊断方法 | |
CN116012310A (zh) | 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN114120043A (zh) | 一种基于生产动态数据和示功图检测异常抽油井的方法 | |
CN110082424B (zh) | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 | |
CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |