CN115620200A - 一种基于热力图生成模块的变电设备图像检测方法及系统 - Google Patents
一种基于热力图生成模块的变电设备图像检测方法及系统 Download PDFInfo
- Publication number
- CN115620200A CN115620200A CN202211309273.5A CN202211309273A CN115620200A CN 115620200 A CN115620200 A CN 115620200A CN 202211309273 A CN202211309273 A CN 202211309273A CN 115620200 A CN115620200 A CN 115620200A
- Authority
- CN
- China
- Prior art keywords
- module
- image detection
- detection model
- power transformation
- thermodynamic diagram
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000010586 diagram Methods 0.000 title claims abstract description 59
- 230000009466 transformation Effects 0.000 title claims abstract description 50
- 230000007246 mechanism Effects 0.000 claims abstract description 41
- 230000003068 static effect Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000010438 heat treatment Methods 0.000 claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000009432 framing Methods 0.000 claims abstract description 6
- 238000009412 basement excavation Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000001931 thermography Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 3
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 102100028162 ATP-binding cassette sub-family C member 3 Human genes 0.000 description 1
- 102100028187 ATP-binding cassette sub-family C member 6 Human genes 0.000 description 1
- 101000986633 Homo sapiens ATP-binding cassette sub-family C member 3 Proteins 0.000 description 1
- 101000986621 Homo sapiens ATP-binding cassette sub-family C member 6 Proteins 0.000 description 1
- 101001014572 Homo sapiens MARCKS-related protein Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005288 electromagnetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011787 zinc oxide Substances 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及神经网络技术领域,公开了一种基于热力图生成模块的变电设备图像检测方法,包括:对监控巡检采集装置采集的电力设备视频进行分帧处理获取静态图像;构建基于融合注意力机制的图像检测模型;使用交叉熵损失函数优化图像检测模型;使用数据集训练图像检测模型,生成训练好的图像检测模型;在实际场景下使用监控巡检采集装置采集电力设备视频,将采集的变电设备的静态图像数据作为待检测样本输入进训练好的图像检测模型中,通过深度挖掘分析热力图生成模块生成的特征结果并将其可视化处理,判断变电设备内部是否产生发热缺陷。本发明还提供了一种基于热力图生成模块的变电设备图像检测系统。
Description
技术领域
本发明涉及神经网络技术领域,具体地说,是一种基于热力图生成模块的变电设备图像检测方法及系统,用于解决使用红外热像仪对变电设备图像缺陷过程中出现的精度检测不准确以及要求繁杂的问题。
背景技术
在变电设备中分为电压制热型设备、电流制热型设备和综合制热型设备。电压制热型设备是由于电压效应引起发热的设备,如氧化锌避雷针、电容式电压互感器、耦合电容器、绝缘子等。电流制热型设备是由于电流效应引起发热的设备,如变压器出线接头、套管内外部连接等发热与负荷密切相关的设备。综合致热型设备是由于电压效应、电流效应、电磁效应结合引起发热的设备,如高压套管、电流互感器、电力电缆终端等以及变压器箱体的涡流损耗。现有的变电设备多数是由红外检测进行检测的,一般操作过程是将红外热像仪将不可见的红外辐射转换成可见的图像,物体的红外辐射经过镜头聚焦到探测器上,电信号经过信号处理器的放大并且数字化到红外热像仪的信号处理部分,在转换成能在显示器上看到的红外图像,但是使用红外检测的要求非常繁多,需要避开实现中的封闭遮挡物、对环境温度、湿度、夜间图像质量、检测风速都有一定的要求,此外,还要避开阳光直射入红外检测仪镜头,在室内和晚上也要避开灯光直射,在使用红外检测仪成像时还要避开附近热辐射源、人体热源等的干扰。
因此,基于上述问题,本发明设计了一种基于热力图生成模块的变电设备图像检测方法,解决了使用红外热像仪对变电设备图像缺陷过程中出现的精度检测不准以及要求繁杂的问题。
发明内容
本发明的目的在于提供一种基于热力图生成模块的变电设备图像检测方法及系统,用于解决使用红外热像仪对变电设备图像缺陷过程中出现的精度检测不准确以及要求繁杂的问题。
本发明通过下述技术方案实现:一种基于热力图生成模块的变电设备图像检测方法,包括以下数据:
步骤S1,对监控巡检采集装置采集的电力设备视频进行分帧处理获取静态图像,对静态图像进行预处理并构建数据集,所述数据集包括测试集和训练集;
步骤S2,构建基于融合注意力机制的图像检测模型,所述图像检测模型包括卷积模块、批量归一化模块、修正模块、柔性最大值模块、通道注意力机制模块、感知模块、空间注意力机制模块、特征拼接模块、损失函数计算模块和热力图生成模块;
步骤S3,使用交叉熵损失函数优化图像检测模型;
步骤S4,使用数据集训练图像检测模型,生成训练好的图像检测模型;
步骤S5,在实际场景下使用监控巡检采集装置采集电力设备视频,将采集的变电设备的静态图像数据作为待检测样本输入进训练好的图像检测模型中,通过深度挖掘分析热力图生成模块生成的特征结果并将其可视化处理,判断变电设备内部是否产生发热缺陷。
为了更好地实现本发明,进一步地,所述步骤S1包括:
根据置信度高低对静态图像进行降序排列后,将静态图像转换成与图像检测模型结构匹配的RGB格式,并调整静态图像的大小;
读取静态图像后给静态图像进行分类,将静态图像进行标注构建测试集,将缺陷图像数据进行标注构建训练集。
为了更好地实现本发明,进一步地,所述步骤S2包括:
所述图像检测模型包括并联连接的第一卷积组合模块和第二卷积组合模块,所述第一卷积组合模块包括第一卷积模块、第一批量归一化模块和第一修正模块,所述第二卷积组合模块宝库第二卷积模块、第二批量归一化模块和第二修正模块;
所述第一卷积组合模块和第二卷积组合模块输出的结果进行特征相乘后连接柔性最大值模块;
所述柔性最大值模块依次连接通道注意力机制模块、第一感知模块、空间注意力机制模块、第二感知模块、特征拼接模块、损失函数计算模块和热力图生成模块;
所述空间注意力机制模块和第二感知模块分别连接特征拼接模块。
为了更好地实现本发明,进一步地,通过所述图像检测模型进行图像检测的方法包括:
步骤a,通过并联连接第一卷积组合模块和第二卷积组合模块提取静态图像的特征信息;
步骤b,将第一卷积组合模块提取的特征和第二卷积组合模块提取的特征进行特征相乘,计算出特征相关性;
步骤c,将特征相关性输入进柔性最大值模块后输出空间域注意力图;
步骤d,将空间与注意力图输入进通道注意力机制模块中,一部分依次经过第一感知模块、空间注意力机制模块、第二感知模块和特征拼接模块,另一部分直接输出至特征拼接模块,将空间域注意力图中的特征进行聚合;
步骤e,将聚合后的信息输入进损失函数计算模块中计算损失值进行优化,输出优化的特征信息;
步骤f,将优化的特征信息输入进热力图生成模块中进行可视化热像图处理。
为了更好地实现本发明,进一步地,所述步骤S3包括:
为了更好地实现本发明,进一步地,所述步骤S4中训练图像检测模型的过程包括:
初始化数据集,并利用训练集进行训练图像检测模型,将图像检测模型中的迭代次数和学习率预设完整,直到迭代次数等于最大迭代次数,中止训练。
为了更好地实现本发明,进一步地,所述步骤S5包括:
将热力图生成模块生成的特征结果进行可视化处理;
预设正常点温度和异常点温度,计算正常点温度和异常点温度之间的温差;
在可视化图中根据公式△t1=|t1-t0|,计算正常点和异常点温度区域的差值△t1,其中,t0为正常点区域对应的温度,t1为异常点区域对应的温度;
将正常点和异常点温度区域的差值△t1和预先设置的变电设备类型对应的额定差值作比较,如果大于或等于额定差值,认为检测的变电设备产生发热缺陷;
如果小于额定差值,认为检测的变电设备未产生发热缺陷。
为了更好地实现本发明,进一步地,本发明发还提供了一种基于热力图生成模块的变电设备图像检测系统,包括采集单元、模型搭建单元、优化单元、训练单元和检测单元,其中:
采集单元,用于对监控巡检采集装置采集的电力设备视频进行分帧处理获取静态图像,对静态图像进行预处理并构建数据集和训练集;
模型搭建单元,用于构建基于融合注意力机制的图像检测模型,所述图像检测模型包括卷积模块、批量归一化模块、修正模块、柔性最大值模块、通道注意力机制模块、感知模块、空间注意力机制模块、特征拼接模块、损失函数计算模块和热力图生成模块;
优化单元,用于使用交叉熵损失函数优化图像检测模型;
训练单元,用于使用数据集训练图像检测模型,生成训练好的图像检测模型;
检测单元,用于在实际场景下使用监控巡检采集装置采集电力设备视频,将采集的变电设备的静态图像数据作为待检测样本输入进训练好的图像检测模型中,通过深度挖掘分析热力图生成模块生成的特征结果并将其可视化处理,判断变电设备内部是否产生发热缺陷。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明解决了使用红外热像仪对变电设备图像缺陷过程中出现的精度检测不准以及要求繁杂的问题;
(2)本发明在神经网络中结合了Grad CAM热力图生成模块能够更好的反应成像效果,判断变电设备内部是否发生发热缺陷。
(3)本发明使用改进的混合注意力机制,即基于融合注意力机制的融合注意力模块,再对提取的特征使用融合注意力模块提取其注意力图,再使用类热力图模型生成最终的特征,通过深度挖掘分析得到变电设备内部是否产生发热缺陷,这样能够更进准的提取到变电设备正常温度区域和异常温度区域。
附图说明
本发明结合下面附图和实施例做进一步说明,本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的图像检测模型的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
实施例1:
本实施例的一种基于热力图生成模块的变电设备图像检测方法,本发明在考虑到对变电设备图像检测进行检测的过程中,想到了引用注意力机制,我们希望我们在处理变电设备静态图像的时候能够对发热的区域给予大的权重,对不发热的区域给予较小的权重,常用的基于注意力机制的代表机制有通道注意力机制、空间注意力机制和自注意力机制,在此之上,还有将通道注意力和空间注意力可以串联或者并联的方式进行组合的混合注意力机制,其常用的做法是输入特征依次进入串联的基于通道注意力机制的通道注意力模块和基于空间注意力机制的空间注意力模块,最后输出调整后的特征。
本发明需要解决的问题是对变电设备图像进行检测,根据变电图像的热力判断其是否产生发热缺陷,因此其必不可少的就是类热力图模型,考虑到模型的损耗问题,本申请基于神经网络,首先使用卷积组合层提取电力设备静态图像数据的局部信息,然后输入进多层感知机层对局部信息进行变换交予空间变换自注意力模块处理
因此,本发明的设计思路是先使用卷积神经网络提取特征,然后使用改进的混合注意力机制,即基于融合注意力机制的融合注意力模块,再对提取的特征使用融合注意力模块提取其注意力图,再使用类热力图模型生成最终的特征,通过深度挖掘分析得到变电设备内部是否产生发热缺陷。
如图1所示,F为输入的特征,C1为第一卷积模块、C2为第二卷积模块、BN1为第一批量归一化模块、BN2为第二批量归一化模块、ReLU1为第一修正模块,ReLU2为第二修正模块,softmax为柔性最大值模块,CAM为通道注意力机制模块,SAM为空间注意力机制模块,MLP1为第一感知模块,MLP2为第二感知模块,FL为损失函数计算模块,concat为特征拼接模块,Grad CAM为热力图生成模块。
图像检测模型包括并联连接的第一卷积组合模块和第二卷积组合模块,第一卷积组合模块包括第一卷积模块、第一批量归一化模块和第一修正模块,第二卷积组合模块宝库第二卷积模块、第二批量归一化模块和第二修正模块;
第一卷积组合模块和第二卷积组合模块输出的结果进行特征相乘后连接柔性最大值模块;
柔性最大值模块依次连接通道注意力机制模块、第一感知模块、空间注意力机制模块、第二感知模块、特征拼接模块、损失函数计算模块和热力图生成模块;
空间注意力机制模块和第二感知模块分别连接特征拼接模块。
通过图像检测模型进行图像检测的方法包括:
步骤a,通过并联连接第一卷积组合模块和第二卷积组合模块提取静态图像的特征信息;
步骤b,将第一卷积组合模块提取的特征和第二卷积组合模块提取的特征进行特征相乘,计算出特征相关性;
步骤c,将特征相关性输入进柔性最大值模块后输出空间域注意力图;
步骤d,将空间与注意力图输入进通道注意力机制模块中,一部分依次经过第一感知模块、空间注意力机制模块、第二感知模块和特征拼接模块,另一部分直接输出至特征拼接模块,将空间域注意力图中的特征进行聚合;
步骤e,将聚合后的信息输入进损失函数计算模块中计算损失值进行优化,输出优化的特征信息;
步骤f,将优化的特征信息输入进热力图生成模块中进行可视化热像图处理。
实施例2:
本实施例在实施例1的基础上做进一步优化,在本实施例中,设置的分帧间隔可为25帧,根据静态图像检测分数的高低对静态图像进行排序,具有高排名的检测分数的类别被视为高置信度类别,其余则被视为低置信度类别。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上做进一步优化,在实际场景下使用监控巡检采集装置采集电力设备视频,将采集的变电设备的静态图像数据作为待检测样本输入进训练好的图像检测模型中,通过深度挖掘分析热力图生成模块生成的特征结果并将其可视化处理,判断变电设备内部是否产生发热缺陷。
将热力图生成模块生成的特征结果进行可视化处理;
预设正常点温度和异常点温度,计算正常点温度和异常点温度之间的温差;
在可视化图中根据公式△t1=|t1-t0|,计算正常点和异常点温度区域的差值△t1,其中,t0为正常点区域对应的温度,t1为异常点区域对应的温度;
将正常点和异常点温度区域的差值△t1和预先设置的变电设备类型对应的额定差值作比较,如果大于或等于额定差值,认为检测的变电设备产生发热缺陷;
如果小于额定差值,认为检测的变电设备未产生发热缺陷。
上述处理是因为变电设备类型多种多样,以断路器为例,其正常温度在20-23℃,过热点温度在37-40℃,具体判断其是否产生发热缺陷,要看两个温度的差值是否大于或等于17℃。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (8)
1.一种基于热力图生成模块的变电设备图像检测方法,其特征在于,包括以下数据:
步骤S1,对监控巡检采集装置采集的电力设备视频进行分帧处理获取静态图像,对静态图像进行预处理并构建数据集,所述数据集包括测试集和训练集;
步骤S2,构建基于融合注意力机制的图像检测模型,所述图像检测模型包括卷积模块、批量归一化模块、修正模块、柔性最大值模块、通道注意力机制模块、感知模块、空间注意力机制模块、特征拼接模块、损失函数计算模块和热力图生成模块;
步骤S3,使用交叉熵损失函数优化图像检测模型;
步骤S4,使用数据集训练图像检测模型,生成训练好的图像检测模型;
步骤S5,在实际场景下使用监控巡检采集装置采集电力设备视频,将采集的变电设备的静态图像数据作为待检测样本输入进训练好的图像检测模型中,通过深度挖掘分析热力图生成模块生成的特征结果并将其可视化处理,判断变电设备内部是否产生发热缺陷。
2.根据权利要求1所述的一种基于热力图生成模块的变电设备图像检测方法,其特征在于,所述步骤S1包括:
根据置信度高低对静态图像进行降序排列后,将静态图像转换成与图像检测模型结构匹配的RGB格式,并调整静态图像的大小;
读取静态图像后给静态图像进行分类,将静态图像进行标注构建测试集,将缺陷图像数据进行标注构建训练集。
3.根据权利要求1所述的一种基于热力图生成模块的变电设备图像检测方法,其特征在于,所述步骤S2包括:
所述图像检测模型包括并联连接的第一卷积组合模块和第二卷积组合模块,所述第一卷积组合模块包括第一卷积模块、第一批量归一化模块和第一修正模块,所述第二卷积组合模块宝库第二卷积模块、第二批量归一化模块和第二修正模块;
所述第一卷积组合模块和第二卷积组合模块输出的结果进行特征相乘后连接柔性最大值模块;
所述柔性最大值模块依次连接通道注意力机制模块、第一感知模块、空间注意力机制模块、第二感知模块、特征拼接模块、损失函数计算模块和热力图生成模块;
所述空间注意力机制模块和第二感知模块分别连接特征拼接模块。
4.根据权利要求3所述的一种基于热力图生成模块的变电设备图像检测方法,其特征在于,通过所述图像检测模型进行图像检测的方法包括:
步骤a,通过并联连接第一卷积组合模块和第二卷积组合模块提取静态图像的特征信息;
步骤b,将第一卷积组合模块提取的特征和第二卷积组合模块提取的特征进行特征相乘,计算出特征相关性;
步骤c,将特征相关性输入进柔性最大值模块后输出空间域注意力图;
步骤d,将空间与注意力图输入进通道注意力机制模块中,一部分依次经过第一感知模块、空间注意力机制模块、第二感知模块和特征拼接模块,另一部分直接输出至特征拼接模块,将空间域注意力图中的特征进行聚合;
步骤e,将聚合后的信息输入进损失函数计算模块中计算损失值进行优化,输出优化的特征信息;
步骤f,将优化的特征信息输入进热力图生成模块中进行可视化热像图处理。
6.根据权利要求1所述的一种基于热力图生成模块的变电设备图像检测方法,其特征在于,所述步骤S4中训练图像检测模型的过程包括:
初始化数据集,并利用训练集进行训练图像检测模型,将图像检测模型中的迭代次数和学习率预设完整,直到迭代次数等于最大迭代次数,中止训练。
7.根据权利要求1所述的一种基于热力图生成模块的变电设备图像检测方法,其特征在于,所述步骤S5包括:
将热力图生成模块生成的特征结果进行可视化处理;
预设正常点温度和异常点温度,计算正常点温度和异常点温度之间的温差;
在可视化图中根据公式△t1=|t1-t0|,计算正常点和异常点温度区域的差值△t1,其中,t0为正常点区域对应的温度,t1为异常点区域对应的温度;
将正常点和异常点温度区域的差值△t1和预先设置的变电设备类型对应的额定差值作比较,如果大于或等于额定差值,认为检测的变电设备产生发热缺陷;
如果小于额定差值,认为检测的变电设备未产生发热缺陷。
8.一种基于热力图生成模块的变电设备图像检测系统,其特征在于,包括采集单元、模型搭建单元、优化单元、训练单元和检测单元,其中:
采集单元,用于对监控巡检采集装置采集的电力设备视频进行分帧处理获取静态图像,对静态图像进行预处理并构建数据集;
模型搭建单元,用于构建基于融合注意力机制的图像检测模型,所述图像检测模型包括卷积模块、批量归一化模块、修正模块、柔性最大值模块、通道注意力机制模块、感知模块、空间注意力机制模块、特征拼接模块、损失函数计算模块和热力图生成模块;
优化单元,用于使用交叉熵损失函数优化图像检测模型;
训练单元,用于使用数据集训练图像检测模型,生成训练好的图像检测模型;
检测单元,用于在实际场景下使用监控巡检采集装置采集电力设备视频,将采集的变电设备的静态图像数据作为待检测样本输入进训练好的图像检测模型中,通过深度挖掘分析热力图生成模块生成的特征结果并将其可视化处理,判断变电设备内部是否产生发热缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211309273.5A CN115620200A (zh) | 2022-10-25 | 2022-10-25 | 一种基于热力图生成模块的变电设备图像检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211309273.5A CN115620200A (zh) | 2022-10-25 | 2022-10-25 | 一种基于热力图生成模块的变电设备图像检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620200A true CN115620200A (zh) | 2023-01-17 |
Family
ID=84865206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211309273.5A Pending CN115620200A (zh) | 2022-10-25 | 2022-10-25 | 一种基于热力图生成模块的变电设备图像检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620200A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129353A (zh) * | 2023-02-07 | 2023-05-16 | 佛山市顺德区福禄康电器科技有限公司 | 一种基于图像识别进行智能监控的方法及系统 |
-
2022
- 2022-10-25 CN CN202211309273.5A patent/CN115620200A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129353A (zh) * | 2023-02-07 | 2023-05-16 | 佛山市顺德区福禄康电器科技有限公司 | 一种基于图像识别进行智能监控的方法及系统 |
CN116129353B (zh) * | 2023-02-07 | 2024-05-07 | 广州融赋数智技术服务有限公司 | 一种基于图像识别进行智能监控的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Infrared thermography‐based diagnostics on power equipment: State‐of‐the‐art | |
CN103901072B (zh) | 利用红外图谱分析诊断设备过热缺陷的方法 | |
CN111624229B (zh) | 一种基于红外成像的带电设备故障智能诊断方法 | |
dit Leksir et al. | Localization of thermal anomalies in electrical equipment using Infrared Thermography and support vector machine | |
CN111751002B (zh) | 一种基于红外热成像的带电设备故障智能诊断方法 | |
CN115620200A (zh) | 一种基于热力图生成模块的变电设备图像检测方法及系统 | |
CN107561423A (zh) | 红外紫外一体化的故障预警装置 | |
CN111308283A (zh) | 一种多功能开关柜工作状态传感器及预警方法 | |
CN114494185B (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
CN109945977B (zh) | 一种干式变压器热故障诊断方法及系统 | |
CN107290062A (zh) | 一种基于红外热像图的输变电设备状态分析方法 | |
CN107121607A (zh) | 一种基于紫外和红外图像的电力系统故障检测系统及方法 | |
Jadin et al. | Thermal condition monitoring of electrical installations based on infrared image analysis | |
Ribarić et al. | A knowledge-based system for the non-destructive diagnostics of façade isolation using the information fusion of visual and IR images | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN115147780A (zh) | 一种电缆附件的红外图像识别方法 | |
CN111256832A (zh) | 基于红外检测的群体体温筛查方法及其设备 | |
CN117367589A (zh) | 基于ai技术的变电站主设备全天候辅助测温系统 | |
CN114325274B (zh) | 一种换流变阀侧套管局部放电检测系统及方法 | |
Zhang et al. | A probabilistic calculation method of transformer temperature fault based on photoelectric infrared sensor | |
Cipriani et al. | Thermal anomalies detection in a photovoltaic plant using artificial intelligence: Italy case studies | |
Olivatti et al. | Analysis of artificial intelligence techniques applied to thermographic inspection for automatic detection of electrical problems | |
CN105841822A (zh) | 一种斯太尔摩控制冷却线散卷轧件温度在线监测方法 | |
CN114418941B (zh) | 一种基于电力巡检设备检测数据的缺陷诊断方法及系统 | |
Dong et al. | Construction and implementation of power equipment infrared thermal image database based on curve analysis method |
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 |