CN115908303A - 一种电缆缺陷诊断模型的构建方法和系统 - Google Patents
一种电缆缺陷诊断模型的构建方法和系统 Download PDFInfo
- Publication number
- CN115908303A CN115908303A CN202211425127.9A CN202211425127A CN115908303A CN 115908303 A CN115908303 A CN 115908303A CN 202211425127 A CN202211425127 A CN 202211425127A CN 115908303 A CN115908303 A CN 115908303A
- Authority
- CN
- China
- Prior art keywords
- image
- cable
- defect
- diagnosis
- neural network
- 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.)
- Withdrawn
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 199
- 230000007547 defect Effects 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 210000003127 knee Anatomy 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000003623 enhancer Substances 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013024 troubleshooting Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004458 analytical method 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
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明公开了一种电缆缺陷诊断模型的构建方法和系统,属于图像处理领域,方法包括:获取电缆图像集合;对多组电缆图像进行编号,并进行预处理;构建红外图像数据集和可见光图像数据集;构建特征池,特征池包括亮度特征池和形状特征池;构建特征提取网络,从待检红外图像中提取出亮度特征放入至亮度特征池,从可见光图像中提取出形状特征放入至形状特征池;构建缺陷诊断神经网络;构建特征融合神经网络,通过特征融合神经网络在数据特征与缺陷结果之间建立映射关系;通过训练样本对电缆缺陷诊断模型进行训练;将测试样本输入到电缆缺陷诊断模型中;当向电缆缺陷诊断模型输入目标电缆图像时,输出是否存在缺陷以及缺陷的类别。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种电缆缺陷诊断模型的构建方法和系统。
背景技术
近年来,随着城市化进程不断提高,城市电网电缆化率持续攀升并已超过 50%,输电电缆设备精益化管理与本质安全管控水平直接影响城市电网安全稳定运行,全社会对供电质量和优质服务水平的需求进一步提升,高压电缆专业精益化管理面临新的挑战。
输电电缆长时间使用过程中,不可避免的会出现电缆外绝缘老化,导致电气绝缘强度降低,甚至发生故障。现有技术面对输电电缆老化问题,主要采用人工排查的方式进行,排查效率低,人力成本高。
发明内容
为了解决上述技术问题,本发明提供一种电缆缺陷诊断模型的构建方法、系统、计算机设备以及计算机可读存储介质。
第一方面
本发明提供一种电缆缺陷诊断模型的构建方法,包括:
S101:获取电缆图像集合,电缆图像集合中包括多组电缆图像,每组电缆图像包括对于同一位置进行拍摄的红外图像和可见光图像,其中,电缆图像对应的位置处是否存在缺陷以及缺陷的类别为已知量;
S102:对多组电缆图像进行编号,并进行预处理,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像;
S103:构建红外图像数据集和可见光图像数据集,将待检红外图像存入红外图像数据集,将待检可见光图像存入可见光图像数据集,并将图像数据划分为训练样本和测试样本;
S104:构建特征池,特征池包括亮度特征池和形状特征池;
S105:构建特征提取网络,从待检红外图像中提取出亮度特征放入至亮度特征池,从可见光图像中提取出形状特征放入至形状特征池;
S106:构建缺陷诊断神经网络,其中,缺陷诊断神经网络包括红外图像诊断神经网络和可见光图像诊断神经网络,亮度特征池连接红外图像诊断神经网络,形状特征池连接可见光图像诊断神经网络;
S107:构建特征融合神经网络,缺陷诊断神经网络的输出端连接至特征融合神经网络,通过特征融合神经网络在数据特征与缺陷结果之间建立映射关系;
S108:通过训练样本、已知的训练样本是否存在缺陷以及缺陷的类别,对电缆缺陷诊断模型进行训练;
S109:将测试样本输入到电缆缺陷诊断模型中,验证其有效性,并根据验证结果调整电缆缺陷诊断模型的参数;
S110:在向电缆缺陷诊断模型输入目标电缆图像的情况下,通过电缆缺陷诊断模型输出目标电缆图像是否存在缺陷以及缺陷的类别。
第二方面
本发明提供一种电缆缺陷诊断模型的构建系统,包括:
获取模块,用于获取电缆图像集合,电缆图像集合中包括多组电缆图像,每组电缆图像包括对于同一位置进行拍摄的红外图像和可见光图像,其中,电缆图像对应的位置处是否存在缺陷以及缺陷的类别为已知量;
预处理模块,用于对多组电缆图像进行编号,并进行预处理,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像;
数据集构建模块,用于构建红外图像数据集和可见光图像数据集,将待检红外图像存入红外图像数据集,将待检可见光图像存入可见光图像数据集,并将图像数据划分为训练样本和测试样本;
特征池构建模块,用于构建特征池,特征池包括亮度特征池和形状特征池;
特征提取模块,用于构建特征提取网络,从待检红外图像中提取出亮度特征放入至亮度特征池,从可见光图像中提取出形状特征放入至形状特征池;
诊断网络构建模块,用于构建缺陷诊断神经网络,其中,缺陷诊断神经网络包括红外图像诊断神经网络和可见光图像诊断神经网络,亮度特征池连接红外图像诊断神经网络,形状特征池连接可见光图像诊断神经网络;
融合网络构建模块,用于构建特征融合神经网络,缺陷诊断神经网络的输出端连接至特征融合神经网络,通过特征融合神经网络在数据特征与缺陷结果之间建立映射关系;
训练模块,用于通过训练样本、已知的训练样本是否存在缺陷以及缺陷的类别,对电缆缺陷诊断模型进行训练;
验证模块,用于将测试样本输入到电缆缺陷诊断模型中,验证其有效性,并根据验证结果调整电缆缺陷诊断模型的参数;
输出模块,用于在向电缆缺陷诊断模型输入目标电缆图像的情况下,通过电缆缺陷诊断模型输出目标电缆图像是否存在缺陷以及缺陷的类别。
第三方面
本发明提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如第一方面的电缆缺陷诊断模型的构建方法。
第四方面
本发明提供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,该程序被处理器执行时实现如第一方面的电缆缺陷诊断模型的构建方法。
与现有技术相比,本发明至少具有以下有益效果:
1、在本发明中,通过构建电缆缺陷诊断模型,可以在向电缆缺陷诊断模型中输入电缆图像时,自动化地判断电缆图像中所指示的电缆是否存在故障以及故障的类型,提升排查效率,降低人力成本。
2、在本发明中,从红外图像中提取亮度特征,从可见光图像中提取形状特征,从亮度特征和形状特征两方面综合考量相应的电缆是否存在故障,提高电缆缺陷诊断的准确性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种电缆缺陷诊断模型的构建方法的流程示意图;
图2是本发明提供的一种电缆缺陷诊断模型的结构示意图;
图3是本发明提供的一种电缆缺陷诊断模型的构建系统的结构示意图;
图4是本发明提供的一种计算机设备的硬件结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和 /或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在一个实施例中,参考说明书附图1,本发明提供的一种电缆缺陷诊断模型的构建方法的流程示意图。参考说明书附图2,本发明提供的一种电缆缺陷诊断模型的结构示意图。
本发明提供的一种电缆缺陷诊断模型的构建方法,包括:
S101:获取电缆图像集合,电缆图像集合中包括多组电缆图像,每组电缆图像包括对于同一位置进行拍摄的红外图像和可见光图像,其中,电缆图像对应的位置处是否存在缺陷以及缺陷的类别为已知量。
其中,缺陷类别可以包括电缆绝缘层老化、电缆上存在异物、电缆接头松动等。
可选地,电缆图像集合可以是历史采集的电缆图像数据,本领域技术人员已经知晓图像指示的电缆是否存在缺陷以及缺陷的类别,后续根据已知的结果去训练模型,可以增强模型对于缺陷诊断的准确性。
需要说明的是,红外图像可用于表征电缆的内部特征,可见光图像可用于表征电缆的外部特征。在电缆存在缺陷时,其红外图像中含有亮度特征和可见光图像中含有的形状特征相较于正常的电缆往往有较大的差异,因此在电缆缺陷分析时,需要着重考虑红外图像中的亮度特征和可见光图像中的形状特征。
S102:对多组电缆图像进行编号,并进行预处理,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像。
其中,对电缆图像进行编号是为了通过编号在已知的结果与诊断的结果之间建立联系,便于后续对于模型的故障诊断结果进行校验。
需要说明的是,编号可以以数字的形式进行,例如,第1组电缆图像、第 2组电缆图像……,每组电缆图像包括对于同一位置进行拍摄的1张红外图像和1张可见光图像。
在一种可能的实施方式中,S102具体包括:
S1021:对多组电缆图像进行编号;
S1022:通过YOLOv4检测网络,识别红外图像和可见光图像中的电缆区域;
S1023:通过UNet分割网络对电缆区域进行截取;
S1024:将截取后的图像中的电缆区域旋转至水平方向;
S1025:对旋转后的图像进行归一化处理,将图像调整为预设尺寸;
其中,预设尺寸可以是640*320。
S1026:对归一化处理后的图像进行图像增强,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像。
其中,图像增强处理用于增强图像的对比度与清晰度,使得图像展示更多的细节信息。
可选地,在图像增强处理之前,还可以对图像进行去噪滤波,提升图像质量。
在一种可能的实施方式中,S1026具体为:
将图像分解为低频图像和高频图像,对低频图像进行增强,将增强后的低频图像与高频图像重新组合,获得增强后的图像;
其中,分解变换函数由拐点函数和伽玛校正函数结合而成,分解变换函数可表示为:
其中,p为图像频率分解临界值,β为变换参数,α1,α2,α3,α4均为增强系数,通过调节β,α1,α2,α3,α4的大小可以调节图像的对比度。
其中,伽玛校正可以对图像的伽马曲线进行编辑,以对图像进行非线性色调编辑,检出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像对比度效果。
S103:构建红外图像数据集和可见光图像数据集,将待检红外图像存入红外图像数据集,将待检可见光图像存入可见光图像数据集,并将图像数据划分为训练样本和测试样本。
可选地,将图像数据中的70%划分为训练样本,30%划分为测试样本。
在实际应用过程中,可以灵活调整训练样本和测试样本的比例,以保证诊断模型的训练的有效性。
S104:构建特征池,特征池包括亮度特征池和形状特征池。
其中,亮度特征池用于存储亮度特征,形状特征池用于存储形状特征。
S105:构建特征提取网络,从待检红外图像中提取出亮度特征放入至亮度特征池,从可见光图像中提取出形状特征放入至形状特征池。
可选地,通过提取原始红外图像的灰度直方图,实现从待检红外图像中提取出亮度特征。
可选地,通过提取可见光图像中的电缆区域的最小外接矩阵,将最小外接矩阵的大小作为形状特征,实现从可见光图像中提取出形状特征。
可选地,通过提取可见光图像中的电缆区域的轮廓,将轮廓的平整度作为形状特征,实现从可见光图像中提取出形状特征。
S106:构建缺陷诊断神经网络,其中,缺陷诊断神经网络包括红外图像诊断神经网络和可见光图像诊断神经网络,亮度特征池连接红外图像诊断神经网络,形状特征池连接可见光图像诊断神经网络。
可选地,红外图像诊断神经网络可以根据红外图像的亮度特征给出自己的诊断结果,可见光图像诊断神经网络可以根据可见光图像的形状特征给出自己的诊断结果,两者互补干扰,之后对两者各自的诊断结果进行综合考量,得到最终的诊断结果。
S107:构建特征融合神经网络,缺陷诊断神经网络的输出端连接至特征融合神经网络,通过特征融合神经网络在数据特征与缺陷结果之间建立映射关系。
在一种可能的实施方式中,特征融合神经网络可以对红外图像的亮度特征和可见光图像的形状特征进行统筹得到融合后的特征值,之后根据融合后的特征值进行缺陷诊断。
在一种可能的实施方式中,S107具体包括:
S1071:令亮度特征的权重为γ,亮度特征值为z1,形状特征的权重为δ,形状特征值为z2,则缺陷诊断值y为:
y=γ·z1+δ·z2
S1072:在缺陷诊断值小于预设值的情况下,判断电缆正常;
S1073:在缺陷诊断值大于预设值的情况下,判断电缆存在缺陷。
在实际应用过程中,将预设值设置的越低,电缆诊断为有故障越容易,电缆安全性就越高。但是本领域技术人员仍然需要综合考虑诊断错误即将电缆正常诊断为有缺陷时付出的代价(这是因为诊断错误需要人工去确认),适当的调整γ、δ以及预设值的具体大小,以平衡电缆安全性和诊断错误的成本。
在一种可能的实施方式中,在S1073之后,还包括:
S1074:对存在缺陷的电缆图像的亮度特征值和形状特征值按照缺陷的类别进行自动聚类,以在亮度特征值、形状特征值和缺陷的类别之间建立映射关系。
需要说明的是,将电缆图像诊断为存在缺陷时,可以通过聚类算法,进一步地确定缺陷的类别。
在一种可能的实施方式中,特征融合神经网络可以对红外图像诊断神经网络的诊断结果和可见光图像诊断神经网络的诊断结果进行统筹。
在一种可能的实施方式中,S107具体包括:
S107a:红外图像诊断神经网络输出第一诊断结果,可见光图像诊断神经网络输出第二诊断结果,第一诊断结果和第二诊断结果输入至特征融合神经网络,其中,诊断结果包括:线缆是否有缺陷的缺陷结果和缺陷属于何种类别的缺陷类别结果;
S107b:判断第一诊断结果和第二诊断结果是否相同;
S107c:在第一诊断结果和第二诊断结果相同的情况下,输出第一诊断结果和第二诊断结果中任意一个的诊断结果;
S107d:在第一诊断结果m1和第二诊断结果m2不同的情况下,计算第一诊断结果的概率P1和第二诊断结果的概率P2,按照以下公式确定输出的诊断结果 m:
其中,μ表示置信权值。
需要说明的是,置信权值μ可以理解为红外图像诊断神经网络输出第一诊断结果和可见光图像诊断神经网络输出第二诊断结果相比,何者的可信度更高。
在实际应用过程中,适当调整置信权值μ的大小可以提升缺陷诊断的准确性。
S108:通过训练样本、已知的训练样本是否存在缺陷以及缺陷的类别,对电缆缺陷诊断模型进行训练。
S109:将测试样本输入到电缆缺陷诊断模型中,验证其有效性,并根据验证结果调整电缆缺陷诊断模型的参数。
S110:在向电缆缺陷诊断模型输入目标电缆图像的情况下,通过电缆缺陷诊断模型输出目标电缆图像是否存在缺陷以及缺陷的类别。
与现有技术相比,本发明至少具有以下有益效果:
1、在本发明中,通过构建电缆缺陷诊断模型,可以在向电缆缺陷诊断模型中输入电缆图像时,自动化地判断电缆图像中所指示的电缆是否存在故障以及故障的类型,提升排查效率,降低人力成本。
2、在本发明中,从红外图像中提取亮度特征,从可见光图像中提取形状特征,从亮度特征和形状特征两方面综合考量相应的电缆是否存在故障,提高电缆缺陷诊断的准确性。
实施例2
在一个实施例中,参考说明书附图3,本发明提供的一种电缆缺陷诊断模型的构建系统的结构示意图。
本发明提供的一种电缆缺陷诊断模型的构建系统30,包括:
获取模块301,用于获取电缆图像集合,电缆图像集合中包括多组电缆图像,每组电缆图像包括对于同一位置进行拍摄的红外图像和可见光图像,其中,电缆图像对应的位置处是否存在缺陷以及缺陷的类别为已知量;
预处理模块302,用于对多组电缆图像进行编号,并进行预处理,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像;
数据集构建模块303,用于构建红外图像数据集和可见光图像数据集,将待检红外图像存入红外图像数据集,将待检可见光图像存入可见光图像数据集,并将图像数据划分为训练样本和测试样本;
特征池构建模块304,用于构建特征池,特征池包括亮度特征池和形状特征池;
特征提取模块305,用于构建特征提取网络,从待检红外图像中提取出亮度特征放入至亮度特征池,从可见光图像中提取出形状特征放入至形状特征池;
诊断网络构建模块306,用于构建缺陷诊断神经网络,其中,缺陷诊断神经网络包括红外图像诊断神经网络和可见光图像诊断神经网络,亮度特征池连接红外图像诊断神经网络,形状特征池连接可见光图像诊断神经网络;
融合网络构建模块307,用于构建特征融合神经网络,缺陷诊断神经网络的输出端连接至特征融合神经网络,通过特征融合神经网络在数据特征与缺陷结果之间建立映射关系;
训练模块308,用于通过训练样本、已知的训练样本是否存在缺陷以及缺陷的类别,对电缆缺陷诊断模型进行训练;
验证模块309,用于将测试样本输入到电缆缺陷诊断模型中,验证其有效性,并根据验证结果调整电缆缺陷诊断模型的参数;
输出模块310,用于在向电缆缺陷诊断模型输入目标电缆图像的情况下,通过电缆缺陷诊断模型输出目标电缆图像是否存在缺陷以及缺陷的类别。
在一种可能的实施方式中,预处理模块302具体包括:
编号子模块,用于对多组电缆图像进行编号;
识别子模块,用于通过YOLOv4检测网络,识别红外图像和可见光图像中的电缆区域;
截取子模块,用于通过UNet分割网络对电缆区域进行截取;
旋转子模块,用于将截取后的图像中的电缆区域旋转至水平方向;
归一化子模块,用于对旋转后的图像进行归一化处理,将图像调整为预设尺寸;
图像增强子模块,用于对归一化处理后的图像进行图像增强,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像。
在一种可能的实施方式中,图像增强子模块具体用于:
将图像分解为低频图像和高频图像,对低频图像进行增强,将增强后的低频图像与高频图像重新组合,获得增强后的图像;
其中,分解变换函数由拐点函数和伽玛校正函数结合而成,分解变换函数可表示为:
其中,β为变换参数,p为图像频率分解临界值,α1,α2,α3,α4均为增强系数。
在一种可能的实施方式中,将图像数据中的70%划分为训练样本,30%划分为测试样本。
在一种可能的实施方式中,融合网络构建模块307具体包括:
计算子模块,用于令亮度特征的权重为γ,亮度特征值为z1,形状特征的权重为δ,形状特征值为z2,则缺陷诊断值y为:
y=γ·z1+δ·z2
第一判断子模块,用于在缺陷诊断值小于预设值的情况下,判断电缆正常;
第二判断子模块,用于在缺陷诊断值大于预设值的情况下,判断电缆存在缺陷。
在一种可能的实施方式中,融合网络构建模块307还包括:
聚类子模块,用于对存在缺陷的电缆图像的亮度特征值和形状特征值按照缺陷的类别进行自动聚类,以在亮度特征值、形状特征值和缺陷的类别之间建立映射关系。
在一种可能的实施方式中,融合网络构建模块307具体包括:
第一输出子模块,用于红外图像诊断神经网络输出第一诊断结果,可见光图像诊断神经网络输出第二诊断结果,第一诊断结果和第二诊断结果输入至特征融合神经网络,其中,诊断结果包括:线缆是否有缺陷的缺陷结果和缺陷属于何种类别的缺陷类别结果;
第三判断子模块,用于判断第一诊断结果和第二诊断结果是否相同;
第二输出子模块,用于在第一诊断结果和第二诊断结果相同的情况下,输出第一诊断结果和第二诊断结果中任意一个的诊断结果;
第三输出子模块,用于在第一诊断结果m1和第二诊断结果m2不同的情况下,计算第一诊断结果的概率P1和第二诊断结果的概率P2,按照以下公式确定输出的诊断结果m:
其中,μ表示置信权值。
本发明提供的电缆缺陷诊断模型的构建系统30能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
本发明提供的虚拟系统可以是系统,也可以是终端中的部件、集成电路、或芯片。
与现有技术相比,本发明至少具有以下有益效果:
1、在本发明中,通过构建电缆缺陷诊断模型,可以在向电缆缺陷诊断模型中输入电缆图像时,自动化地判断电缆图像中所指示的电缆是否存在故障以及故障的类型,提升排查效率,降低人力成本。
2、在本发明中,从红外图像中提取亮度特征,从可见光图像中提取形状特征,从亮度特征和形状特征两方面综合考量相应的电缆是否存在故障,提高电缆缺陷诊断的准确性。
实施例3
在一个实施例中,参考说明书附图4,本发明的一个示意性实施例,如图 4所示,一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如实施例1中的电缆缺陷诊断模型的构建方法。
计算机设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地,上述处理器401可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
其中,存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除 (或固定)的介质。在合适的情况下,存储器402可在数据处理系统的内部或外部。在特定实施例中,存储器402是非易失性(Non-Volatile)存储器。在特定实施例中,存储器402包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM 可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(ErasableProgrammableRead-Only Memory,简称为 EPROM)、电可擦除PROM(Electrically ErasableProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically AlterableRead-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random AccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date OutDynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamic Random-Access Memory,简称SDRAM)等。
存储器402可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器401所执行的可能的计算机程序指令。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现实施例1中的任意一种电缆缺陷诊断模型的构建方法。
在其中一些实施例中,计算机设备还可包括通信接口403和总线400。其中,如图4所示,处理器401、存储器402、通信接口403通过总线400连接并完成相互间的通信。
通信接口403用于实现本发明实施例中各模块、系统、单元和/或设备之间的通信。通信接口403还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线400包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线400包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线400可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand) 互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构 (MicroChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral ComponentInterconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SerialAdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(VideoElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线400可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
与现有技术相比,本发明至少具有以下有益效果:
1、在本发明中,通过构建电缆缺陷诊断模型,可以在向电缆缺陷诊断模型中输入电缆图像时,自动化地判断电缆图像中所指示的电缆是否存在故障以及故障的类型,提升排查效率,降低人力成本。
2、在本发明中,从红外图像中提取亮度特征,从可见光图像中提取形状特征,从亮度特征和形状特征两方面综合考量相应的电缆是否存在故障,提高电缆缺陷诊断的准确性。
实施例4
结合上述实施例中的电缆缺陷诊断模型的构建方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现实施例1中的任意一种电缆缺陷诊断模型的构建方法。
与现有技术相比,本发明至少具有以下有益效果:
1、在本发明中,通过构建电缆缺陷诊断模型,可以在向电缆缺陷诊断模型中输入电缆图像时,自动化地判断电缆图像中所指示的电缆是否存在故障以及故障的类型,提升排查效率,降低人力成本。
2、在本发明中,从红外图像中提取亮度特征,从可见光图像中提取形状特征,从亮度特征和形状特征两方面综合考量相应的电缆是否存在故障,提高电缆缺陷诊断的准确性。
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。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电缆缺陷诊断模型的构建方法,其特征在于,包括:
S101:获取电缆图像集合,所述电缆图像集合中包括多组电缆图像,每组所述电缆图像包括对于同一位置进行拍摄的红外图像和可见光图像,其中,所述电缆图像对应的位置处是否存在缺陷以及缺陷的类别为已知量;
S102:对多组所述电缆图像进行编号,并进行预处理,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像;
S103:构建红外图像数据集和可见光图像数据集,将所述待检红外图像存入所述红外图像数据集,将所述待检可见光图像存入所述可见光图像数据集,并将图像数据划分为训练样本和测试样本;
S104:构建特征池,所述特征池包括亮度特征池和形状特征池;
S105:构建特征提取网络,从所述待检红外图像中提取出亮度特征放入至所述亮度特征池,从所述可见光图像中提取出形状特征放入至所述形状特征池;
S106:构建缺陷诊断神经网络,其中,所述缺陷诊断神经网络包括红外图像诊断神经网络和可见光图像诊断神经网络,所述亮度特征池连接所述红外图像诊断神经网络,所述形状特征池连接所述可见光图像诊断神经网络;
S107:构建特征融合神经网络,所述缺陷诊断神经网络的输出端连接至所述特征融合神经网络,通过所述特征融合神经网络在数据特征与缺陷结果之间建立映射关系;
S108:通过所述训练样本、已知的所述训练样本是否存在缺陷以及缺陷的类别,对所述电缆缺陷诊断模型进行训练;
S109:将所述测试样本输入到所述电缆缺陷诊断模型中,验证其有效性,并根据验证结果调整所述电缆缺陷诊断模型的参数;
S110:在向所述电缆缺陷诊断模型输入目标电缆图像的情况下,通过所述电缆缺陷诊断模型输出所述目标电缆图像是否存在缺陷以及缺陷的类别。
2.根据权利要求1所述的电缆缺陷诊断模型的构建方法,其特征在于,S102具体包括:
S1021:对多组所述电缆图像进行编号;
S1022:通过YOLOv4检测网络,识别所述红外图像和所述可见光图像中的电缆区域;
S1023:通过UNet分割网络对所述电缆区域进行截取;
S1024:将截取后的图像中的电缆区域旋转至水平方向;
S1025:对旋转后的图像进行归一化处理,将图像调整为预设尺寸;
S1026:对归一化处理后的图像进行图像增强,得到与所述图像编号建立有映射关系的所述待检红外图像和所述待检可见光图像。
4.根据权利要求1所述的电缆缺陷诊断模型的构建方法,其特征在于,将图像数据中的70%划分为训练样本,30%划分为测试样本。
5.根据权利要求1所述的电缆缺陷诊断模型的构建方法,其特征在于,所述S107具体包括:
S1071:令亮度特征的权重为γ,亮度特征值为z1,形状特征的权重为δ,形状特征值为z2,则缺陷诊断值y为:
y=γ·z1+δ·z2
S1072:在所述缺陷诊断值小于所述预设值的情况下,判断所述电缆正常;
S1073:在所述缺陷诊断值大于预设值的情况下,判断所述电缆存在缺陷。
6.根据权利要求5所述的电缆缺陷诊断模型的构建方法,其特征在于,在所述S1073之后,还包括:
S1074:对存在缺陷的电缆图像的所述亮度特征值和所述形状特征值按照缺陷的类别进行自动聚类,以在所述亮度特征值、所述形状特征值和所述缺陷的类别之间建立映射关系。
7.根据权利要求1所述的电缆缺陷诊断模型的构建方法,其特征在于,所述S107具体包括:
S107a:所述红外图像诊断神经网络输出第一诊断结果,所述可见光图像诊断神经网络输出第二诊断结果,所述第一诊断结果和所述第二诊断结果输入至所述特征融合神经网络,其中,诊断结果包括:线缆是否有缺陷的缺陷结果和缺陷属于何种类别的缺陷类别结果;
S107b:判断所述第一诊断结果和所述第二诊断结果是否相同;
S107c:在所述第一诊断结果和所述第二诊断结果相同的情况下,输出所述第一诊断结果和所述第二诊断结果中任意一个的诊断结果;
S107d:在所述第一诊断结果m1和所述第二诊断结果m2不同的情况下,计算所述第一诊断结果的概率P1和所述第二诊断结果的概率P2,按照以下公式确定输出的诊断结果m:
其中,μ表示置信权值。
8.一种电缆缺陷诊断模型的构建系统,其特征在于,包括:
获取模块,用于获取电缆图像集合,所述电缆图像集合中包括多组电缆图像,每组所述电缆图像包括对于同一位置进行拍摄的红外图像和可见光图像,其中,所述电缆图像对应的位置处是否存在缺陷以及缺陷的类别为已知量;
预处理模块,用于对多组所述电缆图像进行编号,并进行预处理,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像;
数据集构建模块,用于构建红外图像数据集和可见光图像数据集,将所述待检红外图像存入所述红外图像数据集,将所述待检可见光图像存入所述可见光图像数据集,并将图像数据划分为训练样本和测试样本;
特征池构建模块,用于构建特征池,所述特征池包括亮度特征池和形状特征池;
特征提取模块,用于构建特征提取网络,从所述待检红外图像中提取出亮度特征放入至所述亮度特征池,从所述可见光图像中提取出形状特征放入至所述形状特征池;
诊断网络构建模块,用于构建缺陷诊断神经网络,其中,所述缺陷诊断神经网络包括红外图像诊断神经网络和可见光图像诊断神经网络,所述亮度特征池连接所述红外图像诊断神经网络,所述形状特征池连接所述可见光图像诊断神经网络;
融合网络构建模块,用于构建特征融合神经网络,所述缺陷诊断神经网络的输出端连接至所述特征融合神经网络,通过所述特征融合神经网络在数据特征与缺陷结果之间建立映射关系;
训练模块,用于通过所述训练样本、已知的所述训练样本是否存在缺陷以及缺陷的类别,对所述电缆缺陷诊断模型进行训练;
验证模块,用于将所述测试样本输入到所述电缆缺陷诊断模型中,验证其有效性,并根据验证结果调整所述电缆缺陷诊断模型的参数;
输出模块,用于在向所述电缆缺陷诊断模型输入目标电缆图像的情况下,通过所述电缆缺陷诊断模型输出所述目标电缆图像是否存在缺陷以及缺陷的类别。
9.根据权利要求8所述的电缆缺陷诊断模型的构建系统,其特征在于,所述预处理模块具体包括:
编号子模块,用于对多组电缆图像进行编号;
识别子模块,用于通过YOLOv4检测网络,识别红外图像和可见光图像中的电缆区域;
截取子模块,用于通过UNet分割网络对电缆区域进行截取;
旋转子模块,用于将截取后的图像中的电缆区域旋转至水平方向;
归一化子模块,用于对旋转后的图像进行归一化处理,将图像调整为预设尺寸;
图像增强子模块,用于对归一化处理后的图像进行图像增强,得到与图像编号建立有映射关系的待检红外图像和待检可见光图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211425127.9A CN115908303A (zh) | 2022-11-14 | 2022-11-14 | 一种电缆缺陷诊断模型的构建方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211425127.9A CN115908303A (zh) | 2022-11-14 | 2022-11-14 | 一种电缆缺陷诊断模型的构建方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908303A true CN115908303A (zh) | 2023-04-04 |
Family
ID=86477186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211425127.9A Withdrawn CN115908303A (zh) | 2022-11-14 | 2022-11-14 | 一种电缆缺陷诊断模型的构建方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908303A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253197A (zh) * | 2023-11-20 | 2023-12-19 | 国网天津市电力公司培训中心 | 电力电缆缓冲层状态监测方法、系统和设备 |
-
2022
- 2022-11-14 CN CN202211425127.9A patent/CN115908303A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253197A (zh) * | 2023-11-20 | 2023-12-19 | 国网天津市电力公司培训中心 | 电力电缆缓冲层状态监测方法、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113608916B (zh) | 故障诊断的方法、装置、电子设备及存储介质 | |
CN111709931B (zh) | 一种耐张线夹缺陷检测识别报告自动获取方法及系统 | |
CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
CN113655348B (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 | |
CN114114198B (zh) | 一种降水数据质控方法、装置、存储介质及设备 | |
CN111340083A (zh) | 医学图像的处理方法、装置、设备及存储介质 | |
CN115908303A (zh) | 一种电缆缺陷诊断模型的构建方法和系统 | |
CN112001327A (zh) | 一种阀厅设备故障识别方法及系统 | |
CN113034450A (zh) | 一种变压器过热故障诊断方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN115908142A (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN114881961A (zh) | 一种玻璃纤维板裂纹检测方法及设备 | |
CN114842243A (zh) | 一种基于大跨度巡线机器人的故障检测方法、系统及设备 | |
CN112102280B (zh) | 铁路货车小部件承挡键螺母松动和丢失故障检测方法 | |
CN117292277A (zh) | 基于双目无人机系统与深度学习的绝缘子故障检测方法 | |
CN115330677A (zh) | 电芯的极片异常检测方法、装置、系统及存储介质 | |
CN115619796A (zh) | 获取光伏组件模板的方法及装置、非易失性存储介质 | |
CN114998889A (zh) | 一种沉浸式三维影像的智能识别方法及系统 | |
CN114529543A (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 | |
CN113379726A (zh) | 线路检测方法、装置、设备及计算机可读存储介质 | |
CN115880565B (zh) | 一种基于神经网络的报废车辆识别方法和系统 | |
CN115578359B (zh) | 一种基于生成对抗网络与无缺陷图像度量的少样本缺陷检测方法、系统、装置以及存储介质 | |
CN115494354A (zh) | 一种针对局部放电统计谱图照片的类型识别特征提取方法 | |
CN114329061A (zh) | 一种视频流聚类测试方法、装置及电子设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230404 |
|
WW01 | Invention patent application withdrawn after publication |