CN115908372A - 一种电力设备状态识别方法与装置 - Google Patents
一种电力设备状态识别方法与装置 Download PDFInfo
- Publication number
- CN115908372A CN115908372A CN202211605876.XA CN202211605876A CN115908372A CN 115908372 A CN115908372 A CN 115908372A CN 202211605876 A CN202211605876 A CN 202211605876A CN 115908372 A CN115908372 A CN 115908372A
- Authority
- CN
- China
- Prior art keywords
- gray
- power equipment
- gradient
- equipment state
- image
- 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
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
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种电力设备状态识别方法与装置,包括:获取电力设备的红外图像,并对所述红外图像进行灰度处理得到灰度图像;根据所述灰度图像计算灰度梯度矩阵;根据所述灰度梯度矩阵提取灰度梯度特征;将所述灰度梯度特征输入预先训练好的电力设备状态识别模型进行识别处理得到电力设备状态识别结果。通过本发明,能够有效实现电力设备状态的识别,同时,灰度图像相对于红外图像而言计算量缩减更适应于资源匮乏的边缘装置。
Description
技术领域
本发明涉及电力设备技术领域,尤其涉及一种电力设备状态识别方法与装置。
背景技术
红外成像技术由于其不接触、安全可靠等优点被广泛应用于电力设备运维,但其存在以下技术问题:
目前针对电力设备的红外巡检完全依靠人工进行,后期处理分析工作量巨大,且设备状态评估对检修人员专业性和工作经验高,检修结果也存在一定主观性。
发明内容
本发明的目的在于提供一种电力设备状态识别方法与装置,以解决上述技术问题。
为实现上述目的,本发明的实施例提出一种电力设备状态识别方法,包括:
获取电力设备的红外图像,并对所述红外图像进行灰度处理得到灰度图像;
根据所述灰度图像计算灰度梯度矩阵;
根据所述灰度梯度矩阵提取灰度梯度特征;
将所述灰度梯度特征输入预先训练好的电力设备状态识别模型进行识别处理得到电力设备状态识别结果。
优选地,所述灰度梯度特征包括所述灰度梯度矩阵的灰度梯度最小值、灰度梯度平均值、灰度梯度中位值和灰度梯度最大值。
优选地,所述电力设备状态识别模型基于多层感知机训练得到,所述电力设备状态识别模型包括输入层、隐藏层和输出层。
优选地,所述电力设备状态识别结果包括正常、一般缺陷、严重缺陷、紧急缺陷。
优选地,所述电力设备为配网电缆、断路器、互感器或隔离开关。
本发明的实施例还提出一种电力设备状态识别装置,包括:
图像获取单元,用于获取电力设备的红外图像,并对所述红外图像进行灰度处理得到灰度图像;
灰度计算单元,用于根据所述灰度图像计算灰度梯度矩阵;
特征提取单元,用于根据所述灰度梯度矩阵提取灰度梯度特征;
状态识别单元,用于将所述灰度梯度特征输入预先训练好的电力设备状态识别模型进行识别处理得到电力设备状态识别结果。
优选地,所述灰度梯度特征包括所述灰度梯度矩阵的灰度梯度最小值、灰度梯度平均值、灰度梯度中位值和灰度梯度最大值。
优选地,所述电力设备状态识别模型基于多层感知机训练得到,所述电力设备状态识别模型包括输入层、隐藏层和输出层。
优选地,所述电力设备状态识别结果包括正常、一般缺陷、严重缺陷、紧急缺陷。
优选地,所述电力设备为配网电缆、断路器、互感器或隔离开关。
实施本发明的实施例具有如下有益效果:
电力设备红外检测技术主要通过温度的方法对电力设备进行状态评估,由于设备温度易受环境温度的影响,因此本发明的实施例根据梯度能更灵敏的反映其变化规律,提出一种基于灰度梯度的电力设备状态识别方法,能够应用于配网电缆、断路器、互感器、隔离开关等几类电力设备,能够有效实现电力设备状态的识别,同时灰度图像相对于红外图像而言,由于计算量的缩减更适应于资源匮乏的边缘装置。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
图1是本发明实施例中一种电力设备状态识别方法的流程图。
图2是本发明实施例中电力设备状态识别模型的结构图。
图3是本发明实施例中一种电力设备状态识别装置的结构图。
具体实施方式
参阅图1,本发明一实施例提出一种电力设备状态识别方法,包括以下步骤:
步骤S1、获取电力设备的红外图像,并对所述红外图像进行灰度处理得到灰度图像;
具体而言,基于OpenCV先对红外图像进行灰度化计算,其图像灰度化的计算公式如下:
Gray=0.298*R+0.587*G+0.115*B
其中,Gray为图像灰度计算目标,R、G、B分别代表图像的RGB图像的R、G、B通道矩阵信息;
基于以上公式可以计算出红外图像的灰度图像信息;为了进一步规范梯度信息的统一性,对灰度图像信息进行归一化为(0,1)的值,归一化处理如下公式所示:
gray=Gray/255.0
步骤S2、根据所述灰度图像计算灰度梯度矩阵;
具体而言,灰度图像实际为二维矩阵信息,对应于矩阵中任意一点a的梯度为:
灰度梯度矩阵中任意一点a代表点a与周围信息变化的情况;
步骤S3、根据所述灰度梯度矩阵提取灰度梯度特征;
进一步地,所述灰度梯度特征包括所述灰度梯度矩阵的灰度梯度最小值、灰度梯度平均值、灰度梯度中位值和灰度梯度最大值;
灰度梯度矩阵中任意一点a的数值越大,代表与周围的差异越大,反之数值越小代表与周围的差异越小,因此,本实施例中采用灰度梯度矩阵中所有点的灰度梯度最小值、灰度梯度平均值、灰度梯度中位值、灰度梯度最大值等四个特征值作为灰度梯度的特征信息;
步骤S4、将所述灰度梯度特征输入预先训练好的电力设备状态识别模型进行识别处理得到电力设备状态识别结果;
进一步地,所述电力设备状态识别模型基于多层感知机训练得到,具体基于目前主流的人工智能平台TensorFlow开发,参阅图2,所述电力设备状态识别模型包括输入层、隐藏层和输出层;所述电力设备状态识别模型的输入为第一部分图像特征提取的灰度梯度最小值、平均值、中位值、最大值等四个特征值,模型的输出为图像的缺陷等级,根据<DL/T664-2016带电设备红外诊断应用规范>的缺陷规范标准,对应图像进行一般缺陷、严重缺陷、紧急缺陷等三类划分结果划分。因此所述电力设备状态识别模型的输出设置为四类,分别为0,1,2,3其中0代表正常,1代表一般缺陷,2代表严重缺陷,3代表紧急缺陷。
进一步地,所述电力设备为配网电缆、断路器、互感器或隔离开关。
参阅图3,本发明的实施例还提出一种电力设备状态识别装置,包括:
图像获取单元1,用于获取电力设备的红外图像,并对所述红外图像进行灰度处理得到灰度图像;
灰度计算单元2,用于根据所述灰度图像计算灰度梯度矩阵;
特征提取单元3,用于根据所述灰度梯度矩阵提取灰度梯度特征;
状态识别单元4,用于将所述灰度梯度特征输入预先训练好的电力设备状态识别模型进行识别处理得到电力设备状态识别结果。
进一步地,所述灰度梯度特征包括所述灰度梯度矩阵的灰度梯度最小值、灰度梯度平均值、灰度梯度中位值和灰度梯度最大值。
进一步地,所述电力设备状态识别模型基于多层感知机训练得到,所述电力设备状态识别模型包括输入层、隐藏层和输出层。
进一步地,所述电力设备状态识别结果包括正常、一般缺陷、严重缺陷、紧急缺陷。
进一步地,所述电力设备为配网电缆、断路器、互感器或隔离开关。
实施本发明的实施例具有如下有益效果:
电力设备红外检测技术主要通过温度的方法对电力设备进行状态评估,由于设备温度易受环境温度的影响,因此本发明的实施例根据梯度能更灵敏的反映其变化规律,提出一种基于灰度梯度的电力设备状态识别方法,能够应用于配网电缆、断路器、互感器、隔离开关等几类电力设备,能够有效实现电力设备状态的识别,同时灰度图像相对于红外图像而言,由于计算量的缩减更适应于资源匮乏的边缘装置。
需说明的是,本实施例所述的电力设备状态识别装置与上述实施例所述的电力设备状态识别方法对应,因此,本实施例所述的电力设备状态识别装置未详述的部分可以参阅上述实施例所述的电力设备状态识别方法的内容得到,故此处不进行赘述。
需说明的是,本实施例所述的电力设备状态识别装置与上述实施例所述的电力设备状态识别方法对应,因此,本实施例所述的电力设备状态识别装置未详述的部分可以参阅上述实施例所述的电力设备状态识别方法的内容得到,故此处不进行赘述。
并且,上述实施例的装置若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在计算机可读取存储介质中。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种电力设备状态识别方法,其特征在于,包括:
获取电力设备的红外图像,并对所述红外图像进行灰度处理得到灰度图像;
根据所述灰度图像计算灰度梯度矩阵;
根据所述灰度梯度矩阵提取灰度梯度特征;
将所述灰度梯度特征输入预先训练好的电力设备状态识别模型进行识别处理得到电力设备状态识别结果。
2.根据权利要求1所述的电力设备状态识别方法,其特征在于,所述灰度梯度特征包括所述灰度梯度矩阵的灰度梯度最小值、灰度梯度平均值、灰度梯度中位值和灰度梯度最大值。
3.根据权利要求1所述的电力设备状态识别方法,其特征在于,所述电力设备状态识别模型基于多层感知机训练得到,所述电力设备状态识别模型包括输入层、隐藏层和输出层。
4.根据权利要求1所述的电力设备状态识别方法,其特征在于,所述电力设备状态识别结果包括正常、一般缺陷、严重缺陷、紧急缺陷。
5.根据权利要求1所述的电力设备状态识别方法,其特征在于,所述电力设备为配网电缆、断路器、互感器或隔离开关。
6.一种电力设备状态识别装置,其特征在于,包括:
图像获取单元,用于获取电力设备的红外图像,并对所述红外图像进行灰度处理得到灰度图像;
灰度计算单元,用于根据所述灰度图像计算灰度梯度矩阵;
特征提取单元,用于根据所述灰度梯度矩阵提取灰度梯度特征;
状态识别单元,用于将所述灰度梯度特征输入预先训练好的电力设备状态识别模型进行识别处理得到电力设备状态识别结果。
7.根据权利要求6所述的电力设备状态识别装置,其特征在于,所述灰度梯度特征包括所述灰度梯度矩阵的灰度梯度最小值、灰度梯度平均值、灰度梯度中位值和灰度梯度最大值。
8.根据权利要求6所述的电力设备状态识别装置,其特征在于,所述电力设备状态识别模型基于多层感知机训练得到,所述电力设备状态识别模型包括输入层、隐藏层和输出层。
9.根据权利要求6所述的电力设备状态识别装置,其特征在于,所述电力设备状态识别结果包括正常、一般缺陷、严重缺陷、紧急缺陷。
10.根据权利要求6所述的电力设备状态识别装置,其特征在于,所述电力设备为配网电缆、断路器、互感器或隔离开关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605876.XA CN115908372A (zh) | 2022-12-12 | 2022-12-12 | 一种电力设备状态识别方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605876.XA CN115908372A (zh) | 2022-12-12 | 2022-12-12 | 一种电力设备状态识别方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908372A true CN115908372A (zh) | 2023-04-04 |
Family
ID=86489762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211605876.XA Pending CN115908372A (zh) | 2022-12-12 | 2022-12-12 | 一种电力设备状态识别方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908372A (zh) |
-
2022
- 2022-12-12 CN CN202211605876.XA patent/CN115908372A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
JP2023542460A (ja) | ゼロサンプル学習に基づく絶縁体欠陥検出方法及びシステム | |
CN111428617A (zh) | 一种基于视频图像的配网违规检修行为的识别方法和系统 | |
CN112508019B (zh) | 基于图像识别的gis隔离/接地开关状态检测方法及系统 | |
CN112906576B (zh) | 隔离开关设备的状态识别方法、装置、设备及其测温方法 | |
CN116740654B (zh) | 基于图像识别技术的变电站作业防控方法 | |
KR20210046356A (ko) | 부분방전 진단 장치 및 방법 | |
CN112132811A (zh) | 一种电缆使用状态综合评估系统 | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN114445350A (zh) | 电力器件的图像检测方法、装置、电子设备及存储介质 | |
CN111428987A (zh) | 一种基于人工智能的继保装置图像识别方法和系统 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和系统 | |
CN115908372A (zh) | 一种电力设备状态识别方法与装置 | |
CN113191336B (zh) | 基于图像识别的电力隐患识别方法及系统 | |
CN114550046A (zh) | 火灾隐患识别方法、装置、处理器、存储介质和电子设备 | |
CN114639022A (zh) | 基于sufr模板匹配的开关柜分合状态识别方法及系统 | |
CN115223157A (zh) | 一种基于循环神经网络的电网设备铭牌光学字符识别方法 | |
CN113506290A (zh) | 一种线路绝缘子缺陷检测方法及装置 | |
Wu et al. | Detection method based on improved faster R-CNN for pin defect in transmission lines | |
Murthy et al. | Distribution system insulator monitoring using video surveillance and support vector machines for complex background images | |
CN113743355B (zh) | 开关装置状态校核方法、装置、系统和计算机设备 | |
CN112183194B (zh) | 非接触式换流站工作站设备参数识别方法及系统 | |
Tan et al. | On-line detection method of insulator zero-value fault based on image features and YOLOv3 algorithm |
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 |