CN115931141A - 一种基于改进型ann算法的红外测温图谱的温度识别方法 - Google Patents
一种基于改进型ann算法的红外测温图谱的温度识别方法 Download PDFInfo
- Publication number
- CN115931141A CN115931141A CN202211606002.6A CN202211606002A CN115931141A CN 115931141 A CN115931141 A CN 115931141A CN 202211606002 A CN202211606002 A CN 202211606002A CN 115931141 A CN115931141 A CN 115931141A
- Authority
- CN
- China
- Prior art keywords
- temperature measurement
- infrared temperature
- measurement map
- information
- map
- 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
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明公开一种基于改进型ANN算法的红外测温图谱的温度识别方法,涉及互联网大数据技术领域,解决的技术问题是红外测温图谱的温度识别和分析的问题,采用的方案是:一种基于改进型ANN算法的红外测温图谱的温度识别方法,包括以下步骤:步骤一、通过红外测温摄像机获取红外测温图谱的数据信息,并对获取到的红外测温图谱进行数据预处理;步骤二、对处理后的红外测温图谱进行信息分解;步骤三、将处理后的红外测温图谱信息通过Sobel红外测温图谱算子检测模型进行诊断,步骤四、异常预警,对具有异常温度的红外测温图谱进行预警。本发明大大提高了红外测温图谱的温度识别和分析能力。
Description
技术领域
本发明涉及互联网大数据技术领域,且更具体地涉及一种基于改进型ANN算法的红外测温图谱的温度识别方法。
背景技术
小区变/配电房/开闭所智能巡检系统是集遥信、遥测、遥控等功能为一体的物联网综合监控管理系统,系统通过在配电站房内配置AI变配电辅助监控装置,结合配电监控云平台,完成机器人智能巡检、红外热成像分析、AI仪表识别、变压器超温监测、开关柜局放监测、开关柜触头测温、蓄电池监测、低压馈线监测、视频监控、环境监测、红外测温图谱控制、安防消防监测等的数据采集。实现对配网配电站所运行状态、运行环境及安防环境的一体化监控,实现配电站所运检的整体智能化与管理云端化,达到“无人值班,少人值守”目的。
在超高压输电环节,日常红外测温的数据具有数据量大、增长快速等特点。红外测温技术是一种带电运维红外测温图谱的检测技术,它通过接受物体发出的红外辐射,将其热象显示在荧光屏上,以此来判断物体表面的温度分布情况。目前,与常规停电试验相比,红外测温试验检测周期较短,根据情况可连续跟踪检测,红外测温检测红外测温图谱涉及全站所有红外测温图谱,如何提前预测小区变/配电房/开闭所等场所风险,警示用户相关注意事项,常规通常采用用电笔接触带电体,如果氖泡亮一下立刻就熄灭,证明带电体带的就是静电;如果长亮定是漏电,这种方法虽然也能够检测到漏电问题,但是需要用户身临现场才能检测,如果在配电站房高压漏电环境下,很容易触电,造成人身安全隐患。随着人工智能技术的飞速发展,运维人员改进了红外测温技术,通常一般需要对同一间隔下三相测温数据进行对比,因此对于某一红外测温图谱而言,会产生3张测温图谱与1张日光照片。通常情况下,当检测工作结束后,运维人员在班组进行数据的整理分类,测温图谱的整理、分类及统计,将耗费大量的人力、物力,过程十分繁琐且易出现错误。
发明内容
针对上述技术的不足,本发明公开一种基于改进型ANN算法的红外测温图谱的温度识别方法,通过人工智能、大数据计算的方法,将红外测温图谱的宏观温度信息转换为数学思维的方式,以提高红外测温图谱的温度识别和分析能力,用户无须身临现场,能够实现红外测温图谱数字识别,用户可以在远程自动化识别红外图谱并进行自动化诊断。
本发明采用以下技术方案:
一种基于改进型ANN算法的红外测温图谱的温度识别方法,其中包括以下步骤:
步骤一、通过红外测温摄像机获取红外测温图谱的数据信息,并对获取到的红外测温图谱进行数据预处理;
在本步骤中,通过改进型ANN算法对红外测温图谱的位置信息识别;改进型ANN算法包括以下步骤:
(S11)、通过风险优先级编号网络获得红外测温图谱特征点提取位置,同时生成位置敏感分数图;
在本步骤中,假设红外测温图谱特征点数据通道数量为N,通过最大值池化位置敏感分数图反映红外测温图谱特征系数,使用(x,y)来表示位置敏感分数图的单个区块的所在位置;红外测温图谱特征点位置函数为:
式(1)中,Mi(x,y|r)表示红外测温图谱特征点位置敏感分数图第i个通道中B2个分块中的第(x,y)个分块,i表示通道序号,n表示红外测温图谱特征点总数,z表示红外测温图谱要素特征点B2个分块中第(a,b)个分块对应在要素图中位置集合,a0与b0表示初始位置,r表示改进型ANN算法的参数;
(S12)、对通道数为B2(i+1)的位置敏感分数图进行最大值计算,最大值计算表达式为:
Hi(r)=max(Mi(x,y|r)) (2)
式(2)中,Hi(r)表示红外测温图谱特征向量,max表示每个位置敏感分数图中的最大值;max(Mi(x,y|r))表示每个位置敏感分数图中的最大值函数值,在改进型ANN算法网络模型中,对红外测温图谱特征向量做完全连接,完全连接层函数表达式为:
式(3)中,m(r)表示完全连接层函数表示式,wi表示红外测温图谱特征向量权重,β表示权重参数;Hi表示完全连接层函数隐层函数值;
然后对红外测温图谱特征向量进行Soft max分类操作,
在所述Soft max分类过程中加入数据加速器;Soft max分类函数表达式为:
式(4)中,Si(r)表示Soft max分类操作函数;em(r)表示完全连接层函数的指数函数,K表示加速器的倍数;
(S13)对输入到Soft max分类操作函数的红外测温图谱特征向量进行网络训练阶段,采用TL训练方法,计算红外测温图谱特征向量损失函数,改进型ANN算法的损失函数L(S,t)为每个交叉熵损失以及边界框回归损失之和,损失函数表示式为:
式(5)中,λ表示常参数,λ=1,i*表示TL网络训练的类标,t表示改进型ANN算法理论回归框参数,t*表示改进型ANN算法真实回归框参数,R表示R语言下改进型ANN算法的损失函数Smooth(v);
损失函数表示为:
式(6)中,v表示回归框;Smooth(v)回归框光滑处理后保留了TL网络训练中梯度稳定的特点,在吸取了改进型ANN算法的损失函数L(S,t)中心点不可求导的缺陷;
(S14)、最后对红外测温图谱进行识别,得到识别判定函数V表达公式为:
步骤二、对处理后的红外测温图谱进行信息分解,以分析提取到的红外测温图谱数据信息;信息分解方法为改进型小波变换算法模型,其中所述改进型小波变换算法模型包含编码器;
步骤三、将处理后的红外测温图谱信息通过Sobel红外测温图谱算子检测模型进行诊断,将具有故障数据信息的红外测温图谱分离出来;其中Sobel红外测温图谱算子检测模型包括红外测温图谱信息输入模型、红外测温图谱信息特征提取模块、红外测温图谱信息诊断模块和红外测温图谱信息输出模块,其中所述红外测温图谱信息输入模型的输出端与红外测温图谱信息特征提取模块的输入端连接,红外测温图谱信息特征提取模块的输出端与红外测温图谱信息诊断模块的输入端连接;红外测温图谱信息诊断模块的输出端与红外测温图谱信息输出模块的输入端连接;
步骤四、异常预警,对具有异常温度的红外测温图谱进行预警,提示用户温度异常,并将异常信息传递到上层总控中心。
作为本发明进一步的技术方案,Sobel红外测温图谱算子检测模型的工作方法为:
通过红外测温图谱信息输入模型输入数据信息,输入数据通过函数表示为:
Y=0.381×R+0.672×G+0.214×B (8)
式(8)中:Y表示所要验证红外测温图谱信息检测结果,R表示检测到的红外测温图谱异常参数信息,G表示红外测温图谱运行正常参数信息,B表示红外测温图谱评估误差;
构建红外测温图谱信息评估模型:
式(9)中:SL(x,y)表示可编程红外测温图谱算子模型函数表达式,σ表示红外测温图谱算子模型与数学问题之间的转化量,ST(x,y)表示检测红外测温图谱信息问题代数;
Sobel红外测温图谱算子模型为:
式(10)中,Sx表示Sobel红外测温图谱算子模型函数,x表示所验证检测数据的自适应变化,y表示红外测温图谱运行实时变化检测量;
分析红外测温图谱曲线具体运行规律,将Sobel红外测温图谱算子数学矩阵设置为:
式(11)中,将模板矩阵代入红外测温图谱算子模型中,计算出红外测温图谱各信息在模型中对应权值,通过模型自动验证,得到验证函数表达式为:
式(12)中,X(i)表示所验证检测数据结果,I表示输入红外测温图谱算子模型中的数学问题代数,i表示红外测温图谱信息变量,j表示输入检测数据过程中的损耗;计算红外测温图谱算子模型验证数据最大值与实际运行数据的最小值的关系函数表达式函数为:
I_X_max=max(Xi)-min(Xi),(i=1,2,L,M) (13)
式(13)中,I_X_max表示对红外测温图谱预测最大准确率,max(Xi)表示红外测温图谱算子模型验证最大值,min(Xi)表示红外测温图谱实际运行显示数据最小值。
作为本发明进一步的技术方案,加速器包括分辨率增加器、数字压缩器、卷积器、目标数据识别器和输出模块,其中所述分辨率增加器的输入端与数字压缩器的输入端连接,所述数字压缩器的输出端与卷积器的输入端连接,所述卷积器的输出端与目标数据识别器的输入端连接,所述目标数据识别器的输出端与输出模块的输入端连接。
作为本发明进一步的技术方案,改进型小波变换算法模型还包括信号滤除模块和基于INA163芯片组成的前置放大电路。
作为本发明进一步的技术方案,信号滤除模块通过设置不同频段滤除谐波、噪声和频谱数据信息。
作为本发明进一步的技术方案,信号滤除模块包括主控模块和所述主控模块连接的数据转换模块、脉冲信号触发模块、波段阈值模块、判断模块和检测模块。
作为本发明进一步的技术方案,编码器为卷积分编码器。
作为本发明进一步的技术方案,红外测温图谱信息特征提取模块包括信息提取频段、提取时段和提取信息内容。
作为本发明进一步的技术方案,红外测温图谱信息诊断模块通过平均绝对误差Emean和最大误差Emax计算红外测温图谱信息的误差值,其中:
在公式(14)中,M表示红外测温图谱信息的个数
其中:
本发明与常规技术区别在于:本发明通过人工智能、大数据计算的方法,将红外测温图谱的宏观温度信息转换为数学思维的方式,以提高红外测温图谱的温度识别和分析能力,用户无须身临现场,能够实现红外测温图谱数字识别,用户可以在远程自动化识别红外图谱并进行自动化诊断。
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性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明方法流程示意图;
图2为本发明改进型ANN算法工作方法示意图;
图3为本发明中Sobel红外测温图谱算子检测模型结构示意图;
图4为本发明中基于INA163芯片组成的前置放大电路原理示意图;
图5为本发明中加速器结构示意图;
图6为本发明中分辨率增加器示意图;
图7为本发明一种实施例硬件结构示意图;
图8为本发明另一种实施例硬件结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1-图3所示,一种基于改进型ANN算法的红外测温图谱的温度识别方法,包括以下步骤:
步骤一、通过红外测温摄像机获取红外测温图谱的数据信息,并对获取到的红外测温图谱进行数据预处理;在具体实施例中,通过颜色等级分类对数据信息进行预处理,将属于一个颜色等级的红外测温图谱进行分类显示和处理;比如超强红光,微弱红光、彤红或者褐色、黑色、无色等多种状态,这些状态通过图像颜色能够表达出不同的温度。比如热量温度大于等于200°时表示红外测温出现危急状况。图像呈现微弱红光时,表现出的温度100°和200°之间类似于这种方案,因此类推,以将不同的颜色对应不同的温度,根据不同的温度进而表达出不同的异常数据信号表示。
通过改进型ANN算法对红外测温图谱的位置信息识别;在具体实施例中,通过对红外测温图谱的位置信息进行识别,能够提高红外测温位置的识别和计算。
改进型ANN算法包括以下步骤:
(S11)、通过风险优先级编号网络获得红外测温图谱特征点提取位置,同时生成位置敏感分数图,在具体实施例中,在提取数据信息时,获取位置信息以区分红外测温图谱特征点。提取数据信息,可以经由不同的数据通道实现获得红外测温图谱特征点的信息传输;并能够记录不同红外测温图谱特征点的位置,以从整体上获取不同红外测温图谱特征点在风险优先级编号网络的位置或则编号。
假设红外测温图谱特征点数据通道数量为N,通过最大值池化位置敏感分数图反映红外测温图谱特征系数,在具体实施例中,通过这种方式以精确化红外测温图谱特征点的位置信息;通过计算红外测温图谱特征点能够计算最大值和记录最大值所在输入数据中的位置、、缩减模型的大小、提高计算速度、减少无用信息的影响、提高所提取特征的鲁棒性(最大值)等诸多作用。
为了提高数据计算精度和计算能力,使用(x,y)来表示位置敏感分数图的单个区块的所在位置,在具体实施例中,通过位置敏感分数图以及位置敏感的分数映射来解决图像分类中的平移不变性与目标检测中的平移方差之间的矛盾。通过采用完全卷积的图像分类器骨干网络,如最新的残差网络(ResNets)等实现红外测温图谱数据信息的目标检测。在图片降采样的过程中,为了提高数据信息计算精度,通常采用pooling(池化)方法来降采样,在计算图像一个区域上的某个特定特征的平均值或最大值,这种聚合操作叫做池化。池化后的这些统计特征不仅具有低得多的维度,同时训练结果不容易过拟合。
最大值池化位置敏感分数图函数为:
式(1)中,Mi(x,y|r)表示红外测温图谱特征点位置敏感分数图第i个通道中B2个分块中的第(x,y)个分块,在具体实施例中,将红外测温图谱特征点位置敏感分数图划分不同的数据信息分块,以更好地分析最大值池化位置敏感分数图函数特性。其中i表示通道序号,n表示红外测温图谱特征点总数,z表示红外测温图谱要素特征点B2个分块中第(a,b)个分块对应在要素图中位置集合,a0与b0表示初始位置,r表示改进型ANN算法的参数;
在具体实施例中,最大值池化位置敏感分数图函数将反映红外测温图谱的位置信息的各种数据信息通过函数表达展示出来,比如将回国内外测温数据图谱信息通过函数的形式表达出来。
(S12)、对通道数为B2(i+1)的位置敏感分数图进行最大值计算,最大值计算表达式为:
Hi(r)=max(Mi(x,y|r)) (2)
式(2)中,Hi(r)表示红外测温图谱特征向量,max表示每个位置敏感分数图中的最大值;max(Mi(x,y|r))表示每个位置敏感分数图中的最大值函数值,在改进型ANN算法网络模型中,对红外测温图谱特征向量做完全连接,完全连接层函数表达式为:
式(3)中,m(r)表示完全连接层函数表示式,wi表示红外测温图谱特征向量权重,β表示权重参数;Hi表示完全连接层函数隐层函数值;
在具体实施例中,在进行卷积求值时,通过局部特征求解,求出不同干的局部特征值,再将局部特征通过全连接的方式实现数据信息重组,以将以前的局部特征重新通过权值矩阵组装成完整的图。由于应用了所有的局部特征,所以叫全连接。完全连接层函数通过完全连接层函数代码表示:
通过上述函数能够输出不同的信息特征,全连接层(fully connected layers,FC)在整个卷积神经网络中起到“分类器”的作用。比如卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。
然后对红外测温图谱特征向量进行Soft max分类操作,在本发明中,在红外测温图谱分析中,可以根据颜色、图谱或者数据信息等特征进行提取书信息特征以进行信息分类。在进行Softmax分类过程中,softmax函数的本质就是将一个K维的任意红外测温图谱特征向量实数向量压缩(映射)成另一个K维的实数向量,其中红外测温图谱特征向量中的每个元素取值都介于(0,1)之间,并且压缩后的K个红外测温图谱特征向量值相加等于1(变成了概率分布)。在选用Softmax做多分类时,可以根据红外测温图谱特征向量值的大小来进行多分类的任务,如取权重最大的一维,在具体实施例中,可以采用多层网络(4个隐藏层,最后一层softmax概率归一化)。
在所述Soft max分类过程中加入数据加速器;Soft max分类函数表达式为:
式(4)中,Si(r)表示Soft max分类操作函数;em(r)表示完全连接层函数的指数函数,K表示加速器的倍数;
在具体实施例中,加速器能够提高红外测温图谱计算数据信息的能力。
(S13)对输入到Soft max分类操作函数的红外测温图谱特征向量进行网络训练阶段,采用TL训练方法,计算红外测温图谱特征向量损失函数,改进型ANN算法的损失函数L(S,t)为每个交叉熵损失以及边界框回归损失之和,损失函数表示式为:
式(5)中,λ表示常参数,λ=1,i*表示TL网络训练的类标,t表示改进型ANN算法理论回归框参数,t*表示改进型ANN算法真实回归框参数,R表示R语言下改进型ANN算法的损失函数Smooth(v);
损失函数/代价函数是机器学习、统计学、概率学等涉及到数理知识的发明中的基础概念,具体来说,损失函数计算单个训练样本的误差,代价函数是整个训练集的损失函数的平均。通过计算这种函数,能够提高红外测温图谱特征向量的计算能力。损失函数表示为:
式(6)中,v表示回归框;Smooth(v)回归框光滑处理后保留了TL网络训练中梯度稳定的特点,在吸取了改进型ANN算法的损失函数L(S,t)中心点不可求导的缺陷;
(S14)、最后对红外测温图谱进行识别,得到识别判定函数V表达公式为:
步骤二、对处理后的红外测温图谱进行信息分解,以分析提取到的红外测温图谱数据信息;信息分解方法为改进型小波变换算法模型,其中所述改进型小波变换算法模型包含编码器;
步骤三、将处理后的红外测温图谱信息通过Sobel红外测温图谱算子检测模型进行诊断,将具有故障数据信息的红外测温图谱分离出来;其中Sobel红外测温图谱算子检测模型包括红外测温图谱信息输入模型、红外测温图谱信息特征提取模块、红外测温图谱信息诊断模块和红外测温图谱信息输出模块,其中所述红外测温图谱信息输入模型的输出端与红外测温图谱信息特征提取模块的输入端连接,红外测温图谱信息特征提取模块的输出端与红外测温图谱信息诊断模块的输入端连接;红外测温图谱信息诊断模块的输出端与红外测温图谱信息输出模块的输入端连接;
步骤四、异常预警,对具有异常温度的红外测温图谱进行预警,提示用户温度异常,并将异常信息传递到上层总控中心。
在具体实施例中,人工神经网络(Artificial Neural Network,ANN),也简称神经网络,是众多机器学习算法中比较接近生物神经网络特性的数学模型。人工神经网络通过模拟生物神经网络(大脑)的结构和功能,由大量的节点(或称“神经元”,或“单元”)和之间相互联接构成,可以用来对数据之间的复杂关系进行建模。在具体结构中,通过输入权值的设置,比如每个输入都有一个权值,另外还有一个W0表示偏置,偏置的作用是让后面的阶跃函数位于原点。在具体实施例中,采用阶跃函数作为激活函数,实际应用的还有很多激活函数,诸如Sigmoid函数,Relu等等。通过激活函数能够提高红外测温图谱的温度识别能力。
在上述实施例中,Sobel红外测温图谱算子检测模型的工作方法为:
通过红外测温图谱信息输入模型输入数据信息,输入数据通过函数表示为:
Y=0.381×R+0.672×G+0.214×B (8)
式(8)中:Y表示所要验证红外测温图谱信息检测结果,R表示检测到的红外测温图谱异常参数信息,G表示红外测温图谱运行正常参数信息,B表示红外测温图谱评估误差;
构建红外测温图谱信息评估模型:
式(9)中:SL(x,y)表示可编程红外测温图谱算子模型函数表达式,σ表示红外测温图谱算子模型与数学问题之间的转化量,ST(x,y)表示检测红外测温图谱信息问题代数;
对目标红外测温图谱的信息提取特征量,通过目标红外测温图谱边缘关系进行采集,通过分析红外测温图谱运行信息急剧变化状态进行分析,利用函数之间去邻域的方式进行红外测温图谱算子模型的建立,通过建立红外测温图谱周边各部分信息数学模型,将模型数据进行加权运算,最终得到Sobel红外测温图谱算子模型,根据红外测温图谱算子模型在红外测温图谱邻域范围达到的极值完成数据的检测。Sobel红外测温图谱算子模型为:
式(10)中,Sx表示Sobel红外测温图谱算子模型函数,x表示所验证检测数据的自适应变化,y表示红外测温图谱运行实时变化检测量;
分析红外测温图谱曲线具体运行规律,将Sobel红外测温图谱算子数学矩阵设置为:
式(11)中,将模板矩阵代入红外测温图谱算子模型中,计算出红外测温图谱各信息在模型中对应权值,通过模型自动验证,得到验证函数表达式为:
式(12)中,X(i)表示所验证检测数据结果,I表示输入红外测温图谱算子模型中的数学问题代数,i表示红外测温图谱信息变量,j表示输入检测数据过程中的损耗;计算红外测温图谱算子模型验证数据最大值与实际运行数据的最小值的关系函数表达式函数为:
I_X_max=max(Xi)-min(Xi),(i=1,2,L,M) (13)
式(13)中,I_X_max表示对红外测温图谱预测最大准确率,max(Xi)表示红外测温图谱算子模型验证最大值,min(Xi)表示红外测温图谱实际运行显示数据最小值。
Sobel算子根据像素点上下、左右邻点灰度加权差,在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用,提供较为精确的边缘方向信息。
在具体实施例中,通过红外测温摄像机扫描监测例如继电器等二次电气红外测温图谱的温度状态,所述的红外测温摄像机基于单片机的主控模块进行控制,能够让红外测温摄像机自动运行;主控模块采用4代Raspberry Pi 4B开发板,对采集到的的红外图像进行实时处理与识别;主控模块连接通用输入与输出(General-purpose input output,GPIO)接口,GPIO接口输出端与所述主控模块的输入端连接,通过USB视频类(USB videoclass,UVC)通信协议满足红外测温图谱进行传输;所述的红外测温摄像机外接数据库,数据库输入端与红外测温摄像机输出端连接,满足红外测温图谱进行存储;
在具体实施例中,通过图像采集模块获取红外测温图谱的数据信息,图像采集模块包括红外电荷耦合器件(charge coupled device,CCD)摄像头、红外发光二极管(light-emitting diode,LED)光源和红外滤波光片,通过这种方法进而实现了红外测温图谱的采集工作。
在具体实施例中,通过图像显示模块对处理后的图像结果以及图像识别结果的显示,采用液晶显示器(Liquid crystal display,LCD)进行红外测温图谱识别结果的显示,LCD显示屏采用的是320*240的分辨率,并且能够实现触屏控制,与树莓派4B兼容。
在具体实施例中,通过红外监控模块对警示灯预警和现场语音播放完成红外测温预警;所述红外监控模块由5V电源进行供电,显示屏用于实时展示红外测温状态;
在具体实施例中,通过数字信号处理器(Digital Signal Processor,DSP)接收图像采集模块与红外监控模块传输的信号并处理;所述DSP由新型人工神经网络(artificialneural network,ANN)算法进行红外测温图谱识别与分析,并将处理结果转置DSP;DSP通过全球移动通信系统(Global System for Mobile Communications,GSM)与通用分组无线业务(General Packet Radio Service,GPRS)进行通信直接发送至上位用户端1和用户端2,管理红外测温图谱管理;
在具体实施例中,综合了面向通用对象的变电站事件(Generic Object OrientedSubstation Event,GOOSE)联动测温图像采集数据进行红外测温实时监控;所述GOOSE网满足智能终端模块与测控装置进行通信,GOOSE网用于变电站内例如继电器等二次电气红外测温图谱的温度状态之间传输重要的实时信号,GOOSE网是满足快速报文要求的一种通信机制;智能终端以GOOSE信号的数字化方式,通过光纤通道将GOOSE信号发送给所需的智能红外测温图谱,从而实现信息、光纤、网络传输的有效共享和数字化;
在具体实施例中,显示屏需要有GOOSE接口,通过GOOSE网络接收与硬触点相同的信息,实现断路器同开关位移联动和事故联动;断路器和隔离开关的远程控制是通过测控装置的GOOSE控制指令实现的,GOOSE指令的智能终端用于实现断路器位移脱扣的保护动作,对断路器进行保护,GOOSE跳闸命令用于实现断路器跳闸的智能化联动;
在具体实施例中,测控装置的GOOSE联动模式包括显示屏接收测控装置的远程指令,保护红外测温图谱的GOOSE远程指令,GOOSE跳闸指令,这三种指令与相关断路器或保护红外测温图谱对应的警报灯进行预设关联;
在具体实施例中,红外测温监控模块的显示屏通过微软媒体服务器协议(Microsoft Media Server Protocol,MMS)网络与监控保护进行通信,MMS通过61850报文进行信息交互;DSP通过这种方式接收到的MMS信息类型,实现了红外测温状态的实时联动;
在具体实施例中,近似最近邻算法(Approximate Nearest Neighbor,ANN)则是一种通过牺牲精度来换取时间和空间的方式从大量样本中获取最近邻的方法,并以其存储空间少、查找效率高等优点。
在上述实施例中,如图5所示,所述加速器包括分辨率增加器、数字压缩器、卷积器、目标数据识别器和输出模块,其中所述分辨率增加器的输入端与数字压缩器的输入端连接,所述数字压缩器的输出端与卷积器的输入端连接,所述卷积器的输出端与目标数据识别器的输入端连接,所述目标数据识别器的输出端与输出模块的输入端连接。
在具体实施例中,如图6所示,分辨率增加器用于提高输入数据信息的分辨率,在可编程控制器的控制作用下,能够自动检测红外测温图谱输入信号的信号幅度;对检测后的红外测温图谱输入信号通过模数变换器模块量程做出幅度判断和调整;对调整后的信号进行数据处理。在可编程控制器的控制作用下,还可以对输入的红外测温图谱输入信息的输出脉冲进行计数,这通过比较器可以实现。将该计数值与模数变换器模块中计数器的设置门限值进行比较,计数值小于设置门限值时认为输入数据幅度过小,自动调整数控放大器的增益。通过这种方式增加输入数据信息的分辨率,以提高数据处理速度。
在具体实施例中,数字压缩器在可编程控制器的控制作用下,通过将输入红外测温图谱信息的格式进行不同的转换,以提高红外测温图谱数据信息的空间处理能力,通过转换数据格式改变存储空间大小,进而提高数据处理能力。
在具体实施例中,通过卷积器将输入的红外测温图谱数据信息进行数据信息卷积,在该过程中可以读取片内存储器的权重数据和特征数据,并进行卷积计算,通过设置权重数据信息大小以及数据信息特征值设置,进而提高卷积计算单元的计算能力。
在具体实施例中,目标数据识别器通过ARM单片机控制下,设置不同识别对象的属性、标识和函数参数,以控制红外测温图谱数据信息不同数据信息的计算能力,进而提高了数据计算速度。识别出的数据信息通过输出模块实现信息输出。
如图3所示,在具体实施例中,改进型小波变换算法模型还包括信号滤除模块和基于INA163芯片组成的前置放大电路。
在具体实施例中,小波变换(wavelet transform,WT)是一种新的变换分析方法,它继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,在本发明中,小波变换算法模型在应用过程中,区别于常规技术,设置了信号滤除模块,通过该模块能够计算不同频率和时段的数据信息。
该发明使用AS-B4015AL38RC-L50传声器,其灵敏度为-35dB,阻抗2.2KΩ,频率响应为16~20KHz。传声器引脚采用SMA端口连接外围偏置电路,采用3.3V直流电源,信号通道串联一个0.22uF电容以阻断直流信号,将采集到的光声信号经过具有高增益和降噪功能的信号处理电路,进行放大降噪处理再传输给DSP芯片进行采样处理。前置放大电路的放大倍数可通过RH电阻进行控制调整,经放大后的信号进入PCM1804的A/D转换端口,之后将转换处理后的信息传输给ADSP21262芯片进行处理。INA162放大器是将4个高精度电阻器对和片上EMI滤波与一个低失真、高输出电流、双路音频运算放大器集成在一起的装置,对电路噪声有很强的抑制能力,主芯片工作频率为200MHz,1024点复合FFT执行时间为46uS,具有良好的动态响应。
在具体实施例中,信号滤除模块通过设置不同频段滤除谐波、噪声和频谱数据信息。
在具体实施例中,信号滤除模块包括主控模块和所述主控模块连接的数据转换模块、脉冲信号触发模块、波段阈值模块、判断模块和检测模块。
在具体实施例中,主控模块为PFGA控制器,数据转换模块可以为A/D转换或则D/A转换模块,脉冲信号触发模块为脉冲触发器,可以设置不同的数据脉冲以选择性选择不同的波形、波段或者其他数据信息。波段阈值模块可以根据选择不同波形来选择不同区段,通过判断模块对输入的脉冲数据信息进行判断和计算。检测模块用于检测输入到脉冲数据信息。
在具体实施例中,编码器为卷积分编码器。
在具体实施例中,卷积分编码器包括线型分组码编码、卷码编码、级联编码等,在具体实施例中还要根据卷积分的通信协议以及数据信息编码,编码器具体需求进行选择。
在具体实施例中,红外测温图谱信息特征提取模块包括信息提取频段、提取时段和提取信息内容。在具体实施例中,信息提取频段应用过程中,通过提取红外测温图谱信息
在具体实施例中,红外测温图谱信息诊断模块通过平均绝对误差Emean和最大误差Emax计算红外测温图谱信息的误差值,其中:
在公式(14)中,M表示红外测温图谱信息的个数,yi表示实际值,y0表示理论值,其中:
如图7和图8所示,在具体实施例中,红外测温摄像机内包含了LCD摄像、图像显示模块、GPIO模块、主控模块、UVC协议,其中还可以外部连接有红外LED光源、CCD摄像机、滤光片等,通过这些部件构成图像采集模块,采集到的数据信息被传递到数据库。数据库信息通过DSP计算模块实现数据信息计算,通过红外监控模块实现数据监控。计算出的数据信息通过路由器实现数据信息传输,在路由器外端设置有GPRS通信模块、GSM通信模块等。在其他实施例中,如图8所示,通过智能终端外接测控装置、保护装置,通过DSP技术,也能够实现不同数据信息的计算,通过GOOSE网传递网络数据信息,与检测到与外界数据信息不一致时,通过显示屏实现数据信息的显示和故障诊断,提高了数据信息应用能力和红外测温图谱的温度识别能力。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (9)
1.一种基于改进型ANN算法的红外测温图谱的温度识别方法,其特征在于:包括以下步骤:
步骤一、通过红外测温摄像机获取红外测温图谱的数据信息,并对获取到的红外测温图谱进行数据预处理;
在本步骤中,通过改进型ANN算法对红外测温图谱的位置信息识别;改进型ANN算法包括以下步骤:
(S11)、通过风险优先级编号网络获得红外测温图谱特征点提取位置,同时生成位置敏感分数图;
在本步骤中,假设红外测温图谱特征点数据通道数量为N,通过最大值池化位置敏感分数图反映红外测温图谱特征系数,使用(x,y)来表示位置敏感分数图的单个区块的所在位置;红外测温图谱特征点位置函数为:
式(1)中,Mi(x,y|r)表示红外测温图谱特征点位置敏感分数图第i个通道中B2个分块中的第(x,y)个分块,i表示通道序号,n表示红外测温图谱特征点总数,z表示红外测温图谱要素特征点B2个分块中第(a,b)个分块对应在要素图中位置集合,a0与b0表示初始位置,r表示改进型ANN算法的参数;
(S12)、对通道数为B2(i+1)的位置敏感分数图进行最大值计算,最大值计算表达式为:
Hi(r)=max(Mi(x,yr))(2)
式(2)中,Hi(r)表示红外测温图谱特征向量,max表示每个位置敏感分数图中的最大值;max(Mi(x,yr))表示每个位置敏感分数图中的最大值函数值,在改进型ANN算法网络模型中,对红外测温图谱特征向量做完全连接,完全连接层函数表达式为:
式(3)中,m(r)表示完全连接层函数表示式,wi表示红外测温图谱特征向量权重,β表示权重参数;Hi表示完全连接层函数隐层函数值;然后对红外测温图谱特征向量进行Softmax分类操作,
如图4所示,在所述Soft max分类过程中加入数据加速器;Soft max分类函数表达式为:
式(4)中,Si(r)表示Soft max分类操作函数;em(r)表示完全连接层函数的指数函数,K表示加速器的倍数;
(S13)对输入到Soft max分类操作函数的红外测温图谱特征向量进行网络训练阶段,采用TL训练方法,计算红外测温图谱特征向量损失函数,改进型ANN算法的损失函数L(S,t)为每个交叉熵损失以及边界框回归损失之和,损失函数表示式为:
式(5)中,λ表示常参数,λ=1,i*表示TL网络训练的类标,t表示改进型ANN算法理论回归框参数,t*表示改进型ANN算法真实回归框参数,R表示R语言下改进型ANN算法的损失函数Smooth(v);
损失函数表示为:
式(6)中,v表示回归框;Smooth(v)回归框光滑处理后保留了TL网络训练中梯度稳定的特点,在吸取了改进型ANN算法的损失函数L(S,t)中心点不可求导的缺陷;
(S14)、最后对红外测温图谱进行识别,得到识别判定函数V表达公式为:
步骤二、对处理后的红外测温图谱进行信息分解,以分析提取到的红外测温图谱数据信息;信息分解方法为改进型小波变换算法模型,其中所述改进型小波变换算法模型包含编码器;
步骤三、将处理后的红外测温图谱信息通过Sobel红外测温图谱算子检测模型进行诊断,将具有故障数据信息的红外测温图谱分离出来;其中Sobel红外测温图谱算子检测模型包括红外测温图谱信息输入模型、红外测温图谱信息特征提取模块、红外测温图谱信息诊断模块和红外测温图谱信息输出模块,其中所述红外测温图谱信息输入模型的输出端与红外测温图谱信息特征提取模块的输入端连接,红外测温图谱信息特征提取模块的输出端与红外测温图谱信息诊断模块的输入端连接;红外测温图谱信息诊断模块的输出端与红外测温图谱信息输出模块的输入端连接;
步骤四、异常预警,对具有异常温度的红外测温图谱进行预警,提示用户温度异常,并将异常信息传递到上层总控中心。
2.根据权利要求1所述的一种基于改进型ANN算法的红外测温图谱的温度识别方法,其特征在于:Sobel红外测温图谱算子检测模型的工作方法为:
通过红外测温图谱信息输入模型输入数据信息,输入数据通过函数表示为:
Y=0.381×R+0.672×G+0.214×B(8)
式(8)中:Y表示所要验证红外测温图谱信息检测结果,R表示检测到的红外测温图谱异常参数信息,G表示红外测温图谱运行正常参数信息,B表示红外测温图谱评估误差;
构建红外测温图谱信息评估模型:
式(9)中:SL(x,y)表示可编程红外测温图谱算子模型函数表达式,σ表示红外测温图谱算子模型与数学问题之间的转化量,ST(x,y)表示检测红外测温图谱信息问题代数;
Sobel红外测温图谱算子模型为:
式(10)中,Sx表示Sobel红外测温图谱算子模型函数,x表示所验证检测数据的自适应变化,y表示红外测温图谱运行实时变化检测量;
分析红外测温图谱曲线具体运行规律,将Sobel红外测温图谱算子数学矩阵设置为:
式(11)中,将模板矩阵代入红外测温图谱算子模型中,计算出红外测温图谱各信息在模型中对应权值,通过模型自动验证,得到验证函数表达式为:
式(12)中,X(i)表示所验证检测数据结果,I表示输入红外测温图谱算子模型中的数学问题代数,i表示红外测温图谱信息变量,j表示输入检测数据过程中的损耗;计算红外测温图谱算子模型验证数据最大值与实际运行数据的最小值的关系函数表达式函数为:
I-X-max=max(Xi)-min(Xi),(i=1,2,L,M) (13)
式(13)中,I-X-max表示对红外测温图谱预测最大准确率,max(Xi)表示红外测温图谱算子模型验证最大值,min(Xi)表示红外测温图谱实际运行显示数据最小值。
3.根据权利要求1所述的一种基于改进型ANN算法的红外测温图谱的温度识别方法,其特征在于:加速器包括分辨率增加器、数字压缩器、卷积器、目标数据识别器和输出模块,其中所述分辨率增加器的输入端与数字压缩器的输入端连接,所述数字压缩器的输出端与卷积器的输入端连接,所述卷积器的输出端与目标数据识别器的输入端连接,所述目标数据识别器的输出端与输出模块的输入端连接。
4.根据权利要求1所述的一种基于改进型ANN算法的红外测温图谱的温度识别方法,其特征在于:改进型小波变换算法模型还包括信号滤除模块和基于INA163芯片组成的前置放大电路。
5.根据权利要求4所述的一种基于改进型ANN算法的红外测温图谱的温度识别方法,其特征在于:信号滤除模块通过设置不同频段滤除谐波、噪声和频谱数据信息。
6.根据权利要求5所述的一种基于改进型ANN算法的红外测温图谱的温度识别方法,其特征在于:信号滤除模块包括主控模块和所述主控模块连接的数据转换模块、脉冲信号触发模块、波段阈值模块、判断模块和检测模块。
7.根据权利要求1所述的一种基于改进型ANN算法的红外测温图谱的温度识别方法,其特征在于:编码器为卷积分编码器。
8.根据权利要求1所述的一种基于改进型ANN算法的红外测温图谱的温度识别方法,其特征在于:红外测温图谱信息特征提取模块包括信息提取频段、提取时段和提取信息内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211606002.6A CN115931141A (zh) | 2022-12-14 | 2022-12-14 | 一种基于改进型ann算法的红外测温图谱的温度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211606002.6A CN115931141A (zh) | 2022-12-14 | 2022-12-14 | 一种基于改进型ann算法的红外测温图谱的温度识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115931141A true CN115931141A (zh) | 2023-04-07 |
Family
ID=86553703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211606002.6A Pending CN115931141A (zh) | 2022-12-14 | 2022-12-14 | 一种基于改进型ann算法的红外测温图谱的温度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115931141A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129088A (zh) * | 2023-08-08 | 2023-11-28 | 上海根根信息技术有限公司 | 一种芯片温度测试方法及系统 |
-
2022
- 2022-12-14 CN CN202211606002.6A patent/CN115931141A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129088A (zh) * | 2023-08-08 | 2023-11-28 | 上海根根信息技术有限公司 | 一种芯片温度测试方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784026B (zh) | 基于云边端协同感知的变电站电气设备全方位体检系统 | |
US20220092428A1 (en) | Prediction method for stall and surge of axial compressor based on deep learning | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
CN115931141A (zh) | 一种基于改进型ann算法的红外测温图谱的温度识别方法 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN116054417B (zh) | 一种变电站用的监控系统及方法 | |
CN116258241A (zh) | 一种基于时空关联的监管环境风险预测方法及系统 | |
CN116704733A (zh) | 铝合金电缆的老化预警方法和系统 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN113671363A (zh) | 一种高压断路器状态辨识系统及方法 | |
CN113450827A (zh) | 基于压缩神经网络的设备异常工况声纹分析算法 | |
CN116259161B (zh) | 一种电力故障预警系统 | |
CN116433029A (zh) | 电力作业风险评估方法、系统、设备及存储介质 | |
CN115826477A (zh) | 基于数据可视化的水域监控系统及方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN106081911B (zh) | 一种塔式起重机在线监测系统 | |
CN115556099B (zh) | 一种可持续学习的工业机器人故障诊断系统及方法 | |
CN113780224B (zh) | 一种变电站无人化巡视方法及系统 |
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 |