CN115937675A - 一种变电站巡检环境下目标与缺陷识别方法 - Google Patents
一种变电站巡检环境下目标与缺陷识别方法 Download PDFInfo
- Publication number
- CN115937675A CN115937675A CN202211518059.0A CN202211518059A CN115937675A CN 115937675 A CN115937675 A CN 115937675A CN 202211518059 A CN202211518059 A CN 202211518059A CN 115937675 A CN115937675 A CN 115937675A
- Authority
- CN
- China
- Prior art keywords
- defect
- substation
- target
- image
- equipment
- 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
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种变电站巡检环境下目标与缺陷识别方法,涉及变电站巡检机器人技术领域。该变电站巡检环境下目标与缺陷识别方法,包括以下步骤:S1、图像预处理及目标识别;S2、变电站设备缺陷图像数据库;S3、使用小波变换处理图像噪声;S4、设备缺陷。通过不断积累可见光、红外热成像等非结构化数据,构建全区变电一次设备的典型缺陷样本库,集中完善设备缺陷在外观状态上的不同表现形式与样本数量,再次使用小波变换算法去除设备缺陷图像噪声,然后通过机器学习方式实现缺陷状态的智能识别,最后实现针对恶劣环境下不同设备及其典型缺陷特征的智能识别,提高了变电站设备缺陷图像识别率。
Description
技术领域
本发明涉及变电站巡检机器人技术领域,具体为一种变电站巡检环境下目标与缺陷识别方法。
背景技术
近年来,随着市场应用前景越来越乐观,越来越多的机器人制造厂商投入到变电站巡检机器人的设计、研发和销售,据统计,目前国内已有超过25家具有一定规模的变电站巡检机器人制造厂商,并已研制出适应于不同环境条件的变电站巡检机器人,极大促进了变电站巡检机器人的应用。此外,我国智能图片搜索、人脸识别、指纹识别、扫码支付、视觉工业机器人、辅助驾驶等图像视频识别产品正在深刻改变着传统行业,针对种类繁杂、形态多样的图形数据和应用场景,基于系统集成硬件架构和底层算法软件平台定制综合解决方案,面向需求生成图像视频的模型建立与行为识别流程,为电力、交通等行业提供丰富的场景分析功能与环境感知交互体验。
但是,现有的变电站环境属于特种工作环境,机器人巡视时所拍摄图像容易受周围环境影响,产生“噪声”,变电站设备缺陷图像识别率较低。
发明内容
针对现有技术的不足,本发明提供了一种变电站巡检环境下目标与缺陷识别方法,解决了机器人巡视时所拍摄图像容易受周围环境影响,产生“噪声”,变电站设备缺陷图像识别率较低的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种变电站巡检环境下目标与缺陷识别方法,包括以下步骤:
S1、图像预处理及目标识别;
S2、变电站设备缺陷图像数据库;
S3、使用小波变换处理图像噪声;
S4、设备缺陷。
优选的,步骤一中,图像预处理及目标识别是指通过与数据库采集设备进行差图像分析、相关分析,需先行完成目标检测与跟踪,并识别出图像中设备信息,巡检机器人在执行巡检任务前需要花费大量的时间配置机器人作业参数,效率低且环境变化适应能力差,基于深度卷积神经网络等算法可实现对巡检目标的自动检测、定位、跟踪并完成准确的拍摄任务,解决变电站及线路巡检机器人巡检自主作业的难题。
优选的,步骤二中,变电站设备缺陷图像数据库是指深度学习需要大量的数据样本训练算法模型,而变电站内获取不同故障类型图片是一项耗时且成本高的任务,针对缺陷图像库样本不足,基于生成式对抗网络方法可解决训练样本不足条件下的电力图像数据增强,避免漏告警、误告警,通过抽取资产管理系统数据库中积累的大量变电站设备缺陷图像数据来建立变电站设备缺陷图像数据库,用于缺陷识别模型的训练和测试。
优选的,步骤三中,使用小波变换处理图像噪声是指使用卷积神经网络基于小波变换的阈值去噪方法,先对含噪图像进行小波变换,再对高频系统进行阈值去噪,最后进行小波反变换,实现设备缺陷图像去噪。
优选的,步骤四中,设备缺陷是指由于深度学习,特别是卷积神经网络(CNN)在图像识别等领域取得了较好的成果,基于深度学习的图像去噪方法可用于提高巡视结果正确率,将去噪后的设备缺陷图像通过多层反向的网络训练,可通过特征抽取器来得到特征变量,进而根据这些特征变量通过一个分类器来进行分类识别。
优选的,步骤二中,缺陷图像数据库是通过不断积累可见光、红外热成像等非结构化数据构建。
优选的,步骤三中,小波变换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。
优选的,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一 ,卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。
优选的,深度学习是机器学习领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标人工智能。
优选的,特征提取器采用RNN。
本发明提供了一种变电站巡检环境下目标与缺陷识别方法。具备以下有益效果:
本发明通过不断积累可见光、红外热成像等非结构化数据,构建全区变电一次设备的典型缺陷样本库,集中完善设备缺陷在外观状态上的不同表现形式与样本数量,再次使用小波变换算法去除设备缺陷图像噪声,然后通过机器学习方式实现缺陷状态的智能识别,最后实现针对恶劣环境下不同设备及其典型缺陷特征的智能识别,提高了变电站设备缺陷图像识别率。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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。
实施例一:
参照图1,本发明实施例提供一种变电站巡检环境下目标与缺陷识别方法,包括以下步骤:
S1、图像预处理及目标识别;
S2、变电站设备缺陷图像数据库;
S3、使用小波变换处理图像噪声;
S4、设备缺陷。
通过不断积累可见光、红外热成像等非结构化数据,构建全区变电一次设备的典型缺陷样本库,集中完善设备缺陷在外观状态上的不同表现形式与样本数量,再次使用小波变换算法去除设备缺陷图像噪声,然后通过机器学习方式实现缺陷状态的智能识别,最后实现针对恶劣环境下不同设备及其典型缺陷特征的智能识别,提高了变电站设备缺陷图像识别率
步骤一中,图像预处理及目标识别是指通过与数据库采集设备进行差图像分析、相关分析,需先行完成目标检测与跟踪,并识别出图像中设备信息,巡检机器人在执行巡检任务前需要花费大量的时间配置机器人作业参数,效率低且环境变化适应能力差,基于深度卷积神经网络等算法可实现对巡检目标的自动检测、定位、跟踪并完成准确的拍摄任务,解决变电站及线路巡检机器人巡检自主作业的难题。
步骤二中,变电站设备缺陷图像数据库是指深度学习需要大量的数据样本训练算法模型,而变电站内获取不同故障类型图片是一项耗时且成本高的任务,针对缺陷图像库样本不足,基于生成式对抗网络方法可解决训练样本不足条件下的电力图像数据增强,避免漏告警、误告警,通过抽取资产管理系统数据库中积累的大量变电站设备缺陷图像数据来建立变电站设备缺陷图像数据库,用于缺陷识别模型的训练和测试。
步骤三中,使用小波变换处理图像噪声是指使用卷积神经网络基于小波变换的阈值去噪方法,先对含噪图像进行小波变换,再对高频系统进行阈值去噪,最后进行小波反变换,实现设备缺陷图像去噪。
步骤四中,设备缺陷是指由于深度学习,特别是卷积神经网络(CNN)在图像识别等领域取得了较好的成果,基于深度学习的图像去噪方法可用于提高巡视结果正确率,将去噪后的设备缺陷图像通过多层反向的网络训练,可通过特征抽取器来得到特征变量,进而根据这些特征变量通过一个分类器来进行分类识别。
步骤二中,缺陷图像数据库是通过不断积累可见光、红外热成像等非结构化数据构建。
步骤三中,小波变换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。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一 ,卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。
深度学习是机器学习领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标人工智能。
特征提取器采用RNN。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种变电站巡检环境下目标与缺陷识别方法,其特征在于,包括以下步骤:
S1、图像预处理及目标识别;
S2、变电站设备缺陷图像数据库;
S3、使用小波变换处理图像噪声;
S4、设备缺陷。
2.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:步骤一中,图像预处理及目标识别是指通过与数据库采集设备进行差图像分析、相关分析,需先行完成目标检测与跟踪,并识别出图像中设备信息,巡检机器人在执行巡检任务前需要花费大量的时间配置机器人作业参数,效率低且环境变化适应能力差,基于深度卷积神经网络等算法可实现对巡检目标的自动检测、定位、跟踪并完成准确的拍摄任务,解决变电站及线路巡检机器人巡检自主作业的难题。
3.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:步骤二中,变电站设备缺陷图像数据库是指深度学习需要大量的数据样本训练算法模型,而变电站内获取不同故障类型图片是一项耗时且成本高的任务,针对缺陷图像库样本不足,基于生成式对抗网络方法可解决训练样本不足条件下的电力图像数据增强,避免漏告警、误告警,通过抽取资产管理系统数据库中积累的大量变电站设备缺陷图像数据来建立变电站设备缺陷图像数据库,用于缺陷识别模型的训练和测试。
4.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:步骤三中,使用小波变换处理图像噪声是指使用卷积神经网络基于小波变换的阈值去噪方法,先对含噪图像进行小波变换,再对高频系统进行阈值去噪,最后进行小波反变换,实现设备缺陷图像去噪。
5.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:步骤四中,设备缺陷是指由于深度学习,特别是卷积神经网络(CNN)在图像识别等领域取得了较好的成果,基于深度学习的图像去噪方法可用于提高巡视结果正确率,将去噪后的设备缺陷图像通过多层反向的网络训练,可通过特征抽取器来得到特征变量,进而根据这些特征变量通过一个分类器来进行分类识别。
6.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:步骤二中,缺陷图像数据库是通过不断积累可见光、红外热成像等非结构化数据构建。
7.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:步骤三中,小波变换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。
8.根据权利要求2的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。
9.根据权利要求3的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:深度学习是机器学习领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标人工智能。
10.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法,其特征在于:特征提取器采用RNN。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518059.0A CN115937675A (zh) | 2022-11-29 | 2022-11-29 | 一种变电站巡检环境下目标与缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518059.0A CN115937675A (zh) | 2022-11-29 | 2022-11-29 | 一种变电站巡检环境下目标与缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937675A true CN115937675A (zh) | 2023-04-07 |
Family
ID=86555212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211518059.0A Pending CN115937675A (zh) | 2022-11-29 | 2022-11-29 | 一种变电站巡检环境下目标与缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937675A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228774A (zh) * | 2023-05-10 | 2023-06-06 | 国网山东省电力公司菏泽供电公司 | 基于图像质量评价的变电站巡检图像缺陷识别方法及系统 |
-
2022
- 2022-11-29 CN CN202211518059.0A patent/CN115937675A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228774A (zh) * | 2023-05-10 | 2023-06-06 | 国网山东省电力公司菏泽供电公司 | 基于图像质量评价的变电站巡检图像缺陷识别方法及系统 |
CN116228774B (zh) * | 2023-05-10 | 2023-09-08 | 国网山东省电力公司菏泽供电公司 | 基于图像质量评价的变电站巡检图像缺陷识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344725B (zh) | 一种基于时空关注度机制的多行人在线跟踪方法 | |
CN108898620B (zh) | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 | |
CN112507859B (zh) | 一种用于移动机器人的视觉跟踪方法 | |
CN108416780A (zh) | 一种基于孪生-感兴趣区域池化模型的物体检测与匹配方法 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
Mazzetto et al. | Deep learning models for visual inspection on automotive assembling line | |
CN112616023A (zh) | 复杂环境下的多摄像机视频目标追踪方法 | |
CN115937675A (zh) | 一种变电站巡检环境下目标与缺陷识别方法 | |
CN113763424A (zh) | 基于嵌入式平台的实时智能目标检测方法及系统 | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及系统 | |
CN110472608A (zh) | 图像识别跟踪处理方法及系统 | |
CN110111358B (zh) | 一种基于多层时序滤波的目标跟踪方法 | |
Yang et al. | Cherry recognition based on color channel transform | |
CN114743257A (zh) | 图像目标行为的检测识别方法 | |
Chang et al. | Deep Learning Approaches for Dynamic Object Understanding and Defect Detection | |
Adhitya et al. | Applied Haar Cascade and Convolution Neural Network for Detecting Defects in The PCB Pathway | |
Tian et al. | Real-time vehicle detection under complex road conditions | |
CN113255549A (zh) | 一种狼群围猎行为状态智能识别方法及系统 | |
CN111860229A (zh) | 异常行为智能识别方法及其装置和存储介质 | |
Amer et al. | Introduction to the special issue on video object processing for surveillance applications | |
He et al. | Fabric defect detection based on improved object as point | |
CN110728310A (zh) | 一种基于超参数优化的目标检测模型融合方法及融合系统 | |
Wang et al. | Household Goods Recognition Using Hierarchical Multi-object Segmentation. | |
CN114049581B (zh) | 一种基于动作片段排序的弱监督行为定位方法和装置 |
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 |