CN116012382B - 电力设备渗漏油检测方法、装置、电子设备及存储介质 - Google Patents
电力设备渗漏油检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116012382B CN116012382B CN202310307632.1A CN202310307632A CN116012382B CN 116012382 B CN116012382 B CN 116012382B CN 202310307632 A CN202310307632 A CN 202310307632A CN 116012382 B CN116012382 B CN 116012382B
- Authority
- CN
- China
- Prior art keywords
- leakage
- image
- oil
- easy
- color
- 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.)
- Active
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
- Examining Or Testing Airtightness (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种电力设备渗漏油检测方法、装置、电子设备及存储介质,其中方法包括:获取电力设备易漏点的视频帧,所述易漏点设置有检测试纸;所述易漏点发生渗漏油现象时油液可浸润相应的检测试纸以使检测试纸的颜色变化为特定颜色;将所述视频帧进行图像分割,得到与所述检测试纸相关的区域图像;将所述区域图像输入至预先训练完成的渗漏油检测模型中,所述渗漏油检测模型对所述区域图像进行所述特定颜色的注意力增强处理,并对注意力增强处理后的图像特征提取,以利用提取的特征确定所述检测试纸是否发生所述特定颜色的变化,并输出渗漏油检测结果。本方案,能够及时且准确的检测到电力设备是否发生渗漏油现象。
Description
技术领域
本发明实施例涉及电力技术领域,特别涉及一种电力设备渗漏油检测方法、装置、电子设备及存储介质。
背景技术
电厂需要通过各种电力设备来保障电力的稳定供应,为避免电力设备出现非正常停工等事故工况,尤其是渗漏油造成的非正常停工,需要对电力设备进行巡检。目前,电力设备的渗漏油巡检,一般是依赖人工巡检,人工巡检可能会存在疏漏,且巡检周期较长,无法及时准确的发现电力设备的渗漏油现象。
因此,亟需提供一种能够及时且准确的检测到电力设备渗漏油的方法。
发明内容
本发明实施例提供了一种电力设备渗漏油检测方法、装置、电子设备及存储介质,能够及时且准确的检测到电力设备是否发生渗漏油现象。
第一方面,本发明实施例提供了一种电力设备渗漏油检测方法,包括:
获取电力设备易漏点的视频帧,所述易漏点设置有检测试纸;所述易漏点发生渗漏油现象时油液可浸润相应的检测试纸以使检测试纸的颜色变化为特定颜色;
将所述视频帧进行图像分割,得到与所述检测试纸相关的区域图像;
将所述区域图像输入至预先训练完成的渗漏油检测模型中,所述渗漏油检测模型对所述区域图像进行所述特定颜色的注意力增强处理,并对注意力增强处理后的图像进行特征提取,以利用提取的特征确定所述检测试纸是否发生所述特定颜色的变化,并输出渗漏油检测结果。
第二方面,本发明实施例还提供了一种电力设备渗漏油检测装置,包括:
视频帧获取单元,用于获取电力设备易漏点的视频帧,所述易漏点设置有检测试纸;所述易漏点发生渗漏油现象时油液可浸润相应的检测试纸以使检测试纸的颜色变化为特定颜色;
图像分割单元,用于将所述视频帧进行图像分割,得到与所述检测试纸相关的区域图像;
渗漏油检测单元,用于将所述区域图像输入至预先训练完成的渗漏油检测模型中,所述渗漏油检测模型对所述区域图像进行所述特定颜色的注意力增强处理,并对注意力增强处理后的图像进行特征提取,以利用提取的特征确定所述检测试纸是否发生所述特定颜色的变化,并输出渗漏油检测结果。
第三方面,本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种电力设备渗漏油检测方法、装置、电子设备及存储介质,通过在电力设备的易漏点处设置检测试纸,当易漏点发生渗漏油时油液会浸润检测试纸,检测试纸会变化为特定颜色,使得渗漏油现象更加明显,进一步通过图像分割将视频帧中检测试纸相关的区域图像分割出来,以使渗漏油检测模型将关注度集中到检测试纸上,排除视频帧中环境图像的噪声,并结合渗漏油检测模型对区域图像进行特定颜色的注意力增强处理,从而增加对特定颜色的关注度,提高检测结果的准确性。可见本方案,无需人工巡检,通过设置摄像头能够实时获取到渗漏点的视频帧,提高渗漏油检测的及时性,并且基于渗漏油发生后检测试纸的颜色变化与注意力增强处理相结合,能够准确的检测到电力设备是否发生渗漏油现象。
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是本发明一实施例提供的一种电力设备渗漏油检测方法流程图;
图2是本发明一实施例提供的一种渗漏油检测模型的结构示意图;
图3是本发明一实施例提供的另一种渗漏油检测模型的结构示意图;
图4是本发明一实施例提供的一种频域学习模块的处理流程图;
图5是本发明一实施例提供的一种电子设备的硬件架构图;
图6是本发明一实施例提供的一种电力设备渗漏油检测装置结构图;
图7是本发明一实施例提供的另一种电力设备渗漏油检测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,显然,所描述的实施例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的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。
请参考图1,本发明实施例提供了一种电力设备渗漏油检测方法,该方法包括:
步骤100,获取电力设备易漏点的视频帧,所述易漏点设置有检测试纸;所述易漏点发生渗漏油现象时油液可浸润相应的检测试纸以使检测试纸的颜色变化为特定颜色;
步骤102,将所述视频帧进行图像分割,得到与所述检测试纸相关的区域图像;
步骤104,将所述区域图像输入至预先训练完成的渗漏油检测模型中,所述渗漏油检测模型对所述区域图像进行所述特定颜色的注意力增强处理,并对注意力增强处理后的图像进行特征提取,以利用提取的特征确定所述检测试纸是否发生所述特定颜色的变化,并输出渗漏油检测结果。
本发明实施例中,通过在电力设备的易漏点处设置检测试纸,当易漏点发生渗漏油时油液会浸润检测试纸,检测试纸会变化为特定颜色,使得渗漏油现象更加明显,进一步通过图像分割将视频帧中检测试纸相关的区域图像分割出来,以使渗漏油检测模型将关注度集中到检测试纸上,排除视频帧中环境图像的噪声,并结合渗漏油检测模型对区域图像进行特定颜色的注意力增强处理,从而增加对特定颜色的关注度,提高检测结果的准确性。可见本方案,无需人工巡检,通过设置摄像头能够实时获取到渗漏点的视频帧,提高渗漏油检测的及时性,并且基于渗漏油发生后检测试纸的颜色变化与注意力增强处理相结合,能够准确的检测到电力设备是否发生渗漏油现象。
下面描述图1所示的各个步骤的执行方式。
首先,针对步骤100“获取电力设备易漏点的视频帧,所述易漏点设置有检测试纸;所述易漏点发生渗漏油现象时油液可浸润相应的检测试纸以使检测试纸的颜色变化为特定颜色”和步骤102“将所述视频帧进行图像分割,得到与所述检测试纸相关的区域图像”同时进行说明。
电厂中包括大量的电力设备,且根据经验可以确定哪些位置属于易漏点,在易漏点处设置检测试纸,检测试纸的设置方式可以基于易漏点的形状进行确定,比如贴覆方式、包裹方式等,使得易漏点在发生渗漏油现象时油液可浸润该渗漏点处设置的检测试纸。
本发明实施例中,由于电力设备渗漏出的油液与周围环境相比并无明显差异,导致渗漏油现象不易被发现。因此,检测试纸可以选用被油液浸润后可发生颜色变化的试纸,且尽量选用遇空气中的水蒸气等无颜色变化的定性试纸。
其中,不同类型的油液可以选择不同类型的检测试纸,且当油液类型和检测试纸类型确定后,检测试纸被油液浸润后发生的颜色变化是固定的,比如为蓝色或红色,因此可以预先确定检测试纸被油液浸润后的变化为的特定颜色。
本发明实施例中,为了能够及时对易漏点进行渗漏油检测,无需布置巡检机器人现场获取视频图像,可以在易漏点位置处设置摄像头,以在不影响现场工作人员检修或出现的前提下,实时获取易漏点的清晰视频帧。
进一步地,为了提高检测结果,降低易漏点周围环境的影响,还可以在易漏点处设置合适的光源,以提高易漏点处视频帧的清晰度。
在本发明实施例中,通过设置的摄像头可以获取多个易漏点的视频帧,在对每一个易漏点进行渗漏油检测时,可以基于该易漏点对应的视频帧,也可以结合其他易漏点的视频帧共同实现渗漏油检测。
由于摄像头获取的易漏点的视频帧一般包括易漏点周围环境,为了提高检测准确性,增强对检测试纸的关注度,可以对视频帧进行图像分割,比如对检测试纸边缘位置进行剪裁,得到包含检测试纸在内的区域图像,从而可以降低易漏点周围环境因素对检测结果的影响。
具体地,可以通过基于YOLO的目标检测算法提取检测试纸相关的区域图像。
然后,针对步骤104,将所述区域图像输入至预先训练完成的渗漏油检测模型中,所述渗漏油检测模型对所述区域图像进行所述特定颜色的注意力增强处理,并对注意力增强处理后的图像进行特征提取,以利用提取的特征确定所述检测试纸是否发生所述特定颜色的变化,并输出渗漏油检测结果。
本发明实施例中,为了提高检测结果的准确性,可以采用训练渗漏油检测模型的方式对视频帧分割后的区域图像进行渗漏油检测。
具体地,渗漏油检测模型的训练方式可以包括如下步骤S1-S2:
S1:获取多个训练样本;所述多个训练样本包括:作为正样本的变色试纸图像和作为负样本的非变色试纸图像;所述变色试纸图像的颜色为所述特定颜色。
由于易漏点的环境参数可以能会发生变化,比如光照变化、由于空气中杂质导致的可见度变化等,因此,正样本和负样本需要覆盖多个环境参数,比如白天、中午、晚上、阴天、下雨、雾霾等环境参数,以提高训练样本的多样性,适配真实场景。
正样本的获取方式至少可以包括以下方式:
方式(1):将检测试纸浸润油液使得检测试纸变色后进行拍照,得到变色试纸图像;
方式(2):基于方式(1)获取不同环境参数下的变色试纸图像;
方式(3):针对方式(1)和/或方式(2)得到的变色试纸图像执行如下处理中的至少一项:调整色度、调整亮度、调整对比度、调整饱和度和加噪声处理,得到处理后的变色试纸图像。
其中,用于进行模型训练的正样本中检测试纸发生变化的颜色为相同颜色,该相同颜色为特定颜色,比如均为蓝色。
负样本的获取方式至少可以包括以下方式:
方式(1):对未被油液浸润的检测试纸进行拍照,得到非变色试纸图像;
方式(2)和方式(3)与正样本的方式(2)和方式(3)类似,可以得到不同环境参数下的非变色试纸图像以及经过处理后的非变色试纸图像。
进一步地,在得到变色试纸图像和非变色试纸图像之后,按照步骤102进行图像分割,得到检测试纸相关的区域图像,将相应图像分割后得到的区域图像作为正样本和负样本。
S2:利用所述多个训练样本对神经网络进行训练,得到所述渗漏油检测模型;所述神经网络至少包括注意力模块、卷积模块和全连接层;所述注意力模块用于对训练样本中正样本的特定颜色进行注意力增强处理;所述卷积模块用于对注意力增强处理后的图像进行特征提取;所述全连接层用于利用提取的特征确定训练样本是否存在所述特定颜色。
请参考图2,为得到的该渗漏油检测模型的结构示意图,注意力模块位于渗漏油检测模型的输入端,注意力模块的输出与卷积模块的输入连接,卷积模块的输出与全连接层的输入连接,全连接层的输出即为渗漏油检测模型的输出端。
在本发明实施例中,由于检测试纸被油液浸润之后会变化为特定颜色,为了提高对特定颜色的关注度,进一步提高检测结果的准确性,在神经网络中包括卷积模块和全连接层的基础上增加注意力模块,在利用训练样本对神经网络进行训练时,由注意力模块深度学习训练样本中特定颜色的特征,以增加对特定颜色的关注度。
具体地,该注意力模块可以对训练样本执行如下注意力增强处理操作:
通过注意力模块对特定颜色实现注意力增强处理操作,可以使得特定颜色的权重更高,当输入的图像中含有该特定颜色时,该特定颜色的特征更强烈,有利于后续特征提取后该特征所占比重,提高后续检测准确性。
神经网络中的卷积模块用于对注意力增强处理后的图像进行特征提取,并由全连接层利用提取的特征确定训练样本中是否存在特定颜色以输出检测结果。基于训练样本对正样本和负样本的标记,可以根据输出的检测结果进行反向传播,以调整神经网络中的参数,使得训练过程中输出的检测结果更加准确。
由于电力设备一般会暴露在空气中,易漏点处设置的检测试纸容易受到环境因素的影响,使得视频帧中检测试纸相关的区域图像会存在信息干扰,比如边缘线等。基于此,在本发明一个实施例中,该神经网络还可以包括:频域学习模块,该频域学习模块用于针对注意力增强处理后的图像,在全局自适应上选择图像中最大面积的至少一个色块,以使卷积模块利用该最大面积的至少一个色块进行特征提取。
请参考图3,为得到的该渗漏油检测模型的另一种结构示意图,该图3的结构是在图2结构的基础上,增加了频域学习模块,该频域学习模块位于注意力模块与卷积模块之间,使得注意力模块在对特定颜色进行注意力增强处理后,利用频域学习模块能够去除干扰位置,进一步增强对大面积色块的注意力,进而利用卷积模块对大面积色块进行特征提取,使得全连接层的分类结果更加准确。
具体地,请参考图4,该针对注意力增强处理后的图像,在全局自适应上选择图像中最大面积的至少一个色块,可以包括如下步骤S21-S23:
S21:对所述注意力增强处理后的图像进行二维快速傅里叶变换;
S22:利用可学习滤波器与二维快速傅里叶变换后的图像进行元素相乘;
S23:对元素相乘后的图像进行二维快速傅里叶反变换,得到图像中最大面积的至少一个色块。
上述频域学习模块的处理过程S21-S23分别可以通过如下三个公式一一对应来表示:
若检测试纸变色后,会出现大面积色块,而在检测试纸相关的区域图像在进行二维快速傅里叶变换后,图像中的大面积色块表现为低频,边缘噪声表现为高频,通过可学习滤波器对低频部分的特征进行学习,以滤除高频部分的边缘噪声,并在通过二维快速傅里叶反变换后可以得到大面积色块的图像;可见,利用频域学习模块对图像进行处理后,可以自适应地滤除干扰噪声,增强大面积色块,使得模型在全局上自适应选择最大面积的至少一个色块进行特征提取和识别,增强了模型对颜色识别的性能,进一步提高了检测结果的准确性和鲁棒性。
本发明实施例中,至少可以通过设置设定比例或者设定面积值来进行大面积色块的选择。当设置有设定比例时,比如该设定比例为30%,那么可以根据图像中色块数量,计算色块数量与30%的乘积,选择最大面积的乘积数量的色块作为用于特征提取和识别的色块。当设置有设定面积值时,该设定面积值可以根据模型训练过程被油液浸润的检测试纸中最小浸润面积来设置,那么可以根据图像中每一个色块的面积,将面积大于设定面积值的色块作为用于特征提取和识别的色块,若所有色块的面积均未大于设定面积值,可以将最大面积的色块作为特征提取和识别的色块。
利用训练样本可以完成神经网络的训练,得到训练好的渗漏油检测模型。
在利用渗漏油检测模型对易漏点的视频帧进行渗漏油检测时,可以实时检测,也可以每隔设定时间段检测一次。
具体地,在利用渗漏油检测模型对易漏点的视频帧进行渗漏油检测时,可以将图像分割后得到的区域图像输入至渗漏油检测模型中,渗漏油检测模型中的注意力模块对区域图像进行特定颜色的注意力增强处理,以增加对图像中特定颜色的关注度,由卷积模块对注意力增强处理后的图像进行特征提取,以升高通道数、归一化、非线性激活,得到特征提取后的图像,将得到的/>经过空间全局平均化,并最后输入到全连接层进行分类,以确定检测试纸是否发生特定颜色的变换,进而输出渗漏油检测结果。该渗漏油检测结果包括发生渗漏油和未发生渗漏油两种。
相应地,当渗漏油检测模型中包括频域学习模块时,由渗漏油检测模型中的频域学习模块针对注意力增强处理后的图像,在全局自适应上选择图像中最大面积的至少一个色块,以使卷积模块利用该最大面积的至少一个色块进行特征提取。
在本发明实施例中,电力设备在发生渗漏油时,不同的渗漏油量关系着漏点处理的紧急程度,因此,当易漏点发生渗漏油时,有必要对渗漏油量进行分析。
具体地,可以在所述输出渗漏油检测结果之后,还包括:若输出的渗漏油检测结果为该易漏点发生渗漏油,则基于该易漏点的区域图像以及与该易漏点具有相同环境参数的其他易漏点的区域图像,确定该易漏点的渗漏油量。
一个实现方式中,在根据该易漏点的区域图像以及与该易漏点具有相同环境参数的其他易漏点的区域图像,确定该易漏点的渗漏油量,具体可以包括:
获取渗漏油量与像素值的对应关系;
计算该易漏点的区域图像的像素值与该其他易漏点的区域图像的像素均值的差值;
根据所述对应关系和所述差值,确定该易漏点的渗漏油量。
其中,渗漏油量与像素值的对应关系的获取方式可以为:确定未浸润油液的检测试纸的像素值,并将不同油量浸润检测试纸以得到正样本,计算不同油量得到的正样本的像素值,确定正样本的像素值与未浸润油液的检测试纸的像素值的差值,根据该差值与对应的浸润油量形成渗漏油量与像素值的对应关系。
由于该其他易漏点与该易漏点具有相同的环境参数,因此,未发生渗漏时这些易漏点的区域图像的像素值基本相同,而当某一个易漏点发生渗漏油时,该易漏点的区域图像的像素值会与其他易漏点的区域图像的像素值具有很大差距,通过计算该易漏点的区域图像的像素值与该其他易漏点的区域图像的像素均值的差值,结合已经获取的对应关系,可以得出该易漏点的渗漏油量。
需要说明的是,除上述渗漏油量的确定方式以外,还可以使用其他方式进行确定,比如在训练渗漏油检测模型的过程中,对正样本中浸润的油量进行标记,以使渗漏油检测模型在输出发生渗漏油的检测结果时将发生渗漏油的渗漏油量一并输出。
进一步地,还可以根据输出的渗漏油检测结果,将发生渗漏油的情况自动通知给相应工作人员,以提醒工作人员及时处理漏点,防止电力设备的非正常停机。通知方式可以包括但不限于:邮箱、短信、公众号、小程序等。
如图5、图6所示,本发明实施例提供了一种电力设备渗漏油检测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图5所示,为本发明实施例提供的一种电力设备渗漏油检测装置所在电子设备的一种硬件架构图,除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图6所示,作为一个逻辑意义上的装置,是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种电力设备渗漏油检测装置,包括:
视频帧获取单元601,用于获取电力设备易漏点的视频帧,所述易漏点设置有检测试纸;所述易漏点发生渗漏油现象时油液可浸润相应的检测试纸以使检测试纸的颜色变化为特定颜色;
图像分割单元602,用于将所述视频帧进行图像分割,得到与所述检测试纸相关的区域图像;
渗漏油检测单元603,用于将所述区域图像输入至预先训练完成的渗漏油检测模型中,所述渗漏油检测模型对所述区域图像进行所述特定颜色的注意力增强处理,并对注意力增强处理后的图像进行特征提取,以利用提取的特征确定所述检测试纸是否发生所述特定颜色的变化,并输出渗漏油检测结果。
在本发明一个实施例中,所述渗漏油检测模型的训练方式包括:
获取多个训练样本;所述多个训练样本包括:作为正样本的变色试纸图像和作为负样本的非变色试纸图像;所述变色试纸图像的颜色为所述特定颜色;
利用所述多个训练样本对神经网络进行训练,得到所述渗漏油检测模型;所述神经网络至少包括注意力模块、卷积模块和全连接层;所述注意力模块用于对正样本中的特定颜色进行深度学习,以实现对输入训练样本进行特定颜色的注意力增强处理;所述卷积模块用于对注意力增强处理后的图像进行特征提取;所述全连接层用于利用提取的特征确定训练样本是否存在所述特定颜色。
在本发明一个实施例中,所述正样本和所述负样本均覆盖多个环境参数。
在本发明一个实施例中,所述神经网络还包括频域学习模块;所述频域学习模块用于针对注意力增强处理后的图像,在全局自适应上选择图像中最大面积的至少一个色块,以使所述卷积模块利用该最大面积的至少一个色块进行特征提取。
在本发明一个实施例中,所述渗漏油检测单元在针对注意力增强处理后的图像,在全局自适应上选择图像中最大面积的至少一个色块时,具体包括:对所述注意力增强处理后的图像进行二维快速傅里叶变换;利用可学习滤波器与二维快速傅里叶变换后的图像进行元素相乘;对元素相乘后的图像进行二维快速傅里叶反变换,得到图像中最大面积的至少一个色块。
在本发明一个实施例中,请参考图7,该装置还可以包括:
渗漏油量确定单元604,用于若输出的渗漏油检测结果为该易漏点发生渗漏油,则基于该易漏点的区域图像以及与该易漏点具有相同环境参数的其他易漏点的区域图像,确定该易漏点的渗漏油量。
在本发明一个实施例中,所述渗漏油量确定单元在确定该易漏点的渗漏油量时,具体包括:获取渗漏油量与像素值的对应关系;计算该易漏点的区域图像的像素值与该其他易漏点的区域图像的像素均值的差值;根据所述对应关系和所述差值,确定该易漏点的渗漏油量。
可以理解的是,本发明实施例示意的结构并不构成对一种电力设备渗漏油检测装置的具体限定。在本发明的另一些实施例中,一种电力设备渗漏油检测装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种电力设备渗漏油检测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种电力设备渗漏油检测方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种电力设备渗漏油检测方法,其特征在于,包括:
获取电力设备易漏点的视频帧,所述易漏点设置有检测试纸;所述易漏点发生渗漏油现象时油液可浸润相应的检测试纸以使检测试纸的颜色变化为特定颜色;
将所述视频帧进行图像分割,得到与所述检测试纸相关的区域图像;
将所述区域图像输入至预先训练完成的渗漏油检测模型中,所述渗漏油检测模型对所述区域图像进行所述特定颜色的注意力增强处理,并对注意力增强处理后的图像进行特征提取,以利用提取的特征确定所述检测试纸是否发生所述特定颜色的变化,并输出渗漏油检测结果;
所述渗漏油检测模型的训练方式包括:
获取多个训练样本;所述多个训练样本包括:作为正样本的变色试纸图像和作为负样本的非变色试纸图像;所述变色试纸图像的颜色为所述特定颜色;
利用所述多个训练样本对神经网络进行训练,得到所述渗漏油检测模型;所述神经网络至少包括注意力模块、频域学习模块、卷积模块和全连接层;所述注意力模块用于对正样本中的特定颜色进行深度学习,以实现对输入训练样本进行特定颜色的注意力增强处理,以提高所述特定颜色的权重,当输入的训练样本中含有所述特定颜色时,可增大特征提取时所述特定颜色的特征所占比重;所述频域学习模块用于针对注意力增强处理后的图像,在全局自适应上选择图像中最大面积的至少一个色块;所述卷积模块用于对该最大面积的至少一个色块进行特征提取;所述全连接层用于利用提取的特征确定训练样本是否存在所述特定颜色。
2.根据权利要求1所述的方法,其特征在于,所述正样本和所述负样本均覆盖多个环境参数。
3.根据权利要求1所述的方法,其特征在于,所述针对注意力增强处理后的图像,在全局自适应上选择图像中最大面积的至少一个色块,包括:
对所述注意力增强处理后的图像进行二维快速傅里叶变换;
利用可学习滤波器与二维快速傅里叶变换后的图像进行元素相乘;
对元素相乘后的图像进行二维快速傅里叶反变换,得到图像中最大面积的至少一个色块。
4.根据权利要求1-3中任一所述的方法,其特征在于,在所述输出渗漏油检测结果之后,还包括:
若输出的渗漏油检测结果为该易漏点发生渗漏油,则基于该易漏点的区域图像以及与该易漏点具有相同环境参数的其他易漏点的区域图像,确定该易漏点的渗漏油量。
5.根据权利要求4所述的方法,其特征在于,所述确定该易漏点的渗漏油量,包括:
获取渗漏油量与像素值的对应关系;
计算该易漏点的区域图像的像素值与该其他易漏点的区域图像的像素均值的差值;
根据所述对应关系和所述差值,确定该易漏点的渗漏油量。
6.一种电力设备渗漏油检测装置,其特征在于,包括:
视频帧获取单元,用于获取电力设备易漏点的视频帧,所述易漏点设置有检测试纸;所述易漏点发生渗漏油现象时油液可浸润相应的检测试纸以使检测试纸的颜色变化为特定颜色;
图像分割单元,用于将所述视频帧进行图像分割,得到与所述检测试纸相关的区域图像;
渗漏油检测单元,用于将所述区域图像输入至预先训练完成的渗漏油检测模型中,所述渗漏油检测模型对所述区域图像进行所述特定颜色的注意力增强处理,并对注意力增强处理后的图像进行特征提取,以利用提取的特征确定所述检测试纸是否发生所述特定颜色的变化,并输出渗漏油检测结果;
所述渗漏油检测模型的训练方式包括:
获取多个训练样本;所述多个训练样本包括:作为正样本的变色试纸图像和作为负样本的非变色试纸图像;所述变色试纸图像的颜色为所述特定颜色;
利用所述多个训练样本对神经网络进行训练,得到所述渗漏油检测模型;所述神经网络至少包括注意力模块、频域学习模块、卷积模块和全连接层;所述注意力模块用于对正样本中的特定颜色进行深度学习,以实现对输入训练样本进行特定颜色的注意力增强处理,以提高所述特定颜色的权重,当输入的训练样本中含有所述特定颜色时,可增大特征提取时所述特定颜色的特征所占比重;所述频域学习模块用于针对注意力增强处理后的图像,在全局自适应上选择图像中最大面积的至少一个色块;所述卷积模块用于对该最大面积的至少一个色块进行特征提取;所述全连接层用于利用提取的特征确定训练样本是否存在所述特定颜色。
7.根据权利要求6所述的装置,其特征在于,所述正样本和所述负样本均覆盖多个环境参数。
8.根据权利要求6所述的装置,其特征在于,所述频域学习模块具体用于对所述注意力增强处理后的图像进行二维快速傅里叶变换;利用可学习滤波器与二维快速傅里叶变换后的图像进行元素相乘;对元素相乘后的图像进行二维快速傅里叶反变换,得到图像中最大面积的至少一个色块。
9.根据权利要求6-8中任一所述的装置,其特征在于,该装置还包括:
渗漏油量确定单元,用于若输出的渗漏油检测结果为该易漏点发生渗漏油,则基于该易漏点的区域图像以及与该易漏点具有相同环境参数的其他易漏点的区域图像,确定该易漏点的渗漏油量。
10.根据权利要求9所述的装置,其特征在于,所述渗漏油量确定单元在确定该易漏点的渗漏油量时,具体包括:获取渗漏油量与像素值的对应关系;计算该易漏点的区域图像的像素值与该其他易漏点的区域图像的像素均值的差值;根据所述对应关系和所述差值,确定该易漏点的渗漏油量。
11.一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310307632.1A CN116012382B (zh) | 2023-03-28 | 2023-03-28 | 电力设备渗漏油检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310307632.1A CN116012382B (zh) | 2023-03-28 | 2023-03-28 | 电力设备渗漏油检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116012382A CN116012382A (zh) | 2023-04-25 |
CN116012382B true CN116012382B (zh) | 2023-06-02 |
Family
ID=86025219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310307632.1A Active CN116012382B (zh) | 2023-03-28 | 2023-03-28 | 电力设备渗漏油检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012382B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111446114A (zh) * | 2020-04-29 | 2020-07-24 | 上海乐研电气有限公司 | 一种能诊断漏油的气体密度继电器及其漏油诊断方法 |
CN112036463A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于深度学习的电力设备缺陷检测识别方法 |
CN113743454A (zh) * | 2021-07-22 | 2021-12-03 | 南方电网深圳数字电网研究院有限公司 | 油浸式互感器的检测方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9438771B2 (en) * | 2013-10-08 | 2016-09-06 | Canon Kabushiki Kaisha | Image processing apparatus, image pickup apparatus, image pickup system, image processing method, and non-transitory computer-readable storage medium |
CN112257766B (zh) * | 2020-10-16 | 2023-09-29 | 中国科学院信息工程研究所 | 一种基于频域滤波处理的自然场景下阴影识别检测方法 |
CN114155468A (zh) * | 2021-12-03 | 2022-03-08 | 国网北京市电力公司 | 一种变压器渗漏油检测方法、装置、设备及介质 |
CN114519698A (zh) * | 2022-01-14 | 2022-05-20 | 深圳市华付信息技术有限公司 | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 |
CN115345859A (zh) * | 2022-08-19 | 2022-11-15 | 石家庄铁路职业技术学院 | 隧道渗漏水图像的智能检测方法、装置、设备及存储介质 |
-
2023
- 2023-03-28 CN CN202310307632.1A patent/CN116012382B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111446114A (zh) * | 2020-04-29 | 2020-07-24 | 上海乐研电气有限公司 | 一种能诊断漏油的气体密度继电器及其漏油诊断方法 |
CN112036463A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于深度学习的电力设备缺陷检测识别方法 |
CN113743454A (zh) * | 2021-07-22 | 2021-12-03 | 南方电网深圳数字电网研究院有限公司 | 油浸式互感器的检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116012382A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hautiere et al. | Blind contrast enhancement assessment by gradient ratioing at visible edges | |
CN105453153B (zh) | 交通灯检测 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN104978578A (zh) | 手机拍照文本图像质量评估方法 | |
CN111105405A (zh) | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 | |
CN107742291A (zh) | 一种光伏玻璃的缺陷检测方法及装置 | |
CN104168478A (zh) | 基于Lab空间及相关性函数的视频图像偏色检测方法 | |
CN105678301A (zh) | 一种自动识别并分割文本图像的方法、系统及装置 | |
CN117437227B (zh) | 一种图像生成及缺陷检测方法、装置、介质、设备及产品 | |
CN116012382B (zh) | 电力设备渗漏油检测方法、装置、电子设备及存储介质 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN116645365B (zh) | 基于频谱的石英玻璃检测方法、装置、设备及介质 | |
CN111275642B (zh) | 一种基于显著性前景内容的低光照图像增强方法 | |
CN116067671B (zh) | 一种用于测试车辆漆面质量的方法、系统及介质 | |
CN111563462A (zh) | 图像元素的检测方法及装置 | |
CN116309526A (zh) | 纸杯缺陷检测方法及装置 | |
CN116612065A (zh) | 一种基于YOLO v5的输电线路巡检图像缺陷智能识别方法 | |
CN116311211A (zh) | 一种气体检测仪检测识别方法、系统及存储介质 | |
Goyal et al. | An enhancement of underwater images based on contrast restricted adaptive histogram equalization for image enhancement | |
Mai et al. | An improved method for Vietnam License Plate location | |
Li et al. | Laplace dark channel attenuation-based single image defogging in ocean scenes | |
CN113034449B (zh) | 目标检测模型训练方法、装置及通信设备 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
JP2013509641A (ja) | 非線形勾配補償を使用してデータを処理する方法及びシステム | |
CN111524102A (zh) | 一种液晶显示器的屏幕脏污检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |