CN116229378A - 一种smc电缆分接箱异常监测、预警方法 - Google Patents

一种smc电缆分接箱异常监测、预警方法 Download PDF

Info

Publication number
CN116229378A
CN116229378A CN202310512428.3A CN202310512428A CN116229378A CN 116229378 A CN116229378 A CN 116229378A CN 202310512428 A CN202310512428 A CN 202310512428A CN 116229378 A CN116229378 A CN 116229378A
Authority
CN
China
Prior art keywords
obtaining
texture
roi
value
edge
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.)
Granted
Application number
CN202310512428.3A
Other languages
English (en)
Other versions
CN116229378B (zh
Inventor
叶盛鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shengfeng Electric Power Technology Co ltd
Original Assignee
Shengfeng Electric Power Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shengfeng Electric Power Technology Co ltd filed Critical Shengfeng Electric Power Technology Co ltd
Priority to CN202310512428.3A priority Critical patent/CN116229378B/zh
Publication of CN116229378A publication Critical patent/CN116229378A/zh
Application granted granted Critical
Publication of CN116229378B publication Critical patent/CN116229378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域，提出了一种SMC电缆分接箱异常监测、预警方法，包括：获取凝露图像得到若干区域，在区域中得到区域目标行以及标准行，获得对比序列及灰度序列；得到分割决策值以及波动曲线相似性；根据欧氏距离和灰度差异以及区域对比度得到特征对比值并构成反光对比图；获得标记区域，获取标记边缘点及纹理方向直方图，得到纹理向量、主要纹理方向以及规则纹理方向；根据纹理向量、纹理方向差异得到相邻轮廓走势值；根据相邻轮廓走势值得到超复数四元数矩阵，由此得到水滴融合显著图；根据水滴融合显著图进行训练判断凝露含量进行异常监测及预警。本发明能够精准检测内壁表面的点水滴含量，提高监测、预警的实时性。

Description

一种SMC电缆分接箱异常监测、预警方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种SMC电缆分接箱异常监测、预警方法。
背景技术
SMC电缆分接箱是指配电系统中用于电缆线路汇集、分接以及转换电路的专业设备，主要分为美式SMC电缆分接箱和欧式SMC电缆分接箱两类，得益于SMC复合材料机械强度高、重量轻、耐腐蚀等特点，SMC电缆分接箱已经成为室外工程项目多种场所中的主流设备之一。
SMC电缆分接箱的常见故障包括分支箱壁龟裂、套管损坏、受潮腐蚀等，其中龟裂是由于外界气温与箱内气温温差大时，分支箱壁外表出现的凝露导致，套管损坏是绝缘帽安装不合格形成的分支箱间隙性放电导致，分接箱受潮腐蚀主要是外部环境导致。由于SMC电缆分支箱没有透气孔，因此凝露是导致分支箱异常现象的高频原因，当SMC电缆分接箱壁上凝露的含量累积到一定程度时低压室顶板上会形成水珠，从而腐蚀顶板，影响箱变外壳的防水能力，若水珠直接滴落在运行的低压开关上，会逐渐锈蚀电器元件，导致开关故障，造成短路跳闸等故障发生，严重影响电器设备运行寿命。因此需要对SMC电缆分接箱内的凝露现象实行实时监控，现阶段常用于凝露现象的监测主要是由专业人员定期巡检或故障指示器实现，但是凝露现象会导致漏电具有较高的危险性，而故障指示器只能判断线路故障，需要人为进行后续故障原因的诊断。
发明内容
本发明提供一种SMC电缆分接箱异常监测、预警方法，以解决凝露现象会导致漏电具有较高的危险性的问题，所采用的技术方案具体如下：
本发明一个实施例提供了一种SMC电缆分接箱异常监测、预警方法，该方法包括以下步骤：
获取凝露图像；
根据凝露图像得到若干ROI区域，在ROI区域中得到区域目标行，将所有ROI区域中最大的区域目标行为标准行，以标准行为基准获得对比值以及对比序列；将ROI区域内每一行像素点的灰度值构成灰度序列；根据对比序列和每个灰度序列得到每行的分割决策值；根据ROI区域分割决策值最大的行得到ROI区域的波动曲线相似性；
根据ROI区域的波动曲线相似性得到区域对比度，根据每个ROI区域的每个像素点和灰度值最大值像素点的欧氏距离和灰度差异以及区域对比度得到每个像素点的特征对比值并构成反光对比图；
获得ROI区域的标记区域，获取标记区域的边缘像素点记为标记边缘点，获取凝露图像的纹理方向直方图，根据纹理方向直方图得到标记边缘点的纹理向量以及主要纹理方向，获取每个标记边缘点的规则纹理方向；以标记边缘点为中心得到标记边缘点对应的若干预设边缘点，根据标记边缘点和预设边缘点的主要纹理方向和规则纹理方向得到纹理方向差异，根据标记边缘点和预设边缘点的纹理向量、纹理方向差异得到相邻轮廓走势值；
根据所有标记边缘点的相邻轮廓走势值得到纹理方向特征图，将凝露图像的像素点得到LBP值替换灰度值记为局部特征直方图，将凝露图像、反光对比图、纹理方向特征图、局部特征直方图作为参数得到超复数四元数矩阵，根据超复数四元数矩阵得到水滴融合显著图；
根据水滴融合显著图进行训练判断凝露含量进行异常监测及预警。
优选的，所述根据凝露图像得到若干ROI区域的方法为：
对凝露图像使用canny算子边缘检测，将边缘检测得到的边缘线使用连通域分析，得到若干水滴轮廓，获取每个水滴轮廓的最小外接矩形作为轮廓的ROI区域。
优选的，所述根据ROI区域分割决策值最大的行得到ROI区域的波动曲线相似性的方法为：
ROI区域内分割决策值最大的行将ROI区域分为了两部分，获得每部分每一行的灰度序列和对比序列的皮尔逊相关系数；
Figure SMS_1
式中，
Figure SMS_3
表示第a个ROI区域内第j行对应的灰度序列
Figure SMS_6
与对比序列
Figure SMS_9
的 皮尔逊相关系数，
Figure SMS_2
表示第a个ROI区域内第t行对应的灰度序列
Figure SMS_5
与对比序列
Figure SMS_7
的皮尔逊相关系数，
Figure SMS_10
表示分割决策值最大的行，
Figure SMS_4
表示第a个ROI区域内的行的数量，
Figure SMS_8
表 示第a个ROI区域的波动曲线相似性。
优选的，所述根据每个ROI区域的每个像素点和灰度值最大值像素点的欧氏距离和灰度差异以及区域对比度得到每个像素点的特征对比值的方法为：
Figure SMS_11
式中，
Figure SMS_12
为第a个ROI区域的区域对比度，
Figure SMS_13
为第x个像素点与灰度值最大 的像素点之间的欧式距离，
Figure SMS_14
为第x个像素点的灰度值与最大灰度值之间的差，
Figure SMS_15
为预设 调节因子，
Figure SMS_16
为第a个ROI区域内第x个像素点的特征对比值。
优选的，所述根据纹理方向直方图得到标记边缘点的纹理向量的方法为：
在纹理方向直方图中找到标记像素点以及其八邻域在纹理方向直方图的直方图向量，将其按照空间位置顺序拼接，空间位置顺序为从正上方开始顺时针，拼接后得到纹理特征向量记为纹理向量。
优选的，所述规则纹理方向的获取方法为：
对于每个标记边缘点，过标记边缘点做水滴的最小外切圆，由于垂直于切线的直线一定过圆心，标记边缘点梯度方向的线会经过标记边缘点所在圆的圆心，此时经过该标记边缘点得到梯度方向为规则纹理方向。
所述根据标记边缘点和预设边缘点的纹理向量、纹理方向差异得到相邻轮廓走势值的方法为：
Figure SMS_17
式中，
Figure SMS_19
为标记边缘点g的纹理向量，
Figure SMS_23
为标记边缘点g对应的第k个预设像素点 的纹理向量，
Figure SMS_26
表示纹理向量
Figure SMS_20
和
Figure SMS_24
组成的轮廓走势向量，
Figure SMS_28
表示水滴轮廓 中任意K个纹理向量组成的轮廓走势向量，
Figure SMS_29
表示轮廓走势向量
Figure SMS_18
和轮廓走势向量
Figure SMS_22
的余弦相似度，K表示每个标记边缘点对应的预设边缘点的数量，
Figure SMS_25
为 标记边缘点g的纹理方向差异，
Figure SMS_27
为预设调节因子，
Figure SMS_21
为标记边缘点g的相邻轮廓走势值。
本发明的有益效果是：本发明提出一种SMC电缆分接箱异常监测、预警方法，通过四元数傅里叶变换的相位谱模型PQRT和ResNet神经网络实现对SMC电缆分接箱内壁凝露现象的监测。基于内壁表面像素点的反光规律构建波动曲线相似性，波动曲线相似性考虑了不同大小区域内不同行像素点的反光规律与水滴内不同行像素点的反光规律的相似程度，其有益效果在于能够消除SMC电缆分接箱内的结构件反光对检测内壁表面凝露现象时产生的干扰，提高后续凝露现象监测结果的精准度。其次根据ROI内边缘点的局部轮廓走势构建相邻轮廓走势值相邻轮廓走势值考虑了边缘点与相邻边缘点组成多种长度的局部轮廓与水滴轮廓的相似性，其有益效果在于避免孤立噪声点出现在水滴轮廓附近时降低轮廓纹理方向检测的精准度，对于内壁表面上任意大小水滴上的边缘点都可以得到较为显著的特征值。最后利用多幅特征图像构建模型PQRT中超复数四元数矩阵Q，能够精准检测内壁表面的点水滴含量，提高监测、预警的实时性。
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。
图1为本发明一个实施例所提供的一种SMC电缆分接箱异常监测、预警方法的流程示意图；
图2为反光变化曲线；
图3为对比序列示意图；
图4为标记区域示意图。
具体实施方式
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。
请参阅图1，其示出了本发明一个实施例提供的一种SMC电缆分接箱异常监测、预警方法流程图，该方法包括以下步骤：
步骤S001，使用相机获得凝露图像。
SMC电缆分接箱内凝露常出现在内壁表面，根据SMC电缆分接箱的结构选择合适大小的工业CCD相机，为了消除SMC电缆分接箱内光照不均匀的影响，在工业CCD相机下方安置一个环形光源，所述环形光源为LED光源，按序移动相机，保证能够获取内壁每个位置的表面图像。为了消除噪声影响，提高图像质量，本发明利用双边滤波技术对所获图像进行去噪处理，双边滤波去噪为公知技术，具体过程不再赘述，其次将去噪后的内壁表面图像转化为灰度图，完成对所获图像的预处理。将预处理后的内壁表面图像记为凝露图像F。
至此获得了凝露图像F。
步骤S002，获得ROI区域，根据ROI区域的每一行的灰度序列和对比序列得到每个ROI区域的波动曲线相似性，根据波动曲线相似性得到像素点的特征对比值得到反光对比图。
当SMC电缆分接箱内壁表面发生凝露现象时，内壁表面会出现大量小水滴，而当凝露现象存在较长时间后，小水滴会转变为水珠的形式附着在内壁表面。在获取凝露图像F的过程中，能够产生反光效果的像素点有两种，分别是内壁附近反光结构件上的像素点以及水滴像素点。由于反光结构件和水滴之间的透明度、结构的差异，上述两种像素点所在区域在凝露图像F中会有不同的区域特征。例如，反光结构件产生的反光效应时反光结构件上每个像素点对光源散射的能力是相同的，而光在水滴中的散射与水滴的大小有关，光线射入不同大小水滴内的反射角度不同，但是通常情况下每个水滴的中心区域反射能力最强，亮度最大。
SMC电缆分接箱内壁表面凝露现象越严重，SMC电缆分接箱内壁上形成水滴数量越多，水滴体积越大。当SMC电缆分接箱内壁各位置内外温差不同或者结构不同时，内壁表面上凝露分布也是不均匀的，即各水滴的大小各有不同。对于凝露图像F中的任意一个水滴而言，水滴中心点的灰度值最大，水滴边缘线上的灰度值最小，对于每一个水滴，同一行中从水滴边缘到水滴中心再到水滴边缘，每行像素点的灰度值呈现先增大后减小的现象，在中心点取最大值的规律。随着凝露含量增大，水滴体积增大，同一行的两个水滴边缘距离增大，峰值增大，对于每个水滴，从水滴的第一行到最后一行从左到右依次排列得到一条反光变化曲线，如图2所示。图2中标记的1为水滴的第一行，标记的Z为水滴的第Z行。
利用canny边缘检测技术得到边缘线，对边缘线进行连通域分析获取凝露图像F中的轮廓检测结果，获取每个轮廓的最小外接矩形作为该轮廓的ROI区域。如果凝露图像F中某个ROI区域内像素点的灰度曲线符合上述变化规律，ROI区域中存在水滴的可能性越大。
在凝露图像F统计所有ROI区域的数量，将每个ROI区域中最大灰度值所在的行记为区域目标行，如果存在多个最大灰度值，则将最靠近ROI区域中间的行作为区域目标行，将所有ROI区域中的像素点最大的区域目标行记为标准行，将标准行的像素点数量作为横坐标，像素点的灰度值作为纵坐标，例如标准行中有个N像素点，则N个像素点从左到右的横坐标分别为0至N。将每个区域目标行中灰度值最大的像素点的横坐标与标准行中灰度值最大的像素点的横坐标相等，其中若一行存在多个最大灰度值，那么以最靠近一行中间的为基准。如图3所示，图3中hmax表示每一个区域目标行的灰度值最大值。
将所有区域目标行按照上述要求放在一个坐标系中，根据相同横坐标的灰度值均值得到每个横坐标对应的对比值，公式如下：
Figure SMS_30
式中，
Figure SMS_31
表示第a个ROI区域中区域目标行的第z个横坐标对应的灰度值，
Figure SMS_32
表 示第z个横坐标对应的像素点的数量，
Figure SMS_33
表示第z个横坐标对应的对比值。
将从0到N的所有横坐标得到一个对比值，将所有对比值得到一个序列，记为对比 序列，对比序列为
Figure SMS_34
。得到每一个ROI区域中每一行 的像素点的灰度值构成的灰度序列，获得每个ROI区域内所有的灰度序列，根据每个ROI区 域内的灰度序列和对比序列的皮尔逊相关系数得到分割决策值，皮尔逊相关系数为公知技 术，具体过程不再赘述，公式如下：
Figure SMS_35
式中，
Figure SMS_36
表示第a个ROI区域内第j行对应的灰度序列
Figure SMS_40
与对比序列
Figure SMS_41
的 皮尔逊相关系数，
Figure SMS_37
表示第a个ROI区域内所有行的皮尔逊相关系数的最大值，
Figure SMS_39
表 示第a个ROI区域内所有行的皮尔逊相关系数的最小值，
Figure SMS_42
表示第a个ROI区域中第j行对应 的分割决策值。
Figure SMS_44
的值越大，灰度序列
Figure SMS_38
与对比序列
Figure SMS_43
越相似。
在每个ROI区域内找到分割决策值最大的行，根据该行将每个ROI区域分为两部分，根据两部分的皮尔逊相关系数的差值得到波动曲线相似性，公式如下：
Figure SMS_45
式中，
Figure SMS_47
表示第a个ROI区域内第j行对应的灰度序列
Figure SMS_49
与对比序列
Figure SMS_51
的 皮尔逊相关系数，
Figure SMS_48
表示第a个ROI区域内第t行对应的灰度序列
Figure SMS_50
与对比序列
Figure SMS_53
的皮尔逊相关系数，
Figure SMS_54
表示分割决策值最大的行，
Figure SMS_46
表示第a个ROI区域内的行的数量，
Figure SMS_52
表 示第a个ROI区域的波动曲线相似性。
波动曲线相似性反映了区域内像素点的反光规律与水滴像素点反光规律的相似 程度。灰度序列中像素点的分布曲线与对比序列中像素点的分布曲线越相似，
Figure SMS_55
的 值越大，
Figure SMS_56
的值越大，即
Figure SMS_57
的值越大，第j行像素点的亮度分布与水滴像 素点的亮度分布越相似；第a个ROI区域的上、下区域内灰度序列与对比序列的分布越相似， 说明ROI区域a内不同位置像素点的反光程度不同，越不可能是反光结构件上的像素点，
Figure SMS_58
的值越接近于0，即
Figure SMS_59
的值越大，第a个ROI区域内像素点的反光规 律与水滴像素点的反光规律越相似，第a个ROI区域内存在水滴的可能性越大。波动曲线相 似性考虑了不同大小区域内不同行像素点的反光规律与水滴内不同行像素点的反光规律 的相似程度，有益效果在于能够消除SMC电缆分接箱内的结构件反光对检测内壁表面凝露 现象时产生的干扰，提高后续凝露现象监测结果的精准度。
进一步的，获得每个ROI区域对应的波动曲线相似性，其次计算的波动曲线相似性 的均值
Figure SMS_60
，将每个ROI区域对应的波动曲线相似性L减去平均值
Figure SMS_61
的结果作为ROI区域的区域 对比度
Figure SMS_62
，在ROI区域内找到灰度值最大值的像素点，得到每个像素点和灰度值最大值像素 点的欧氏距离和灰度差异，根据区域对比度和像素点和灰度值最大值像素点的欧氏距离和 灰度差异得到每个像素点的特征对比值，公式如下：
Figure SMS_63
Figure SMS_64
式中，
Figure SMS_66
为第a个ROI区域的波动曲线相似性，
Figure SMS_69
为所有ROI区域的波动曲线相似性 的均值，
Figure SMS_71
为第a个ROI区域的区域对比度，
Figure SMS_67
为第x个像素点与灰度值最大的像素 点之间的欧式距离，
Figure SMS_70
为第x个像素点的灰度值与最大灰度值之间的差，
Figure SMS_73
为调节因子，经 验值取0.01，
Figure SMS_74
为第a个ROI区域内第x个像素点的特征对比值。
Figure SMS_65
的值越大，灰度 值差异越大，
Figure SMS_68
的值越大，越有可能靠近水滴的边缘区域，即
Figure SMS_72
的值越小，第x个像素点 在第a个ROI区域内的对比度越弱。
计算ROI区域内所有像素点的特征对比值，若像素点不在ROI区域内，则令该像素点的特征对比值为0，将所有像素点的特征对比值得到反光对比图GF。
至此，获得反光对比图GF。
步骤S003，根据标记边缘点和预设边缘点的纹理方向和纹理向量得到标记边缘点的相邻轮廓走势值，并得到纹理方向特征图，根据反光对比图和纹理方向特征图得到水滴融合显著图。
由于凝露图像F中不同位置水滴的大小是不同的，因此获取的ROI区域大小也存在明显差异，每个ROI区域内可能不止一个水滴区域，甚至包含部分反光结构件上的像素点。水滴是一个近似圆形的区域，不同水滴之间的大小存在明显差异，但是水滴之间的轮廓是具有一定的相似程度的，即不同水滴区域边缘方向之间具有一定的相似性。如图4所示，由于水滴受到重力的影响，虽然边缘纹理相似的区域在不同ROI区域内的方向是不同的，但是这类区域通常是轮廓质心点以下的区域。首先获取大量的ROI区域作为训练集，利用图像标注工具Labelme对训练集中每个ROI区域进行标注，将边缘纹理相似区域、其余区域分别标注为1、0，将编码后的ROI区域作为训练集输入到SENet网络中，网络的损失函数为交叉熵损失，神经网络的训练为公知技术，具体过程不再赘述。其次利用训练后的神经网络将凝露图像F中所有ROI区域内的边缘纹理相似区域提取出来，将每个ROI区域内边缘纹理相似的区域记为标记区域。
获取凝露图像F对应的纹理方向直方图TOH，获得ROI区域内标记区域上的每个边 缘像素点记为标记边缘点，得到标记边缘点的八邻域，将TOH中表示此八邻域的直方图向量 按照空间位置的顺序拼接在一起，空间位置顺序为从正上方开始顺时针，得到标记边缘点g 的八邻域对应的纹理特征向量，记为纹理向量
Figure SMS_75
，其次获取TOH的过程中每个像素点都会得 到一个主要纹理方向，记标记边缘点g的主要纹理方向为
Figure SMS_76
。
对于每个标记边缘点，过标记边缘点做水滴的最小外切圆，由于垂直于切线的直 线一定过圆心，标记边缘点梯度方向的线会经过标记边缘点所在圆的圆心，此时经过该标 记边缘点得到梯度方向为规则纹理方向
Figure SMS_77
。因此如果取以标记边缘点g的规则圆形，由于 水滴是近似圆形而非规则圆形的区域，所以主要纹理方向
Figure SMS_78
与规则纹理方向
Figure SMS_79
之间是存 在一定角度差的。
以标记边缘点为中心，在水滴边缘中找到标记边缘点两侧预设的数量相同的预设边缘点，预设边缘点的数量为K，在本实施例中令K取20，根据标记边缘点和预设边缘点的主要纹理方向和规则纹理方向的差得到标记边缘点的纹理方向差异，公式如下：
Figure SMS_80
式中，
Figure SMS_81
为标记边缘点g的主要纹理方向和规则纹理方向的角度差，
Figure SMS_82
为标 记边缘点g得到的预设边缘点中第k个预设边缘点的主要纹理方向和规则纹理方向的角度 差，
Figure SMS_83
为标记边缘点g得到的预设边缘点的数量，
Figure SMS_84
为标记边缘点g的纹理方向差异。
Figure SMS_85
的值 越大，边缘点g与相邻像素点角度差的差异越大，局部轮廓中边缘点的主要纹理方向差异越 大。
得到标记边缘点和标记边缘点的所有预设边缘点的纹理向量，将任意数个纹理向量组合在一起记为轮廓走势向量，其中组合是指从纹理向量的起始元素到终止元素到下一个纹理向量的起始元素到终止元素，也就是向量按照顺序排序为一个向量。得到水滴轮廓中任意K个相邻的边缘点组成的轮廓走势向量，基于此得到标记边缘点的相邻轮廓走势值，公式如下：
Figure SMS_86
式中，
Figure SMS_88
为标记边缘点g的纹理向量，
Figure SMS_91
为标记边缘点g对应的第k个预设像素点 的纹理向量，
Figure SMS_92
表示纹理向量
Figure SMS_90
和
Figure SMS_94
组成的轮廓走势向量，
Figure SMS_96
表示水滴轮廓 中任意K个纹理向量组成的轮廓走势向量，
Figure SMS_97
表示轮廓走势向量
Figure SMS_87
和轮廓走势向量
Figure SMS_93
的余弦相似度，K表示每个标记边缘点对应的预设边缘点的数量，
Figure SMS_95
为 标记边缘点g的纹理方向差异，
Figure SMS_98
为调节因子，经验值取0.01，
Figure SMS_89
为标记边缘点g的相邻轮廓 走势值。
相邻轮廓走势值反映了ROI内标记边缘点组成的局部轮廓与水滴边缘点组成局部 轮廓之间的相似性。标记边缘点g与相邻像素点角度差的差异越大，所组成局部轮廓中边缘 点的主要纹理方向差异越大，
Figure SMS_99
的值越大，即
Figure SMS_100
的值越大，标记边缘点g组成的局 部轮廓走势越不符合水滴局部轮廓走势；轮廓走势向量
Figure SMS_101
、Z(K)之间的相似度越 高，
Figure SMS_102
的值越大，标记边缘点g所在局部轮廓与水滴区域局部轮廓纹理方 向越一致，即
Figure SMS_103
的值越大，标记边缘点g与相邻边缘点组成局部轮廓与水滴局部轮廓越相 似，标记边缘点g所在区域越有可能是水滴区域。相邻轮廓走势值考虑了标记边缘点与相邻 边缘点组成多种长度的局部轮廓与水滴轮廓的相似性，其有益效果在于避免孤立噪声点出 现在水滴轮廓附近时降低轮廓纹理方向检测的精准度，对于内壁表面上任意大小水滴上的 边缘点都可以得到较为显著的特征值。
分别计算每个标记边缘点的相邻轮廓走势值，即凝露图像F中相邻轮廓走势值的 最小值为
Figure SMS_104
，将每个标记边缘点的相邻轮廓走势值与
Figure SMS_105
的差值作为标记边缘点的纹理 方向特征值，遍历所有ROI区域内的边缘点，得到纹理方向特征图WF。
进一步的，将凝露图像F作为四元数傅里叶变换的相位谱模型PQRT中超复数四元 数矩阵Q中的参数
Figure SMS_106
；将反光对比图GF作为超复数四元数矩阵Q中的参数
Figure SMS_107
；将纹理方向特征 图WF作为超复数四元数矩阵Q中的参数
Figure SMS_108
；将局部特征直方图LF作为超复数四元数矩阵Q中 的参数
Figure SMS_109
，得到超复数四元数矩阵Q为：
Figure SMS_110
式中，
Figure SMS_112
、
Figure SMS_115
、
Figure SMS_118
分别为虚数单位，
Figure SMS_111
、
Figure SMS_114
、
Figure SMS_116
的大小满足
Figure SMS_119
， 且
Figure SMS_113
，
Figure SMS_117
，
Figure SMS_120
。
对超复数四元数矩阵Q进行超复数傅里叶变换，计算其振幅频谱A和相位谱P，之后利用不同尺度的高斯函数核获得振幅频谱的尺度空间，最后进行四元数傅里叶反变换，并将反变换结果与高斯滤波器进行计算得到显著图，将所获显著图记为水滴融合显著图SF，四元数傅里叶变换的相位谱模型PQRT为公知技术，后续四元数傅里叶反变换等计算不再赘述。
至此获得了水滴融合显著图SF。
步骤S004，根据水滴融合显著图进行训练判断凝露含量进行异常监测及预警。
利用图像标注工具Labelme对水滴显著图SF中的像素点设置标签，将与标签编码后的水滴显著图作为神经网络的输入，神经网络模型为U-Net，以adam算法作为模型优化算法，以交叉熵函数作为模型的损失函数，模型输出为凝露图像中的水滴区域。神经网络训练为公知技术，具体过程不再赘述。本发明中间隔固定的时间T采集一次SMC电缆分接箱的凝露图像，T的大小取经验值0.5h，利用训练好的神经网络模型识别出凝露图像中的水滴区域，并将水滴区域与凝露图像的面积之比作为SMC电缆分接箱内壁上的凝露含量，当凝露含量接近损害内壁的阈值时，及时调度维修人员对SMC电缆分接箱进行通风透气方面的维修，实现对SMC电缆分接箱的异常监测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种SMC电缆分接箱异常监测、预警方法，其特征在于，该方法包括以下步骤：
获取凝露图像；
根据凝露图像得到若干ROI区域，在ROI区域中得到区域目标行，将所有ROI区域中最大的区域目标行为标准行，以标准行为基准获得对比值以及对比序列；将ROI区域内每一行像素点的灰度值构成灰度序列；根据对比序列和每个灰度序列得到每行的分割决策值；根据ROI区域分割决策值最大的行得到ROI区域的波动曲线相似性；
根据ROI区域的波动曲线相似性得到区域对比度，根据每个ROI区域的每个像素点和灰度值最大值像素点的欧氏距离和灰度差异以及区域对比度得到每个像素点的特征对比值并构成反光对比图；
获得ROI区域的标记区域，获取标记区域的边缘像素点记为标记边缘点，获取凝露图像的纹理方向直方图，根据纹理方向直方图得到标记边缘点的纹理向量以及主要纹理方向，获取每个标记边缘点的规则纹理方向；以标记边缘点为中心得到标记边缘点对应的若干预设边缘点，根据标记边缘点和预设边缘点的主要纹理方向和规则纹理方向得到纹理方向差异，根据标记边缘点和预设边缘点的纹理向量、纹理方向差异得到相邻轮廓走势值；
根据所有标记边缘点的相邻轮廓走势值得到纹理方向特征图，将凝露图像的像素点得到LBP值替换灰度值记为局部特征直方图，将凝露图像、反光对比图、纹理方向特征图、局部特征直方图作为参数得到超复数四元数矩阵，根据超复数四元数矩阵得到水滴融合显著图；
根据水滴融合显著图进行训练判断凝露含量进行异常监测及预警。
2.根据权利要求1所述的一种SMC电缆分接箱异常监测、预警方法，其特征在于，所述根据凝露图像得到若干ROI区域的方法为：
对凝露图像使用canny算子边缘检测，将边缘检测得到的边缘线使用连通域分析，得到若干水滴轮廓，获取每个水滴轮廓的最小外接矩形作为轮廓的ROI区域。
3.根据权利要求1所述的一种SMC电缆分接箱异常监测、预警方法，其特征在于，所述根据ROI区域分割决策值最大的行得到ROI区域的波动曲线相似性的方法为：
ROI区域内分割决策值最大的行将ROI区域分为了两部分，获得每部分每一行的灰度序列和对比序列的皮尔逊相关系数；
Figure QLYQS_1
式中，
Figure QLYQS_3
表示第a个ROI区域内第j行对应的灰度序列/>
Figure QLYQS_5
与对比序列/>
Figure QLYQS_8
的皮尔逊相关系数，/>
Figure QLYQS_4
表示第a个ROI区域内第t行对应的灰度序列/>
Figure QLYQS_6
与对比序列/>
Figure QLYQS_9
的皮尔逊相关系数，/>
Figure QLYQS_10
表示分割决策值最大的行，/>
Figure QLYQS_2
表示第a个ROI区域内的行的数量，/>
Figure QLYQS_7
表示第a个ROI区域的波动曲线相似性。
4.根据权利要求1所述的一种SMC电缆分接箱异常监测、预警方法，其特征在于，所述根据每个ROI区域的每个像素点和灰度值最大值像素点的欧氏距离和灰度差异以及区域对比度得到每个像素点的特征对比值的方法为：
Figure QLYQS_11
式中，
Figure QLYQS_12
为第a个ROI区域的区域对比度，/>
Figure QLYQS_13
为第x个像素点与灰度值最大的像素点之间的欧式距离，/>
Figure QLYQS_14
为第x个像素点的灰度值与最大灰度值之间的差，/>
Figure QLYQS_15
为预设调节因子，/>
Figure QLYQS_16
为第a个ROI区域内第x个像素点的特征对比值。
5.根据权利要求1所述的一种SMC电缆分接箱异常监测、预警方法，其特征在于，所述根据纹理方向直方图得到标记边缘点的纹理向量的方法为：
在纹理方向直方图中找到标记像素点以及其八邻域在纹理方向直方图的直方图向量，将其按照空间位置顺序拼接，空间位置顺序为从正上方开始顺时针，拼接后得到纹理特征向量记为纹理向量。
6.根据权利要求1所述的一种SMC电缆分接箱异常监测、预警方法，其特征在于，所述规则纹理方向的获取方法为：
对于每个标记边缘点，过标记边缘点做水滴的最小外切圆，由于垂直于切线的直线一定过圆心，标记边缘点梯度方向的线会经过标记边缘点所在圆的圆心，此时经过该标记边缘点得到梯度方向为规则纹理方向。
7.根据权利要求1所述的一种SMC电缆分接箱异常监测、预警方法，其特征在于，所述根据标记边缘点和预设边缘点的纹理向量、纹理方向差异得到相邻轮廓走势值的方法为：
Figure QLYQS_17
式中，
Figure QLYQS_18
为标记边缘点g的纹理向量，/>
Figure QLYQS_24
为标记边缘点g对应的第k个预设像素点的纹理向量，/>
Figure QLYQS_27
表示纹理向量/>
Figure QLYQS_19
和/>
Figure QLYQS_23
组成的轮廓走势向量，/>
Figure QLYQS_26
表示水滴轮廓中任意K个纹理向量组成的轮廓走势向量，/>
Figure QLYQS_29
表示轮廓走势向量/>
Figure QLYQS_21
和轮廓走势向量/>
Figure QLYQS_22
的余弦相似度，K表示每个标记边缘点对应的预设边缘点的数量，/>
Figure QLYQS_25
为标记边缘点g的纹理方向差异，/>
Figure QLYQS_28
为预设调节因子，/>
Figure QLYQS_20
为标记边缘点g的相邻轮廓走势值。/>
CN202310512428.3A 2023-05-09 2023-05-09 一种smc电缆分接箱异常监测、预警方法 Active CN116229378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310512428.3A CN116229378B (zh) 2023-05-09 2023-05-09 一种smc电缆分接箱异常监测、预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310512428.3A CN116229378B (zh) 2023-05-09 2023-05-09 一种smc电缆分接箱异常监测、预警方法

Publications (2)

Publication Number Publication Date
CN116229378A true CN116229378A (zh) 2023-06-06
CN116229378B CN116229378B (zh) 2023-08-25

Family

ID=86569934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310512428.3A Active CN116229378B (zh) 2023-05-09 2023-05-09 一种smc电缆分接箱异常监测、预警方法

Country Status (1)

Country Link
CN (1) CN116229378B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612125A (zh) * 2023-07-21 2023-08-18 山东庆葆堂生物科技有限公司 基于人工智能的食药品胶囊质量检测方法
CN116843689A (zh) * 2023-09-01 2023-10-03 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN117492498A (zh) * 2024-01-03 2024-02-02 希格玛电气(珠海)有限公司 一种环网柜防潮控温系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105203700A (zh) * 2014-06-13 2015-12-30 桂林电子科技大学 高压电缆分接箱内部环境实时预警系统
US20190199077A1 (en) * 2017-10-06 2019-06-27 Power Distribution, Inc. Universal tap-off box
CN210803649U (zh) * 2019-09-27 2020-06-19 云南电力技术有限责任公司 一种带有局部放电在线监测功能的电缆分接箱
CN115164995A (zh) * 2022-08-04 2022-10-11 广东电网有限责任公司 一种异常检测方法、装置、存储介质及电子设备
CN115330783A (zh) * 2022-10-13 2022-11-11 启东谷诚不锈钢制品有限公司 一种钢丝绳缺陷检测方法
CN116008696A (zh) * 2022-12-19 2023-04-25 广东电网有限责任公司 一种线路监控系统及电缆分接箱

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105203700A (zh) * 2014-06-13 2015-12-30 桂林电子科技大学 高压电缆分接箱内部环境实时预警系统
US20190199077A1 (en) * 2017-10-06 2019-06-27 Power Distribution, Inc. Universal tap-off box
CN210803649U (zh) * 2019-09-27 2020-06-19 云南电力技术有限责任公司 一种带有局部放电在线监测功能的电缆分接箱
CN115164995A (zh) * 2022-08-04 2022-10-11 广东电网有限责任公司 一种异常检测方法、装置、存储介质及电子设备
CN115330783A (zh) * 2022-10-13 2022-11-11 启东谷诚不锈钢制品有限公司 一种钢丝绳缺陷检测方法
CN116008696A (zh) * 2022-12-19 2023-04-25 广东电网有限责任公司 一种线路监控系统及电缆分接箱

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DANILO AVOLA ET AL: "Real-time deep learning method for automated detection and localization of structural defects in manufactured products", 《COMPUTERS & INDUSTRIAL ENGINEERING》, vol. 172, pages 1 - 14 *
裴兴毅: "石家庄电网配电电缆运行状态在线监测系统研究与应用", 《中国优秀硕士学位论文全文数据库（电子期刊）》, vol. 2018, no. 3 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612125A (zh) * 2023-07-21 2023-08-18 山东庆葆堂生物科技有限公司 基于人工智能的食药品胶囊质量检测方法
CN116612125B (zh) * 2023-07-21 2023-09-29 山东庆葆堂生物科技有限公司 基于人工智能的食药品胶囊质量检测方法
CN116843689A (zh) * 2023-09-01 2023-10-03 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN116843689B (zh) * 2023-09-01 2023-11-21 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN117492498A (zh) * 2024-01-03 2024-02-02 希格玛电气(珠海)有限公司 一种环网柜防潮控温系统
CN117492498B (zh) * 2024-01-03 2024-03-26 希格玛电气(珠海)有限公司 一种环网柜防潮控温系统

Also Published As

Publication number Publication date
CN116229378B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN116229378B (zh) 一种smc电缆分接箱异常监测、预警方法
CN107944396B (zh) 一种基于改进深度学习的刀闸状态识别方法
US11847775B2 (en) Automated machine vision-based defect detection
CN111402247B (zh) 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法
CN107679495B (zh) 一种输电线路周边活动工程车辆的检测方法
CN114972326A (zh) 热收缩管扩管工艺的次品识别方法
CN113592828B (zh) 基于工业内窥镜的无损检测方法及系统
CN111398291B (zh) 基于深度学习的扁平漆包电磁线表面瑕疵检测方法
CN108734704B (zh) 基于灰度方差归一化的输电导线断股检测方法
CN111753794B (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN111008967B (zh) 一种绝缘子rtv涂层缺陷识别方法
CN116863253B (zh) 基于大数据分析的运维风险预警方法
CN115330796B (zh) 一种铜线镀锡缺陷识别方法
CN113065484A (zh) 一种基于紫外图谱的绝缘子污秽状态评估方法
Huang et al. Study on hydrophobicity detection of composite insulators of transmission lines by image analysis
CN116805302A (zh) 一种缆索表面缺陷检测装置及方法
CN113888462A (zh) 一种裂纹识别方法、系统、可读介质及存储介质
CN117351017A (zh) 一种光伏钢结构组件缺陷视觉检测方法
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及系统
CN116259008A (zh) 一种基于计算机视觉的水位实时监测方法
CN113643352B (zh) 一种自然覆冰在线监测运行导线图像覆冰程度评估方法
CN115254674A (zh) 一种轴承缺陷分选方法
CN115311443A (zh) 一种液压泵漏油识别方法
CN114821035A (zh) 一种电力设备红外测温设备距离参数识别方法
CN115761211A (zh) 一种基于rgb图像与热成像耦合的石化企业泵房设备温度监测方法及装置

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