CN116309344A - 一种绝缘子异常检测方法、装置、设备和存储介质 - Google Patents
一种绝缘子异常检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116309344A CN116309344A CN202310111574.5A CN202310111574A CN116309344A CN 116309344 A CN116309344 A CN 116309344A CN 202310111574 A CN202310111574 A CN 202310111574A CN 116309344 A CN116309344 A CN 116309344A
- Authority
- CN
- China
- Prior art keywords
- target
- insulator
- determining
- value
- function
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 257
- 238000001514 detection method Methods 0.000 title claims abstract description 127
- 230000005856 abnormality Effects 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 230000008859 change Effects 0.000 claims abstract description 78
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000003709 image segmentation Methods 0.000 claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 150
- 238000012886 linear function Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 24
- 238000004590 computer program Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本公开实施例提供了一种绝缘子异常检测方法、装置、设备和存储介质。该方法包括:获取针对目标绝缘子采集的第一红外图像;将第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得目标图像分割模型输出的目标绝缘子对应的第二红外图像;对第二红外图像进行灰度处理,获得目标绝缘子对应的目标灰度图像;基于目标灰度图像和温度值与灰度值之间的目标变化函数,确定目标绝缘子对应的目标温度分布图,其中,目标变化函数是预先基于历史数据进行拟合获得的;基于目标温度分布图、正常温度阈值和告警温度阈值,确定目标绝缘子对应的异常检测结果。通过本技术方案,可以实现针对绝缘子异常的直接检测,提高绝缘子异常检测的效率和准确性。
Description
技术领域
本公开实施例涉及计算机技术,尤其涉及一种绝缘子异常检测方法、装置、设备和存储介质。
背景技术
在电力系统中,绝缘子是不可或缺的组成部分。由于长期工作于户外环境中,绝缘子不可避免的会发生故障。
目前,通常通过观察和分析附着在绝缘子表面上干燥带的情况,间接实现对绝缘子的异常检测。然而,这种间接检测方式,对针对干燥带所采集到的红外图像的清晰度有较高的要求,并且无法保证绝缘子异常检测的效率和准确性。
发明内容
本公开提供一种绝缘子异常检测方法、装置、设备和存储介质,以实现针对绝缘子异常的直接检测,提高绝缘子异常检测的效率,并保证绝缘子异常检测的准确性。
第一方面,本公开实施例提供了一种绝缘子异常检测方法,包括:
获取针对目标绝缘子采集的第一红外图像;
将所述第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得所述目标图像分割模型输出的所述目标绝缘子对应的第二红外图像;
对所述第二红外图像进行灰度处理,获得所述目标绝缘子对应的目标灰度图像;
基于所述目标灰度图像和温度值与灰度值之间的目标变化函数,确定所述目标绝缘子对应的目标温度分布图,其中,所述目标变化函数是预先基于历史数据进行拟合获得的;
基于所述目标温度分布图、正常温度阈值和告警温度阈值,确定所述目标绝缘子对应的异常检测结果。
第二方面,本公开实施例提供了一种绝缘子异常检测装置,包括:
第一红外图像获取模块,用于获取针对目标绝缘子采集的第一红外图像;
第二红外图像确定模块,用于将所述第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得所述目标图像分割模型输出的所述目标绝缘子对应的第二红外图像;
目标灰度图像确定模块,用于对所述第二红外图像进行灰度处理,获得所述目标绝缘子对应的目标灰度图像;
目标温度分布图确定模块,用于基于所述目标灰度图像和温度值与灰度值之间的目标变化函数,确定所述目标绝缘子对应的目标温度分布图,其中,所述目标变化函数是预先基于历史数据进行拟合获得的;
异常检测结果确定模块,用于基于所述目标温度分布图、正常温度阈值和告警温度阈值,确定所述目标绝缘子对应的异常检测结果。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开实施例任一所述的绝缘子异常检测方法。
第四方面,本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的绝缘子异常检测方法。
本公开实施例的技术方案,通过获取针对目标绝缘子采集的第一红外图像;将所述第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得所述目标图像分割模型输出的所述目标绝缘子对应的第二红外图像,从而避免了除绝缘子外的物体对绝缘子异常检测的干扰,提高针对绝缘子检测的准确性;对所述第二红外图像进行灰度处理,获得所述目标绝缘子对应的目标灰度图像;基于所述目标灰度图像和温度值与灰度值之间的目标变化函数,确定所述目标绝缘子对应的目标温度分布图,其中,所述目标变化函数是预先基于历史数据进行拟合获得的;基于所述目标温度分布图、正常温度阈值和告警温度阈值,确定所述目标绝缘子对应的异常检测结果,从而可以基于绝缘子的实际温度实现针对绝缘子异常的直接检测,提高绝缘子异常检测的效率,并保证绝缘子异常检测的准确性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开实施例一所提供的一种绝缘子异常检测方法流程示意图;
图2是本公开实施例一所涉及的一种拟合后目标变化函数对应的目标变化曲线示例图;
图3是本公开实施例一所涉及的一种目标图像分割模型的训练示例图;
图4是本公开实施例二所提供的一种绝缘子异常检测方法的流程示意图;
图5是本公开实施例三所提供的一种绝缘子异常检测装置的结构示意图;
图6是本公开实施例四所提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本公开实施例所提供的一种绝缘子异常检测方法的流程示意图,本公开实施例适用于对绝缘子进行异常检测的情况,该方法可以由绝缘子异常检测装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。如图1所示,绝缘子异常检测方法具体包括以下步骤:
S110、获取针对目标绝缘子采集的第一红外图像。
其中,绝缘子是安装在不同电位的导体或导体与接地构件之间的能够耐受电压和机械应力作用的器件。目标绝缘子可以是指待检测的绝缘子。例如,目标绝缘子可以是指安装在两条高压传输线路之间的绝缘子。红外图像是一种红外遥感器接收地物反射或自身发射的红外线而形成的图像。红外图像可以是使用红外相机拍摄所得到的图像。例如,红外相机可以是但不限于MISSION C600红外相机。第一红外图像可以是指包含目标绝缘子的红外图像。
具体地,可以获取通过红外相机对目标绝缘子进行拍摄所获得的第一红外图像。
S120、将第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得目标图像分割模型输出的目标绝缘子对应的第二红外图像。
其中,目标图像分割模型可以是基于样本图像和样本图像对应的标签,对预设图像分割模型进行训练获得的。预设图像分割模型可以是指待训练的图像分割模型。第二红外图像可以是指经过图像分割后得到的红外图像。第二红外图像是第一红外图像中的一部分。
具体地,目标图像分割模型可以包括:卷积层、边界框生成层和图像提取层;将第一红外图像输入至目标图像处理模型中的卷积层进行特征提取,获得特征图;将特征图输入至目标图像处理模型中的边界框生成层进行边界框生成处理,获得目标绝缘子的边界框位置信息;将第一红外图像和边界框坐标输入至目标图像处理模型中的图像提取层中,并在图像提取层中基于第一红外图像和第一边界框位置信息,确定目标绝缘子对应的第二红外图像,并输出第二红外图像,从而避免了除绝缘子外的物体对绝缘子异常检测的干扰,提高针对绝缘子检测的准确性。
S130、对第二红外图像进行灰度处理,获得目标绝缘子对应的目标灰度图像。
其中,灰度图像是每个像素只有一个采样颜色的图像。目标灰度图像可以是指第二红外图像经过灰度处理后得到的灰度图像。
具体地,对第二红外图像中每个像素都进行灰度处理,获得一张经过获取处后的灰度图像,并将该灰度图像作为目标绝缘子对应的目标灰度图像。
S140、基于目标灰度图像和温度值与灰度值之间的目标变化函数,确定目标绝缘子对应的目标温度分布图。
其中,目标变化函数是预先基于历史数据进行拟合获得的。目标变化函数可以是指基于绝缘子的温度值与该绝缘子对应灰度图像中灰度值之间参数关系拟合的函数。其中,温度值和灰度值之间的目标变化函数可以包括:第一分段函数、第二分段函数和第三分段函数;第一分段函数为对数函数;第二分段函数为线性函数;第三分段函数为反比例函数。目标温度分布图可以是指目标灰度图像中所有像素点对应的温度值所组成的温度分布图。从目标温度分布图中可以确定每个像素对应的温度值。
具体地,将目标灰度图像每个像素对应的灰度值代入到温度值与灰度值之间的目标变化函数,确定每个像素对应的温度值。将每个温度值与目标灰度图像中对应像素的灰度值进行替换或重新赋值,确定目标绝缘子对应的目标温度分布图。
S150、基于目标温度分布图、正常温度阈值和告警温度阈值,确定目标绝缘子对应的异常检测结果。
其中,正常温度阈值可以是指绝缘子正常工作的最大温度。告警温度阈值可以用于判断绝缘子工作温度是否异常工作的温度阈值。告警温度阈值可以是基于历史绝缘子数据确定的温度阈值。例如,告警温度阈值可以是正常温度阈值的1.2倍。异常检测结果可以是指绝缘子处于异常工作状态时,所对应的异常产生原因。例如,异常检测结果可以是指但不限于绝缘子电阻降低、绝缘子存在局部放电或被污染的情况、绝缘子出现裂纹或绝缘子损坏。
具体地,基于目标温度分布图中每个像素对应的温度值、正常温度阈值和告警温度阈值,确定温度值大于正常温度阈值且小于告警温度阈值的像素点为温度预警像素点以及温度值大于或等于告警温度阈值的像素点为温度告警像素点。基于温度预警像素点和温度告警像素点分别对应的像素点数量和像素点在目标温度分布图中的分布情况,确定目标绝缘子对应的异常检测结果。
通过本公开实施例的技术方案,可以通过获取针对目标绝缘子采集的第一红外图像;将第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得目标图像分割模型输出的目标绝缘子对应的第二红外图像,从而避免了除绝缘子外的物体对绝缘子异常检测的干扰,提高针对绝缘子检测的准确性;对第二红外图像进行灰度处理,获得目标绝缘子对应的目标灰度图像;基于目标灰度图像和温度值与灰度值之间的目标变化函数,确定目标绝缘子对应的目标温度分布图,其中,目标变化函数是预先基于历史数据进行拟合获得的;基于目标温度分布图、正常温度阈值和告警温度阈值,确定目标绝缘子对应的异常检测结果,从而可以基于绝缘子的实际温度实现针对绝缘子异常的直接检测,提高绝缘子异常检测的效率,并保证绝缘子异常检测的准确性。
在上技术方案的基础上,“基于历史数据进行拟合获得目标变化函数”可以包括:基于历史数据确定温度值和灰度值之间的实际变化曲线;基于多种预设函数对实际变化曲线进行分段拟合,确定拟合出的各个分段函数;将各个分段函数进行组合,获得目标变化函数。
其中,历史数据可以是指已有绝缘子的温度值和灰度值之间的历史关联数据。实际变化曲线可以是指历史绝缘子的温度值和灰度值之间对应关系所组成的变化函数。例如,实际变化曲线可以是但不限于T-G曲线。预设函数可以是指预先选取的与实际变化曲线的形状相似的已有函数。例如,预设函数可以是但不限于对数函数、反比例函数、线性函数、二次幂函数、三次幂函数和指数函数。分段函数可以是指基于实际变化曲线的形状进行划分所获得的函数。所有的分段函数可以组成实际变化曲线对应的函数。
具体地,基于历史数据中每个像素点对应的温度值和灰度值,确定温度值和灰度值之间的对应关系,并基于该对应关系确定实际变化曲线。基于实际变化曲线的形状或变化趋势,可以将实际变化曲线划分为多个分段曲线,并基于多种预设函数对每个分段曲线进行拟合处理,确定每个分段曲线对应的分段函数。将所有的分段函数进行拼接组合,获得实际变化曲线对应的完整目标变化函数。例如,图2给出了一种拟合后目标变化函数对应的目标变化曲线示例图。其中,坐标系的横坐标为归一化灰度值。坐标系的纵坐标为归一化温度值。如图,归一化灰度值在0至0.4之间以及0.8至1之间的拟合函数与实际变化曲线基本重合。归一化灰度值在0.4至0.8之间的拟合函数与实际变化曲线存在一些未重合的曲线段。
在上技术方案的基础上,“基于多种预设函数对实际变化曲线进行分段拟合,确定拟合出的各个分段函数曲线”可以包括:基于实际变化曲线中的变化分界点,对实际变化曲线进行划分,确定多个分段曲线;针对每个分段曲线,基于该分段曲线对应的曲线值与每种预设函数对应的函数值之间的平方差以及该分段曲线对应的曲线值与历史数据对应的平均温度值之间的平方差确定拟合比值,并对拟合比值进行归一化处理,确定该分段曲线与每种预设函数之间的曲线相似度;将相似度最大的预设函数确定为该分段曲线对应的分段函数。
其中,变化分界点可以是指实际变化曲线中各部分曲线之间的分界点。例如,变化分界点可以是但不限于拐点或断点。分段曲线可以是指实际变化曲线中某一段曲线。所有分段曲线可以组成实际变化曲线。分段曲线对应的曲线值可以是指分段函数对应的归一化温度值。预设函数对应的函数值可以是指预设函数对应的归一化温度的拟合函数值。曲线相似度可以是指分段曲线和每种预设函数对应的曲线之间的曲线重合程度。
具体地,参见图2,基于实际变化曲线中的变化分界点如横坐标为0.4和0.8,对实际变化曲线进行划分,确定三部分曲线为三个分段曲线。针对每个分段曲线,基于该分段曲线对应的曲线值与每种预设函数对应的函数值之间的平方差以及该分段曲线对应的曲线值与历史数据对应的平均温度值之间的平方差确定拟合比值,并对拟合比值进行归一化处理,确定该分段曲线与每种预设函数之间的曲线相似度。将相似度最大的预设函数确定为该分段曲线对应的分段函数。例如,表1给出了一种曲线相似度的示例。
表1曲线相似度示例表
其中,第一分段曲线是横坐标0至0.4对应的分段曲线。第二分段曲线是横坐标0.4至0.88对应的分段曲线。第三分段曲线是横坐标0.8至1对应的分段曲线。具体地,基于确定历史数据对应的平均温度值,其中,i为历史数据中绝缘子对应的像素点,n为历史数据中绝缘子对应的像素点总数量,t为历史数据中绝缘子对应的像素点的实际温度值。基于/>确定分段曲线与每种预设函数之间的曲线相似度,其中,ti为分段曲线对应的归一化后的曲线值,取值范围为0到1;fi为预设函数对应的归一化后的函数值,取值范围为0到1。曲线相似度(R2)越大,表明该预设函数对应的曲线与该分段曲线越接近,拟合结果就越准确,从而可以基于准确的分段函数,组成准确的目标变化函数。将相似度最大的预设函数确定为该分段曲线对应的分段函数。参见表1,可知与第一分段曲线的曲线相似度最高的函数为对数函数;与第二分段曲线的曲线相似度最高的函数为线性函数;与第三分段曲线的曲线相似度最高的函数为反比例函数。基于确定的对数函数、线性函数和反比例函数,可以确定目标变化函数。目标变化函数为
其中,g为目标变化函数的自变量(灰度值),T为目标变化函数的因变量(温度值)。
需要说明的是,目标图像分割模型是通过样本图像和样本图像对应的标签训练获得的。示例性地,图3给出了一种目标图像分割模型的训练示例图。参见图3,首先需要收集红外图像,组成基础数据集。基础数据集中可以包括1200幅及以上清晰的绝缘子红外图像。同时需要保证训练样本和测试样本必须满足独立的同源性分布。对基础数据集中红外图像进行标注,并将标注好的图像随机按10:1:1的比例划分为训练集、验证集和测试集。其中,训练集可用于训练模型中网络参数。验证集可用于防止参数过度拟合。测试集可用于测试网络的最终精度并输出评估结果。
从COCO公共数据集中获取图像进行迁移学习,获得一个可进行图像分割的MaskR-CNN模型。将训练集输入至该Mask R-CNN模型对该该模型进行训练,并利用验证集对训练完成的模型进行校,以实现对模型中参数进行调整。其中,迁移学习是利用数据和模型之间的相似性,将在旧领域(非绝缘子图像分割)中训练好的模型迁移并应用于新领域(绝缘子图像分割)。COCO公共数据集是有微软(Microsoft)构建的更全面的数据集。COCO公共数据集包含超过30万个图像实例、20万个公共对象实例和80个对象类别。
目标图像分割模型的核心算法为Mask R-CNN算法。其中,Mask R-CNN采用了两阶段程序。在第一阶段,使用区域建议网络(Region Proposal Networks,RPN)来预测适当的区域(Region ofInterest,ROI)在第二阶段,使用全连接网络(Fully ConvolutionalNetworks,FCN)来并行预测每个ROI的对象类别和边界框偏移等。该模型中预测的具体步骤如下:
选择要预测的图像,然后将其调整为固定大小,如1024×1024像素。将图像输入到卷积层(CNN)中,以获得相应的特征图。对于特征图中的每个像素,通过反褶积在初始图像上匹配对应区域,并为每个区域生成预测边界框。这些目标框是ROI。其中,反褶积(deconvolution)又称反滤波(inverse filter)或者解卷积,是消除先前一种滤波作用的处理方法。将ROI输入RPN,并执行边界框回归,以评估每个ROI。将特征图的特征向量和ROI坐标,如(x,y,w,h)(横坐标,纵坐标,宽,高)输入到FCN中,以实现ROI对应的边界框预测和绝缘体掩模生成。
调整训练参数并输出损失函数,基于损失函数值为模型是否训练完成的判定标准之一。在模型训练完成后,对训练完成的模型进行测试,即调用该模型,输入测试集至该模型。计算mAP值并基于mAP值对模型是否完成训练进行判断。其中,mAP是用于评估模型识别精度的指标。
需要说明的是,模型中损失函数的定义:训练过程由损失函数Lsum控制。损失是像素位置信息的估计值和真实值之间的误差。损失函数可以表示模型和实际数据之间的差异。损失函数值越小,模型拟合越好。Lsum由三部分组成,如下式所示:
Lsum=Lcls+Lbb+Lmask
其中,Lcls是目标分类损失,Lbb是边界框的回归损失,Lmask是掩码预测的损失。
使用随机梯度下降(stochastic gradient descent,SGD)来调整模型的参数。通过随机选择图像数据来计算梯度,以便更新网络参数。与传统的梯度下降法相比,SGD收敛速度更快。适当的增加融合动态学习率(Learning Rate,LR)可以减少训练时间并提高识别精度。其中,LR的动态更新策略如下式:
其中,D(DR)为比LR小一个数量级的参数。E是历元,即训练周期的数量。具体地,动态LR降低了损失值,并提高训练早期参数优化过程的更新速度。随着训练轮数的增加,动态LR相对更好地获得损失函数的全局最优解。当损失函数收敛并损失值保持稳定时,可以认为参数训练完成。
为了减少训练轮数以节省时间并确保损失函数值较小,有必要找到最佳LR及其相应的DR。例如,表2给出了一种模型训练计划的示例。
表2模型训练参数表
参数类型 | 取值 |
LR步长 | 0.01,0.001,0.0001 |
训练策略 | 动态学习率(LR) |
DR | 0.2,0.1 |
训练轮数 | 150 |
每轮训练次数 | 1000 |
其中,使用三个LR(0.01、0.001、0.0001)和两个DR(LR的20%和10%)进行训练。训练轮的最大数量被设定为150轮,网络每轮训练1000次。实验发现当LR为0.01的两条曲线显示出振荡的趋势,并且未能达到最优解。LR为0.001和0.0001的四条曲线最终收敛于稳定且较小的损失函数值。然而,对于0.0001的LR,100轮后损失值降至0.2,但150轮时仍大于0.1。相比之下,LR为0.001的损失函数在40轮后降低至0.2,在90轮后降低为0.1。通常,DR比LR小一个数量级。此外,观察到0.1和0.2DR的结果彼此相似。因此,对于本方案的模型,选择LR=0.001和DR=0.0001作为学习参数值。
在完成训练轮数后,需要对模型进行评估,确定是否继续进行训练。其中,FPS(Frames Per Second,画面每秒传输帧数)是用于评估模型速度的指标。FPS定义为模型每秒可处理的图像数。mAP是用于评估模型识别精度的指标。mAP为0到1之间的数。mAP与精度(Precision)和平均精度(AP)有关。其定义由下式给出:
其中,N为样本总数。在确定动态LR参数后,可以将1000张图片输入到模型中,以微调每一轮的模型权重。并基于各个评估指标的参数值确定模型是否完成训练。例如,表3给出了一种评估指标的示例。
表3评估指标表
指标 | 值 |
精度 | 0.93 |
mAP | 0.9 |
FPS | 5.07 |
将精度值与预设精度阈值(0.90)进行比较,确定实际精度大于或等于预设精度阈值,且将mAP值与预设mAP阈值(0.90)进行比较,确定实际mAP大于或等于预设mAP阈值,且将FPS值与预设FPS阈值(4)进行比较,确定实际FPS大于或等于预设FPS阈值,则表明模型输出结果满足要求。该模型具有良好的识别能力和可接受的识别速度。
实施例二
图4为本发明实施例二中的一种绝缘子异常检测方法的流程示意图,本实施例在上述各实施例的基础上,对步骤“基于目标温度分布图、正常温度阈值和告警温度阈值,确定目标绝缘子对应的异常检测结果”进行了进一步优化。其中与上述各公开实施例相同或相应的术语的解释在此不再赘述。如图4所示,该方法具体包括以下步骤:
S210、获取针对目标绝缘子采集的第一红外图像。
S220、将第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得目标图像分割模型输出的目标绝缘子对应的第二红外图像。
S230、对第二红外图像进行灰度处理,获得目标绝缘子对应的目标灰度图像。
S240、基于目标灰度图像和温度值与灰度值之间的目标变化函数,确定目标绝缘子对应的目标温度分布图。
S250、基于目标温度分布图确定目标绝缘子对应的最高温度值,并确定最高温度值与正常温度阈值之间的温度差值。
其中,最高温度值可以是指目标绝缘子的最高温度值。温度差值可以是指最高温度值与正常温度阈值之间的差值。具体地,基于目标温度分布图中每个像素对应的温度值,确定目标绝缘子对应的最高温度值。取最高温度值与正常温度阈值相减结果的绝对值,作为最高温度值与正常温度阈值之间的温度差值。
S260、若检测到温度差值大于预设差值,则基于目标温度分布图和正常温度阈值确定目标绝缘子对应的异常温度值。
其中,预设差值可以是指预先设置的用于判断目标绝缘子是否存在异常的最大温度差值。异常温度值可以是指绝缘子处于异常工作状态时,自身高于正常温度阈值的温度值。具体地,若检测到温度差值大于预设差值,则基于目标温度分布图和正常温度阈值,确定大于正常温度阈值的温度值,并将确定出的温度值确定为目标绝缘子对应的异常温度值。若检测到温度差值小于或等于预设差值,则直接确定目标绝缘子的检测结果为正常。
S270、基于异常温度值和告警温度阈值确定目标绝缘子对应的异常检测结果。
具体地,将异常温度值和告警温度阈值进行比较,基于比较确定目标绝缘子对应的异常检测结果。
通过本公开实施例的技术方案,可以基于目标温度分布图确定目标绝缘子对应的最高温度值,并确定最高温度值与正常温度阈值之间的温度差值;若检测到温度差值大于预设差值,则基于目标温度分布图和正常温度阈值确定目标绝缘子对应的异常温度值;基于异常温度值和告警温度阈值确定目标绝缘子对应的异常检测结果,从而实现自动针对目标绝缘子的异常检测,进一步提高绝缘子异常检测的效率和准确性。
在上述技术方案的基础上,S270可以包括:基于异常温度值确定目标绝缘子对应的平均异常温度值;若检测到平均异常温度值小于或等于告警温度阈值,则确定小于或等于告警温度阈值的异常温度值的第一数量,并基于第一数量确定目标绝缘子对应的第一异常系数;基于第一异常系数确定目标绝缘子对应的异常检测结果;若检测到平均异常温度值大于告警温度阈值,则确定大于告警温度阈值的异常温度值的第二数量,并基于第二数量确定目标绝缘子对应的第二异常系数;基于第二异常系数确定目标绝缘子对应的异常检测结果。
其中,平均异常温度值可以是指异常温度值的平均值。第一数量可以是指小于或等于告警温度阈值的异常温度值对应的像素数量。第一异常系数可以是指第一数量与目标绝缘子像素总数量的比值。第二数量可以是指大于告警温度阈值的异常温度值对应的像素数量。第二异常系数可以是指第二数量与目标绝缘子像素总数量的比值。
具体地,基于异常温度值确定目标绝缘子对应的平均异常温度值;基于平均异常温度值和告警温度阈值之间的大小关系,确定满足业务需求的像素数量。基于该像素数量和目标绝缘子对应的像素总数量,确定异常系数,并基于异常系数确定目标绝缘子对应的异常检测结果。
示例性地,“基于第一异常系数确定目标绝缘子对应的异常检测结果”可以包括:若检测到第一异常系数小于或等于第一预设系数,则确定目标绝缘子对应的异常检测结果为绝缘子电阻降低;若检测到第一异常系数大于第二预设系数,则确定目标绝缘子对应的异常检测结果为绝缘子局部放电或被污染。
示例性地,“基于第二异常系数确定目标绝缘子对应的异常检测结果”可以包括:若检测到第二异常系数小于或等于第一预设系数,则确定目标绝缘子对应的异常检测结果为绝缘子损坏或出现裂纹;若检测到第二异常系数大于第二预设系数,则确定目标绝缘子对应的异常检测结果为绝缘子存在严重故障。
其中,第一预设系数可以是指预先设置的判断温度分布情况的系数。第二预设系数可以是指预先设置的判断温度分布情况的系数。第一预设系数小于第二预设系数。例如,第一预设系数为30%,第二预设系数为70%。表4给出了一种绝缘子异常原因分析表。
表4绝缘子异常原因分析表
检测规则 | 温度分析 | 异常检测结果 |
Tnorm<Tab≤Tthα<30% | 绝缘子局部低温上升 | 绝缘子电阻降低 |
Tnorm<Tab≤Tthα>70% | 绝缘子整体低温上升 | 存在局部放电或污染 |
Tab>Tthα<30% | 绝缘子局部高温上升 | 绝缘子损坏,出现裂纹 |
Tab>Tthα>70% | 绝缘子整体高温上升 | 严重故障,需人工诊断 |
其中,Tab为平均异常温度值;Tnorm为正常温度阈值;Tth为告警温度阈值;α为异常系数。例如,表5给出了一种绝缘子正常检测结果的示例。
表5绝缘子正常检测结果
类别 | 结果 |
Tmax | 20.49℃ |
Tnorm | 20.49℃ |
检测结果 | 正常 |
其中,Tmax-Tnorm=0,小于预设差值(如1℃),则直接确定目标绝缘子为正常工作状态。
表6给出了一种绝缘子异常检测结果的示例。
表6绝缘子异常检测结果
其中,Tmax-Tnorm=9.62,大于预设差值(如1℃),则确定目标绝缘子为异常工作状态。Tnorm<Tab<Tth且α<第一预设系数(如30%),则确定目标绝缘子处于局部低温上升状态,且目标绝缘子对应的异常检测结果为绝缘子电阻降低。
以下是本发明实施例提供的绝缘子异常检测装置的实施例,该装置与上述各实施例的绝缘子异常检测方法属于同一个发明构思,在绝缘子异常检测装置的实施例中未详尽描述的细节内容,可以参考上述绝缘子异常检测方法的实施例。
实施例三
图5为本发明实施例三中的一种绝缘子异常检测装置的结构示意图。如图5所示,该装置具体包括:第一红外图像获取模块310、第二红外图像确定模块320、目标灰度图像确定模块330、目标温度分布图确定模块340和异常检测结果确定模块350。
其中,第一红外图像获取模块310,用于获取针对目标绝缘子采集的第一红外图像;第二红外图像确定模块320,用于将第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得目标图像分割模型输出的目标绝缘子对应的第二红外图像;目标灰度图像确定模块330,用于对第二红外图像进行灰度处理,获得目标绝缘子对应的目标灰度图像;目标温度分布图确定模块340,用于基于目标灰度图像和温度值与灰度值之间的目标变化函数,确定目标绝缘子对应的目标温度分布图,其中,目标变化函数是预先基于历史数据进行拟合获得的;异常检测结果确定模块350,用于基于目标温度分布图、正常温度阈值和告警温度阈值,确定目标绝缘子对应的异常检测结果。
本公开实施例的技术方案,通过获取针对目标绝缘子采集的第一红外图像;将第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得目标图像分割模型输出的目标绝缘子对应的第二红外图像,从而避免了除绝缘子外的物体对绝缘子异常检测的干扰,提高针对绝缘子检测的准确性;对第二红外图像进行灰度处理,获得目标绝缘子对应的目标灰度图像;基于目标灰度图像和温度值与灰度值之间的目标变化函数,确定目标绝缘子对应的目标温度分布图,其中,目标变化函数是预先基于历史数据进行拟合获得的;基于目标温度分布图、正常温度阈值和告警温度阈值,确定目标绝缘子对应的异常检测结果,从而可以基于绝缘子的实际温度实现针对绝缘子异常的直接检测,提高绝缘子异常检测的效率,并保证绝缘子异常检测的准确性。
可选地,该装置可以包括:
目标变化曲线拟合模型,用于基于历史数据进行拟合获得目标变化函数;
目标变化曲线拟合模型可以包括:
实际变化曲线确定子模型,用于基于历史数据确定温度值和灰度值之间的实际变化曲线;
分段函数确定子模型,用于基于多种预设函数对实际变化曲线进行分段拟合,确定拟合出的各个分段函数;
目标变化函数获得子模型,用于将各个分段函数进行组合,获得目标变化函数。
可选地,分段函数确定子模型具体用于:基于实际变化曲线中的变化分界点,对实际变化曲线进行划分,确定多个分段曲线;针对每个分段曲线,基于该分段曲线对应的曲线值与每种预设函数对应的函数值之间的平方差以及该分段曲线对应的曲线值与历史数据对应的平均温度值之间的平方差确定拟合比值,并对拟合比值进行归一化处理,确定该分段曲线与每种预设函数之间的曲线相似度;将相似度最大的预设函数确定为该分段曲线对应的分段函数。
可选地,温度值和灰度值之间的目标变化函数可以包括:第一分段函数、第二分段函数和第三分段函数;其中,第一分段函数为对数函数;第二分段函数为线性函数;第三分段函数为反比例函数。
可选地,异常检测结果确定模块350可以包括:
温度差值确定子模型,用于基于目标温度分布图确定目标绝缘子对应的最高温度值,并确定最高温度值与正常温度阈值之间的温度差值;
异常温度值确定子模型,用于若检测到温度差值大于预设差值,则基于目标温度分布图和正常温度阈值确定目标绝缘子对应的异常温度值;
异常检测结果确定子模型,用于基于异常温度值和告警温度阈值确定目标绝缘子对应的异常检测结果。
可选地,异常检测结果确定子模型可以包括:
平均异常温度值确定单元,用于基于异常温度值确定目标绝缘子对应的平均异常温度值;
第一异常检测结果确定单元,用于若检测到平均异常温度值小于或等于告警温度阈值,则确定小于或等于告警温度阈值的异常温度值的第一数量,并基于第一数量确定目标绝缘子对应的第一异常系数;基于第一异常系数确定目标绝缘子对应的异常检测结果;
第二异常检测结果确定单元,用于若检测到平均异常温度值大于告警温度阈值,则确定大于告警温度阈值的异常温度值的第二数量,并基于第二数量确定目标绝缘子对应的第二异常系数;基于第二异常系数确定目标绝缘子对应的异常检测结果。
可选地,第一异常检测结果确定单元具体用于:若检测到第一异常系数小于或等于第一预设系数,则确定目标绝缘子对应的异常检测结果为绝缘子电阻降低;若检测到第一异常系数大于第二预设系数,则确定目标绝缘子对应的异常检测结果为绝缘子局部放电或被污染;
第二异常检测结果确定单元具体用于:若检测到第二异常系数小于或等于第一预设系数,则确定目标绝缘子对应的异常检测结果为绝缘子损坏或出现裂纹;若检测到第二异常系数大于第二预设系数,则确定目标绝缘子对应的异常检测结果为绝缘子存在严重故障。
本发明实施例所提供的绝缘子异常检测装置可执行本发明任意实施例所提供的绝缘子异常检测方法,具备执行绝缘子异常检测方法相应的功能模块和有益效果。
值得注意的是,上述绝缘子异常检测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如绝缘子异常检测方法。
在一些实施例中,绝缘子异常检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的绝缘子异常检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行绝缘子异常检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种绝缘子异常检测方法,其特征在于,包括:
获取针对目标绝缘子采集的第一红外图像;
将所述第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得所述目标图像分割模型输出的所述目标绝缘子对应的第二红外图像;
对所述第二红外图像进行灰度处理,获得所述目标绝缘子对应的目标灰度图像;
基于所述目标灰度图像和温度值与灰度值之间的目标变化函数,确定所述目标绝缘子对应的目标温度分布图,其中,所述目标变化函数是预先基于历史数据进行拟合获得的;
基于所述目标温度分布图、正常温度阈值和告警温度阈值,确定所述目标绝缘子对应的异常检测结果。
2.根据权利要求1所述的方法,其特征在于,基于历史数据进行拟合获得所述目标变化函数,包括:
基于历史数据确定温度值和灰度值之间的实际变化曲线;
基于多种预设函数对所述实际变化曲线进行分段拟合,确定拟合出的各个分段函数;
将各个分段函数进行组合,获得所述目标变化函数。
3.根据权利要求2所述的方法,其特征在于,所述基于多种预设函数对所述实际变化曲线进行分段拟合,确定拟合出的各个分段函数曲线,包括:
基于所述实际变化曲线中的变化分界点,对所述实际变化曲线进行划分,确定多个分段曲线;
针对每个所述分段曲线,基于该分段曲线对应的曲线值与每种预设函数对应的函数值之间的平方差以及该分段曲线对应的曲线值与所述历史数据对应的平均温度值之间的平方差确定拟合比值,并对所述拟合比值进行归一化处理,确定该分段曲线与每种预设函数之间的曲线相似度;
将相似度最大的预设函数确定为该分段曲线对应的分段函数。
4.根据权利要求1所述的方法,其特征在于,所述温度值和灰度值之间的目标变化函数,包括:第一分段函数、第二分段函数和第三分段函数;其中,所述第一分段函数为对数函数;所述第二分段函数为线性函数;所述第三分段函数为反比例函数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标温度分布图、正常温度阈值和告警温度阈值,确定所述目标绝缘子对应的异常检测结果,包括:
基于所述目标温度分布图确定所述目标绝缘子对应的最高温度值,并确定所述最高温度值与正常温度阈值之间的温度差值;
若检测到所述温度差值大于预设差值,则基于所述目标温度分布图和所述正常温度阈值确定所述目标绝缘子对应的异常温度值;
基于所述异常温度值和告警温度阈值确定所述目标绝缘子对应的异常检测结果。
6.根据权利要求5所述的方法,其特征在于,所述基于所述异常温度值和告警温度阈值确定所述目标绝缘子对应的异常检测结果,包括:
基于所述异常温度值确定所述目标绝缘子对应的平均异常温度值;
若检测到所述平均异常温度值小于或等于告警温度阈值,则确定小于或等于所述告警温度阈值的异常温度值的第一数量,并基于所述第一数量确定所述目标绝缘子对应的第一异常系数;基于所述第一异常系数确定所述目标绝缘子对应的异常检测结果;
若检测到所述平均异常温度值大于所述告警温度阈值,则确定大于所述告警温度阈值的异常温度值的第二数量,并基于所述第二数量确定所述目标绝缘子对应的第二异常系数;基于所述第二异常系数确定所述目标绝缘子对应的异常检测结果。
7.根据权利要求6所述的方法,其特征在于,所述基于所述第一异常系数确定所述目标绝缘子对应的异常检测结果,包括:
若检测到所述第一异常系数小于或等于第一预设系数,则确定所述目标绝缘子对应的异常检测结果为绝缘子电阻降低;
若检测到所述第一异常系数大于第二预设系数,则确定所述目标绝缘子对应的异常检测结果为绝缘子局部放电或被污染;
所述基于所述第二异常系数确定目标绝缘子对应的异常检测结果,包括:
若检测到所述第二异常系数小于或等于第一预设系数,则确定所述目标绝缘子对应的异常检测结果为绝缘子损坏或出现裂纹;
若检测到所述第二异常系数大于第二预设系数,则确定所述目标绝缘子对应的异常检测结果为绝缘子存在严重故障。
8.一种绝缘子异常检测装置,其特征在于,包括:
第一红外图像获取模块,用于获取针对目标绝缘子采集的第一红外图像;
第二红外图像确定模块,用于将所述第一红外图像输入至目标图像分割模型进行绝缘子区域提取,并获得所述目标图像分割模型输出的所述目标绝缘子对应的第二红外图像;
目标灰度图像确定模块,用于对所述第二红外图像进行灰度处理,获得所述目标绝缘子对应的目标灰度图像;
目标温度分布图确定模块,用于基于所述目标灰度图像和温度值与灰度值之间的目标变化函数,确定所述目标绝缘子对应的目标温度分布图,其中,所述目标变化函数是预先基于历史数据进行拟合获得的;
异常检测结果确定模块,用于基于所述目标温度分布图、正常温度阈值和告警温度阈值,确定所述目标绝缘子对应的异常检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的绝缘子异常检测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的绝缘子异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310111574.5A CN116309344A (zh) | 2023-02-14 | 2023-02-14 | 一种绝缘子异常检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310111574.5A CN116309344A (zh) | 2023-02-14 | 2023-02-14 | 一种绝缘子异常检测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309344A true CN116309344A (zh) | 2023-06-23 |
Family
ID=86798826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310111574.5A Pending CN116309344A (zh) | 2023-02-14 | 2023-02-14 | 一种绝缘子异常检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309344A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095000A (zh) * | 2023-10-19 | 2023-11-21 | 杭州和利时自动化有限公司 | 一种设备检测方法及装置 |
CN117954126A (zh) * | 2024-03-26 | 2024-04-30 | 烟台卫康动物保健品有限公司 | 基于多传感数据融合的兽药在线监测系统及方法 |
-
2023
- 2023-02-14 CN CN202310111574.5A patent/CN116309344A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095000A (zh) * | 2023-10-19 | 2023-11-21 | 杭州和利时自动化有限公司 | 一种设备检测方法及装置 |
CN117095000B (zh) * | 2023-10-19 | 2024-01-26 | 杭州和利时自动化有限公司 | 一种设备检测方法及装置 |
CN117954126A (zh) * | 2024-03-26 | 2024-04-30 | 烟台卫康动物保健品有限公司 | 基于多传感数据融合的兽药在线监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309344A (zh) | 一种绝缘子异常检测方法、装置、设备和存储介质 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
CN115131566A (zh) | 基于超像素和改进模糊c均值聚类的自动图像分割方法 | |
CN116167932A (zh) | 一种图像质量优化方法、装置、设备及存储介质 | |
CN115346083A (zh) | 一种温度异常检测模型训练方法、装置、设备及介质 | |
CN112926483A (zh) | 标准机柜状态指示灯识别监测方法、装置和系统 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN116778386A (zh) | 一种六氟化硫的泄露检测方法、装置、设备及存储介质 | |
CN115018784B (zh) | 一种导线散股缺陷的检测方法、装置、设备及介质 | |
CN116012859A (zh) | 基于清晰度指标的文本图像拒识判断方法、装置及设备 | |
CN115205163A (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
CN115471772A (zh) | 一种关键帧的提取方法、装置、设备及介质 | |
CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
CN115345859A (zh) | 隧道渗漏水图像的智能检测方法、装置、设备及存储介质 | |
CN114445342A (zh) | 一种雾霾程度评估方法、装置、电子设备及存储介质 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN116416254A (zh) | 一种输电线分割方法、装置、电子设备及存储介质 | |
CN117893509A (zh) | 一种模型训练方法、缺陷检测方法、电子设备及存储介质 | |
Moré et al. | Contrast Enhancement of Color Images Using a Multi-Objective Optimization Framework. | |
CN115773821A (zh) | 一种干式空心电抗器热故障检测方法、装置、设备和介质 | |
CN117690181A (zh) | 虹膜图像的处理方法、装置、电子设备及存储介质 |
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 |