CN116612098A - 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 - Google Patents
一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 Download PDFInfo
- Publication number
- CN116612098A CN116612098A CN202310620916.6A CN202310620916A CN116612098A CN 116612098 A CN116612098 A CN 116612098A CN 202310620916 A CN202310620916 A CN 202310620916A CN 116612098 A CN116612098 A CN 116612098A
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- rtv
- defect
- spraying
- 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
Links
- 238000005507 spraying Methods 0.000 title claims abstract description 137
- 239000012212 insulator Substances 0.000 title claims abstract description 105
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 230000007547 defect Effects 0.000 claims abstract description 129
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 239000011248 coating agent Substances 0.000 claims description 19
- 238000000576 coating method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 239000010410 layer Substances 0.000 claims description 15
- 239000007921 spray Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 239000012535 impurity Substances 0.000 claims description 7
- 238000005491 wire drawing Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000011247 coating layer Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000013145 classification model Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000004945 silicone rubber Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- G06V10/70—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的绝缘子RTV喷涂质量评价方法和装置,将绝缘子喷涂区域图像进行分割,并通过神经网络将分割后的子图像块分类成六种不同类别,然后按照缺陷类别所占的面积比例生成评定分数,实现了对喷涂质量的评价。方法包括:一、采集绝缘子RTV喷涂图像,并获得绝缘子RTV喷涂区域分割图像;二、对分割图像进行网格划分,构建RTV喷涂质量评价图像数据集;三、构建分类网络模型;四、将待评价的绝缘子RTV喷涂图像进行网格划分,并输入到分类模型检测缺陷样本;五、统计各类缺陷所占面积比例,利用模糊评价手段评估RTV喷涂质量。本发明为绝缘子RTV喷涂质量评价提供了一种操作简便、安全高效的自动化方法。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于图像处理的绝缘子RTV喷涂质量评价方法和装置,可用于电网运维检修领域。
背景技术
室温硫化硅橡胶(RTV)因为具有出色的憎水性以及持久的憎水迁移性,被广泛涂敷于绝缘子表面以防止绝缘子发生污闪现象。长期运行在复杂环境中使得RTV涂层极易发生老化现象,失去原有的正常功能,此时需要紧急对RTV风险区域进行二次涂敷,涂敷质量的好坏直接关系到电力设备能否继续执行输电线路稳定运行所要求的功能。因此需要一种能够准确可靠地评价RTV喷涂质量的评价方法,在符合人眼观感范围及绝缘子现场喷涂质量要求的基础上,通过对RTV涂覆层喷涂质量给出量化的评价数据,从而快速、安全、有效地指导后续的运检维修工作。
清华大学深圳研究院在其申请的专利文献“一种绝缘子RTV涂层厚度的测量方法”(专利申请号:2015107338352,申请公开号:CN105352443A)中提出使用脉冲激光轰击RTV涂层,通过分析轰击产生的发射光谱中碳线和硅线的强度以及RTV涂层被击穿所需要的轰击次数来判断绝缘子RTV涂层的厚度。该方式会导致原有绝缘子功能失效,无法被应用于实际电路运检过程中的带电二次喷涂或补喷环节。而且需要专业正规的大型设备辅助,检测环境需求严苛,同时不能给出量化的评价指标。
华北电力大学在其申请的专利文献“一种绝缘子RTV涂层缺陷识别方法”(专利申请号:201911226484,申请公开号:CN 111008967A)中提出通过手动选择RTV涂层与绝缘子以及背景在色彩转换空间后具有明显差异的特征,设置阈值将RTV喷涂的缺损部位进行了识别,在识别出缺损的基础上,通过计算缺损面积给出了简单的评价。该方法实现了对绝缘子RTV涂层的无接触式检测,但是其针对绝缘子RTV涂层图像仅能识别缺损这一种质量问题,并且用于区分缺损部分和无损部分的特征需要手动选择,特征鲁棒性不强。此外,简单依据喷涂质量问题所占的面积比例不能充分表征RTV喷涂情况对绝缘子功能的影响,因此无法对后续运检过程给出有效可靠的指导。
发明内容
本发明的目的在于克服现有喷涂评价手段的缺陷,提出了一种基于图像处理的RTV喷涂质量评价方法和装置,旨在实现对绝缘子RTV喷涂缺陷的自动识别,通过多维度的评价手段给出喷涂质量评定结果。
为了实现上述目的,本发明采用如下技术方案:
一种基于图像处理的绝缘子RTV喷涂质量评价方法,包括以下步骤:
步骤1,采集绝缘子RTV喷涂图像;
步骤2,对绝缘子RTV喷涂图像进行分割,获得绝缘子RTV喷涂区域分割图像;
步骤3,对绝缘子RTV喷涂区域分割图像进行网格划分,得到若干子图像;
步骤4,构建RTV喷涂质量评价图像数据集:对子图像块进行标注,根据图像内容将所有子图像块划分类别,包括背景类别、喷涂完好类别、堆积缺陷类别、杂质缺陷类别、不均匀缺陷类别及拉丝缺陷类别;其中堆积缺陷类别、杂质缺陷类别、不均匀缺陷类别及拉丝缺陷类别为喷涂缺陷;
步骤5,构建分类网络模型,利用RTV喷涂质量评价图像数据集训练分类网络模型,得到训练好的分类网络模型;
步骤6,将待评价的绝缘子RTV喷涂图像输入训练好的分类网络模型,检测缺陷样本并统计缺陷情况;
步骤7,根据缺陷情况统计结果评估绝缘子RTV喷涂质量。
进一步的,步骤3包括以下步骤:
步骤3.1、将绝缘子RTV喷涂区域的分割图像进行边缘填充,使得填充后输出图像的分辨率可以被N整除,N为分割数量;
步骤3.2、对填充过的图像进行矩形网格化划分,得到互不重叠的总计N*N张子图像。
进一步的,步骤5包括以下步骤:
步骤5.1、搭建分类网络模型:所述网络为神经卷积网络,主要由Mobile-vit模块,反向残差模块,普通卷积层,全局池化以及全连接层组成;Mobile-Vit模块由卷积层串联Transformer结构进行语义信息获取,接着通过跨越连接分支与原始输入特征图进行拼接,最后通过一个全连接层得出预测结果输出;所述反向残差模块由升维卷积,特征提取卷积和降维卷积组成,卷积之间使用ReLu激活函数;
步骤5.2、训练分类网络模型:将喷涂质量评价图像数据集输入搭建的神经卷积网络,采用梯度下降的方式,根据输入图像及对应标注不断优化网络模型参数,直到网络训练损失和验证准确率保持稳定,平均波动偏差低于设定值时网络训练结束,获得训练好的分类网络模型。
进一步的,步骤5.1中,Transformer结构是把特征图划分为2*2的子图像块,每个子图像块中的最小像素点只和其他子图像块中具有同样相对位置的最小像素点做注意力全局建模。
进一步的,步骤6包括以下步骤:
步骤6.1、划分需要质量评价的绝缘子喷涂区域分割图像,获得RTV喷涂图像的子图像;
步骤6.2、把划分后的子图像输入训练好的分类网络模型进行分类判断,得到子图像的分类结果;
步骤6.3、统计RTV喷涂区域的子图像以及不同缺陷类别的子图像的数量,计算不同缺陷所占RTV喷涂区域的比例。
进一步的,步骤7包括以下步骤:
步骤7.1、根据运检验收规范设置缺陷等级对照表,确定各种不同的喷涂等级及其对应的缺陷占比标准;
步骤7.2、设定不同绝缘子缺陷类型对RTV涂层防污闪能力的初始影响权重集合;当某种缺陷类型面积占比达到RTV喷涂质量等级评价表的IV级要求时,动态膨胀该缺陷对应的权重系数;
步骤7.3、根据梯形分布函数形式设置不同缺陷与评价等级之间的隶属度函数,进而生成模糊判断矩阵;
步骤7.4、在模糊判断矩阵的基础上,通过权重集合对最终概率结果进行约束,修正概率偏置,再通过归一化处理,得到当前绝缘子RTV涂覆层喷涂质量评价归属于每个等级的置信度;
步骤7.5、通过每个等级之间的置信度对标准分进行加权计算,得到此次质量评价任务的结果分数,根据结果分数能够对绝缘子RTV喷涂结果进行评价。
进一步的,步骤7.3中,梯形隶属度分布函数表达如下:
式中αij代表第i类缺陷对应RTV缺损等级为j时的标准占比;
模糊判断矩阵R表达式为:
进一步的,步骤7.4中,归属于每个等级的置信度的计算公式为:S=softmax(AR)=[s1,s2,s3,s4];其中,A为权重集合,R为模糊判断矩阵。
进一步的,步骤7.5中,加权计算所用公式为:
式中,si代表当前绝缘子喷涂样本归属于第i类缺陷等级的置信度,bi是四种缺陷等级之间的标准分。
一种基于图像处理的绝缘子RTV喷涂质量评价装置,包括:
采集模块,用于采集绝缘子RTV喷涂图像;
分割采集模块,用于对绝缘子RTV喷涂图像进行分割,获得绝缘子RTV喷涂区域分割图像;
网格划分模块,用于对绝缘子RTV喷涂区域分割图像进行网格划分,得到若干子图像;
图像数据集构建模块,用于构建RTV喷涂质量评价图像数据集:对子图像块进行标注,根据图像内容将所有子图像块划分类别;
模型构建模块,用于构建分类网络模型,利用RTV喷涂质量评价图像数据集训练分类网络模型,得到训练好的分类网络模型;
分析模块,用于检测缺陷样本并统计缺陷情况,并根据缺陷情况统计结果评估绝缘子RTV喷涂质量。
与现有技术相比,本发明至少具有以下有益的技术效果:
本发明可以准确的判断多种喷涂缺陷类型,并给出可以量化的缺损数据。本发明使用的基于网格划分的缺陷分类方法克服了实际喷涂过程中RTV喷涂缺陷样本在空间分布上具有随机性带来的挑战,同时兼顾了喷涂缺陷分类需要考虑上下文语义信息的实际需要,实现了准确判断多种喷涂缺陷类型的功能。在此基础上又可以最大化精确度地计算各个缺陷类型所占绝缘子喷涂区域的比例,从而获得各种缺陷之间的统计数据。
本发明可可以依据多个维度的评价手段,给出符合运检规范和实际情况的量化评价分数。本发明的质量评价方法充分考虑到了在实际喷涂过程中,不同缺损类型对RTV涂层防污闪能力的影响各有不同,且不同缺陷之间对最后喷涂质量的评价分数影响并不是简单线性拟合的,因此本发明考虑多种评价维度,结合模糊评价手段,给出了复合判断下的评定结果,能准确有效的评定绝缘子RTV的喷涂质量,从而给出对后续喷涂工作的指导意见。
附图说明
图1是本发明的实现流程图;
图2是本发明的缺陷分类实施结果图;
图3是本发明的分数评价实施结果图;
图4是本发明的卷积神经网络分类模型图;
图5为本发明提供的评价装置的模块结构示意图。
具体实施方式
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例,对本发明进行进一步的详细说明,此处所描述的具体实施例仅用于解释本发明,并非用于限定本发明。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,一种基于图像处理的绝缘子RTV喷涂质量评价方法,包括如下步骤:
步骤1,采集绝缘子RTV喷涂图像:
所述的绝缘子RTV喷涂图像来自于巡检无人机航拍的被喷涂过的绝缘子RTV喷涂图像以及绝缘子模拟喷涂实验中现场采集的包含各种喷涂缺陷的绝缘子图像。
步骤2,通过语义分割神经网络进行特征提取获得绝缘子RTV喷涂区域分割图像:
步骤2.1,搭建语义分割神经网络模型。
步骤2.2,使用LabelImg图像标注软件对采集到的图像进行标注,将图像标注为RTV喷涂区域和背景区域共两类,利用绝缘子RTV喷涂区域标注数据训练语义分割神经网络模型,直到语义分割神经网络模型收敛,得到训练好的模型。
步骤2.3,利用训练好的模型对采集到的绝缘子RTV喷涂图像进行分割,得到绝缘子RTV喷涂区域分割图像。绝缘子分割图像是指仅包含绝缘子RTV喷涂部分的图像,利用语义分割神经网络模型,可以从复杂背景及其余绝缘子部分中提取得到绝缘子RTV喷涂区域。
步骤3,对绝缘子RTV喷涂区域分割图像进行10*10网格划分:
步骤3.1,将绝缘子RTV喷涂区域的分割图像进行边缘填充,使得填充后输出图像的分辨率可以被10整除。
步骤3.2,对填充过的图像进行矩形网格化划分,得到内容互不重叠的10*10张子图像,填充过程要求在保证结果图像能被10整除的情况下,使用最少的边缘像素完成填充过程。
步骤4,构建RTV喷涂质量评价图像数据集:对划分的子图像块进行标注,根据图像中的缺陷类型人工将所有子图像块划分为六种类别,包括黑色背景类别、喷涂完好类别、堆积缺陷类别、杂质缺陷类别、不均匀缺陷类别及拉丝缺陷类别,其中堆积缺陷类别、杂质缺陷类别、不均匀缺陷类别及拉丝缺陷类别为喷涂缺陷。
步骤5,构建分类网络模型:
步骤5.1,搭建分类网络模型:所述网络为神经卷积网络,主要由Mobile-vit模块,反向残差模块,普通卷积层,全局池化以及全连接层组成。Mobile-Vit模块由卷积层串联Transformer结构进行语义信息获取,接着通过跨越连接分支与初始输入Mobile-Vit的原始输入特征图进行拼接,最后通过一个全连接层得出预测结果输出;所述反向残差模块由升维卷积,特征提取卷积和降维卷积组成,卷积之间使用ReLu激活函数;所述的Transformer结构是把特征图划分为2*2的子图像块(patch),每个patch中的最小像素点(token)只和其他patch中具有同样相对位置的token做注意力全局建模,其目的是减少运算量,加快模型的实时处理效率;
步骤5.2,训练分类网络模型:将喷涂质量评价图像数据集输入搭建的卷积神经网络,卷积神经网络结构如图4所示,采用梯度下降的方式,根据输入图像及对应标注不断优化网络模型参数,直到网络训练损失和验证准确率保持稳定,平均波动偏差低于1%时网络训练结束,获得训练好的轻量化分类网络模型。
步骤6,将待评价的绝缘子RTV喷涂图像输入训练好的分类网络模型,检测缺陷样本并统计分类结果,以划分后的子图像作为最小单位进行统计计算,得到不同缺陷类型的面积占比,该方法能够克服缺损样本在空间上分布的随机性,充分利用上下文语义信息,由以下步骤使用绝缘子扇面图像进行缺陷分类和统计:
步骤6.1,按照矩形网格划分需要质量评价的绝缘子喷涂区域分割图像,获得RTV喷涂图像的子图像,划分方法同步骤3.1-步骤3.2。
步骤6.2,把划分后的子图像输入训练好的分类网络模型进行分类判断,得到子图像归属于六种类别之一的分类结果。
步骤6.3,参照图2,统计RTV喷涂区域的子图像以及不同缺陷类别的子图像的数量,计算不同缺陷所占RTV喷涂区域的比例(以下简称不同缺陷类型的面积占比),不同缺陷类型的面积占比以划分后的子图像作为最小单位进行计算,即某个网格有某一缺陷的话,用这个网格所占绝缘子图像的比例作为这个缺陷占绝缘子图像的比例。
步骤7,评估RTV喷涂质量:
绝缘子表面RTV涂层缺陷与最终质量评价之间的关系很难用定量关系来描述,且不同缺损类型对RTV涂层防污闪能力的影响各有不同,因此,简单使用各类缺损所占面积的比例数据不能有效地表征当前RTV涂层的喷涂质量,结合模糊评价的手段可以综合多种评价维度给出综合考量下的量化指标。由以下步骤进行模糊评价绝缘子RTV喷涂质量,并给出结果分数:
步骤7.1,根据运检验收规范设置缺陷等级对照表,明确四种不同类缺陷对应RTV缺损等级的标准占比;缺陷等级对照表制作成表1,表1给出了处于不同的喷涂质量等级时,四种缺陷类型对应的最大面积占比。通过表1能够看出不同的缺陷之间对最后结果评定的影响是不同的,同一质量等级下,不同缺陷所要达到的占比数据有所差异。
表1RTV喷涂质量等级比例标准表
步骤7.2,不同的缺陷类型对绝缘子RTV防污闪性能的影响不同,设定不同绝缘子缺陷类型对RTV涂层防污闪能力的初始影响权重集合,权重集合可以表示为:
A=[a1,a2,a3,a4]=[0.6,0.7,0.8,1]
其中,a1为堆积缺陷对最终结果的影响程度,a2为杂质缺陷对最终结果的影响程度,a3为不均匀缺陷对最终结果的影响程度,a4为拉丝缺陷对最终结果的影响程度。
步骤7.3,根据步骤6.3所示的方法计算出不同缺陷类型的面积占比,当某种缺陷类型面积占比达到RTV喷涂质量等级评价表的IV级要求时,为了消除极端数据带来的判定误差,动态膨胀该缺陷对应的权重系数,膨胀系数β设定为3,具体操作方法表示为:
ai=ai×β
步骤7.4,根据梯形分布函数形式设置不同缺陷与评价等级之间的隶属度函数,不同喷涂等级之间的标准缺陷占比并不相同,当某类缺陷占比位于不同的标准数之间时,如果简单将其归于任意一边,会造成判断偏差,不符合人的直观感受,用梯形隶属度函数可以有效克服这个缺陷,隶属度函数具体的计算方法为:
其中,αij为第i类缺陷对应RTV缺损等级为j(1≤j≤4)时的标准占比,xi为第i类缺陷占绝缘子RTV喷涂区域的比例。
步骤7.5,根据隶属度函数表达式和各类缺陷所占绝缘子扇面比例,得到绝缘子喷涂质量归属于不同等级之间的隶属度,从而生成模糊判断矩阵R,模糊判断矩阵R的具体计算方法为:
步骤7.6,在模糊判断矩阵的基础上,通过权重集合对模糊判断矩阵进行约束,修正概率偏置,得到概率向量y,具体的计算方法表示为:
y=AR=[y1,y2,y3,y4]
其中,y1~y4分别代表四种质量等级的概率分量。将向量y进行归一化处理,得到概率分布[s1,s2,s3,s4]。具体的计算方法表示为:
步骤7.7,不同等级之间的标准分数并不相同,通过每个等级之间的置信度对标准分进行加权,就能够得到此次质量评价任务的结果分数res,具体计算方法为:
式中si代表当前绝缘子喷涂样本归属于第i类缺陷等级的置信度,bi是四种缺陷等级之间的标准分,标准分分别设置为[100,85,65,30]。
步骤8,给出喷涂指导意见。
参照图3,结果分数大于等于85分认为绝缘子RTV喷涂质量较好,可以维持正常绝缘子的电气功能;结果分数小于85分但高于60分,可以认为该绝缘子喷涂质量存在问题,需要二次喷涂;结果分数低于60分,可以认为不仅仅需要二次喷涂,且需要重新调整涂料质量或喷涂工艺,对喷涂流程进行优化改进。
实施例2
本发明提供的一种基于图像处理的绝缘子RTV喷涂质量评价装置,如图5所示,包括:
采集模块,用于采集绝缘子RTV喷涂图像;
分割采集模块,用于对绝缘子RTV喷涂图像进行分割,获得绝缘子RTV喷涂区域分割图像;
网格划分模块,用于对绝缘子RTV喷涂区域分割图像进行网格划分,得到若干子图像;
图像数据集构建模块,用于构建RTV喷涂质量评价图像数据集:对子图像块进行标注,根据图像内容将所有子图像块划分类别;
模型构建模块,用于构建分类网络模型,利用RTV喷涂质量评价图像数据集训练分类网络模型,得到训练好的分类网络模型;
分析模块,用于检测缺陷样本并统计缺陷情况,并根据缺陷情况统计结果评估绝缘子RTV喷涂质量。
实施例3
本发明提供的一种计算机设备,包括电连接的存储器和处理器,其中,存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现实施例1所述的喷涂质量评价方法。
所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。
所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述评价装置/终端设备的各种功能。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
实施例4
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上示意性地对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的实施方式或方案,均应属于本发明的保护范围。
Claims (10)
1.一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,包括以下步骤:
步骤1,采集绝缘子RTV喷涂图像;
步骤2,对绝缘子RTV喷涂图像进行分割,获得绝缘子RTV喷涂区域分割图像;
步骤3,对绝缘子RTV喷涂区域分割图像进行网格划分,得到若干子图像;
步骤4,构建RTV喷涂质量评价图像数据集:对子图像块进行标注,根据图像内容将所有子图像块划分类别,包括背景类别、喷涂完好类别、堆积缺陷类别、杂质缺陷类别、不均匀缺陷类别及拉丝缺陷类别;其中堆积缺陷类别、杂质缺陷类别、不均匀缺陷类别及拉丝缺陷类别为喷涂缺陷;
步骤5,构建分类网络模型,利用RTV喷涂质量评价图像数据集训练分类网络模型,得到训练好的分类网络模型;
步骤6,将待评价的绝缘子RTV喷涂图像输入训练好的分类网络模型,检测缺陷样本并统计缺陷情况;
步骤7,根据缺陷情况统计结果评估绝缘子RTV喷涂质量。
2.根据权利要求1所述的一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,所述步骤3包括以下步骤:
步骤3.1、将绝缘子RTV喷涂区域的分割图像进行边缘填充,使得填充后输出图像的分辨率可以被N整除,N为分割数量;
步骤3.2、对填充过的图像进行矩形网格化划分,得到互不重叠的总计N*N张子图像。
3.根据权利要求1所述的一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,所述步骤5包括以下步骤:
步骤5.1、搭建分类网络模型:所述网络为神经卷积网络,主要由Mobile-vit模块,反向残差模块,普通卷积层,全局池化以及全连接层组成;Mobile-Vit模块由卷积层串联Transformer结构进行语义信息获取,接着通过跨越连接分支与原始输入特征图进行拼接,最后通过一个全连接层得出预测结果输出;所述反向残差模块由升维卷积,特征提取卷积和降维卷积组成,卷积之间使用ReLu激活函数;
步骤5.2、训练分类网络模型:将喷涂质量评价图像数据集输入搭建的神经卷积网络,采用梯度下降的方式,根据输入图像及对应标注不断优化网络模型参数,直到网络训练损失和验证准确率保持稳定,平均波动偏差低于设定值时网络训练结束,获得训练好的分类网络模型。
4.根据权利要求3所述的一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,所述步骤5.1中,Transformer结构是把特征图划分为2*2的子图像块,每个子图像块中的最小像素点只和其他子图像块中具有同样相对位置的最小像素点做注意力全局建模。
5.根据权利要求1所述的一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,所述步骤6包括以下步骤:
步骤6.1、划分需要质量评价的绝缘子喷涂区域分割图像,获得RTV喷涂图像的子图像;
步骤6.2、把划分后的子图像输入训练好的分类网络模型进行分类判断,得到子图像的分类结果;
步骤6.3、统计RTV喷涂区域的子图像以及不同缺陷类别的子图像的数量,计算不同缺陷所占RTV喷涂区域的比例。
6.根据权利要求1所述的一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,所述步骤7包括以下步骤:
步骤7.1、根据运检验收规范设置缺陷等级对照表,确定各种不同的喷涂等级及其对应的缺陷占比标准;
步骤7.2、设定不同绝缘子缺陷类型对RTV涂层防污闪能力的初始影响权重集合;当某种缺陷类型面积占比达到RTV喷涂质量等级评价表的IV级要求时,动态膨胀该缺陷对应的权重系数;
步骤7.3、根据梯形分布函数形式设置不同缺陷与评价等级之间的隶属度函数,进而生成模糊判断矩阵;
步骤7.4、在模糊判断矩阵的基础上,通过权重集合对最终概率结果进行约束,修正概率偏置,再通过归一化处理,得到当前绝缘子RTV涂覆层喷涂质量评价归属于每个等级的置信度;
步骤7.5、通过每个等级之间的置信度对标准分进行加权计算,得到此次质量评价任务的结果分数,根据结果分数能够对绝缘子RTV喷涂结果进行评价。
7.根据权利要求6所述的一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,所述步骤7.3中,梯形隶属度分布函数表达如下:
式中αij代表第i类缺陷对应RTV缺损等级为j时的标准占比;
模糊判断矩阵R表达式为:
8.根据权利要求6所述的一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,所述步骤7.4中,归属于每个等级的置信度的计算公式为:S=softmax(AR)=[s1,s2,s3,s4];其中,A为权重集合,R为模糊判断矩阵。
9.根据权利要求6所述的一种基于图像处理的绝缘子RTV喷涂质量评价方法,其特征在于,所述步骤7.5中,加权计算所用公式为:
式中,si代表当前绝缘子喷涂样本归属于第i类缺陷等级的置信度,bi是四种缺陷等级之间的标准分。
10.一种基于图像处理的绝缘子RTV喷涂质量评价装置,其特征在于,包括:
采集模块,用于采集绝缘子RTV喷涂图像;
分割采集模块,用于对绝缘子RTV喷涂图像进行分割,获得绝缘子RTV喷涂区域分割图像;
网格划分模块,用于对绝缘子RTV喷涂区域分割图像进行网格划分,得到若干子图像;
图像数据集构建模块,用于构建RTV喷涂质量评价图像数据集:对子图像块进行标注,根据图像内容将所有子图像块划分类别;
模型构建模块,用于构建分类网络模型,利用RTV喷涂质量评价图像数据集训练分类网络模型,得到训练好的分类网络模型;
分析模块,用于检测缺陷样本并统计缺陷情况,并根据缺陷情况统计结果评估绝缘子RTV喷涂质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310620916.6A CN116612098B (zh) | 2023-05-29 | 2023-05-29 | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310620916.6A CN116612098B (zh) | 2023-05-29 | 2023-05-29 | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612098A true CN116612098A (zh) | 2023-08-18 |
CN116612098B CN116612098B (zh) | 2024-04-02 |
Family
ID=87676238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310620916.6A Active CN116612098B (zh) | 2023-05-29 | 2023-05-29 | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612098B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912243A (zh) * | 2023-09-12 | 2023-10-20 | 吉林大学第一医院 | 一种用于医疗用管的涂层质量检测方法及系统 |
CN117193121A (zh) * | 2023-10-07 | 2023-12-08 | 东莞市中能精密机械有限公司 | 涂布机模头的控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300323A (zh) * | 2015-11-18 | 2016-02-03 | 江苏省电力公司连云港供电公司 | 绝缘子rtv涂层脱落面积检测方法及检测装置 |
US20190228517A1 (en) * | 2018-05-29 | 2019-07-25 | University Of Electronic Science And Technology Of China | Method for separating out a defect image from a thermogram sequence based on feature extraction and multi-objective optimization |
CN113448840A (zh) * | 2021-05-21 | 2021-09-28 | 北京工商大学 | 基于预测缺陷率和模糊综合评价模型的软件质量评价方法 |
CN115471487A (zh) * | 2022-09-29 | 2022-12-13 | 北京星闪世图科技有限公司 | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 |
CN116071299A (zh) * | 2022-11-30 | 2023-05-05 | 国网陕西省电力有限公司安康供电公司 | 一种绝缘子rtv喷涂缺陷检测方法及系统 |
-
2023
- 2023-05-29 CN CN202310620916.6A patent/CN116612098B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105300323A (zh) * | 2015-11-18 | 2016-02-03 | 江苏省电力公司连云港供电公司 | 绝缘子rtv涂层脱落面积检测方法及检测装置 |
US20190228517A1 (en) * | 2018-05-29 | 2019-07-25 | University Of Electronic Science And Technology Of China | Method for separating out a defect image from a thermogram sequence based on feature extraction and multi-objective optimization |
CN113448840A (zh) * | 2021-05-21 | 2021-09-28 | 北京工商大学 | 基于预测缺陷率和模糊综合评价模型的软件质量评价方法 |
CN115471487A (zh) * | 2022-09-29 | 2022-12-13 | 北京星闪世图科技有限公司 | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 |
CN116071299A (zh) * | 2022-11-30 | 2023-05-05 | 国网陕西省电力有限公司安康供电公司 | 一种绝缘子rtv喷涂缺陷检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
POLISETTY,ET AL: "Partial Discharge Classification Using Acoustic Signals and Artificial Networks and its Application in detection of Defects in Ceramic Insulators", ELECTRICAL AND COMPUTER ENGINEERING THESES * |
傅立军: "公路钢结构桥梁焊缝缺陷的超声检测模糊综合评判研究", 工程科技Ⅱ辑, no. 7 * |
张正渊,等: "模糊评价法在RTV防污闪涂料入网检测中的应用", 电工技术, no. 23, pages 43 - 46 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912243A (zh) * | 2023-09-12 | 2023-10-20 | 吉林大学第一医院 | 一种用于医疗用管的涂层质量检测方法及系统 |
CN116912243B (zh) * | 2023-09-12 | 2023-11-21 | 吉林大学第一医院 | 一种用于医疗用管的涂层质量检测方法及系统 |
CN117193121A (zh) * | 2023-10-07 | 2023-12-08 | 东莞市中能精密机械有限公司 | 涂布机模头的控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116612098B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
CN109215034B (zh) | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 | |
CN111402248A (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN111709397A (zh) | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 | |
CN114749342A (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN116229380A (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 | |
CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及系统 | |
CN115937079A (zh) | 一种基于YOLO v3的输电线路缺陷快速检测方法 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
CN114596433A (zh) | 一种绝缘子识别方法 | |
CN114220084A (zh) | 一种基于红外图像的配电设备缺陷识别方法 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN113361628A (zh) | 一种多任务学习下的cnn绝缘子老化光谱分类方法 | |
CN111597934A (zh) | 用于为统计应用处理训练数据的系统和方法 |
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 |