CN116977907A - 基于图像识别的电力巡检故障诊断方法及系统 - Google Patents
基于图像识别的电力巡检故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116977907A CN116977907A CN202310753368.4A CN202310753368A CN116977907A CN 116977907 A CN116977907 A CN 116977907A CN 202310753368 A CN202310753368 A CN 202310753368A CN 116977907 A CN116977907 A CN 116977907A
- Authority
- CN
- China
- Prior art keywords
- image
- fault
- power
- visible light
- infrared
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 208000032767 Device breakage Diseases 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 239000010410 layer Substances 0.000 description 19
- 238000001514 detection method Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000011247 coating layer Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06V10/70—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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的电力巡检故障诊断方法及系统，该方法包括：获取电力巡检过程中的可见光图像和红外图像；其中，可见光图像和红外图像相互匹配、相互对应；将红外图像输入至故障识别模型中，识别出电力故障区域；基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域；将分割得到的可见光图形中的电力故障区域输入至故障分类模型中，输出电力巡检故障的类型。本发明获取电力巡检过程中的红外和可见光图像，基于红外图像识别电力故障区域，避免故障识别受环境天气的影响，提高识别准确率，通过基于改进ResNet网络的故障分类模型对可见光图像的电力故障区域进行故障分类，提高分类准确率。
Description
技术领域
本发明涉及电力巡检故障诊断技术领域，尤其涉及一种基于图像识别的电力巡检故障诊断方法及系统。
背景技术
随着人工智能技术的发展与进步，基于图像识别技术的无人机巡检在电力系统获得了广泛的应用。与传统的人工巡检相比，无人机巡检技术显著提高了输电线路巡检的工作效率，减少了作业人员的工作量，对于复杂和危险区域的巡检工作具有独特的优势。
目前，基于卷积神经网络的图像识别技术在无人机巡检及电力系统故障分析方面得到了广泛的关注与应用，如基于强泛化的卷积神经网络，通过对滤波器参数的控制实现对输电线路覆冰层厚度的有效识别；通过采样阈值分割和边缘检测的方法，实现绝缘子缺陷的自动侦测识别等。
但是，考虑到无人机电力巡检过程是在户外环境下进行的，无人机拍摄的图像包含大量其他环境对象，存在大量杂质与噪声，目前对复杂环境下的电力故障的识别与诊断存在一定的困难，识别精度较低；而且无人机拍摄时，因自然现象出现抖动导致采集的图像模糊且噪声大，也为电力故障识别带来困难；此外，户外环境下天气对采集图像的影响很大，如阴雨天气下采集图像亮度低且模糊，对故障的识别带来一定的困难，容易出现漏检等现象。
发明内容
为解决上述现有技术的不足，本发明提供了一种基于图像识别的电力巡检故障诊断方法及系统，获取电力巡检过程中的红外图像和可见光图像，基于红外图像识别电力故障区域，避免故障识别受到环境天气的影响，提高识别准确率，通过基于改进ResNet网络的故障分类模型对可见光图像中的电力故障区域进行故障分类，提高分类准确率。
第一方面，本公开提供了一种基于图像识别的电力巡检故障诊断方法。
一种基于图像识别的电力巡检故障诊断方法，包括：
获取电力巡检过程中的可见光图像和红外图像；其中，可见光图像和红外图像相互匹配、相互对应；
将红外图像输入至故障识别模型中，识别出电力故障区域；
基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域；
将分割得到的可见光图形中的电力故障区域输入至故障分类模型中，输出电力巡检故障的类型。
第二方面，本公开提供了一种基于图像识别的电力巡检故障诊断系统。
一种基于图像识别的电力巡检故障诊断系统，包括：
图像获取模块，用于获取电力巡检过程中的可见光图像和红外图像；其中，可见光图像和红外图像相互匹配、相互对应；
故障识别模块，用于将红外图像输入至故障识别模型中，识别出电力故障区域；
图像处理模块，用于基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域；
故障分类模块，用于将分割得到的可见光图形中的电力故障区域输入至故障分类模型中，输出电力巡检故障的类型。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种基于图像识别的电力巡检故障诊断方法及系统，获取电力巡检过程中的红外图像和可见光图像，基于红外图像识别电力故障区域，避免故障识别受到环境天气的影响，使得采集可见光图像质量差，导致识别不准确，最终导致故障漏检、误检的问题，提高故障识别准确率；通过基于改进ResNet网络的故障分类模型对可见光图像中的电力故障区域进行故障分类，提高分类准确率。
2、本发明采用基于改进ResNet网络的故障分类模型，通过设置残差网络来增加网络深度，以此提高识别精度；通过加入注意力模块，以此获得更多所需关注对象的信息，抑制其它无用信息，以适应图像的背景复杂、噪声大的问题，有助于增强电力系统设备或线路的有效特征的表达，提高对复杂环境下故障识别的准确率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例所述基于图像识别的电力巡检故障诊断方法的整体流程图；
图2为本发明实施例中基于红外图像识别出电力故障区域的示意图；
图3为本发明实施例中故障分类模型的结构示意图；
图4为本发明实施例中注意力模块的结构示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于图像识别的电力巡检故障诊断方法，如图1所示，包括：
步骤S1、获取电力巡检过程中的可见光图像和红外图像；其中，可见光图像和红外图像相互匹配、相互对应；
步骤S2、将红外图像输入至故障识别模型中，识别出电力故障区域；
步骤S3、基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域；
步骤S4、将分割得到的可见光图形中的电力故障区域输入至故障分类模型中，输出电力巡检故障的类型。
在本实施例中，为了避免在电力巡检过程中，仅通过无人机采集可见光图像进行故障识别与诊断的方案，受环境天气影响较大，存在故障漏检、误检等现象，考虑到电力系统的各类电力设备和线路在正常运行时都会产生一定的热量，而随着设备运行时间的增加，负载的不平衡，某些接点或设备生锈腐蚀、接触不良而造成接触电阻增加、电流过大等问题、导致系统、设备、线路的热态异常和过热故障，这些异常部位和故障点都会辐射出比正常状态更多、更强的红外能。因此，通过红外热像仪等红外检测设备采集电力巡检过程中的红外图像，根据红外图像(即热图)确定图像中温度异常点，该温度异常点即为故障点或潜在故障点，以此实现对设备和线路的故障识别。通过这一方式进行故障识别，能够免受环境天气的影响，准确的识别故障点和潜在故障点，一方面提高故障识别的准确性，降低识别的复杂性，提高识别效率，另一发明能够提前发现潜在故障，及时修复，提前降低故障风险。
即，步骤S1中，首先利用搭载红外采集设备(如红外摄像头等)和摄像设备的无人机进行电力系统的巡检，在电力巡检过程中，采集红外图像和可见光图像，且所采集的红外图像和可见光图像相互对应、相互匹配，以便于后续的图像处理。
步骤S2中，将采集的红外图像输入至故障识别模型中，提取红外图像温度特征，识别出电力故障区域。在本实施例中，构建并训练基于卷积神经网络的故障识别模型，红外图像输入至故障识别模型中，该故障识别模型包括依次连接的输入层、卷积层、ReLU层、池化层、全连接层，以及最后连接的分类器，通过卷积层提取输入的红外图像的温度特征，基于该温度特征识别出电力故障区域。如图2所示，获取电力巡检过程中的红外图像，通过预训练的故障识别模块识别出温度异常的区域。
作为另一种实施方式，考虑到红外图像中的每一像素点均对应一个温度值，而故障区域的温度值往往超过一定的常值，因此，所述故障识别模型中预设阈值，通过判断红外图像中每一像素点的温度值是否超过预设阈值，确定温度值超过预设阈值的像素点，进而识别出电力故障区域。
在明确电力故障区域的基础上，执行步骤S3，即基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域。由于通过红外图像的温度异常检测仅能够识别出故障区域或潜在故障区域，无法进一步确定是何种原因导致的故障发生，或无法确定故障的类别，因此，对于确定的电力故障区域，再通过可见光图像进行故障分类。在本实施例中，通过上述步骤S1、S2确定电力故障区域以及潜在电力故障区域后，将红外图像中识别的电力故障区域同步至可见光图像中，由于红外图像和可见光图像是相互匹配、相互对应的，因此，将红外图像和可见光图像对齐后，根据红外图像中的电力故障区域框，即可确定在可见光图像中的电力故障区域。相较于直接基于可见光图像进行故障识别与分类的方式，本实施例所采用的方案能够避免由于采集可见光图像质量差而导致的识别不准确，最终导致故障漏检、误检的问题，且本实施例上述方式能够快速确定故障区域或潜在故障区域，计算量小，模型轻便易部署。
步骤S4中，将分割得到的可见光图像中的电力故障区域输入至故障分类模型中，输出电力巡检故障的类型。具体的，基于上述步骤S3，在可见光图像中划分出电力故障区域，将该区域分割出来，分割获取的区域图像输入至故障分类模型中，进行故障分类，最终输出电力巡检故障的类型。
在本实施例中，所述故障分类模型采用基于改进的ResNet网络模型，该改进的ResNet网络模型的结构如图3所示，包括依次连接的输入层、卷积层、多个残差模块、注意力模块、平均池化层、全连接层以及分类器。分割得到的电力故障区域图像数值该网络模型中，通过7×7卷积的卷积层提取图像特征，提取的特征图通过后续的多个残差模块、注意力模块提取更深层次的图像特征，最后通过平均池化层、全连接层以及分类器，输出电力巡检故障的类型。在本实施例中，该电力巡检故障类型包括异物搭挂、器件破损、金具脱落等，上述故障均会导致电力系统中设备或线路的温度上升。
残差网络可以通过增加网络深度来提高识别精度，其内部残差块使用跳跃连接，残差网络借助其跳跃式的连接，使得深度学习的模型在逐层进行特征提取时大大减少信息的损失，能够很好地解决深度学习网络在训练时由于加深网络层数所产生的梯度消失等问题，从而更好地保证了网络模型的性能。多个残差块相互连接在一起就会形成一个残差网络。在本实施例中，所述改进的ResNet网络模型中设有4组依次连接的残差模块(即残差网络)，每一残差模块中分别包括3、4、6、3个残差单元(残差块)，而且每个残差单元包含2个3×3卷积。
进一步的，考虑到复杂环境下无人机获取的可见光图像中含有很多冗余信息，为了减少网络模型对无用信息的学习，本实施例在网络模型中加入注意力模块，以此获得更多所需关注对象的信息，抑制其它无用信息，以适应图像的背景复杂、噪声大的问题，有助于增强电力系统设备或线路的有效特征的表达，从而提高对复杂环境下故障识别的准确率。
利用视觉注意力机制对图像特征进行提取是人类视觉固有的处理大脑信号的机制。基于卷积神经网络的注意力机制包括通道注意力与空间注意力两种机制。在本实施例中，所设置的注意力模块为采用通道与空间的注意力机制相结合的模块，即该注意力模块包括依次连接的通道注意力模块和空间注意力模块。
其中，通道注意力模块，使网络能更加注意相对重要的通道信息，而提取更有效描述电力系统设备或线路的特征。该模块先经过最大池化和平均池化，然后经过一个共享网络，得到的特征进行相加再经Sigmoid激活函数，最后得到通道注意力特征图Mt，其公式为：
上式中，F为输入图像，σ表示Sigmoid函数，W1和W0为多层感知机的权重。
空间注意力模块，利用特征图的空间关系，搜集待测目标特征的语义信息。模块先经过最大池化和平均池化，融合后的特征图经过卷积层，生成特征图再经过Sigmoid函数，得到空间注意力特征图Mk，其公式为：
Mk(F)＝σ(f7×7([AvgPool(F),MaxPool(F)]))
上式中，F为输入图像，σ表示Sigmoid函数，f7×7()为卷积核为7×7的卷积操作，AvgPool为平均池化，MaxPool为最大池化。
上述注意力模块将输入图像F和通道注意力特征Mt相乘进行特征加权得到特征图F′，空间注意力模块的输入特征图F′再与空间注意力特征Mk相乘得到最终的加权结果图F″，其工作流程如图4所示。通过将注意力模块加入到网络结构的最后一层卷积层之后，以此来减少网络模型对无用信息的学习。
基于上述所搭建的故障分类模型，将分割得到的可见光图像中的电力故障区域输入至该故障分类模型中，最终输出电力巡检故障的类型。通过上述改进的网络模型进行特征提取，实现更准确的故障分类。
实施例二
本实施例提供了一种基于图像识别的电力巡检故障诊断系统，包括：
图像获取模块，用于获取电力巡检过程中的可见光图像和红外图像；其中，可见光图像和红外图像相互匹配、相互对应；
故障识别模块，用于将红外图像输入至故障识别模型中，识别出电力故障区域；
图像处理模块，用于基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域；
故障分类模块，用于将分割得到的可见光图形中的电力故障区域输入至故障分类模型中，输出电力巡检故障的类型。
实施例三
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的基于图像识别的电力巡检故障诊断方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的基于图像识别的电力巡检故障诊断方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于图像识别的电力巡检故障诊断方法，其特征是，包括：
获取电力巡检过程中的可见光图像和红外图像；其中，可见光图像和红外图像相互匹配、相互对应；
将红外图像输入至故障识别模型中，识别出电力故障区域；
基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域；
将分割得到的可见光图形中的电力故障区域输入至故障分类模型中，输出电力巡检故障的类型。
2.如权利要求1所述的基于图像识别的电力巡检故障诊断方法，其特征是，所述基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域，包括：
对齐红外图像和可见光图像，根据红外图像中的电力故障区域框，在可见光图像中确定并分割出对应的电力故障区域。
3.如权利要求1所述的基于图像识别的电力巡检故障诊断方法，其特征是，所述将红外图像输入至故障识别模型中，识别出电力故障区域，包括：
所述故障识别模型包括依次连接的输入层、卷积层、ReLU层、池化层、全连接层以及最后连接的分类器；红外图像输入至故障识别模型中，通过卷积层提取红外图像的温度特征，基于温度特征识别出电力故障区域。
4.如权利要求1所述的基于图像识别的电力巡检故障诊断方法，其特征是，所述将红外图像输入至故障识别模型中，识别出电力故障区域，包括：
红外图像中的每一像素点均对应一个温度值，所述故障识别模型中预设阈值，通过判断红外图像中每一像素点的温度值是否超过预设阈值，确定温度值超过预设阈值的像素点，进而识别出电力故障区域。
5.如权利要求1所述的基于图像识别的电力巡检故障诊断方法，其特征是，所述故障分类模型采用基于改进的ResNet网络模型，所述改进的ResNet网络模型包括依次连接的输入层、卷积层、多个残差模块、注意力模块、平均池化层、全连接层以及分类器；
所述注意力模块包括依次连接的通道注意力模块和空间注意力模块；所述通道注意力模块提取输入图像的通道注意力特征，通道注意力模块的输入图像和通道注意力特征相乘进行特征加权得到特征图F′；空间注意力模块提取输入图像的空间注意力特征，空间注意力模块的输入特征图F′再与空间注意力特征相乘得到最终的加权结果图F″。
6.如权利要求1所述的基于图像识别的电力巡检故障诊断方法，其特征是，所述电力巡检故障的类型包括异物搭挂、器件破损、金具脱落。
7.一种基于图像识别的电力巡检故障诊断系统，其特征是，包括：
图像获取模块，用于获取电力巡检过程中的可见光图像和红外图像；其中，可见光图像和红外图像相互匹配、相互对应；
故障识别模块，用于将红外图像输入至故障识别模型中，识别出电力故障区域；
图像处理模块，用于基于识别出的红外图像中电力故障区域，通过图像匹配，划分出可见光图像中的电力故障区域；
故障分类模块，用于将分割得到的可见光图形中的电力故障区域输入至故障分类模型中，输出电力巡检故障的类型。
8.如权利要求7所述的基于图像识别的电力巡检故障诊断系统，其特征是，所述故障分类模型采用基于改进的ResNet网络模型，所述改进的ResNet网络模型包括依次连接的输入层、卷积层、多个残差模块、注意力模块、平均池化层、全连接层以及分类器；
所述注意力模块包括依次连接的通道注意力模块和空间注意力模块；所述通道注意力模块提取输入图像的通道注意力特征，通道注意力模块的输入图像和通道注意力特征相乘进行特征加权得到特征图F′；空间注意力模块提取输入图像的空间注意力特征，空间注意力模块的输入特征图F′再与空间注意力特征相乘得到最终的加权结果图F″。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于图像识别的电力巡检故障诊断方法的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于图像识别的电力巡检故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310753368.4A CN116977907A (zh) | 2023-06-25 | 2023-06-25 | 基于图像识别的电力巡检故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310753368.4A CN116977907A (zh) | 2023-06-25 | 2023-06-25 | 基于图像识别的电力巡检故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116977907A true CN116977907A (zh) | 2023-10-31 |
Family
ID=88478722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310753368.4A Pending CN116977907A (zh) | 2023-06-25 | 2023-06-25 | 基于图像识别的电力巡检故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977907A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117783793A (zh) * | 2024-02-23 | 2024-03-29 | 泸州老窖股份有限公司 | 一种开关柜的故障监测方法及系统 |
-
2023
- 2023-06-25 CN CN202310753368.4A patent/CN116977907A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117783793A (zh) * | 2024-02-23 | 2024-03-29 | 泸州老窖股份有限公司 | 一种开关柜的故障监测方法及系统 |
| CN117783793B (zh) * | 2024-02-23 | 2024-05-07 | 泸州老窖股份有限公司 | 一种开关柜的故障监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11380232B2 (en) | Display screen quality detection method, apparatus, electronic device and storage medium | |
| Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
| Rijal et al. | Ensemble of deep neural networks for estimating particulate matter from images | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN114972208B (zh) | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 | |
| CN116977907A (zh) | 基于图像识别的电力巡检故障诊断方法及系统 | |
| CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
| CN114494908A (zh) | 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法 | |
| CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
| CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
| CN112949451B (zh) | 通过模态感知特征学习的跨模态目标跟踪方法及系统 | |
| CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
| CN110992361A (zh) | 基于代价平衡的发动机紧固件检测系统及检测方法 | |
| CN117115616A (zh) | 一种基于卷积神经网络的实时低照度图像目标检测方法 | |
| CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
| CN111967299B (zh) | 无人机巡检方法、装置、设备及存储介质 | |
| CN113344987A (zh) | 复杂背景下电力设备的红外与可见光图像配准方法及系统 | |
| CN112487994A (zh) | 一种烟火检测方法及系统、存储介质及终端 | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN111797925B (zh) | 一种电力系统视觉图像分类方法及装置 | |
| CN113902739B (zh) | Nut线夹缺陷识别方法、装置及设备、可读存储介质 |
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 |