CN117036313A - 基于计算机视觉的电力设备红外智能检测方法和设备 - Google Patents
基于计算机视觉的电力设备红外智能检测方法和设备 Download PDFInfo
- Publication number
- CN117036313A CN117036313A CN202311042055.4A CN202311042055A CN117036313A CN 117036313 A CN117036313 A CN 117036313A CN 202311042055 A CN202311042055 A CN 202311042055A CN 117036313 A CN117036313 A CN 117036313A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared thermal
- thermal image
- infrared
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims description 21
- 230000000903 blocking effect Effects 0.000 claims description 18
- 238000011084 recovery Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Radiation Pyrometers (AREA)
Abstract
基于计算机视觉的电力设备红外智能检测方法和设备。在该方法中,采用了可见光图像对红外热图像进行重建,所以即使电力设备表面有污渍或其他遮挡物,也可以得到清晰的重建红外热图像,减弱了污渍或其他遮挡物对红外检测结果的影响,有效提升了红外热图像检测的准确度。
Description
技术领域
本申请涉及计算机视觉智能检测领域,尤其涉及基于计算机视觉的电力设备红外智能检测方法和设备。
背景技术
随着社会的快速发展,电力设备在日常生活和工业生产中的作用越来越重要。电力设备的运行状态直接关系到电力系统的安全和稳定。因此,电力设备的智能检测方法是电力行业的一项重要研究课题。
当前的技术中,基于计算机视觉的电力设备红外智能检测方法已经得到了广泛的应用。这些方法通常利用红外图像捕获电力设备的温度分布,然后通过计算机算法对图像进行分析,以检测设备的运行状态。这种方法无需人工参与,效率高,能够实时监控电力设备的运行状态。
然而,在实际使用中电力设备表面的污渍或其他遮挡物可能会影响红外图像的质量,从而导致检测结果错误。
发明内容
本申请提供了一种基于计算机视觉的电力设备红外智能检测方法和设备,用于在电力设备表明有污渍或其他遮挡物的情况下,提升红外检测的精确度。
第一方面,本申请提供了一种基于计算机视觉的电力设备红外智能检测方法,包括:获取待检测电力设备的原始红外热图像;获取与该红外热图像同时段的可见光图像;利用图像处理算法在该可见光图像中识别反映该待检测电力设备表面污渍分布的污渍遮挡图像,在该污渍遮挡图像中包括该待检测电力设备表面的第一污渍遮挡区域;将该原始红外热图像与该污渍遮挡图像输入红外图像融合恢复模型,得到重建红外热图像,该重建红外热图像的第一污渍遮挡区域中的第一像素点的热度值由该第一像素点四周的像素点的热度值和该污渍遮挡图像相应位置像素点的灰度值确定,该重建红外热图像中该第一污渍遮挡区域内像素值的平均热度值高于该原始红外热图像中该第一污渍遮挡区域的平均热度值;基于该重建红外热图像,确定该待检测电力设备的工作状态。
通过采用上述技术方案,结合红外热图像和可见光图像,可以有效识别电力设备表面污渍造成的遮挡区域。在识别出污渍遮挡区域后,利用红外图像融合恢复模型重新计算遮挡区域内的像素点热度值,使重建红外热图像的遮挡区域内的平均热度值高于原始图像,从而提高了红外热图像在设备表面有污渍情况下的检测精度。这种结合多模态图像的方法,可以克服污渍的干扰,实现对电力设备状态的准确检测。
结合第一方面的一些实施例,在一些实施例中,将该原始红外热图像与该污渍遮挡图像输入红外图像融合恢复模型,得到重建红外热图像,具体包括:从该污渍遮挡图像中各污渍遮挡区域的边缘的污渍像素点开始,依据该污渍像素点的灰度值以及在该原始红外热图像中与该污渍像素点对应位置的计算像素点四周的参考像素点的热度值,采用红外图像融合恢复模型进行像素值计算,得到该重建红外热图像;该红外图像融合恢复模型的公式形态为:;其中/>表示重建红外热图像中所述计算像素点的热度值;所述/>为预设的权重系数,用于控制污渍像素点的灰度值对热度值恢复的影响比例;所述/>表示所述污渍像素点的灰度值;所述/>表示所述计算像素点的周围的参考像素点的集合,这个集合用于计算参考像素的平均热度值;所述/>用于表示所述计算像素点的周围的参考像素点j在原始红外图像中的热度值。
通过采用上述技术方案,设置权重系数控制污渍像素点灰度值对重建热度值的影响程度,并考虑污渍像素周围参考像素的热度信息,使得重建的热图像更加合理、自然,避免了简单替换热度值带来的图像质量下降问题,提高了重建图像的质量。
结合第一方面的一些实施例,在一些实施例中,该获取待检测电力设备的原始红外热图像的步骤之前,该方法还包括:获取待检测区域的区域红外热图像;在该区域红外热图像的信息熵低于预设熵阈值的情况下,启用备用照明设备照亮该待检测区域后,获取照明后的区域红外热图像;在照亮该待检测区域后,扫描获取该待检测区域的三维点云数据;将该三维点云数据与该照明后的区域红外热图像进行配准,得到各电力设备的三维红外热图;基于该三维红外热图,提取各电力设备的原始红外热图像,该待检测电力设备为该各电力设备中的任一个。
通过采用上述技术方案,在天然光不足时启用人工照明,可以提高红外热图的质量。并结合三维点云配准,可以提高红外图像和目标设备的匹配精度,从而可以有效提取各个电力设备的热图像进行进一步分析,扩大了方法的适用范围。
结合第一方面的一些实施例,在一些实施例中,该获取待检测区域的区域红外热图像的步骤之后,该方法还包括:将该区域红外热图像进行灰度化处理,得到灰度图像;计算该灰度图像的灰度直方图;计算该灰度直方图中每个灰度级的概率;基于该每个灰度级的概率,计算每个灰度级的信息量;计算所有灰度级的信息量期望,作为该区域红外热图像的信息熵。
通过采用上述技术方案,计算信息熵判断图像质量,可以避免人工主观判断带来的误差,提高判断标准的客观性,有利于准确判定是否需要启用备用照明设备。
结合第一方面的一些实施例,在一些实施例中,该获取待检测电力设备的原始红外热图像,具体包括:利用红外热像仪采集该待检测电力设备的该原始红外热像;该获取与该红外热图像同时段的可见光图像,具体包括:利用可见光摄像头采集获取与该红外热图像同时段的可见光图像,该可见光摄像头与该红外热像仪固定在相同的朝向角度上。
通过采用上述技术方案,同时获取红外热图像和可见光图像,两种图像在时间和视角上一致,有利于后续的图像配准和融合,提高重建图像的精度。
结合第一方面的一些实施例,在一些实施例中,该利用图像处理算法在该可见光图像中识别反映该待检测电力设备表面污渍分布的污渍遮挡图像,具体包括:基于预设的污渍区域判别模型,在经过预处理的该可见光图像中提取反映该待检测电力设备表面污渍分布的特征,得到该污渍遮挡图像。
通过采用上述技术方案,使用预设的污渍判别模型,可以自动高效地提取污渍区域,避免手工设定区域的主观性,扩大应用范围。
结合第一方面的一些实施例,在一些实施例中,该基于该重建红外热图像,确定该待检测电力设备的工作状态,具体包括:对该重建红外热图像进行图像分割,提取出该待检测电力设备的关键部位的图像区域,该关键部位为预设的影响该电力设备工作状态的重要部件;对每个所提取的关键部位的图像区域计算温度统计参数,该温度统计参数包括该关键部位的最高温度、平均温度和温度方差;根据该温度统计参数以及预先建立的该关键部位的状态关系对应模型,确定每个关键部位的工作状态,该状态关系对应模型通过该待检测电力设备的历史样本数据训练得到;综合该每个关键部位的工作状态,确定该待检测电力设备的工作状态。
通过采用上述技术方案,对关键部位的温度统计分析,可以准确判断各部位的状态,从而准确判断整个设备的状态,实现了对设备状态的智能化检测。
第二方面,本申请实施例提供了一种红外智能检测设备,该红外智能检测设备包括:一个或多个处理器和存储器;所述存储器与所述一个或多个处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,所述一个或多个处理器调用所述计算机指令以使得所述红外智能检测设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第三方面,本申请实施例提供一种计算机可读存储介质,包括指令,当上述指令在红外智能检测设备上运行时,使得上述红外智能检测设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、由于采用了红外热图像与可见光图像的融合技术,所以作用过程中可以识别出电力设备表面污渍遮挡区域,并通过图像融合模型重新计算遮挡区域内的像素热度,有效解决了污渍对红外检测造成的干扰问题,进而实现了在设备表面有污渍的情况下精确检测设备状态的技术效果。
2、由于采用了控制权重系数并考虑周边参考像素信息的图像融合技术,所以可以使重建后的热图像更加合理自然,有效解决了简单替换像素值造成的图像质量下降问题,进而实现了提高重建图像质量的技术效果。
3、由于采用了在光照不足时使用备用照明的图像获取技术,可以提高红外热图像的质量,有效解决了天然光不足造成的图像质量问题,进而实现了在复杂光照条件下也能捕获高质量热图像的技术效果。
附图说明
图1是本申请实施例中基于计算机视觉的电力设备红外智能检测方法的一个流程示意图;
图2是本申请实施例中基于计算机视觉的电力设备红外智能检测方法的另一个流程示意图;
图3是本申请实施例提供的红外智能检测设备的一个硬件结构示意图;
图4是本申请实施例中红外智能检测设备的一个模块构架图。
实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请中使用的术语“和/或”是指包含一个或多个所列出项目的任何或所有可能组合。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗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,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在红外智能检测设备检测电力设备工作状态的过程中,若电力设备表面有污渍或其他遮挡物,经常会影响红外图像的质量,导致红外智能检测设备获取到的红外图像本身不准确,得到的检测结果自然不够准确甚至错误。
本申请实施例提供了一种基于计算机视觉的电力设备红外智能检测方法,用于在此种情况下可以提升红外检测的精确度。对本申请实施例中基于计算机视觉的电力设备红外智能检测方法进行描述:
请参阅图1,为本申请实施例中基于计算机视觉的电力设备红外智能检测方法的一个流程示意图。
S101、获取待检测电力设备的原始红外热图像;
在需要对电力设备进行检测的情况下,红外智能检测设备可以获取待检测电力设备的原始红外热图像。
在一些实施例中,可以是基于预设故障风险条件触发对电力设备进行检测,例如发电电压变化率超出设定阈值;在一些实施例中,也可以是基于预设检测周期触发电力设备进行检测。基于实际需求,还可以有其他触发对电力设备进行检测的情况,此处不作限定。
在一些实施例中,红外智能检测设备可以通过固定在红外智能检测设备上的红外热像仪采集该待检测电力设备的原始红外热图像;在一些实施例中,也可以是红外智能检测设备控制固定在发电厂预设位置的红外热像仪来采集该待检测电力设备的原始红外热图像,此处不作限定。
S102、获取与所述红外热图像同时段的可见光图像;
在获取该待检测电力设备的原始红外热图像的同时段,红外智能检测设备可以获取该待检测电力设备的可见光图像。
需要说明的是,在利用可见光摄像头采集获取与所述红外热图像同时段的可见光图像时,一般可以将可见光摄像头与所述红外热像仪固定在相同的朝向角度上,从而使得该原始红外热图像与该可见光图像中待检测电力设备的位置以及角度的相似度较高,可以便于后续步骤处理,减少所需要的运算量。
在一些实施例中,若采集可见光图像的可见光摄像头的固定角度或位置与该红外热像仪不一致,导致原始红外热图像与该可见光图像中待检测电力设备的位置以及角度相差太大,也可以先使用图像处理算法对采集得到的可见光图像进行调整,使得其中待检测电力设备的位置以及角度变换到与在原始红外热图像中相一致。
S103、利用图像处理算法在所述可见光图像中识别反映所述待检测电力设备表面污渍分布的污渍遮挡图像,在所述污渍遮挡图像中包括所述待检测电力设备表面的第一污渍遮挡区域;
在获取到该可见光图像后,红外智能检测设备可以利用图像处理算法在该可见光图像中识别反映该待检测电力设备表面污渍分布的污渍遮挡图像。
可以理解的是,具体确定图像中电力设备表面哪些区域是污渍遮挡区域的算法或模型为采用现有技术实现,此处不作赘述。例如,在一些实施例中,可以基于预设的污渍区域判别模型,在经过预处理的该可见光图像中提取反映该待检测电力设备表面污渍分布的特征,从而得到该污渍遮挡图像。
S104、将所述原始红外热图像与所述污渍遮挡图像输入红外图像融合恢复模型,得到重建红外热图像;
该重建红外热图像的第一污渍遮挡区域中的第一像素点的热度值由所述第一像素点四周的像素点的热度值和该污渍遮挡图像相应位置像素点的灰度值确定,该重建红外热图像中该第一污渍遮挡区域内像素值的平均热度值高于该原始红外热图像中该第一污渍遮挡区域的平均热度值。
可以理解的是,原始红外热图像、污渍遮挡图像以及重建红外热图像中的像素点具有一一对应关系,相对应的像素点均表示待检测电力设备上的同一位置。该对应关系可以通过图像识别来建立,也可以通过预先将原始红外热图像与污渍遮挡图像进行图像匹配来建立,此处不作限定。
可以理解的是,只要满足上述规则,可以基于实际准确度需求设计很多种不同的具体的重建算法。
优选的,在一些实施例中,为提升重建红外热图像中被污渍遮挡区域还原出的热度值的准确度,可以从该污渍遮挡图像中各污渍遮挡区域的边缘的污渍像素点开始,依据该污渍像素点的灰度值以及在该原始红外热图像中与该污渍像素点对应位置的计算像素点四周的参考像素点的热度值,采用红外图像融合恢复模型进行像素值计算,得到该重建红外热图像。其中,该红外图像融合恢复模型的公式形态可以为:;其中/>表示重建红外热图像中所述计算像素点的热度值;所述/>为预设的权重系数,用于控制污渍像素点的灰度值对热度值恢复的影响比例;所述/>表示所述污渍像素点的灰度值;所述/>表示所述计算像素点的周围的参考像素点的集合,这个集合用于计算参考像素的平均热度值;所述/>用于表示所述计算像素点的周围的参考像素点j在原始红外图像中的热度值。
S105、基于所述重建红外热图像,确定所述待检测电力设备的工作状态。
在得到重建红外热图像后,红外智能检测设备可以确定该待检测电力设备的工作状态,例如处理正常工作状态、处于异常过热工作状态等。
在一些实施例中,可以采用现有的基于红外图像确定待检测电力设备的工作状态的方式来执行该步骤S105。
在一些实施例中,也可以如下步骤来执行该步骤S105:
对每个所提取的关键部位的图像区域计算温度统计参数,该温度统计参数包括该关键部位的最高温度、平均温度和温度方差;
根据该温度统计参数以及预先建立的该关键部位的状态关系对应模型,确定每个关键部位的工作状态,该状态关系对应模型可以通过该待检测电力设备的历史样本数据训练得到;
综合每个关键部位的工作状态,确定该待检测电力设备的工作状态。
可以理解的是,还可以有其他的基于红外图像确定待检测电力设备的工作状态的方式,此处不作限定。
本申请实施例中,由于采用了可见光图像对红外热图像进行重建,所以即使电力设备表面有污渍或其他遮挡物,也可以得到清晰的重建红外热图像,减弱了污渍或其他遮挡物对红外检测结果的影响,有效提升了红外热图像检测的准确度。通过模型验证与样例效果测试,结果表明该方法有较好的检测精度并能够达到实时检测的效果,为实现现有电力设备红外检测的“智能感知”打下了很好的基础。
在实际应用中,由于电力设备排布复杂,有时目标区域与背景区域会难以区分。例如大量设备排列在一起,设备之间产生的边界红外温差小,红外智能检测设备会无法准确定位故障设备,从而使得红外检测结果的精确度降低。该基于计算机视觉的电力设备红外智能检测方法还可以通过3D重构技术来解决可能误判待检测设备边界的问题,从而进一步提升红外检测精确度。
请参阅图2,为本申请实施例中基于计算机视觉的电力设备红外智能检测方法的另一个流程示意图:
S201、获取待检测区域的区域红外热图像;
在需要对某区域的电力设备进行检测的情况下,红外智能检测设备可以获取待检测区域的区域红外热图像。
S202、在所述区域红外热图像的信息熵低于预设熵阈值的情况下,启用备用照明设备照亮所述待检测区域后,获取照明后的区域红外热图像;
在得到区域红外热图像后,红外智能检测设备可以先确定是否需要启动备用照明设备重新获取区域红外热图像。
如果确定得到的区域红外热图像可能不足以支持红外智能检测设备区分开每个待检测设备的红外热图像,例如在确定区域红外热图像的信息熵低于预设熵阈值的情况下,则红外智能检测设备可以控制启用备用照明设备照亮该待检测区域后,再获取照明后的区域红外热图像,以提升红外热图像中的信息量,有助于后续步骤处理结果的准确度更高。
在一些实施例中,在红外智能检测设备得到区域红外热图像后,可以采用如下方式计算该区域红外热图像的信息熵:
1、将该区域红外热图像进行灰度化处理,得到灰度图像I;
2、计算该灰度图像的灰度直方图;即统计每个灰度级包含的像素数量,记为,i表示灰度级,一般取值范围[0,255]。
3、计算该灰度直方图中每个灰度级的概率:;
其中,表示灰度级i的像素数量,N表示整个图像的总像素数量。
4、基于该每个灰度级的概率,计算每个灰度级的信息量:
5、计算所有灰度级的信息量期望,作为该区域红外热图像的信息熵:
S203、在照亮所述待检测区域后,扫描获取所述待检测区域的三维点云数据;
红外智能检测设备可以使用激光扫描仪或结构光系统对待检测区域进行三维扫描,从而获取该区域的三维点云数据。
在一些实施例中,激光扫描仪发出激光束,扫过待检测区域的表面,根据反射回来的光线信息计算出各点的三维坐标。在一些实施例中,结构光系统通过投射特定图案的光线,计算光线在物体表面的变形来获取三维信息。
在获得待检测区域表面点云数据后,红外智能检测设备可以进一步进行滤波、配准等处理,得到整个区域的完整三维点云数据。
S204、将所述三维点云数据与所述照明后的区域红外热图像进行配准,得到各电力设备的三维红外热图;
红外智能检测设备将得到的三维点云数据和红外热图像放到同一坐标系下,通过特征匹配等算法,可以计算出三维点云数据和红外热图像之间的转换关系,实现两者的几何配准。
然后,红外智能检测设备可以将红外热图像中的每个像素点的热度值映射到对应的三维点云上,最终获得电力设备区域的三维模型,每个三维点包含其表面温度信息,形成三维红外热图。
S205、基于所述三维红外热图,提取各电力设备的原始红外热图像;
在获得电力设备区域的三维红外热图后,红外智能检测设备可以在三维模型上选择每个电力设备的位置范围,进行设备的提取和分割。
根据三维模型中每个设备的三维边界,在红外热图像上确定相对应的二维边界,利用图像分割算法,按照确定的二维边界,从原始红外热图像中分割出每个电力设备的区域。常用的分割算法有GrabCut、图像边界追踪等。
对分割出的每个设备区域,进行一定的后处理,例如填充背景、平滑边界等,生成设备的精确区域图像,最终与每个待检测电路设备对应的原始红外热图像。这些提取出的原始红外热图像,可用于后续对每个电力设备进行单独的温度分析和故障检测,极大的提高了检测的精确性。
将各电力设备的三维红外热图转换为二维的原始红外热图像,可以有助于降低后续工作状态识别处理的运算量。
S206、获取待检测电力设备的原始红外热图像;
S207、获取与所述红外热图像同时段的可见光图像;
S208、利用图像处理算法在所述可见光图像中识别反映所述待检测电力设备表面污渍分布的污渍遮挡图像,在所述污渍遮挡图像中包括所述待检测电力设备表面的第一污渍遮挡区域;
S209、将所述原始红外热图像与所述污渍遮挡图像输入红外图像融合恢复模型,得到重建红外热图像;
S210、基于所述重建红外热图像,确定所述待检测电力设备的工作状态。
步骤S206~S210与图1所示实施例中的步骤S101~S105类似,可以参考相关步骤中的描述,此处不再赘述。
本申请实施例中,由于会基于各电力设备的三维红外热图提取各电力设备的原始红外热图像,所以即使电力设备分布复杂或者环境光照情况复杂,也能准确提取出边界清晰的各电力设备的红外热图像进行工作状态分析,提升了对各电子设备进行红外检测的精确度。
上面对本申请实施例中的基于计算机视觉的电力设备红外智能检测方法进行了描述,下面介绍本申请实施例提供的示例性红外智能检测设备100。
图3是本申请实施例提供的红外智能检测设备100的示例性硬件结构示意图。
在一些实施例中,该红外智能检测设备100为一种计算机设备,该计算机设备可以是终端设备。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的其他终端或服务器通过网络连接通信。在一些实施例中,该网络接口可以为有线的网络接口,在一些实施例中,该网络接口也可以为无线的网络接口。在一些实施例中,该红外智能检测设备100还包括通过系统总线连接的红外热像仪以及可见光摄像头。该计算机程序被处理器执行时以实现本申请实施例中的基于计算机视觉的电力设备红外智能检测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请的一些实施例中,还提供了一种计算机可读存储介质,包括指令,当该指令在该红外智能检测设备100上运行时,可以使得该红外智能检测设备100执行本申请实施例中的基于计算机视觉的电力设备红外智能检测方法。
上面对本申请实施例中红外智能检测设备100的示例性硬件结构进行了描述,下面结合上述基于计算机视觉的电力设备红外智能检测方法,描述本申请实施例中红外智能检测设备100的示例性功能模块构架。
请参阅图4,为本申请实施例中红外智能检测设备100的一个模块构架示意图。
该红外智能检测设备100包括:
红外图像获取模块401,用于获取待检测电力设备的原始红外热图像;
可见光图像获取模块402,用于获取与该红外热图像同时段的可见光图像;
污渍识别模块403,用于利用图像处理算法在该可见光图像中识别反映该待检测电力设备表面污渍分布的污渍遮挡图像,在该污渍遮挡图像中包括该待检测电力设备表面的第一污渍遮挡区域;
红外重建模块404,用于将该原始红外热图像与该污渍遮挡图像输入红外图像融合恢复模型,得到重建红外热图像,该重建红外热图像的第一污渍遮挡区域中的第一像素点的热度值由该第一像素点四周的像素点的热度值和该污渍遮挡图像相应位置像素点的灰度值确定,该重建红外热图像中该第一污渍遮挡区域内像素值的平均热度值高于该原始红外热图像中该第一污渍遮挡区域的平均热度值;
状态确定模块405,用于基于该重建红外热图像,确定该待检测电力设备的工作状态。
在一些实施例中,该红外重建模块404具体用于:从该污渍遮挡图像中各污渍遮挡区域的边缘的污渍像素点开始,依据该污渍像素点的灰度值以及在该原始红外热图像中与该污渍像素点对应位置的计算像素点四周的参考像素点的热度值,采用红外图像融合恢复模型进行像素值计算,得到该重建红外热图像;该红外图像融合恢复模型的公式形态为:;其中/>表示重建红外热图像中所述计算像素点的热度值;所述/>为预设的权重系数,用于控制污渍像素点的灰度值对热度值恢复的影响比例;所述/>表示所述污渍像素点的灰度值;所述/>表示所述计算像素点的周围的参考像素点的集合,这个集合用于计算参考像素的平均热度值;所述/>用于表示所述计算像素点的周围的参考像素点j在原始红外图像中的热度值。
在一些实施例中,该红外智能检测设备100还可以包括:
区域图获取模块,用于获取待检测区域的区域红外热图像;
照明获图模块,用于在该区域红外热图像的信息熵低于预设熵阈值的情况下,启用备用照明设备照亮该待检测区域后,获取照明后的区域红外热图像;
三维扫描模块,用于在照亮该待检测区域后,扫描获取该待检测区域的三维点云数据;
三维配准模块,用于将该三维点云数据与该照明后的区域红外热图像进行配准,得到各电力设备的三维红外热图;
原始图提取模块,用于基于该三维红外热图,提取各电力设备的原始红外热图像,该待检测电力设备为该各电力设备中的任一个。
在一些实施例中,该红外智能检测设备100还可以包括:
灰度处理模块,用于将该区域红外热图像进行灰度化处理,得到灰度图像;
直方计算模块,用于计算该灰度图像的灰度直方图;
概率计算模块,用于计算该灰度直方图中每个灰度级的概率;
信息量计算模块,用于基于该每个灰度级的概率,计算每个灰度级的信息量;
信息熵确定模块,用于计算所有灰度级的信息量期望,作为该区域红外热图像的信息熵。
在一些实施例中,该红外图像获取模块401具体用于:利用红外热像仪采集该待检测电力设备的该原始红外热像;该可见光图像获取模块402具体用于利用可见光摄像头采集获取与该红外热图像同时段的可见光图像,该可见光摄像头与该红外热像仪固定在相同的朝向角度上。
在一些实施例中,该污渍识别模块403,具体用于基于预设的污渍区域判别模型,在经过预处理的该可见光图像中提取反映该待检测电力设备表面污渍分布的特征,得到该污渍遮挡图像。
在一些实施例中,该状态确定模块405,具体包括:
分割单元,用于对该重建红外热图像进行图像分割,提取出该待检测电力设备的关键部位的图像区域,该关键部位为预设的影响该电力设备工作状态的重要部件;
温度计算单元,用于对每个所提取的关键部位的图像区域计算温度统计参数,该温度统计参数包括该关键部位的最高温度、平均温度和温度方差;
关键部位状态确定单元,用于根据该温度统计参数以及预先建立的该关键部位的状态关系对应模型,确定每个关键部位的工作状态,该状态关系对应模型通过该待检测电力设备的历史样本数据训练得到;
整体工作状态确定单元,用于综合该每个关键部位的工作状态,确定该待检测电力设备的工作状态。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
上述实施例中所用,根据上下文,术语“当…时”可以被解释为意思是“如果…”或“在…后”或“响应于确定…”或“响应于检测到…”。类似地,根据上下文,短语“在确定…时”或“如果检测到(所陈述的条件或事件)”可以被解释为意思是“如果确定…”或“响应于确定…”或“在检测到(所陈述的条件或事件)时”或“响应于检测到(所陈述的条件或事件)”。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种基于计算机视觉的电力设备红外智能检测方法,其特征在于,包括:
获取待检测电力设备的原始红外热图像;
获取与所述红外热图像同时段的可见光图像;
利用图像处理算法在所述可见光图像中识别反映所述待检测电力设备表面污渍分布的污渍遮挡图像,在所述污渍遮挡图像中包括所述待检测电力设备表面的第一污渍遮挡区域;
将所述原始红外热图像与所述污渍遮挡图像输入红外图像融合恢复模型,得到重建红外热图像,所述重建红外热图像的第一污渍遮挡区域中的第一像素点的热度值由所述第一像素点四周的像素点的热度值和所述污渍遮挡图像相应位置像素点的灰度值确定,所述重建红外热图像中所述第一污渍遮挡区域内像素值的平均热度值高于所述原始红外热图像中所述第一污渍遮挡区域的平均热度值;
基于所述重建红外热图像,确定所述待检测电力设备的工作状态。
2.根据权利要求1所述的方法,其特征在于,将所述原始红外热图像与所述污渍遮挡图像输入红外图像融合恢复模型,得到重建红外热图像,具体包括:
从所述污渍遮挡图像中各污渍遮挡区域的边缘的污渍像素点开始,依据该污渍像素点的灰度值以及在所述原始红外热图像中与该污渍像素点对应位置的计算像素点四周的参考像素点的热度值,采用红外图像融合恢复模型进行像素值计算,得到所述重建红外热图像;
所述红外图像融合恢复模型的公式形态为:
;
其中表示重建红外热图像中所述计算像素点的热度值;
所述为预设的权重系数,用于控制污渍像素点的灰度值对热度值恢复的影响比例;
所述表示所述污渍像素点的灰度值;
所述表示所述计算像素点的周围的参考像素点的集合,这个集合用于计算参考像素的平均热度值;
所述用于表示所述计算像素点的周围的参考像素点j在原始红外图像中的热度值。
3.根据权利要求1所述的方法,其特征在于,所述获取待检测电力设备的原始红外热图像的步骤之前,所述方法还包括:
获取待检测区域的区域红外热图像;
在所述区域红外热图像的信息熵低于预设熵阈值的情况下,启用备用照明设备照亮所述待检测区域后,获取照明后的区域红外热图像;
在照亮所述待检测区域后,扫描获取所述待检测区域的三维点云数据;
将所述三维点云数据与所述照明后的区域红外热图像进行配准,得到各电力设备的三维红外热图;
基于所述三维红外热图,提取各电力设备的原始红外热图像,所述待检测电力设备为所述各电力设备中的任一个。
4.根据权利要求3所述的方法,其特征在于,所述获取待检测区域的区域红外热图像的步骤之后,所述方法还包括:
将所述区域红外热图像进行灰度化处理,得到灰度图像;
计算所述灰度图像的灰度直方图;
计算所述灰度直方图中每个灰度级的概率;
基于所述每个灰度级的概率,计算每个灰度级的信息量;
计算所有灰度级的信息量期望,作为所述区域红外热图像的信息熵。
5.根据权利要求1所述的方法,其特征在于,所述获取待检测电力设备的原始红外热图像,具体包括:
利用红外热像仪采集所述待检测电力设备的所述原始红外热像;
所述获取与所述红外热图像同时段的可见光图像,具体包括:
利用可见光摄像头采集获取与所述红外热图像同时段的可见光图像,所述可见光摄像头与所述红外热像仪固定在相同的朝向角度上。
6.根据权利要求1所述的方法,其特征在于,所述利用图像处理算法在所述可见光图像中识别反映所述待检测电力设备表面污渍分布的污渍遮挡图像,具体包括:
基于预设的污渍区域判别模型,在经过预处理的所述可见光图像中提取反映所述待检测电力设备表面污渍分布的特征,得到所述污渍遮挡图像。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述基于所述重建红外热图像,确定所述待检测电力设备的工作状态,具体包括:
对所述重建红外热图像进行图像分割,提取出所述待检测电力设备的关键部位的图像区域,所述关键部位为预设的影响所述电力设备工作状态的重要部件;
对每个所提取的关键部位的图像区域计算温度统计参数,所述温度统计参数包括该关键部位的最高温度、平均温度和温度方差;
根据所述温度统计参数以及预先建立的所述关键部位的状态关系对应模型,确定每个关键部位的工作状态,所述状态关系对应模型通过所述待检测电力设备的历史样本数据训练得到;
综合所述每个关键部位的工作状态,确定所述待检测电力设备的工作状态。
8.一种红外智能检测设备,其特征在于,包括:
红外图像获取模块,用于获取待检测电力设备的原始红外热图像;
可见光图像获取模块,用于获取与所述红外热图像同时段的可见光图像;
污渍识别模块,用于利用图像处理算法在所述可见光图像中识别反映所述待检测电力设备表面污渍分布的污渍遮挡图像,在所述污渍遮挡图像中包括所述待检测电力设备表面的第一污渍遮挡区域;
红外重建模块,用于将所述原始红外热图像与所述污渍遮挡图像输入红外图像融合恢复模型,得到重建红外热图像,所述重建红外热图像的第一污渍遮挡区域中的第一像素点的热度值由所述第一像素点四周的像素点的热度值和所述污渍遮挡图像相应位置像素点的灰度值确定,所述重建红外热图像中所述第一污渍遮挡区域内像素值的平均热度值高于所述原始红外热图像中所述第一污渍遮挡区域的平均热度值;
状态确定模块,用于基于所述重建红外热图像,确定所述待检测电力设备的工作状态。
9.一种红外智能检测设备,其特征在于,包括:一个或多个处理器和存储器;
所述存储器与所述一个或多个处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,所述一个或多个处理器调用所述计算机指令以使得所述红外智能检测设备执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在红外智能检测设备上运行时,使得所述红外智能检测设备执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311042055.4A CN117036313B (zh) | 2023-08-18 | 2023-08-18 | 基于计算机视觉的电力设备红外智能检测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311042055.4A CN117036313B (zh) | 2023-08-18 | 2023-08-18 | 基于计算机视觉的电力设备红外智能检测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036313A true CN117036313A (zh) | 2023-11-10 |
CN117036313B CN117036313B (zh) | 2024-04-30 |
Family
ID=88644642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311042055.4A Active CN117036313B (zh) | 2023-08-18 | 2023-08-18 | 基于计算机视觉的电力设备红外智能检测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036313B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090477A (zh) * | 2018-01-23 | 2018-05-29 | 北京易智能科技有限公司 | 一种基于多光谱融合的人脸识别方法与装置 |
CN110766676A (zh) * | 2019-10-24 | 2020-02-07 | 中国科学院长春光学精密机械与物理研究所 | 基于多源传感器融合的目标检测方法 |
CN112907522A (zh) * | 2021-02-03 | 2021-06-04 | 北京遥感设备研究所 | 一种智能红外气体泄漏监测装置及监测方法 |
CN114359139A (zh) * | 2021-11-25 | 2022-04-15 | 清华大学深圳国际研究生院 | 绝缘设备的检测方法、装置、电子设备及存储介质 |
WO2022121189A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
CN115171001A (zh) * | 2022-06-01 | 2022-10-11 | 武汉理工大学 | 基于改进ssd的增强热红外图像上车辆检测方法及系统 |
US20230105139A1 (en) * | 2020-03-06 | 2023-04-06 | Hangzhou Hikvision Digital Technology Co., Ltd. | Infrared temperature measurement method, apparatus, and device, and storage medium |
CN116091424A (zh) * | 2022-12-23 | 2023-05-09 | 山西省能源互联网研究院 | 一种基于改进YOLOv5算法的电力设备红外图像缺陷检测方法 |
CN116388682A (zh) * | 2023-01-18 | 2023-07-04 | 崔慧生 | 一种无人值守光伏电站综合巡检故障消缺方法及系统 |
-
2023
- 2023-08-18 CN CN202311042055.4A patent/CN117036313B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090477A (zh) * | 2018-01-23 | 2018-05-29 | 北京易智能科技有限公司 | 一种基于多光谱融合的人脸识别方法与装置 |
CN110766676A (zh) * | 2019-10-24 | 2020-02-07 | 中国科学院长春光学精密机械与物理研究所 | 基于多源传感器融合的目标检测方法 |
US20230105139A1 (en) * | 2020-03-06 | 2023-04-06 | Hangzhou Hikvision Digital Technology Co., Ltd. | Infrared temperature measurement method, apparatus, and device, and storage medium |
WO2022121189A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
CN112907522A (zh) * | 2021-02-03 | 2021-06-04 | 北京遥感设备研究所 | 一种智能红外气体泄漏监测装置及监测方法 |
CN114359139A (zh) * | 2021-11-25 | 2022-04-15 | 清华大学深圳国际研究生院 | 绝缘设备的检测方法、装置、电子设备及存储介质 |
CN115171001A (zh) * | 2022-06-01 | 2022-10-11 | 武汉理工大学 | 基于改进ssd的增强热红外图像上车辆检测方法及系统 |
CN116091424A (zh) * | 2022-12-23 | 2023-05-09 | 山西省能源互联网研究院 | 一种基于改进YOLOv5算法的电力设备红外图像缺陷检测方法 |
CN116388682A (zh) * | 2023-01-18 | 2023-07-04 | 崔慧生 | 一种无人值守光伏电站综合巡检故障消缺方法及系统 |
Non-Patent Citations (5)
Title |
---|
AIMING SHEN; HAIBO YAN; ZHUO WU; FEI HUANG; WEI ZHANG DEPARTMENT OF MEDICAL TECHNOLOGY, NANTONG HEALTH COLLEGE OF JIANGSU PROVINCE: "Correlation Model of Computer-Aided Assessment based on Heat Map Image Segmentation Algorithm", 2022 SIXTH INTERNATIONAL CONFERENCE ON I-SMAC (IOT IN SOCIAL, MOBILE, ANALYTICS AND CLOUD) (I-SMAC), 12 November 2022 (2022-11-12) * |
DOMINIC RÜFENACHT等: "Automatic and Accurate Shadow Detection Using Near-Infrared Information", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 36, no. 8, 20 November 2013 (2013-11-20), pages 1672, XP011552575, DOI: 10.1109/TPAMI.2013.229 * |
严君;沈明霞;杨万利;: "基于红外图像融合的DSP水果检测系统研究", 计算机工程与设计, no. 21, 16 November 2009 (2009-11-16), pages 4872 - 4874 * |
曹江涛等: "基于红外光谱成像的危险气体泄漏检测技术综述", 科学技术与工程, vol. 23, no. 19, 8 July 2023 (2023-07-08), pages 8050 - 8060 * |
王文龙;韩保君;张红萍;: "一种海空背景下红外小目标检测新算法", 光子学报, no. 3, 15 March 2009 (2009-03-15), pages 725 - 728 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036313B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816678B (zh) | 一种基于视觉的喷嘴雾化角度自动检测系统及方法 | |
CN107798672B (zh) | 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器 | |
CN109949347B (zh) | 人体跟踪方法、装置、系统、电子设备和存储介质 | |
US20130070099A1 (en) | Image based dial gauge reading | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN116563282B (zh) | 一种基于机器视觉的钻削刀具检测方法及系统 | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN112001880B (zh) | 一种平面构件的特征参数检测方法及装置 | |
CN115731165A (zh) | 一种锂电池在线尺寸点检的检测系统及方法 | |
CN113392846A (zh) | 一种基于深度学习的水尺水位监测方法及系统 | |
CN112669287A (zh) | 基于图像识别的电气设备温度监测方法 | |
CN113749646A (zh) | 基于单目视觉的人体身高测量方法、装置及电子设备 | |
CN117036313B (zh) | 基于计算机视觉的电力设备红外智能检测方法和设备 | |
CN116758006B (zh) | 脚手架质量检测方法及装置 | |
CN112085724A (zh) | 一种基于bim及热图像的机柜温度测量方法及其装置 | |
CN114092385A (zh) | 基于机器视觉的工业机械故障检测方法及装置 | |
CN111724403A (zh) | 一种基于机器视觉的积雪深度监测方法 | |
CN116071692A (zh) | 一种基于形态学图像处理的水尺水位识别方法及系统 | |
CN116007759A (zh) | 电池温度场生成方法及装置、设备、存储介质 | |
CN115643471A (zh) | 用于电力设备的红外热成像检测系统 | |
CN111815705B (zh) | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 | |
CN114821035A (zh) | 一种电力设备红外测温设备距离参数识别方法 | |
CN108509845B (zh) | 基于特征拟合的变电站仪表设备巡检的视觉检测方法 | |
CN112355478A (zh) | 焊接控制方法、装置及电子设备 |
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 |