CN117073910A - 一种换流站阀厅屋顶漏水监测系统 - Google Patents
一种换流站阀厅屋顶漏水监测系统 Download PDFInfo
- Publication number
- CN117073910A CN117073910A CN202311048590.0A CN202311048590A CN117073910A CN 117073910 A CN117073910 A CN 117073910A CN 202311048590 A CN202311048590 A CN 202311048590A CN 117073910 A CN117073910 A CN 117073910A
- Authority
- CN
- China
- Prior art keywords
- real
- image
- water leakage
- camera
- time
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 123
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000013145 classification model Methods 0.000 claims description 28
- 238000005286 illumination Methods 0.000 claims description 18
- 238000010191 image analysis Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 239000000523 sample Substances 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/38—Investigating fluid-tightness of structures by using light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- 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
- G06V10/764—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及输变电监测技术领域，公开了一种换流站阀厅屋顶漏水监测系统，包括：照明灯，设置在阀厅屋顶的下方，用于对阀厅屋顶的预设区域进行照明；摄像头，设置在阀厅屋顶的下方，用于采集预设区域的实时图像；控制终端，分别和照明灯及摄像头连接，用于接收实时图像并对实时图像进行图像识别，判断预设区域是否存在漏水情况。通过采集实时图像，对实时图像进行图像识别，进而判断预设区域是否存在漏水情况，基于图像识别技术检测阀厅屋顶的漏水情况，图像识别不需要考虑换流站设备热量及噪声的影响，可实现换流站设备正常运行状态下的及时监测，并且，不需要大范围铺设检测探头，成本低，方便维护。
Description
技术领域
本发明涉及输变电监测技术领域，具体涉及一种换流站阀厅屋顶漏水监测系统。
背景技术
换流站的阀厅是布置换流阀及有关设备的建筑物，是换流站建筑物的核心。阀厅为典型工业厂房，由钢柱、防火墙及钢屋架组成的排架结构组成，属于钢和混凝土混合结构。换流阀一般吊装在阀厅屋顶。然而随着换流站的长期服役运行，建筑物不可避免发生老化，阀厅屋顶也会产生细小的裂缝或腐蚀，雨天的时候，会出现雨水渗透从而漏水的现象。一旦发生漏水，水滴从屋顶滴落到阀厅内的高压在运行设备上，或者沿着钢架流到换流阀上，必然会对设备的运行产生影响，严重时会破坏设备的绝缘结构，造成短路、放电等情况，诱发生产安全事故，因此，需要采用技术手段监测阀厅屋顶的漏水情况，做到实时监测、及时报警、准确定位的功能，为阀厅的维护检修提供重要的支持保障。
针对换流站阀厅屋顶的漏水检测技术，目前鲜有研究，但是在其他领域的漏水监测手段较多，比如红外照相、声学检漏、放置探头等。由于换流阀等设备运行时本身会散发很大的热量，且产生很大的噪音，而裂缝细小，雨水渗透造成的温差和声音都比较小，容易淹没在设备的热量和声音信号中，因此，铺设红外照相、声学检漏等检测探头监测漏水的手段在换流站的阀厅这个场景中对漏水的检测效果不佳。
发明内容
有鉴于此，本发明提供了一种换流站阀厅屋顶漏水监测系统，以解决现有漏水检测技术对换流站阀厅屋顶漏水检测效果不佳的技术问题。
本发明提供了一种换流站阀厅屋顶漏水监测系统，包括：照明灯，设置在阀厅屋顶的下方，用于对阀厅屋顶的预设区域进行照明；摄像头，设置在阀厅屋顶的下方，用于采集所述预设区域的实时图像；控制终端，分别和所述照明灯及所述摄像头连接，用于接收所述实时图像并对所述实时图像进行图像识别，判断所述预设区域是否存在漏水情况。
本发明的换流站阀厅屋顶漏水监测系统，通过照明灯对阀厅屋顶的预设区域进行照明，并采用摄像头获得预设区域的实时图像，通过对所述实时图像进行图像识别，进而判断所述预设区域是否存在漏水情况，基于图像识别技术检测阀厅屋顶的漏水情况，图像识别不需要考虑换流站设备热量及噪声的影响，可实现换流站设备正常运行状态下的及时监测，并且，不需要大范围铺设检测探头，成本低，方便维护。
在一种可选的实施方式中，所述控制终端包括：协同控制模块，用于控制所述照明灯的照明区域在所述预设区域往复运动，并控制所述摄像头跟随所述照明灯转动；图像分析模块，用于接收所述实时图像并对所述实时图像进行图像识别，判断所述预设区域是否存在漏水情况。
通过控制所述摄像头和照明灯以不同角度照射不同的屋顶，可以根据不同的光反射情况尽可能地采集屋顶的实时图像，从而提高识别率。
在一种可选的实施方式中，所述图像分析模块包括：初步检测模块，用于将所述实时图像转化为实时灰度矩阵，将所述实时灰度矩阵和预设标准矩阵进行对比，根据所述实时灰度矩阵和所述预设标准矩阵是否存在灰度值的差值大于设定阈值的像素点判断所述实时图像是否存在异常，其中，所述预设标准矩阵为阀厅屋顶不漏水时的图像对应的二维灰度矩阵；精确检测模块，用于将存在异常的所述实时图像输入到基于深度学习算法的图像分类模型进行图像识别，通过所述图像分类模型判断所述实时图像是否存在漏水情况，其中，所述图像分类模型的识别结果为存在漏水情况、不存在漏水情况或不能确定是否漏水。
通过初步检测模块对漏水情况识别进行初步筛选，能够减少精确检测模块的检测量，并且初步检测模块通过灰度值的差值是否大于设定阈值判断实时图像是否存在异常，计算量小，且也能够保证提取出存在异常的实时图像。
在一种可选的实施方式中，所述图像分析模块还包括：辅助检测模块，用于在所述图像分类模型的识别结果为不能确定是否漏水时，输出对应的所述实时图像。
通过辅助检测模块输出识别结果为不能确定是否漏水的实时图像，可以对该图像进行人工检查，避免检测有所遗漏。
在一种可选的实施方式中，所述图像分析模块还包括：模型更新模块，用于接收识别结果为不能确定是否漏水的所述实时图像，并对识别结果为不能确定是否漏水的所述实时图像进行标注后作为训练集输入到所述图像分类模型训练并更新所述图像分类模型。
通过将不能确定是否漏水的实时图像进行标注后作为训练集输入到所述图像分类模型训练并更新所述图像分类模型，能够对所述图像分类模型进行更新，提高识别准确度。
在一种可选的实施方式中，所述图像分析模块还包括：定位模块，用于提取判断结果为存在漏水情况的所述实时图像的实时灰度矩阵，查找所述实时灰度矩阵中和所述预设标准矩阵对应位置的灰度值的差值大于设定阈值的像素点集合区域，根据所述像素点集合区域在所述实时图像的位置确定并输出漏水位置信息。
通过定位模块输出漏水位置信息，方便检测人员快速排查漏水点。
在一种可选的实施方式中，控制所述摄像头跟随所述照明灯转动的方法为：控制所述摄像头的拍摄角度和所述照明灯的照射角度，使所述摄像头的拍摄角度和所述照明灯的照射角度满足：
且当θ＝90°时，/>当α＝90°，/>其中，b为所述摄像头距离屋顶的角度，a为所述摄像头和所述照明灯的距离，所述摄像头和所述照明灯在同一水平面上，θ为所述照明灯的照射角度，α为所述摄像头的拍摄角度。
通过控制摄像头的拍摄角度和所述照明灯的照射角度，使得两者能够协同配合工作，获得不同角度的实时图像。
在一种可选的实施方式中，所述控制终端包括报警模块，所述报警模块用于在检测到所述预设区域存在漏水情况时发出警报信息。
通过报警模块发出警报信息提示检测人员出现漏水情况，使得维护更加及时。
在一种可选的实施方式中，所述控制终端包括信息可视化模块，所述信息可视化模块用于展示阀厅屋顶的三维信息。
通过展示阀厅屋顶的三维信息，方便检测人员对屋顶情况进行直观全面的了解。
在一种可选的实施方式中，所述预设区域设有多个，每个所述预设区域的下方分别对应设有错位安装的所述照明灯和所述摄像头。
本发明实施例可以实现对屋顶全部区域的实时检测。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的换流站阀厅屋顶漏水监测系统的结构示意图；
图2是本发明实施例的照明灯和摄像头的安装示意图；
图3是本发明实施例的照明灯和摄像头的分布示意图；
图4是本发明实施例的照明灯和摄像头满足协同控制的角度示意图；
图5是本发明实施例的漏水点定位示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，建筑物屋顶漏水通常采用红外检测和声学检测，红外照相和声学检漏受制于换流站阀厅内设备的干扰，这些设备既是热源也是声源，且都比较强烈，而漏水是一个很细微的状况，其温度信号和声音信号很容易被掩盖，因此检测精度较低。此外，安装漏水检测探头，需要布置线缆，长期供电，实施成本高，而且本身存在安全隐患，可能受到阀厅内设备的电磁干扰，基于此，本发明实施例提出了一种换流站阀厅屋顶漏水监测系统。
根据本发明实施例，提供了一种换流站阀厅屋顶漏水监测系统，图1是本发明实施例的换流站阀厅屋顶漏水监测系统的结构示意图，如图1所示，本发明实施例的换流站阀厅屋顶漏水监测系统包括：
照明灯，设置在阀厅屋顶的下方，用于对阀厅屋顶的预设区域进行照明；
摄像头，设置在阀厅屋顶的下方，用于采集预设区域的实时图像；
控制终端，分别和照明灯及摄像头连接，用于接收实时图像并对实时图像进行图像识别，判断预设区域是否存在漏水情况。
具体地，摄像头和照明灯布置在阀厅屋顶的下方区域，安装在墙壁或钢架梁上，二者错位布置。摄像头和照明灯都可以旋转，变换照射角度或拍摄角度。
预设区域分配给摄像头和照明灯拍摄和照明的部分屋顶区域，通过照明灯对预设区域进行照明，通过摄像头采集对应的实时图像。
控制终端为电脑、手机或服务器等终端，控制终端安装在机房，通过光纤、电缆或无线信号和摄像头以及照明灯连接。
照明灯可采用聚光灯，其光源可以为LED灯、白炽灯等。照明灯的照射角度可以通过控制终端进行调节。
摄像头采用枪型摄像头或球形摄像头，其拍摄角度可以通过控制终端进行调节。
控制终端通过控制照明灯及摄像头对预设区域进行照明并拍摄实时图像后，将实时图像和阀厅屋顶不漏水时的图像进行对比，判断预设区域是否存在漏水情况。对于阀厅屋顶，当存在漏水情况时，透过裂缝渗透的水渍会对光束进行反射，从而存在高亮现象，因此照明灯对屋顶进行照明，当有漏水现象时，拍摄的实时图像和不漏水时的图像会在亮度上会存在区别，通过图像识别技术可以识别出实时图像和阀厅屋顶不漏水时的图像的区别。例如，采用卷积神经网络构成的图像分类模型，将实时图像输入到图像分类模型进行图像识别，判断和阀厅屋顶不漏水时的图像是否属于同一类图像，若属于同一类图像，则说明屋顶不漏水，反之，则说明屋顶漏水。
控制终端中设有存储单元，通过存储单元用于存储采集的实时图像、不漏水时的正常图像以及历史识别结果等，便于管理者查询。
本发明实施例的换流站阀厅屋顶漏水监测系统，通过照明灯对阀厅屋顶的预设区域进行照明，并采用摄像头获得预设区域的实时图像，对实时图像进行图像识别，进而判断预设区域是否存在漏水情况，基于图像识别技术检测阀厅屋顶的漏水情况，图像识别不需要考虑换流站设备热量及噪声的影响，可实现换流站设备正常运行状态下的及时监测，并且，不需要大范围铺设检测探头，成本低，方便维护。
在一些可选的实施方式中，控制终端包括：
协同控制模块，用于控制照明灯的照明区域在预设区域往复运动，并控制摄像头跟随照明灯转动；
图像分析模块，用于接收实时图像并对实时图像进行图像识别，判断预设区域是否存在漏水情况。
具体地，当照明灯以不同的角度照射屋顶时，水渍的反射情况不同，通过控制照明灯的照明区域在预设区域往复运动并控制摄像头跟随照明灯转动，可以获得不同光照角度下的实时图像，进而避免在固定角度下可能水渍的光反射不到摄像头的情况，从而提高识别率，同时也能增加检测区域的面积，减少使用的照明灯和摄像头的数量。
通过控制摄像头和照明灯以不同角度照射不同的屋顶，可以根据不同的光反射情况尽可能地采集屋顶的实时图像，从而提高识别率。
在一些可选的实施方式中，控制摄像头跟随照明灯转动的方法为：控制摄像头的拍摄角度和照明灯的照射角度，使摄像头的拍摄角度和照明灯的照射角度满足：
且当θ＝90°时，/>当α＝90°，/>其中，b为摄像头距离屋顶的角度，a为摄像头和照明灯的距离，摄像头和照明灯在同一水平面上，θ为照明灯的照射角度，α为摄像头的拍摄角度。
具体地，请参照图2、图3和图4，预设区域设有多个，每个预设区域的下方分别对应设有错位安装的照明灯和摄像头。
将屋顶划分为若干预设区域，每个预设区域分配一对照明灯和摄像头，二者间隔a米，处于同一水平面上，距离屋顶b米。
以摄像头和照明灯连线的某一方向为正方向，则，照明灯射出光线与正方向夹角为θ，同理，摄像头拍摄中心方向与正方向夹角为α。由于区域边界的存在，因此θ∈[θmin，θmax]，α∈[αmin，αmax]。其中，θmin、θmax、αmin、αmax分别为对应夹角的最小值和最大值。
照明灯在预设区域内由一端扫射到另一端，摄像头也跟随拍摄照明灯扫射位置，二者满足如下关系：
且θ＝90°时，/>α＝90°，/>
通过控制摄像头的拍摄角度和照明灯的照射角度，使得两者能够协同配合工作，获得不同角度的实时图像，可以获得不同角度下的实时图像，进而避免在固定角度下可能水渍的光反射不到摄像头的情况，提高识别率。
在一些可选的实施方式中，图像分析模块包括：
初步检测模块，用于将实时图像转化为实时灰度矩阵，将实时灰度矩阵和预设标准矩阵进行对比，根据实时灰度矩阵和预设标准矩阵是否存在灰度值的差值大于设定阈值的像素点判断实时图像是否存在异常，其中，预设标准矩阵为阀厅屋顶不漏水时的图像对应的二维灰度矩阵；
精确检测模块，用于将存在异常的实时图像输入到基于深度学习算法的图像分类模型进行图像识别，通过图像分类模型判断实时图像是否存在漏水情况，其中，图像分类模型的识别结果为存在漏水情况、不存在漏水情况或不能确定是否漏水。
具体地，初步检测模块进行初步检测的原理为：将正常图像即阀厅屋顶不漏水时的图像转化为二维灰度矩阵，矩阵中每个值代表像素的灰度值，其中第i行第j列的灰度值为Kij；将监测时拍摄的实时图像也转化为二维矩阵得到实时灰度矩阵，实时灰度矩阵红对应第i行第j列的灰度值为Qij。计算二者的差值Sij＝|Kij-Qij|，设定阈值为σ，如果Sij＞σ，则说明存在异常，识别结果为存在异常，则说明该实时图像可能存在漏水情况，将存在异常的实时图像输入到精确检测模块进行进一步精确检测，否则不存在漏水情况。
应当理解的，为了避免环境因素造成的干扰，减少存在异常的图像的数量，可以设定当存在Sij>的像素点的数量大于设定数量时才认定实时图像存在异常。
在精确检测模块中，图像分类模型采用卷积神经网络模型，卷积神经网络模型包括卷积层、池化层、全连接层等，在使用图像分类模型前，需要将正常图像、漏水图像标注后作为训练集输入到图像分类模型对模型参数进行训练。将实时图像输入到训练好的图像分类模型后，图像分类模型输出的识别结果为存在漏水情况、不存在漏水情况或不能确定是否漏水，从而实现对漏水情况进行监测。
通过初步检测模块对漏水情况识别进行初步筛选，能够减少精确检测模块的检测量，并且初步检测模块通过灰度值的差值是否大于设定阈值判断实时图像是否存在异常，计算量小，且也能够保证提取出存在异常的实时图像。
在一种可选的实施方式中，图像分析模块还包括：辅助检测模块，用于在图像分类模型的识别结果为不能确定是否漏水时，输出对应的实时图像。
通过辅助检测模块输出识别结果为不能确定是否漏水的实时图像，可以对该图像进行人工辅助检查，通过人工判断是否存在漏水情况，避免检测有所遗漏。
在一些可选的实施方式中，图像分析模块还包括：
模型更新模块，用于接收识别结果为不能确定是否漏水的实时图像，并对识别结果为不能确定是否漏水的实时图像进行标注后作为训练集输入到图像分类模型训练并更新图像分类模型。
由于本发明实施例的精确检测模块中，识别结果除了存在漏水情况、不存在漏水情况，还包括不能确定是否漏水这一识别结果，通过将不能确定是否漏水的实时图像进行标注后作为训练集输入到图像分类模型训练并更新图像分类模型，能够对图像分类模型进行更新，提高识别准确度。
在一些可选的实施方式中，图像分析模块还包括：定位模块，用于提取判断结果为存在漏水情况的实时图像的实时灰度矩阵，查找实时灰度矩阵中和预设标准矩阵对应位置的灰度值的差值大于设定阈值的像素点集合区域，根据像素点集合区域在实时图像的位置确定并输出漏水位置信息。
具体地，请参见图5，在判断结果为存在漏水情况后，调出该实时图像在初步检测模块进行初步检测得到的实时灰度矩阵，或重新生成该实时图像的实时灰度矩阵，将实时灰度矩阵的每一个值和预设标准矩阵对应位置的灰度值作差，得到差值大于设定阈值的像素点集合区域Ω：Sij＞σ，i，j∈Ω，即得到漏水点。
其中，该判断结果可以为精确检测模块检测输出获得，或辅助检测模块输出识别结果为不能确定是否漏水的实时图像后，经过人工检查获得。
以α＝90°时拍摄图像的中心点对应的像素为原点，照明灯与摄像头连线的正方向所在直线及其过原点的垂直直线为横纵坐标轴建立坐标系，以若干像素为一组作为单位长度，并实际对应距离c米。
确定区域Ω在该坐标系中的坐标范围，基于漏水点的像素坐标计算对应的距离即为漏水点在屋顶的定位，得到漏水位置信息。
得到漏水位置信息后将其输出，通过定位模块输出漏水位置信息，方便检测人员快速排查漏水点。
在一些可选的实施方式中，控制终端包括报警模块，报警模块用于在检测到预设区域存在漏水情况时发出警报信息。
具体地，报警模块可采用语音报警器、声光报警器等。
通过报警模块发出警报信息提示检测人员出现漏水情况，使得维护更加及时。
在一些可选的实施方式中，控制终端包括信息可视化模块，信息可视化模块用于展示阀厅屋顶的三维信息。
通过信息可视化模块将屋顶的三维信息展现出来，并展示漏水点的空间位置，支持查询历史和实时图像信息，并供调节控制窗口，以对照明灯和摄像头的主动控制。通过展示阀厅屋顶的三维信息，方便检测人员对屋顶情况进行直观全面的了解。
本发明实施例的换流站阀厅屋顶漏水监测系统，目的在于实现屋顶由于裂缝、腐蚀等在雨天出现雨水渗透、滴落情况的监测，在不改动阀厅构造布局以及不增加过高的经济投入的情况下，尽可能的及时发现建筑缺陷。
采用基于光学的图像识别技术检测阀厅屋顶的漏水情况，可实现保证设备正常运行状态下的及时监测。
基于照明灯和摄像头的协同控制技术可以减少人工巡检要求，释放人力成本，能够获得不同角度灯光照射下的监测图像，避免单一角度下水渍对光束反射条件不佳的情况，提高检测精度，且装置简单，不需要对阀厅进行大规模改造，实施容易。
通过初步检测模块对漏水情况识别进行初步筛选，能够减少精确检测模块的检测量，且初步检测模块利用了水渍对光照的反射与正常图像的差异，将水渍的光反射造成的亮度差异转换为灰度值差异，能够快速、准确地检测到异常图像。
通过定位模块定位漏水位置信息，能够方便管理者对漏水点进行排查和维护。
上述描述所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种换流站阀厅屋顶漏水监测系统，其特征在于，包括：
照明灯，设置在阀厅屋顶的下方，用于对阀厅屋顶的预设区域进行照明；
摄像头，设置在阀厅屋顶的下方，用于采集所述预设区域的实时图像；
控制终端，分别和所述照明灯及所述摄像头连接，用于接收所述实时图像并对所述实时图像进行图像识别，判断所述预设区域是否存在漏水情况。
2.根据权利要求1所述的系统，其特征在于，所述控制终端包括：
协同控制模块，用于控制所述照明灯的照明区域在所述预设区域往复运动，并控制所述摄像头跟随所述照明灯转动；
图像分析模块，用于接收所述实时图像并对所述实时图像进行图像识别，判断所述预设区域是否存在漏水情况。
3.根据权利要求2所述的系统，其特征在于，所述图像分析模块包括：
初步检测模块，用于将所述实时图像转化为实时灰度矩阵，将所述实时灰度矩阵和预设标准矩阵进行对比，根据所述实时灰度矩阵和所述预设标准矩阵是否存在灰度值的差值大于设定阈值的像素点判断所述实时图像是否存在异常，其中，所述预设标准矩阵为阀厅屋顶不漏水时的图像对应的二维灰度矩阵；
精确检测模块，用于将存在异常的所述实时图像输入到基于深度学习算法的图像分类模型进行图像识别，通过所述图像分类模型判断所述实时图像是否存在漏水情况，其中，所述图像分类模型的识别结果为存在漏水情况、不存在漏水情况或不能确定是否漏水。
4.根据权利要求3所述的系统，其特征在于，所述图像分析模块还包括：
辅助检测模块，用于在所述图像分类模型的识别结果为不能确定是否漏水时，输出对应的所述实时图像。
5.根据权利要求4所述的系统，其特征在于，所述图像分析模块还包括：模型更新模块，用于接收识别结果为不能确定是否漏水的所述实时图像，并对识别结果为不能确定是否漏水的所述实时图像进行标注后作为训练集输入到所述图像分类模型训练并更新所述图像分类模型。
6.根据权利要求3所述的系统，其特征在于，所述图像分析模块还包括：
定位模块，用于提取判断结果为存在漏水情况的所述实时图像的实时灰度矩阵，查找所述实时灰度矩阵中和所述预设标准矩阵对应位置的灰度值的差值大于设定阈值的像素点集合区域，根据所述像素点集合区域在所述实时图像的位置确定并输出漏水位置信息。
7.根据权利要求2所述的系统，其特征在于，控制所述摄像头跟随所述照明灯转动的方法为：
控制所述摄像头的拍摄角度和所述照明灯的照射角度，使所述摄像头的拍摄角度和所述照明灯的照射角度满足：
且当θ＝90°时，/>当α＝90°，/>其中，b为所述摄像头距离屋顶的角度，a为所述摄像头和所述照明灯的距离，所述摄像头和所述照明灯在同一水平面上，θ为所述照明灯的照射角度，α为所述摄像头的拍摄角度。
8.根据权利要求1所述的系统，其特征在于，所述控制终端包括报警模块，所述报警模块用于在检测到所述预设区域存在漏水情况时发出警报信息。
9.根据权利要求1所述的系统，其特征在于，所述控制终端包括信息可视化模块，所述信息可视化模块用于展示阀厅屋顶的三维信息。
10.根据权利要求1所述的系统，其特征在于，所述预设区域设有多个，每个所述预设区域的下方分别对应设有错位安装的所述照明灯和所述摄像头。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311048590.0A CN117073910A (zh) | 2023-08-18 | 2023-08-18 | 一种换流站阀厅屋顶漏水监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311048590.0A CN117073910A (zh) | 2023-08-18 | 2023-08-18 | 一种换流站阀厅屋顶漏水监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117073910A true CN117073910A (zh) | 2023-11-17 |
Family
ID=88705614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311048590.0A Pending CN117073910A (zh) | 2023-08-18 | 2023-08-18 | 一种换流站阀厅屋顶漏水监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117073910A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686153A (zh) * | 2024-02-04 | 2024-03-12 | 江苏中创机械装备制造有限公司 | 一种轨道车辆转向架检验系统 |
| CN117870996A (zh) * | 2024-03-12 | 2024-04-12 | 四川耀业科技股份有限公司 | 一种摩托车钒钛汽缸体的密封性检测装置及方法 |
-
2023
- 2023-08-18 CN CN202311048590.0A patent/CN117073910A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686153A (zh) * | 2024-02-04 | 2024-03-12 | 江苏中创机械装备制造有限公司 | 一种轨道车辆转向架检验系统 |
| CN117686153B (zh) * | 2024-02-04 | 2024-04-09 | 江苏中创机械装备制造有限公司 | 一种轨道车辆转向架检验系统 |
| CN117870996A (zh) * | 2024-03-12 | 2024-04-12 | 四川耀业科技股份有限公司 | 一种摩托车钒钛汽缸体的密封性检测装置及方法 |
| CN117870996B (zh) * | 2024-03-12 | 2024-06-04 | 四川耀业科技股份有限公司 | 一种摩托车钒钛汽缸体的密封性检测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117073910A (zh) | 一种换流站阀厅屋顶漏水监测系统 | |
| CN103808271B (zh) | 远距离量测裂缝的方法及其装置 | |
| CN111754638B (zh) | 一种堆场内的自动抑尘降尘系统及堆场内抑尘降尘方法 | |
| KR101607078B1 (ko) | 비전을 이용한 지중관로의 곡률 측정 및 맵핑 방법 | |
| CN112802004B (zh) | 便携式输电线路和杆塔健康智能视频检测装置 | |
| KR101604050B1 (ko) | 도로터널 점검 장치 | |
| CN114812403B (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
| CN111442728A (zh) | 一种基于遥感技术的隧道岩层多点位移同步监测的方法 | |
| CN111443091B (zh) | 电缆线路隧道工程缺陷判断方法 | |
| CN111124015A (zh) | 一种智能风电巡检视频监测方法 | |
| CN114941807A (zh) | 一种基于无人机的热力管道泄漏快速监测与定位方法 | |
| CN112446543A (zh) | 基于神经网络的城市地下综合管廊风险管控系统及方法 | |
| CN111507951A (zh) | 电缆线路隧道工程巡检装置 | |
| CN114263501A (zh) | 基于图像识别与热红外联合的隧道渗水涌水监测系统 | |
| CN104575097B (zh) | 一种以激光光刀为辅助光源的车位识别方法与装置 | |
| CN116090838B (zh) | 一种基于摄像头的工地自动巡检系统 | |
| CN114998789A (zh) | 一种基于视频识别的滑坡地质灾害变形监测系统和方法 | |
| CN116429329A (zh) | 建筑幕墙渗漏检测识别系统、方法及淋水装置 | |
| CN111102959A (zh) | 一种基于直线检测的铁轨沉降在线监测装置和方法 | |
| CN114943691A (zh) | 一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方法 | |
| CN110927166A (zh) | 一种针对高速团雾的能见度测量装置及其方法 | |
| CN113532376B (zh) | 一种监控拱状建筑物拱顶沉降和周边收敛的方法 | |
| KR20200028764A (ko) | 전차선로 지하시설물 검측시스템 | |
| CN112508824B (zh) | 一种堆场粉尘治理方法 | |
| CN218947677U (zh) | 一种巡检机器人及渗水检测系统 |
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 |