CN117132787A - 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 - Google Patents
基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 Download PDFInfo
- Publication number
- CN117132787A CN117132787A CN202311132905.XA CN202311132905A CN117132787A CN 117132787 A CN117132787 A CN 117132787A CN 202311132905 A CN202311132905 A CN 202311132905A CN 117132787 A CN117132787 A CN 117132787A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- hydrophobicity
- locomotive
- roof
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 235
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002209 hydrophobic effect Effects 0.000 description 6
- 239000011324 bead Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 230000002940 repellent Effects 0.000 description 2
- 239000005871 repellent Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Insulators (AREA)
Abstract
本发明涉及机车检修技术领域,具体涉及一种基于图像识别的机车车顶绝缘子憎水性能评价方法及装置,包括:采集机车车顶的区域图像;对区域图像进行识别,获取绝缘子图像;根据绝缘子图像获取绝缘子憎水性能;根据绝缘子憎水性能获取绝缘子剩余使用寿命。减少人工对比检修的过程,降低主观性,从而提高了绝缘子憎水性能的准确率,根据绝缘子憎水性能获取绝缘子剩余使用寿命,从而实现对绝缘子当前状态的评估,同时提高了对绝缘子当前状态评估的准确性,有利于保障机车的安全运行。
Description
技术领域
本发明涉及机车检修技术领域,具体涉及一种基于图像识别的机车车顶绝缘子憎水性能评价方法及装置。
背景技术
由于铁路规模大,列车运行时间长,物候差异大,运行跨度环境污染不同,导致车顶高压设备容易受到损伤,一旦车顶高压设备损坏将对车辆的运行产生不好的影响,时刻保证车顶高压设备的安全才能更好地保障机车的安全运行。
车顶高压设备中使用的绝缘子是导致车顶高压设备受损的原因之一,绝缘子将高压电与车体之间绝缘隔离,但是由于冬春季雾天空气中的水气夹带着灰尘等导电介质很容易依附在车顶绝缘子上,影响了车顶绝缘子绝缘性能,进而导致车顶高压设备损伤。
因此,为了保证车辆安全运行,需要时常对车顶绝缘子进行检修。对铁路系统和电力系统上的绝缘子污物鉴定,目前普遍使用的标准是瑞典输电研究所(STRI)提出的喷水分级法,而实际操作时,通常凭借检修者经验观察或者离线检测。这种方法往往具有主观性,不利于快速、准确地评估绝缘子的状态。
发明内容
针对现有技术存在的不足,本发明提出一种基于图像识别的机车车顶绝缘子憎水性能评价方法及装置,能够提高绝缘子的状态评估的准确性。
第一方面,本发明提供一种基于图像识别的机车车顶绝缘子憎水性能评价方法。
在第一种可实现方式中,一种基于图像识别的机车车顶绝缘子憎水性能评价方法,包括:
采集机车车顶的区域图像;
对区域图像进行识别,获取绝缘子图像;
根据绝缘子图像获取绝缘子憎水性能;
根据绝缘子憎水性能获取绝缘子剩余使用寿命。
结合第一种可实现方式,在第二种可实现方式中,采集机车车顶的区域图像,包括:
对机车车顶区域进行初步清理,去掉车机车顶外部污渍,并露出机车车顶的绝缘子;
采用喷淋装置对绝缘子进行淋浴,对淋浴后的绝缘子进行拍摄,获得区域图像。
结合第一种可实现方式,在第三种可实现方式中,对区域图像进行识别,获取绝缘子图像,包括:
针对绝缘子边缘的纹理性特征,利用边缘方向直方图对绝缘子进行识别,截取出区域图像中的绝缘子区域。
结合第三种可实现方式,在第四种可实现方式中,获取绝缘子图像,包括:
将区域图像分割成若干个子块,每个子块分割成若干个像素块,利用像素块计算每个子块的边缘模式度量值,将所有子块的边缘模式度量值相加,若最大值小于预设值,则最大值方向即为区域图像的边缘方向;
获取区域图像的边缘方向的直方图,将区域图像的边缘方向的直方图与预设模板进行匹配,获得绝缘子候选区域,对绝缘子候选区域进行筛选,获得绝缘子图像。
结合第一种可实现方式,在第五种可实现方式中,根据绝缘子图像获取绝缘子憎水性能,包括:
将绝缘子图像输入预设的绝缘子憎水性能模型,输出绝缘子对应的憎水性能。
结合第五种可实现方式,在第六种可实现方式中,绝缘子憎水性能模型的训练过程,包括:
对绝缘子图像进行特征提取,获得多个绝缘子特征;绝缘子特征包括水珠形状、水珠后退接触角、水膜覆盖面积以及干燥区域;
对多个绝缘子特征进行参数分组,获得多个参数组;
对各参数组分别设置模型训练参数,并采用随机梯度下降法分别进行深度学习训练;
采用交叉熵损失函数对训练的模型进行优化,获得最终的绝缘子憎水性能模型。
结合第一种可实现方式,在第七种可实现方式中,根据绝缘子憎水性能评价获取绝缘子剩余使用寿命,包括:
获取绝缘子的湿闪电压数值和污闪电压数值;
根据绝缘子憎水性能、湿闪电压数值和污闪电压数值获取绝缘子已使用寿命;
根据绝缘子已使用寿命获取绝缘子剩余使用寿命。
结合第七种可实现方式,在第八种可实现方式中,根据绝缘子憎水性能、湿闪电压数值和污闪电压数值获取绝缘子已使用寿命,包括:
其中,US为湿闪电压数值,k1为湿闪电压权重系数,UW为污闪电压数值,k2为污闪电压权重系数,W为绝缘子憎水性能,C为常数,k3为试验系数,S为绝缘子已使用寿命,即绝缘子已运行里程数。
第二方面,本发明提供一种基于图像识别的机车车顶绝缘子憎水性能评价装置。
在第九种可实现方式中,一种基于图像识别的机车车顶绝缘子憎水性能评价装置,包括:
采集模块,被配置为采集机车车顶的区域图像;
绝缘子图像获取模块,被配置为对区域图像进行识别,获取绝缘子图像;
绝缘子憎水性能获取模块,被配置为根据绝缘子图像获取绝缘子憎水性能;
绝缘子剩余使用寿命获取模块,被配置为根据绝缘子憎水性能获取绝缘子剩余使用寿命。
第三方面,本发明提供另一种基于图像识别的机车车顶绝缘子憎水性能评价装置。
在第十种可实现方式中,一种基于图像识别的机车车顶绝缘子憎水性能评价装置,包括处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行如上述的基于图像识别的机车车顶绝缘子憎水性能评价方法。
由上述技术方案可知,本发明的有益技术效果如下:
对机车车顶的区域图像进行识别,获取绝缘子图像,然后根据绝缘子图像获取绝缘子憎水性能,进而根据绝缘子憎水性能获取绝缘子剩余使用寿命,减少人工对比检修的过程,降低主观性,从而提高了绝缘子憎水性能的准确率,根据绝缘子憎水性能获取绝缘子剩余使用寿命,实现了对绝缘子当前状态的评估,同时提高了对绝缘子当前状态评估的准确性,有利于保障机车的安全运行。
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介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本实施例提供的一种基于图像识别的机车车顶绝缘子憎水性能评价方法的示意图;
图2为本实施例提供的一种基于图像识别的机车车顶绝缘子憎水性能评价方法的结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。本公开实施例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,以便这里描述的本公开实施例的实施。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。除非另有说明,术语“多个”表示两个或两个以上。本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。术语“对应”可以指的是一种关联关系或绑定关系,A与B相对应指的是A与B之间是一种关联关系或绑定关系。
结合图1所示,本实施例提供了一种基于图像识别的机车车顶绝缘子憎水性能评价方法,包括:
步骤S01、采集机车车顶的区域图像;
步骤S02、对区域图像进行识别,获取绝缘子图像;
步骤S03、根据绝缘子图像获取绝缘子憎水性能;
步骤S04、根据绝缘子憎水性能获取绝缘子剩余使用寿命。
可选地,采集机车车顶的区域图像,包括:对机车车顶区域进行初步清理,去掉车机车顶外部污渍,并露出机车车顶的绝缘子;采用喷淋装置对绝缘子进行淋浴,对淋浴后的绝缘子进行拍摄,获得区域图像。
在一些实施例中,使用冲洗装置将机车车顶的绝缘子所在区域初步简单冲洗,露出机车车顶的绝缘子,采用喷淋装置对绝缘子区域进行喷淋,间隔预设秒数后,采用摄像装置对绝缘子所在区域进行拍摄,获得区域图像。
可选地,对区域图像进行识别,获取绝缘子图像,包括:针对绝缘子边缘的纹理性特征,利用边缘方向直方图识别出区域图像中的绝缘子,并截取出区域图像中的绝缘子区域。
可选地,将区域图像分割成若干个子块,每个子块分割成若干个像素块,利用像素块计算每个子块的边缘模式度量值,将所有子块的边缘模式度量值相加,若最大值小于预设值,则最大值方向即为区域图像的边缘方向;
获取区域图像的边缘方向的直方图,将区域图像的边缘方向的直方图与预设模板进行匹配,获得绝缘子候选区域,对绝缘子候选区域进行筛选,获得绝缘子图像。
在一些实施例中,通过以下公式计算子块的边缘模式度量值:
在上式中,B为边缘模式度量值,n为子块的像素块的数量,bi(x,y)为第i个像素块的平均像素值,f(i)为第i个像素块的边缘模式滤波系数。
在一些实施例中,对上述计算出边缘方向的区域图像进行矢量变化,得到区域图像的第一边缘方向直方图;选取模板按照上述计算方式获取模板的第二边缘方向直方图,将第一边缘方向直方图与第二边缘方向直方图进行匹配,将匹配一致的确定为绝缘子的候选区域。
可选地,匹配过程包括:将边缘方向一致的第一边缘方向直方图与第二边缘方向直方图计算第一欧氏距离,当第一欧氏距离小于第一预设距离值,将区域图像的边缘方向的子块与模板中的子块计算第二欧氏距离,当第二欧氏距离小于第二预设距离值时,将该区域图像的子块确定为候选块,将所有候选块集合形成候选区域,去掉候选区域中的孤立候选块,将其他候选块沿着其边缘方向扩展至一个模板大小的窗口,该窗口所截图像即为绝缘子图像。
可选地,根据绝缘子图像获取绝缘子憎水性能,包括:对绝缘子图像进行特征识别,获取绝缘子水珠特征;绝缘子水珠特征包括水珠形状、水珠后退接触角、水膜覆盖面积以及干燥区域。
在一些实施例中,根据绝缘子水珠特征判断绝缘子憎水性能,包括:当绝缘子特征为仅有水珠存在,且多数水珠后退接触角超过80°时,绝缘子憎水性能为1级;当绝缘子特征为仅有水珠存在,且多数水珠后退接触角处于50°到80°之间时,绝缘子憎水性能为2级;当绝缘子特征为仅有水珠存在,且无圆形水珠存在,多数水珠后退接触角处于20°到50°之间时,绝缘子憎水性能为3级;当绝缘子特征为存在水珠和水膜,且水膜覆盖面积小于被测面积的90%,最大的水膜面积小于2cm2时,绝缘子憎水性能为4级;水膜覆盖面积小于被测面积的90%,最大的水膜面积大于2cm2时,绝缘子憎水性能为5级;水膜覆盖面积大于被测面积的90%,且存在少量干燥区域,绝缘子憎水性能为6级;绝缘子表面覆盖有连续的水膜,绝缘子憎水性能为7级。
可选地,根据绝缘子图像获取绝缘子憎水性能,包括:将绝缘子图像输入预设的绝缘子憎水性能模型,输出绝缘子对应的憎水性能。
可选地,绝缘子憎水性能模型的训练过程,包括:对绝缘子图像进行特征提取,获得多个绝缘子特征;对多个绝缘子特征进行参数分组,获得多个参数组;对各参数组分别设置模型训练参数,并采用随机梯度下降法分别进行深度学习训练;采用交叉熵损失函数对训练的模型进行优化,获得最终的绝缘子憎水性能模型。
可选地,绝缘子特征包括水珠形状、具有水珠后退接触角的水珠数量、水膜覆盖情况、干燥区域等。
在一些实施例中,按照各绝缘子特征适合的训练参数对多个绝缘子特征进行分组,获得多个参数组。例如,水珠形状、水膜覆盖情况适合第一训练参数,则将水珠形状和水膜覆盖情况作为第一参数组,具有水珠后退接触角的水珠数量和干燥区域适合第二训练参数,则将水珠形状和水膜覆盖情况作为第二参数组。对不同的参数组设置不同的训练参数。
可选地,训练参数包括学习率、正则化方法相关参数、约束条件等。在一些实施例中,对不同的参数组设置不同的学习率,使用不同的正则化参数或权重衰减系统以及不同的约束条件,以适应不同的特征和模型结构,有利于优化模型,提高模型的准确率。
可选地,随机梯度下降法包括损失函数,利用损失函数计算对模型参数的梯度,使用梯度更新模型参数。
在一些实施例中,采用随机梯度下降法对模型进行参数更新包括:
其中,θ`表示模型更新后的参数,θ表示模型更新前的参数,α为学习率,表示参数更新的步长或速率,/>表示对于第i个样本的损失函数J_i相对于参数θ的梯度。
在一些实施例中,交叉熵损失函数包括:
L(Q,p)=-[y*log(p)+(1-Q)*log(1-p)];其中,Q表示实际的标签(通常为0或1),p表示模型预测的标签概率值(范围在0到1之间)。当Q为1时,交叉熵损失函数只考虑预测为1的情况,当Q为0时,交叉熵损失函数只考虑预测为0的情况。因此,模型的目标是最小化交叉熵损失函数,从而使预测结果尽可能地接近实际标签。
可选地,根据绝缘子憎水性能评价获取绝缘子剩余使用寿命,包括:获取绝缘子的湿闪电压数值和污闪电压数值;根据绝缘子憎水性能、湿闪电压数值和污闪电压数值获取绝缘子已使用寿命;根据绝缘子已使用寿命获取绝缘子剩余使用寿命。
可选地,根据绝缘子憎水性能、湿闪电压数值和污闪电压数值获取绝缘子已使用寿命,包括:采用预设的绝缘子寿命计算公式对绝缘子憎水性能、湿闪电压数值和污闪电压数值进行计算,获得绝缘子已使用寿命。
可选地,绝缘子耐受电压的预估值通过以下公式获取:
E=eW(k1Us+k2UW)+C; (1)
其中,E为绝缘子耐受电压的预估值,US为湿闪电压数值,k1为湿闪电压权重系数,UW为污闪电压数值,k2为污闪电压权重系数,W为绝缘子憎水性能,C为常数。
其中,E为绝缘子耐受电压的预估值,k3为试验系数,C和K3由试验值计算获得,S为绝缘子已使用寿命,即绝缘子已运行里程数,里程单位为万km。
将式(1)和式(2)组合可得到绝缘子已使用寿命的计算公式为:其中,E为绝缘子耐受电压的预估值,US为湿闪电压数值,k1为湿闪电压权重系数,UW为污闪电压数值,k2为污闪电压权重系数,W为绝缘子憎水性能,C为常数,k3为试验系数,C和K3由试验值计算获得,S为绝缘子已使用寿命,即绝缘子已运行里程数。
在一些实施例中,使用寿命为0时,湿闪电压为129KV,某种污秽条件下的污闪电压为76KV,某一型号的绝缘子的憎水等级为2;使用寿命为120时,湿闪电压为123KV,某种污秽条件下的污闪电压为68KV,某一型号的绝缘子的憎水等级为3;使用寿命为240时,湿闪电压为122KV,某种污秽条件下的污闪电压为65KV,某一型号的绝缘子的憎水等级为3;使用寿命为360时,湿闪电压为121KV,某种污秽条件下的污闪电压为61KV,某一型号的绝缘子的憎水等级为4。将类似于上述的多组实验数据代入公式(3)中,即可获取各权重系数和常数值。
可选地,根据绝缘子已使用寿命获取绝缘子剩余使用寿命,包括:将绝缘子设计寿命减去绝缘子已使用寿命,获得绝缘子剩余使用寿命。
结合图2所示,一种基于图像识别的机车车顶绝缘子憎水性能评价装置,包括:采集模块101,被配置为采集机车车顶的区域图像;绝缘子图像获取模块102,被配置为对区域图像进行识别,获取绝缘子图像;绝缘子憎水性能获取模块103,被配置为根据绝缘子图像获取绝缘子憎水性能;绝缘子剩余使用寿命获取模块104,被配置为根据绝缘子憎水性能获取绝缘子剩余使用寿命。
在一些实施例中,一种基于图像识别的机车车顶绝缘子憎水性能评价装置,包括处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行如上述的基于图像识别的机车车顶绝缘子憎水性能评价方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于图像识别的机车车顶绝缘子憎水性能评价方法,其特征在于,包括:
采集机车车顶的区域图像;
对区域图像进行识别,获取绝缘子图像;
根据绝缘子图像获取绝缘子憎水性能;
根据绝缘子憎水性能获取绝缘子剩余使用寿命。
2.根据权利要求1所述的方法,其特征在于,采集机车车顶的区域图像,包括:
对机车车顶区域进行初步清理,去掉车机车顶外部污渍,并露出机车车顶的绝缘子;
采用喷淋装置对绝缘子进行淋浴,对淋浴后的绝缘子进行拍摄,获得区域图像。
3.根据权利要求1所述的方法,其特征在于,对区域图像进行识别,获取绝缘子图像,包括:
针对绝缘子边缘的纹理性特征,利用边缘方向直方图对绝缘子进行识别,截取出区域图像中的绝缘子区域。
4.根据权利要求3所述的方法,其特征在于,获取绝缘子图像,包括:
将区域图像分割成若干个子块,每个子块分割成若干个像素块,利用像素块计算每个子块的边缘模式度量值,将所有子块的边缘模式度量值相加,若最大值小于预设值,则最大值方向即为区域图像的边缘方向;
获取区域图像的边缘方向的直方图,将区域图像的边缘方向的直方图与预设模板进行匹配,获得绝缘子候选区域,对绝缘子候选区域进行筛选,获得绝缘子图像。
5.根据权利要求1所述的方法,其特征在于,根据绝缘子图像获取绝缘子憎水性能,包括:
将绝缘子图像输入预设的绝缘子憎水性能模型,输出绝缘子对应的憎水性能。
6.根据权利要求5所述的方法,其特征在于,绝缘子憎水性能模型的训练过程,包括:
对绝缘子图像进行特征提取,获得多个绝缘子特征;绝缘子特征包括水珠形状、水珠后退接触角、水膜覆盖面积以及干燥区域;
对多个绝缘子特征进行参数分组,获得多个参数组;
对各参数组分别设置模型训练参数,并采用随机梯度下降法分别进行深度学习训练;
采用交叉熵损失函数对训练的模型进行优化,获得最终的绝缘子憎水性能模型。
7.根据权利要求1所述的方法,其特征在于,根据绝缘子憎水性能评价获取绝缘子剩余使用寿命,包括:
获取绝缘子的湿闪电压数值和污闪电压数值;
根据绝缘子憎水性能、湿闪电压数值和污闪电压数值获取绝缘子已使用寿命;
根据绝缘子已使用寿命获取绝缘子剩余使用寿命。
8.根据权利要求7所述的方法,其特征在于,根据绝缘子憎水性能、湿闪电压数值和污闪电压数值获取绝缘子已使用寿命,包括:
其中,US为湿闪电压数值,k1为湿闪电压权重系数,UW为污闪电压数值,k2为污闪电压权重系数,W为绝缘子憎水性能,C为常数,k3为试验系数,S为绝缘子已使用寿命,即绝缘子已运行里程数。
9.一种基于图像识别的机车车顶绝缘子憎水性能评价装置,其特征在于,包括:
采集模块,被配置为采集机车车顶的区域图像;
绝缘子图像获取模块,被配置为对区域图像进行识别,获取绝缘子图像;
绝缘子憎水性能获取模块,被配置为根据绝缘子图像获取绝缘子憎水性能;
绝缘子剩余使用寿命获取模块,被配置为根据绝缘子憎水性能获取绝缘子剩余使用寿命。
10.一种基于图像识别的机车车顶绝缘子憎水性能评价装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至8任一项所述的基于图像识别的机车车顶绝缘子憎水性能评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132905.XA CN117132787B (zh) | 2023-09-04 | 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132905.XA CN117132787B (zh) | 2023-09-04 | 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132787A true CN117132787A (zh) | 2023-11-28 |
CN117132787B CN117132787B (zh) | 2024-05-31 |
Family
ID=
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100206604A1 (en) * | 2007-10-26 | 2010-08-19 | Abb Research Ltd. | High-voltage outdoor bushing |
US20110012615A1 (en) * | 2009-07-17 | 2011-01-20 | Searete Llc, A Limited Liability Corporation | Systems and methods for assessing standoff capabilities of in-sevice power line insulators |
US20110011622A1 (en) * | 2009-07-17 | 2011-01-20 | Searete Llc, A Limited Liability Corporation | Maintaining insulators in power transmission systems |
CN102495342A (zh) * | 2011-12-14 | 2012-06-13 | 天津大学 | 一种检测输电线路复合绝缘子憎水性的装置及其控制方法 |
CN102680363A (zh) * | 2012-05-10 | 2012-09-19 | 天津大学 | 基于动态滴水超声特性的复合绝缘子憎水性评估装置及方法 |
CN102751053A (zh) * | 2012-05-12 | 2012-10-24 | 淄博泰光电力器材厂 | 一种输电线路用半包覆式盘形瓷(玻璃)复合伞裙绝缘子 |
CN108090487A (zh) * | 2017-11-28 | 2018-05-29 | 华南理工大学 | 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN113255690A (zh) * | 2021-04-15 | 2021-08-13 | 南昌大学 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
CN116466067A (zh) * | 2023-03-20 | 2023-07-21 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于灰色理论的复合绝缘子硅橡胶材料剩余寿命预警方法 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100206604A1 (en) * | 2007-10-26 | 2010-08-19 | Abb Research Ltd. | High-voltage outdoor bushing |
US20110012615A1 (en) * | 2009-07-17 | 2011-01-20 | Searete Llc, A Limited Liability Corporation | Systems and methods for assessing standoff capabilities of in-sevice power line insulators |
US20110011622A1 (en) * | 2009-07-17 | 2011-01-20 | Searete Llc, A Limited Liability Corporation | Maintaining insulators in power transmission systems |
CN102495342A (zh) * | 2011-12-14 | 2012-06-13 | 天津大学 | 一种检测输电线路复合绝缘子憎水性的装置及其控制方法 |
CN102680363A (zh) * | 2012-05-10 | 2012-09-19 | 天津大学 | 基于动态滴水超声特性的复合绝缘子憎水性评估装置及方法 |
CN102751053A (zh) * | 2012-05-12 | 2012-10-24 | 淄博泰光电力器材厂 | 一种输电线路用半包覆式盘形瓷(玻璃)复合伞裙绝缘子 |
CN108090487A (zh) * | 2017-11-28 | 2018-05-29 | 华南理工大学 | 一种利用图像特征检测复合绝缘子憎水等级的自动识别方法 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN113255690A (zh) * | 2021-04-15 | 2021-08-13 | 南昌大学 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
CN116466067A (zh) * | 2023-03-20 | 2023-07-21 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于灰色理论的复合绝缘子硅橡胶材料剩余寿命预警方法 |
Non-Patent Citations (2)
Title |
---|
仲莉恩 等: "一种利用边缘方向直方图检测绝缘子的方法", 《电气技术》, no. 1, 31 January 2020 (2020-01-31), pages 22 - 25 * |
戴罕奇;梅红伟;王黎明;王希林;赵晨龙;贾志东;关志成;: "复合绝缘子弱憎水性状态描述方法Ⅲ――液滴面积法的适用性", 电工技术学报, no. 08, 25 April 2015 (2015-04-25), pages 322 - 330 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536000B (zh) | 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN108509919B (zh) | 一种基于深度学习对视频或图片中水线的检测和识别方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN109799442B (zh) | 基于机载高光谱的绝缘子污闪预测方法及系统 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN108596883B (zh) | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN106056619A (zh) | 基于梯度约束Radon变换的无人机视觉电线巡检方法 | |
CN110245555B (zh) | 一种基于图像识别的电力系统端子箱凝露判定方法和系统 | |
CN111008959A (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN105300323A (zh) | 绝缘子rtv涂层脱落面积检测方法及检测装置 | |
CN113449769A (zh) | 输电线路覆冰识别模型训练方法、识别方法及存储介质 | |
CN112950634A (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
CN110853089A (zh) | 一种基于多因素的模拟导线覆冰厚度算法 | |
CN112906620A (zh) | 无人机辅助的绝缘子故障检测方法、装置和电子设备 | |
CN117132787B (zh) | 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 | |
CN112150412A (zh) | 一种基于投影曲线分析的绝缘子自爆缺陷检测方法 | |
CN117132787A (zh) | 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 | |
CN113724219A (zh) | 基于卷积神经网络的建筑物表面病害检测方法及系统 | |
CN112727703A (zh) | 基于音频信号的风机叶片保护膜的损伤监测方法及系统 | |
CN112712552A (zh) | 一种车辆踏面擦伤的故障检测方法 | |
CN110909751A (zh) | 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质 | |
CN115902541A (zh) | 一种输电线路绝缘子放电及缺陷的诊断方法及系统 | |
CN113657286A (zh) | 一种基于无人机的输电线路监测方法及装置 |
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 |