CN117171627A - 一种基于成像技术的电力设备噪声源点识别方法及系统 - Google Patents
一种基于成像技术的电力设备噪声源点识别方法及系统 Download PDFInfo
- Publication number
- CN117171627A CN117171627A CN202311381314.6A CN202311381314A CN117171627A CN 117171627 A CN117171627 A CN 117171627A CN 202311381314 A CN202311381314 A CN 202311381314A CN 117171627 A CN117171627 A CN 117171627A
- Authority
- CN
- China
- Prior art keywords
- noise
- signal
- image
- noise source
- power equipment
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 79
- 230000007246 mechanism Effects 0.000 claims abstract description 66
- 230000004044 response Effects 0.000 claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 230000009467 reduction Effects 0.000 claims abstract description 33
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及设备噪声识别领域，提出了一种基于成像技术的电力设备噪声源点识别方法及系统，所述方法包括：采集电力设备原始噪声数据，并通过预设的数字滤波器对其进行滤波处理，对滤波信号进行降噪处理，得到降噪信号，并将其放大得到放大信号，将放大信号输入成像设备，利用重构模块对其进行图像重建，并对其进行纹理分析，进而对纹理分析图像进行图像分割，并识别其中的噪声源点，提取噪声源点的特征和时域特征，并计算特征相似度，并识别电力设备的结构特征，确定噪声源点的噪声产生机理，并计算其噪声响应频率，根据噪声响应频率制定噪声控制措施，生成电力设备噪声源点识别报告。本发明可以降低对周围环境和人员的噪声污染。
Description
技术领域
本发明涉及设备噪声识别领域，尤其涉及一种基于成像技术的电力设备噪声源点识别方法及系统。
背景技术
电力设备噪声源点识别是指通过对电力设备运行过程中产生的噪声进行分析和处理，确定出具体的噪声源点的位置和特征，在电力设备运行中，由于各种原因，会产生噪声，对周围环境和人员造成一定的干扰和危害，因此，准确地确定和识别出噪声源点，有助于采取相应的控制措施，降低噪声的影响。
目前，电力设备噪声源点识别是指利用成像设备（如红外摄像机、声波摄像机等）对电力设备周围的声音和热量进行实时监测和捕捉，从而确定噪声源点的位置和特征，然而，由于电力设备通常在复杂的环境中运行，并且存在多个可能的噪声源点，增加了对噪声源点的识别难度，因此，需要一种基于成像技术的电力设备噪声源点识别方法，以降低对周围环境和人员的噪声污染。
发明内容
本发明提供一种基于成像技术的电力设备噪声源点识别方法及系统，其主要目的在于降低对周围环境和人员的噪声污染。
为实现上述目的，本发明提供的一种基于成像技术的电力设备噪声源点识别方法，包括：
获得电力设备对应的原始噪声数据，利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，对所述滤波信号进行降噪处理，得到降噪信号，将所述降噪信号进行放大，得到放大信号；
将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像；
将所述纹理分析图像进行图像分割，得到分割图像，识别所述分割图像中的噪声源点，提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度；
基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，基于所述位置信息，识别所述电力设备对应的结构特征，基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率；
基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告。
可选地，所述利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，包括：
识别所述数字滤波器的滤波类型；
基于所述滤波类型，确定所述原始噪声数据对应的滤波需求；
基于所述滤波需求，利用所述数字滤波器对所述原始噪声数据进行频响变换，得到频响信号；
将所述频响信号作为所述原始噪声数据对应的滤波信号。
可选地，所述将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，包括：
识别所述放大信号对应的信号源，采集所述信号源中的信号数据；
提取所述信号数据中的信号特征；
基于所述信号特征，利用所述成像设备中的重构模块对所述信号数据进行图像重建，得到信号图像。
可选地，所述利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像，包括：
对所述信号图像进行图像增强，得到信号增强图像；
提取所述信号增强图像进行纹理特征提取，得到纹理特征；
基于所述纹理特征，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像。
可选地，所述提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度，包括：
标记所述噪声源点中的特征点；
基于所述特征点，提取所述噪声源点的源点特征和时域特征；
基于所述源点特征和所述时域特征，计算所述噪声源点的特征相似度：
利用下述公式计算所述噪声源点的特征相似度：
其中，S表示所述噪声源点的特征相似度，ai表示所述源点特征的第i个特征值，bi表示所述时域特征的第i个特征值，i表示所述噪声源点的向量特征。
可选地，所述基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，包括：
查询所述特征相似度对应的互相关值；
基于所述互相关值，提取所述分割图像中的灰度值；
确定所述灰度值对应的像素点；
基于所述像素点，定位所述噪声源点的位置信息。
可选地，所述基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，包括：
基于所述位置信息和所述结构特征，构建所述噪声源点对应的噪声机制模型；
利用所述噪声机制模型识别噪声源点中的噪声水平、频谱特征以及振动幅度；
基于所述噪声水平、所述频谱特征以及所述振动幅度，确定所述噪声源点对应的噪声产生机理。
可选地，所述基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率，包括：
利用下述公式计算所述噪声产生机理中的噪声响应频率：
其中，F表示所述噪声产生机理中的噪声响应频率，X表示所述噪声产生机理中的噪声水平参数，Y表示所述噪声产生机理中的频谱特征参数，M所述噪声产生机理中的振动幅度参数，n表示参数总数。
可选地，所述基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，包括：
查询所述噪声响应频率对应的频率范围；
基于所述频率范围，提取所述电力设备对应噪声特征；
基于所述噪声特征，确定所述电力设备对应的主噪声源；
基于所述主噪声源，制定所述电力设备对应的噪声控制措施。
为了解决上述问题，本发明还提供一种基于成像技术的电力设备噪声源点识别系统，所述系统包括：
信号放大模块，用于获得电力设备对应的原始噪声数据，利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，对所述滤波信号进行降噪处理，得到降噪信号，将所述降噪信号进行放大，得到放大信号；
纹理分析模块，用于将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像；
相似度计算模块，用于将所述纹理分析图像进行图像分割，得到分割图像，识别所述分割图像中的噪声源点，提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度；
响应频率计算模块，用于基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，基于所述位置信息，识别所述电力设备对应的结构特征，基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率；
识别报告生成模块，用于基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告。
本发明通过获得电力设备对应的原始噪声数据，对设备运行期间噪声数据的分析，可以及时发现设备的异常噪声，判断设备是否存在故障或潜在问题，并采取相应的维修措施，本发明通过将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，可以提高图像质量、增强信号的可视化能力、优化数据处理和分析，使得信号的特征更易于被观察、分析和解释，有助于更好地了解信号的含义和内容，本发明通过将所述纹理分析图像进行图像分割，得到分割图像，可以提高准确性、保留细节、处理复杂场景以及增强目标检测等益处，从而进而提高目标检测的精度和鲁棒性，本发明通过基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，可以帮助准确定位噪声，并为噪声处理和优化提供宝贵的参考信息，从而提高图像和信号处理的质量和可靠性，本发明通过执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告，能够提供有关电力设备噪声情况的详细信息，帮助确定主要噪声源、评估噪声控制效果、支持管理决策，有助于针对性地采取控制措施，优先解决主要噪声源，提高噪声控制效果。因此本发明提出的一种基于成像技术的电力设备噪声源点识别方法及系统，以降低对周围环境和人员的噪声污染。
附图说明
图1为本发明一实施例提供的一种基于成像技术的电力设备噪声源点识别方法的流程示意图；
图2为本发明一实施例提供的一种基于成像技术的电力设备噪声源点识别方法的模块示意图；
图3为本发明一实施例提供的一种基于成像技术的电力设备噪声源点识别方法的电子设备的内部结构示意图。
图中，200-一种基于成像技术的电力设备噪声源点识别系统、201-信号放大模块、202-纹理分析模块、203-相似度计算模块、204-响应频率计算模块、205-识别报告生成模块、30-处理器、31-存储器、32-通信总线、33-通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于成像技术的电力设备噪声源点识别方法。所述一种基于成像技术的电力设备噪声源点识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种基于成像技术的电力设备噪声源点识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的一种基于成像技术的电力设备噪声源点识别方法的流程示意图。在本实施例中，所述一种基于成像技术的电力设备噪声源点识别方法包括：
S1、获得电力设备对应的原始噪声数据，利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，对所述滤波信号进行降噪处理，得到降噪信号，将所述降噪信号进行放大，得到放大信号。
本发明通过获得电力设备对应的原始噪声数据，对设备运行期间噪声数据的分析，可以及时发现设备的异常噪声，判断设备是否存在故障或潜在问题，并采取相应的维修措施。
其中，所述原始噪声数据是指从所述电力设备中采集的未经处理或修改的原始噪声信号，可选地，所述原始噪声数据可以通过噪声采集工具实现获得，如：声级器、声音记录仪等工具。
本发明通过利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，可以提高数字滤波器的解析度，使得对信号特征的研究更加细致和精确，可以提高声源识别的准确性和可靠性，从而提高数据质量和分析结果的可靠性和准确性。
其中，所述滤波信号是指具有去除或减弱特定频率范围内噪声成分得到的信号。
作为本发明的一个实施例，所述利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，包括：识别所述数字滤波器的滤波类型；基于所述滤波类型，确定所述原始噪声数据对应的滤波需求；基于所述滤波需求，利用所述数字滤波器对所述原始噪声数据进行频响变换，得到频响信号；将所述频响信号作为所述原始噪声数据对应的滤波信号。
其中，所述滤波类型是指所述数字滤波器的特性类型，如：低通滤波器、高通滤波器等；所述滤波需求是指根据所述原始噪声数据的特点和要求，确定需要进行的滤波操作需求，如：去除高频噪声、增强低频信号等；所述频响信号是指原始噪声数据在不同频率上的幅度和相位特性。
进一步地，所述滤波类型可以通过数字滤波器实现获得，如：FIR、IIR等滤波器；所述滤波需求可以通过分析算法实现获得，如：时域分析、频域分析、统计分析、自适应滤波等算法；所述频响信号可以通过频域变换算法实现获得，如：FFT、DCT等算法。
本发明通过对所述滤波信号进行降噪处理，得到降噪信号，可以有效地去除噪声干扰，提升信号质量和可辨识性，改善特征表达和系统性能，使信号更容易被分析和识别，从而提高信号的可辨识性。
其中，所述降噪信号是指去除或减少信号中的噪声成分后的信号，可选地，所述降噪信号可以通过线性滤波算法实现获得，如：最小均方滤波、自适应滤波等算法。
进一步地，本发明通过将所述降噪信号进行放大，得到放大信号，可以提高信号的强度和清晰度，改善信号的质量和特征，进而增强对信号的分析、处理和应用能力。
其中，所述放大信号是指通过增加信号的幅度来提高信号的强度，可选地，所述放大信号可以通过DSP算法实现获得，如：滤波、峰值检测、自适应滤波等算法。
S2、将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像。
本发明通过将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，可以提高图像质量、增强信号的可视化能力、优化数据处理和分析，使得信号的特征更易于被观察、分析和解释，有助于更好地了解信号的含义和内容。
其中，所述成像设备是指将物理信号转换为可视化图像形式的设备，如：摄像机、扫描仪、医学影像设备、卫星等设备；所述信号图像是指通过将所述放大信号经过图像重建处理后得到的结果图像。
作为本发明的一个实施例，所述将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，包括：识别所述放大信号对应的信号源；采集所述信号源中的信号数据；提取所述信号数据中的信号特征；基于所述信号特征，利用所述成像设备中的重构模块对所述信号数据进行图像重建，得到信号图像。
其中，所述信号源是指产生放大信号的物理或电子设备，如：摄像机、麦克风、无线电等；所述信号数据是指从信号源中采集到的原始数据；所述信号特征是指从所述信号数据中提取出来的具有代表性的信息。
进一步地，所述信号源可以通过信号源识别工具实现获得，如：频谱分析仪、无线频谱监测系统、无线通信侦察车等；所述信号数据可以通过信号处理算法实现获得，如：滤波、降噪等算法；所述信号特征可以通过机器学习算法实现获得，如：SVM、CNN等。
本发明通过利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像，可以提供更丰富的信息、提高信号处理的准确性、支持决策和判断，并优化图像质量和视觉效果。
其中，所述纹理分析图像是指通过对信号图像进行纹理分析后得到的结果图像。
作为本发明的一个实施例，所述利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像，包括：对所述信号图像进行图像增强，得到信号增强图像；提取所述信号增强图像进行纹理特征提取，得到纹理特征；基于所述纹理特征，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像。
其中，所述信号增强图像是指提高原始信号图像的纹理分析效果的图像；所述纹理特征是指从所述信号增强图像中提取出来的与纹理相关的定量信息。
进一步地，所述信号增强图像可以通过边缘增强算法实现获得，如：Laplacian增强、Unsharp Masking等；所述纹理特征可以通过纹理提取工具实现获得，如：GLCM、LBP、LTB等工具。
S3、将所述纹理分析图像进行图像分割，得到分割图像，识别所述分割图像中的噪声源点，提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度。
本发明通过将所述纹理分析图像进行图像分割，得到分割图像，可以提高准确性、保留细节、处理复杂场景以及增强目标检测等益处，从而进而提高目标检测的精度和鲁棒性。
其中，所述分割图像是指将原始图像根据某种算法或准则划分为不同的区域或目标的图像，可选地，所述分割图像可以通过卷积神经网络实现获得，如：U-Net、Mask R-CNN等。
本发明通过识别所述分割图像中的噪声源点，能够提高图像分割的准确性、后续处理的精度和计算资源的利用效率，同时改善图像的视觉效果。
其中，所述噪声源点是指在图像中由于各种因素引入的无关信号点，可选地，所述噪声源点可以通过源点识别函数实现获得，如：图像增强函数、频域滤波函数和边缘检测函数等。
进一步地，本发明通过提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度，可以实现噪声源点的识别和去除，从而改善图像质量、提高自动化处理能力，以及提高后续处理任务的准确性。
其中，所述源点特征是指用于描述所述噪声源点在图像中的特征属性；所述时域特征是指在时间上对数据进行描述的特征；所述特征相似度是指衡量两个及以上源点特征之间相似程度的度量方式。
作为本发明的一个实施例，所述提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度，包括：标记所述噪声源点中的特征点；基于所述特征点，提取所述噪声源点的源点特征和时域特征；基于所述源点特征和所述时域特征，计算所述噪声源点的特征相似度：
利用下述公式计算所述噪声源点的特征相似度：
其中，S表示所述噪声源点的特征相似度，ai表示所述源点特征的第i个特征值，bi表示所述时域特征的第i个特征值，i表示所述噪声源点的向量特征。
S4、基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，基于所述位置信息，识别所述电力设备对应的结构特征，基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率。
本发明通过基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，可以帮助准确定位噪声，并为噪声处理和优化提供宝贵的参考信息，从而提高图像和信号处理的质量和可靠性。
其中，所述位置信息是指所述噪声源点在图像或信号中的具体位置或坐标。
作为本发明的一个实施例，所述基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，包括：查询所述特征相似度对应的互相关值；基于所述互相关值，提取所述分割图像中的灰度值；确定所述灰度值对应的像素点；基于所述像素点，定位所述噪声源点的位置信息。
其中，所述互相关值是指用于衡量两个信号或图像之间的相关性的数值；所述灰度值是指图像中每个像素点的亮度级别或灰度级别；所述像素点是指图像中的最小单位，用于表示图像中的每个点。
进一步地，所述互相关值可以通过互相关函数实现获得，如：NumPy函数；所述灰度值可以通过深度学习模型实现获得，如：CNN模型；所述像素点可以通过图像处理库实现获得，如：OpenCV、PIL等工具。
本发明基于所述位置信息，识别所述电力设备对应的结构特征，可以提高电力系统的自动化程度、工作效率和可靠性，为电力系统的运行、维护和管理提供有力的支持。
其中，所述结构特征是指所述电力设备在空间上的布局、连接或依赖关系等特点，可选地，所述结构特征可以通过目标检测算法实现获得，如：Faster R-CNN、YOLO和SSD等算法。
本发明基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，可以提高噪声控制优化、故障诊断与预测、建立噪声模型与预测以及资源优化与规划从而降低噪声水平，改善环境质量。
其中，所述噪声产生机理是指噪声产生的原因和机制，如：摩擦、震动或机械运动引起的噪声。
作为本发明的一个实施例，所述基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，包括：基于所述位置信息和所述结构特征，构建所述噪声源点对应的噪声机制模型；利用所述噪声机制模型识别噪声源点中的噪声水平、频谱特征以及振动幅度；基于所述噪声水平、所述频谱特征以及所述振动幅度，确定所述噪声源点对应的噪声产生机理。
其中，所述噪声机制模型是指用于描述噪声源点对应的噪声产生机理的数学模型；基于所述噪声水平是指噪声的强度或者说噪声的音量大小；所述频谱特征是指噪声在不同频率上的分布情况；所述振动幅度是指噪声的振动幅度大小。
进一步地，所述噪声机制模型可以通过统计分析工具实现获得，如：回归分析、方差分析等工具；所述噪声水平、所述频谱特征以及所述振动幅度可以通过利用所述噪声机制模型实现获得。
本发明基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率，可以帮助更好地理解和分析噪声特性，并为噪声控制、识别和评估提供重要的依据和指导。
其中，所述噪声响应频率是指噪声对于不同频率的信号或系统的响应情况。
作为本发明的一个实施例，所述基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率，包括：
利用下述公式计算所述噪声产生机理中的噪声响应频率：
其中，F表示所述噪声产生机理中的噪声响应频率，X表示所述噪声产生机理中的噪声水平参数，Y表示所述噪声产生机理中的频谱特征参数，M所述噪声产生机理中的振动幅度参数，n表示参数总数。
S5、基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告。
本发明基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，可以减少噪声对工作环境的影响，提供一个舒适、安静的工作环境，并减少设备损坏的风险。
其中，所述噪声控制措施是指减少或消除电力设备产生的噪声的控制措施。
作为本发明的一个实施例，所述基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，包括：查询所述噪声响应频率对应的频率范围；基于所述频率范围，提取所述电力设备对应噪声特征；基于所述噪声特征，确定所述电力设备对应的主噪声源；基于所述主噪声源，制定所述电力设备对应的噪声控制措施。
其中，所述频率范围是指噪声响应频率的范围；所述噪声特征是指对所述电力设备的噪声进行分析，提取出噪声的特征参数；所述主噪声源是指在所述电力设备中主要贡献于噪声产生的部分或组件。
进一步地，所述频率范围可以通过范围识别工具实现获得，如：频谱分析仪、声级计等工具；所述噪声特征可以通过信号处理算法实现获得，如：FFT、STFT、Wavelet变换等算法；所述主噪声源可以通过声源分析工具实现获得，如：模态分析、振动响应分析等方法。
本发明通过执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告，能够提供有关电力设备噪声情况的详细信息，帮助确定主要噪声源、评估噪声控制效果、支持管理决策，有助于针对性地采取控制措施，优先解决主要噪声源，提高噪声控制效果。
其中，所述噪声源点识别报告是指对所述电力设备或其他噪声产生源进行分析和评估后所生成的报告，可选地，所述噪声源点识别报告可以通过信号处理和分析工具实现获得，如：MATLAB、Python等工具。
本发明通过获得电力设备对应的原始噪声数据，对设备运行期间噪声数据的分析，可以及时发现设备的异常噪声，判断设备是否存在故障或潜在问题，并采取相应的维修措施，本发明通过将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，可以提高图像质量、增强信号的可视化能力、优化数据处理和分析，使得信号的特征更易于被观察、分析和解释，有助于更好地了解信号的含义和内容，本发明通过将所述纹理分析图像进行图像分割，得到分割图像，可以提高准确性、保留细节、处理复杂场景以及增强目标检测等益处，从而进而提高目标检测的精度和鲁棒性，本发明通过基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，可以帮助准确定位噪声，并为噪声处理和优化提供宝贵的参考信息，从而提高图像和信号处理的质量和可靠性，本发明通过执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告，能够提供有关电力设备噪声情况的详细信息，帮助确定主要噪声源、评估噪声控制效果、支持管理决策，有助于针对性地采取控制措施，优先解决主要噪声源，提高噪声控制效果。因此本发明提出的一种基于成像技术的电力设备噪声源点识别方法及系统，以降低对周围环境和人员的噪声污染。
如图2所示，是本发明一实施例提供的一种基于成像技术的电力设备噪声源点识别系统的功能模块图。
本发明所述一种基于成像技术的电力设备噪声源点识别系统200可以安装于电子设备中。根据实现的功能，所述一种基于成像技术的电力设备噪声源点识别系统200可以包括信号放大模块201、纹理分析模块202、相似度计算模块203、响应频率计算模块204以及识别报告生成模块205。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述信号放大模块201，用于获得电力设备对应的原始噪声数据，利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，对所述滤波信号进行降噪处理，得到降噪信号，将所述降噪信号进行放大，得到放大信号；
所述纹理分析模块202，用于将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像；
所述相似度计算模块203，用于将所述纹理分析图像进行图像分割，得到分割图像，识别所述分割图像中的噪声源点，提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度；
所述响应频率计算模块204，用于基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，基于所述位置信息，识别所述电力设备对应的结构特征，基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率；
所述识别报告生成模块205，用于基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告。
详细地，本发明实施例中所述一种基于成像技术的电力设备噪声源点识别系统200中所述的各模块在使用时采用与附图中所述的一种基于成像技术的电力设备噪声源点识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现一种基于成像技术的电力设备噪声源点识别方法的电子设备的结构示意图。
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如基于人工智能的工程安全监管程序。
其中，所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块（例如执行基于人工智能的工程安全监管程序等），以及调用存储在所述存储器31内的数据，以执行电子设备的各种功能和处理数据。
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据，例如数据库配置化连接程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线32可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
所述通信接口33用于上述电子设备3与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器30逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现：
获得电力设备对应的原始噪声数据，利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，对所述滤波信号进行降噪处理，得到降噪信号，将所述降噪信号进行放大，得到放大信号；
将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像；
将所述纹理分析图像进行图像分割，得到分割图像，识别所述分割图像中的噪声源点，提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度；
基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，基于所述位置信息，识别所述电力设备对应的结构特征，基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率；
基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告。
具体地，所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元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，可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获得电力设备对应的原始噪声数据，利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，对所述滤波信号进行降噪处理，得到降噪信号，将所述降噪信号进行放大，得到放大信号；
将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像；
将所述纹理分析图像进行图像分割，得到分割图像，识别所述分割图像中的噪声源点，提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度；
基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，基于所述位置信息，识别所述电力设备对应的结构特征，基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率；
基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述方法包括：
获得电力设备对应的原始噪声数据，利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，对所述滤波信号进行降噪处理，得到降噪信号，将所述降噪信号进行放大，得到放大信号；
将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像；
将所述纹理分析图像进行图像分割，得到分割图像，识别所述分割图像中的噪声源点，提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度；
基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，基于所述位置信息，识别所述电力设备对应的结构特征，基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率；
基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告。
2.如权利要求1所述的一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，包括：
识别所述数字滤波器的滤波类型；
基于所述滤波类型，确定所述原始噪声数据对应的滤波需求；
基于所述滤波需求，利用所述数字滤波器对所述原始噪声数据进行频响变换，得到频响信号；
将所述频响信号作为所述原始噪声数据对应的滤波信号。
3.如权利要求1所述的一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，包括：
识别所述放大信号对应的信号源，采集所述信号源中的信号数据；
提取所述信号数据中的信号特征；
基于所述信号特征，利用所述成像设备中的重构模块对所述信号数据进行图像重建，得到信号图像。
4.如权利要求1所述的一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像，包括：
对所述信号图像进行图像增强，得到信号增强图像；
提取所述信号增强图像进行纹理特征提取，得到纹理特征；
基于所述纹理特征，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像。
5.如权利要求1所述的一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度，包括：
标记所述噪声源点中的特征点；
基于所述特征点，提取所述噪声源点的源点特征和时域特征；
基于所述源点特征和所述时域特征，计算所述噪声源点的特征相似度：
利用下述公式计算所述噪声源点的特征相似度：
其中，S表示所述噪声源点的特征相似度，ai表示所述源点特征的第i个特征值，bi表示所述时域特征的第i个特征值，i表示所述噪声源点的向量特征。
6.如权利要求1所述的一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，包括：
查询所述特征相似度对应的互相关值；
基于所述互相关值，提取所述分割图像中的灰度值；
确定所述灰度值对应的像素点；
基于所述像素点，定位所述噪声源点的位置信息。
7.如权利要求1所述的一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，包括：
基于所述位置信息和所述结构特征，构建所述噪声源点对应的噪声机制模型；
利用所述噪声机制模型识别噪声源点中的噪声水平、频谱特征以及振动幅度；
基于所述噪声水平、所述频谱特征以及所述振动幅度，确定所述噪声源点对应的噪声产生机理。
8.如权利要求1所述的一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率，包括：
利用下述公式计算所述噪声产生机理中的噪声响应频率：
其中，F表示所述噪声产生机理中的噪声响应频率，X表示所述噪声产生机理中的噪声水平参数，Y表示所述噪声产生机理中的频谱特征参数，M所述噪声产生机理中的振动幅度参数，n表示参数总数。
9.如权利要求1所述的一种基于成像技术的电力设备噪声源点识别方法，其特征在于，所述基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，包括：
查询所述噪声响应频率对应的频率范围；
基于所述频率范围，提取所述电力设备对应噪声特征；
基于所述噪声特征，确定所述电力设备对应的主噪声源；
基于所述主噪声源，制定所述电力设备对应的噪声控制措施。
10.一种基于成像技术的电力设备噪声源点识别系统，其特征在于，所述系统用于执行如权利要求1-9中任意一项所述的一种基于成像技术的电力设备噪声源点识别方法，所述系统包括：
信号放大模块，用于获得电力设备对应的原始噪声数据，利用预设的数字滤波器对所述原始噪声数据进行滤波处理，得到滤波信号，对所述滤波信号进行降噪处理，得到降噪信号，将所述降噪信号进行放大，得到放大信号；
纹理分析模块，用于将所述放大信号输入至预设的成像设备，利用所述成像设备中的重构模块对所述放大信号进行图像重建，得到信号图像，利用所述成像设备中的分析模块对所述信号图像进行纹理分析，得到纹理分析图像；
相似度计算模块，用于将所述纹理分析图像进行图像分割，得到分割图像，识别所述分割图像中的噪声源点，提取所述噪声源点的源点特征和时域特征，计算所述噪声源点的特征相似度；
响应频率计算模块，用于基于所述特征相似度，查询所述分割图像中的所述噪声源点的位置信息，基于所述位置信息，识别所述电力设备对应的结构特征，基于所述位置信息和所述结构特征，确定所述噪声源点对应的噪声产生机理，基于所述噪声产生机理，计算所述噪声产生机理中的噪声响应频率；
识别报告生成模块，用于基于所述噪声响应频率，制定所述电力设备对应的噪声控制措施，执行所述噪声控制措施后，生成所述电力设备对应的噪声源点识别报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311381314.6A CN117171627B (zh) | 2023-10-24 | 2023-10-24 | 一种基于成像技术的电力设备噪声源点识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311381314.6A CN117171627B (zh) | 2023-10-24 | 2023-10-24 | 一种基于成像技术的电力设备噪声源点识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171627A true CN117171627A (zh) | 2023-12-05 |
| CN117171627B CN117171627B (zh) | 2024-01-26 |
Family
ID=88947013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311381314.6A Active CN117171627B (zh) | 2023-10-24 | 2023-10-24 | 一种基于成像技术的电力设备噪声源点识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171627B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO20014577D0 (no) * | 1999-03-22 | 2001-09-20 | Dresser Ind | Fremgangsmåte og anordning for kansellering av uönskede signaler i MWD-akustiske verktöy |
| CN101059870A (zh) * | 2007-05-23 | 2007-10-24 | 华中科技大学 | 一种基于属性直方图的图像分割方法 |
| JP2012134903A (ja) * | 2010-12-24 | 2012-07-12 | Canon Inc | 画像処理装置及び画像処理装置の制御方法 |
| CN103247052A (zh) * | 2013-05-16 | 2013-08-14 | 东北林业大学 | 非下采样Contourlet变换局部区域特征的图像分割算法 |
| CN104777453A (zh) * | 2015-04-23 | 2015-07-15 | 西北工业大学 | 舰船线谱噪声源定位的波束域时频分析方法 |
| CN111539323A (zh) * | 2020-04-22 | 2020-08-14 | 中国人民解放军战略支援部队信息工程大学 | 一种循环前缀线性调频信号的频率估计方法与装置 |
| CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN116385312A (zh) * | 2023-05-08 | 2023-07-04 | 南京理工大学 | 基于相位相关的低照度图像去噪方法 |
| CN116520285A (zh) * | 2022-12-26 | 2023-08-01 | 武汉万集光电技术有限公司 | 激光雷达的回波数据的降噪方法、装置及激光雷达 |
| CN116543739A (zh) * | 2023-07-05 | 2023-08-04 | 四川恒远信友环境科技有限公司 | 一种基于emd的电力设备噪声控制方法 |
| CN116692297A (zh) * | 2023-06-19 | 2023-09-05 | 深圳应天文化科技有限公司 | 基于物联网的垃圾桶检测方法、装置、设备及存储介质 |
-
2023
- 2023-10-24 CN CN202311381314.6A patent/CN117171627B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO20014577D0 (no) * | 1999-03-22 | 2001-09-20 | Dresser Ind | Fremgangsmåte og anordning for kansellering av uönskede signaler i MWD-akustiske verktöy |
| CN101059870A (zh) * | 2007-05-23 | 2007-10-24 | 华中科技大学 | 一种基于属性直方图的图像分割方法 |
| JP2012134903A (ja) * | 2010-12-24 | 2012-07-12 | Canon Inc | 画像処理装置及び画像処理装置の制御方法 |
| CN103247052A (zh) * | 2013-05-16 | 2013-08-14 | 东北林业大学 | 非下采样Contourlet变换局部区域特征的图像分割算法 |
| CN104777453A (zh) * | 2015-04-23 | 2015-07-15 | 西北工业大学 | 舰船线谱噪声源定位的波束域时频分析方法 |
| CN111539323A (zh) * | 2020-04-22 | 2020-08-14 | 中国人民解放军战略支援部队信息工程大学 | 一种循环前缀线性调频信号的频率估计方法与装置 |
| CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN116520285A (zh) * | 2022-12-26 | 2023-08-01 | 武汉万集光电技术有限公司 | 激光雷达的回波数据的降噪方法、装置及激光雷达 |
| CN116385312A (zh) * | 2023-05-08 | 2023-07-04 | 南京理工大学 | 基于相位相关的低照度图像去噪方法 |
| CN116692297A (zh) * | 2023-06-19 | 2023-09-05 | 深圳应天文化科技有限公司 | 基于物联网的垃圾桶检测方法、装置、设备及存储介质 |
| CN116543739A (zh) * | 2023-07-05 | 2023-08-04 | 四川恒远信友环境科技有限公司 | 一种基于emd的电力设备噪声控制方法 |
Non-Patent Citations (6)
| Title |
|---|
| GUO-PING ZOU等: "EMI and EMC analysis of arbitrarily shaped power-ground planes", 《2010 ASIA-PACIFIC INTERNATIONAL SYMPOSIUM ON ELECTROMAGNETIC COMPATIBILITY》, pages 660 - 663 * |
| YANG LIU等: "A Novel Color-Texture Descriptor Based on Local Histograms for Image Segmentation", 《 IEEE ACCESS 》, vol. 7, pages 160683 - 160695, XP011754289, DOI: 10.1109/ACCESS.2019.2951228 * |
| 惠巧娟等: "一种基于小波变换和人类视觉系统的图像压缩算法", 《电子测量与仪器学报》, vol. 30, no. 12, pages 1838 - 1844 * |
| 李辉等: "基于深度神经网络的变压器故障诊断方法研究", 《变压器》, vol. 59, no. 04, pages 35 - 40 * |
| 赵晔等: "噪声图像纹理特征算法的研究", 《苏州大学学报(工科版)》, no. 04, pages 42 - 47 * |
| 马甲亮: "城市交通噪声传播机理与控制技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 04, pages 034 - 725 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171627B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921840A (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
| CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
| CN116168351B (zh) | 电力设备巡检方法及装置 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN102196153B (zh) | 图像场景亮度差判断装置及亮度差判断方法 | |
| CN117171627B (zh) | 一种基于成像技术的电力设备噪声源点识别方法及系统 | |
| KR20110139864A (ko) | 얼굴 검출 방법 및 시스템 | |
| CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
| CN113344064A (zh) | 事件处理方法和装置 | |
| CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
| CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
| CN115861321B (zh) | 应用于工业互联网的生产环境检测方法及系统 | |
| CN116030428B (zh) | 工地区域危险报警监测方法及装置 | |
| CN113868093B (zh) | 垃圾文件监测方法、装置、设备及存储介质 | |
| Xiong et al. | Research on image recognition of power inspection robot based on improved YOLOv3 model | |
| CN117074628B (zh) | 一种多传感器空气质量检测设备故障定位方法 | |
| CN118129683A (zh) | 绳槽磨损度的分析方法 | |
| CN117169286B (zh) | 一种视觉辅助下的工业线束质量检测方法 | |
| CN117218162B (zh) | 一种基于ai的全景追踪控视系统 | |
| CN112730427B (zh) | 一种基于机器视觉的产品表面缺陷检测方法及系统 | |
| CN116385414B (zh) | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 | |
| JP2004062631A (ja) | パターンマッチング方法およびその装置、並びにそこで実行されるプログラムを記録した記録媒体 | |
| Yousefi et al. | ASurvey ON OBJECT DETECTION METHODS IN VISUAL SENSOR NETWORKS | |
| CN117011680A (zh) | 破袋识别分析方法、装置、计算机设备及存储介质 | |
| JP2015114782A (ja) | 画像情報から交通量推定のためのパラメータを求める方法 |
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 |