CN117173385B - 一种变电站的检测方法、装置、介质及设备 - Google Patents
一种变电站的检测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117173385B CN117173385B CN202311379856.XA CN202311379856A CN117173385B CN 117173385 B CN117173385 B CN 117173385B CN 202311379856 A CN202311379856 A CN 202311379856A CN 117173385 B CN117173385 B CN 117173385B
- Authority
- CN
- China
- Prior art keywords
- image
- positive sample
- substation
- integral
- similarity
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000007689 inspection Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 32
- 230000007797 corrosion Effects 0.000 claims description 10
- 238000005260 corrosion Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种变电站的检测方法、装置、介质及设备。其中，方法包括：对待检测的变电站进行图像采集，获得原始图像；对所述原始图像进行预处理获得目标图像；对所述目标图像进行特征提取，获得变电站的积分图像；基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果。本申请通过对变电站巡检图像进行特征提取获得积分图像，后续就可以将该积分图像分别与各正样本图像进行相似度计算，使得计算获得的第一相似度更加准确，为后续基于第一相似度精准的确定变电站是否存在故障提供了保障。
Description
技术领域
本发明涉及变电站巡检技术领域，特别涉及一种变电站的检测方法、装置、介质及设备。
背景技术
变电站是指用于对电能进行变换、分配和控制的设施与场所，是电力系统的核心组成部分，具有地理位置分布广、设备、设施类型繁杂、数量多等特点。随着中国经济水平不断发展，电网规模不断扩大，变电站数量日益增多，变电站的日常巡视运维等业务量随之快速增加，导致现有运检班组工作量大幅增加，迫切需要智能化、数字化技术助力基层一线减负。
随着变电站智能巡检机器人、无人机、固定摄像头等图像巡检设备的广泛应用，变电站图像巡检技术逐步替代了人工巡视。变电站图像巡检通常采用卷积神经网络(convolutional neural network, CNN)、随机森林分类器(random forest，RF)、支持向量机(support vector machine, SVM)等算法进行缺陷模型训练与识别，但是现有算法模型容易出现训练不充分，收敛误差大的问题，进而导致漏报误报率高、识别准确率低。
因此亟需一种变电站检测方法，以解决现有技术中检测结果不准确的问题，
发明内容
有鉴于此，本发明提供了一种变电站的检测方法、装置、介质及设备，主要目的在于解决目前存在的检测结果不准确的问题。
为解决上述问题，本申请提供一种变电站的检测方法，包括：
对待检测的变电站进行图像采集，获得原始图像；
对所述原始图像进行预处理获得目标图像；
对所述目标图像进行特征提取，获得变电站的积分图像；
基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；
基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果。
可选的，所述对原始图像进行预处理获得目标图像，具体包括：
对所述原始图像依次进行腐蚀处理以及膨胀处理，以获得所述目标图像。
可选的，在对所述目标图像进行特征提取之前，所述方法还包括：
基于所述原始图像以及所述目标图像，计算获得峰值信噪比；
基于所述峰值信噪比对所述目标图像进行质量评估，确定所述目标图像是否符合预定条件，以在目标图像符合所述预定条件的情况下、对所述目标图像进行特征提取。
可选的，所述基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度，具体包括：
基于积分图以及各正样本图像，分别计算积分图与各正样本图像之间的亮度比较值、对比度比较值以及结构比较值；
基于同一正样本图像对应的亮度比较值、对比度比较值以及结构比较值，计算各正样本图像与积分图之间的第一相似度。
可选的，所述基于各所述正样本图像对应的相似度对所述变电站进行故障检测，获得检测结果，具体包括：
将各所述正样本图像对应的第一相似度分别与预定的第一相似度阈值进行比较；
在各所述第一相似度均大于或等于所述第一相似度阈值的情况下，确定所述变电站为非故障状态；
在任意所述第一相似度小于所述第一相似度阈值的情况下，确定所述变电站为故障状态。
可选的，所述方法还包括：基于部分监督学习的方式，对变电站的各样本图像进行标注，获得包含若干正样本图像以及若干负样本图像的预定数据库；
其中，正样本图像为标签为非故障状态的样本图像，负样本图像为标签为故障状态的样本图像。
可选的，在任意所述第一相似度小于所述第一相似度阈值的情况下，所述方法还包括：
基于所述积分图像与预定数据库中的各负样本图像，进行相似度计算，获得与各负样本图像对应的第二相似度；
基于各所述负样本图像对应的第二相似度，确定所述变电站的故障类型。
为解决上述问题，本申请提供一种变电站的检测装置，包括：
采集模块，用于对待检测的变电站进行图像采集，获得原始图像；
预处理模块，用于对所述原始图像进行预处理获得目标图像；
提取模块，用于对所述目标图像进行特征提取，获得变电站的积分图像；
第一计算模块，用于基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；
检测模块，用于基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果。
为解决上述问题，本申请提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述变电站的检测方法的步骤。
为解决上述问题，本申请提供一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述任一项所述变电站的检测方法的步骤。
本申请中的变电站检测方法，通过采集变电站的原始图像，然后预处理获得目标图像，有利于后续基于目标图像精准的进行特征提取，获得积分图像，后续就可以将该积分图像分别与各正样本图像进行相似度计算，使得计算获得的第一相似度更加准确，为后续基于第一相似度精准的确定变电站是否存在故障提供了保障。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例一种变电站检测方法的流程图；
图2为本申请另一实施例一种变电站检测装置的结构框图；
图3为本申请另一实施例一种电子设备的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种变电站检测方法，具体可以应用于终端、服务器等电子设备，如图1所示，本实例中的检测方法包括如下步骤：
步骤S101，对待检测的变电站进行图像采集，获得原始图像；
本步骤在具体实施过程中，可以利用摄像装置对变电站进行图像采集，以此来获得包含变电站对象的原始图像。摄像装置具体可以是巡检机器人、无人机、固定摄像头等等。其中，无人机用于变电站室外高空巡检；巡检机器人用于室外地面巡检，固定摄像头用于室内和室外的固定点位巡检。
步骤S102，对所述原始图像进行预处理获得目标图像；
本步骤中，由于受时间、天气、季节等因素影响，变电站设备的同一设备在不同的条件下呈现的图像特征存在差别，因此，图像预处理的目的是将采集图像进行质量调优处理，消除虚焦、曝光不足、光线等影响。
在进行预处理时，具体可以采用图像开运算方式对目标图像进行处理，图像开运算分为腐蚀和膨胀两部分，变电站巡检图像腐蚀是将图像中的高亮区域内容进行压缩，使变电站设备图像缩小，消除变电站巡检图像的毛刺，从而获得变电站巡检图像的实际特征；变电站巡检图像膨胀将变电站设备图像的背景单元合并到设备中，使变电站设备图像增大，可以填补变电站巡检图像中的空洞。图像开运算对变电站图像进行腐蚀和膨胀处理后，在不改变变电站巡检图像面积的情况下，消除变电站巡检图像的噪声信息。
步骤S103，对所述目标图像进行特征提取，获得变电站的积分图像；
本步骤在具体实施过程中，可以采用哈尔特征(haar-like features, HLF）方法，来对目标图像今天特征提取，从而获得积分图像。
步骤S104，基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；
本步骤在就具体实施过程中，可以先计算积分图像与各正样本图像之间的亮度比较值、对比度比较值以及结构比较值，然后再根据同一正样本图像对应的亮度比较值、对比度比较值以及结构比较值，计算获得与各样本图像之间的第一相似度。
步骤S105，基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果。
本步骤在具体实施过程中，可以将各所述正样本图像对应的第一相似度分别与预定的第一相似度阈值进行比较；根据比较结果确定变电站是否为故障状态。
本实施例中的变电站检测方法，通过采集变电站的原始图像，然后预处理获得目标图像，有利于后续基于目标图像精准的进行特征提取，获得积分图像，后续就可以将该积分图像分别与各正样本图像进行相似度计算，使得计算获得的第一相似度更加准确，为后续基于第一相似度精准的确定变电站是否存在故障提供了保障。
本申请另一实施例提供一种变电站的检测方法，具体过程如下：
步骤S201，基于部分监督学习的方式，对变电站的各样本图像进行标注，获得包含若干正样本图像以及若干负样本图像的预定数据库；其中，正样本图像为标签为非故障状态的样本图像，负样本图像为标签为故障状态的样本图像。
本步骤中，部分监督学习(semi-supervised learning，英文简称：SSL)是一种无监督和有监督学习结合的及其学习方法。SSL采用了大量的未标记变电站巡检图像和少量的标记图像来进行整编识别工作。具体可以利用生成对抗网络分别对变电站样本图像进行标注，获得具有非故障标签的若干正样本图像、以及具有故障标签的若干负样本图像，从而构建获得预定数据库。
本实例中，具体可以利用生成对抗网络来进行样本图像的标注。生成对抗网络(generative adversarial nets，英文简称： GAN)是一种SSL方法，通过不断学习变电站巡检图像样本数据的分布进行形成和训练变电站巡检图像相似的样本，在训练过程中无需标注。
变电站巡检图像GAN的目标函数dGAN为。
(1)
公式（1）中：γ表示GAN网络中正样本训练的期望函数；eTF表示GAN网络变电站巡检图像的数据；qPRO表示辨别目标变电站巡检图像数据来源至训练集wTRA的概率；zRAN为变电站图像随机输入数据。
本实施例中，通过采用上述公式，即可标注获得若干正样本图像，同理可以采用上述方式标注获得若干负样本图像。
步骤S202，对待检测的变电站进行图像采集，获得原始图像；
本步骤在具体实施过程中，可以利用无人机、巡检机器人以及固定摄像头等设备进行图像采集。其中，无人机用于变电站室外高空巡检；巡检机器人用于室外地面巡检，固定摄像头用于室内和室外的固定点位巡检。
步骤S203，对所述原始图像依次进行腐蚀处理以及膨胀处理，以获得所述目标图像；
本步骤在具体实施过程中，首先，可以对变电站巡检图像进行腐蚀处理，腐蚀后的图像fP为：
(2)
第二公式（1）中，δ表示变电站巡检图像开运算的腐蚀模版类型；pj表示变电站巡检图像的特征结构；fO表示输入模型的变电站巡检原始图像、即表示采集获得的原始图像。
在获得腐蚀处理后的图像fP之后，就可以对图像fP进行膨胀处理，膨胀后的图像膨胀图像fE为。
(3)
第三公式（3）中，pj表示变电站巡检图像的特征结构；fP表示腐蚀处理后的图像。本实施例中，通过对图像进行膨胀处理，可以将图像中的空洞信息进行的补充，并平滑了图像边缘，由此可以获得膨胀后的图像fE、即获得目标图像fE。
步骤S204，基于所述原始图像以及所述目标图像，计算获得峰值信噪比；
本步骤中，图像峰值信噪比(peak signal to noise ratio，英文简称： PSNR)是变电站巡检图像质量评估的核心指标。PSNR通过计算原始图像和噪声数据的均方根误差(mean squared error，英文简称：MSE)定义图像的质量。
具体可以利用第三公式计算获得目标图像的均方根误差，然后利用第四计算公式根据目标图像的均方根误差计算获得目标图像的图像峰值信噪比。
其中，用于计算获得目标图像的均方根误差fMSE的第三计算公式为：
(4)
第四公式（4）中，fMSE表示目标图像的均方根误差；m和n分别表示图像的横坐标、纵坐标像素；Bjk表示含噪声数据的变电站巡检图像（即为含噪声的目标图像fE）；Ljk表示变电站巡检原始图像，即原始图像fO jk。
用于计算获得目标图像的图像峰值信噪比 fPSNR的第四公式为：
(5)
第五公式（5）中，log为变电站巡检图像（即目标图像）的对数函数；cMAX为最大的变电站巡检图像（即目标图像）边缘值；fMSE表示目标图像的均方根误差。
本步骤中，图像质量评估的目的是为了评估经开运算处理的变电站巡检图像是否满足模型的识别要求。通过计算目标图像的峰值信噪比，为后续基于峰值信噪比对目标图像进行质量评估奠定的基础，能够保证评估结果的准确性。
步骤S205，基于所述峰值信噪比对所述目标图像进行质量评估，确定所述目标图像是否符合预定条件；在符合预定条件时执行步骤S206；在不符合预定条件时执行步骤S202，即重新进行图像采集；
本步骤在具体实施过程中，可以将目标图像的峰值信噪比与预定的峰值信噪比阈值进行比较，在目标图像的峰值信噪大于或等于预定的峰值信噪比阈值时，确定目标图像符合预定条件，在目标图像的峰值信噪小于预定的峰值信噪比阈值时，确定目标图像不符合预定条件。
步骤S206，对所述目标图像进行特征提取，获得变电站的积分图像；
本步骤在实施过程中，具体可以利用哈尔特征(haar-like features，英文简称：HLF）算法来对目标图像进行特征提取，从而获得积分图像。哈尔特征算法的公式为：
(6)
公式（6）中，ma和na为预处理后的目标图像fE的横、纵坐标值，rjk为变电站巡检图像（目标图像）在构造位置的积分值。fINT表示目标图像fE对应的积分图像；
步骤S207，基于积分图以及各正样本图像，分别计算积分图与各正样本图像之间的亮度比较值、对比度比较值以及结构比较值；
本步骤在具体实施过程中，用于计算亮度比较值的亮度比较函数为：
(7)
其中，uBR表示亮度比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；h表示变电站巡检图像的标准差、即积分图像的标准差；t1为变电站巡检图像亮度调节函数、即积分图像的亮度调节函数。
用于计算对比度比较值的对比度比较函数为：
(8)
其中，uCON表示对比度比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；σ表示变电站巡检图像的协方差、即积分图像的协方差；t2表示变电站巡检图像对比度调节函数、即积分图像的对比度调节函数。
用于计算结构比较值的结构比较函数为：
(9)
其中，uST表示结构比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；t3为变电站巡检图像比较调节函数。
步骤S208，基于同一正样本图像对应的亮度比较值、对比度比较值以及结构比较值，计算各正样本图像与积分图之间的第一相似度；
本步骤在实施过程中，具体可以利用结构相似性函数来计算获得第一相似度uSSIM，结构相似性函数为：
(10)
其中，a表示变电站巡检图像的积分图像；b表示正样本图像；α为变电站巡检图像的亮度调节因子；β为变电站巡检图像的对比度调节因子；ф为变电站巡检图像的结构对比调节因子。
步骤S207，将各所述正样本图像对应的第一相似度分别与预定的第一相似度阈值进行比较；在各所述第一相似度均大于或等于所述第一相似度阈值的情况下，确定所述变电站为非故障状态；在任意所述第一相似度小于所述第一相似度阈值的情况下，确定所述变电站为故障状态
本步骤中第一相似度越大，说明变电站巡检图像与正样本图像越相似，说明变电站无异常。
本实施例中当任意第一相似度小于所述第一相似度阈值，说明变电站存在异常，即存在故障，为了进一步确定异常类型/故障类型，可以将变电站的积分图像与各负样本图像进行相似度计算，获得与各负样本图像对应的第二相似度；然后基于各所述负样本图像对应的第二相似度，确定所述变电站的故障类型。也就是，当各第二相似度均小于第二像素度阈值时，说明变电站积分图像与任意负样本图像均不相似，因此可以进行监督审查。当任意第二像素度大于或等于第二像素度阈值时，说明变电站积分图像与该第二相似度所对应的负样本图像相似，由此可以根据该负样本图像所对应的故障类型确定变电站的故障类型。
本实例中的方法，通过开运算的图像腐蚀处理和膨胀处理，消除了变电站巡检图像中的噪声信息；通过生成对抗网络实现了变电站巡检图像模型的部分监督学习，提高了模型训练效果；在正负样本融合的基础上，采用结构相似度检测，实现了变电站缺陷的检测和类型的判断。该方法具有变电站异常缺陷不漏检的特点，提升了变电站智能巡检效率和效益。
本实施例中，在进行第二相似度计算时，计算原理与第一相似度计算原理相同，也是基于积分图以及负正样本图像，分别计算积分图与各负样本图像之间的亮度比较值、对比度比较值以及结构比较值；然后基于同一负样本图像对应的亮度比较值、对比度比较值以及结构比较值，计算各负样本图像与积分图之间的第二相似度。在计算积分图与各负样本图像之间的亮度比较值、对比度比较值以及结构比较值时，也是分别利用上述公式（7）、公式（8）、和公式（9）来计算的。在计算获得亮度比较值、对比度比较值以及结构比较时，同样是利用公式（10）来进行计算的，具体计算过程在此不再赘述。
本申请另一实施例提供一种变电站的检测装置，如图2所示，包括；
采集模块11，用于对待检测的变电站进行图像采集，获得原始图像；
预处理模块12，用于对所述原始图像进行预处理获得目标图像；
提取模块13，用于对所述目标图像进行特征提取，获得变电站的积分图像；
第一计算模块14，用于基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；
检测模块15，用于基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果.
本实施例在具体实施过程中，所述预处理模块具体用于：对所述原始图像依次进行腐蚀处理以及膨胀处理，以获得所述目标图像。
本实施例在具体实施过程中，所述变电站的检测装置还包括评估模块，所述评估模块用于：在对所述目标图像进行特征提取之前，基于所述原始图像以及所述目标图像，计算获得峰值信噪比；基于所述峰值信噪比对所述目标图像进行质量评估，确定所述目标图像是否符合预定条件，以在目标图像符合所述预定条件的情况下、利用提取模块对所述目标图像进行特征提取。
本实施例在具体实施过程中，所述第一计算模块，具体用于：基于积分图以及各正样本图像，分别计算积分图与各正样本图像之间的亮度比较值、对比度比较值以及结构比较值；基于同一正样本图像对应的亮度比较值、对比度比较值以及结构比较值，计算各正样本图像与积分图之间的第一相似度。
本实施例在具体实施过程中，所述检测模块具体用于：将各所述正样本图像对应的第一相似度分别与预定的第一相似度阈值进行比较；在各所述第一相似度均大于或等于所述第一相似度阈值的情况下，确定所述变电站为非故障状态；在任意所述第一相似度小于所述第一相似度阈值的情况下，确定所述变电站为故障状态。
本实施例在具体实施过程中，所述变电站的检测装置还包括标注模块，所述标注模块用于：基于部分监督学习的方式，对变电站的各样本图像进行标注，获得包含若干正样本图像以及若干负样本图像的预定数据库；
其中，正样本图像为标签为非故障状态的样本图像，负样本图像为标签为故障状态的样本图像。
本实施例在具体实施过程中，所述变电站的检测装置还包括第二计算模块以及故障分类模块，所述第二计算模块用于：在任意所述第一相似度小于所述第一相似度阈值的情况下，基于所述积分图像与预定数据库中的各负样本图像，进行相似度计算，获得与各负样本图像对应的第二相似度；所述故障分类模块用于：基于各所述负样本图像对应的第二相似度，确定所述变电站的故障类型。
本实施例中的变电站的检测装置，通过采集变电站的原始图像，然后预处理获得目标图像，有利于后续基于目标图像精准的进行特征提取，获得积分图像，后续就可以将该积分图像分别与各正样本图像进行相似度计算，使得计算获得的第一相似度更加准确，为后续基于第一相似度精准的确定变电站是否存在故障提供了保障。
本申请另一实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法步骤：
步骤一、对待检测的变电站进行图像采集，获得原始图像；
步骤二、对所述原始图像进行预处理获得目标图像；
步骤三、对所述目标图像进行特征提取，获得变电站的积分图像；
步骤四、基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；
步骤五、基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果。
上述方法步骤的具体实施过程可参见上述任意变电站的检测方法的实施例，本实施例在此不再重复赘述。
本申请中的存储介质，通过采集变电站的原始图像，然后预处理获得目标图像，有利于后续基于目标图像精准的进行特征提取，获得积分图像，后续就可以将该积分图像分别与各正样本图像进行相似度计算，使得计算获得的第一相似度更加准确，为后续基于第一相似度精准的确定变电站是否存在故障提供了保障。
本申请另一实施例提供一种电子设备，如图3所示，至少包括存储器1、处理器2，所述存储器1上存储有计算机程序，所述处理器2在执行所述存储器1上的计算机程序时实现如下方法步骤：
步骤一、对待检测的变电站进行图像采集，获得原始图像；
步骤二、对所述原始图像进行预处理获得目标图像；
步骤三、对所述目标图像进行特征提取，获得变电站的积分图像；
步骤四、基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；
步骤五、基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果。
上述方法步骤的具体实施过程可参见上述任意变电站的检测方法的实施例，本实施例在此不再重复赘述。
本申请中的电子设备，通过采集变电站的原始图像，然后预处理获得目标图像，有利于后续基于目标图像精准的进行特征提取，获得积分图像，后续就可以将该积分图像分别与各正样本图像进行相似度计算，使得计算获得的第一相似度更加准确，为后续基于第一相似度精准的确定变电站是否存在故障提供了保障。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (9)
1.一种变电站的检测方法，其特征在于，包括：
对待检测的变电站进行图像采集，获得原始图像；
对所述原始图像进行预处理获得目标图像；
对所述目标图像进行特征提取，获得变电站的积分图像；
基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；
基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果；
所述，基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度，包括：
基于积分图以及各正样本图像，分别计算积分图与各正样本图像之间的亮度比较值、对比度比较值以及结构比较值；
基于同一正样本图像对应的亮度比较值、对比度比较值以及结构比较值，计算各正样本图像与积分图之间的第一相似度；
其中，用于计算亮度比较值的亮度比较函数为：
uBR表示亮度比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；h表示变电站巡检图像的标准差、即积分图像的标准差；t1为变电站巡检图像亮度调节函数、即积分图像的亮度调节函数；
用于计算对比度比较值的对比度比较函数为：
u CON表示对比度比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；σ表示变电站巡检图像的协方差、即积分图像的协方差；t2表示变电站巡检图像对比度调节函数、即积分图像的对比度调节函数；
用于计算结构比较值的结构比较函数为：
u ST表示结构比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；t3为变电站巡检图像比较调节函数；
用于计算第一相似度的结构相似性函数为：
a表示变电站巡检图像的积分图像；b表示正样本图像；α为变电站巡检图像的亮度调节因子；β为变电站巡检图像的对比度调节因子；ф为变电站巡检图像的结构对比调节因子。
2.如权利要求1所述的方法，其特征在于，所述对所述原始图像进行预处理获得目标图像，具体包括：
对所述原始图像依次进行腐蚀处理以及膨胀处理，以获得所述目标图像。
3.如权利要求1所述的方法，其特征在于，在获得目标图像之后、且在对所述目标图像进行特征提取之前，所述方法还包括：
基于所述原始图像以及所述目标图像，计算获得峰值信噪比；
基于所述峰值信噪比对所述目标图像进行质量评估，确定所述目标图像是否符合预定条件，以在目标图像符合所述预定条件的情况下、对所述目标图像进行特征提取。
4.如权利要求1所述的方法，所述基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果，具体包括：
将各所述正样本图像对应的第一相似度分别与预定的第一相似度阈值进行比较；
在各所述第一相似度均大于或等于所述第一相似度阈值的情况下，确定所述变电站为非故障状态；
在任意所述第一相似度小于所述第一相似度阈值的情况下，确定所述变电站为故障状态。
5.如权利要求1所述的方法，其特征在于，在基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算之前，所述方法还包括：
基于部分监督学习的方式，对变电站的各样本图像进行标注，获得包含若干正样本图像以及若干负样本图像的预定数据库；
其中，正样本图像为标签为非故障状态的样本图像，负样本图像为标签为故障状态的样本图像。
6.如权利要求4所述的方法，其特征在于，在任意所述第一相似度小于所述第一相似度阈值的情况下，所述方法还包括：
基于所述积分图像与预定数据库中的各负样本图像，进行相似度计算，获得与各负样本图像对应的第二相似度；
基于各所述负样本图像对应的第二相似度，确定所述变电站的故障类型。
7.一种变电站的检测装置，其特征在于，包括：
采集模块，用于对待检测的变电站进行图像采集，获得原始图像；
预处理模块，用于对所述原始图像进行预处理获得目标图像；
提取模块，用于对所述目标图像进行特征提取，获得变电站的积分图像；
第一计算模块，用于基于所述积分图像以及预定数据库中的各正样本图像，进行相似度计算，获得与各正样本图像对应的第一相似度；
检测模块，用于基于各所述正样本图像对应的第一相似度对所述变电站进行故障检测，获得检测结果；
所述，第一计算模块用于：基于积分图以及各正样本图像，分别计算积分图与各正样本图像之间的亮度比较值、对比度比较值以及结构比较值；
基于同一正样本图像对应的亮度比较值、对比度比较值以及结构比较值，计算各正样本图像与积分图之间的第一相似度；
其中，用于计算亮度比较值的亮度比较函数为：
uBR表示亮度比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；h表示变电站巡检图像的标准差、即积分图像的标准差；t1为变电站巡检图像亮度调节函数、即积分图像的亮度调节函数；
用于计算对比度比较值的对比度比较函数为：
u CON表示对比度比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；σ表示变电站巡检图像的协方差、即积分图像的协方差；t2表示变电站巡检图像对比度调节函数、即积分图像的对比度调节函数；
用于计算结构比较值的结构比较函数为：
u ST表示结构比较值；a表示变电站巡检图像的积分图像；b表示正样本图像；t3为变电站巡检图像比较调节函数；
用于计算第一相似度的结构相似性函数为：
a表示变电站巡检图像的积分图像；b表示正样本图像；α为变电站巡检图像的亮度调节因子；β为变电站巡检图像的对比度调节因子；ф为变电站巡检图像的结构对比调节因子。
8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-6任一项所述变电站的检测方法的步骤。
9.一种电子设备，其特征在于，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-6任一项所述变电站的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311379856.XA CN117173385B (zh) | 2023-10-24 | 2023-10-24 | 一种变电站的检测方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311379856.XA CN117173385B (zh) | 2023-10-24 | 2023-10-24 | 一种变电站的检测方法、装置、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173385A CN117173385A (zh) | 2023-12-05 |
| CN117173385B true CN117173385B (zh) | 2024-01-26 |
Family
ID=88937721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311379856.XA Active CN117173385B (zh) | 2023-10-24 | 2023-10-24 | 一种变电站的检测方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173385B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011036846A1 (ja) * | 2009-09-28 | 2011-03-31 | 株式会社日立ハイテクノロジーズ | 欠陥検査装置および欠陥検査方法 |
| CN105260744A (zh) * | 2015-10-08 | 2016-01-20 | 北京航空航天大学 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
| WO2021017261A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技（深圳）有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
| WO2021121306A1 (zh) * | 2019-12-18 | 2021-06-24 | 北京嘀嘀无限科技发展有限公司 | 视觉定位方法和系统 |
| CN115797897A (zh) * | 2023-02-03 | 2023-03-14 | 广州斯沃德科技有限公司 | 一种基于图像处理的车辆碰撞识别方法和系统 |
| CN116051959A (zh) * | 2023-02-03 | 2023-05-02 | 苏州华兴源创科技股份有限公司 | 一种目标检测方法、装置 |
| CN116309364A (zh) * | 2023-02-20 | 2023-06-23 | 四川思极科技有限公司 | 变电站异常巡检方法及装置、存储介质、计算机设备 |
| CN116862867A (zh) * | 2023-07-06 | 2023-10-10 | 国网青海省电力公司海北供电公司 | 基于改进AnoGAN的小样本变电站设备视觉缺陷检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7738683B2 (en) * | 2005-07-22 | 2010-06-15 | Carestream Health, Inc. | Abnormality detection in medical images |
-
2023
- 2023-10-24 CN CN202311379856.XA patent/CN117173385B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011036846A1 (ja) * | 2009-09-28 | 2011-03-31 | 株式会社日立ハイテクノロジーズ | 欠陥検査装置および欠陥検査方法 |
| CN105260744A (zh) * | 2015-10-08 | 2016-01-20 | 北京航空航天大学 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
| WO2021017261A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技（深圳）有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
| WO2021121306A1 (zh) * | 2019-12-18 | 2021-06-24 | 北京嘀嘀无限科技发展有限公司 | 视觉定位方法和系统 |
| CN115797897A (zh) * | 2023-02-03 | 2023-03-14 | 广州斯沃德科技有限公司 | 一种基于图像处理的车辆碰撞识别方法和系统 |
| CN116051959A (zh) * | 2023-02-03 | 2023-05-02 | 苏州华兴源创科技股份有限公司 | 一种目标检测方法、装置 |
| CN116309364A (zh) * | 2023-02-20 | 2023-06-23 | 四川思极科技有限公司 | 变电站异常巡检方法及装置、存储介质、计算机设备 |
| CN116862867A (zh) * | 2023-07-06 | 2023-10-10 | 国网青海省电力公司海北供电公司 | 基于改进AnoGAN的小样本变电站设备视觉缺陷检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Sparse Haar-Like Feature and Image Similarity-Based Detection Algorithm for Circular Hole of Engine Cylinder Head;wenzhang zhou等;《Applied Sciences》;第8卷(第10期);1-13 * |
| 基于图像处理的列车底部故障检测;王绪晨;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第7期);C033-300 * |
| 基于正样本学习的变电站避雷器破损识别方法;唐冬来等;《电子设计工程》;第31卷(第11期);6-9+15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173385A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
| CN109543676B (zh) | 一种基于图像处理的字轮型水表数字字符识别方法 | |
| CN109376580B (zh) | 一种基于深度学习的电力塔架部件识别方法 | |
| CN113643228B (zh) | 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法 | |
| CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN116110036B (zh) | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 | |
| CN115690542A (zh) | 一种基于改进yolov5的航拍绝缘子定向识别方法 | |
| CN111337789A (zh) | 一种高压输电线路中故障电气元件检测方法及检测系统 | |
| CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
| Hao et al. | Detection of bird nests on power line patrol using single shot detector | |
| CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
| CN115482473A (zh) | 提取航拍图像特征的图卷积网络模型及检测异常的方法 | |
| CN115409789A (zh) | 基于图像语义分割的输电线路工程缺陷检测方法 | |
| CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
| CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
| CN117173385B (zh) | 一种变电站的检测方法、装置、介质及设备 | |
| CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
| CN116994161A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法 | |
| CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
| CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
| CN111626329B (zh) | 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法 | |
| 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 | ||
| GR01 | Patent grant |