CN117253197A - 电力电缆缓冲层状态监测方法、系统和设备 - Google Patents

电力电缆缓冲层状态监测方法、系统和设备 Download PDF

Info

Publication number
CN117253197A
CN117253197A CN202311540786.1A CN202311540786A CN117253197A CN 117253197 A CN117253197 A CN 117253197A CN 202311540786 A CN202311540786 A CN 202311540786A CN 117253197 A CN117253197 A CN 117253197A
Authority
CN
China
Prior art keywords
power cable
image
fault
processing
model
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
Application number
CN202311540786.1A
Other languages
English (en)
Inventor
孟庆霖
周凤争
房晟辰
宋鹏先
陶文彪
李忠磊
唐庆华
李旭
魏占朋
许然然
李治
方静
魏然
王佰淮
李忠财
郭子强
保承家
刘保安
尹爱辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Tianjin Electric Power Co Training Center
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Tianjin Electric Power Co Training Center
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Tianjin Electric Power Co Training Center, State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Tianjin Electric Power Co Training Center
Priority to CN202311540786.1A priority Critical patent/CN117253197A/zh
Publication of CN117253197A publication Critical patent/CN117253197A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • 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
    • 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
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06V10/77—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
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了电力电缆缓冲层状态监测方法、系统和设备，涉及电力电缆领域。方法包括：获取故障电力电缆现场的故障电力电缆图像；对故障电力电缆图像进行图像处理，得到处理故障电力电缆图像；构建初始学习模型，基于处理故障电力电缆图像，得到电力电缆缓冲层状态监测模型，监测电力电缆缓冲层状态。本发明通过对故障电力电缆图像进行图像处理，减少了数据处理量，提高识别效率，增强了故障区的区分度；通过构建电力电缆缓冲层状态监测模型，能够自动识别并判断电力电缆缓冲层的故障类型，进而能够在电力系统技术人员抵达故障现场之前判断出电力电缆的故障区和故障类型，提高了电力电缆的故障抢修效率，节省电力系统的人力物力。

Description

电力电缆缓冲层状态监测方法、系统和设备
技术领域
本发明涉及电力电缆领域，特别涉及电力电缆缓冲层状态监测方法、系统和设备。
背景技术
广大用户对电力的需求与日剧增，继而对供电的可靠性要求也越来越高。因缓冲层烧蚀缺陷导致的电缆故障主要表现为半导电缓冲阻水带上附着白色灼伤点，其中部分已损伤至绝缘屏蔽层，该缺陷的持续恶化将完全贯穿绝缘屏蔽层直至危及主绝缘，最终引发停电事故，严重影响城市电网运行安全。
目前，当停电事故发生之后，电力系统技术人员需要去到事故现场进行紧急抢修，抢修时，电力系统技术人员需要携带电缆故障测试仪、电缆剥皮工具、电缆割切器、螺丝刀、扳手和钳子等工具抵达故障现场，首先在故障现场判断故障原因，随后进行抢修。一方面，电力系统技术人员携带电缆故障测试仪不方便，且费力；另一方面，电力系统技术人员抵达故障现场之后先进行故障判断，再进行故障抢修，花费时间较长，抢修效率不高。因此，提升电力电缆缓冲层故障抢修效率、节省电力系统的人力物力迫在眉睫。
发明内容
针对上述问题，本发明提供了电力电缆缓冲层状态监测方法、系统和设备，目的在于提高电力电缆故障抢修的效率，同时节省电力系统的人力物力。
一方面，本发明提供了电力电缆缓冲层状态监测方法，所述方法包括：
S1，获取故障电力电缆现场的故障电力电缆图像；
S2，对所述故障电力电缆图像进行图像处理，得到处理故障电力电缆图像；
S3，构建初始学习模型，基于所述处理故障电力电缆图像，得到电力电缆缓冲层状态监测模型，监测电力电缆缓冲层状态。
进一步的，采用XRS-3型便携式脉冲射线机获取所述故障电力电缆图像；其中，所述XRS-3型便携式脉冲射线机的成像板为非晶硅成像板，成像尺寸为22cm×22cm，透照参数为10个脉冲，焦距为800mm。
进一步的，还包括：采用索尼FDR-AX700摄像机获取所述故障电力电缆图像；其中，所述索尼FDR-AX700摄像机的光圈为f5.6，焦距为60mm。
进一步的，所述图像处理具体包括：
S21，对所述故障电力电缆图像进行灰度处理，得到灰度处理图像；
S22，利用伽马曲线校正所述灰度处理图像，得到校正处理图像；
S23，基于边缘检测算子和权重值，增强所述校正处理图像的锐利度，得到处理故障电力电缆图像。
进一步的，对所述故障电力电缆图像进行所述灰度处理时，像素的灰度值为第一灰度值或第二灰度值，所述第一灰度值为0，第二灰度值为240。
进一步的，利用所述伽马曲线进行校正的公式为：
其中，为指数函数的指数项，/>表示采集到的带有乘性环境光照影响的图像，/>表示伽马曲线校正后的校正处理图像信息，i为横坐标，j为纵坐标。
进一步的，所述电力电缆缓冲层状态监测模型的构建过程具体包括：
S31，将预训练的多层深度残差网络和多层视觉几何组网络并联连接，以构建所述初始学习模型；
S32，将所述处理故障电力电缆图像划分为训练数据集和测试数据集；
S33，将所述训练数据集输入至所述初始学习模型中进行训练，得到训练学习模型；将所述测试数据集输入至所述训练学习模型中进行测试，得到所述电力电缆缓冲层状态监测模型。
另一方面，本发明提供了电力电缆缓冲层状态监测系统，所述系统包括：图像获取模块、图像处理模块、监测模型构建模块；
所述图像获取模块用于获取故障电力电缆现场的故障电力电缆图像；
所述图像处理模块用于对所述故障电力电缆图像进行图像处理，得到处理故障电力电缆图像；
所述监测模型构建模块用于构建初始学习模型，基于所述处理故障电力电缆图像，得到电力电缆缓冲层状态监测模型。
进一步的，所述图像处理模块包括：灰度处理单元、校正处理单元和增强处理单元；
所述灰度处理单元用于对所述故障电力电缆图像进行灰度处理，得到灰度处理图像；
所述校正处理单元用于利用伽马曲线校正所述灰度处理图像，得到校正处理图像；
所述增强处理单元用于基于边缘检测算子和权重值，增强所述校正处理图像的锐利度，得到处理故障电力电缆图像。
进一步的，所述监测模型构建模块包括：初始学习模型构建单元、数据集划分单元、模型训练单元和模型测试单元；
所述初始学习模型构建单元用于将预训练的多层深度残差网络和多层视觉几何组网络并联连接，以构建所述初始学习模型；
所述数据集划分单元用于将所述处理故障电力电缆图像划分为训练数据集和测试数据集；
所述模型训练单元用于将所述训练数据集输入至所述初始学习模型中进行训练，得到训练学习模型；
所述模型测试单元用于将所述测试数据集输入至所述训练学习模型中进行测试，得到所述电力电缆缓冲层状态监测模型。
另一方面，本发明还提供了电力电缆缓冲层状态监测设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现任一所述电力电缆缓冲层状态监测方法。
本发明至少具备以下有益效果：
（1）本发明通过对故障电力电缆图像进行图像处理，减少了数据处理量，提高识别效率，增强了故障区的区分度；
（2）本发明通过构建电力电缆缓冲层状态监测模型，能够自动识别并判断电力电缆缓冲层的故障类型，进而能够在电力系统技术人员抵达故障现场之前判断出电力电缆的故障区和故障类型，提高了电力电缆的故障抢修效率，节省电力系统的人力物力。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例一电力电缆缓冲层状态监测方法流程图；
图2为本发明实施例一阻水带含白色灼伤点的处理故障电力电缆示意图；
图3为本发明实施例一绝缘屏蔽层表面含白色灼伤点的处理故障电力电缆示意图；
图4为本发明实施例一屏蔽层被烧蚀的处理故障电力电缆示意图；
图5为本发明实施例一故障电力电缆的X射线图像的处理故障电力电缆示意图。
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、完整地说明，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，本领域普通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，当停电事故发生之后，电力系统技术人员需要去到事故现场进行紧急抢修，抢修时，电力系统技术人员需要携带电缆故障测试仪、电缆剥皮工具、电缆割切器、螺丝刀、扳手和钳子等工具抵达故障现场，首先在故障现场判断故障原因，随后进行抢修。一方面，电力系统技术人员携带电缆故障测试仪不方便，且费力；另一方面，电力系统技术人员抵达故障现场之后先进行故障判断，再进行故障抢修，花费时间较长，抢修效率不高。因此，提升电力电缆缓冲层故障抢修效率、节省电力系统的人力物力迫在眉睫。
为此，本发明提出了电力电缆缓冲层状态监测方法、系统和设备，包括电力电缆缓冲层状态监测方法、电力电缆缓冲层状态监测系统和电力电缆缓冲层状态监测设备。
实施例
本实施例提供了电力电缆缓冲层状态监测方法，包括：
S1，获取故障电力电缆现场的故障电力电缆图像；
具体的，一方面，电缆缓冲层产生故障的原因主要是绝缘屏蔽层与金属护套之间接触较差，在径向方向上存在一定的电位差，导致炫悬浮放电，进而产生故障。
含有铜丝织造带结构的电力电缆更能保证绝缘屏蔽层和金属护套有良好电气接触。研究目前已经发生过的故障发现，铜丝织造带中铜丝数量太少导致绝缘屏蔽层与金属护套之间接触不良，铜丝织造带不足以承受工频电压下的电容充电电流，引起镀锡铜丝局部过热，且造成阻水粉析出，阻水粉中的丙烯酸钠会腐蚀铜丝和铝护套（即上述提到的金属护套），增加了绝缘屏蔽层和铝护套之间的接触电阻，并导致局部接触处发热，造成烧蚀，损坏绝缘屏蔽层，引发局部放电和电力电缆绝缘强度下降。
因此，作为本实施例S1中获取的故障电力电缆图像中包含的图像类型一：本实施例通过采用索尼FDR-AX700摄像机获取故障电力电缆图像中的电力电缆缓冲层烧蚀故障图像。具体的，电力电缆缓冲层烧蚀故障类型表现为阻水带含白色灼伤点、绝缘屏蔽层表面含白色灼伤点、阻水带被击穿和屏蔽层被烧蚀。其中，索尼FDR-AX700摄像机的光圈为f5.6，焦距为60mm。
具体的，另一方面，作为本实施例S1中获取的故障电力电缆图像中包含的图像类型二：采用XRS-3型便携式脉冲射线机在故障电力电缆现场获取故障电力电缆的X射线图像，根据X射线图像中的故障电缆外护管、皱纹铝套、缓冲层、绝缘层、导电层的结构变化情况获取故障电力电缆的缺陷状态图像。其中，XRS-3型便携式脉冲射线机的成像板为非晶硅成像板，成像尺寸为22cm×22cm，透照参数为10个脉冲，焦距为800mm。
本实施例通过获取包含故障电力电缆X射线图像和电力电缆缓冲层烧蚀故障图像，能够更全面的构建数据集，提高电力电缆缓冲层状态监测的准确性和全面性。
S2，对故障电力电缆图像进行图像处理，得到处理故障电力电缆图像；
S21，对故障电力电缆图像进行灰度处理，得到灰度处理图像；
具体的，对故障电力电缆图像进行灰度处理，像素的灰度值为第一灰度值或第二灰度值，第一灰度值为0，第二灰度值为240。进行灰度处理之后的图像即为黑白图像，每个像素的灰度值都在0-240之间，减小了数据处理量。
S22，利用伽马曲线校正灰度处理图像，得到校正处理图像；
利用伽马曲线校正灰度处理图像的灰度分布，增强灰度处理图像的图像纹理区分布，以进一步增强灰度处理图像的纹理像素值，实现图像增强。利用伽马曲线进行校正的公式为：
其中，为指数函数的指数项，/>表示采集到的带有乘性环境光照影响的图像，/>表示伽马曲线校正后的校正处理图像信息，i为横坐标，j为纵坐标，以图像的左上角为原点建立直角坐标系。
S23，基于边缘检测算子和权重值，增强校正处理图像的锐利度，得到处理故障电力电缆图像；
根据校正处理图像的图像内容和环境因素确定边缘检测算子的类型、尺寸和权重值；通过边缘检测算子对校正处理图像执行边缘检测过程以产生边缘图像，根据权重值改进边缘图像，以及用改进的边缘图像叠加校正处理图像以增强校正处理图像的锐利度。
具体的，当边缘检测算子的尺寸较大时，在边缘检测和增强上的计算速度较低，但边缘检测和增强的结果通常较好。为了取得平衡，在本实施例中，将边缘检测算子选择为3乘3算子矩阵。
本实施例的权重值WV范围在2-3之间，且权重值WV还根据校正处理图像的图像内容和环境因素确定。在本实施例中，权重值WV为2。
在获得边缘检测算子之后，通过边缘检测算子对校正处理图像执行边缘检测过程以产生边缘图像，通过执行边缘检测过程，校正处理图像获取边缘区域，且因此产生边缘图像。进一步，根据权重值WV改进边缘图像以获得改进的边缘图像，即，通过权重值WV乘边缘图像来改进校正处理图像的边缘区域的强度；最后，用改进的边缘图像叠加校正处理图像以增强校正处理图像的锐利度，图2为阻水带含白色灼伤点的处理故障电力电缆示意图，图3为绝缘屏蔽层表面含白色灼伤点的处理故障电力电缆示意图，图4为屏蔽层被烧蚀的处理故障电力电缆示意图，图5为故障电力电缆的X射线图像的处理故障电力电缆示意图，可见，经过本实施例所述S2能够增强处理故障电力电缆图像的可辨识性。
S3，构建初始学习模型，基于处理故障电力电缆图像，得到电力电缆缓冲层状态监测模型，监测电力电缆缓冲层状态；
S31，将预训练的多层深度残差网络和多层视觉几何组网络并联连接，以构建初始学习模型；
获取预训练的多层深度残差网络ResNet和多层视觉几何组网络VGG，并删除多层深度残差网络的全局平均池化层与全连接层，以及删除多层视觉几何组网络的全连接层，具体包括：多层深度残差网络ResNet和多层视觉几何组网络VGG在大型数据集中完成预训练，可选的大型数据集包括但不限于ImageNet数据集、PASCALVOC数据集、Labelme数据集、COCO数据集、SUN数据集、Caltech数据集、Corel5K数据集、CIFAR数据集。
将经删除处理后的深度残差网络和视觉几何组网络并联连接，以生成预训练模型，随后为预训练模型增设新层，以构建生成初始学习模型。并联连接的预训练模型综合了深度残差网络和视觉几何组网络分别训练学习的图像特征，比单一的深度残差网络或单一的视觉几何组网络具有更好的图像识别性能，具有更高的准确性、敏感性和特异性。
S32，将处理故障电力电缆图像划分为训练数据集和测试数据集；
具体的，将处理故障电力电缆图像划分为训练数据集和测试数据集，其中，训练数据集为80%，测试数据集为20%。
S33，将训练数据集输入至初始学习模型中进行训练，得到训练学习模型；将测试数据集输入至训练学习模型中进行测试，得到电力电缆缓冲层状态监测模型；
具体的，将训练数据集输入至初始学习模型中，基于训练数据集中各图像的原始坐标以及初始学习模型输出的坐标信息构建的损失函数对模型进行训练，直至损失函数达到收敛时，得到训练学习模型。
损失函数基于原始坐标以及初始学习模型输出的坐标信息之间的差值的绝对值所构建得到，在本实施例中，损失函数为：
其中，Y i 为原始坐标，f（x i ）为初始学习模型输出的坐标信息，S为损失总和。
将测试数据集输入至训练学习模型中进行测试，得到电力电缆缓冲层状态监测模型。
进一步的，本实施例提供的电力电缆缓冲层状态监测方法还包括：当识别到电力电缆缓冲层出现故障时，提供报警，所述报警方式包括但不限于弹窗、蜂鸣声等。
实施例
本实施例提供了电力电缆缓冲层状态监测系统，包括：图像获取模块、图像处理模块、监测模型构建模块和报警模块；
图像获取模块用于获取故障电力电缆现场的故障电力电缆图像；
图像处理模块用于对故障电力电缆图像进行图像处理，得到处理故障电力电缆图像；
图像处理模块包括：灰度处理单元、校正处理单元和增强处理单元；灰度处理单元用于对故障电力电缆图像进行灰度处理，得到灰度处理图像；校正处理单元用于利用伽马曲线校正灰度处理图像，得到校正处理图像；增强处理单元用于基于边缘检测算子和权重值，增强校正处理图像的锐利度，得到处理故障电力电缆图像。
监测模型构建模块用于构建初始学习模型，基于处理故障电力电缆图像，得到电力电缆缓冲层状态监测模型；
监测模型构建模块包括：初始学习模型构建单元、数据集划分单元、模型训练单元和模型测试单元；初始学习模型构建单元用于将预训练的多层深度残差网络和多层视觉几何组网络并联连接，以构建初始学习模型；数据集划分单元用于将处理故障电力电缆图像划分为训练数据集和测试数据集；模型训练单元用于将训练数据集输入至初始学习模型中进行训练，得到训练学习模型；模型测试单元用于将测试数据集输入至训练学习模型中进行测试，得到电力电缆缓冲层状态监测模型。
报警模块用于当电力电缆发生故障时进行报警，所述报警方式包括但不限于弹窗、蜂鸣声等。
具体实施时，本发明电力电缆缓冲层状态监测系统和电力电缆缓冲层状态监测方法的实现过程一一对应，此处不予赘述。
实施例
本发明提供了电力电缆缓冲层状态监测设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现任一电力电缆缓冲层状态监测方法。
本发明通过对故障电力电缆图像进行图像处理，减少了数据处理量，提高识别效率，增强了故障区的区分度，且，本发明通过构建电力电缆缓冲层状态监测模型，能够自动识别并判断电力电缆缓冲层的故障类型，进而能够在电力系统技术人员抵达故障现场之前判断出电力电缆的故障区和故障类型，提高了电力电缆的故障抢修效率，节省电力系统的人力物力。
尽管参照前述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精神和范围。

Claims (11)

1.电力电缆缓冲层状态监测方法，其特征在于，所述方法包括：
S1，获取故障电力电缆现场的故障电力电缆图像；
S2，对所述故障电力电缆图像进行图像处理，得到处理故障电力电缆图像；
S3，构建初始学习模型，基于所述处理故障电力电缆图像，得到电力电缆缓冲层状态监测模型，监测电力电缆缓冲层状态。
2.根据权利要求1所述的电力电缆缓冲层状态监测方法，其特征在于，采用XRS-3型便携式脉冲射线机获取所述故障电力电缆图像；其中，所述XRS-3型便携式脉冲射线机的成像板为非晶硅成像板，成像尺寸为22cm×22cm，透照参数为10个脉冲，焦距为800mm。
3.根据权利要求1所述的电力电缆缓冲层状态监测方法，其特征在于，还包括：采用索尼FDR-AX700摄像机获取所述故障电力电缆图像；其中，所述索尼FDR-AX700摄像机的光圈为f5.6，焦距为60mm。
4.根据权利要求1所述的电力电缆缓冲层状态监测方法，其特征在于，所述图像处理具体包括：
S21，对所述故障电力电缆图像进行灰度处理，得到灰度处理图像；
S22，利用伽马曲线校正所述灰度处理图像，得到校正处理图像；
S23，基于边缘检测算子和权重值，增强所述校正处理图像的锐利度，得到处理故障电力电缆图像。
5.根据权利要求4所述的电力电缆缓冲层状态监测方法，其特征在于，对所述故障电力电缆图像进行所述灰度处理时，像素的灰度值为第一灰度值或第二灰度值，所述第一灰度值为0，第二灰度值为240。
6.根据权利要求4所述的电力电缆缓冲层状态监测方法，其特征在于，利用所述伽马曲线进行校正的公式为：
；
其中，为指数函数的指数项，/>表示采集到的带有乘性环境光照影响的图像，/>表示伽马曲线校正后的校正处理图像信息，i为横坐标，j为纵坐标。
7.根据权利要求1所述的电力电缆缓冲层状态监测方法，其特征在于，所述电力电缆缓冲层状态监测模型的构建过程具体包括：
S31，将预训练的多层深度残差网络和多层视觉几何组网络并联连接，以构建所述初始学习模型；
S32，将所述处理故障电力电缆图像划分为训练数据集和测试数据集；
S33，将所述训练数据集输入至所述初始学习模型中进行训练，得到训练学习模型；将所述测试数据集输入至所述训练学习模型中进行测试，得到所述电力电缆缓冲层状态监测模型。
8.电力电缆缓冲层状态监测系统，其特征在于，所述系统包括：图像获取模块、图像处理模块、监测模型构建模块；
所述图像获取模块用于获取故障电力电缆现场的故障电力电缆图像；
所述图像处理模块用于对所述故障电力电缆图像进行图像处理，得到处理故障电力电缆图像；
所述监测模型构建模块用于构建初始学习模型，基于所述处理故障电力电缆图像，得到电力电缆缓冲层状态监测模型。
9.根据权利要求8所述的电力电缆缓冲层状态监测系统，其特征在于，所述图像处理模块包括：灰度处理单元、校正处理单元和增强处理单元；
所述灰度处理单元用于对所述故障电力电缆图像进行灰度处理，得到灰度处理图像；
所述校正处理单元用于利用伽马曲线校正所述灰度处理图像，得到校正处理图像；
所述增强处理单元用于基于边缘检测算子和权重值，增强所述校正处理图像的锐利度，得到处理故障电力电缆图像。
10.根据权利要求8所述的电力电缆缓冲层状态监测系统，其特征在于，所述监测模型构建模块包括：初始学习模型构建单元、数据集划分单元、模型训练单元和模型测试单元；
所述初始学习模型构建单元用于将预训练的多层深度残差网络和多层视觉几何组网络并联连接，以构建所述初始学习模型；
所述数据集划分单元用于将所述处理故障电力电缆图像划分为训练数据集和测试数据集；
所述模型训练单元用于将所述训练数据集输入至所述初始学习模型中进行训练，得到训练学习模型；
所述模型测试单元用于将所述测试数据集输入至所述训练学习模型中进行测试，得到所述电力电缆缓冲层状态监测模型。
11.电力电缆缓冲层状态监测设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7中任一项所述的电力电缆缓冲层状态监测方法。
CN202311540786.1A 2023-11-20 2023-11-20 电力电缆缓冲层状态监测方法、系统和设备 Pending CN117253197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311540786.1A CN117253197A (zh) 2023-11-20 2023-11-20 电力电缆缓冲层状态监测方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311540786.1A CN117253197A (zh) 2023-11-20 2023-11-20 电力电缆缓冲层状态监测方法、系统和设备

Publications (1)

Publication Number Publication Date
CN117253197A true CN117253197A (zh) 2023-12-19

Family

ID=89126866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311540786.1A Pending CN117253197A (zh) 2023-11-20 2023-11-20 电力电缆缓冲层状态监测方法、系统和设备

Country Status (1)

Country Link
CN (1) CN117253197A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118279810A (zh) * 2024-04-19 2024-07-02 南京炜臻柏网络科技有限公司 用于电网供电的汇流箱内对象接触状态识别系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611407A (zh) * 2015-10-21 2017-05-03 中华映管股份有限公司 图像增强方法及图像处理设备
CN107064182A (zh) * 2017-03-28 2017-08-18 国网上海市电力公司 一种基于x射线的高压电力电缆现场缺陷检测方法
CN109166555A (zh) * 2018-10-29 2019-01-08 重庆先进光电显示技术研究院 伽马曲线校正方法及装置
CN111368661A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种基于图像处理的手指静脉图像增强方法
CN111680755A (zh) * 2020-06-11 2020-09-18 上海交通大学医学院附属第九人民医院 医学图像识别模型构建及医学图像识别方法、装置、介质及终端
CN111862074A (zh) * 2020-07-30 2020-10-30 国网湖南省电力有限公司 一种电缆阻水缓冲层缺陷识别方法及装置
CN114390157A (zh) * 2021-12-31 2022-04-22 上海宇思微电子有限公司 一种Gamma校正的方法及系统
CN115908303A (zh) * 2022-11-14 2023-04-04 国网山东省电力公司临沂供电公司 一种电缆缺陷诊断模型的构建方法和系统
CN117011222A (zh) * 2023-05-19 2023-11-07 重庆真测科技股份有限公司 一种电缆缓冲层缺陷检测方法、装置、存储介质和设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611407A (zh) * 2015-10-21 2017-05-03 中华映管股份有限公司 图像增强方法及图像处理设备
CN107064182A (zh) * 2017-03-28 2017-08-18 国网上海市电力公司 一种基于x射线的高压电力电缆现场缺陷检测方法
CN109166555A (zh) * 2018-10-29 2019-01-08 重庆先进光电显示技术研究院 伽马曲线校正方法及装置
CN111368661A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种基于图像处理的手指静脉图像增强方法
CN111680755A (zh) * 2020-06-11 2020-09-18 上海交通大学医学院附属第九人民医院 医学图像识别模型构建及医学图像识别方法、装置、介质及终端
CN111862074A (zh) * 2020-07-30 2020-10-30 国网湖南省电力有限公司 一种电缆阻水缓冲层缺陷识别方法及装置
CN114390157A (zh) * 2021-12-31 2022-04-22 上海宇思微电子有限公司 一种Gamma校正的方法及系统
CN115908303A (zh) * 2022-11-14 2023-04-04 国网山东省电力公司临沂供电公司 一种电缆缺陷诊断模型的构建方法和系统
CN117011222A (zh) * 2023-05-19 2023-11-07 重庆真测科技股份有限公司 一种电缆缓冲层缺陷检测方法、装置、存储介质和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨聪等: "《机器学习与Python实践》", 西安电子科技大学出版社, pages: 201 - 204 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118279810A (zh) * 2024-04-19 2024-07-02 南京炜臻柏网络科技有限公司 用于电网供电的汇流箱内对象接触状态识别系统

Similar Documents

Publication Publication Date Title
CN109785289B (zh) 一种输电线路缺陷检测方法、系统及电子设备
CN111650204B (zh) 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN117253197A (zh) 电力电缆缓冲层状态监测方法、系统和设备
EP3416283B1 (en) Battery pack string fault identification method in photoelectric system, apparatus and device
CN110335260B (zh) 一种基于轻卷积神经网络的电力电缆破损检测方法
CN113252701B (zh) 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法
CN109613401B (zh) 一种基于智能低成本红外热视的电缆电弧故障预警系统
CN114881956A (zh) 基于霍夫变换的电池板栅线自适应提取方法及系统
CN115809982B (zh) 电芯压伤检测方法、装置及系统
CN118053118B (zh) 一种光伏性能综合监测评估及维护方法及系统
CN115940809A (zh) 基于功率数据及视觉分析的太阳能板故障检测方法
CN114842243A (zh) 一种基于大跨度巡线机器人的故障检测方法、系统及设备
CN116886043A (zh) 一种自动识别光伏组串系统问题的监测系统
CN114155212A (zh) 一种基于红外图像的变电站异常绝缘子检测方法和装置
CN117556238A (zh) 一种基于故障预测的电力设备巡检方法及系统
CN116958905A (zh) 输电线路故障监测方法、系统、介质及设备
CN115208309B (zh) 基于i-v特性曲线的光伏组件电流失配故障诊断方法
CN115880579A (zh) 一种绝缘子破损检测方法及装置
CN114036696B (zh) 一种基于神经网络模型微调的刀盘扭矩预测方法及系统
CN114972863A (zh) 一种基于边缘智能终端的大型机械检测装置及其检测方法
CN111402552A (zh) 一种电力设备监测报警系统及方法
CN113763320A (zh) 一种电缆附件封铅施工缺陷检测方法及系统
Ma et al. Insulation default diagnosing of GIS busbar based on fusion technique of visible and infrared images
CN117809083B (zh) 一种基于红外或紫外图像的电缆接头故障检测方法及系统
CN113777448B (zh) 一种确定光伏组件阵列电弧故障发生时刻的方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20231219