CN117291911B - 一种用于电力设备的缺陷检测方法及系统 - Google Patents
一种用于电力设备的缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117291911B CN117291911B CN202311575172.7A CN202311575172A CN117291911B CN 117291911 B CN117291911 B CN 117291911B CN 202311575172 A CN202311575172 A CN 202311575172A CN 117291911 B CN117291911 B CN 117291911B
- Authority
- CN
- China
- Prior art keywords
- monitoring target
- image
- recognition result
- monitoring
- feature
- 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 46
- 230000007547 defect Effects 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本发明涉及图像处理技术领域，本发明涉及一种用于电力设备的缺陷检测方法及系统，该方法包括选取监控目标匹配的目标布控球，并获取目标布控球所采集的监控图像；对监控图像进行单一色彩通道的预处理，并提取形状特征以得到形状特征识别结果；检测监控图像中监控目标对应的状态指示色块，并计算状态指示色块与标准色块之间的特征距离以得到色块特征识别结果；根据监控目标类别确定形状特征识别结果和色块特征识别结果对应的权重，并根据权重计算综合判别结果的评分；根据综合判别结果的评分和阈值的关系确定电力设备的缺陷情况。本发明的方案解决了目前电力设备缺陷检测过程中算法过于复杂且准确性低的问题。
Description
技术领域
本发明一般地涉及图像处理技术领域。更具体地，本发明涉及一种用于电力设备的缺陷检测方法及系统。
背景技术
在各种自动化控制系统（例如配电室等电力系统）中，设备的安全运行是最重要的安全保障之一，而各种设备的运行状态是确保系统安全运行的重要保障。通过对电力系统中各种设备的状态进行监控和识别，可以在发现问题时及时进行处理，从而提升运行安全性。现有的方式主要是对设备的外观形状进行识别，或对设备关键部位（例如连接点）的颜色进行监控和识别，方式较为单一，且识别过程中提取特征等各个节点均需要设置相应的阈值，若阈值设置不合理将可能导致状态识别错误，在线检测效果较差。
例如授权公告号为CN114627119B，发明名称为基于视觉神经网络的外观缺陷智能识别系统及识别方法的中国发明专利，就公开了基于图像特征分析的图像异常标记方法，利用巡检装置采集图像后进行校正，同时利用感知终端进行辅助拍摄，经过校正后采集的图像进行形态处理，实现对图像纹理变化的分析，从而预测图像中变电设备属于哪个缺陷等级。该方案虽然利用巡检装置校准图像以及优化方法使变电设备的训练避免同质化，但是该方案中一方面由于利用庞大的视觉神经网络模型进行训练，算法相对复杂，另一方面在训练过程中需要设置多种阈值，整个模型的准确性容易受到影响。
因此，如何解决目前电力设备缺陷检测过程中算法过于复杂且准确性低的问题，是目前研究的重点。
发明内容
为解决上述一个或多个技术问题，本发明提出通过综合考虑电力设备的结构特征和色块特征，实现对电力设备缺陷的综合判定，从而有效提升了缺陷检测过程的准确性，同时该方法较为简单，有效减小了运算过程的复杂度，提升检测效率。为此，本发明在如下的多个方面中提供方案。
在第一方面中，本发明提供了一种用于电力设备的缺陷检测方法，包括：选取布控球系统中与监控目标匹配的目标布控球，并获取目标布控球所采集的监控图像；对监控图像进行单一色彩通道的预处理，并提取形状特征以得到形状特征识别结果；检测监控图像中监控目标对应的状态指示色块，并计算状态指示色块与标准色块之间的特征距离，以得到色块特征识别结果；根据监控目标类别确定形状特征识别结果和色块特征识别结果对应的权重，并根据所述权重计算综合判别结果的评分；根据综合判别结果的评分和阈值的关系确定电力设备的缺陷情况。
在一个实施例中，选取布控球系统中与监控目标匹配的目标布控球包括：预先建立布控球系统中的布控球与电力设备的关联关系；选取布控球系统中与监控目标关联程度最高的至少三个布控球，以作为目标布控球采集监控目标对应的监控图像。
在一个实施例中，对监控图像进行单一色彩通道的预处理，并提取形状特征以得到形状特征识别结果包括：将监控图像进行RGB色彩分离，以获取单一色彩通道的图像，所述单一色彩通道的图像的处理公式包括：
式中，表示单一色彩通道的像素值，x、y表示坐标，S表示RGB颜色空间中的任意两点m、n之间的距离，T表示阈值，α、β分别表示电力设备不同颜色的表征参数，mR、nR分别表示m点和n点的红色像素点的像素差值，mG、nG分别表示m点和n点的绿色像素点的像素差值，mB、nB分别表示m点和n点的蓝色像素点的像素差值；对单一色彩通道的图像进行二值化处理，以得到二值化图像；对包含监控目标的区域进行边缘检测，以确定监控目标的骨架轮廓；根据霍夫直线检测算法对监控目标的骨架轮廓进行检测，以确定多条直线；根据多条直线的断点、粗细程度以及直线之间的角度确定监控目标的完整度，并将所述完整度作为形状特征识别结果。
在一个实施例中，检测监控图像中监控目标对应的状态指示色块，并计算状态指示色块与标准色块之间的特征距离，以得到色块特征识别结果包括：对监控图像中的监控目标对应的状态指示色块进行特征维度检测；在特征维度计算监控目标与标准图像之间的特征值距离；将特征值距离最近的标准图像对应的状态作为监控图像的色块特征识别结果。
在一个实施例中，在特征维度计算监控目标与标准图像之间的特征值距离包括：获取监控图像中监控目标和标准图像的特征值向量；计算多个特征维度的协方差矩阵；根据监控目标和标准图像的特征值向量和协方差矩阵确定马氏距离，以作为特征值距离，所述马氏距离的计算公式为：
式中，表示监控目标的特征值向量Xi和标准图像的Yj之间的马氏距离，Q表示协方差矩阵，H表示结合外观特征和几何特征的形状参数。
在一个实施例中，根据监控目标类别确定形状特征识别结果和色块特征识别结果对应的权重，并根据所述权重计算综合判别结果的评分包括：根据监控目标类别确定监控目标属性，并根据监控目标属性确定形状特征和色块特征分别对应的重要程度；利用形状特征对应的重要程度计算形状特征识别结果对应的权重；利用色块特征对应的重要程度计算色块特征识别结果对应的权重；将形状特征识别结果、色块特征识别结果以及对应的权重进行加权计算，以得到综合判别结果的评分。
在第二方面中，本发明还提供了一种用于电力设备的缺陷检测系统，包括：处理器；存储器，其存储有用于电力设备的缺陷检测的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据前文一个或多个实施例所述的用于电力设备的缺陷检测方法。
本发明的有益效果在于：根据本发明的方案，可以通过对电力设备的监控图像中的结构特征和色块特征分别进行检测，并根据电力设备的类别调整检测的侧重点，从而实现对电力设备缺陷的综合检测，有效提升了检测过程的准确性。同时，该方法并不需要构建复杂的网络模型和设置大量的阈值参数，显著降低了检测运算过程的复杂度，提升了缺陷检测效率。
进一步，可以通过选取监控目标关联程度最高的布控球，从而获取更加准确的监控图像，有效提升缺陷检测效率。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示意性示出本发明的实施例的用于电力设备的缺陷检测方法的流程图；
图2是示意性示出本发明的实施例的布控球布置的示例图；
图3是示意性示出本发明的实施例的形状特征识别方法的流程图；
图4是示意性示出本发明的实施例的色块特征识别方法的流程图；
图5是示意性示出本发明的实施例的特征值距离计算方法的流程图；
图6是示意性示出本发明的实施例的综合判别结果的评分的确定方法的流程图；
图7示意性示出本实施例中的一种用于电力设备的缺陷检测系统的结构框图。
具体实施方式
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。
下面结合附图来详细描述本发明的具体实施方式。
图1是示意性示出本发明的实施例的用于电力设备的缺陷检测方法100的流程图。
如图1所示，在步骤S101处，选取布控球系统中与监控目标匹配的目标布控球，并获取目标布控球所采集的监控图像。在一些实施例中，可以在变电站中设置布控球系统，其中各个电力设备的附近均布置有一定数量的布控球，通过布控球中的球形摄像头等设备实现图像采集。
在步骤S102处，对监控图像进行单一色彩通道的预处理，并提取形状特征以得到形状特征识别结果。在一些实施例中，可以通过对监控目标的骨架轮廓进行检测，通过特征值向量的距离计算，可以确定形状特征识别结果。该识别结果可以是某种缺陷对应的置信度。进一步，还可以通过直线、曲线检测的方式对骨架轮廓中所存在的缺陷进行检测，例如采用霍夫变换直线检测方法进行线条检测。
在步骤S103处，检测监控图像中监控目标对应的状态指示色块，并计算状态指示色块与标准色块之间的特征距离，以得到色块特征识别结果。在一些实施例中，通过对监控目标的图像的色块分析，可以通过纹理特征、色彩深度等情况进行缺陷判定。
在步骤S104处，根据监控目标类别确定形状特征识别结果和色块特征识别结果对应的权重，并根据权重计算综合判别结果的评分。在一些实施例中，可以结合形状特征和色块特征进行综合判定，由于不同电力设备中，不同缺陷的形状特征和色块特征的表现不同，根据监控目标类别可以通过设定相应的权重来调整其重要程度，从而实现更加准确的检测。
在步骤S105处，根据综合判别结果的评分和阈值的关系确定电力设备的缺陷情况。在一些实施例中，该综合判别结果的评分可以是置信度和对应权重的加权计算。进一步，还可以计算不同图像中计算得到的评分的平均值来进行判定。
图2是示意性示出本发明的实施例的布控球布置200的示例图。
如图2所示，假设某变电站有电力设备①至⑧，可以通过在该变电站部署布控球系统，例如该布控球系统中包括布控球A1至A3、B1至B2、C1至C3、D1至D2。其中一个电力设备可以通过多个布控球进行监控，一个布控球也可以监控多台电力设备。例如C2可以同时对电力设备⑤、⑥和⑦的图像进行监控，C3可以同时对电力设备⑦和⑧的图像进行监控。
为了便于分析，在实际操作过程中，可以预先建立布控球系统中的布控球与电力设备的关联关系。然后选取布控球系统中与监控目标关联程度最高的至少三个布控球，以作为目标布控球采集监控目标对应的监控图像。
图3是示意性示出本发明的实施例的形状特征识别方法300的流程图。
如图3所示，在步骤S301处，将监控图像进行RGB色彩分离，以获取单一色彩通道的图像。在一些实施例中，可以加载要处理的监控图像。例如使用Python中的库如OpenCV或PIL来加载图像文件。然后分离RGB图像至红色（R）、绿色（G）和蓝色（B）三个通道。将每个单一通道的图像保存为独立的文件。
该单一色彩通道的图像的处理公式包括：
式中，表示单一色彩通道的像素值，x、y表示坐标，S表示RGB颜色空间中的任意两点m、n之间的距离，T表示阈值，α、β分别表示电力设备不同颜色的表征参数，mR、nR分别表示m点和n点的红色像素点的像素差值，mG、nG分别表示m点和n点的绿色像素点的像素差值，mB、nB分别表示m点和n点的蓝色像素点的像素差值。
在步骤S302处，对单一色彩通道的图像进行二值化处理，以得到二值化图像。在一些实施例中，首先加载分离出的单一通道的图像，然后选择一个阈值（通常在0到255之间），将像素值分为两个类别。所有大于阈值的像素将被设置为白色（255），小于或等于阈值的像素将被设置为黑色（0），从而实现图像的二值化处理。
在步骤S303处，对包含监控目标的区域进行边缘检测，以确定监控目标的骨架轮廓。例如可以使用Canny边缘检测算法来检测边缘。接下来使用cv2.findContours函数查找图像中的轮廓，并在原始图像上绘制轮廓。
在步骤S304处，根据霍夫直线检测算法对监控目标的骨架轮廓进行检测，以确定多条直线。使用cv2.HoughLines函数来检测直线，调整阈值参数以控制检测到的直线数量。遍历检测到的每条直线，并在原始图像上绘制红色的直线，从而实现线条显示。
在步骤S305处，根据多条直线的断点、粗细程度以及直线之间的角度确定监控目标的完整度，并将完整度作为形状特征识别结果。
通过使用霍夫直线检测算法或其他直线检测方法来检测并获取图像中的多条直线。对于每条检测到的直线，获取它的两个端点坐标。可以使用直线的长度或其他度量来计算每条直线的粗细程度。也通过测量直线两个端点之间的距离来实现。对于每对直线，计算它们之间的夹角，可以使用向量运算和三角函数来实现。根据直线的数量、粗细程度和角度之间的关系来评估监控目标的完整度。将完整度作为形状特征的一部分，用于识别监控目标。例如可以根据完整度的阈值或范围来决定监控目标是否符合要求，从而得到形状特征识别结果。
图4是示意性示出本发明的实施例的色块特征识别方法400的流程图。
如图4所示，在步骤S401处，对监控图像中的监控目标对应的状态指示色块进行特征维度检测。在一些实施例中，可以使用图像处理和计算机视觉技术来识别和分析这些色块的特征。首先，从监控图像中分割出状态指示色块。可以通过颜色分割技术来实现，例如阈值化、颜色空间转换（如HSV或LAB）等。使用连通区域分析来找到各个色块的边界、中心点、面积等信息。从每个色块中提取一些特征维度，以描述其形状、颜色、大小等。例如可以从以下特征维度进行分析：颜色特征（每个色块的颜色直方图或平均颜色）、形状特征（每个色块的形状特征，例如圆度、长宽比、凹凸性等）、大小特征（测量每个色块的面积或周长）以及空间特征（例如多个色块之间的相对位置或距离）。根据识别出的特征，判断色块的状态。
在步骤S402处，在特征维度计算监控目标与标准图像之间的特征值距离。在一些实施例中，对于监控目标和标准图像，首先可以提取相同类型的特征向量。这些特征可以是颜色、纹理、形状、直方图等。在进行距离计算之前，通常需要对特征向量进行标准化，以确保不同特征的重要性相等。可以通过将特征向量进行归一化或标准化来实现。使用不同的距离度量方法来比较它们之间的差异。例如马氏距离、欧几里得距离、余弦相似度等。
在步骤S403处，将特征值距离最近的标准图像对应的状态作为监控图像的色块特征识别结果。较小的距离表示在特征空间中更相似，而较大的距离表示更不相似，因此选取特征值距离更近的图像作为识别结果。
图5是示意性示出本发明的实施例的特征值距离计算方法500的流程图。
如图5所示，在步骤S501处，获取监控图像中监控目标和标准图像的特征值向量。从监控目标图像和标准图像中提取特征值向量。特征值可以是图像的各种特征，例如颜色直方图、纹理特征、形状特征等。
在步骤S502处，计算多个特征维度的协方差矩阵。计算监控目标和标准图像的特征值向量的协方差矩阵。
在步骤S503处，根据监控目标和标准图像的特征值向量和协方差矩阵确定马氏距离，以作为特征值距离。该马氏距离的计算公式为：
式中，表示监控目标的特征值向量Xi和标准图像的Yj之间的马氏距离，Q表示协方差矩阵，H表示结合外观特征和几何特征的形状参数。
图6是示意性示出本发明的实施例的综合判别结果的评分的确定方法600的流程图。
如图6所示，在步骤S601处，根据监控目标类别确定监控目标属性，并根据监控目标属性确定形状特征和色块特征分别对应的重要程度。首先可以根据监控目标的类别确定监控目标属性。监控目标属性可以包括形状特征和色块特征等。然后，针对这些属性，其重要程度可以是基于领域知识、经验或者通过数据分析和实验得出的。例如可以包括专家评估、特征选择算法（如信息增益、方差分析等）等。
在步骤S602处，利用形状特征对应的重要程度计算形状特征识别结果对应的权重。在一些实施例中，可以根据形状特征对应的重要程度的百分数作为对应的权重。也可以直接根据重要程度进行赋值，以确定对应的权重。
在步骤S603处，利用色块特征对应的重要程度计算色块特征识别结果对应的权重。
在步骤S604处，将形状特征识别结果、色块特征识别结果以及对应的权重进行加权计算，以得到综合判别结果的评分。
图7示意性示出本实施例中的一种用于电力设备的缺陷检测系统的结构框图。
本发明还提供了一种用于电力设备的缺陷检测系统。如图7所示，系统包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据前文中的一种用于电力设备的缺陷检测方法。
该系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (6)
1.一种用于电力设备的缺陷检测方法，其特征在于，包括：
选取布控球系统中与监控目标匹配的目标布控球，并获取目标布控球所采集的监控图像；
对监控图像进行单一色彩通道的预处理，并提取形状特征以得到形状特征识别结果；
对监控图像进行单一色彩通道的预处理，并提取形状特征以得到形状特征识别结果包括：
将监控图像进行RGB色彩分离，以获取单一色彩通道的图像，所述单一色彩通道的图像的处理公式包括：
式中，表示单一色彩通道的像素值，x、y表示坐标，S表示RGB颜色空间中的任意两点m、n之间的距离，T表示阈值，α、β分别表示电力设备不同颜色的表征参数，mR、nR分别表示m点和n点的红色像素点的像素差值，mG、nG分别表示m点和n点的绿色像素点的像素差值，nG、nB分别表示m点和n点的蓝色像素点的像素差值；
对单一色彩通道的图像进行二值化处理，以得到二值化图像；
对包含监控目标的区域进行边缘检测，以确定监控目标的骨架轮廓；
根据霍夫直线检测算法对监控目标的骨架轮廓进行检测，以确定多条直线；
根据多条直线的断点、粗细程度以及直线之间的角度确定监控目标的完整度，并将所述完整度作为形状特征识别结果；
检测监控图像中监控目标对应的状态指示色块，并计算状态指示色块与标准色块之间的特征距离，以得到色块特征识别结果；
根据监控目标类别确定形状特征识别结果和色块特征识别结果对应的权重，并根据所述权重计算综合判别结果的评分；
根据综合判别结果的评分和阈值的关系确定电力设备的缺陷情况。
2.根据权利要求1所述的用于电力设备的缺陷检测方法，其特征在于，选取布控球系统中与监控目标匹配的目标布控球包括：
预先建立布控球系统中的布控球与电力设备的关联关系；
选取布控球系统中与监控目标关联程度最高的至少三个布控球，以作为目标布控球采集监控目标对应的监控图像。
3.根据权利要求1所述的用于电力设备的缺陷检测方法，其特征在于，检测监控图像中监控目标对应的状态指示色块，并计算状态指示色块与标准色块之间的特征距离，以得到色块特征识别结果包括：
对监控图像中的监控目标对应的状态指示色块进行特征维度检测；
在特征维度计算监控目标与标准图像之间的特征值距离；
将特征值距离最近的标准图像对应的状态作为监控图像的色块特征识别结果。
4.根据权利要求3所述的用于电力设备的缺陷检测方法，其特征在于，在特征维度计算监控目标与标准图像之间的特征值距离包括：
获取监控图像中监控目标和标准图像的特征值向量；
计算多个特征维度的协方差矩阵；
根据监控目标和标准图像的特征值向量和协方差矩阵确定马氏距离，以作为特征值距离，马氏距离的计算公式为：
式中，表示监控目标的特征值向量Xi和标准图像的Yj之间的马氏距离，Q表示协方差矩阵，H表示结合外观特征和几何特征的形状参数。
5.根据权利要求1所述的用于电力设备的缺陷检测方法，其特征在于，根据监控目标类别确定形状特征识别结果和色块特征识别结果对应的权重，并根据所述权重计算综合判别结果的评分包括：
根据监控目标类别确定监控目标属性，并根据监控目标属性确定形状特征和色块特征分别对应的重要程度；
利用形状特征对应的重要程度计算形状特征识别结果对应的权重；
利用色块特征对应的重要程度计算色块特征识别结果对应的权重；
将形状特征识别结果、色块特征识别结果以及对应的权重进行加权计算，以得到综合判别结果的评分。
6.一种用于电力设备的缺陷检测系统，其特征在于，包括：
处理器；
存储器，其存储有用于电力设备的缺陷检测的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据权利要求1-5的任意一项所述的用于电力设备的缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311575172.7A CN117291911B (zh) | 2023-11-24 | 2023-11-24 | 一种用于电力设备的缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311575172.7A CN117291911B (zh) | 2023-11-24 | 2023-11-24 | 一种用于电力设备的缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291911A CN117291911A (zh) | 2023-12-26 |
| CN117291911B true CN117291911B (zh) | 2024-02-09 |
Family
ID=89241054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311575172.7A Active CN117291911B (zh) | 2023-11-24 | 2023-11-24 | 一种用于电力设备的缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291911B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101625723A (zh) * | 2009-07-02 | 2010-01-13 | 浙江省电力公司 | 电力线轮廓的快速图像识别方法 |
| CN105868722A (zh) * | 2016-04-05 | 2016-08-17 | 国家电网公司 | 异常电力设备图像的识别方法及系统 |
| CN107483014A (zh) * | 2017-06-16 | 2017-12-15 | 理光软件研究所（北京）有限公司 | 一种光伏板故障自动检测方法 |
| WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
| CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
| CN109376605A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
| CN109523529A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
| CN112184696A (zh) * | 2020-10-14 | 2021-01-05 | 中国科学院近代物理研究所 | 一种细胞核和细胞器计数及其面积计算方法与系统 |
| CN112819784A (zh) * | 2021-02-01 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电线路导线断股散股检测方法及系统 |
| CN114066823A (zh) * | 2021-10-27 | 2022-02-18 | 随锐科技集团股份有限公司 | 检测色块的方法及其相关产品 |
| CN114627119A (zh) * | 2022-05-16 | 2022-06-14 | 山东通广电子有限公司 | 基于视觉神经网络的外观缺陷智能识别系统及识别方法 |
| CN115619778A (zh) * | 2022-12-06 | 2023-01-17 | 南京迈能能源科技有限公司 | 一种电力设备缺陷识别方法、系统、可读存储介质及设备 |
| CN115620061A (zh) * | 2022-10-20 | 2023-01-17 | 深圳市智宇精密五金塑胶有限公司 | 一种基于图像识别技术的五金零件缺陷检测方法及系统 |
| CN115861987A (zh) * | 2023-02-27 | 2023-03-28 | 江苏天南电力股份有限公司 | 一种用于输电线路在线监测的智能电力金具缺陷识别方法 |
| CN116110036A (zh) * | 2023-04-10 | 2023-05-12 | 国网江西省电力有限公司电力科学研究院 | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 |
| CN117011304A (zh) * | 2023-10-08 | 2023-11-07 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017172611A1 (en) * | 2016-03-28 | 2017-10-05 | General Dynamics Mission Systems, Inc. | System and methods for automatic solar panel recognition and defect detection using infrared imaging |
-
2023
- 2023-11-24 CN CN202311575172.7A patent/CN117291911B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101625723A (zh) * | 2009-07-02 | 2010-01-13 | 浙江省电力公司 | 电力线轮廓的快速图像识别方法 |
| CN105868722A (zh) * | 2016-04-05 | 2016-08-17 | 国家电网公司 | 异常电力设备图像的识别方法及系统 |
| WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
| CN107483014A (zh) * | 2017-06-16 | 2017-12-15 | 理光软件研究所（北京）有限公司 | 一种光伏板故障自动检测方法 |
| CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
| CN109376605A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
| CN109523529A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
| CN112184696A (zh) * | 2020-10-14 | 2021-01-05 | 中国科学院近代物理研究所 | 一种细胞核和细胞器计数及其面积计算方法与系统 |
| CN112819784A (zh) * | 2021-02-01 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电线路导线断股散股检测方法及系统 |
| CN114066823A (zh) * | 2021-10-27 | 2022-02-18 | 随锐科技集团股份有限公司 | 检测色块的方法及其相关产品 |
| CN114627119A (zh) * | 2022-05-16 | 2022-06-14 | 山东通广电子有限公司 | 基于视觉神经网络的外观缺陷智能识别系统及识别方法 |
| CN115620061A (zh) * | 2022-10-20 | 2023-01-17 | 深圳市智宇精密五金塑胶有限公司 | 一种基于图像识别技术的五金零件缺陷检测方法及系统 |
| CN115619778A (zh) * | 2022-12-06 | 2023-01-17 | 南京迈能能源科技有限公司 | 一种电力设备缺陷识别方法、系统、可读存储介质及设备 |
| CN115861987A (zh) * | 2023-02-27 | 2023-03-28 | 江苏天南电力股份有限公司 | 一种用于输电线路在线监测的智能电力金具缺陷识别方法 |
| CN116110036A (zh) * | 2023-04-10 | 2023-05-12 | 国网江西省电力有限公司电力科学研究院 | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 |
| CN117011304A (zh) * | 2023-10-08 | 2023-11-07 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| Detection and Evaluation Method of Transmission Line Defects Based on Deep Learning;Huagang Liang 等;《IEEE Access》;第8卷;38448-38458 * |
| 基于图像处理技术的配电线路导线断股散股缺陷检测;王照 等;《电视技术》;第44卷(第6期);79-83+88 * |
| 基于彩色图像的玻璃绝缘子缺陷诊断;林聚财 等;《电网技术》;第35卷(第1期);127-133 * |
| 基于无人机图像的输电线断股与异物缺陷检测方法;王万国 等;《计算机应用》;第35卷(第8期);2404-2408 * |
| 基于移动边缘计算的电网输电线路巡检图像识别研究;蒙黔赣 等;《环境技术》;第38卷(第4期);173-177 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291911A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028213B (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
| WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
| CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
| CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
| CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| CN108197604A (zh) | 基于嵌入式设备的快速人脸定位跟踪方法 | |
| CN112200121B (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
| CN112434562B (zh) | 口罩佩戴状态的检测方法、设备、电子装置和存储介质 | |
| CN108489996A (zh) | 一种绝缘子的缺陷检测方法、系统及终端设备 | |
| CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
| CN111950654B (zh) | 基于svm分类的魔方色块颜色还原方法 | |
| CN116168351B (zh) | 电力设备巡检方法及装置 | |
| CN108614895B (zh) | 异常的数据访问行为的识别方法及数据处理装置 | |
| CN108388901B (zh) | 基于空间-语义通道的协同显著目标检测方法 | |
| CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
| CN114463567A (zh) | 一种基于区块链的智慧教育作业大数据防抄袭方法与系统 | |
| WO2022222036A1 (zh) | 车位确定方法及装置 | |
| CN117291911B (zh) | 一种用于电力设备的缺陷检测方法及系统 | |
| CN110956086B (zh) | 一种基于图像识别技术的机房设备在线识别方法 | |
| CN107368847A (zh) | 一种作物叶部病害识别方法及系统 | |
| Li et al. | AdaHC: Adaptive hedge horizontal cross-section center detection algorithm | |
| CN115034577A (zh) | 一种基于虚实边缘匹配的机电产品漏装检测方法 | |
| CN111612800B (zh) | 船舶图像检索方法、计算机可读存储介质和设备 | |
| CN116258663A (zh) | 螺栓缺陷识别方法、装置、计算机设备和存储介质 | |
| CN113643352A (zh) | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 |
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 |