CN117333821A - 基于图像识别的阀基电子设备板老化状态评估方法及系统 - Google Patents
基于图像识别的阀基电子设备板老化状态评估方法及系统 Download PDFInfo
- Publication number
- CN117333821A CN117333821A CN202311324859.3A CN202311324859A CN117333821A CN 117333821 A CN117333821 A CN 117333821A CN 202311324859 A CN202311324859 A CN 202311324859A CN 117333821 A CN117333821 A CN 117333821A
- Authority
- CN
- China
- Prior art keywords
- aging
- image data
- aging state
- valve base
- image recognition
- 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
Links
- 230000032683 aging Effects 0.000 title claims abstract description 107
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 230000000007 visual effect Effects 0.000 claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000005562 fading Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 26
- 239000000203 mixture Substances 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000003746 surface roughness Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 19
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000012549 training Methods 0.000 abstract description 8
- 238000005260 corrosion Methods 0.000 abstract description 6
- 230000007797 corrosion Effects 0.000 abstract description 6
- 238000005336 cracking Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000014509 gene expression Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000001066 destructive effect Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000750 progressive effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000002845 discoloration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004643 material aging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003921 particle size analysis Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009420 retrofitting Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于图像识别的阀基电子设备板老化状态评估方法及系统；涉及直流输电系统技术领域；基于实时图像数据，通过特征提取算法进行处理，以量化褪色、腐蚀和开裂等与老化相关的视觉特征表现，在特征数据上构建和训练深度卷积神经网络，以便根据图像衍生特征向量对老化程度进行分类；学习视觉特征与老化程度之间的复杂关联，通过对实时的图像数据进行分类来评估老化状态；提供频繁、非侵入性的状态更新，以实现预测性维护并减少意外故障；通过进一步研究，该方法还能帮助量化剩余使用寿命，优化阀基电子设备板的维护计划。
Description
技术领域
本发明涉及直流输电系统技术领域，具体涉及基于图像识别的阀基电子设备板老化状态评估方法及系统。
背景技术
直流输电系统是一种新兴技术，可实现高效的长距离电力传输。它们采用电压源换流器来实现可变的电力传输，为电网的电力管理和路由提供了灵活性。这些系统中的一个关键组件是阀基电子设备(Valve Base Electronics,VBE)板，其主要作用是分配触发脉冲、检测各晶闸管电子设备的回报信号以及向阀控系统发送所需信息。VBE板包含电力电子设备和电容器，这些设备和电容器会随着时间的推移而老化。因此，要确保直流输电系统的可靠运行，就必须监测VBE板的老化状态并防止其发生故障。
对VBE板状况的持续监测可为了解这些关键系统组件的健康状况和剩余使用寿命提供宝贵的信息。通过评估与老化有关的劣化情况，如腐蚀、裂缝和变色，可以在故障发生前及时进行维护和更换。这有助于减少意外停机时间，确保直流输电网络的稳定运行。由于在带电运行期间对已安装电路板进行目视检查具有挑战性，因此需要有效的监测技术。
评估阀基电子设备电路板老化状况的现有常见技术为在断开电路板运行后进行离线测量。一种方法是由技术人员进行目测，根据外观识别老化迹象。然而，这种定性方法依赖于人的主观评价。另一种技术是利用电气测试来确定绝缘性能，并通过泄漏电流等量来识别正在出现的故障。然而，这种电气测试对发生硬故障前的早期老化进展的了解有限。破坏性拆解方法有时也用于分析电路板长期使用后的内部结构和材料特性。但这种方法只能提供使用寿命结束时的状态数据。
为了实现基于状态的维护(Condition Based Maintenance,CBM)，需要采用在线非破坏性测试技术，以便在实际运行过程中持续监控电路板。现有的一些工作已经探索在电路板上安装额外的传感器，以记录温度、振动和电气噪声模式，并将这些信号与老化相关的变化联系起来。然而，在运行中的传输系统中，这种仪器改装往往是不可行的。其他技术使用红外热成像技术绘制电路板的发热图，并将热点与老化问题联系起来。但这主要适用于后期故障识别，而非渐进式老化监测。总体而言，目前用于在不中断运行的情况下持续评估VBE电路板老化状态的方法仍然有限。
现有的离线阀基电子设备电路板监测技术有很大的局限性，限制了其评估老化进展的有效性。目视检查是主观和定性的。电气测试只能发现寿命终止故障。破坏性拆卸成本高昂，不适合连续监测。基于传感器的仪器需要修改操作板。红外热成像技术主要适用于检测硬性故障，而不是逐步劣化。总之，离线评估可以提供零星的电路板状况快照，但缺乏CBM所需的连续性。由于无法在线监控电路板，当损坏达到故障点而未被发现时，还会导致意外停机。
发明内容
本发明所要解决的技术问题是：现有的离线阀基电子设备电路板监测技术是主观和定性的，破坏性拆卸成本高昂，不适合连续监测；本发明目的在于提供基于图像识别的阀基电子设备板老化状态评估方法及系统，在现有的设备电路板监测技术基础上，进行改进，通过在线视觉数据和图像识别模型监控直流输电系统中阀基电子设备板老化状态，避免阀基电子设备板的破坏性拆卸，同时可实现连续监测。
本发明通过下述技术方案实现：
本方案提供基于图像识别的阀基电子设备板老化状态评估方法，包括：
周期采集阀基电子设备板的图像数据；
对图像数据进行预处理得到视觉特征；
构建卷积神经网络，将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出。
本方案工作原理：现有的离线阀基电子设备电路板监测技术是主观和定性的，破坏性拆卸成本高昂，不适合连续监测；本发明目的在于提供基于图像识别的阀基电子设备板老化状态评估方法及系统，在现有的设备电路板监测技术基础上进行方法上的改进，通过在线视觉数据和图像识别模型监控直流输电系统中阀基电子设备板老化状态，避免阀基电子设备板的破坏性拆卸，同时可实现连续监测。
进一步优化方案为，所述从图像数据中提取视觉特征，包括方法：
对图像数据进行纹理分析得到图像的纹理特征，所述纹理特征包括：表面粗糙度、粗糙度、规则性、方向性和频率模式；
增强图像中的轮廓、边界和尖锐过渡；
对图像数据进行形状分析量化出物体几何形状、物体结构和物体间连接区域的变化；
对图像数据进行色彩分析量化图像中的变色、褪色和色度变化。
进一步优化方案为，基于Canny滤波算法和Sobel边缘检测算法对图像数据进行形状分析。这两种算法使用二维空间梯度滤波器来识别高第一派生幅度的区域，与Sobel边缘检测算法等基本梯度边缘检测算法相比，Canny滤波算法通过高斯平滑处理能更好地抑制噪声。
进一步优化方案为，所述构建卷积神经网络，包括方法：
构建深度CNN网络架构用于学习层次关系和表征关系；所述深度CNN网络架构包含池化层、全连接层和至少8个卷积层，所述卷积层与池化层交织在一起，并通过快捷连接堆叠成两个区块；
基于自适应循环学习率计划，以监督方式在数据集上训练深度CNN网络架构。
进一步优化方案为，所述自适应循环学习率计划在高学习率和低学习率之间交替进行。
进一步优化方案为，所述深度CNN网络架构还包括空间金字塔汇集层，用于聚集各区块的卷积特征。
进一步优化方案为，所述将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出，包括方法：
数据集输入卷积神经网络后，卷积神经网络从数据集中提取出视觉特征向量，卷积层和全连接层基于视觉特征向量得出各个老化类别的概率分数，将其映射到老化分类输出。
进一步优化方案为，在色彩分析时，基于RGB、HSV、CIELAB和YCrCb色彩空间中单个色彩通道的直方图分析来提取色彩特征，并对各色彩通道之间的相关性和对比度进行了量化，还将纹理特征融入色彩特征中。
本方案还提供基于图像识别的阀基电子设备板老化状态评估系统，用于实现上述的基于图像识别的阀基电子设备板老化状态评估方法，包括：
采集模块，用于周期采集阀基电子设备板的图像数据；
预处理模块，用于对图像数据进行预处理得到视觉特征；
评估模块，用于构建卷积神经网络，将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出。
本方案还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如上述的基于图像识别的阀基电子设备板老化状态评估方法。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的基于图像识别的阀基电子设备板老化状态评估方法及系统；在现有的设备电路板监测技术基础上进行方法上的改进，通过在线视觉数据和图像识别模型监控直流输电系统中阀基电子设备板老化状态，避免阀基电子设备板的破坏性拆卸，同时可实现连续监测。
本发明提供的基于图像识别的阀基电子设备板老化状态评估方法及系统；还可以探索边缘计算技术，以便在本地设备上进行某些处理，从而进行对延迟至关重要的分析；人工智能模型优化将为嵌入式部署量身定制性能，该模型可以定期根据新的图像数据重新训练，并进行在线更新，从而不断提高监测精度。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为基于图像识别的阀基电子设备板老化状态评估方法流程示意图；
图2为基于图像识别的阀基电子设备板老化状态评估方法流程示意图；
图3为基于图像识别的阀基电子设备板老化状态评估方法流程示意图；
图4为阀基电子设备板的图像；
图5为卷积神经网络架构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提供基于图像识别的阀基电子设备板老化状态评估方法，如图1和图2所示，包括：
步骤一：周期采集阀基电子设备板的图像数据；由安装在传输系统外壳内的工业相机组成，朝向已安装的阀基电子设备电路板；图像采集由与相机相连的嵌入式系统自动控制，在运行期间，图像采集间隔为每小时一次，采集的图像如图3所示。摄像机通过千兆以太网使用GenICam图像采集协议进行触发和控制。
嵌入式系统将图像缓冲并传输到中央服务器进行分析。捕获的图像为2048x1536像素分辨率的JPEG压缩图像，大小约为1-2MB；图像采集间隔和传输的设计旨在尽量减少对传输系统网络带宽的影响。每个图像标头都嵌入了时间戳，以便与传输系统的运行数据保持一致。
步骤二：对图像数据进行预处理得到视觉特征；
运用纹理分析技术量化阀基电子设备板图像中的表面粗糙度、粗糙度、规则性、方向性和频率模式等属性。这些纹理特征可突出显示与长期老化相关的表面一致性变化；运用纹理分析技术量化阀基电子设备板图像中的表面粗糙度、粗糙度、规则性、方向性和频率模式等属性。这些纹理特征可突出显示与长期老化相关的表面一致性变化；具体来说，将包含二维Gabor滤波器和Scharr算子的滤波器组以多种尺度和方向应用于电路板图像。Gabor滤波器测量频率内容，并提取与特定纹理粒度和方向性相适应的响应。Scharr算子可提供旋转不变的纹理图案特征。最终输出一组强大的纹理特征，可全面量化粗糙度、光滑度、各向异性、抛光以及其他低层次表面微观结构的材料老化指标。这些特征向量量化了表面一致性的渐变，反映了阀基电子设备板的逐步老化。
运用边缘检测技术揭示和增强阀基电子设备板图像中的轮廓、边界和尖锐过渡，这些可能显示出新出现的裂缝、剥落和随时间发生的结构变化；梯度图的阈值处理只保留了最强、最突出的边缘，同时抑制了低振幅噪声和纹理。输出结果是一张边缘图，如图4所示，突出显示了阀基电子设备板图像中最突出的轮廓和裂缝。通过量化边缘密度、长度、直线度和曲率等属性，进一步得出基于边缘的描述性特征。随着时间的推移，电路板组件的裂缝、分层和剥落会导致边缘和梯度的增加。因此，提取的边缘特征可作为逐步老化损坏的指示性标记，为表面纹理属性提供补充信息。
运用形状分析技术量化老化引起的阀基电子设备电路板图像中物体几何形状、结构和连接区域的变化。逐渐老化的损坏会导致形状变形，如膨胀、收缩、碎裂和穿孔；应用侵蚀、扩张、打开和闭合等形态学图像操作来描述物体形状的变化。以不同的内核大小迭代应用这些操作，有助于量化形状变形的规模和进展。连接成分分析用于分离的圆球和孔洞并对其进行参数化。此外，粒度分析还采用了形态学的开合方法，随着内核尺寸的增大而增大。这可以测量图像结构的尺寸分布，揭示与老化过程相关的变化，如粗化和点蚀。输出的形状特征向量提供了阀基电子设备板材料和组件在逐渐老化过程中发生的膨胀、收缩、碎裂和穿孔等几何形状变化的概况。它们量化了随着时间推移与材料疲劳相关的整体结构退化。
运用色彩分析技术量化阀基电子设备板图像中的变色、褪色和色度变化，这些变化表明阀基电子设备板随着时间的推移出现了老化和腐蚀。使用RGB、HSV、CIELAB和YCrCb等色彩空间中单个色彩通道的直方图分析来提取色彩特征。色彩直方图及其描述性统计(如平均值、方差、偏斜度)揭示材料老化导致的色彩分布偏移和扩散。此外，还对色彩通道相关性和对比度进行了量化，以突出不同通道间的相对变化。空间分选用于将颜色变化与特定的电路板区域联系起来。此外，通过从检测到的边缘和斑点中提取颜色特征，还可纳入纹理结构信息。这揭示与裂缝和连接区域相关的色度变化。多光谱分析用于量化视觉、近红外和紫外光谱的色度变化。这提高了对早期材料氧化和腐蚀的敏感度。其输出结果是一组广泛的色彩特征，可概括整体和局部的色彩变化。这有助于检测可能在视觉上并不突出的褪色和玷污图案。颜色特征与纹理和形状属性相辅相成，全面概括了阀基电子设备板中与老化相关的视觉变化。
步骤三：构建卷积神经网络，将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出。
所述从图像数据中提取视觉特征，包括方法：
对图像数据进行纹理分析得到图像的纹理特征，所述纹理特征包括：表面粗糙度、粗糙度、规则性、方向性和频率模式；
增强图像中的轮廓、边界和尖锐过渡；
对图像数据进行形状分析量化出物体几何形状、物体结构和物体间连接区域的变化；
对图像数据进行色彩分析量化图像中的变色、褪色和色度变化。
基于Canny滤波算法和Sobel边缘检测算法对图像数据进行形状分析。这两种算法使用二维空间梯度滤波器来识别高第一派生幅度的区域，与Sobel边缘检测算法等基本梯度边缘检测算法相比，Canny滤波算法通过高斯平滑处理能更好地抑制噪声。
所述构建卷积神经网络，包括方法：
构建深度CNN网络架构用于学习层次关系和表征关系；所述深度CNN网络架构包含池化层、全连接层和至少8个卷积层，所述卷积层与池化层交织在一起，并通过快捷连接堆叠成两个区块；为学习复杂特征提供了深度，同时改善了训练过程中的梯度流；
基于自适应循环学习率计划，以监督方式在数据集上训练深度CNN网络架构。
所述自适应循环学习率计划在高学习率和低学习率之间交替进行，以实现快速收敛，同时避免不稳定性；对输入特征进行归一化处理，以稳定分布并帮助收敛。通过加权采样来解决类不平衡的问题，从而实现均衡的小批量采样。
所述深度CNN网络架构还包括空间金字塔汇集层，用于聚集各区块的卷积特征。
所述将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出，包括方法：
数据集输入卷积神经网络后，卷积神经网络从数据集中提取出视觉特征向量，卷积层和全连接层基于视觉特征向量得出各个老化类别的概率分数，将其映射到老化分类输出；概率最大的类别被指定为预测老化等级。
深度CNN网络架构的第一层使用较大的5x5卷积核，从原始像素输入中学习主要视觉特征。后续层使用3x3内核提取更高层次的特征抽象。卷积特征层进入扁平化层，然后进入全连接层，以整合特征并映射到老化分类。为了直接模拟全局和局部颜色变化之间的关系，为深度CNN网络架构补充了一个空间金字塔汇集层。这将聚集各子区域的卷积特征，从而实现本地化。宽广的通道深度、深度分层架构和金字塔池化技术为网络提供了从高度多变量色彩特征空间和相关老化映射中学习的强大能力；
基于自适应循环学习率计划，以监督方式在VBE电路板数据集上训练深度CNN网络架构。该计划在高学习率和低学习率之间交替进行，以实现快速收敛，同时避免不稳定性。对输入特征进行归一化处理，以稳定分布并帮助收敛。通过加权采样来解决类不平衡的问题，从而实现均衡的小批量采样。训练损失有助于量化学习进度。同时监控训练损失和验证损失，以检查是否存在过度拟合，如果验证损失增加，则停止训练。如果检测到过拟合，就会采用正则化技术，如dropout和L2归一化，以简化模型并提高泛化效果。模型超参数根据验证性能进行调整。深度CNN网络架构还定期在保留的测试集上测试模型性能，以获得对真实世界性能的无偏估计。这有助于防止过度拟合验证数据。对模型进行训练，直到损失函数和准确率都收敛为止。最佳权重是根据峰值验证性能选择的，它代表了对视觉特征和老化之间关系的最大学习。
深度CNN网络架构从VBE电路板图像中提取视觉特征向量，通过卷积层和全连接层进行处理，将其映射到老化分类输出。对于给定的输入图像，CNN模型会输出与每个老化类别相关的概率分数，概率最大的类别被指定为预测老化等级。该模型采用端到端训练，利用交叉熵损失函数和正则化技术优化老化类别预测。使用总体准确率、F1分数和混淆矩阵等指标定期评估测试数据集上的多类分类性能。除了老化等级分类外，还可以通过回归来预测连续老化分数。
为了能够在实时运行期间进行连续评估，基于图像的VBE电路板老化评估方法需要与灵活的直流传输系统紧密集成。对于在线监测，模型推理管道将自动处理数据库中的新图像、提取特征并对老化程度进行分类，结果将更新到健康状况仪表板。
与输电系统集成，实现连续在线监测。为了能够在实时运行期间进行连续评估，基于图像的VBE电路板老化评估方法需要与灵活的直流传输系统紧密集成。对于在线监测，模型推理管道将自动处理数据库中的新图像、提取特征并对老化程度进行分类，结果将更新跟踪资产持续健康状况的仪表板。深度CNN网络模型将部署在GPU服务器等加速计算平台上。模型管理框架将处理版本、更新和监控。对于在线监测，模型推理管道将自动处理数据库中的新图像、提取特征并对老化程度进行分类。结果将更新跟踪资产持续健康状况的仪表板。可视化板卡、变电站和地理区域的退化趋势，以便进行预测性维护。数据管道将监控系统与维护工作流程连接起来。
本实施例首先使用远程触发的工业相机捕捉输电外壳内已安装电路板的图像，捕捉到的图像通过特征提取算法进行处理，以量化褪色、腐蚀和开裂等与老化相关的视觉表现。在标注的老化数据上设计和训练深度CNN网络，以便根据图像衍生特征向量对老化程度进行分类。在监督训练过程中，该网络可学习视觉特征与老化程度之间的复杂关联。一旦部署完成，训练有素的网络模型就可以通过对现场运行期间连续获取的图像进行分类来评估老化状态。
本实施例捕捉到的图像数据通过特征提取算法进行处理，以量化褪色、腐蚀和开裂等与老化相关的视觉表现，在标注的老化数据上设计和训练深度CNN网络，以便根据图像衍生特征向量对老化程度进行分类；在监督训练过程中，该网络可学习视觉特征与老化程度之间的复杂关联。一旦部署完成，训练有素的深度卷积神经网络就可以通过对现场运行期间连续获取的图像进行分类来评估老化状态。所提出的技术旨在提供频繁、非侵入性的状态更新，以实现预测性维护并减少意外故障。通过进一步研究，该方法还能帮助量化剩余使用寿命，优化阀基电子设备电路板的维护计划。
实施例2
本实施例提供基于图像识别的阀基电子设备板老化状态评估系统，用于实现上述的基于图像识别的阀基电子设备板老化状态评估方法，包括：
采集模块，用于周期采集阀基电子设备板的图像数据；采集模块使用远程触发的工业相机捕捉输电外壳内已安装电路板的图像数据，工业相机朝向已安装的阀基电子设备电路板；
预处理模块，用于对图像数据进行预处理得到视觉特征；
评估模块，用于构建卷积神经网络，将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出。
实施例3
本实施例提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如上述的基于图像识别的阀基电子设备板老化状态评估方法。
本发明阀基电子设备板老化状态在线评估方法还可以探索边缘计算技术，以便在本地设备上进行某些处理，从而进行对延迟至关重要的分析。人工智能模型优化将为嵌入式部署量身定制性能。正在进行的研究还旨在使系统具有自适应能力。该模型可以定期根据新的图像数据重新训练，并进行在线更新，从而不断提高监测精度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于图像识别的阀基电子设备板老化状态评估方法，其特征在于，包括：
周期采集阀基电子设备板的图像数据；
对图像数据进行预处理得到视觉特征；
构建卷积神经网络，将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出。
2.根据权利要求1所述的基于图像识别的阀基电子设备板老化状态评估方法，其特征在于，所述从图像数据中提取视觉特征，包括方法：
对图像数据进行纹理分析得到图像的纹理特征，所述纹理特征包括：表面粗糙度、粗糙度、规则性、方向性和频率模式；
增强图像中的轮廓、边界和尖锐过渡；
对图像数据进行形状分析量化出物体几何形状、物体结构和物体间连接区域的变化；
对图像数据进行色彩分析量化图像中的变色、褪色和色度变化。
3.根据权利要求1所述的基于图像识别的阀基电子设备板老化状态评估方法，其特征在于，基于Canny滤波算法和Sobel边缘检测算法对图像数据进行形状分析。
4.根据权利要求1所述的基于图像识别的阀基电子设备板老化状态评估方法，其特征在于，所述构建卷积神经网络，包括方法：
构建深度CNN网络架构用于学习层次关系和表征关系；所述深度CNN网络架构包含池化层、全连接层和至少8个卷积层，所述卷积层与池化层交织在一起，并通过快捷连接堆叠成两个区块；
基于自适应循环学习率计划，以监督方式在数据集上训练深度CNN网络架构。
5.根据权利要求4所述的基于图像识别的阀基电子设备板老化状态评估方法，其特征在于，所述自适应循环学习率计划在高学习率和低学习率之间交替进行。
6.根据权利要求4所述的基于图像识别的阀基电子设备板老化状态评估方法，其特征在于，所述深度CNN网络架构还包括空间金字塔汇集层，用于聚集各区块的卷积特征。
7.根据权利要求4所述的基于图像识别的阀基电子设备板老化状态评估方法，其特征在于，所述将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出，包括方法：
数据集输入卷积神经网络后，卷积神经网络从数据集中提取出视觉特征向量，卷积层和全连接层基于视觉特征向量得出各个老化类别的概率分数，将其映射到老化分类输出。
8.根据权利要求2所述的基于图像识别的阀基电子设备板老化状态评估方法，其特征在于，在色彩分析时，基于RGB、HSV、CIELAB和YCrCb色彩空间中单个色彩通道的直方图分析来提取色彩特征，并对各色彩通道之间的相关性和对比度进行了量化，还将纹理特征融入色彩特征中。
9.基于图像识别的阀基电子设备板老化状态评估系统，其特征在于，用于实现权利要求1-8任意一项所述的基于图像识别的阀基电子设备板老化状态评估方法，包括：
采集模块，用于周期采集阀基电子设备板的图像数据；
预处理模块，用于对图像数据进行预处理得到视觉特征；
评估模块，用于构建卷积神经网络，将图像数据和视觉特征构成数据集输入卷积神经网络提取出视觉特征向量，并将视觉特征向量映射成老化状态分类后输出。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行可实现如权利要求1-8中任意一项所述的基于图像识别的阀基电子设备板老化状态评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324859.3A CN117333821A (zh) | 2023-10-12 | 2023-10-12 | 基于图像识别的阀基电子设备板老化状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324859.3A CN117333821A (zh) | 2023-10-12 | 2023-10-12 | 基于图像识别的阀基电子设备板老化状态评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117333821A true CN117333821A (zh) | 2024-01-02 |
Family
ID=89294983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311324859.3A Pending CN117333821A (zh) | 2023-10-12 | 2023-10-12 | 基于图像识别的阀基电子设备板老化状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117333821A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117871540A (zh) * | 2024-03-13 | 2024-04-12 | 西安路泰机械制造有限公司 | 基于图像采集的沥青搅拌设备缺陷检测方法 |
| CN118114976A (zh) * | 2024-02-18 | 2024-05-31 | 北京科百宏业科技有限公司 | 一种农业设备状态评估方法、装置、设备及介质 |
-
2023
- 2023-10-12 CN CN202311324859.3A patent/CN117333821A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118114976A (zh) * | 2024-02-18 | 2024-05-31 | 北京科百宏业科技有限公司 | 一种农业设备状态评估方法、装置、设备及介质 |
| CN117871540A (zh) * | 2024-03-13 | 2024-04-12 | 西安路泰机械制造有限公司 | 基于图像采集的沥青搅拌设备缺陷检测方法 |
| CN117871540B (zh) * | 2024-03-13 | 2024-05-28 | 西安路泰机械制造有限公司 | 基于图像采集的沥青搅拌设备缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pan et al. | A new image recognition and classification method combining transfer learning algorithm and mobilenet model for welding defects | |
| Shang et al. | Defect-aware transformer network for intelligent visual surface defect detection | |
| Yang et al. | Remaining useful life prediction based on a double-convolutional neural network architecture | |
| CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
| CN117333821A (zh) | 基于图像识别的阀基电子设备板老化状态评估方法及系统 | |
| Jahanshahi et al. | A survey and evaluation of promising approaches for automatic image-based defect detection of bridge structures | |
| WO2022160413A1 (zh) | 电力生产异常监控方法、装置、计算机设备和存储介质 | |
| US11803953B2 (en) | Manufacturing quality improvement through statistical root cause analysis using convolution neural networks | |
| Zhou et al. | A novel texture-based damage detection method for wire ropes | |
| Dubey et al. | Maximally stable extremal region marking-based railway track surface defect sensing | |
| CN105976383A (zh) | 一种基于极限学习机图像识别的输电设备故障诊断方法 | |
| CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
| CN111566493B (zh) | 用于断路器状态监测的方法和系统 | |
| Savino et al. | Automated classification of civil structure defects based on convolutional neural network | |
| Lai et al. | Industrial anomaly detection and one-class classification using generative adversarial networks | |
| CN108198171A (zh) | 一种基于服务器表面热状态的运行状态诊断的方法 | |
| Sha et al. | Intelligent detection technology of flip chip based on H-SVM algorithm | |
| Zhang et al. | Rethinking unsupervised texture defect detection using PCA | |
| Jiao et al. | A steerable pyramid autoencoder based framework for anomaly frame detection of water pipeline CCTV inspection | |
| Srivastava et al. | Application of deep-learning architecture for image analysis based corrosion detection | |
| Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
| Muhamad et al. | Mahalanobis-Taguchi system for pattern recognition: A brief review | |
| Chen et al. | Attention mechanism-based CNN for surface damage detection of wind turbine blades | |
| CN117606800A (zh) | 轴承故障诊断方法、装置、设备和存储介质 | |
| CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 |
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 |