CN117367589A - 基于ai技术的变电站主设备全天候辅助测温系统 - Google Patents
基于ai技术的变电站主设备全天候辅助测温系统 Download PDFInfo
- Publication number
- CN117367589A CN117367589A CN202311321457.8A CN202311321457A CN117367589A CN 117367589 A CN117367589 A CN 117367589A CN 202311321457 A CN202311321457 A CN 202311321457A CN 117367589 A CN117367589 A CN 117367589A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- temperature measurement
- image
- module
- 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.)
- Withdrawn
Links
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 59
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000012938 design process Methods 0.000 claims abstract description 6
- 238000009434 installation Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000002547 anomalous effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 6
- 230000005457 Black-body radiation Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/02—Constructional details
- G01J5/03—Arrangements for indicating or recording specially adapted for radiation pyrometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/52—Radiation pyrometry, e.g. infrared or optical thermometry using comparison with reference sources, e.g. disappearing-filament pyrometer
- G01J5/53—Reference sources, e.g. standard lamps; Black bodies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及变电站设备测温技术领域,具体公开了基于AI技术的变电站主设备全天候辅助测温系统,包括:实时在线辅助测温模块、AI自主检测模块、数据处理模块、数据传输模块和反馈模块;本发明通过实时在线辅助测温模块,采用集成设计工艺技术,将红外高清视频单元、红外测温单元、传感装置与数据接收网关进行集成应用,将数据接收网关安装部署在变电站主变设备附件支架上,利用无线测温装置进行补盲安装部署,实现变电站主变设备全天候在线测温,通过使用AI自监督学习技术来检测电缆和设备的图像,使用AI来识别异常高温或低温区域,并生成警报,集成无线传感监测单元,确保数据可以无线传输到中央控制系统。
Description
技术领域
本发明属于变电站设备测温技术领域,具体涉及基于AI技术的变电站主设备全天候辅助测温系统。
背景技术
随着信息化社会的快速发展,城市电网的智能化运维水平要求越来越高,变电站作为连接发电和用户的枢纽,是整个电网安全、可靠运行的重要环节,变电站的主变设备智能运维要求更高。但是变电站主变设备辅助测温监测手段不足,变电站主变设备长期运行,存在过载和老化故障隐患,一旦变电站主变设备不能正常工作,严重影响电力网络的正常运行,急需研制一套变电站主设备实时在线辅助测温装置,实时监控变电站主设备的运行状态,保障无人值守变电站的安全运行。
发明内容
本发明的目的在于提供基于AI技术的变电站主设备全天候辅助测温系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于AI技术的变电站主设备全天候辅助测温系统,包括:实时在线辅助测温模块、AI自主检测模块、数据处理模块、数据传输模块和反馈模块;
所述实时在线辅助测温模块,采用集成设计工艺技术,将红外高清视频单元、红外测温单元、传感装置与数据接收网关进行集成应用,将数据接收网关安装部署在变电站主变设备附件支架上,将红外高清视频单元覆盖不到的测温区域,采用无线测温装置进行补盲安装部署,实现变电站主变设备全天候在线测温;
所述数据处理模块,将高清视频模块捕获的图像和传感装置测温数据进行预处理,包括去噪、图像增强和校正,以确保系统的输入数据质量,随后发送到中央服务器,存储和管理这些数据,以便后续分析和报告;
所述AI自主检测模块,使用AI自监督学习技术来检测电缆和设备的图像,使用AI来识别异常高温或低温区域,并生成警报,集成无线传感监测单元,确保数据可以无线传输到中央控制系统;
所述数据传输模块,操作人员可以在中央控制系统后台实时监测温度数据和接收警报,集成图像和温度数据的可视化,以便操作人员能够直观地理解监测结果,集成通信模块,以便可以通过网络远程访问系统;
所述反馈模块,系统周期生成温度监测报告,以便分析历史数据和趋势,配置警报系统,以便在检测到异常情况时及时通知相关人员。
优选的,所述实时在线辅助测温模块具体如下:
数据采集,通过红外高清视频单元或无线测温装置,实时采集主设备表面的温度数据;
图像处理,对采集的红外图像进行预处理,包括噪声去除、图像增强和校正,用于提高温度测量的准确性;
温度计算,使用斯蒂芬-玻尔兹曼定律计算表面温度(T):
其中,E是主设备表面的辐射能量,σ是斯蒂芬-玻尔兹曼常数;
基准温度,确定主设备的基准温度(Tref),为正常运行时的温度阈值;异常检测,计算每个采样点的温度与基准温度之间的差异(ΔT)
ΔT=T-Tref
设置一个温度差异的阈值,如果ΔT超过阈值,就认为主设备出现异常。
运行状态监测,使用异常检测结果来确定主设备的运行状态,如果ΔT超过阈值,表示设备可能存在问题,可以生成警报;
警报和通知,如果检测到异常,系统会生成警报并通知操作人员或维护人员,以便采取必要的措施。
记录和报告,记录温度数据和异常事件,以便后续分析和报告,用于追踪设备的历史性能和识别潜在问题。
优选的,所述AI自监督学习技术具体如下:
数据处理,收集变电站主设备的红外图像数据,将图像用于训练和测试AI模型,确保数据涵盖各种工作状态和环境条件下的温度变化,对收集的图像进行标注,标明每个图像中的正常区域和异常发热点,作为训练AI模型的基础;
序列化数据,将图像序列化为RNN的格式,通过将图像分割成时间步骤序列,每个时间步骤包含一个图像帧;
RNN模型训练,RNN的输入是序列化的图像数据,其输出是每个时间步骤的异常预测,使用标记的数据集(包括正常和异常情况)来训练RNN模型;损失函数为交叉熵损失,用于二分类(正常/异常);
序列异常检测,在训练后,将RNN模型应用于实际运行中的数据序列,模型将输出每个时间步骤的异常概率或标签,使用阈值来决定何时将一个时间步骤标记为异常,异常概率高于阈值的时间步骤视为异常的;
后处理和报警,对于被标记为异常的时间步骤,可以进行后处理,将连续的异常时间步骤合并为一个异常事件并触发报警或通知系统管理员进行进一步检查和维修。
优选的,所述预处理具体包括:
去噪,应用小波变换来分解图像并去除高频噪声;
图像增强,包括直方图均衡化、拉伸对比度和伪彩色映射;直方图均衡化:增强图像的对比度,使得不同温度区域更清晰可见;拉伸对比度:通过拉伸图像的像素值范围来增强对比度;伪彩色映射:将不同温度值映射到不同颜色,以可视化温度分布;图像增强可以帮助提高图像的对比度和可视化,从而更容易识别温度变化;
校正,为了确保红外图像的温度测量具有可靠性,红外高清视频单元利用黑体辐射源校准来准确地测量温度,以确定相机的灵敏度和误差,然后,通过计算修正系数,将图像像素值转换为温度值。
优选的,所述校正公式为:
其中,T是温度,I是像素值,K1、K2、K3是校正系数。
与现有技术相比,本发明的有益效果是:
(1)本发明通过实时在线辅助测温模块,采用集成设计工艺技术,将红外高清视频单元、红外测温单元、传感装置与数据接收网关进行集成应用,将数据接收网关安装部署在变电站主变设备附件支架上,利用无线测温装置进行补盲安装部署,实现变电站主变设备全天候在线测温。
(2)本发明通过使用AI自监督学习技术来检测电缆和设备的图像,使用AI来识别异常高温或低温区域,并生成警报,集成无线传感监测单元,确保数据可以无线传输到中央控制系统,操作人员可以在中央控制系统后台实时监测温度数据和接收警报,集成图像和温度数据的可视化,以便操作人员能够直观地理解监测结果,集成通信模块,以便可以通过网络远程访问系统。
附图说明
图1为本发明的基于AI技术的变电站主设备全天候辅助测温系统框图。
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、完整的描述,显然,所描述的实施例仅仅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。
实施例一:
请参阅图1所示,基于AI技术的变电站主设备全天候辅助测温系统,包括:实时在线辅助测温模块、AI自主检测模块、数据处理模块、数据传输模块和反馈模块;
所述实时在线辅助测温模块,采用集成设计工艺技术,将红外高清视频单元、红外测温单元、传感装置与数据接收网关进行集成应用,将数据接收网关安装部署在变电站主变设备附件支架上,将红外高清视频单元覆盖不到的测温区域,采用无线测温装置进行补盲安装部署,实现变电站主变设备全天候在线测温;
所述数据处理模块,将高清视频模块捕获的图像和传感装置测温数据进行预处理,包括去噪、图像增强和校正,以确保系统的输入数据质量,随后发送到中央服务器,存储和管理这些数据,以便后续分析和报告;
所述AI自主检测模块,使用AI自监督学习技术来检测电缆和设备的图像,使用AI来识别异常高温或低温区域,并生成警报,集成无线传感监测单元,确保数据可以无线传输到中央控制系统;
所述数据传输模块,操作人员可以在中央控制系统后台实时监测温度数据和接收警报,集成图像和温度数据的可视化,以便操作人员能够直观地理解监测结果,集成通信模块,以便可以通过网络远程访问系统;
所述反馈模块,系统周期生成温度监测报告,以便分析历史数据和趋势,配置警报系统,以便在检测到异常情况时及时通知相关人员。
具体的,所述实时在线辅助测温模块具体如下:
数据采集,通过红外高清视频单元或无线测温装置,实时采集主设备表面的温度数据;
图像处理,对采集的红外图像进行预处理,包括噪声去除、图像增强和校正,用于提高温度测量的准确性;
温度计算,使用斯蒂芬-玻尔兹曼定律计算表面温度(T):
其中,E是主设备表面的辐射能量,σ是斯蒂芬-玻尔兹曼常数;
基准温度,确定主设备的基准温度(Tref),为正常运行时的温度阈值;
异常检测,计算每个采样点的温度与基准温度之间的差异(ΔT)
ΔT=T-Tref
设置一个温度差异的阈值,如果ΔT超过阈值,就认为主设备出现异常。
运行状态监测,使用异常检测结果来确定主设备的运行状态,如果ΔT超过阈值,表示设备可能存在问题,可以生成警报;
警报和通知,如果检测到异常,系统会生成警报并通知操作人员或维护人员,以便采取必要的措施。
记录和报告,记录温度数据和异常事件,以便后续分析和报告,用于追踪设备的历史性能和识别潜在问题。
所述AI自监督学习技术具体如下:
数据处理,收集变电站主设备的红外图像数据,将图像用于训练和测试AI模型,确保数据涵盖各种工作状态和环境条件下的温度变化,对收集的图像进行标注,标明每个图像中的正常区域和异常发热点,作为训练AI模型的基础;
序列化数据,将图像序列化为RNN的格式,通过将图像分割成时间步骤序列,每个时间步骤包含一个图像帧;
RNN模型训练,RNN的输入是序列化的图像数据,其输出是每个时间步骤的异常预测,使用标记的数据集(包括正常和异常情况)来训练RNN模型;损失函数为交叉熵损失,用于二分类(正常/异常);
序列异常检测,在训练后,将RNN模型应用于实际运行中的数据序列,模型将输出每个时间步骤的异常概率或标签,使用阈值来决定何时将一个时间步骤标记为异常,异常概率高于阈值的时间步骤视为异常的;
后处理和报警,对于被标记为异常的时间步骤,可以进行后处理,将连续的异常时间步骤合并为一个异常事件并触发报警或通知系统管理员进行进一步检查和维修。
具体的,所述预处理具体包括:
去噪,应用小波变换来分解图像并去除高频噪声;
图像增强,包括直方图均衡化、拉伸对比度和伪彩色映射;直方图均衡化:增强图像的对比度,使得不同温度区域更清晰可见;拉伸对比度:通过拉伸图像的像素值范围来增强对比度;伪彩色映射:将不同温度值映射到不同颜色,以可视化温度分布;图像增强可以帮助提高图像的对比度和可视化,从而更容易识别温度变化;
校正,为了确保红外图像的温度测量具有可靠性,红外高清视频单元利用黑体辐射源校准来准确地测量温度,以确定相机的灵敏度和误差,然后,通过计算修正系数,将图像像素值转换为温度值。
具体的,所述校正公式为:
其中,T是温度,I是像素值,K1、K2、K3是校正系数。
由上可知,本发明通过实时在线辅助测温模块,采用集成设计工艺技术,将红外高清视频单元、红外测温单元、传感装置与数据接收网关进行集成应用,将数据接收网关安装部署在变电站主变设备附件支架上,利用无线测温装置进行补盲安装部署,实现变电站主变设备全天候在线测温;
通过使用AI自监督学习技术来检测电缆和设备的图像,使用AI来识别异常高温或低温区域,并生成警报,集成无线传感监测单元,确保数据可以无线传输到中央控制系统,操作人员可以在中央控制系统后台实时监测温度数据和接收警报,集成图像和温度数据的可视化,以便操作人员能够直观地理解监测结果,集成通信模块,以便可以通过网络远程访问系统。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其同物限定。
Claims (5)
1.基于AI技术的变电站主设备全天候辅助测温系统,其特征在于,包括:实时在线辅助测温模块、AI自主检测模块、数据处理模块、数据传输模块和反馈模块;
所述实时在线辅助测温模块,采用集成设计工艺技术,将红外高清视频单元、红外测温单元、传感装置与数据接收网关进行集成应用,将数据接收网关安装部署在变电站主变设备附件支架上,将红外高清视频单元覆盖不到的测温区域,采用无线测温装置进行补盲安装部署,实现变电站主变设备全天候在线测温;
所述数据处理模块,将高清视频模块捕获的图像和传感装置测温数据进行预处理,包括去噪、图像增强和校正,以确保系统的输入数据质量,随后发送到中央服务器,存储和管理这些数据,以便后续分析和报告;
所述AI自主检测模块,使用AI自监督学习技术来检测电缆和设备的图像,使用AI来识别异常高温或低温区域,并生成警报,集成无线传感监测单元,确保数据可以无线传输到中央控制系统;
所述数据传输模块,操作人员可以在中央控制系统后台实时监测温度数据和接收警报,集成图像和温度数据的可视化,以便操作人员能够直观地理解监测结果,集成通信模块,以便可以通过网络远程访问系统;
所述反馈模块,系统周期生成温度监测报告,以便分析历史数据和趋势,配置警报系统,以便在检测到异常情况时及时通知相关人员。
2.根据权利要求1所述的基于AI技术的变电站主设备全天候辅助测温系统,其特征在于:所述实时在线辅助测温模块具体如下:
数据采集,通过红外高清视频单元或无线测温装置,实时采集主设备表面的温度数据;
图像处理,对采集的红外图像进行预处理,包括噪声去除、图像增强和校正,用于提高温度测量的准确性;
温度计算,使用斯蒂芬-玻尔兹曼定律计算表面温度(T):
其中,E是主设备表面的辐射能量,σ是斯蒂芬-玻尔兹曼常数;
基准温度,确定主设备的基准温度(Tref),为正常运行时的温度阈值;
异常检测,计算每个采样点的温度与基准温度之间的差异(ΔT)
ΔT=T-Tref
设置一个温度差异的阈值,如果ΔT超过阈值,就认为主设备出现异常。
运行状态监测,使用异常检测结果来确定主设备的运行状态,如果ΔT超过阈值,表示设备可能存在问题,可以生成警报;
警报和通知,如果检测到异常,系统会生成警报并通知操作人员或维护人员,以便采取必要的措施。
记录和报告,记录温度数据和异常事件,以便后续分析和报告,用于追踪设备的历史性能和识别潜在问题。
3.根据权利要求1所述的基于AI技术的变电站主设备全天候辅助测温系统,其特征在于:所述AI自监督学习技术具体如下:
数据处理,收集变电站主设备的红外图像数据,将图像用于训练和测试AI模型,确保数据涵盖各种工作状态和环境条件下的温度变化,对收集的图像进行标注,标明每个图像中的正常区域和异常发热点,作为训练AI模型的基础;
序列化数据,将图像序列化为RNN的格式,通过将图像分割成时间步骤序列,每个时间步骤包含一个图像帧;
RNN模型训练,RNN的输入是序列化的图像数据,其输出是每个时间步骤的异常预测,使用标记的数据集(包括正常和异常情况)来训练RNN模型;损失函数为交叉熵损失,用于二分类(正常/异常);
序列异常检测,在训练后,将RNN模型应用于实际运行中的数据序列,模型将输出每个时间步骤的异常概率或标签,使用阈值来决定何时将一个时间步骤标记为异常,异常概率高于阈值的时间步骤视为异常的;
后处理和报警,对于被标记为异常的时间步骤,可以进行后处理,将连续的异常时间步骤合并为一个异常事件并触发报警或通知系统管理员进行进一步检查和维修。
4.根据权利要求2所述的基于AI技术的变电站主设备全天候辅助测温系统,其特征在于:所述预处理具体包括:
去噪,应用小波变换来分解图像并去除高频噪声;
图像增强,包括直方图均衡化、拉伸对比度和伪彩色映射;直方图均衡化:增强图像的对比度,使得不同温度区域更清晰可见;拉伸对比度:通过拉伸图像的像素值范围来增强对比度;伪彩色映射:将不同温度值映射到不同颜色,以可视化温度分布;图像增强可以帮助提高图像的对比度和可视化,从而更容易识别温度变化;
校正,为了确保红外图像的温度测量具有可靠性,红外高清视频单元利用黑体辐射源校准来准确地测量温度,以确定相机的灵敏度和误差,然后,通过计算修正系数,将图像像素值转换为温度值。
5.根据权利要求4所述的基于AI技术的变电站主设备全天候辅助测温系统,其特征在于:所述校正公式为:
其中,T是温度,I是像素值,K1、K2、K3是校正系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321457.8A CN117367589A (zh) | 2023-10-13 | 2023-10-13 | 基于ai技术的变电站主设备全天候辅助测温系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321457.8A CN117367589A (zh) | 2023-10-13 | 2023-10-13 | 基于ai技术的变电站主设备全天候辅助测温系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117367589A true CN117367589A (zh) | 2024-01-09 |
Family
ID=89388578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311321457.8A Withdrawn CN117367589A (zh) | 2023-10-13 | 2023-10-13 | 基于ai技术的变电站主设备全天候辅助测温系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117367589A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117766014A (zh) * | 2024-02-21 | 2024-03-26 | 北京怀美科技有限公司 | 辐照检测存储器芯片的测试方法 |
-
2023
- 2023-10-13 CN CN202311321457.8A patent/CN117367589A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117766014A (zh) * | 2024-02-21 | 2024-03-26 | 北京怀美科技有限公司 | 辐照检测存储器芯片的测试方法 |
CN117766014B (zh) * | 2024-02-21 | 2024-04-19 | 北京怀美科技有限公司 | 辐照检测存储器芯片的测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117367589A (zh) | 基于ai技术的变电站主设备全天候辅助测温系统 | |
CN103983881B (zh) | 核探测器的故障诊断方法及装置 | |
CN110045656A (zh) | 一种基于云计算的供暖设备故障监测系统 | |
KR101989962B1 (ko) | 통합 관리 서버 및 이를 이용한 건물 관리 시스템 | |
CN116800199A (zh) | 一种分布式光伏运行电能质量监测与分析方法 | |
CN108809706B (zh) | 一种变电站的网络风险监测系统 | |
CN107290062A (zh) | 一种基于红外热像图的输变电设备状态分析方法 | |
CN111899211A (zh) | 基于图像和气味的变压器漏油故障检测系统及方法 | |
CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN116704733A (zh) | 铝合金电缆的老化预警方法和系统 | |
CN117152925B (zh) | 基于大数据的电力通信数据处理系统 | |
WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
CN114264902A (zh) | 一种防雷箱工作状态的监测方法、系统、电子设备及存储介质 | |
CN114062923A (zh) | 一种基于电流磁致信号和高次谐波诊断技术的电机故障在线超前预警系统 | |
CN106771729A (zh) | 一种继电保护设备风险评估系统及方法 | |
CN112051493A (zh) | 一种配电网设备的隐患类型识别方法及装置 | |
CN117970533B (zh) | 一种基于大气电场的雷电初生预报方法 | |
CN113532513B (zh) | 一种基于输电系统的侵入目标实时检测系统和方法 | |
CN114998199A (zh) | 一种红外紫外可见光融合电网设备状态检测系统 | |
Li et al. | Health Monitoring Framework for Weather Radar Based on Long Short‐Term Memory Network with a Real Case Study | |
CN116593010A (zh) | 一种ar眼镜与测温系统 | |
CN117912183A (zh) | 热成像智能测温防火监控系统 | |
CN118244126A (zh) | 一种基于集成传感器的新能源汽车电池检测方法及系统 | |
CN115882378A (zh) | 气体绝缘设备立体监测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240109 |