CN117409011B - 一种基于目标识别的高压套管表面污秽监测方法及系统 - Google Patents

一种基于目标识别的高压套管表面污秽监测方法及系统 Download PDF

Info

Publication number
CN117409011B
CN117409011B CN202311727537.3A CN202311727537A CN117409011B CN 117409011 B CN117409011 B CN 117409011B CN 202311727537 A CN202311727537 A CN 202311727537A CN 117409011 B CN117409011 B CN 117409011B
Authority
CN
China
Prior art keywords
pollution
voltage
image
voltage sleeve
information
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
Application number
CN202311727537.3A
Other languages
English (en)
Other versions
CN117409011A (zh
Inventor
张锦程
杨铭
杨恒思
陈梓贤
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.)
Nanjing Zhongxin Zhidian Technology Co ltd
Original Assignee
Nanjing Zhongxin Zhidian Technology 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 Nanjing Zhongxin Zhidian Technology Co ltd filed Critical Nanjing Zhongxin Zhidian Technology Co ltd
Priority to CN202311727537.3A priority Critical patent/CN117409011B/zh
Publication of CN117409011A publication Critical patent/CN117409011A/zh
Application granted granted Critical
Publication of CN117409011B publication Critical patent/CN117409011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • 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
    • G06V10/70—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及电气设备在线监测领域，尤其涉及一种基于目标识别的高压套管表面污秽监测方法及系统，该方法的步骤包括：采集高压套管高光谱图像、高压套管红外图像和环境风速信息；对高压套管高光谱图像和高压套管红外图像进行预处理；对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取；构建污秽检测模型，通过污秽湿度检测单元、污秽成分检测单元和污秽程度检测单元得到污秽湿度信息、污秽成分信息和污秽程度信息；综合污秽湿度信息、污秽成分信息、污秽程度信息和环境风速信息，确定污秽的清扫方式和清扫时间。本发明通过构建污秽检测模型，实现对高压套管表面污秽的全方位监测。

Description

一种基于目标识别的高压套管表面污秽监测方法及系统
技术领域
本发明涉及电气设备在线监测领域，尤其涉及一种基于目标识别的高压套管表面污秽监测方法及系统。
背景技术
高压套管在室外环境下工作不可避免会积污，而这些污秽物质极有可能导致闪络现象，给电网公司造成巨大损失。研究发现，闪络现象的发生与污秽物质的成分与浓度有着密切的联系，为此电网公司每年都需要通过繁琐的人工方法获取采样高压套管的污秽信息，以指导高压套管的维护工作。但是，现有的高压套管表面污秽监测方法并未对污秽湿度信息、污秽成分信息和污秽程度信息进行全方位监测。
例如在授权公告号为CN105957088B的中国专利中公开了一种基于计算机视觉的变压器复合高压套管套管监测方法及系统，涉及电气设备在线监测领域，该方法在各变压器上空龙门架处分别安装摄像头，拍摄所得图像传输到服务器端，在服务器端进行图像采集、图像预处理、图像区域分割、套管污秽分级处理及套管工况缺陷识别。
而在授权公告号为CN106407928B的中国专利中公开了一种基于雨滴识别的变压器复合高压套管套管监测方法及系统，包括以下步骤：包括对待检测变压器复合高压套管套管进行相应图像获取，进行图像预处理，图像自然雨滴识别，若识别的结果是盘面存在自然雨滴，则使用改进的Canny算子边缘提取算法对存在雨滴的当前的顶层盘面预处理图像进行边缘提取，进而使用数学形态学算法对提取到的边缘图进行修复；根据憎水性特征量，基于概率神经网络PNN得到憎水性等级。以上专利均存在本背景技术提出的问题：现有的高压套管表面污秽监测方法未对污秽湿度信息、污秽成分信息和污秽程度信息进行全方位监测。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种基于目标识别的高压套管表面污秽监测方法及系统，通过构建污秽检测模型，实现对高压套管表面污秽湿度信息、污秽成分信息和污秽程度信息全方位监测。
为了达到上述目的，本发明采用以下技术方案：
本发明提供一种基于目标识别的高压套管表面污秽监测方法，包括下述步骤：
采集高压套管高光谱图像、高压套管红外图像和环境风速信息；
对高压套管高光谱图像和高压套管红外图像进行预处理，预处理包括高光谱图像黑白校正、高光谱图像多元散射校正和红外图像去噪；
对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取；
构建污秽检测模型，通过污秽湿度检测单元、污秽成分检测单元和污秽程度检测单元得到污秽湿度信息、污秽成分信息和污秽程度信息；
综合污秽湿度信息、污秽成分信息、污秽程度信息和环境风速信息，确定污秽的清扫方式和清扫时间。
作为优选的技术方案，所述高光谱图像黑白校正用下式表示：
；
式中表示原始漫反射图像，/>表示白帧标定图像，/>表示黑帧标定图像，/>表示校正后的图像。
作为优选的技术方案，所述高光谱图像多元散射校正用于消除因散射水平不同所带来的光谱差异，具体步骤包括：
假设所有高压套管高光谱图像光谱数据的平均值为理想光谱，用下式表示：
；
式中表示所有高压套管高光谱图像的光谱数据的平均光谱矢量，即理想光谱，/>表示第/>个高压套管高光谱图像的光谱矢量，为/>维数据，/>表示光谱波长数，/>表示选取的高压套管高光谱图像谱线数；
将高压套管高光谱图像每条光谱数据与理想光谱进行一元线性回归，得到每条光谱的基线平移量以及偏移量/>，用下式表示：
；
得到基线平移量和偏移量/>后，校正高压套管高光谱图像光谱曲线，用下式表示：
；
式中表示多元散射校正后第/>个高压套管高光谱图像的光谱矢量。
作为优选的技术方案，所述红外图像去噪用于去除高压套管红外图像中的乘性噪声、高斯噪声、椒盐噪声，具体步骤包括：
通过神经网络滤波器对高压套管红外图像进行乘性噪声去除，得到第一高压套管红外去噪图像；
通过高斯滤波器对高压套管红外图像进行高斯噪声去除，得到第二高压套管红外去噪图像；
通过中值滤波器对高压套管红外图像进行椒盐噪声去除，得到第三高压套管红外去噪图像；
对第一高压套管红外去噪图像、第二高压套管红外去噪图像和第三高压套管红外去噪图像进行加权融合，融合权值计算过程用下式表示：
；
式中表示高压套管红外图像中以/>为中心的像素/>的权重，/>表示高压套管红外图像中以/>为中心邻域像素的集合，/>、/>和/>表示邻域窗口内索引，/>、/>和/>表示对应的灰度值。
作为优选的技术方案，所述特征波长提取的具体步骤包括：
建立一个维的高压套管光谱矩阵，高压套管光谱数量为/>，波长数为/>，在高压套管光谱矩阵中随机选择一列向量/>作为初始向量，令提取的特征波长个数为/>，计数器/>；
将高压套管光谱矩阵中未被选择的列向量建立集合，计算列向量/>对集合/>中所有向量的投影；
选择最大投影值所在波长的序号，将最大投影向量赋给下一个初始向量，令，重复上述步骤，直至/>。
作为优选的技术方案，所述图像特征提取用于提取高压套管红外图像的图像特征，具体步骤包括：
将高压套管红外图像经过3×3卷积层处理后输入到三通道特征提取单元，提取三通道特征信息；
通过SE通道注意力单元对三通道特征信息赋予不同的权值，强化通道特征信息；
再次通过2个连续的3×3卷积层进一步提取特征信息，并由全连接层输出高压套管红外图像的一维特征向量。
作为优选的技术方案，所述温度特征提取用于将高压套管红外图像的温度值转换为灰度值，将温度最低点的灰度值设为0，将温度最高点的灰度值设为255，灰度值用下式表示：
；
式中表示高压套管红外图像像素点/>处的温度，/>表示高压套管红外图像中的温度最高点，/>表示高压套管红外图像中的温度最低点，/>表示高压套管红外图像像素点/>处的灰度值。
作为优选的技术方案，所述污秽湿度检测单元基于BP神经网络构建，输入层神经元节点数为15，输入层的输入为提取到的高压套管高光谱图像的特征波长和高压套管红外图像的温度特征，隐含层神经元节点数为8，输出层神经元节点数为1，输出层的输出为污秽湿度信息。
作为优选的技术方案，所述污秽成分检测单元包括第一DNN回归模型、第二DNN回归模型和第三DNN回归模型3个DNN回归模型，其中第一DNN回归模型和第二DNN回归模型具有相同的网络结构和隐含层参数。
作为优选的技术方案，所述污秽成分检测单元用于对污秽成分进行检测，具体步骤包括：
将预处理后的高压套管高光谱图像划分为标记样本集和候选样本集，对标记样本集中的高压套管高光谱图像进行标签标记；
将标记样本集按照9：1的比例划分为训练集和验证集并训练第一DNN回归模型、第二DNN回归模型和第三DNN回归模型；
通过训练后的第一DNN回归模型和第二DNN回归模型分别对候选样本集中的高压套管高光谱图像进行伪标签预测，若预测结果一致，则将该高压套管高光谱图像输入第三DNN回归模型，若预测结果不一致，则将该高压套管高光谱图像返回候选样本集；
再次训练第三DNN回归模型，若第三DNN回归模型的预测精度大于第一DNN回归模型的预测精度，将该高压套管高光谱图像加入训练集，若第三DNN回归模型的预测精度小于等于第一DNN回归模型的预测精度，将该高压套管高光谱图像返回候选样本集。
作为优选的技术方案，所述污秽程度检测单元以高压套管高光谱图像的特征波长和高压套管红外图像的图像特征为输入，输出为污秽程度信息，污秽程度信息包括轻度污秽和重度污秽。
作为优选的技术方案，所述清扫方式和清扫时间的确定的具体步骤包括：
根据污秽成分信息将高压套管表面的污秽划分为可溶性污秽和不可溶性污秽，记录高压套管高光谱图像和高压套管红外图像的采集日期，并将污秽清扫方式分为带电清扫和不带电清扫；
当污秽为可溶性污秽且污秽湿度信息大于等于污秽湿度阈值时，污秽清扫方式为不带电清扫，其他情况的污秽清扫方式为带电清扫和不带电清扫两种清扫方式均可，所述污秽湿度阈值由本领域技术人员根据大量实验确定；
当污秽程度信息为轻度污秽或环境风速信息大于等于4.5m/s，清扫时间为采集日期的2年内，当污秽程度信息为重度污秽，清扫时间为采集日期的1个月内。
作为优选的技术方案，所述三通道特征提取单元包括3个3×3卷积层、3个5×5卷积层、1个均值池化层、1个7×7卷积层和cat函数，其中每个卷积层后均连接1个ReLU激活函数。
本发明还提供一种基于目标识别的高压套管表面污秽监测系统，包括：
信息采集模块，用于采集高压套管高光谱图像、高压套管红外图像和环境风速信息；
图像预处理模块，用于对高压套管高光谱图像和高压套管红外图像进行预处理；
特征提取模块，用于对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取；
污秽检测模型构建模块，用于构建污秽检测模型，通过污秽湿度检测单元、污秽成分检测单元和污秽程度检测单元得到污秽湿度信息、污秽成分信息和污秽程度信息；
信息输出模块，用于综合污秽湿度信息、污秽成分信息、污秽程度信息和环境风速信息，确定污秽的清扫方式和清扫时间。
本发明的一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现一种基于目标识别的高压套管表面污秽监测方法。
本发明的一种控制器，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现一种基于目标识别的高压套管表面污秽监测方法。
本发明与现有技术相比，具有如下优点和有益效果：
（1）本发明通过对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取并构建污秽检测模型，提高了污秽检测的准确率。
（2）本发明通过采集高压套管所处环境风速信息并对污秽湿度信息、污秽成分信息和污秽程度信息进行综合分析，为高压套管表面污秽清扫方式和清扫时间的确定提供了有效支撑。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的一种基于目标识别的高压套管表面污秽监测方法的整体流程示意图；
图2为本发明的一种基于目标识别的高压套管表面污秽监测方法中所述三通道特征提取单元的示意图；
图3为本发明的一种基于目标识别的高压套管表面污秽监测系统的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
如图1所示，本实施例提供一种基于目标识别的高压套管表面污秽监测方法，具体包括下述步骤：
S1：采集高压套管高光谱图像、高压套管红外图像和环境风速信息。
S2：对高压套管高光谱图像和高压套管红外图像进行预处理，预处理包括高光谱图像黑白校正、高光谱图像多元散射校正和红外图像去噪；
S21：高光谱图像黑白校正用下式表示：
；
式中表示原始漫反射图像，/>表示白帧标定图像，/>表示黑帧标定图像，/>表示校正后的图像；
S22：高光谱图像多元散射校正用于消除因散射水平不同所带来的光谱差异，具体步骤包括：
假设所有高压套管高光谱图像光谱数据的平均值为理想光谱，用下式表示：
；
式中表示所有高压套管高光谱图像的光谱数据的平均光谱矢量，即理想光谱，/>表示第/>个高压套管高光谱图像的光谱矢量，为/>维数据，/>表示光谱波长数，/>表示选取的高压套管高光谱图像谱线数；
将高压套管高光谱图像每条光谱数据与理想光谱进行一元线性回归，得到每条光谱的基线平移量以及偏移量/>，用下式表示：
；
得到基线平移量和偏移量/>后，校正高压套管高光谱图像光谱曲线，用下式表示：
；
式中表示多元散射校正后第/>个高压套管高光谱图像的光谱矢量；
S23：红外图像去噪用于去除高压套管红外图像中的乘性噪声、高斯噪声、椒盐噪声，具体步骤包括：
通过神经网络滤波器对高压套管红外图像进行乘性噪声去除，得到第一高压套管红外去噪图像；
通过高斯滤波器对高压套管红外图像进行高斯噪声去除，得到第二高压套管红外去噪图像；
通过中值滤波器对高压套管红外图像进行椒盐噪声去除，得到第三高压套管红外去噪图像
对第一高压套管红外去噪图像、第二高压套管红外去噪图像和第三高压套管红外去噪图像进行加权融合，融合权值计算过程用下式表示：
；
式中表示高压套管红外图像中以/>为中心的像素/>的权重，/>表示高压套管红外图像中以/>为中心邻域像素的集合，/>、/>和/>表示邻域窗口内索引，/>、/>和/>表示对应的灰度值。
S3：对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取；
S31：特征波长提取的具体步骤包括：
建立一个维的高压套管光谱矩阵，高压套管光谱数量为/>，波长数为/>，在高压套管光谱矩阵中随机选择一列向量/>作为初始向量，令提取的特征波长个数为/>，计数器/>；
将高压套管光谱矩阵中未被选择的列向量建立集，计算列向量/>对集合/>中所有向量的投影；
选择最大投影值所在波长的序号，将最大投影向量赋给下一个初始向量，令，重复上述步骤，直至/>；
S32：图像特征提取用于提取高压套管红外图像的图像特征，具体步骤包括：
将高压套管红外图像经过3×3卷积层处理后输入到三通道特征提取单元，提取三通道特征信息；
通过SE通道注意力单元对三通道特征信息赋予不同的权值，强化通道特征信息；
再次通过2个连续的3×3卷积层进一步提取特征信息，并由全连接层输出高压套管红外图像的一维特征向量；
如图2所示，三通道特征提取单元包括3个3×3卷积层、3个5×5卷积层、1个均值池化层、1个7×7卷积层和cat函数，其中每个卷积层后均连接1个ReLU激活函数；
S33：温度特征提取用于将高压套管红外图像的温度值转换为灰度值，将温度最低点的灰度值设为0，将温度最高点的灰度值设为255，灰度值用下式表示：
；
式中表示高压套管红外图像像素点/>处的温度，/>表示高压套管红外图像中的温度最高点，/>表示高压套管红外图像中的温度最低点，/>表示高压套管红外图像像素点/>处的灰度值。
S4：构建污秽检测模型，通过污秽湿度检测单元、污秽成分检测单元和污秽程度检测单元得到污秽湿度信息、污秽成分信息和污秽程度信息；
污秽湿度检测单元基于BP神经网络构建，输入层神经元节点数为15，输入层的输入为提取到的高压套管高光谱图像的特征波长和高压套管红外图像的温度特征，隐含层神经元节点数为8，输出层神经元节点数为1，输出层的输出为污秽湿度信息；
污秽成分检测单元包括第一DNN回归模型、第二DNN回归模型和第三DNN回归模型3个DNN回归模型，其中第一DNN回归模型和第二DNN回归模型具有相同的网络结构和隐含层参数；
污秽成分检测单元用于对污秽成分进行检测，具体步骤包括：
将预处理后的高压套管高光谱图像划分为标记样本集和候选样本集，对标记样本集中的高压套管高光谱图像进行标签标记；
将标记样本集按照9：1的比例划分为训练集和验证集并训练第一DNN回归模型、第二DNN回归模型和第三DNN回归模型；
通过训练后的第一DNN回归模型和第二DNN回归模型分别对候选样本集中的高压套管高光谱图像进行伪标签预测，若预测结果一致，则将该高压套管高光谱图像输入第三DNN回归模型，若预测结果不一致，则将该高压套管高光谱图像返回候选样本集；
再次训练第三DNN回归模型，若第三DNN回归模型的预测精度大于第一DNN回归模型的预测精度，将该高压套管高光谱图像加入训练集，若第三DNN回归模型的预测精度小于等于第一DNN回归模型的预测精度，将该高压套管高光谱图像返回候选样本集；
污秽程度检测单元以高压套管高光谱图像的特征波长和高压套管红外图像的图像特征为输入，输出为污秽程度信息，污秽程度信息包括轻度污秽和重度污秽。
S5：综合污秽湿度信息、污秽成分信息、污秽程度信息和环境风速信息，确定污秽的清扫方式和清扫时间；
清扫方式和清扫时间的确定的具体步骤包括：
根据污秽成分信息将高压套管表面的污秽划分为可溶性污秽和不可溶性污秽，记录高压套管高光谱图像和高压套管红外图像的采集日期，并将污秽清扫方式分为带电清扫和不带电清扫；
当污秽为可溶性污秽且污秽湿度信息大于等于污秽湿度阈值时，污秽清扫方式为不带电清扫，其他情况的污秽清扫方式为带电清扫和不带电清扫两种清扫方式均可，所述污秽湿度阈值由本领域技术人员根据大量实验确定；
当污秽程度信息为轻度污秽或环境风速信息大于等于4.5m/s，清扫时间为采集日期的2年内，当污秽程度信息为重度污秽，清扫时间为采集日期的1个月内。
实施例2
如图3所示，本实施例提供一种基于目标识别的高压套管表面污秽监测系统，包括：
信息采集模块21，用于采集高压套管高光谱图像、高压套管红外图像和环境风速信息；
图像预处理模块22，用于对高压套管高光谱图像和高压套管红外图像进行预处理；
特征提取模块23，用于对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取；
污秽检测模型构建模块24，用于构建污秽检测模型，通过污秽湿度检测单元、污秽成分检测单元和污秽程度检测单元得到污秽湿度信息、污秽成分信息和污秽程度信息；
信息输出模块25，用于综合污秽湿度信息、污秽成分信息、污秽程度信息和环境风速信息，确定污秽的清扫方式和清扫时间。
在本实施例中，图像预处理模块22，用于对高压套管高光谱图像和高压套管红外图像进行预处理，预处理包括高光谱图像黑白校正、高光谱图像多元散射校正和红外图像去噪；
高光谱图像黑白校正用下式表示：
；
式中表示原始漫反射图像，/>表示白帧标定图像，/>表示黑帧标定图像，/>表示校正后的图像；
高光谱图像多元散射校正用于消除因散射水平不同所带来的光谱差异，具体步骤包括：
假设所有高压套管高光谱图像光谱数据的平均值为理想光谱，用下式表示：
；
式中表示所有高压套管高光谱图像的光谱数据的平均光谱矢量，即理想光谱，/>表示第/>个高压套管高光谱图像的光谱矢量，为/>维数据，/>表示光谱波长数，/>表示选取的高压套管高光谱图像谱线数；
将高压套管高光谱图像每条光谱数据与理想光谱进行一元线性回归，得到每条光谱的基线平移量以及偏移量/>，用下式表示：
；
得到基线平移量和偏移量/>后，校正高压套管高光谱图像光谱曲线，用下式表示：
；
式中表示多元散射校正后第/>个高压套管高光谱图像的光谱矢量；
红外图像去噪用于去除高压套管红外图像中的乘性噪声、高斯噪声、椒盐噪声，具体步骤包括：
通过神经网络滤波器对高压套管红外图像进行乘性噪声去除，得到第一高压套管红外去噪图像；
通过高斯滤波器对高压套管红外图像进行高斯噪声去除，得到第二高压套管红外去噪图像；
通过中值滤波器对高压套管红外图像进行椒盐噪声去除，得到第三高压套管红外去噪图像；
对第一高压套管红外去噪图像、第二高压套管红外去噪图像和第三高压套管红外去噪图像进行加权融合，融合权值计算过程用下式表示：
；
式中表示高压套管红外图像中以/>为中心的像素/>的权重，/>表示高压套管红外图像中以/>为中心邻域像素的集合，/>、/>和/>表示邻域窗口内索引，/>、/>和/>表示对应的灰度值。
在本实施例中，特征提取模块23，用于对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取；
特征波长提取的具体步骤包括：
建立一个维的高压套管光谱矩阵，高压套管光谱数量为/>，波长数为/>，在高压套管光谱矩阵中随机选择一列向量/>作为初始向量，令提取的特征波长个数为/>，计数器/>；
将高压套管光谱矩阵中未被选择的列向量建立集，计算列向量/>对集合/>中所有向量的投影；
选择最大投影值所在波长的序号，将最大投影向量赋给下一个初始向量，令，重复上述步骤，直至/>；
图像特征提取用于提取高压套管红外图像的图像特征，具体步骤包括：
将高压套管红外图像经过3×3卷积层处理后输入到三通道特征提取单元，提取三通道特征信息；
通过SE通道注意力单元对三通道特征信息赋予不同的权值，强化通道特征信息；
再次通过2个连续的3×3卷积层进一步提取特征信息，并由全连接层输出高压套管红外图像的一维特征向量；
其中，三通道特征提取单元包括3个3×3卷积层、3个5×5卷积层、1个均值池化层、1个7×7卷积层和cat函数，其中每个卷积层后均连接1个ReLU激活函数；
温度特征提取用于将高压套管红外图像的温度值转换为灰度值，将温度最低点的灰度值设为0，将温度最高点的灰度值设为255，灰度值用下式表示：
；
式中表示高压套管红外图像像素点/>处的温度，/>表示高压套管红外图像中的温度最高点，/>表示高压套管红外图像中的温度最低点，/>表示高压套管红外图像像素点/>处的灰度值。
在本实施例中，污秽检测模型构建模块24，用于构建污秽检测模型，通过污秽湿度检测单元、污秽成分检测单元和污秽程度检测单元得到污秽湿度信息、污秽成分信息和污秽程度信息；
污秽湿度检测单元基于BP神经网络构建，输入层神经元节点数为15，输入层的输入为提取到的高压套管高光谱图像的特征波长和高压套管红外图像的温度特征，隐含层神经元节点数为8，输出层神经元节点数为1，输出层的输出为污秽湿度信息；
污秽成分检测单元包括第一DNN回归模型、第二DNN回归模型和第三DNN回归模型3个DNN回归模型，其中第一DNN回归模型和第二DNN回归模型具有相同的网络结构和隐含层参数；
污秽成分检测单元用于对污秽成分进行检测，具体步骤包括：
将预处理后的高压套管高光谱图像划分为标记样本集和候选样本集，对标记样本集中的高压套管高光谱图像进行标签标记；
将标记样本集按照9：1的比例划分为训练集和验证集并训练第一DNN回归模型、第二DNN回归模型和第三DNN回归模型；
通过训练后的第一DNN回归模型和第二DNN回归模型分别对候选样本集中的高压套管高光谱图像进行伪标签预测，若预测结果一致，则将该高压套管高光谱图像输入第三DNN回归模型，若预测结果不一致，则将该高压套管高光谱图像返回候选样本集；
再次训练第三DNN回归模型，若第三DNN回归模型的预测精度大于第一DNN回归模型的预测精度，将该高压套管高光谱图像加入训练集，若第三DNN回归模型的预测精度小于等于第一DNN回归模型的预测精度，将该高压套管高光谱图像返回候选样本集；
污秽程度检测单元以高压套管高光谱图像的特征波长和高压套管红外图像的图像特征为输入，输出为污秽程度信息，污秽程度信息包括轻度污秽和重度污秽。
在本实施例中，信息输出模块25，用于综合污秽湿度信息、污秽成分信息、污秽程度信息和环境风速信息，确定污秽的清扫方式和清扫时间；
清扫方式和清扫时间的确定的具体步骤包括：
根据污秽成分信息将高压套管表面的污秽划分为可溶性污秽和不可溶性污秽，记录高压套管高光谱图像和高压套管红外图像的采集日期，并将污秽清扫方式分为带电清扫和不带电清扫；
当污秽为可溶性污秽且污秽湿度信息大于等于污秽湿度阈值时，污秽清扫方式为不带电清扫，其他情况的污秽清扫方式为带电清扫和不带电清扫两种清扫方式均可；
当污秽程度信息为轻度污秽或环境风速信息大于等于4.5m/s，清扫时间为采集日期的2年内，当污秽程度信息为重度污秽，清扫时间为采集日期的1个月内。
上述关于本发明的一种基于目标识别的高压套管表面污秽监测系统中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种基于目标识别的高压套管表面污秽监测方法的实施例中的各参数和步骤，在此不做赘述。
实施例3
本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述任一项所述的一种基于目标识别的高压套管表面污秽监测方法。需要说明的是：一种基于目标识别的高压套管表面污秽监测方法的所有计算机程序均使用Python语言实现，其中，图像预处理模块、特征提取模块、污秽检测模型构建模块和信息输出模块均由远程服务器控制；远程服务器的CPU为Intel Xeon Gold 6134，GPU为NVIDIA GTX 2080Ti 11GB，操作系统为Ubuntu 18.04.2，深度学习框架为PyTorch1.7.0，CUDA版本为10.2，使用cuDNN 7.6.5进行加速推理；Intel Xeon Gold 6134包含存储器和处理器，其中，存储器用于存储计算机程序；处理器用于执行计算机程序，使得Intel XeonGold 6134执行实现一种基于目标识别的高压套管表面污秽监测方法。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。
因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件（包括固件、驻留软件、微代码等），还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM），只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质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。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于目标识别的高压套管表面污秽监测方法，其特征在于，包括下述步骤：
采集高压套管高光谱图像、高压套管红外图像和环境风速信息；
对高压套管高光谱图像和高压套管红外图像进行预处理；
对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取；
构建污秽检测模型，通过污秽湿度检测单元、污秽成分检测单元和污秽程度检测单元得到污秽湿度信息、污秽成分信息和污秽程度信息；
综合污秽湿度信息、污秽成分信息、污秽程度信息和环境风速信息，确定污秽的清扫方式和清扫时间；
所述污秽湿度检测单元基于BP神经网络构建，输入层神经元节点数为15，输入层的输入为提取到的高压套管高光谱图像的特征波长和高压套管红外图像的温度特征，隐含层神经元节点数为8，输出层神经元节点数为1，输出层的输出为污秽湿度信息；
所述污秽成分检测单元包括第一DNN回归模型、第二DNN回归模型和第三DNN回归模型3个DNN回归模型，其中第一DNN回归模型和第二DNN回归模型具有相同的网络结构和隐含层参数；
所述污秽成分检测单元用于对污秽成分进行检测，具体步骤包括：
将预处理后的高压套管高光谱图像划分为标记样本集和候选样本集，对标记样本集中的高压套管高光谱图像进行标签标记；
将标记样本集按照9：1的比例划分为训练集和验证集并训练第一DNN回归模型、第二DNN回归模型和第三DNN回归模型；
通过训练后的第一DNN回归模型和第二DNN回归模型分别对候选样本集中的高压套管高光谱图像进行伪标签预测，若预测结果一致，则将该高压套管高光谱图像输入第三DNN回归模型，若预测结果不一致，则将该高压套管高光谱图像返回候选样本集；
再次训练第三DNN回归模型，若第三DNN回归模型的预测精度大于第一DNN回归模型的预测精度，将该高压套管高光谱图像加入训练集，若第三DNN回归模型的预测精度小于等于第一DNN回归模型的预测精度，将该高压套管高光谱图像返回候选样本集；
所述污秽程度检测单元以高压套管高光谱图像的特征波长和高压套管红外图像的图像特征为输入，输出为污秽程度信息，污秽程度信息包括轻度污秽和重度污秽。
2.根据权利要求1所述的一种基于目标识别的高压套管表面污秽监测方法，其特征在于，所述预处理包括高光谱图像黑白校正、高光谱图像多元散射校正和红外图像去噪，其中红外图像去噪用于去除高压套管红外图像中的乘性噪声、高斯噪声、椒盐噪声，具体步骤包括：
通过神经网络滤波器对高压套管红外图像进行乘性噪声去除，得到第一高压套管红外去噪图像；
通过高斯滤波器对高压套管红外图像进行高斯噪声去除，得到第二高压套管红外去噪图像；
通过中值滤波器对高压套管红外图像进行椒盐噪声去除，得到第三高压套管红外去噪图像；
对第一高压套管红外去噪图像、第二高压套管红外去噪图像和第三高压套管红外去噪图像进行加权融合，融合权值计算过程用下式表示：
；
式中表示高压套管红外图像中以/>为中心的像素/>的权重，/>表示高压套管红外图像中以/>为中心邻域像素的集合，/>、/>和/>表示邻域窗口内索引，/>、/>和/>表示对应的灰度值。
3.根据权利要求1所述的一种基于目标识别的高压套管表面污秽监测方法，其特征在于，所述特征波长提取的具体步骤包括：
建立一个维的高压套管光谱矩阵，高压套管光谱数量为/>，波长数为/>，在高压套管光谱矩阵中随机选择一列向量/>作为初始向量，令提取的特征波长个数为/>，计数器；
将高压套管光谱矩阵中未被选择的列向量建立集合，计算列向量/>对集合/>中所有向量的投影；
选择最大投影值所在波长的序号，将最大投影向量赋给下一个初始向量，令，重复上述步骤，直至/>。
4.根据权利要求1所述的一种基于目标识别的高压套管表面污秽监测方法，其特征在于，所述图像特征提取用于提取高压套管红外图像的图像特征，具体步骤包括：
将高压套管红外图像经过3×3卷积层处理后输入到三通道特征提取单元，提取三通道特征信息；
通过SE通道注意力单元对三通道特征信息赋予不同的权值，强化通道特征信息；
再次通过2个连续的3×3卷积层进一步提取特征信息，并由全连接层输出高压套管红外图像的一维特征向量。
5.根据权利要求1所述的一种基于目标识别的高压套管表面污秽监测方法，其特征在于，所述温度特征提取用于将高压套管红外图像的温度值转换为灰度值，将温度最低点的灰度值设为0，将温度最高点的灰度值设为255，灰度值用下式表示：
；
式中表示高压套管红外图像像素点/>处的温度，/>表示高压套管红外图像中的温度最高点，/>表示高压套管红外图像中的温度最低点，/>表示高压套管红外图像像素点/>处的灰度值。
6.根据权利要求1所述的一种基于目标识别的高压套管表面污秽监测方法，其特征在于，所述清扫方式和清扫时间的确定的具体步骤包括：
根据污秽成分信息将高压套管表面的污秽划分为可溶性污秽和不可溶性污秽，记录高压套管高光谱图像和高压套管红外图像的采集日期，并将污秽清扫方式分为带电清扫和不带电清扫；
当污秽为可溶性污秽且污秽湿度信息大于等于污秽湿度阈值时，污秽清扫方式为不带电清扫，其他情况的污秽清扫方式为带电清扫和不带电清扫两种清扫方式均可；
当污秽程度信息为轻度污秽或环境风速信息大于等于4.5m/s，清扫时间为采集日期的2年内，当污秽程度信息为重度污秽，清扫时间为采集日期的1个月内。
7.根据权利要求4所述的一种基于目标识别的高压套管表面污秽监测方法，其特征在于，所述三通道特征提取单元包括3个3×3卷积层、3个5×5卷积层、1个均值池化层、1个7×7卷积层和cat函数，其中每个卷积层后均连接1个ReLU激活函数。
8.一种基于目标识别的高压套管表面污秽监测系统，其基于权利要求1-7中任一项所述的一种基于目标识别的高压套管表面污秽监测方法实现，其特征在于，所述系统包括：
信息采集模块，用于采集高压套管高光谱图像、高压套管红外图像和环境风速信息；
图像预处理模块，用于对高压套管高光谱图像和高压套管红外图像进行预处理；
特征提取模块，用于对高压套管高光谱图像进行特征波长提取，对高压套管红外图像进行图像特征提取和温度特征提取；
污秽检测模型构建模块，用于构建污秽检测模型，通过污秽湿度检测单元、污秽成分检测单元和污秽程度检测单元得到污秽湿度信息、污秽成分信息和污秽程度信息；
信息输出模块，用于综合污秽湿度信息、污秽成分信息、污秽程度信息和环境风速信息，确定污秽的清扫方式和清扫时间。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现权利要求1-7中任一项所述的一种基于目标识别的高压套管表面污秽监测方法。
10.一种控制器，包括存储器和处理器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述计算机程序时实现权利要求1-7中任一项所述的一种基于目标识别的高压套管表面污秽监测方法。
CN202311727537.3A 2023-12-15 2023-12-15 一种基于目标识别的高压套管表面污秽监测方法及系统 Active CN117409011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311727537.3A CN117409011B (zh) 2023-12-15 2023-12-15 一种基于目标识别的高压套管表面污秽监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311727537.3A CN117409011B (zh) 2023-12-15 2023-12-15 一种基于目标识别的高压套管表面污秽监测方法及系统

Publications (2)

Publication Number Publication Date
CN117409011A CN117409011A (zh) 2024-01-16
CN117409011B true CN117409011B (zh) 2024-03-01

Family

ID=89500411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311727537.3A Active CN117409011B (zh) 2023-12-15 2023-12-15 一种基于目标识别的高压套管表面污秽监测方法及系统

Country Status (1)

Country Link
CN (1) CN117409011B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108072667A (zh) * 2017-09-28 2018-05-25 江苏省电力试验研究院有限公司 基于高光谱的绝缘子污秽等级检测方法及系统
CN112414950A (zh) * 2020-11-05 2021-02-26 西南交通大学 一种协同高光谱与红外技术的绝缘子等值盐密检测方法
CN113076673A (zh) * 2021-04-08 2021-07-06 江苏省送变电有限公司 基于神经网络的湿污复合绝缘子温升风险等级评估方法
CN113125499A (zh) * 2021-04-20 2021-07-16 西南交通大学 一种高压套管表面污秽监测系统及其监测方法
CN115047010A (zh) * 2022-04-26 2022-09-13 国网四川省电力公司电力科学研究院 一种基于多源光谱感知技术的绝缘子污秽程度检测方法
CN116429724A (zh) * 2023-04-14 2023-07-14 长春工程学院 基于红外高光谱分析的复合绝缘子材料污秽程度检测方法
CN116958036A (zh) * 2023-03-28 2023-10-27 南昌航空大学 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法
CN117150934A (zh) * 2023-10-30 2023-12-01 南京中鑫智电科技有限公司 变压器套管状态综合监测系统及其在线数据处理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7599516B2 (en) * 2005-08-23 2009-10-06 Illinois Tool Works Inc. Machine vision counting system apparatus and method
CA3076483A1 (en) * 2017-11-16 2019-05-23 MultiSensor Scientific, Inc. Systems and methods for multispectral imaging and gas detection using a scanning illuminator and optical sensor

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108072667A (zh) * 2017-09-28 2018-05-25 江苏省电力试验研究院有限公司 基于高光谱的绝缘子污秽等级检测方法及系统
CN112414950A (zh) * 2020-11-05 2021-02-26 西南交通大学 一种协同高光谱与红外技术的绝缘子等值盐密检测方法
CN113076673A (zh) * 2021-04-08 2021-07-06 江苏省送变电有限公司 基于神经网络的湿污复合绝缘子温升风险等级评估方法
CN113125499A (zh) * 2021-04-20 2021-07-16 西南交通大学 一种高压套管表面污秽监测系统及其监测方法
CN115047010A (zh) * 2022-04-26 2022-09-13 国网四川省电力公司电力科学研究院 一种基于多源光谱感知技术的绝缘子污秽程度检测方法
CN116958036A (zh) * 2023-03-28 2023-10-27 南昌航空大学 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法
CN116429724A (zh) * 2023-04-14 2023-07-14 长春工程学院 基于红外高光谱分析的复合绝缘子材料污秽程度检测方法
CN117150934A (zh) * 2023-10-30 2023-12-01 南京中鑫智电科技有限公司 变压器套管状态综合监测系统及其在线数据处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于高光谱技术的外绝缘污秽检测新方法研究;石超群;《中国博士学位论文全文数据库》;20220615(第06期);C042-27 *
基于高光谱技术的绝缘子污秽含水量检测;马欢;郭裕钧;张血琴;张晓青;李春茂;吴广宁;;高电压技术;20200430(第04期);310-318 *

Also Published As

Publication number Publication date
CN117409011A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
CN111860573B (zh) 模型训练方法、图像类别检测方法、装置和电子设备
CN105678332B (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN112949704B (zh) 一种基于图像分析的烟叶成熟度状态识别方法及装置
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN108392213B (zh) 基于绘画心理学的心理分析方法及装置
CN112084965B (zh) 一种头皮头发检测装置及系统
CN110084812B (zh) 一种太赫兹图像缺陷检测方法、装置、系统及存储介质
CN111141653B (zh) 一种基于神经网络的隧道渗漏速率预测方法
CN114998664A (zh) 一种多光学平台的海水中微塑料快速检测方法及检测装置
CN117172430A (zh) 一种基于深度学习的水体环境评估与预测方法及系统
CN117036715A (zh) 一种基于卷积神经网络的形变区边界自动提取方法
CN118351380A (zh) 基于多模态数据融合框架的天气检测方法
CN117252842A (zh) 一种飞机蒙皮缺陷检测及网络模型训练方法
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN116977334B (zh) 一种光缆表面瑕疵检测方法及装置
CN117994240A (zh) 多尺度二级光学遥感图像条纹噪声智能检测方法及装置
CN117409011B (zh) 一种基于目标识别的高压套管表面污秽监测方法及系统
CN117152094A (zh) 基于计算机视觉的钢板表面缺陷分析方法、装置及系统
CN114757941A (zh) 变电站设备缺陷的识别方法、装置、电子设备及存储介质
CN114842183A (zh) 一种基于卷积神经网络的开关状态识别方法和系统
CN114324337B (zh) 一种利用遥感影像进行水质分析系统和方法
CN109903289B (zh) 一种太赫兹图像无损检测的方法、装置以及设备
Enggari et al. Identification of Air Pollution Levels Based on Sky Image Using Color Histogram Method
CN117474915B (zh) 一种异常检测方法、电子设备及存储介质
CN117726612A (zh) 基于多输出序数回归模型的叶片叶绿素含量智能检测方法

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
GR01 Patent grant
GR01 Patent grant