CN117470385A - 一种基于红外图像的电缆终端温度自动提取方法 - Google Patents
一种基于红外图像的电缆终端温度自动提取方法 Download PDFInfo
- Publication number
- CN117470385A CN117470385A CN202311812505.3A CN202311812505A CN117470385A CN 117470385 A CN117470385 A CN 117470385A CN 202311812505 A CN202311812505 A CN 202311812505A CN 117470385 A CN117470385 A CN 117470385A
- Authority
- CN
- China
- Prior art keywords
- cable terminal
- value
- temperature
- temperature value
- distance
- 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- Withdrawn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
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 230000005855 radiation Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- 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
- G01J5/485—Temperature profile
-
- 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
- G01J5/70—Passive compensation of pyrometer measurements, e.g. using ambient temperature sensing or sensing of temperature within housing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
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)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于红外图像的电缆终端温度自动提取方法,包括:获取待检测电缆终端的红外热图像数据以及距离数据;提取红外热图像数据中包含的所有像素点对应的测量温度值;根据像素点温度值,将红外热图像转换为灰度图像;采用深度学习模型对电缆终端进行识别,得到电缆终端的位置区域;在电缆终端的位置区域内,根据灰度图像中灰度值,提取相应数量的像素点,得到电缆终端的温度分布;根据电缆终端的位置区域,从激光雷达的点云数据中得到距离;根据电缆终端区域的测量温度值和距离,对电缆终端的测量温度值进行温度补偿,得到电缆终端的准确温度值,消除了环境因素和距离对测量温度值的干扰,实现了电缆终端目标区域温度的精确自动提取出。
Description
技术领域
本发明属于电缆终端温度测量技术领域,尤其涉及一种基于红外图像的电缆终端温度自动提取方法。
背景技术
电缆是电力输送系统的关键组成部分,负责传输和分配电能。在电缆输送电到达目的地后,电缆终端是将电缆从空中引下来的电力部件,安装在变电站里或者地桩、平台或者杆塔上。在电力系统运行过程中,电缆终端可能会产生故障,导致电缆终端温度发生异常变化。若不及时对温度异常的电缆终端区域进行排查,可能会导致电力系统无法正常运行,严重时甚至会发生重大安全事故,造成经济损失。因此,对电缆终端温度的实时监测是排除电力系统安全隐患至关重要的手段之一。电力系统中较常用的电缆终端温度监测方法主要是采用传统的温度传感器。然而,这些传统的传感器往往需要安装在电缆终端内部或外部,这不仅给安装带来了难度,而且也会对设备本身造成一定损伤。
随着红外技术及计算机技术的不断发展,红外热成像方法在温度监测领域展现出了显著优势。红外相机具有非接触、响应快等特点,并且能实时获取电缆终端区域的温度分布情况。因此,采用红外热成像系统提取电缆终端的温度可以更准确识别出温度异常的区域,预警潜在的故障风险。
然而,在具体应用现有技术时,申请人发现现有基于红外图像的温度提取方法应用于电缆终端温度提取时误差较大,难以满足实际工程应用的需要。这是因为环境条件对红外辐射的影响导致从红外图像中直接提取的温度存在较大误差。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种基于红外图像的电缆终端温度自动提取方法,能够自动准确地提取电缆终端温度,从而为后续识别电缆终端的温度异常和实现实时的温度故障报警奠定了基础。
基于上述目的,本发明提供的一种基于红外图像的电缆终端温度自动提取方法,包括:
S1.获取待检测电缆终端的红外热图像数据以及距离数据;
S2.提取所述红外热图像数据中包含的所有像素点对应的测量温度值;
S3.根据提取的所有像素点的测量温度值,将所述红外热图像转换为灰度图像;
S4.采用深度学习模型对所述红外热图像的灰度图像中的电缆终端进行识别,得到电缆终端的位置区域;
S5.在得到的电缆终端的位置区域内,根据灰度图像中灰度值,提取相应数量的像素点,得到电缆终端温度的分布状态;
S6.根据得到的电缆终端的位置区域,从激光雷达的点云数据中得到距离;
S7.根据S5得到的电缆终端区域的测量温度值和S6得到的距离,对电缆终端的测量温度值进行温度补偿,得到电缆终端的准确温度值。
进一步地,步骤S3具体为:先根据红外图像中像素点的温度值,统计红外图像中不同温度值的个数,令每个温度值对应一个灰度级,然后按照以下公式得到灰度值与温度值的关系,最后根据得到灰度值与温度值的关系生成相应的灰度图像;
其中,为按升序排列的温度值数据集;/>为红外图像包含的不同温度值的个数;/>为坐标点/>的温度值;/>为/>在/>中的顺序;/>为坐标点/>对应的灰度值。
进一步地,步骤S4具体为:
将红外摄像机拍摄的包含电缆终端的红外热图像的灰度图像,输入到训练好的基于改进YOLOV5的电缆终端识别模型中进行识别,获取电缆终端的位置区域。
进一步地,步骤S7包括以下步骤:
S7-1.使用红外摄像机和激光雷达获取黑体仪的红外热图像数据以及距离数据,再采用线性插值法得到距离与最大测量温度值和最小测量温度值的关系;
S7-2.根据红外摄像机可测量的波长范围参数值及黑体仪的实际温度范围,计算得到辐射值与实际温度值的关系;
S7-3.根据辐射值与实际温度值的关系,采用多项式拟合法拟合温度值关于辐射值的反函数关系;
S7-4.根据电缆终端位置区域的测量温度值和距离,计算像素点的辐射值;
S7-5.根据拟合得到的反函数关系和计算得到的像素点的辐射值,自动计算像素点的准确温度值。
进一步地,步骤S7-1中,所述采用线性插值法得到距离与最大测量温度值和最小测量温度值的关系,具体通过以下公式得到:
;
;
;
;
;
其中,为按升序排列的距离数据集;/>为黑体仪与激光雷达的距离;/>为不同的距离数据的个数;/>和/>分别为最小测量温度数据集与最大测量温度数据集;/>和/>分别为距离/>对应的最小测量温度值和最大测量温度值,/>为1,2;/>和分别为距离/>对应的最小测量温度值和最大测量温度值。
进一步地,步骤S7-2中,按照以下公式计算得到辐射值与实际温度值的关系:
;
其中,表示温度/>所对应的辐射值;/>为黑体仪的实际温度;/>为红外相机可测量的波长范围;/>为玻尔兹曼常数;/>为普朗克常数;/>为光速,/>表示增量,/>为积分变量。
进一步地,S7-3中,通过以下公式拟合温度值关于辐射值的反函数关系:
;
其中,为温度值;/>为辐射值;/>为拟合函数;/>、/>、/>、/>、/>和/>均为通过多项拟合法得出的系数。
进一步地,步骤S7-4中,通过以下公式计算像素点的辐射值:
;
其中,为像素点的辐射值;/>为像素点的测量温度值;/>为像素点的距离;/>和/>分别为距离/>对应的最小测量温度值和最大测量温度值;/>为最小实际温度值对应的辐射值;/>为最大实际温度值对应的辐射值。
进一步地,步骤S7-5中,按照以下公式自动计算像素点的准确温度值:
;
其中,为电缆终端的准确温度值;/>为根据电缆终端的测量温度/>和距离/>计算得出的辐射值。
本发明的有益效果:
本发明通过上述技术方案,即可通过获取目标区域的图像信息和距离信息,以及通过自定义的从测量温度值到辐射值的映射关系,对温度进行补偿,消除了环境因素和距离对测量温度值的干扰,从而实现精确自动提取出目标区域的温度信息。
附图说明
图1为本发明所述的基于红外图像的电缆终端温度自动提取方法的流程图;
图2为本发明所述的基于红外图像的电缆终端温度自动提取方法中获取的实施例电缆终端的红外热图像数据;
图3为本发明所述的基于红外图像的电缆终端温度自动提取方法中从图2红外热图像数据中提取出的像素点温度值;
图4为本发明所述的基于红外图像的电缆终端温度自动提取方法中图2红外热图像数据对应的灰度图像;
图5为本发明所述的基于红外图像的电缆终端温度自动提取方法中基于深度学习对图4的灰度图像中电缆终端区域识别结果示意图;
图6为本发明所述的基于红外图像的电缆终端温度自动提取方法中实施例得到的距离与测量温度值关系的曲线图;
图7为本发明所述的基于红外图像的电缆终端温度自动提取方法中实施例得到实际温度值与辐射值关系的曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
针对当前电缆终端温度提取误差较大的问题,本申请利用红外热成像仪采集目标区域的图像信息,同时利用激光雷达得到目标区域的距离信息,然后通过自定义的从测量温度值到辐射值的映射关系,对温度进行补偿,消除距离对测量温度值的干扰,精确自动提取出目标区域的温度信息。
参照图1所示,图1为本发明提供的基于红外图像的电缆终端温度自动提取流程图,所述基于红外图像的电缆终端温度自动提取方法,包括:
步骤101,获取待检测电缆终端的红外热图像数据以及距离数据;具体地,通过红外摄像机和激光雷达对包含电缆终端的目标区域进行等时间间隔拍摄,获取包含电缆终端的红外热图像数据(参照图2所示)和包含距离数据的点云数据,该距离是指电缆终端与激光雷达的距离。
步骤102,提取所述红外热图像数据中包含的所有像素点对应的测量温度值;具体地,采用FLIR tools软件生成与所述红外热图像的所有像素点对应的温度值文件,参照图3所示。
步骤103,根据提取的所有像素点的测量温度值,将红外热图像转换为灰度图像;具体地,根据红外图像中像素点的温度值,首先统计红外图像中不同温度值的个数,令每个温度值对应一个灰度级,得到灰度值与温度值的关系,再生成相应的灰度图像,参照图4所示;其中,按照以下公式得到灰度值与温度值的关系。
其中,为按升序排列的温度值数据集;/>为红外图像包含的不同温度值的个数;为坐标点/>的温度值;/>为/>在/>中的顺序;/>为坐标点/>对应的灰度值。
步骤104,采用深度学习模型对红外热图像的灰度图像中的电缆终端进行识别,得到电缆终端的位置区域;优选地,该深度学习模型是一种基于改进YOLOV5的电缆终端识别模型,该电缆终端识别模型是以YOLOV5为基本框架构建红外目标识别算法模型(具体为在YOLOV5目标识别网络的主干网络设置有S-Ghost模块取代前两个通用卷积层;在颈部网络的起始位置设置有带注意力机制的RSK模块;构建包含置信度损失、分类损失和定位损失的损失函数),并已通过样本数据集的训练集和验证集进行训练与优化,以及使用测试集进行测试模型指标,获取的最优目标识别模型;当然也可以是以YOLOV5为基本框架构建红外目标识别算法模型等现有红外识别模型。将红外摄像机拍摄的红外图像的灰度图像输入到深度学习模型中,获取电缆终端的位置区域,减少非目标区域的干扰。其中,和/>为检测框的宽和高;/>和/>为检测框中心的位置坐标;/>为检测框的整体旋转角度。参照图5所示,红色方框内部即为识别出来的电缆终端。
步骤105,在电缆终端的位置区域内,根据灰度图像中灰度值,提取相应数量的像素点,得到电缆终端温度的分布状态;换言之就是标记出电缆终端的区域,舍弃掉其他无意义的区域,而分布状态则是根据步骤103的转换关系,将像素值转换为灰度值,属于现有技术,在此不再详细赘述;其中电缆终端区域是一块矩形区域,温度分布状态是该区域每一点所对应的测量温度值,该温度分布状态只包含温度信息,在步骤S107进行温度补偿时使用。
步骤106,根据电缆终端的位置区域,从激光雷达的点云数据中得到距离。具体地,根据获取的电缆终端的位置坐标,从激光雷达的点云数据中找到与之对应的点云数据,计算电缆终端与激光雷达之间的距离;此计算方法属于现有技术,在此不再详细赘述。
步骤107,根据S105得到的电缆终端区域的测量温度值和S106得到的距离,对电缆终端的测量温度值进行温度补偿,得到电缆终端的准确温度值。具体为:根据电缆终端测量温度值和距离,结合由对黑体仪数据进行处理得到的温度补偿公式,计算电缆终端准确温度值;如图1所示,包括以下步骤:
步骤1071,使用红外相机和激光雷达获取黑体仪(该黑体仪具有温度调节功能)的红外热图像数据以及距离(即黑体仪与激光雷达的距离)数据,采用线性插值法得到距离与最大测量温度值和最小测量温度值的关系;具体地,将黑体仪放置在特定距离处,改变黑体仪的温度,记录每一距离对应的最大测量温度值和最小测量温度值,最后采用线性插值法得到距离与最大测量温度值和最小测量温度值的关系。其中,所述采用线性插值法得到距离与最大测量温度值和最小测量温度值的关系,通过以下公式得到:
;
;
;
;
;
其中,为按升序排列的距离数据集;/>为黑体仪与激光雷达的距离;/>为不同的距离数据的个数;/>和/>分别为最小测量温度数据集与最大测量温度数据集;/>和分别为距离/>对应的最小测量温度值和最大测量温度值,/>为1,2;/>和/>分别为距离/>对应的最小测量温度值和最大测量温度值。参见图6所示,该图6是本发明实施例得到的距离与测量温度值关系的曲线图,图中线A表示距离与测量的最大温度值关系曲线,线B表示距离与测量的最小温度值关系曲线。
步骤1072,根据红外摄像机可测量的波长范围参数值及黑体仪的实际温度范围,计算得到辐射值与实际温度值的关系。具体地,可以按照以下公式计算得到辐射值与实际温度值的关系:
;
其中,表示温度/>所对应的辐射值;/>为黑体仪的实际温度;/>为红外相机可测量的波长范围;/>为玻尔兹曼常数;/>为普朗克常数;/>为光速,/>表示增量,/>为积分变量。可选的,采用Matlab软件根据实际温度值与辐射值的关系画出温度-辐射曲线;参照图7所示,该图7是本发明实施例得到的实际温度值与辐射值关系的曲线图。
步骤1073,根据辐射值与实际温度值的关系,采用多项式拟合法拟合温度值关于辐射值的反函数关系,得到拟合函数。具体通过以下公式拟合温度值关于辐射值的反函数关系得到拟合函数:
;
其中,为温度值;/>为辐射值;/>为拟合函数;/>、/>、/>、/>、/>和/>均为通过多项拟合法得出的系数。
步骤1074,根据电缆终端区域的测量温度值和距离,计算像素点的辐射值。其中,通过以下公式计算像素点的辐射值:
;
其中,为像素点的辐射值;/>为像素点的测量温度值;/>为像素点的距离,即电缆终端与激光雷达的距离;/>和/>分别为距离/>对应的最小测量温度值和最大测量温度值;/>为最小实际温度值对应的辐射值;/>为最大实际温度值对应的辐射值。本发明不需要直接计算环境温度和湿度对红外测温的影响,而是通过黑体仪的实际温度值以及红外热成像系统中黑体仪的测量温度值,构造了测量温度值与实际温度值的隐函数关系。因此不需要对电缆终端所处环境进行物理建模,也不需要读取环境的温度和湿度,就能消除环境因素对红外测温的干扰。
步骤1075,根据拟合的反函数关系(即步骤1073得到的拟合函数),自动计算像素点的准确温度值。具体按照以下公式自动计算像素点的准确温度值:
;
其中,为电缆终端的准确温度值;/>为拟合函数;/>为根据电缆终端的测量温度/>和距离/>计算得出的辐射值。
需要说明的是,本发明所述一种基于红外图像的电缆终端温度自动提取方法至少包括以下优点:(1)采用深度学习模型识别电缆终端,可以使得提取电缆终端区域足够精确,减少非目标区域的干扰。(2)对电缆终端红外图像的温度值进行温度补偿,能够有效消除环境因素和距离的干扰,减少误差,实现电缆终端温度的准确提取。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于红外图像的电缆终端温度自动提取方法,其特征在于,包括:
S1.获取待检测电缆终端的红外热图像数据以及距离数据;
S2.提取所述红外热图像数据中包含的所有像素点对应的测量温度值;
S3.根据提取的所有像素点的测量温度值,将所述红外热图像转换为灰度图像;具体为:先根据红外图像中像素点的温度值,统计红外图像中不同温度值的个数,令每个温度值对应一个灰度级,然后按照以下公式得到灰度值与温度值的关系,最后根据得到灰度值与温度值的关系生成相应的灰度图像;
其中,为按升序排列的温度值数据集;/>为红外图像包含的不同温度值的个数;/>为坐标点/>的温度值;/>为/>在/>中的顺序;/>为坐标点/>对应的灰度值;
S4.采用深度学习模型对所述红外热图像的灰度图像中的电缆终端进行识别,得到电缆终端的位置区域;
S5.在得到的电缆终端的位置区域内,根据灰度图像中灰度值,提取相应数量的像素点,得到电缆终端温度的分布状态;
S6.根据得到的电缆终端的位置区域,从激光雷达的点云数据中得到距离;
S7.根据S5得到的电缆终端区域的测量温度值和S6得到的距离,对电缆终端的测量温度值进行温度补偿,得到电缆终端的准确温度值。
2.根据权利要求1所述的基于红外图像的电缆终端温度自动提取方法,其特征在于,步骤S4具体为:
将红外摄像机拍摄的包含电缆终端的红外热图像的灰度图像,输入到训练好的基于改进YOLOV5的电缆终端识别模型中进行识别,获取电缆终端的位置区域;该深度学习模型是一种基于改进YOLOV5的电缆终端识别模型,该电缆终端识别模型是以YOLOV5为基本框架构建红外目标识别算法模型,并已通过样本数据集的训练集和验证集进行训练与优化,以及使用测试集进行测试模型指标,获取的最优目标识别模型;其中以YOLOV5为基本框架构建红外目标识别算法模型具体为:在YOLOV5目标识别网络的主干网络设置有S-Ghost模块取代前两个通用卷积层;在颈部网络的起始位置设置有带注意力机制的RSK模块;构建包含置信度损失、分类损失和定位损失的损失函数。
3.根据权利要求1或2所述的基于红外图像的电缆终端温度自动提取方法,其特征在于,步骤S7包括以下步骤:
S7-1.使用红外摄像机和激光雷达获取黑体仪的红外热图像数据以及距离数据,再采用线性插值法得到距离与最大测量温度值和最小测量温度值的关系;
S7-2.根据红外摄像机可测量的波长范围参数值及黑体仪的实际温度范围,计算得到辐射值与实际温度值的关系;
S7-3.根据辐射值与实际温度值的关系,采用多项式拟合法拟合温度值关于辐射值的反函数关系;
S7-4.根据电缆终端位置区域的测量温度值和距离,计算像素点的辐射值;
S7-5.根据拟合得到的反函数关系和计算得到的像素点的辐射值,自动计算像素点的准确温度值。
4.根据权利要求3所述的基于红外图像的电缆终端温度自动提取方法,其特征在于,步骤S7-1中,所述采用线性插值法得到距离与最大测量温度值和最小测量温度值的关系,具体通过以下公式得到:
;
;
;
;
;
其中,为按升序排列的距离数据集;/>为黑体仪与激光雷达的距离;/>为不同的距离数据的个数;/>和/>分别为最小测量温度数据集与最大测量温度数据集;/>和/>分别为距离/>对应的最小测量温度值和最大测量温度值,/>为1,2;/>和/>分别为距离/>对应的最小测量温度值和最大测量温度值。
5.根据权利要求3所述的基于红外图像的电缆终端温度自动提取方法,其特征在于,步骤S7-2中,按照以下公式计算得到辐射值与实际温度值的关系:
;
其中,表示温度/>所对应的辐射值;/>为黑体仪的实际温度;/>为红外相机可测量的波长范围;/>为玻尔兹曼常数;/>为普朗克常数;/>为光速,/>表示增量,为积分变量。
6.根据权利要求3所述的基于红外图像的电缆终端温度自动提取方法,其特征在于,S7-3中,通过以下公式拟合温度值关于辐射值的反函数关系:
;
其中,为温度值;/>为辐射值;/>为拟合函数;/>、/>、/>、/>、/>和/>均为通过多项拟合法得出的系数。
7.根据权利要求3所述的基于红外图像的电缆终端温度自动提取方法,其特征在于,步骤S7-4中,通过以下公式计算像素点的辐射值:
;
其中,为像素点的辐射值;/>为像素点的测量温度值;/>为像素点的距离;和/>分别为距离/>对应的最小测量温度值和最大测量温度值;/>为最小实际温度值对应的辐射值;/>为最大实际温度值对应的辐射值。
8.根据权利要求3所述的基于红外图像的电缆终端温度自动提取方法,其特征在于,步骤S7-5中,按照以下公式自动计算像素点的准确温度值:
;
其中,为电缆终端的准确温度值;/>为根据电缆终端的测量温度/>和距离/>计算得出的辐射值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812505.3A CN117470385A (zh) | 2023-12-27 | 2023-12-27 | 一种基于红外图像的电缆终端温度自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812505.3A CN117470385A (zh) | 2023-12-27 | 2023-12-27 | 一种基于红外图像的电缆终端温度自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117470385A true CN117470385A (zh) | 2024-01-30 |
Family
ID=89633296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311812505.3A Withdrawn CN117470385A (zh) | 2023-12-27 | 2023-12-27 | 一种基于红外图像的电缆终端温度自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117470385A (zh) |
-
2023
- 2023-12-27 CN CN202311812505.3A patent/CN117470385A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111094956B (zh) | 用神经网络对热成像图像进行处理以鉴定保温层下腐蚀(cui) | |
US10871444B2 (en) | Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system | |
CN112906694B (zh) | 变电站倾斜式指针式仪表图像的读数矫正系统及方法 | |
CN103247039B (zh) | 一种基于复合视觉的高压线缆带电检测方法 | |
CN110910383A (zh) | 基于红外图像识别的调相机故障监测方法和系统 | |
CN112740023A (zh) | 优化检测保温层下腐蚀的部署条件的机器学习系统和数据融合 | |
CN113299035A (zh) | 一种基于人工智能和双目视觉的火灾识别方法及系统 | |
WO2020123505A1 (en) | Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system | |
CN113469178B (zh) | 一种基于深度学习的电力表计识别方法 | |
CN110765631B (zh) | 基于有效成像像素的红外辐射特性测量小目标判断方法 | |
CN115409814A (zh) | 一种基于融合图像的光伏组件热斑检测方法及系统 | |
Zheng et al. | Intelligent diagnosis method of power equipment faults based on single‐stage infrared image target detection | |
CN113269744A (zh) | 一种应用于输电线路设备缺陷的红外智能识别方法及系统 | |
CN117314986A (zh) | 基于语义分割的无人机跨模态配电设备巡检图像配准方法 | |
CN117470385A (zh) | 一种基于红外图像的电缆终端温度自动提取方法 | |
CN116878669A (zh) | 基于短波红外测温的温度补偿方法、火情监测方法及系统 | |
CN113283276A (zh) | 一种联动热成像自学习火点检测方法及系统 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
Liu et al. | Computer Vision‐Based Structural Displacement Monitoring and Modal Identification with Subpixel Localization Refinement | |
CN114155432A (zh) | 一种基于机器人的表计读数识别方法 | |
CN117496133B (zh) | 基于多模态数据的封闭母线r-cnn温度故障监测方法 | |
CN114494245B (zh) | 墙体结构孔气密性检测的图像识别方法 | |
Gang et al. | Research on key technology of infrared detection of power equipment | |
CN115808144A (zh) | 一种风机叶片长度测量的方法和设备 | |
CN117928741A (zh) | 充电桩热源异常监测方法,热源异常监测系统及可读介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240130 |