CN117911401A - 一种电力设备故障检测方法、系统、存储介质及设备 - Google Patents
一种电力设备故障检测方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN117911401A CN117911401A CN202410294720.7A CN202410294720A CN117911401A CN 117911401 A CN117911401 A CN 117911401A CN 202410294720 A CN202410294720 A CN 202410294720A CN 117911401 A CN117911401 A CN 117911401A
- Authority
- CN
- China
- Prior art keywords
- image
- power equipment
- infrared image
- treatment
- detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000010438 heat treatment Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 230000005764 inhibitory process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000003331 infrared imaging Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram 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
- G06T2207/10048—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种电力设备故障检测方法、系统、存储介质及设备，涉及电力设备故障检测技术领域，所述检测方法首先对电力设备的红外图像进行预处理；然后将经过预处理的图像输入到训练好的基于Faster R‑CNN电力设备红外图像检测模型中进行检测，得到电力设备红外图像中电力设备异常发热区域的位置和故障设备类别的检测结果；本发明提出采用平台直方图均衡化方法对图像增强处理，增加了图像的对比度，适应于增强红外图像，能够实现复杂红外成像的去噪处理和低亮度对比度图像的图像增强，搭建基于Faster R‑CNN的红外像下电力设备检测网络模型，提高了检测结果的准确性。
Description
技术领域
本发明属于电力设备故障检测领域，尤其涉及一种电力设备故障检测方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
电力系统是现代社会的基础设施之一，但随着电网规模的不断扩大，电网故障率也不断上升，给电力系统的运行和维护带来了巨大的挑战。传统的电力系统监控和管理方法往往基于手动采集和分析数据，进而根据数据分析结果来实现电力系统的管理。然而，这种方式对人力依赖计较大，需要大量人工干预，存在诸多缺陷和局限，例如，在数据采集过程中可能会出现数据采集不全面、数据采集不及时、数据采集不准确等，会导致后续数据分析结果的准确性；而且通过人工对采集的数据进行分析处理也会导致数据分析过程中出现误分析等，进一步导致数据分析结果不准确。
机器视觉利用图像信息技术可以实现对相关数据的快速处理，这样可以大大提高电网故障检测效率，因此依托机器视觉构建自动化、智能化的检测系统至关重要。但是随着电网故障数据信息的产生，如何处理电网故障数据信息成为亟待解决的问题。
现有技术中，中国发明专利CN109685051A，公开了一种基于电网系统的红外图像故障诊断系统，通过红外图像获取模块、特征提取模块并结合管理服务器，能够对电网设备的红外图像的特征进行提取和分析，并结合随机森林算法对各特征的重要性进行分析，以筛选出影响红外图像故障检测的特征。这种诊断系统对于获取的红外图像直接进行提取和分析，而在实际应用中，由于存在异常复杂的电磁环境以及收到仪器性能、天气环境 等诸多因素的影响，会造成电力设备红外检测成像多噪点、低亮度、低对比度，导致提取的特征不准确，对检测结果的准确性造成了影响；另外，该系统直接采用随机森林算法进行重要度分析，虽然能够在一定程度上提高故障检测的便利性，但是检测结果的准确性较低。
发明内容
为克服上述现有技术的不足，本发明提供了一种电力设备故障检测方法、系统、存储介质及设备，通过对电力设备的红外图像进行预处理以及优化检测模型的训练过程，提高了电力设备故障检测的准确性。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种电力设备故障检测方法，包括以下步骤：
获取电力设备红外图像，对图像进行NSCT变换后进行去噪处理，然后对去噪处理后的红外图像进行图像增强处理；
将经过预处理的图像输入到训练好的基于Faster R-CNN的电力设备红外图像检测模型中进行检测，得到电力设备红外图像中电力设备异常发热区域的位置和故障设备类别的检测结果；
其中，所述图像增强处理过程为：首先采用平台直方图均衡化方法对去噪处理后的红外图像进行均衡化处理，得到均衡化后的图像；然后对均衡化后的图像进行伽马变化，得到第一图像；再对去噪处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到第二图像；最后将第一图像和第二图像进行加权组合处理，得到增强处理后的图像。
进一步地，所述NSCT变换后的图像去噪处理包括低频子带的处理和高频子带的处理，其中低频子带的处理采用线性增强来修正其系数，高频子带的处理引入尺度因子利用改进的自适应阈值函数来去噪。
进一步地，所述改进的自适应阈值函数为：
其中，表示在L尺度上、d方向的自适应阈值；M × N 表示红外图像的像素点数；m表示引入的尺度因子；/>表示噪声标准差。
进一步地，基于Faster R-CNN电力设备红外图像检测模型的训练过程包括：
训练的红外数据传入ResNet50共享特征提取网络进行特征提取；
第一支路传入区域建议网络进行前后景二分类、位置回归训练，得到区域建议输出并传给ROI平均池化层；第二支路的特征图层也传入ROI平均池化层；
ROI平均池化层输出进行全连接操作，经卷积得到最终检测分类与目标位置回归输出，进行端对端训练，得到最终训练好的模型。
进一步地，所述端对端训练时，训练过程中的损失函数包括分类损失和回归损失。
进一步地，所述损失函数为：
其中，表示第i个锚框预测为真实标签的概率；/>当为正样本时为1，当为负样本时为0；/>表示预测第i个锚框的位置回归参数；/>表示第i个锚框对应的位置；/>表示所有样本数量；/>表示目标位置的个数；/>表示分类损失；/>表示回归损失；/>表示权重参数。
进一步地，所述第一图像和第二图像进行加权组合处理时，采用自适应确定加权系数，具体包括将第一图像和第二图像输入预先构建的BP神经网络模型中，输出自适应的加权系数。
本发明第二方面提供了一种电力设备故障检测系统，包括：
图像预处理模块，被配置为：获取电力设备红外图像，对图像进行NSCT变换后进行去噪处理，然后对去噪处理后的红外图像进行图像增强处理；
故障检测模块，被配置为：将经过预处理的图像输入到训练好的基于Faster R-CNN电力设备红外图像检测模型中进行检测，得到电力设备红外图像中电力设备异常发热区域的位置和故障设备类别的检测结果；
其中，所述图像增强处理过程为：首先采用平台直方图均衡化方法对去噪处理后的红外图像进行均衡化处理，得到均衡化后的图像；然后对均衡化后的图像进行伽马变化，得到第一图像；再对去噪处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到第二图像；最后将第一图像和第二图像进行加权组合处理，得到增强处理后的图像。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的电力设备故障检测方法中的步骤。
本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的电力设备故障检测方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明提供的电力设备故障检测方法，针对电力设备红外检测过程可能遇到的复杂环境，对图像进行NSCT变换后进行去噪处理，把图像变为低频部分和高频部分，低频部分采用线性增强算法，高频部分采用改进的自适应阈值进行去噪处理。同时，采用平台直方图均衡化方法对去噪后的红外图像进行处理，避免了采用直方图均衡化对红外图像进行处理将会导致背景和噪声占用的灰度级偏多、而目标的灰度级偏少、不适用于红外图像增强的缺陷，平台直方图均衡化方法对灰度的权重设置一个平台阈值，对大于平台阈值的灰度值进行了限制，即限制了背景和噪声的提升，突出了电力设备，从而增加了图像的对比度，适应于增强红外图像。
本发明提供的电力设备故障检测方法，采用取平均值的方法确定平台直方图均衡化方法中的平台阈值，取值简单便于操作，且能够得到很好的图像处理效果；伽马变换作为对增强后图像的修正，使图像的目标不至于过亮，增强效果较柔和，不生硬；拉普拉斯锐化增强了目标的边缘与轮廓，使得图像细节更清晰；非极大值抑制对梯度的幅值进行操作，红外图像的边缘模糊，非极大值抑制能够使其目标更突出，且与背景明显区分；本发明的方法能够提高红外图像的增强效果，获得图像的整体信息，识别度高，层次感丰富。
本发明提供的电力设备故障检测方法，搭建了基于Faster R-CNN的红外像下电力设备检测网络模型；训练红外图像下异常区域及设备检测模型，经过效果测试表明，该检测模型具有较高的检测准确率，提高了电力设备故障检测方法的准确性。
本发明提供的电力设备故障检测方法，基于Faster R-CNN的红外像下电力设备检测网络模型，在训练过程中对四种损失函数进行训练，其中，RPN分类损失针对锚框是否为前景（二分类）训练；RPN位置回归损失针对锚框位置训练微调；目标分类损失针对ROI所属类别训练；目标位置回归损失针对最终目标位置训练微调，提高了检测网络模型输出结果的准确性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例中的Faster R-CNN电力设备红外图像检测模型系统结构图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
实施例一
在本发明的一种具体实施方式中，提供了一种电力设备故障检测方法，如图1所示，包括以下步骤：
步骤一：获取电力设备红外图像，对图像进行NSCT变换后进行去噪处理，然后对去噪处理后的红外图像进行图像增强处理；
具体的，首先利用NSCT变换把图像变为低频部分和高频部分，低频部分采用线性增强算法，高频部分采用改进的自适应阈值将各个方向的子带系数分类后进行单独去噪。由于低频域子带基本不包含噪声信息，而包含了图像的细节信息，因此，直接采用线性增强来修正其系数。图像经过NSCT（Nonsubsampled Contourlet，非采样轮廓波）变换后会分解出若干个高频子带，它主要包含了图像原有的噪声和经过直方图双向均衡化后产生的噪声，因此本实施例通过引入尺度因子利用自适应阈值函数来去噪。
进一步地，所述改进的自适应阈值函数为：
其中，表示在L尺度上、d方向的自适应阈值；M × N 表示红外图像的像素点数；m表示引入的尺度因子；/>表示噪声标准差。
进一步地，所述图像增强处理过程为：首先采用平台直方图均衡化方法对去噪处理后的红外图像进行均衡化处理，得到均衡化后的图像，具体过程为：
（1）图像处理器根据公式并采用取平均值的方法确定平台直方图均衡化方法中的平台阈值K，其中，f(x,y)为去噪后的红外图像在像素点(x,y)处的灰度值，A为去噪后的红外图像在x轴方向上的像素大小，B为去噪后的红外图像在y轴方向上的像素大小。
（2）图像处理器将去噪后的红外图像绘制成直方图；
（3）图像处理器根据公式对直方图/>进行处理，当直方图/>中某处灰度级对应的值大于平台阈值K时，就将该处的值设置为K，当直方图/>中某处灰度级对应的值不大于平台阈值K时，就保持该处的值不变，得到平台直方图/>；其中，t为直方图/>或平台直方图/>中图像的灰度级，且t的取值范围为0≤t≤255；
（4）图像处理器根据公式对平台直方图/>进行累加计算，得到累积直方图/>；其中，i为平台直方图/>中图像的任一灰度级且i的取值范围为0≤i≤k；
（5）图像处理器根据公式对累积直方图/>的灰度进行重新分配，得到均衡化后的图像；其中，/>为累积直方图/>中灰度为k的像素经过改进的平台直方图均衡化后的灰度值，且/>的取值范围为/>，为取整运算。
然后对均衡化后的图像进行伽马变化，得到第一图像，记为y1；再对去噪处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，非极大值抑制是指沿着梯度方向上进行非极大值的抑制，即寻找梯度方向的局部最大值，得到第二图像，记为y2；最后将第一图像和第二图像进行加权组合处理，具体的根据公式对第一图像和第二图像进行加权组合，其中，p为加权系数且p的取值范围为0＜p＜1。
进一步地，具体采用自适应确定加权系数，包括将第一图像和第二图像输入预先构建的BP（back propagation，反向传播）神经网络模型中，输出自适应的加权系数，最终得到的加权系数的取值范围为0.58-0.61，如果p取值较小，图像亮度信息不能得到很好的增强，边缘亮度信息增强过大，结合后的图像目标边缘生硬，视觉效果不好；如果p取值较大，图像的亮度信息过度增大，边缘突出效果不明显，结合后的图像亮度信息分布不均匀；因此采用自适应的方法且在0.28≤p≤0.61的范围内选取p的取值。
步骤二：将经过预处理的图像输入到训练好的基于Faster R-CNN电力设备红外图像检测模型中进行检测，得到电力设备红外图像中电力设备异常发热区域的位置和故障设备类别的检测结果；
其中，基于Faster R-CNN（基于卷积神经网络的目标检测算法）电力设备红外图像检测模型的训练过程包括：
训练的红外数据传入ResNet50（Residual Network 50，50层卷积神将网络）共享特征提取网络进行特征提取；
第一支路传入区域建议网络（RegionProposalNetwork，RPN）进行前后景二分类、位置回归训练，得到区域建议输出并传给ROI（Region of Interest，感兴趣区域）平均池化层；第二支路的特征图层也传入ROI平均池化层；
ROI平均池化层输出进行全连接操作，经卷积得到最终检测分类与目 标位置回归输出，进行端对端训练，得到最终训练好的模型，其主要结构如图2所示。
进一步地，所述端对端进行训练时，训练过程中的损失函数包括回归损失和分类损失，回归损失为目标位置回归损失和RPN位置回归损失，分类损失为目标分类损失和RPN分类损失，其中，RPN分类损失针对锚框是否为前景（二分类）训练；RPN位置回归损失针对锚框位置训练微调；目标分类损失针对ROI所属类别训练；目标位置回归损失针对最终目标位置训练微调。
进一步地，所述损失函数为：
其中，表示第i个锚框预测为真实标签的概率；/>当为正样本时为1，当为负样本时为0；/>表示预测第i个锚框的位置回归参数；/>表示第i个锚框对应的位置；/>表示所有样本数量；/>表示目标位置的个数；/>表示分类损失；/>表示回归损失；/>表示权重参数。
在本实施例中，所述训练的红外数据包括异常区域和电力设备具体类别的异常数据集，其中，异常区域数据集将出现的红外异常标注为7类， 按异常的形态分为点状、短条状、小盘状、团状、长条状、盘状、难例类，其中，点状、短条状、小盘状标注类别为小区域故障，团状、长条状、盘状标注类别为大区域故障，难例类标注类别为难例故障。电力设备类别分别为：电力变压器、绝缘子、电流互感器、电压互感器、螺栓、耦合电容器、避雷器、断路器、隔离开关、电抗器、组波器、套管、引线或电缆。
实施例二
本实施例公开了一种电力设备故障检测系统，包括以下步骤：
图像预处理模块，被配置为：获取电力设备红外图像，对图像进行NSCT变换后进行去噪处理，然后对去噪处理后的红外图像进行图像增强处理；
故障检测模块，被配置为：将经过预处理的图像输入到训练好的基于Faster R-CNN电力设备红外图像检测模型中进行检测，得到电力设备红外图像中电力设备异常发热区域的位置和故障设备类别的检测结果；
其中，所述图像增强处理过程为：首先采用平台直方图均衡化方法对去噪处理后的红外图像进行均衡化处理，得到均衡化后的图像；然后对均衡化后的图像进行伽马变化，得到第一图像；再对去噪处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到第二图像；最后将第一图像和第二图像进行加权组合处理，得到增强处理后的图像。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的电力设备故障检测方法中的步骤。
实施例四
本实施例的目的是提供一种电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的电力设备故障检测方法中的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种电力设备故障检测方法，其特征在于，包括以下步骤：
获取电力设备红外图像，对图像进行NSCT变换后进行去噪处理，然后对去噪处理后的红外图像进行图像增强处理；
将经过预处理的图像输入到训练好的基于Faster R-CNN的电力设备红外图像检测模型中进行检测，得到电力设备红外图像中电力设备异常发热区域的位置和故障设备类别的检测结果；
其中，所述图像增强处理过程为：首先采用平台直方图均衡化方法对去噪处理后的红外图像进行均衡化处理，得到均衡化后的图像；然后对均衡化后的图像进行伽马变化，得到第一图像；再对去噪处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到第二图像；最后将第一图像和第二图像进行加权组合处理，得到增强处理后的图像。
2.如权利要求1所述的电力设备故障检测方法，其特征在于，所述NSCT变换后的图像去噪处理包括低频子带的处理和高频子带的处理，其中低频子带的处理采用线性增强来修正其系数，高频子带的处理引入尺度因子利用改进的自适应阈值函数来去噪。
3.如权利要求2所述的电力设备故障检测方法，其特征在于，所述改进的自适应阈值函数为：
其中，表示在L尺度上、d方向的自适应阈值；M × N 表示红外图像的像素点数；m表示引入的尺度因子；/>表示噪声标准差。
4.如权利要求1所述的电力设备故障检测方法，其特征在于，基于Faster R-CNN的电力设备红外图像检测模型的训练过程包括：
训练的红外数据传入ResNet50共享特征提取网络进行特征提取；
第一支路传入区域建议网络进行前后景二分类、位置回归训练，得到区域建议输出并传给ROI平均池化层；第二支路的特征图层也传入ROI平均池化层；
ROI平均池化层输出进行全连接操作，经卷积得到最终检测分类与目标位置回归输出，进行端对端训练，得到最终训练好的模型。
5.如权利要求4所述的电力设备故障检测方法，其特征在于，所述端对端训练时，训练过程中的损失函数包括分类损失和回归损失。
6.如权利要求5所述的电力设备故障检测方法，其特征在于，所述损失函数为：
其中，表示第i个锚框预测为真实标签的概率；/>当为正样本时为1，当为负样本时为0；/>表示预测第i个锚框的位置回归参数；/>表示第i个锚框对应的位置；/>表示所有样本数量；/>表示目标位置的个数；/>表示分类损失；/>表示回归损失；/>表示权重参数。
7.如权利要求1所述的电力设备故障检测方法，其特征在于，所述第一图像和第二图像进行加权组合处理时，采用自适应确定加权系数，具体包括将第一图像和第二图像输入预先构建的BP神经网络模型中，输出自适应的加权系数。
8.一种电力设备故障检测系统，其特征在于，包括：
图像预处理模块，被配置为：获取电力设备红外图像，对图像进行NSCT变换后进行去噪处理，然后对去噪处理后的红外图像进行图像增强处理；
故障检测模块，被配置为：将经过预处理的图像输入到训练好的基于Faster R-CNN的电力设备红外图像检测模型中进行检测，得到电力设备红外图像中电力设备异常发热区域的位置和故障设备类别的检测结果；
其中，所述图像增强处理过程为：首先采用平台直方图均衡化方法对去噪处理后的红外图像进行均衡化处理，得到均衡化后的图像；然后对均衡化后的图像进行伽马变化，得到第一图像；再对去噪处理后的红外图像先进行拉普拉斯锐化处理，再进行非极大值抑制处理，得到第二图像；最后将第一图像和第二图像进行加权组合处理，得到增强处理后的图像。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的电力设备故障检测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的电力设备故障检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410294720.7A CN117911401B (zh) | 2024-03-15 | 2024-03-15 | 一种电力设备故障检测方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410294720.7A CN117911401B (zh) | 2024-03-15 | 2024-03-15 | 一种电力设备故障检测方法、系统、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117911401A true CN117911401A (zh) | 2024-04-19 |
| CN117911401B CN117911401B (zh) | 2024-06-21 |
Family
ID=90690804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410294720.7A Active CN117911401B (zh) | 2024-03-15 | 2024-03-15 | 一种电力设备故障检测方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117911401B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118675003A (zh) * | 2024-08-20 | 2024-09-20 | 南京中鑫智电科技有限公司 | 一种基于红外图像纹理特征聚类的电抗器套管故障识别方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203972A (zh) * | 2016-03-17 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种超声图像去噪和增强方法 |
| CN107862666A (zh) * | 2017-11-22 | 2018-03-30 | 新疆大学 | 基于nsst域的混合遥感图像增强方法 |
| WO2018076732A1 (zh) * | 2016-10-31 | 2018-05-03 | 广州飒特红外股份有限公司 | 红外图像和可见光图像融合的方法及装置 |
| WO2018088283A1 (ja) * | 2016-11-14 | 2018-05-17 | ソニー株式会社 | 監視システム、監視センサ装置、監視方法、およびプログラム |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
| CN110400274A (zh) * | 2019-07-19 | 2019-11-01 | 西安科技大学 | 一种车载红外行人检测用红外图像增强方法 |
| CN110660065A (zh) * | 2019-09-29 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 一种红外故障检测识别算法 |
| CN112380952A (zh) * | 2020-11-10 | 2021-02-19 | 广西大学 | 基于人工智能的电力设备红外图像实时检测及识别方法 |
| CN112733950A (zh) * | 2021-01-18 | 2021-04-30 | 湖北工业大学 | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 |
| CN113486877A (zh) * | 2021-06-08 | 2021-10-08 | 广西大学 | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 |
| CN113920062A (zh) * | 2021-09-15 | 2022-01-11 | 国网浙江省电力有限公司电力科学研究院 | 一种红外热成像电力设备故障检测方法 |
| CN114219763A (zh) * | 2021-11-18 | 2022-03-22 | 国网天津市电力公司电力科学研究院 | 基于Faster RCNN算法的配电设备异常发热点红外图片检测方法 |
| US20230043212A1 (en) * | 2020-04-22 | 2023-02-09 | Abb Schweiz Ag | Fault State Detection Apparatus |
| CN116091424A (zh) * | 2022-12-23 | 2023-05-09 | 山西省能源互联网研究院 | 一种基于改进YOLOv5算法的电力设备红外图像缺陷检测方法 |
| CN116128812A (zh) * | 2022-12-16 | 2023-05-16 | 中节能太阳能科技有限公司 | 一种基于红外小目标的光伏板故障检测方法 |
| CN116468656A (zh) * | 2022-11-07 | 2023-07-21 | 国网江苏省电力有限公司徐州供电分公司 | 基于红外热成像与可见光融合的电缆故障检测系统及方法 |
| CN117115527A (zh) * | 2023-08-18 | 2023-11-24 | 南方电网数字电网科技(广东)有限公司 | 一种基于红外热成像的电力设备故障检测方法和系统 |
| CN117132482A (zh) * | 2023-06-20 | 2023-11-28 | 苏州优米康通信技术有限公司 | 一种基于红外热成像的智能图像算法的方法 |
| CN117372733A (zh) * | 2023-09-01 | 2024-01-09 | 国网湖北省电力有限公司经济技术研究院 | 一种基于改进Faster R-CNN的电网基建工程故障识别方法及装置 |
| CN117408976A (zh) * | 2023-10-27 | 2024-01-16 | 国家能源集团宁夏煤业有限责任公司 | 基于红外图像的图像处理方法、装置和图像处理系统 |
-
2024
- 2024-03-15 CN CN202410294720.7A patent/CN117911401B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203972A (zh) * | 2016-03-17 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种超声图像去噪和增强方法 |
| WO2018076732A1 (zh) * | 2016-10-31 | 2018-05-03 | 广州飒特红外股份有限公司 | 红外图像和可见光图像融合的方法及装置 |
| WO2018088283A1 (ja) * | 2016-11-14 | 2018-05-17 | ソニー株式会社 | 監視システム、監視センサ装置、監視方法、およびプログラム |
| CN107862666A (zh) * | 2017-11-22 | 2018-03-30 | 新疆大学 | 基于nsst域的混合遥感图像增强方法 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
| CN110400274A (zh) * | 2019-07-19 | 2019-11-01 | 西安科技大学 | 一种车载红外行人检测用红外图像增强方法 |
| CN110660065A (zh) * | 2019-09-29 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 一种红外故障检测识别算法 |
| US20230043212A1 (en) * | 2020-04-22 | 2023-02-09 | Abb Schweiz Ag | Fault State Detection Apparatus |
| CN112380952A (zh) * | 2020-11-10 | 2021-02-19 | 广西大学 | 基于人工智能的电力设备红外图像实时检测及识别方法 |
| CN112733950A (zh) * | 2021-01-18 | 2021-04-30 | 湖北工业大学 | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 |
| CN113486877A (zh) * | 2021-06-08 | 2021-10-08 | 广西大学 | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 |
| CN113920062A (zh) * | 2021-09-15 | 2022-01-11 | 国网浙江省电力有限公司电力科学研究院 | 一种红外热成像电力设备故障检测方法 |
| CN114219763A (zh) * | 2021-11-18 | 2022-03-22 | 国网天津市电力公司电力科学研究院 | 基于Faster RCNN算法的配电设备异常发热点红外图片检测方法 |
| CN116468656A (zh) * | 2022-11-07 | 2023-07-21 | 国网江苏省电力有限公司徐州供电分公司 | 基于红外热成像与可见光融合的电缆故障检测系统及方法 |
| CN116128812A (zh) * | 2022-12-16 | 2023-05-16 | 中节能太阳能科技有限公司 | 一种基于红外小目标的光伏板故障检测方法 |
| CN116091424A (zh) * | 2022-12-23 | 2023-05-09 | 山西省能源互联网研究院 | 一种基于改进YOLOv5算法的电力设备红外图像缺陷检测方法 |
| CN117132482A (zh) * | 2023-06-20 | 2023-11-28 | 苏州优米康通信技术有限公司 | 一种基于红外热成像的智能图像算法的方法 |
| CN117115527A (zh) * | 2023-08-18 | 2023-11-24 | 南方电网数字电网科技(广东)有限公司 | 一种基于红外热成像的电力设备故障检测方法和系统 |
| CN117372733A (zh) * | 2023-09-01 | 2024-01-09 | 国网湖北省电力有限公司经济技术研究院 | 一种基于改进Faster R-CNN的电网基建工程故障识别方法及装置 |
| CN117408976A (zh) * | 2023-10-27 | 2024-01-16 | 国家能源集团宁夏煤业有限责任公司 | 基于红外图像的图像处理方法、装置和图像处理系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘云鹏;裴少通;武建华;纪欣欣;梁利辉;: "基于深度学习的输变电设备异常发热点红外图片目标检测方法", 南方电网技术, no. 02, 20 February 2019 (2019-02-20) * |
| 薛艺为;孙奇珍;党卫军;: "基于Faster RCNN的配网设备红外图像缺陷识别方法", 信息技术, no. 07, 22 July 2020 (2020-07-22) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118675003A (zh) * | 2024-08-20 | 2024-09-20 | 南京中鑫智电科技有限公司 | 一种基于红外图像纹理特征聚类的电抗器套管故障识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117911401B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117911401B (zh) | 一种电力设备故障检测方法、系统、存储介质及设备 | |
| CN109035166B (zh) | 基于非下采样剪切波变换的电气设备红外图像增强方法 | |
| Zheng et al. | No-reference quality assessment for screen content images based on hybrid region features fusion | |
| CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
| Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
| CN104463804A (zh) | 一种基于直觉模糊集的图像增强方法 | |
| Daway et al. | Colour image enhancement by fuzzy logic based on sigmoid membership function | |
| CN117110989B (zh) | 用于电力设备的噪声故障定位检测方法及系统 | |
| CN116071268B (zh) | 基于对比学习的图像去光照模型及其训练方法 | |
| Du et al. | Color image enhancement: a metaheuristic chimp optimization algorithm | |
| CN115100068A (zh) | 一种红外图像校正方法 | |
| Zhu et al. | Proactive network maintenance using fast, accurate anomaly localization and classification on 1-d data series | |
| Zhou et al. | An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal | |
| Kumar et al. | A generic post-processing framework for image dehazing | |
| CN117351036A (zh) | 一种crh5动车组齿轮箱箱体裂纹边缘检测方法 | |
| CN117252818A (zh) | 基于改进YOLOv5的PCB缺陷检测方法 | |
| CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
| CN114066786A (zh) | 一种基于稀疏和滤波器的红外和可见光图像融合方法 | |
| Jeyaprakash et al. | Linearly uncorrelated principal component and deep convolutional image deblurring for natural images | |
| Wang et al. | An Enhancement Algorithm of Mine Image Based on Adaptive Transmittance and Hierarchical Threshold Function. | |
| CN117314909B (zh) | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 | |
| CN116152258B (zh) | 一种输电线路绝缘子缺陷检测方法、装置、设备及介质 | |
| Chen et al. | Meter image enhancement method in high light substation based on improved CycleGAN | |
| Liu et al. | Near-threshold perceptual distortion prediction based on optimal structure classification | |
| Ahmad et al. | Deep Learning-based Image Quality Assessment Metric for Quantifying Perceptual Distortions in Transmitted Images |
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 |