CN118135488A - 一种基于图像识别的表箱故障预警方法及系统 - Google Patents
一种基于图像识别的表箱故障预警方法及系统 Download PDFInfo
- Publication number
- CN118135488A CN118135488A CN202410277807.3A CN202410277807A CN118135488A CN 118135488 A CN118135488 A CN 118135488A CN 202410277807 A CN202410277807 A CN 202410277807A CN 118135488 A CN118135488 A CN 118135488A
- Authority
- CN
- China
- Prior art keywords
- image
- ammeter
- fault
- early warning
- meter box
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012423 maintenance Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于电力设备领域,具体涉及一种基于图像识别的表箱故障预警方法及系统。该方案通过摄像头图像采集模块对表箱内电表进行拍照,智能检测终端可以对照片进行预处理,分割出表体和接线部分,并进行对象编码;然后将带有编码的图像发送到集中器,应用深度学习的图像对比算法,对照片中的特征与故障库的对比处理,生成对应的故障类型,判断电表是否存在螺丝松动、线路烧焦、外部窃电等故障。集中器在判断故障后,将结果通过通讯模块上传至主站,实现预警和远程监控。本发明的方案可以实现自动监测,代替人工巡检,降低运维人员的工作负荷。并能够广泛应用于智能电网等场景的表箱维护中,具有良好的应用前景。
Description
技术领域
本发明属于电力设备领域,具体涉及一种基于图像识别的表箱故障预警方法及系统。
背景技术
随着智能电网的普及,电表的安装数量不断增加,维护和管理难度也越来越大。现有的智能电网已经可以利用电能表、集中器和智能融合终端等采集的到的电力信息,对电网上各个节点出现的典型故障进行判断和排除,但是对于表箱内电表处的硬件故障、线路问题和窃电现象,仍然无法有效监测或分辨。日常的表箱维护工作仍主要依靠人工巡检,这种方式不仅效率低下,而且很难及时发现和处理故障。因此,如何开发出一种能够自动识别和预警表箱故障的方案,正成为本领域技术人员亟待解决的技术难题。
发明内容
为了解决电网中的表箱故障检测依赖人工,难以实现在线检测的问题,本发明提供一种基于图像识别的表箱故障预警方法及系统。
本发明采用以下技术方案实现:
一种基于图像识别的表箱故障预警方法,其包括如下步骤:
S1:采集大量包含各种故障类型的电表图像作为样本数据集,利用样本数据集训练一个基于深度学习算法的图像对比算法,得到一个故障识别模型及对应的故障特征库。故障识别模型用于根据输入的电表图像生成对应的故障类型。
S2:按照预设的采样周期,通过摄像头获取关联表箱内的现场图像,并将现场图像上传到一个智能检测终端。
S3:智能检测终端对现场图片进行识别与变换,生成校正后的电表图像,并实现表体和线路定位。过程如下:
S31:根据先验知识,采用自适应阈值分割算法对图像进行分割,以提取出去除背景的电表区域的图像。
S32:采用中值滤波算法对图像进行平滑处理,实现降噪。
S33:计算图像中像素点与其相邻像素点之间的灰度值差分或梯度,然后根据设定的阈值对边缘强度进行二值化处理,最终得到边缘图像。
S34:基于Hough变换的倾斜校正方法对图像进行倾斜校正。
S35:使用扫描线法寻找图像中包含的外壳、线路与背景的跳变特征区域,实现外壳及线路的定位。
S36:基于表箱内表体及线路的位置关系进行外壳及线路的识别,并添加编码信息。
S4:将包含编码信息的电表图像发送到部署有故障识别模型的集中器,集中器运行故障识别模型,并根据电表图像完成故障识别。
S5:集中器将存在故障的各个电表图像及其对应的故障检测结果上传到主站,主站服务器根据接收到的故障信息产生警报,并向运维人员进行派单。
作为本发明进一步的改进,步骤S1中,故障识别模型基于WDCNN网络训练得到;故障识别模型能够识别出的故障类型包括:螺丝松动、线路烧焦、外部窃电、表体损坏。
作为本发明进一步的改进,步骤S31中,采用高斯加权自适应阈值分割算法进行图像分割。图像分割过程中,设置小区域面积为11×11,通过小区域阈值计算方式求小块内的高斯核加权求和;采用二值化阈值方式计算阈值,最终阈值等于小区域计算出的阈值减去预设的常数。
作为本发明进一步的改进,步骤S33中,采用Sobel算子检测图像的边缘,对应的梯度表达式如下:
上式中,x和y表示像素点的位置坐标,∈表示单位向量。
计算灰度梯度值的前向差分、反向差分和中心差分的表达式分别如下:
作为本发明进一步的改进,图像的梯度大小G和梯度方向θ的计算公式如下:
上式中,Gx表示图像横向的亮度差分近似值;Gy表示图像纵向的亮度差分近似值。
作为本发明进一步的改进,步骤S54的倾斜校正过程如下:
(1)对检测到的电表图像边缘进行Hough变换,以检测出图像中的直线。
(2)设定长度阈值,从Hough变换的结果中提取出表征电表边缘的长直线。
(3)计算电表边缘的直线与水平方向或垂直方向的夹角,得到电表在图像中的倾斜角度。
(4)根据计算得到的倾斜角度,使用仿射变换对图像进行旋转校正。
作为本发明进一步的改进,步骤S5中,集中器先对包含各个电表图像及其对应的故障检测结果的数据进行打包,然后对数据进行加密,最后再上传到主站服务器。
作为本发明进一步的改进,步骤S5中,主站服务器生成的运维服务单中的服务信息包括故障类型、电表位置和推荐的运维解决方案。
本发明还包括一种基于图像识别的表箱故障预警系统,其采用如前述的基于图像识别的表箱故障预警方法,实现对台区内所有的普通电表箱或分支箱内的智能电表进行远程监视,并在任意节点的数据发生异常时,对关联的表箱进行故障检查;所述表箱故障预警系统包括:摄像头、智能监测终端、边缘设备,以及主站服务器。
摄像头安装在各个电表箱和分支箱内,用于获取箱内各个电表的现场图像。
智能检测终端与摄像头通信连接。智能检测终端用于对摄像头采集到的现场图片进行识别与变换,生成校正后的电表图像,并实现表体和线路定位。智能检测终端还将包含编码信息的电表图像发送到部署有故障识别模型的边缘设备中。
边缘设备与智能检测终端通信连接,边缘设备内运行有一个用于根据输入的电表图像生成对应的故障类型的故障识别模型。边缘设备根据智能检测终端上传的电表图像生成各个电表对应的故障类型;并将存在故障的电表图像及其对应故障检测结果上传到主站服务器。
主站服务器与边缘设备通信连接。主站服务器根据接收到的故障信息产生警报,并向运维人员进行派单。
作为本发明进一步的改进,边缘设备采用电网系统中既有的集中器,集中器中设置加密模块。
本发明提供的技术方案,具有如下的有益效果:
本发明通过摄像头图像采集模块对表箱内电表进行拍照,智能检测终端可以对照片进行预处理,分割出表体和接线部分,并进行对象编码;然后将带有编码的图像发送到集中器,应用深度学习的图像对比算法,对照片中的特征与故障库的对比处理,生成对应的故障类型,判断电表是否存在螺丝松动、线路烧焦、外部窃电等故障。集中器在判断故障后,将结果通过通讯模块上传至主站,实现预警和远程监控。
本发明的方案可以实现自动监测,代替人工巡检,降低运维人员的工作负荷。本发明还可以根据实际需要扩展系统的功能和规模,并能够广泛应用于智能电网、电力公司、物业公司等场景的表箱维护中,具有良好的应用前景和市场前景。
附图说明
图1为本发明实施例1中提供的基于图像识别的表箱故障预警方法的步骤流程图。
图2为本发明实施例1中用于训练故障识别模型的WDCNN网络的模型架构。
图3为本发明实施例2中提供的基于图像识别的表箱故障预警系统的拓扑结构示意图。
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地详细说明。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。
实施例1
本实施例提供一种基于图像识别的表箱故障预警方法,如图1所示,其包括如下步骤:
S1:采集大量包含各种故障类型的电表图像作为样本数据集,利用样本数据集训练一个基于深度学习算法的图像对比算法,得到一个故障识别模型及对应的故障特征库。故障识别模型用于根据输入的电表图像生成对应的故障类型。
本实施例需要识别的表箱故障大多属于可以由运维人员目视分辨的故障,因此设计相应的深度学习算法来代替人工完成故障的自动识别。具体地,本实施例采集大量的表箱内电表在正常状态和故障状态下的照片,为图像添加相应的标签并训练基于深度学习的图像对比算法,形成故障特征库,实现自动识别电表的故障。本实施例将得到特征库存存储特定边缘设备的存储模块中,并按照如下表的格式进行存储:
特征编码 | 对应故障 |
XXX1 | 螺丝松动 |
XXX2 | 线路烧焦 |
XXX3 | 外部窃电 |
XXX4 | …… |
在网络模型的训练过程中可以采用反向传播算法优化算法的参数,提高识别准确率。深度学习的图像对比算法可以采用卷积神经网络等深度学习算法,例如在本实施例中,故障识别模型基于如图2所示的WDCNN网络训练得到。
利用包含各种故障类型电表图像的样本数据集,对WDCNN网络进行训练后,网络模型可以自动根据电表图像识别表箱内电表的故障。在本实施例中,故障识别模型能够识别出的故障类型包括:螺丝松动、线路烧焦、外部窃电、表体损坏。
S2:按照预设的采样周期,通过摄像头获取关联表箱内的现场图像,并将现场图像上传到一个智能检测终端。
S3:智能检测终端对现场图片进行识别与变换,生成校正后的电表图像,并实现表体和线路定位。过程如下:
S31:根据先验知识,采用自适应阈值分割算法对图像进行分割,以提取出去除背景的电表区域的图像。
具体地,本实施例采用高斯加权自适应阈值分割算法进行图像分割。图像分割过程中,设置小区域面积为11×11,通过小区域阈值计算方式求小块内的高斯核加权求和;采用二值化阈值方式计算阈值,最终阈值等于小区域计算出的阈值减去预设的常数;本实施例中预设的常数为4。本实施例采用cv.THRESH_BINARY二值化阈值方式,表达式如下:
此外,去除摄像头捕捉的图像中通常还会包含电表的外边框,分割过程还可以去除与电表本体具有明显差异的外边框,以简化后续的处理流程。
S32:采用中值滤波算法对图像进行平滑处理,实现降噪。降噪过程提高图像质量,进而消除摄像头成像质量对后续的目标识别与故障分析过程的影响。
S33:边缘检测是识别图像中物体轮廓的重要步骤。本实施例计算图像中像素点与其相邻像素点之间的灰度值差分或梯度,然后根据设定的阈值对边缘强度进行二值化处理,最终得到边缘图像。
在本实施例的方案中,Sobel算子被用于检测图像的边缘,帮助识别电表上的显示区域和其他关键特征。具体地,边缘检测过程采用的导数(梯度)的表达式如下:
上式中,x和y表示像素点的位置坐标,∈表示单位向量。
将微分导数的概念引入到图像处理,(x,y)代表像素点的位置,那么当前像素沿x轴的灰度梯度值就等于后一个像素的灰度值减去当前像素的灰度值;y方向同理。此时,数据处理过程中采用的差分公式如下:
前向差分:
反向差分:
中心差分:
二阶导数是一阶导数的导数,描述一阶导数的变化趋势,因此,本实施例可以根据一阶导数推出:
计算图像中每个像素灰度的一阶导数和二阶导数的方法是图像卷积。本实施例采用如下表的3x3算子进行卷积处理:
ω1 | ω2 | ω3 |
ω4 | ω5 | ω6 |
ω7 | ω8 | ω9 |
其图像卷积的过程就是计算算子系数与核覆盖区域的灰度值的乘积之和。
也就是说对应算子中心点的梯度值为:
上式中,ωk是对应的系数,zk为像素点的灰度值。
Sobel算子是典型的基于一阶导数的边缘检测算子,由于该算子引入了类似局部平均的运算,因此对噪声具有平滑作用,能够很好的消除噪声的影响。Sobel算子包含两组3×3的矩阵,分别为横向和纵向模板,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。
检测水平方向沿横向模板:
检测垂直方向沿纵向的模板:
图像的每一个像素的横向及纵向梯度近似值,可用以下的公式结合,来计算梯度的大小。
然后可用以下公式,计算梯度方向
S34:基于Hough变换的倾斜校正方法对图像进行倾斜校正。由于摄像头视角或电表安装角度的问题,拍摄的电表图像可能会存在倾斜。基于Hough变换的倾斜校正方法能够检测并校正这种倾斜,确保图像的准确性和后续处理的效率。
倾斜校正过程包括如下过程:
(1)直线检测:
对检测到的电表图像边缘进行Hough变换,以检测电表图像中的直线。Hough变换是一种投票算法,它将图像空间中的直线映射到参数空间中,通过统计参数空间的峰值来检测直线。
(2)直线提取:
从Hough变换的结果中提取出最长的直线,这条直线通常代表电表的边框。可以通过设定阈值来筛选出最有可能代表电表边框的直线。
(3)计算倾斜角度:根据提取到的直线计算电表图像的倾斜角度。这可以通过计算直线与水平方向或垂直方向的夹角来实现。
(4)图像旋转校正:
根据计算得到的倾斜角度,使用旋转算法(如仿射变换)对电表图像进行旋转校正。这样可以将倾斜的电表图像旋转到正确的方向,使得电表呈现为正面朝上。
S35:使用扫描线法寻找图像中包含的外壳、线路与背景的跳变特征区域,实现外壳及线路的定位。
S36:基于表箱内表体及线路的位置关系进行外壳及线路的识别,并添加编码信息。
S4:将包含编码信息的电表图像发送到部署有故障识别模型的集中器,集中器运行故障识别模型,并根据电表图像完成故障识别。
S5:集中器将存在故障的各个电表图像及其对应的故障检测结果上传到主站,主站服务器根据接收到的故障信息产生警报,并向运维人员进行派单。主站服务器生成的运维服务单中的服务信息包括故障类型、电表位置和推荐的运维解决方案。
在其他更优化的方案中,集中器还可以先对包含各个电表图像及其对应的故障检测结果的数据进行打包,然后对数据进行加密,最后再上传到主站服务器。
在本发明更为优化的实施方案中,利用安装在电表箱和分支箱中摄像头,还可以开发行人监视的功能,进一步提升对窃电行为的监控能力,例如通过边缘设备获取摄像头的实时影像,并结合视频数据利用行人的动态跟踪和人脸识别功能检测靠近分支箱和电表箱的行人,进而提醒不小心进入警戒范围内行人远离,还能够让看守工人迅速留意发现试图窃电盗取的接近人群。该方案可以广泛应用于智能电网、电力公司、物业公司等场景的表箱维护中,具有良好的应用前景和市场前景
实施例2
本实施例进一步提供一种基于图像识别的表箱故障预警系统,其采用如实施例1中的基于图像识别的表箱故障预警方法,实现对台区内所有的普通电表箱或分支箱内的智能电表进行远程监视,并在任意节点的数据发生异常时,对关联的表箱进行故障检查。
如图3所示,本实施例设计的表箱故障预警系统包括:摄像头、智能监测终端、边缘设备,以及主站服务器。
摄像头安装在各个电表箱和分支箱内,用于获取箱内各个电表的现场图像。
智能检测终端与摄像头通信连接。智能检测终端用于对摄像头采集到的现场图片进行识别与变换,生成校正后的电表图像,并实现表体和线路定位。智能检测终端还将包含编码信息的电表图像发送到部署有故障识别模型的边缘设备中。
边缘设备与智能检测终端通信连接,边缘设备内运行有一个用于根据输入的电表图像生成对应的故障类型的故障识别模型。边缘设备根据智能检测终端上传的电表图像生成各个电表对应的故障类型;并将存在故障的电表图像及其对应故障检测结果上传到主站服务器。
主站服务器与边缘设备通信连接。主站服务器根据接收到的故障信息产生警报,并向运维人员进行派单。例如,在本实施例实际应用的方案中,主站服务器内置有异常预警系统,异常预警系统可以采用数据库、服务器等模块实现数据的存储和处理。主站服务器中的预警系统根据分析结果将警告信息发送给附近维护人员进行维护检查。维护人员可以通过手机APP等方式接收警告信息并进行处理。为了使得运维服务更加及时、有效,主站服务器生成的运维服务单中的服务信息包括故障类型、电表位置和推荐的运维解决方案,等。
边缘设备本质上是一种计算机设备,这种计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器。本实施例中,存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。
在本实施例方案实际应用过程中,边缘设备可以采用新增的边缘服务器,也可以采用电网系统中既有的集中器。此外,根据实际需要,系统中还可以增加扩展模块来扩展系统的功能和规模。例如,可以增加图像采集模块的数量和种类,提高系统的监测范围和精度;可以增加通讯方式的数量和种类,提高系统的数据传输速度和稳定性;可以增加异常监测预警系统的功能和性能,提高系统的数据处理能力和准确性。在本实施例中,为了保障数据传输过程的安全性,还对上传的数据进行加密,集中器中设置有加密模块。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别的表箱故障预警方法,其特征在于,其包括如下步骤:
S1:采集大量包含各种故障类型的电表图像作为样本数据集,利用样本数据集训练一个基于深度学习算法的图像对比算法,得到一个故障识别模型及对应的故障特征库;所述故障识别模型用于根据输入的电表图像生成对应的故障类型;
S2:按照预设的采样周期,通过摄像头获取关联表箱内的现场图像,并将现场图像上传到一个智能检测终端;
S3:智能检测终端对现场图片进行识别与变换,生成校正后的电表图像,并实现表体和线路定位;过程如下:
S31:根据先验知识,采用自适应阈值分割算法对图像进行分割,以提取出去除背景的电表区域的图像;
S32:采用中值滤波算法对图像进行平滑处理,实现降噪;
S33:计算图像中像素点与其相邻像素点之间的灰度值差分或梯度,然后根据设定的阈值对边缘强度进行二值化处理,最终得到边缘图像;
S34:基于Hough变换的倾斜校正方法对图像进行倾斜校正;
S35:使用扫描线法寻找图像中包含的外壳、线路与背景的跳变特征区域,实现外壳及线路的定位;
S36:基于表箱内表体及线路的位置关系进行外壳及线路的识别,并添加编码信息;
S4:将包含编码信息的电表图像发送到部署有所述故障识别模型的集中器,集中器运行所述故障识别模型,并根据电表图像完成故障识别;
S5:集中器将存在故障的各个电表图像及其对应的故障检测结果上传到主站,主站服务器根据接收到的故障信息产生警报,并向运维人员进行派单。
2.如权利要求1所述的基于图像识别的表箱故障预警方法,其特征在于:步骤S1中,所述故障识别模型基于WDCNN网络训练得到,且能够识别出的故障类型包括:螺丝松动、线路烧焦、外部窃电、表体损坏。
3.如权利要求2所述的基于图像识别的表箱故障预警方法,其特征在于:步骤S31中,采用高斯加权自适应阈值分割算法进行图像分割;图像分割过程中,设置小区域面积为11×11,通过小区域阈值计算方式求小块内的高斯核加权求和;采用二值化阈值方式计算阈值,最终阈值等于小区域计算出的阈值减去预设的常数。
4.如权利要求3所述的基于图像识别的表箱故障预警方法,其特征在于:步骤S33中,采用Sobel算子检测图像的边缘,对应的梯度表达式如下:
上式中,x和y表示像素点的位置坐标,∈表示单位向量;
计算灰度梯度值的前向差分、反向差分和中心差分的表达式分别如下:
5.如权利要求4所述的基于图像识别的表箱故障预警方法,其特征在于:图像的梯度大小G和梯度方向θ的计算公式如下:
上式中,Gx表示图像横向的亮度差分近似值;Gy表示图像纵向的亮度差分近似值。
6.如权利要求5所述的基于图像识别的表箱故障预警方法,其特征在于:步骤S54的倾斜校正过程如下:
(1)对检测到的电表图像边缘进行Hough变换,以检测出图像中的直线;
(2)设定长度阈值,从Hough变换的结果中提取出表征电表边缘的长直线;
(3)计算电表边缘的直线与水平方向或垂直方向的夹角,得到电表在图像中的倾斜角度;
(4)根据计算得到的倾斜角度,使用仿射变换对图像进行旋转校正。
7.如权利要求1所述的基于图像识别的表箱故障预警方法,其特征在于:步骤S5中,所述集中器先对包含各个电表图像及其对应的故障检测结果的数据进行打包,然后对数据进行加密,然后在上传到主站服务器。
8.如权利要求7所述的基于图像识别的表箱故障预警方法,其特征在于:步骤S5中,主站服务器生成的运维服务单中的服务信息包括故障类型、电表位置和推荐的运维解决方案。
9.一种基于图像识别的表箱故障预警系统,其特征在于,其采用如权利要求1-8中任意一项所述的基于图像识别的表箱故障预警方法,实现对台区内所有的普通电表箱或分支箱内智能电表进行远程监视,并在任意节点的数据发生异常时,对关联的表箱进行故障检查;所述表箱故障预警系统包括:
摄像头,其安装在各个电表箱和分支箱内,用于获取箱内各个电表的现场图像;
智能检测终端,其与所述摄像头通信连接;所述智能检测终端用于对摄像头采集到的现场图片进行识别与变换,生成校正后的电表图像,并实现表体和线路定位;并将包含编码信息的电表图像发送到部署有所述故障识别模型的边缘设备中;
边缘设备,其与所述智能检测终端通信连接,所述边缘设备内运行有一个用于根据输入的电表图像生成对应的故障类型的故障识别模型;所述边缘设备根据所述智能检测终端上传的电表图像生成各个电表对应的故障类型;并将存在故障的电表图像及其对应故障检测结果上传到主站服务器;
主站服务器,其与所述边缘设备通信连接;所述主站服务器根据接收到的故障信息产生警报,并向运维人员进行派单。
10.如权利要求9所述的基于图像识别的表箱故障预警系统,其特征在于:所述边缘设备采用电网系统中既有的集中器,所述集中器中设置加密模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410277807.3A CN118135488A (zh) | 2024-03-12 | 2024-03-12 | 一种基于图像识别的表箱故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410277807.3A CN118135488A (zh) | 2024-03-12 | 2024-03-12 | 一种基于图像识别的表箱故障预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118135488A true CN118135488A (zh) | 2024-06-04 |
Family
ID=91246738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410277807.3A Pending CN118135488A (zh) | 2024-03-12 | 2024-03-12 | 一种基于图像识别的表箱故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118135488A (zh) |
-
2024
- 2024-03-12 CN CN202410277807.3A patent/CN118135488A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179345B (zh) | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 | |
CN108109385A (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
CN111797725A (zh) | 一种设备状态检测方法、装置及系统 | |
CN105488806A (zh) | 一种工件位置追踪定位方法及定位系统 | |
CN113099242B (zh) | 一种输电线路视频监测数据处理方法及系统 | |
CN113962274A (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
CN112330597A (zh) | 一种图像差异检测方法、装置及计算机设备 | |
CN116168351A (zh) | 电力设备巡检方法及装置 | |
CN115880260A (zh) | 基站施工的检测方法、装置、设备及计算机可读存储介质 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN116258282B (zh) | 一种基于云平台的智能电网资源调度分配方法 | |
CN110502605B (zh) | 基于人工智能技术的电力资产lcc成本归集系统 | |
CN118135488A (zh) | 一种基于图像识别的表箱故障预警方法及系统 | |
CN116526959A (zh) | 一种光伏组件的清洗方法及装置 | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别系统及方法 | |
CN114943720A (zh) | 一种电力图像处理方法及装置 | |
CN112101375A (zh) | 一种基于深度学习的智能变电站设备状态检测方法和系统 | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN114092857A (zh) | 基于闸道的集卡图像采集方法、系统、设备及存储介质 | |
CN208029009U (zh) | 天网监控装置及系统 | |
CN113065416A (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 | |
CN116994354B (zh) | 道路电力设施巡检方法、装置、存储介质及电子装置 | |
Adi et al. | Parking slot detection system based on structural similarity index | |
CN111445458B (zh) | 一种手机电池标签印刷质量的检测方法 | |
CN117079221B (zh) | 抽蓄电站地下工程的施工安全监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |