WO2023092759A1 - 基于温度视觉的智能检测方法、装置及电子设备 - Google Patents
基于温度视觉的智能检测方法、装置及电子设备 Download PDFInfo
- Publication number
- WO2023092759A1 WO2023092759A1 PCT/CN2021/139367 CN2021139367W WO2023092759A1 WO 2023092759 A1 WO2023092759 A1 WO 2023092759A1 CN 2021139367 W CN2021139367 W CN 2021139367W WO 2023092759 A1 WO2023092759 A1 WO 2023092759A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- target
- image
- temperature
- target electric
- data set
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明提出一种基于温度视觉的智能检测方法、装置及电子设备,涉及计算机视觉技术领域。其中,所述方法包括:获取目标电力设备的温度视觉图像;将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息;根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型;将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像;将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。由此,可以基于温度视觉信息,通过目标检测网络定位电力设备位置,通过特征点网络定位电力设备部件位置,来精准定位电力设备各部件位置并获取相应的温度信息。
Description
本发明涉及计算机视觉技术领域,具体涉及一种基于温度视觉的智能检测方法、装置及电子设备。
目前电力设备检测的方法,主要是以红外图像为研究基础,研究电力设备异常发热的问题。由于红外图片包含多种伪彩色,拍摄环境复杂导致的被拍摄设备干扰严重、训练数据类型少等问题,目前现有的方法存在检测准确率低、模型泛化能力较差等缺陷。
因而,如何准确、可靠地对电力设备进行检测,是当前亟需解决的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
本发明第一方面实施例提出了一种基于温度视觉的智能检测方法,包括:
获取目标电力设备的温度视觉图像;
将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息;
根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型;
将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像;
将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。
可选的,在所述将所述训练数据集输入至预先训练生成的目标检测模型中,以获取目标电力设备的类型信息和位置信息之前,还包括:
获取目标电力设备的预训练数据集,其中,所述预训练数据集为所述目标电力设备的温度视觉数据集;
按照指定的方式对温度视觉数据集进行标注,其中,所述指定的方式至少包含设备框标注和特征点标注;
利用标注完成后的温度视觉数据集对初始检测模型进行训练,以获取目标检测模型。
可选的,在所述根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型之前,还包括:
对目标电力设备的预训练数据集中的各个温度视觉图像进行裁剪,以获取 包含有标注区域的训练数据集;
根据目标电力设备的类型对所述训练数据集进行分类,以获取多个训练数据子集;
利用所述多个训练数据子集对多个对应的初始子分类模型进行训练,以获取多个训练完成的子分类模型。
可选的,所述根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型,包括:
根据所述目标电力设备的位置信息,对所述目标电力设备的温度视觉图像进行裁剪,以获取目标区域图像;
基于预设的目标电力设备的类型信息与子分类模型之前的对应关系,确定当前的目标电力设备对应的子分类模型。
可选的,在所述将所述待检测图像输入至预先训练生成的故障检测模型之前,还包括:
获取根据故障设备和非故障设备划分的二分类温度数据集;
利用所述二分类温度数据集对初始故障诊断模型进行训练,以生成故障检测模型。
可选的,还包括:
将所述待检测图像输入训练生成的故障检测模型中,以获取所述待检测图像对应的标注标签,其中,所述标注标签包括故障类型标签和故障位置标签;
将所述待检测图像输入待训练的初始故障诊断模型,以获取所述待检测图像对应的预测标签;
根据所述预测标签与所述标注标签的差异,对所述初始故障诊断模型及所述故障检测模型分别进行修正。
本发明第二方面实施例提出了一种基于温度视觉的智能检测装置,包括:
第一获取模块,用于获取目标电力设备的温度视觉图像;
第二获取模块,用于将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息;
第一确定模块,用于根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型;
第三获取模块,用于将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像;
第二确定模块,用于将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。
可选的,所述第二获取模块,还用于:
获取目标电力设备的预训练数据集,其中,所述预训练数据集为所述目标电力设备的温度视觉数据集;
按照指定的方式对温度视觉数据集进行标注,其中,所述指定的方式至少包含设备框标注和特征点标注;
利用标注完成后的温度视觉数据集对初始检测模型进行训练,以获取目标 检测模型。
可选的,所述第一确定模块,还用于:
对目标电力设备的预训练数据集中的各个温度视觉图像进行裁剪,以获取包含有标注区域的训练数据集;
根据目标电力设备的类型对所述训练数据集进行分类,以获取多个训练数据子集;
利用所述多个训练数据子集对多个对应的初始子分类模型进行训练,以获取多个训练完成的子分类模型。
可选的,所述第一确定模块,具体用于:
根据所述目标电力设备的位置信息,对所述目标电力设备的温度视觉图像进行裁剪,以获取目标区域图像;
基于预设的目标电力设备的类型信息与子分类模型之前的对应关系,确定当前的目标电力设备对应的子分类模型。
可选的,所述第二确定模块,还用于:
获取根据故障设备和非故障设备划分的二分类温度数据集;
利用所述二分类温度数据集对初始故障诊断模型进行训练,以生成故障检测模型。
可选的,该装置还包括:
第三获取模块,用于将所述待检测图像输入训练生成的故障检测模型中,以获取所述待检测图像对应的标注标签,其中,所述标注标签包括故障类型标签和故障位置标签;
第四获取模块,用于将所述待检测图像输入待训练的初始故障诊断模型,以获取所述待检测图像对应的预测标签;
修正模块,用于根据所述预测标签与所述标注标签的差异,对所述初始故障诊断模型及所述故障检测模型分别进行修正。
本发明第三方面实施例提出了一种非临时性计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如本发明第一方面实施例提出的基于温度视觉的智能检测方法。
本发明第四方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本发明第一方面实施例提出的基于温度视觉的智能检测方法。
本发明实施例中,首先获取目标电力设备的温度视觉图像,然后将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息,之后根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型,然后将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像,最后将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。由此,可以利用温度视觉数据对目标检测模型进行训练,以获取温度视觉图像中设备的类型和位置,可 以更加精确地锁定图像中电力设备的部件位置,可以智能诊断电力设备的故障。也即,可以基于温度视觉信息,通过目标检测网络定位电力设备位置,通过特征点网络定位电力设备部件位置,来精准定位电力设备各部件位置并获取相应的温度信息。
本发明附加的方面和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。
图1为本发明一实施例所提供的基于温度视觉的智能检测方法的流程示意图;
图2为本发明一实施例所提供的基于温度视觉的智能检测装置的结构示意图;
图3示出了适于用来实现本发明实施方式的示例性电子设备的框图。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于温度视觉的智能检测方法、装置及电子设备。本发明实施例的基于温度视觉的智能检测方法,可由本发明实施例提供的基于温度视觉的智能检测装置执行,该装置可配置于电子设备中。
为方便说明,可以将基于温度视觉的智能检测装置,简记为“该装置”。
图1为本发明实施例所提供的基于温度视觉的智能检测方法的流程示意图。如图1所示,该基于温度视觉的智能检测方法可以包括以下步骤:
步骤101,获取目标电力设备的温度视觉图像。
具体的,可以使用红外热像仪,对目标电力设备的信息进行采集,以获取目标电力设备的温度视觉图像。
可选的,可以首先获取目标电力设备的预训练数据集,其中,预训练数据集为所述目标电力设备的温度视觉数据集。
其中,目标电力设备可以为当前待诊断的设备,其可以包含多种类型的电力设备,比如,可以包括GIS气室、中性点压变、JP柜、套管、低压桩头、阻尼电阻箱、结合滤波器、高压侧套管、照明箱、金属导线、进线仓、汇聚箱、泵机、绝缘子、汇集箱、GIS套管、组合互感器、转接箱、避雷器、耦合互感器、接线箱、变压器、蓄电池组、机构箱、开关柜、滤波器、动力箱、穿墙套管、避雷针、终端柜、磁抗器、母排、电容箱、站用变、母线、电阻箱、低压侧桩头、支撑绝缘子、计量箱、电抗器、柱上真空开关、智控柜、电缆终端、耦合电容器、智能汇控柜、电力电缆、空气开关、智能组件柜、电流互感器、补偿装置、智能终端柜、电容器、熔断器、屏柜、油箱、垂直绝缘子、检修电 源箱、消弧装置、导线、检修电源线箱、电压互感器、散热器、电容器箱、接续管、线夹、控制箱、电阻器、消弧线圈、汇控柜、跌落式熔断器、悬垂绝缘子、配电箱、连接桥、油枕、端子箱、软连接、低抗、阻尼箱、断路器、充气套管、调节柜、放电间隙、电源箱、放电线圈、柱上断路器、电控箱、分压器、柱上隔离开关、组件柜、电缆终端尾管、桩头、开关箱、高压熔断器、阻波器、风控箱、高压套管、管母、低压开关箱、隔离开关、交流滤波器、低压侧开关箱、换流阀、接地变、检修箱和冷控箱,在此不进行限定。
具体的,可以使用红外热像仪,对目标电力设备的信息进行采集,以获取目标电力设备的红外通用数据文件存储格式图像,也即红外热像图,再从其中提取出温度视觉图像作为温度视觉数据集,也即预训练数据集。
需要说明的是,红外温度传感器可以将探测器接收到的被测目标的红外辐射能量分布图反映到红外探测器的光敏元件上,以获得经处理器处理得到红外通用数据文件存储格式的文件,也即红外热像图。
其中,红外热像图可以包含以下数据格式,比如:文件头、标定数据、测温参数、温度数据、成像参数、分析数据、声音和用户自定义数据和文件尾等等,在此不进行限定。
其中,文件头可以为文件版本、图像的分辨率、图像的拍照时间,标定数据可以为存储在flash中,标定时写入的标定数据和脚本数据,测温参数可以为存储辐射率、环境温度、相对湿度、距离等影响测温的一些参数,成像参数可以为成像范围、等温分析数据,文件尾可以为文件头、测温参数、温度数据、声音数据等4个数据段的偏移地址(用于快速定位)、文件标识等数据,在此不进行限定。
举例来说,在对应的成像中,温度数据部分可以为一个长宽与红外热像图分辨率相同的float类型二维矩阵,并以数值的形式对环境温度进行成像,即为温度视觉。在一些情况下,矩阵中一个元素的数值,可以对应环境中一块区域的实际温度值,比如若矩阵左上角的温度数值为37.0,则对应的环境中左上角区域的实际温度便为37.0℃。
步骤102,将温度视觉图像输入至预先训练生成的目标检测模型中,以获取目标电力设备的类型信息和位置信息。
需要说明的是,在将训练数据集输入至目标检测模型之前,需要对原始输入的训练数据集进行标准化处理,以降低数据之间由于差异较大对结果造成的影响。
其中,目标检测模型可以为R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD、RetinaNet、RefineDet等目标检测网络。需要说明的是步骤102,按照指定的方式对预训练数据集进行标注,以生成训练数据集,其中,指定的方式至少包括设备框标注和特征点标注。
可选的,在获取到预训练数据集之后,按照指定的方式对温度视觉数据集进行标注,其中,所述指定的方式至少包含设备框标注和特征点标注,然后利用标注完成后的温度视觉数据集对初始检测模型进行训练,以获取目标检测模 型。
其中,指定的方式可以为预先规定的方式,比如设备框标注,也即根据感兴趣区域对目标框进行标注,另外,还可以对电力设备中的特征点进行标注,在此不进行限定。
需要说明的是,通过标注好的温度视觉图像可以对初始检测模型进行训练,以获取目标检测模型。
步骤103,根据目标电力设备的类型信息和位置信息,确定目标区域图像以及目标电力设备对应的子分类模型。
作为一种可能实现的方式,可以首先对目标电力设备的预训练数据集中的各个温度视觉图像进行裁剪,以获取包含有标注区域的训练数据集,然后根据目标电力设备的类型对所述训练数据集进行分类,以获取多个训练数据子集,之后利用所述多个训练数据子集对多个对应的初始子分类模型进行训练,以获取多个训练完成的子分类模型。
通过裁剪可以去除温度视觉图像中除标注框外的背景部分,进而只留下感兴趣区域。通过对训练数据集进行分类能够获取各个类型的电力设备对应的训练数据子集,在此不进行限定。
其中,初始子分类模型可以为当前待训练的网络模型,子分类模型可以为训练完成的网络模型。
通过子分类模型,可以对裁剪后的温度视觉图像,也即目标区域图像进行识别,从而可以获取目标区域图像中多个部件位置的方框,也即图像框。
可选的,可以根据目标电力设备的位置信息,对所述目标电力设备的温度视觉图像进行裁剪,以获取目标区域图像,然后基于预设的目标电力设备的类型信息与子分类模型之前的对应关系,确定当前的目标电力设备对应的子分类模型。
需要说明的是,为了更加精确的针对电力设备进行诊断,本发明可以基于温度视觉图像,检测出每种电力设备中部件所在位置,然后对电力设备进行故障诊断。为了更加准确地获取电力设备中各部件的位置,本发明将电力设备部件检测分步进行。
针对多种电力设备,由于每一种电力设备的部件组成结构、外观形状等存在差异,首先,将每个电力设备分类为多个小类别。然后使用卷积神经网络,对以上多种电力设备的温度视觉目标框标注数据集的标注框区域进行裁剪,然后对得到的电力设备温度视觉数据集,也即去除背景部分的数据进行训练,从而可以获得多个分类模型对同类型设备下不同外观设备进行划分。
可以理解的是,由于温度视觉数据通过目标检测模型获得了设备位置信息、类型信息,根据设备位置信息裁剪出设备所在区域的温度视觉数据,进而可以根据类型信息调用相应的分类模型进行分类。
具体的,可以对电力设备的每一种,根据外观进行更加细致的划分,也即进行小分类的划分,进而获得多个小分类模型。
步骤104,将目标区域图像输入至子分类模型中,以获取包含有标记目标 区域图像中的各个部件框的待检测图像。
需要说明的是,针对每一个小分类的电力设备,都对应有一个子分类模型,比如可以基于LeNet、AlexNet、CaffeNet、ZFNet、VggNet、ResNet、NiN、GoogLeNet、DenseNet、Senet、BAM、MobileNet等卷积神经网络,将其修改为特征点提取网络,网络输出电力设备各部件的特征点坐标,并对特征点标注的温度视觉数据集进行训练,获得特征点提取模型。该装置可以根据子分类模型对电力设备的待检测图像进行检测,输出电力设备特征点所在位置,最后将特征点转化为部件框,用于框出电力设备各部件位置,用于之后的故障诊断。
步骤105,将待检测图像输入至预先训练生成的故障检测模型中,以确定目标电力设备的故障类型以及故障位置。
可选的,可以首先获取根据故障设备和非故障设备划分的二分类温度数据集,然后利用二分类温度数据集对初始故障诊断模型进行训练,以生成故障检测模型。
具体的,针对给定电力设备,可以预先根据故障设备和非故障设备划分为二分类温度视觉数据集,然后使用LeNet、AlexNet、VggNet、ResNet、NiN、GoogLeNet、DenseNet、Senet、BAM、MobileNet等初始故障诊断模型,对这个二分类温度视觉数据集进行训练,获得故障诊断模型。故障诊断模型能够对输出的温度视觉数据进行检测,判断其为故障还是非故障,实现了温度视觉的智能诊断。
可选的,服务器还可以将待检测图像输入训练生成的故障检测模型中,以获取所述待检测图像对应的标注标签,其中,所述标注标签包括故障类型标签和故障位置标签,之后将待检测图像输入待训练的初始故障诊断模型,以获取待检测图像对应的预测标签,最后根据预测标签与标注标签的差异,对初始故障诊断模型及故障检测模型分别进行修正。
具体的,该装置可以将预测标签与标注标签进行比较,以确定预测标签与标注标签之间的差异,比如,可以使用梯度下降、随机梯度下降等方式确定出修正梯度,进而以此对初始故障诊断模型及训练生成的故障检测模型分别进行修正,本发明对确定修正梯度的方式不做限定。
可选的,还可以通过故障检测模型的交叉损失,利用回归网络对初始故障诊断模型进行参数的修正。由此,可以使得故障检测模型可以更加准确、可靠的输出当前待检测图像对应的故障。
需要说明的是,本发明可以基于温度视觉图像数据,对106种电力设备进行精准的识别、定位,对106种电力设备类型的识别mAP=98%,对106种电力设备的小分类识别mAP=99%,对106种电力设备部件特征点的定位IoU=95%,对106种电力设备故障诊断acc=97%。
本发明实施例中,首先获取目标电力设备的温度视觉图像,然后将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息,之后根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型,然后将所述目标区域图像输 入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像,最后将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。由此,可以利用温度视觉数据对目标检测模型进行训练,以获取温度视觉图像中设备的类型和位置,可以更加精确地锁定图像中电力设备的部件位置,可以智能诊断电力设备的故障。基于温度视觉信息,通过目标检测网络定位电力设备位置,通过特征点网络定位电力设备部件位置,来精准定位电力设备各部件位置并获取相应的温度信息。
为了实现上述实施例,本发明还提出一种基于温度视觉的智能检测装置。
图2为本发明实施例所提供的基于温度视觉的智能检测装置的结构示意图。
如图2所示,该基于温度视觉的智能检测装置200可以包括:第一获取模块210、第二获取模块220、第一确定模块230、第三获取模块240和第二确定模块250。
第一获取模块,用于获取目标电力设备的温度视觉图像;
第二获取模块,用于将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息;
第一确定模块,用于根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型;
第三获取模块,用于将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像;
第二确定模块,用于将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。
可选的,所述第二获取模块,还用于:
获取目标电力设备的预训练数据集,其中,所述预训练数据集为所述目标电力设备的温度视觉数据集;
按照指定的方式对温度视觉数据集进行标注,其中,所述指定的方式至少包含设备框标注和特征点标注;
利用标注完成后的温度视觉数据集对初始检测模型进行训练,以获取目标检测模型。
可选的,所述第一确定模块,还用于:
对目标电力设备的预训练数据集中的各个温度视觉图像进行裁剪,以获取包含有标注区域的训练数据集;
根据目标电力设备的类型对所述训练数据集进行分类,以获取多个训练数据子集;
利用所述多个训练数据子集对多个对应的初始子分类模型进行训练,以获取多个训练完成的子分类模型。
可选的,所述第一确定模块,具体用于:
根据所述目标电力设备的位置信息,对所述目标电力设备的温度视觉图像进行裁剪,以获取目标区域图像;
基于预设的目标电力设备的类型信息与子分类模型之前的对应关系,确定当前的目标电力设备对应的子分类模型。
可选的,所述第二确定模块,还用于:
获取根据故障设备和非故障设备划分的二分类温度数据集;
利用所述二分类温度数据集对初始故障诊断模型进行训练,以生成故障检测模型。
可选的,该装置还包括:
第三获取模块,用于将所述待检测图像输入训练生成的故障检测模型中,以获取所述待检测图像对应的标注标签,其中,所述标注标签包括故障类型标签和故障位置标签;
第四获取模块,用于将所述待检测图像输入待训练的初始故障诊断模型,以获取所述待检测图像对应的预测标签;
修正模块,用于根据所述预测标签与所述标注标签的差异,对所述初始故障诊断模型及所述故障检测模型分别进行修正。
本发明实施例中,首先获取目标电力设备的温度视觉图像,然后将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息,之后根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型,然后将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像,最后将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。由此,可以利用温度视觉数据对目标检测模型进行训练,以获取温度视觉图像中设备的类型和位置,可以更加精确地锁定图像中电力设备的部件位置,可以智能诊断电力设备的故障。基于温度视觉信息,通过目标检测网络定位电力设备位置,通过特征点网络定位电力设备部件位置,来精准定位电力设备各部件位置并获取相应的温度信息。
为了实现上述实施例,本发明还提出一种电子设备,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计算机程序,处理器执行程序时,实现如本发明前述实施例提出的基于温度视觉的智能检测方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现如本发明前述实施例提出的基于温度视觉的智能检测方法。
为了实现上述实施例,本发明还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本发明前述实施例提出的基于温度视觉的智能检测方法。
图3示出了适于用来实现本发明实施方式的示例性电子设备的框图。图3显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28, 连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry Standard Architecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association;以下简称:VESA)局域总线以及外围组件互连(Peripheral Component Interconnection;以下简称:PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read Only Memory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read Only Memory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系 统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
本发明实施例中,首先获取目标电力设备的温度视觉图像,然后将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息,之后根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型,然后将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像,最后将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。由此,可以利用温度视觉数据对目标检测模型进行训练,以获取温度视觉图像中设备的类型和位置,可以更加精确地锁定图像中电力设备的部件位置,可以智能诊断电力设备的故障。基于温度视觉信息,通过目标检测网络定位电力设备位置,通过特征点网络定位电力设备部件位置,来精准定位电力设备各部件位置并获取相应的温度信息。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。 计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。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)
- 一种基于温度视觉的智能检测方法,其特征在于,包括:获取目标电力设备的温度视觉图像;将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息;根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型;将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像;将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。
- 根据权利要求1所述的方法,其特征在于,在所述将所述训练数据集输入至预先训练生成的目标检测模型中,以获取目标电力设备的类型信息和位置信息之前,还包括:获取目标电力设备的预训练数据集,其中,所述预训练数据集为所述目标电力设备的温度视觉数据集;按照指定的方式对温度视觉数据集进行标注,其中,所述指定的方式至少包含设备框标注和特征点标注;利用标注完成后的温度视觉数据集对初始检测模型进行训练,以获取目标检测模型。
- 根据权利要求1所述的方法,其特征在于,在所述根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型之前,还包括:对目标电力设备的预训练数据集中的各个温度视觉图像进行裁剪,以获取包含有标注区域的训练数据集;根据目标电力设备的类型对所述训练数据集进行分类,以获取多个训练数据子集;利用所述多个训练数据子集对多个对应的初始子分类模型进行训练,以获取多个训练完成的子分类模型。
- 根据权利要求1所述的方法,其特征在于,所述根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型,包括:根据所述目标电力设备的位置信息,对所述目标电力设备的温度视觉图像进行裁剪,以获取目标区域图像;基于预设的目标电力设备的类型信息与子分类模型之前的对应关系,确定 当前的目标电力设备对应的子分类模型。
- 根据权利要求1所述的方法,其特征在于,在所述将所述待检测图像输入至预先训练生成的故障检测模型之前,还包括:获取根据故障设备和非故障设备划分的二分类温度数据集;利用所述二分类温度数据集对初始故障诊断模型进行训练,以生成故障检测模型。
- 根据权利要求1所述的方法,其特征在于,还包括:将所述待检测图像输入训练生成的故障检测模型中,以获取所述待检测图像对应的标注标签,其中,所述标注标签包括故障类型标签和故障位置标签;将所述待检测图像输入待训练的初始故障诊断模型,以获取所述待检测图像对应的预测标签;根据所述预测标签与所述标注标签的差异,对所述初始故障诊断模型及所述故障检测模型分别进行修正。
- 一种基于温度视觉的智能检测装置,其特征在于,包括:第一获取模块,用于获取目标电力设备的温度视觉图像;第二获取模块,用于将所述温度视觉图像输入至预先训练生成的目标检测模型中,以获取所述目标电力设备的类型信息;第一确定模块,用于根据所述目标电力设备的类型信息和位置信息,确定目标区域图像以及所述目标电力设备对应的子分类模型;第三获取模块,用于将所述目标区域图像输入至所述子分类模型中,以获取包含有标记所述目标区域图像中的各个部件框的待检测图像;第二确定模块,用于将所述待检测图像输入至预先训练生成的故障检测模型中,以确定所述目标电力设备的故障类型以及故障位置。
- 根据权利要求7所述的装置,其特征在于,所述第二获取模块,还用于:获取目标电力设备的预训练数据集,其中,所述预训练数据集为所述目标电力设备的温度视觉数据集;按照指定的方式对温度视觉数据集进行标注,其中,所述指定的方式至少包含设备框标注和特征点标注;利用标注完成后的温度视觉数据集对初始检测模型进行训练,以获取目标检测模型。
- 根据权利要求7所述的装置,其特征在于,所述第一确定模块,还用于:对目标电力设备的预训练数据集中的各个温度视觉图像进行裁剪,以获取包含有标注区域的训练数据集;根据目标电力设备的类型对所述训练数据集进行分类,以获取多个训练数据子集;利用所述多个训练数据子集对多个对应的初始子分类模型进行训练,以获取多个训练完成的子分类模型。
- 根据权利要求7所述的装置,其特征在于,所述第一确定模块,具体用于:根据所述目标电力设备的位置信息,对所述目标电力设备的温度视觉图像进行裁剪,以获取目标区域图像;基于预设的目标电力设备的类型信息与子分类模型之前的对应关系,确定当前的目标电力设备对应的子分类模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111413561.0A CN114067212A (zh) | 2021-11-25 | 2021-11-25 | 基于温度视觉的智能检测方法、装置及电子设备 |
CN202111413561.0 | 2021-11-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023092759A1 true WO2023092759A1 (zh) | 2023-06-01 |
Family
ID=80276302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/139367 WO2023092759A1 (zh) | 2021-11-25 | 2021-12-17 | 基于温度视觉的智能检测方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114067212A (zh) |
WO (1) | WO2023092759A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN117129088A (zh) * | 2023-08-08 | 2023-11-28 | 上海根根信息技术有限公司 | 一种芯片温度测试方法及系统 |
CN117409261A (zh) * | 2023-12-14 | 2024-01-16 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
CN117629422A (zh) * | 2024-01-25 | 2024-03-01 | 徐州日托新能源科技有限公司 | 一种光伏组件测温方法及系统 |
CN117726990B (zh) * | 2023-12-27 | 2024-05-03 | 浙江恒逸石化有限公司 | 纺丝车间的检测方法、装置、电子设备及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511120B (zh) * | 2022-04-21 | 2022-07-19 | 浙江天铂云科光电股份有限公司 | 基于温度视觉电线的电力设备故障诊断方法 |
CN115115590B (zh) * | 2022-06-23 | 2024-03-08 | 华南理工大学 | 基于旋转RetinaNet的复合绝缘子过热缺陷检测方法 |
CN115661054A (zh) * | 2022-10-14 | 2023-01-31 | 蓝思系统集成有限公司 | 封口的检测方法及装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170109625A1 (en) * | 2015-10-14 | 2017-04-20 | Microsoft Technology Licensing, Llc | System for training networks for semantic segmentation |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN111179249A (zh) * | 2019-12-30 | 2020-05-19 | 南京南瑞信息通信科技有限公司 | 一种基于深度卷积神经网络的电力设备检测方法和装置 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
-
2021
- 2021-11-25 CN CN202111413561.0A patent/CN114067212A/zh active Pending
- 2021-12-17 WO PCT/CN2021/139367 patent/WO2023092759A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170109625A1 (en) * | 2015-10-14 | 2017-04-20 | Microsoft Technology Licensing, Llc | System for training networks for semantic segmentation |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN111179249A (zh) * | 2019-12-30 | 2020-05-19 | 南京南瑞信息通信科技有限公司 | 一种基于深度卷积神经网络的电力设备检测方法和装置 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN116704266B (zh) * | 2023-07-28 | 2023-10-31 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN117129088A (zh) * | 2023-08-08 | 2023-11-28 | 上海根根信息技术有限公司 | 一种芯片温度测试方法及系统 |
CN117409261A (zh) * | 2023-12-14 | 2024-01-16 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
CN117409261B (zh) * | 2023-12-14 | 2024-02-20 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
CN117726990B (zh) * | 2023-12-27 | 2024-05-03 | 浙江恒逸石化有限公司 | 纺丝车间的检测方法、装置、电子设备及存储介质 |
CN117629422A (zh) * | 2024-01-25 | 2024-03-01 | 徐州日托新能源科技有限公司 | 一种光伏组件测温方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114067212A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023092759A1 (zh) | 基于温度视觉的智能检测方法、装置及电子设备 | |
Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
Han et al. | A smart thermography camera and application in the diagnosis of electrical equipment | |
JP2023542460A (ja) | ゼロサンプル学習に基づく絶縁体欠陥検出方法及びシステム | |
WO2023092760A1 (zh) | 基于温度视觉的诊断方法及诊断装置 | |
CN113409284B (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
CN111539924A (zh) | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 | |
Li | Design of infrared anomaly detection for power equipment based on YOLOv3 | |
CN113688987B (zh) | 光伏监测模型的训练方法、光伏设备的监测方法及设备 | |
CN116228778B (zh) | 一种基于多模态信息融合的绝缘子破裂的检测方法及系统 | |
CN114065642A (zh) | 基于温度视觉的智能识别方法 | |
CN114494186B (zh) | 一种高压输变电线路电气设备的故障检测方法 | |
CN111524108B (zh) | 一种变电站设备检测方法及设备 | |
CN116188374A (zh) | 插座检测方法、装置、计算机设备及存储介质 | |
CN114152290B (zh) | 换流站交流滤波器开关诊断方法 | |
CN112465808B (zh) | 变电站设备状态识别方法、装置、巡检机器人和存储介质 | |
JP4796535B2 (ja) | 画像処理による多導体電線の追跡方法、装置及びプログラム並びにこれを用いた多導体電線の異常検出方法、装置及びプログラム | |
CN112036516A (zh) | 一种图像处理方法、装置、电子设备和存储介质 | |
CN113740662A (zh) | 用于输电线路的故障判断方法、计算机装置及存储介质 | |
Zhao et al. | A hybrid CNN/Poisson fusion based power transformer external defect detecting method | |
CN111931721A (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
Yilin et al. | Substation Equipment Fault Identification Based on Infrared Image Analysis | |
CN116883391B (zh) | 一种基于多尺度滑动窗口的两阶段配电线路缺陷检测方法 | |
CN116152258B (zh) | 一种输电线路绝缘子缺陷检测方法、装置、设备及介质 | |
CN115439413A (zh) | 一种绝缘子的故障检测方法及装置、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21965479 Country of ref document: EP Kind code of ref document: A1 |