基于一维测量线映射的变电站指针仪表智能识读方法

为了满足对变电站巡检机器人识读指针仪表的实时性和准确性要求,提出了一种基于一维测量线映射的指针仪表图像智能识读方法。该方法使用加速稳健特征(speeded up robust features,SURF)算法进行图像匹配,利用单应矩阵确定表盘位置并将模板图像的一维测量线映射到待测图像,通过遍历待测图像上一维测量线路径上的像素点检测指针位置计算读数,最后对机器人在某500kV变电站巡检拍摄的指针仪表图像进行了算法有效性测试。结果表明,该方法简单实用,具有很好的鲁棒性和高精度,并且能达到实时性要求,适用于巡检机器人对变电站环境下各类指针仪表的自动识读。     

基于三次样条插值的指针式仪表识别方法研究

针对变电站巡检机器人指针式仪表自动识别中易受指针阴影影响的问题,提出了一种基于三次样条插值的指针式仪表图像分割方法。提取包含指针的圆形区域作为信息图,对信息图进行中值滤波、灰度拉伸;使用16个固定的阈值对信息图进行分割,并统计指针的长度和面积;使用三次样条插值法对面积序列插值并计算其一阶差分,以指针长度大于信息图半径的最小阈值作为起点,求得一阶差分的第一个波谷点,以该点对应的灰度值作为分割阈值对信息图进行图像分割。图像分割实验表明,文中算法对含有指针阴影的仪表图片分割成功率由10%提高到94%,识别成功率由82%提高到98%,提取的指针中仅包含少量的无效信息,减少了后续算法的运算浪费;鲁棒性实验表明,该算法对各种环境干扰具有较好的鲁棒性。     

基于 YOLOv4-tiny 和 Hourglass 的 指针式仪表读数识别

为了降低电力巡检机器人识别变电站指针式仪表的误检率,提高仪表读数识别的精度,设计了一种基于深度学习的指 针式仪表检测方法。 通过在 YOLOv4-tiny 网络结构基础上添加残差模块来提高模型的鲁棒性,并对 Hourglass 网络结构改进,达 到精准识别指针式仪表读数的目的。 为了验证所提出方法的有效性,以变电站现场仪表图像数据对方法进行测试,并将检测结 果与其他方法进行对比。 实验结果表明,仪表定位漏检率仅 1. 25%,指针定位精度在 1. 125%以内,整体检测时间小于 0. 5 s。 相较于常用的 Hough 直线检测与 ORB 结合或基于 U-net 模型的方法,读数识别的平均误差分别降低了 70. 8%和 58. 8%,为变电 站指针式仪表的读数识别提供新的思路。     

基于扩展扫描区域的现场表计指针识别方法

为了满足变电站巡检机器人对现场表计指针的智能识读要求,文中提出一种基于扩展扫描区域的现场表计指针识别方法。通过改进的SIFT算法进行图像匹配并求出单应矩阵,利用单应矩阵将在模板图像上标定的刻度弧线映射到待测图像上,通过扩展扫描区域,依据检测曲线路径上像素点的灰度值和确定指针位置并计算读数。文中对变电站现场的五种仪表,共计500张图片进行了测试。实验结果表明,文中所提算法简单实用、稳定且识别精度高,可以对多种不同的仪表进行识别,适用性强,在变电站多类指针表计识别中具有较好的应用前景。     

基于改进Faster-RCNN的输电线巡检图像多目标检测及定位

针对输电线巡检图像受光线、环境和拍摄角度等因素影响,图像中的电气设备呈现低分辨率和多形态化特征的问题,提出一种基于改进Faster-RCNN的巡检图像多目标检测及定位方法。该方法首先通过区域建议策略网络生成若干目标候选区域;然后基于实际巡检图像样本库,对卷积神经网络进行训练,以改善参数学习效果;最后利用正则化方法优化参数权重,提高检测速度,得到适应巡检图像多形态化特征的改进型Faster-RCNN模型。实际场景数据集测试结果表明,相比于数字图像处理、浅层机器学习、单阶法、双阶法、Mask-RCNN和Local Loss目标检测方法,所提改进型Faster-RCNN能够在不同分辨率和不同位置角度的巡检图像场景下保持较高的识别精度和速度,具有较高的工程实用价值。     

一种变电站智能巡检机器人的仪表图像空间变换算法

针对变电站智能巡检机器人的仪表识别问题,提出了一种基于SURF的图像空间变换算法。首先,对建模图像仪表区域和待识别图像进行SURF特征提取;其次,采用KNN算法和双向匹配对所提取的特征进行筛选,提取优质匹配点对;最后,利用随机采样一致性算法(RANSAC)计算得到投影矩阵,从而能将待识别图像转换到建模图像空间,为后续识别提供便利。变电站实际测试结果表明了该算法的有效性。     

变电站复杂光下基于区域均衡的图像增强

图像巡检作为变电站巡检机器人的核心部分,具有广阔的应用前景.受自然因素的影响,变电站的环境过于复杂,特别是考虑到复杂的光照条件,为了明显增强图像数字部分的对比度和抑制由于光照所导致的各类干扰因素,提出基于区域均衡的结合局部和全部的图像增强算法.实验结果表明,改进后的算法能够结合数字式仪表图像的全局区域和局部区域的分布规...     

基于SVM的变电站保护室数显仪表数字识别方法

为研发一种适合电网运检用户使用的变电站保护室巡视机器人装备,提出了一种基于支持向量机（SVM）的变电站保护室数显仪表数字识别方法,用于对机器人所拍摄的数显仪表数据进行自动化识别和监测。首先对机器人所拍摄的图片进行自定义阈值分割,并寻找连通域的最小外接矩形,获取图像中的数显仪表区域;然后对获取的数显仪表区域依次执行灰度化、中值滤波、图像增强、数字分割、自适应二值化和归一化操作,实现对数显仪表区域的预处理,获取单个数字;最后,将经过小数点处理后的单个数字图像块输入构建的多元SVM分类器,实现对单个数字的识别。实验结果表明,所提出的方法能够达到96.3%的正确识别率,可用于变电站保护室小型巡视机器人的智能巡检工作。     

基于灯光追踪与红外图像校准的变电站巡检机器人导航定位方法

提出了一种基于灯光追踪与红外图像的导航定位方法,该方法首先在机器人行走路线附近固定点放置导航灯,然后通过红外热像仪对导航灯进行图像采集,再利用图像相关算法对采的图像进行处理,最后通过确定导航灯在红外摄像仪中成像大小、位置与实际导航灯位置对应关系,完成机器人的导航与定位,从而实现对变电站设备的实时监测。实验结果表明,该方法实现了精度较高的自主导航定位,环境适应性好,能够满足变电站巡检需求。     

一种适用于智能变电站巡检机器人的双针仪表读数的识别算法

提出一种适合智能变电站巡检机器人室外工作环境的对变电站双指针式仪表设备读数的识别算法。首先针对双针仪表设备图像,进行设备模板化处理,并在模板库中建立仪表的min刻度和max刻度的位置信息。对于机器人实时采集的仪表图像,先要在后台服务中调取相应采集位置设备的模板图,利用尺度不变特征变换(SIFT)算法,在输入图像中匹配提取仪表表盘区域子图像。而后除去上方指针在表盘中的阴影降低指针误识别率,再对表盘子图像进行二值化、仪表指针骨干化处理,利用快速霍夫变换(Fast Hough Transform)检测两条指针直线去除噪音干扰,定位指针精确位置和指向角度,完成指针读数。此算法经过国内某500 kV智能变电站巡检机器人实地测试,各种仪表综合识别率超过95%,对仪表的读数具有高精度高鲁棒性,完全满足该智能变电站推进无人值守的仪表设备读数自动检测识别的要求。     

基于R-FCN的航拍巡检图像目标检测方法

航拍巡检是输电线路巡检的主要方式之一,目前的航拍巡检方式效率较低,受巡检员主观因素影响大,亟需一种智能检测算法自动定位并识别输电线路巡检图片中的故障。基于深度学习的航拍巡检图像目标检测技术作为一种可能的解决方案,得到了广泛关注。提出了一种利用基于区域的全卷积网络(R-FCN)的航拍巡检图像目标检测方法,并利用在线困难样本挖掘(OHEM)、样本优化、软性非极大值抑制(Soft-NMS)等改进方法进行优化。实验证明,所提方法具有目标定位准确、平均准确率高、单模型可同时检测目标种类多等特点。     

基于空域形态一致性特征的绝缘子串定位方法

绝缘子串的精确定位是实现其故障诊断的重要前提。针对目前电网巡检图像中绝缘子串检测算法定位不精确的问题,该文提出了一种基于空域形态一致性特征的绝缘子串精确定位方法。首先,对巡检图像进行基于颜色对比和结构对比的显著性检测,以此确定绝缘子串候选区域;然后,对候选区域进行二值分割,分别沿水平方向和垂直方向进行二值像素累积投影,将图像矩阵转换为投影曲线;之后,从投影曲线中定义9个表征绝缘子串空域形态一致性特征的描述子;最后,以此描述子对候选区域进行绝缘子串搜索,实现绝缘子串精确定位。实验中,绝缘子串检测率达到92%,定位精确度达到0.93。结果表明,所提算法具有较好的识别正确性和定位精确性。     

基于Faster R-CNN和U-Net的变电站指针式仪表读数自动识别方法

随着人工智能和自动化水平的提高,机器人被越来越广泛地应用于变电站巡检,为图像采集带来了便利,但是指针式仪表图像的读数识别准确性问题尚未很好解决,成为了瓶颈。基于Faster R-CNN目标检测和U-Net图像分割技术,提出了指针式仪表读数自动识别方法。首先引入Faster R-CNN检测仪表图像中的表盘、指针所在区域,并对仪表进行分类;然后以图像分割技术取代图形检测算法,结合仪表图像特点,改进了U-Net网络,有效提取了区域中的刻度线和指针。针对分割类别不平衡问题,构造了U-Net的Dice损失函数;针对仪表旋转问题,提出了基于图像分割信息的透视变换方法对图像进行校准。最后通过算例对比了文中方法和传统机器学习算法、霍夫变换在指针式仪表图像读数识别上的效果。结果表明,文中方法在检测识别复杂图像中小目标的准确性和实用性上提升明显。     

一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用

针对地下隧道电缆设备异常状态识别中目标设备较为单一、异常状态相对简单、综合识别速率和准确率较低的问题,文章提出一种改进的YOLO目标检测架构,对电缆设备进行定位和异常状态识别。首先,采用图像缩放方法调整图像尺寸为448×448,再利用卷积神经网络对特征进行提取,其中每一层采用批量归一化方法规范模型,最后通过RPN网络预测目标边界框。采用珠海地下电缆隧道中的图像数据进行仿真实验,并与YOLO和Faster RCNN算法进行对比,实验结果验证了所提出方法的有效性,且算法识别准确率较高、鲁棒性好,可有效应用于地下电缆隧道的巡检机器人系统中。     

电力仪表图像嵌入式识别技术应用研究

变电站有很多电力仪表用于显示电力设备的运行状态及相关运行参数,帮助运行管理人员了解电气设备性能及变电站的整体运营情况。虽然多数电力仪表可将仪表数据信息传输到监控中心,但为进一步提高电力仪表工作的可靠性及安全性,仍应注重对电力仪表的人工巡检。受电力仪表安装位置及角度因素影响,部分电力仪表的巡检需借助相关技术对获得的电力仪表图像进行处理,以获得清晰的电力仪表指示数据。为电力仪表巡检工作的开展提供便利,降低了电力仪表读数误差。对电力仪表图像嵌入式识别技术进行探讨,为其在变电站中的应用提供参考,降低电力仪表在人工巡检方面的投入。     

基于分水岭与Krawtchouk不变矩相结合的改进方法在变电站巡检图像处理中的应用

变电站的巡检机器人在执行巡检任务时,由于位置的变动导致采集的现场设备图像内容出现差异。针对传统定点拍摄的图像处理方法不能满足变电站设备图像处理要求的问题,该文提出了一种基于标记分水岭模型与Krawtchouk不变矩相结合的改进算法,以实现巡检图像中的设备存在遮挡物及仿射变换情况下的目标分割与特征量提取,基于Hsim函数完成最终的目标识别。以松原500 k V变电站巡检机器人实际拍摄的图像为例,结果证明所提算法能够对设备图像进行有效的分割与分类,并通过特征量匹配实现对变电站设备现场状态的甄别,为变电站现场设备图像智能处理提供一种可行的方案。     

基于移动机器人的变电站仪表自动识别研究

针对智能变电站系统中对于仪表定位的难点问题,提出一种基于方向梯度直方图特征和稀疏表示的变电站仪表自动识别方法。该方法中首先利用方向梯度直方图特征分别提取训练样本和待检测目标信息,通过稀疏表示的方法将训练样本训练为过完备字典,最后通过待检测目标在字典中稀疏度和重构误差判定目标是否为仪表并标注其位置。实验结果表明,该方法在变电站复杂场景中有较好的识别率和实时性。     

基于深度学习的模糊指针式仪表矫正读数方法

变电站户外巡检任务中,由于大风,大雾,路面不平等复杂环境影响,巡检机器人容易出现抖动和视角偏差,导致所获取的仪表图片出现模糊,倾斜等问题,难以保证指针式仪表识别读数的准确性。为解决此问题,结合YOLOX目标检测,DeblurGAN-v2图像增强,DeepLabV3+语义分割神经网络算法,研究了模糊指针式仪表矫正读数识别方法。首先改进YOLOX网络实现仪表表盘、指针区域和仪表文字信息提取,并获取仪表参数,其次增强DeblurGAN-v2网络的特征提取能力,去除图像模糊影响,然后使用DeepLabV3+网络分割表盘和指针。仪表图像矫正过程采用透视变换和文本矩形轮廓矫正实现仪表高精度矫正。实验证明,该方法在检测任务中更能适应复杂环境影响,检测准确率高达97.55%,满足工业上自动化检测要求。     

无人机巡检系统自主导航定位技术研究

该系统研究小型旋翼无人机巡检系统自主导航定位,并结合电力巡检的实际环境,设计高精度、智能化、高鲁棒性自主导航系统。通过多传感器精细滤波算法以及高效融合算法提高导航系统精度,通过神经网络等智能化工具以及复杂系统分层调度思想,从而实现导航系统智能化,通过分级滤波构架,提高系统的鲁棒性。     

基于旋转目标检测的变电设备红外图像电压致热型缺陷智能诊断方法

传统红外人工诊断方法难以应对变电站机器人、无人机自主巡检产生的海量红外图片,目前针对电流致热型缺陷较易识别,但缺少危害严重的电压致热型缺陷智能诊断方法研究,提出了一种基于旋转目标检测的变电设备电压致热型缺陷智能诊断方法。基于改进R3Det模型对瓷套进行旋转目标检测,基于Faster RCNN模型对红外图像中三相区域、套管、电流互感器等变电设备区域进行识别、定位;通过自动关联包含在三相区域中的同类设备,计算同类设备温差;基于温差阈值法进行电压致热型缺陷诊断。使用现场采集红外图像进行训练和测试,结果表明:目标检测平均精度均值为90.65%,电压过热型缺陷识别准确率达到81.39%,误报率为9.62%,实验结果证明所提方法能够有效地从红外图像中自动识别电压致热型缺陷,可为实现机器巡检作业红外诊断智能化奠定基础。