基于红外成像技术的电气设备故障检测

以往电气设备故障检测所采用的信号处理方法为提取信号特征进行故障检测,无法实现故障的区域检测,缺乏故障等级的有效判断,检测结果具有检测准确度低、结果不稳定的缺点。因此,提出基于红外成像技术的电气设备故障检测方法,其通过红外摄像仪检测电气设备红外图像的温度值后,以灰度图像替代红外图像获得阈值的强度信息矩阵,提取电气设备红外图像的灰度值。根据温度与灰度的映射关系,采用相对温差法对红外图像高温区域进行提取。基于电气设备红外图像高温区域,进行故障区域面积与故障区域质心的计算,获得红外图像的故障区域特征,通过灰度和温度的对应关系,反推电气设备故障区域质心的温度,运用绝对温差法确定电气设备故障等级。实验结果说明:所提方法具有较高的检测准确度和稳定性。     

基于支持向量机的高压绝缘子污秽等级红外热像检测

提出了一种红外热像处理与支持向量机多值分类器相结合的新方法对高压绝缘子污秽等级进行检测.采用基于梯度信息的自适应平滑滤波方法对原始图像进行了滤波处理;利用OTSU图像分割方法对滤波后的图像进行分割,获取绝缘子盘面区域,并从绝缘子盘面区域提取了最高温度、最高温度与最低温度的比值、盘面温度的标准偏差、部分最高温度像素点个数与目标总像素点个数的比值共4个反映污秽程度的红外特征量;设计了支持向量机多值分类器对绝缘子污秽等级进行分级.试验结果表明,文中所选取的绝缘子红外特征量可有效表征绝缘子的污秽等级,所采用的支持向量机多值分类器是一个小样本、高效率的分类器,所提出的绝缘子污秽等级检测新方法是可行的.     

基于多尺度协作模型的电气设备红外图像超分辨率故障辨识方法

针对现有红外图像分辨率低、清晰度差,易影响基于红外图像的电气设备故障检测效果的缺点,提出一种基于多尺度协作模型的电气设备红外图像超分辨率故障辨识方法.该文构建了基于多尺度协作模型的电气设备红外图像超分辨率重建网络,该网络以生成对抗网络为基础,通过引入多尺度协作模型和双通道结构,改善了超分辨率重建网络对红外图像的适应性,并优化了图像特征提取效果.在实现红外图像超分辨率重建基础上,结合深度学习目标检测方法,建立电气设备红外图像超分辨率故障辨识模型.针对所提方法进行了实验验证,实验结果表明:经该文所提超分辨率重建网络后,红外图像质量可明显提升,峰值信噪比(PSNR)、结构相似性(SSIM)值可分别提高至27.26dB、0.8283;采用该文所提红外图像超分辨率故障辨识模型可显著提高故障辨识效果,mAP、mAR、mAC和mAIOU值平均相对提高了19.34％、19.14％、11.83％和25.03％.     

CFRP / Al 蜂窝结构缺陷红外热图特征的 多结构形态学-PCNN 识别

CFRP/Al蜂窝结构在制备和长期服役过程中易产生脱粘、分层、积水等缺陷,因此采用红外热波无损检测技术对其状态进行检测尤为重要.在采集CFRP/Al蜂窝结构缺陷红外热图像序列的过程中,存在着较大的背景噪声,容易产生对缺陷的检测效率低、对比度差等问题.为了提高缺陷检测效果,采用主成分分析算法对去除背景后的红外图像序列进行缺陷特征信息降维处理,有效滤除红外图像序列中的不均匀背景噪声.结合多结构形态学和脉冲耦合神经网络(PCNN)混合算法对缺陷区域进行图像增强和图像分割来提取缺陷区域.实验结果表明,采用上述方法,能够进一步地滤除红外图像的不均匀背景噪声,改善缺陷区域提取效果,有效提高缺陷检出率.     

基于深度学习的红外图像中劣化绝缘子片的分割方法

红外成像作技术为绝缘子在线检测的重要手段已日趋成熟,而当前对于电气设备红外图像的分析仍依靠大多依赖人工经验,缺乏智能化。传统的红外图像中劣化绝缘子的分割方法需要复杂的图像预处理和人工提取目标特征,因而存在着泛化能力差、复杂背景下识别精度低等缺陷。基于以上问题,文中提出一种基于深度学习的红外图像中劣化绝缘子的分割方法。首先搭建实验平台,获得绝缘子串在复杂背景(有其他设备和发热源干扰)下的红外图像。为了保证红外图像的多样性,拍摄在多种污秽等级下进行,选取了多种阻值的劣化绝缘子片放置在了多种位置,并不断改变了拍摄的角度。然后构建多尺度的方法实现全卷积神经网络(FCN)的3种子模型架构：FCN-32s、FCN-16s和FCN-8s,使用随机梯度下降的训练方法对模型进行端到端的训练,最终实现了红外图像中的劣化绝缘子片的自主分割提取。通过对三种子模型训练测试对比后,得出以下结果：FCN-8s模型为劣化绝缘子片分割提取最佳模型,对于验证测试数据集像素分类准确率为89.23%。结果表明文中所描述的智能化红外劣化绝缘子片分割方法,为绝缘子和其他高压电气设备的红外在线监测诊断打下了坚实基础。     

基于蝗虫算法的图像多阈值分割方法

针对图像分割中的阈值选择问题,提出了一种基于蝗虫算法的图像多阈值分割算法。该算法综合考虑Otsu法和最大熵法的分割特性,以Otsu算法的最大类间方差和Kapur最大熵法的最大熵值构造适应度函数,利用蝗虫算法进行寻优求解最佳阈值,最后利用最佳阈值对图像进行分割。将该算法与传统的Otsu算法、最大熵法、基于粒子群的图像分割方法、基于人工蜂群的图像分割方法进行比较,实验结果表明,相对其他算法,分割所得的峰值信噪比更大,分割效果更好,在阈值个数为4和5时,该算法所得的峰值信噪比(PSNR)值相比粒子群算法、人工蜂群算法提高了约3%和1. 5%,算法的运行时间相比粒子群算法和人工蜂群算法,快了约9%和5%。     

基于机器视觉的风机叶片缺陷检测

针对风机叶片缺陷难以检测的问题,提出一种基于机器视觉的风机叶片缺陷检测方法.首先,使用非局部均值方法去除图像中的背景噪声,同时平滑缺陷边缘;其次,使用自适应对比度增强方法进行图像增强,提升图像的整体质量;然后使用双阈值 OTSU 大津法分割增强后的图像,提取得到缺陷区域;最后,使用 Canny算子和形态学 变换对缺陷区域进行边缘检测,得到缺陷区域定位.试验结果表明,该算法具有一定的有效性和准确性.     

一种光学遥感图像海陆分割方法

海陆分割是近岸舰船检测中的重要步骤之一,为解决有波浪的光学遥感图像近岸海陆分割问题,确保其性能的准确度和鲁棒性,提出了一种新的近岸海陆分割方法。该方法首先使用均值漂移(Mean Shift)算法将图像分割成若干同质区域,然后与OTSU分割结果相结合,采用连通性区域分析的方法提取出海水区域,最后去除阴影区域,得到海陆分割的结果。实验证明,该方法能够处理海水中存在波浪的近岸舰船检测问题、抗干扰性好、准确度高、鲁棒性强。     

基于NSST图像融合的变电站开关状态识别

针对变电站中开关状态图像识别易发生误判的问题,提出了一种基于非下采样剪切波变换(NSST)图像融合的变电站开关图像识别方法。该方法采用可见光和红外光双摄像模式,得到开关可见光图像和红外图像,根据两者的特点与互补特性,采用基于NSST的图像融合算法对可见光图像和红外图像进行融合,生成含有两种开关图像丰富细节信息和特征量的融合图像,采用改进加速稳健特征(SURF)算法对融合图像进行目标特征量提取和匹配,再采用基于混沌布谷鸟(CCS)算法的多阈值图像分割技术进行处理,最后基于霍夫变换得到开关臂和触点所在直线的斜率,根据两者角度差判别开关状态。仿真实验表明:所提方法对闭合与断开状态隔离开关的识别率分别为94.4%和100%,验证了所提方法的有效性。     

基于单阶段目标检测算法的变电设备红外图像目标识别及定位

针对红外图像中变电设备的识别和定位问题,提出了一种基于改进YOLOv3算法的变电设备检测方法.在现场采集的变电设备红外图像集的基础上,首先使用基于Retinex的图像增强算法以及阈值分割等图像处理方法对图像集进行预处理;然后基于变电设备红外图像对YOLOv3算法进行参数优化,并通过迁移学习的策略对改进YOLOv3网络进行训练以解决图像集样本数量较少的问题.实验结果表明,在样本数量较少的情况下,所提方法可以达到满意的检测准确率,并能快速地实现变电设备的识别和定位.     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息.人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判.采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别...     

基于灰度冗余和SURF算法的电气设备红外和可见光图像配准

为了对电力设备故障进行更为有效和直观的诊断,提出了一种基于灰度冗余和SURF算法的红外和可见光图像的配准方法.该算法对红外图像和可见光图像进行基于灰度冗余的处理,利用SURF方法分别找到两幅图像的特征点并求出其描述子,通过RANSAC(随机采样一致性)对这些特征点进行精确配对,通过最小二乘法求得仿射变换参数并实现两幅图...     

高压设备电晕紫外成像检测图像增强方法的研究

紫外成像仪在低照度环境下检测高压设备外部电晕放电时,输出图像模糊,不利于故障点的定位、分析和识别,有必要采取一定图像处理算法改善图像质量。简要分析了这类紫外图像的特征,提出了滤波和灰度变换的方法,并对图像进行了增强处理。对比分析了目前常用的空域滤波、频域滤波和小波域滤波方法的去噪效果,采用了图像的分段线性灰度变换和自适应直方图均衡算法改善了图像亮度和对比度,工程实际应用验证了所提方法的有效性。     

基于SIFT特征匹配的电力设备图像变化参数识别

在变电站视频监视系统中,可通过视频巡检来及时发现某些异常状态,以免产生故障。图像的某些参数的改变是判别图像状态改变的重要依据,提出了一种基于SIFT,OTSU和RANSAC相结合的特征匹配的电力设备图像变化参数识别算法。先对样本资料图像和监测图像进行SIFT特征匹配,与OTSU相结合消除干扰匹配特征点,再通过RANSAC随机抽样一致性算法消除错误匹配特征点,根据匹配结果识别电力设备图像变化角度和缩放比例这2个重要参数。仿真实验表明,此算法简单易行,精度高,可用于电力铁塔倾斜角度和指针式仪表指针旋转角度的识别,也可用于视频巡检中缩放系数的识别。     

基于卷积递归网络的电流互感器红外故障图像诊断

电力大数据中日益增多的非结构化数据为以人工诊断为主的传统处理方式提出了新的挑战。红外故障图像作为一种典型的非结构化数据,对于电力大数据的研究有着至关重要的作用。为了达到自动处理海量红外故障图像的目的,提出了一种基于卷积递归网络的电流互感器红外故障图像诊断方法。对红外故障图像首先进行超像素分割并利用其色度信息提取温度异常区域;然后采用两级联合卷积-递归神经网络,对大量样本信息进行训练学习来指导设备故障部位识别;最后依据部位信息对故障进行分类。实验结果表明,该算法鲁棒性较强,准确性较高,有效地提高了红外检测效率,为非结构化数据的特征提取分析提供了坚实的基础。     

基于FPGA的红外和CCD图像融合研究及实现

为了能够同时显示多个传感器的信息,需要对红外传感器和CCD传感器获得的图像信息进行融合。通过对红外图像的插值放大、彩色编码运算,使得红外图像的分辨率和CCD图像的分辨率保持一致,并得到红外彩色图像。为了实现2幅彩色图像的融合,采用颜色空间变换的方法将颜色信息和亮度信息分离开来,采用不同的融合策略对各通道图像信息进行融合,并在 FPGA 内实现了图像的融合算法。最终设计出了一套基于 FPGA 的实时图像融合系统。     

基于随机森林的脑磁共振图像分类

特征选择和分类算法是影响脑磁共振图像分类精度的2个最主要的因素。随机森林算法作为一种优秀组合分类器逐渐成为近年来研究的热点,通过加权脑磁共振3种（T1、T2、PD加权像）图像,采用非统一滑动窗口尺寸提取二维图像的纹理特征、形状特征、HAAR特征、灰度特征以及边缘检测算子、最大类间方差（OTSU）作为随机森林算法的输入特征,从而分类出图像的10类组织。经过对加拿大蒙特利尔神经科学研究院提供的脑仿真核磁共振图像实验,随机森林算法对二维脑MR图像的分类精度可以达到94%以上。     

基于GIS的电网故障信息红外热影像采集系统

红外测温技术是检测电网设备状态的一种先进方法,应用红外测温技术能有效预判电网设备外部连接点的发热隐患,从而及早发现设备外部过热、内部绝缘等故障。以红外测温技术和基础GIS空间导航算法为基础,通过与原始蚁群算法对比、分析,提出了线路加权路径规划的改进算法,红外图像的采集降噪处理和结合WCDMA网络的传输方式,结合农村电网特点设计成可视化后台管理系统。该系统可对野外电力设备进行红外图像采集并进行简单降噪处理,通过3G网络发送回后台服务端显示,供人工辅助加以预判电网故障,同时通过改进的导航算法,科学规划抢修巡检路径,提高了电网运行的可靠性。