一种电力设备巡检监控系统技术方案

本发明专利技术公开了一种电力设备巡检监控系统，包括数据分析模块，所述数据分析模块包括图片处理模块、第一故障分析模块、第二故障分析模块，所述图片处理模块包括图片裁剪模块、图片识别模块、图片融合模块。将可见光图像裁剪，并与设定的标准图像进行相似度计算，若相似度低于设定阈值，则将可见光图像输出至第一故障分析模块进行检测；否则将可见光图像、红外图像输入图片融合模块，并输出结果到第二故障分析模块进行检测。本发明专利技术通过计算图像相似度，若低于设定阈值，则输入到第一故障分析模块实现快速检测，及时通知巡检人员巡检；通过第一故障分析模块、第二故障分析模块实现对检测对象的分类、分级检测，使检测结果更加快速、准确。准确。准确。

【技术实现步骤摘要】
一种电力设备巡检监控系统


[0001]本专利技术属于电力设备巡检的
，具体涉及一种电力设备巡检监控系统。

技术介绍

[0002]电力设备巡检要求巡视人员对电力设备进行定时或者不定时的巡视，需要对设备的运行状况进行定时检查，掌握设备运行状况，及时发现设备隐患，监视设备的运行动态，确保设备的安全运行。然而，人力成本较大，而且不适应全天巡检、不友好环境中设备的巡检、多设备高效率巡检等。另一方面，人工巡检容易出现巡检不到位、漏检、不准时的问题。
[0003]目前已经存在基于深度学习图像检测对电力设备进行监控，例如，现有技术201811165583.8公开了一种基于深度学习的电力设备检测方法，包括样本收集、样本标注、样本预处理、模型训练、模型测试和滑动检测。本专利技术可以实现精确的设备定位和设备类型的检测，大大降低人工成本，提高巡检机器人的智能化水平。现有技术201811278413.0公开了一款基于深度学习的电力设备图像识别方法及巡查机器人，使用基于深度学习的电力设备图像识别方法，首先收集同一类型的电力设备样本图像数据，已标注样本数据集和未标注样本数据集，其次对样本数据进行预处理，然后使用卷积神经网络深度学习算法对图像数据进行特征提取，并进行基于半监督主动学习训练二元分类器模型训练，最后利用训练好的模型进行分类，输入待检测的实时图像数据进行识别，判断是正常或者异常图像数据，尽而得出电力设备的正常和异常情况。现有技术201810397635.8公开了一种基于无人机可见光及红外图像融合的电力巡检方法及装置，在无人机的机身下端分别设置两个固定座，每一个固定座设置一个转动云台，转动云台能够水平方向和竖直方向上转动，两个云台分别设置红外摄像机和可将光摄像机，在无人机的飞行过程中，红外摄像机或/和可见光摄像机对目标进行拍摄，利用红外图像的热辐射原理和可见光图像的光反射原理，对采集到两幅图像进行实时有效的配准和融合，使最终结果不仅可以保留可见光图像的颜色和清晰的细节轮廓以及边缘，还可以保留红外图像红外物体的亮度信息，使红外目标物体相对背景亮度突出，更容易识别目标，拍摄的图像经过无线传输网传输到监控机，监控机的处理结果发送到显示器以及个人通信终端。
[0004]然而，现有的技术都是将所有的检测图像采用一种检测模型进行检测，针对不同的故障类型没有进行分类检测，模型的检测精度以及检测速度都不尽人意，无法灵活适应现有检测场景。因此，本专利技术提供了一种电力设备巡检监控系统。

技术实现思路

[0005]本专利技术的目的在于提供一种电力设备巡检监控系统，针对不同的检测对象，设置了第一故障分析模块、第二故障分析模块，针对不同的检测对象实现分类检测，提升了检测速度，第一故障分析模块检测完之后及时发送告警信息给负责人员，实现现场巡检，更加全面的人工检测，不用在进行结合红外数据分析，提升了巡检效率；第二故障分析模块将精细化的检测结果发送给负责人员，可以实现精确巡检，具有较好的实用性。
[0006]本专利技术主要通过以下技术方案实现：一种电力设备巡检监控系统，包括远程控制平台、巡检设备，所述巡检设备包括监测终端，所述监测终端包括辅助控制模块以及与辅助控制模块连接的图像采集模块、红外采集模块、测距模块、通讯模块，所述远程控制平台包括远程控制模块以及与远程控制模块连接的通讯模块、数据分析模块、存储模块，所述辅助控制模块与远程控制模块通过通讯模块连接；所述数据分析模块包括图片处理模块、第一故障分析模块、第二故障分析模块，所述图片处理模块包括图片裁剪模块、图片识别模块、图片融合模块；所述图片裁剪模块用于将可见光图像进行裁剪，所述图片识别模块用于将裁剪的图像分别与设定的标准图像进行相似度计算，若相似度低于设定阈值，则将可见光图像输出至第一故障分析模块进行检测并输出结果；否则将可见光图像、红外图像输入图片融合模块，所述图片融合模块用于将图像采集模块、红外采集模块对应采集的可见光图片、红外图像进行融合，并输出到第二故障分析模块进行检测并输出结果，所述第一故障分析模块、第二故障分析模块用于分析故障类型并输出故障检测结果。
[0007]为了更好地实现本专利技术，进一步地，所述第一故障分析模块基于深度学习进行故障检测，且采用Fast R
‑
CNN模型实现；将电力设备常见的故障类型的可见光图像制作成训练样本并对第一故障分析模块进行训练。
[0008]为了更好地实现本专利技术，进一步地，当第一故障分析模块检测结果为无故障时，则将可见光图像、红外图像输入图片融合模块进行融合处理并输出到第二故障分析模块。
[0009]为了更好地实现本专利技术，进一步地，所述设定阈值包括a和b，且a大于b，若设定阈值小于b，则直接输出可见光图像；若设定阈值大于等于b，且小于a，则将可见光图像输入至第一故障分析模块；若设定阈值大于等于a，则将可见光图像输入至图片融合模块。
[0010]为了更好地实现本专利技术，进一步地，所述图片融合模块首先对原可见光图像进行增强，对红外图像与可见光图像进行两尺度分解得到基础层和细节层，然后构造权重图，采用注意力原理，对细节层进行加权融合，采用加权平均法对基础层进行融合，最后将各层融合图像进行重构，得到最终的融合图像。
[0011]为了更好地实现本专利技术，进一步地，基于引导滤波和动态范围压缩对可见光图像进行增强处理。
[0012]为了更好地实现本专利技术，进一步地，所述巡检设备还包括设置在电力设备顶部的监测轨道，所述监测终端通过三维运动机构设置在监测轨道上，所述监测终端上设置有告警模块。当检测到有设备故障时，可以定位监测终端，并启动告警模块，方便巡检人员及时到场巡检。
[0013]为了更好地实现本专利技术，进一步地，所述三维运动机构包括从上至下依次设置的X轴运动机构、Y轴运动机构、Z轴运动机构，所述Z轴运动机构的运动端设置有监测终端，所述X轴运动机构沿着监测轨道直线运动。所述X轴运动机构可以采用现有的自行走设备带动监测终端沿着监测轨道直线运动，所述Y轴运动机构可以采用丝杠直线运动机构实现监测终端沿Y轴方向直线运动，所述Z轴运动机构可以采用现有的升降设备实现监测终端沿Z轴方向升降。
[0014]本专利技术在使用过程中，监测终端通过图像采集模块、红外采集模块、测距模块实施采集电力设备的可将光图像、红外图像以及测试距离的数据，并通过辅助控制模块将采集
的数据发送到远程监控平台。所述图片处理模块优先处理可将光图像，并安装设定的规则局部剪裁，重点监测有元器件的图像，并将剪裁的图像与设定的标准图像进行相似度计算，若相似度低于设定的阈值，则说明该图像中的元器件可能有故障，则将其输入到第一故障分析模块进行快速检测并输出结果，实现快速检测，若有故障，则将分析的故障类型输出给负责人员，实现及时巡检处理，否则将可将光图像输入到图片融合模块，用于将可见光图片、红外图像进行融合，并输出到第二故障分析模块进行检测并输出结果。若相似度大于等于设定的阈值，则将可见光图像、红外图像输入图片融合模块，并将融合图像输出到第二故障分析模块进行进一步的精确检测并输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力设备巡检监控系统，其特征在于，包括远程控制平台、巡检设备，所述巡检设备包括监测终端，所述监测终端包括辅助控制模块以及与辅助控制模块连接的图像采集模块、红外采集模块、测距模块、通讯模块，所述远程控制平台包括远程控制模块以及与远程控制模块连接的通讯模块、数据分析模块、存储模块，所述辅助控制模块与远程控制模块通过通讯模块连接；所述数据分析模块包括图片处理模块、第一故障分析模块、第二故障分析模块，所述图片处理模块包括图片裁剪模块、图片识别模块、图片融合模块；所述图片裁剪模块用于将可见光图像进行裁剪，所述图片识别模块用于将裁剪的图像分别与设定的标准图像进行相似度计算，若相似度低于设定阈值，则将可见光图像输出至第一故障分析模块进行检测并输出结果；否则将可见光图像、红外图像输入图片融合模块，所述图片融合模块用于将图像采集模块、红外采集模块对应采集的可见光图片、红外图像进行融合，并输出到第二故障分析模块进行检测并输出结果，所述第一故障分析模块、第二故障分析模块用于分析故障类型并输出故障检测结果。2.根据权利要求1所述的一种电力设备巡检监控系统，其特征在于，所述第一故障分析模块基于深度学习进行故障检测，且采用Fast R
‑
CNN模型实现；将电力设备常见的故障类型的可见光图像制作成训练样本并对第一故障分析模块进行训练。3.根据权利要求2所述的一种电力设备巡检监控系统，其特征在于，当第一故障分析...

【专利技术属性】
技术研发人员：何军，蒙媛，龚妮，陈勇，辜超，付饶，谢振宇，胡轶加，赵黎，曹义忠，
申请(专利权)人：国网四川省电力公司广安供电公司，
类型：发明
国别省市：