System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及绝缘子维护检测,具体为一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法。
技术介绍
1、绝缘子作为电力输电线路中的重要设备,其主要功能是支持和固定导线,并防止导线与支架等之间发生电气接触。然而,由于绝缘子位于室外,并且高处于电力输电线路上,远离地面,因此成为众多鸟类选择栖息的理想场所,鸟类在绝缘子上栖息的同时也会排泄粪便,导致绝缘子表面被鸟粪覆盖,而鸟粪本身具有导电性并含有水分,绝缘子被鸟粪覆盖可能会导致导线短路、线路故障甚至停电等问题,给电力系统带来安全隐患和停运的风险。因此,及时检测和清理绝缘子上的鸟粪覆盖对于保证电力输送的稳定和可靠至关重要。
2、目前,鸟粪的检测主要依赖于人工巡检,这种方法不仅耗费人力、时间和成本,而且存在人为判断的主观性和误差,而传统的视觉图像分析方法如边缘检测、模板匹配和阈值分割等,可提供一些处理思路,但它们常常受到图像采集质量的影响,识别精度和鲁棒性较低,同时在应对复杂鸟粪识别任务时,准确率亦有待提高。
3、近些年,深度学习技术显著改进了图像分析与处理的方法和效果,在具有导电性和含水性的鸟粪覆盖绝缘子表面识别任务中,深度学习算法,如卷积神经网络和深度置信网络等,都有广泛应用。这些方法可以解决光伏元件鸟粪覆盖问题和完成绝缘子鸟粪覆盖的变化趋势预测和故障预警。而且,采用快速区域卷积神经网络还可以进行绝缘子红外图像缺陷检测。然而,这些研究方法更多地集中在绝缘子红外缺陷的检测上,对于可见光缺陷的研究相对较少。
技术实现思路
< ...【技术保护点】
1.一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:所述步骤S2中,在使用深度卷积神经网络模型DCNN对高分辨率原始图像进行深度感知与学习之前,需对高分辨率原始图像进行图像预处理,其具体步骤为:通过降质退化模型分析高分辨率原始图像劣化过程,并利用硬阈值和软阈值结合方法去除高分辨率原始图像的噪声,采用下式表示降质退化模型:
3.根据权利要求2所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:所述步骤S2的具体过程为:构建8层的深度卷积神经网络模型DCNN,将预处理后的低分辨率原始图像和高分辨率原始图像输入至深度卷积神经网络模型DCNN内,得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图,将高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图以图像对的形式组合,计算对应的边缘图像对,将这4个特征图用同一个稀疏表示约束,联合图像,实现智能重建图像。
4.根据权利要求3所述的一种结合鸟粪特征及分形维数的绝缘
5.根据权利要求4所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图的具体过程为:采用深度卷积神经网络模型DCNN训练获得的低分辨率原始图像,并且获得低分辨率原始图像的卷积核及特征图,在此引入激活函数,经过计算后得到低分辨率原始图像的绝缘子鸟粪特征图,其计算公式为:
6.根据权利要求5所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:联合图像,实现智能重建图像的具体过程为:将高分辨率原始图像的绝缘子鸟粪特征图和低分辨率原始图像的绝缘子鸟粪特征图组成图像对,对应的边缘图像也组成图像对,2组图像对即4个特征图间有着相同的稀疏表示,即受同一个稀疏表示所约束;将联合稀疏表示这一过程用多元线性回归问题描述,其公式为:
7.根据权利要求6所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:所述步骤S3的具体过程为:引入分形维数概念,用于度量超分辨率图像的绝缘子鸟粪的复杂程度和形状,分形维数的计算方法为计盒计算法,计盒计算法主要包含以下步骤:
8.根据权利要求7所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:所述步骤S5的具体过程为:
9.根据权利要求8所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:根据得到绝缘子鸟粪覆盖的程度和状态的分析结果判断当前是否存在鸟粪积累的趋势,如趋势存在,进行后续处理,如趋势不存在,继续进行监测。
10.根据权利要求1所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:所述步骤S1中,高分辨率原始图像通过安装在绝缘子上的高分辨率摄像头或定期使用无人机进行拍摄得到。
...【技术特征摘要】
1.一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:所述步骤s2中,在使用深度卷积神经网络模型dcnn对高分辨率原始图像进行深度感知与学习之前,需对高分辨率原始图像进行图像预处理,其具体步骤为:通过降质退化模型分析高分辨率原始图像劣化过程,并利用硬阈值和软阈值结合方法去除高分辨率原始图像的噪声,采用下式表示降质退化模型:
3.根据权利要求2所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:所述步骤s2的具体过程为:构建8层的深度卷积神经网络模型dcnn,将预处理后的低分辨率原始图像和高分辨率原始图像输入至深度卷积神经网络模型dcnn内,得到高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图,将高分辨率原始图像和低分辨率原始图像的绝缘子鸟粪特征图以图像对的形式组合,计算对应的边缘图像对,将这4个特征图用同一个稀疏表示约束,联合图像,实现智能重建图像。
4.根据权利要求3所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:8层的深度卷积神经网络模型dcnn包含三个卷积层和两个池化层,依次由输入层、卷积层c1、池化层s2、卷积层c3、池化层s4、卷积层c5、全连接层f6和输出层组成;向深度卷积神经网络模型dcnn中引入残差网络结构并且将密集块结构添加到残差网络结构的中间层。
5.根据权利要求4所述的一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法,其特征在于:得到高分辨率原始图像和低分辨率原始...
【专利技术属性】
技术研发人员:李帆,饶斌斌,陈柯,童超,
申请(专利权)人:国网江西省电力有限公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。