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】
本专利技术涉及图像识别方法,属于图像识别领域。
技术介绍
1、传统人工巡检工作存在巡检效率低、覆盖面窄、安全性差、智能化不足等缺陷,如设备特殊部位发热、绝缘不合格等问题难以通过人工巡检及时发现,与人工相比,视频巡检可以实时掌握变电站的运行数据,为变电站设备全天候自动监测、故障智能识别、变电站设备性能优化、效益分析等功能提供支撑,保障变电站设备安全、持续、经济、可靠运行,因此,研发智能变电站视频或图像巡检方法已经成变电站运维管理的必然趋势与需求。
2、目前,国内外已经开展了光伏电站视频或图像巡视的相关研究,现有通过无人机对变电站设备的监测实现视频、图像等数据的收集、处理与分析,了解变电站的运行状态,实现变电站故障识别,然而没有考虑图像数据传输过程中干扰的影响,容易产生卡顿现象,难以实现对视频、图像等信息的高精度实时识别。而现有基于图像处理技术提取轮廓故障,对于不同故障类型,采用不同的故障识别方法,对故障类型进行初步判断,然而,此检测过程过于复杂,导致整个计算时间过长,无法进行高精度、快速的故障识别,导致故障识别的准确性低、一致性差。
技术实现思路
1、本专利技术的目的是为了解决现有对变电站设备故障的识别过程中,存在识别精度差、准确性低、一致性差的问题,提出了基于快速故障识别的变电站设备图像检测方法。
2、基于快速故障识别的变电站设备图像检测方法,所述方法包括以下内容:
3、步骤1、对图像进行分辨率处理得到处理后图像:
4、采集历史变电站
5、步骤2、图像选取,得到保留的图像:
6、利用pv-frc网络计算每一张历史变电站设备故障图像的置信度,剔除置信度小于处理器内部预设置信度的历史变电站设备故障图像,对保留的变电站设备故障图像中的故障区域进行标记后送入神经网络模型中进行训练,得到训练好的神经网络模型;
7、步骤3、采集每一张待预测的变电站设备图像,根据每一张待预测的变电站设备图像的大小,为每一张待预测的变电站设备图像选择传输信道;
8、步骤4、对每一张待预测的变电站设备图像依次进行分辨率处理和图像选取,得到保留的待预测图像,采用训练好的神经网络模型对保留的待预测图像进行检测,检测出变电站设备故障类型。
9、优选地,预设置信度为0.5。
10、优选地,所述方法还包括步骤5;
11、步骤5、当检测出变电站设备故障时,进行告警提示并进行语音提醒。
12、优选地,步骤4中,变电站设备故障类型包括变电站设备着火、爆炸、放电和冒烟。
13、本专利技术的有益效果是:
14、本专利技术根据图像的大小,为每个图像选择输出信道,提升了图像的传输速度,提升了变电站设备视频或者图像传输的抗干扰性能,从而减少数据流处理的时延,提高模型的识别精度。
15、本专利技术考虑远离视野中心的设备细节信息模糊导致检测准确度下降的问题,对置信度较低的故障设备目标进行剔除,进而选取变电站设备位于视觉中心、置信度较高的故障设备进行检测,降低识别复杂度的同时提高模型识别准确率,提高了图像的一致性。
本文档来自技高网...【技术保护点】
1.基于快速故障识别的变电站设备图像检测方法,其特征在于,所述方法包括以下内容:
2.根据权利要求1所述的基于快速故障识别的变电站设备图像检测方法,其特征在于,预设置信度为0.5。
3.根据权利要求所述的基于快速故障识别的变电站设备图像检测方法,其特征在于,所述方法还包括步骤5;
4.根据权利要求所述的基于快速故障识别的变电站设备图像检测方法,其特征在于,步骤4中,变电站设备故障类型包括变电站设备着火、爆炸、放电和冒烟。
【技术特征摘要】
1.基于快速故障识别的变电站设备图像检测方法,其特征在于,所述方法包括以下内容:
2.根据权利要求1所述的基于快速故障识别的变电站设备图像检测方法,其特征在于,预设置信度为0.5。
3.根据权利要求所述的基...
【专利技术属性】
技术研发人员:张可心,阳文全,梁建权,高明硕,王悦,李璐,张亮,王磊,张健,张航,
申请(专利权)人:国网黑龙江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。